CN109647899B - 一种带钢热轧精轧过程中多规格轧件电耗预报方法 - Google Patents
一种带钢热轧精轧过程中多规格轧件电耗预报方法 Download PDFInfo
- Publication number
- CN109647899B CN109647899B CN201811602133.0A CN201811602133A CN109647899B CN 109647899 B CN109647899 B CN 109647899B CN 201811602133 A CN201811602133 A CN 201811602133A CN 109647899 B CN109647899 B CN 109647899B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- finish rolling
- data
- principal component
- steel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 91
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 69
- 239000010959 steel Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005098 hot rolling Methods 0.000 title claims abstract description 31
- 238000000513 principal component analysis Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 49
- 238000005070 sampling Methods 0.000 claims description 6
- 239000002436 steel type Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000007730 finishing process Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明一种带钢热轧精轧过程中多规格轧件电耗预报方法。S1.利用精轧段电耗计量仪表对精轧过程消耗的电量进行计量，得到精轧段电耗值；S2.再利用主元分析法分析多种对轧件电耗有关的影响因素，简化预测模型的输入参数，把输入数据降维为主元空间，通过提取主元空间特征来表征影响电耗的主要变化信息，并利用精轧电耗数据和主元分析后的规格数据进行多规格轧件电耗预测模型的训练和搭建；S3.最终通过得到的电耗预测模型实现某一钢种在设定不同工况参数的情况下的精轧段电耗预值。该方法可针对某一钢种在设定不同工况参数的情况下通过预测模型得到的电耗预报值并进行对比分析，有效避免能耗超标现象，并对工艺参数优化提供指导义。
Description
技术领域
本发明涉及工业生产电耗预报技术领域，尤其是一种带钢热轧精轧过程中多规格轧件电耗预报方法。
背景技术
智能制造发展是当前加快推进钢铁行业转型升级的重点，要提高我国钢铁行业的核心竞争力，需要加大技术创新的力度与深度，同时继续推进节能减排工作。在钢铁生产中，能源消耗约占钢铁成本的20％-40％，能源介质的消耗监测管理是制定钢铁企业能源规划的重要组成部分，从目前能源统计数据看，我国钢铁企业的能耗要比国外先进企业的能耗高出30％以上，可见存在巨大的节能降本潜力，只有转变增长方式，大幅度提高能源利用效率，才能促进我国钢铁工业的可持续和健康发展。
轧制工艺流程是钢铁制造流程中重要工序之一，研发轧制工艺流程节能优化是实现钢铁全线智能制造，全面节能的必备所需。而电能是轧制过程能耗的主要指标，轧制过程电机能耗主要取决于主、辅传动电机的能耗，所以开展对轧制生产线的传动能耗分析预报研究对提高能源利用效率，电能优化调度，节能排产起着重要作用，同时为企业减低成本，实现绿色节能运行提供保障。目前国内外节能改造措施大多体现在厂级间的能源管控、调度优化，对于单条生产线的多种轧制规格轧件的能耗研究甚少，尤其是对于不同规格钢材跟踪能耗的预报研究较为缺乏；而轧制单体工序能耗优化主要集中在加热炉的节能改造和基于工艺模型的内部参数调节降耗，缺乏对于单工序电耗的节能研究。
发明内容
为解决上述问题，本发明的目的是提供一种解决现有钢铁生产中，预报某一钢种的轧件在设定不同工况参数的情况下其在精轧阶段电耗的问题的带钢热轧精轧过程中多规格轧件电耗预报方法。
本发明的技术方案是：一种带钢热轧精轧过程中多规格轧件电耗预报方法，该方法具体包括以下步骤：
S1.利用精轧段电耗计量仪表对精轧过程消耗的电量进行计量，得到精轧段电耗值；
S2.再利用主元分析法分析多种对轧件电耗有关的影响因素，简化预测模型的输入参数，把输入数据降维为主元空间，通过提取主元空间特征来表征影响电耗的主要变化信息，并利用精轧电耗数据和主元分析后的规格数据进行单工序电耗预测模型的训练和搭建；
S3.最终通过得到的电耗预测模型实现某一钢种在设定不同工况参数的情况下的精轧段电耗预值。
进一步，所述S1的具体步骤为：
S1.1：周期性的采集热连轧精轧段生产线各阶段的电表读数，并将用电数据按照电表代号进行分组记录，并在分组内按照采样时间记录每次采集的用电值；
S1.2：通过生产控制系统记录文件中获取在精轧阶段各个时间结点的生产信息；
S1.3：通过咬钢时间与钢卷号明确出轧件在精轧生产线所处的时间段和位置，结合S1中所得的用电数据组别的采集时间序列所处的时间段将电耗数据与轧件的电耗过程进行对应，得到轧件进入和离开热轧生产线的时间段，得到每卷钢在热轧生产中所耗电量，即精轧段电耗值。
进一步，所述S2的具体步骤为：
S2.1：获取的带钢的规格数据,并对获取后的数据进行主元分析，提取主元空间特征，通过降维过程降低输入参数的维度，之后再把主元分析后得到的规格数据和S1.1得到的对应电耗数据存入卷钢热轧生产电耗数据表中，并且根据钢种的不同进行分类统计，得到各钢种下每卷钢在热轧生产中所耗电量及对应的影响电耗的主要变化信息。
S2.2结合S1得出对应的精轧段电耗值，把主元分析后的规格数据作为预测模型的输入，把对应的精轧电耗数据作为预测模型的输出，进行学习训练，得到优化后的电耗预测模型。
进一步，利用该方法把规格数据的多维数据进行降维处理，即将生产过程中存在的大量高度相关的数据变量映射到用少部分主元变量定义的低维空间，即把复杂的规格数据压缩为主元变量，利用主元贡献度分析选取所含多维空间85％以上的信息的主元变量信息代替多维数据。
进一步，所述获取的带钢的规格数据包括：班组、炉号、钢卷号、原料钢质、产品材质、目标厚度、目标宽度、板坯长度、板坯宽度、板坯厚度、验证坯重、验证卷重、轧制速度和轧制时长等数据。
进一步，所述各阶段的电表读数包括电表代号、采集时间和电量。
进一步，所述生产信息包括每卷钢的F1轧制力出现时间和F7轧制力归零时间。
一种实现所述的带钢热轧精轧过程中多规格轧件电耗预报方法的计算机程序。
一种实现、所述的带钢热轧精轧过程中多规格轧件电耗预报方法的信息处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的带钢热轧精轧过程中多规格轧件电耗预报方法。
本发明的有益效果是:由于采用上述技术方案，本发明的方法拟对精轧过程电量损耗进行精确计量、分析、预报。在所有的能源介质中，电是易于测量的能源介质，也是不可忽视的能源消耗。可以通过安装的仪表对主、辅传动电机等主要用电数据进行实时的记录，而获取电力损耗的数据。而钢厂生产的钢材品种比较多，不同的轧制规格会对电力损耗的产生不同的影响，预设参数的改变也会对电力损耗造成不同程度的影响，通过现场获取的规格数据和能耗数据，建立较为准确的能耗预测模型，可以在获知规格数据而未实际轧制之前得到电力损耗情况的预报，这对于生产各类型钢材的节能研究具有相当的指导意义，有助于从单工序能耗过程发掘节能潜力，具备一定的实践和研究意义。在数据分析和建模中，可以针对某一钢种在设定不同工况参数的情况下通过预测模型得到的电耗预报值并进行对比分析，有效避免能耗超标现象，并对工艺参数优化提供指导义。
附图说明
下面结合附图和具体实施方法对本发明作进一步的详细说明:
图1是本发明得到的主元分析结果图。
图2是本发明中得到的主元贡献度图。
图3是本发明使用的BP神经网络拓扑结构图。
图4是本发明的多规格轧件电耗的预报方法的实施方案流程图。
具体实施方式
下面结合具体实施例对本发明的技术方案做I进一步说明。
本发明一种带钢热轧精轧过程中多规格轧件电耗预报方法，该方法具体包括以下步骤：
S1.利用精轧段电耗计量仪表对精轧过程消耗的电量进行计量，得到精轧段电耗值；
S2.再利用主元分析法分析多种对轧件电耗有关的影响因素，简化预测模型的输入参数，把输入数据降维为主元空间，通过提取主元空间特征来表征影响电耗的主要变化信息，并利用精轧电耗数据和主元分析后的规格数据进行单工序电耗预测模型的训练和搭建；
S3.最终通过得到的电耗预测模型实现某一钢种在设定不同工况参数的情况下的精轧段电耗预。
所述S1的具体步骤为：
S1.1：周期性的采集热连轧精轧段生产线各阶段的电表读数，并将用电数据按照电表代号进行分组记录，并在分组内按照采样时间记录每次采集的用电值；
S1.2：通过生产控制系统记录文件中获取在精轧阶段各个时间结点的生产信息；
S1.3：通过咬钢时间与钢卷号明确出轧件在精轧生产线所处的时间段和位置，结合S1中所得的用电数据组别的采集时间序列所处的时间段将电耗数据与轧件的电耗过程进行对应，得到轧件进入和离开热轧生产线的时间段，得到每卷钢在热轧生产中所耗电量，即精轧段电耗值。
所述S2的具体步骤为：
S2.1：获取的带钢的规格数据,并对获取后的数据进行主元分析，提取主元空间特征，通过降维过程降低输入参数的维度，之后再把主元分析后得到的规格数据和S1.1得到的对应电耗数据存入卷钢热轧生产电耗数据表中，并且根据钢种的不同进行分类统计，得到各钢种下每卷钢在热轧生产中所耗电量及对应的影响电耗的主要变化信息。
S2.2结合S1得出对应的精轧段电耗值，把主元分析后的规格数据作为预测模型的输入，把对应的精轧电耗数据作为预测模型的输出，通过得到的数据进行学习训练，得到电耗预测模型。
利用该方法把规格数据的多维数据进行降维处理，即将生产过程中存在的大量高度相关的数据变量映射到用少部分主元变量定义的低维空间，即把复杂的规格数据压缩为主元变量，利用主元贡献度分析选取所含多维空间85％以上的信息的主元变量信息代替多维数据。
所述获取的带钢的规格数据包括：班组、炉号、钢卷号、原料钢质、产品材质、目标厚度、目标宽度、板坯长度、板坯宽度、板坯厚度、验证坯重、验证卷重、轧制速度和轧制时长等数据。
所述各阶段的电表读数包括电表代号、采集时间和电量。
所述生产信息包括每卷钢的F1轧制力出现时间和F7轧制力归零时间。
一种实现所述的带钢热轧精轧过程中多规格轧件电耗预报方法的计算机程序。
一种实现、所述的带钢热轧精轧过程中多规格轧件电耗预报方法的信息处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的带钢热轧精轧过程中多规格轧件电耗预报方法。
实施例：
A.周期性的采集热连轧精轧段生产线各阶段的电表读数，并记录包括电表代号、采集时间、和电量的用电数据，用电数据按照电表代号进行分组记录，并在分组内按照采样时间记录每次采集的用电值；
B.通过生产控制系统记录文件中获取在精轧阶段各个时间结点的生产信息，这些生产信息应当包括每卷钢的F1轧制力出现时间、F7轧制力归零时间；
C.通过咬钢时间与钢卷号明确出轧件在精轧生产线所处的时间段和位置，利用步骤A中所得的用电数据组别的采集时间序列所处的时间段可把电耗数据与轧件的电耗过程进行对应，可以得到轧件进入和离开热轧生产线的时间段，得到每卷钢在热轧生产中所耗电量。
D.从计算机控制系统的生产信息中获取规格数据，包括班组、炉号、钢卷号、原料钢质、产品材质、目标厚度、目标宽度、板坯长度、板坯宽度、板坯厚度、验证坯重、验证卷重、轧制速度、轧制时长等。利用主成分析法对获取的生产信息进行主元分析，得到影响电耗的主要变化信息，通过降维过程降低输入参数的维度；在步骤C之后把分析得到的电耗数据与对应的主元分析过的规格数据存入卷钢热轧生产电耗数据表，并按照钢种进行分类。主元分析的具体实现过程如下所述：
(1)设获取的规格数据有m个，于是构成了(m*n)维矩阵X。对于变量X进行标化处理：
其中，
为X的均值，
为Xi的方差。
(2)标准化矩阵X*的协方差为∑*，对∑*进行特征分解：
∑*＝LTΛL (2)，
其中，L＝(l1,l2，...,ln)；l1,l2，...,ln是对应的正规化特征向量；Λ＝diag(λ1,λ2,...,λn)，
λ1≥λ2≥...≥λn≥0是∑*的特征值；
(3)第i个主元ti可以表示为：
第i个主元ti(i＝1，2，...,n)是与t1，...,ti-1都不相关的所有X*的线性组合中方差达到最大者，前p个主元反映原来变量包含信息的大小，可用前p个主元积累方差贡献率ηp来表示。
本方案的计算结果如图1所示，可取3个主元，其中1号主元贡献率为48.9％，2号主元贡献率为28.7％，3号主元贡献率为9.4％，其积累方差贡献率ηp≥85％，可以代表多维空间的主要信息，这样通过主元分析法将18维规格数据转换为3维主元变量，这样使用较少的主元变量就可以充分的描述高维空间的特性，而且不会有显著的信息损失。其中主元贡献率百分比如图2所示。
E.得到经过主元分析后的轧件生产信息的主元变量和对应的精轧段电耗值，并根据不同钢种进行分类统计。把主元变量作为BP神经网络的输入，把对应精轧段电耗值作为BP神经网络的输出，通过得到的数据进行学习训练，可以得到电耗预测模型。该模型可以根据某一钢种在设定不同工况参数的情况下得到精轧段电耗值，完成电耗预报工作。使用的BP神经网络的拓扑结构如图3所示，图中X1,X2,...,Xn为输入量，在预测模型训练中，此处应该代表的是经过主元分析后的主要规格数据，该参数包括了大部分的变化信息，而Y1,...,Yn为输出量，在该发明中对应预报的电耗值，而wij,wik分别代表输入层与隐含层，隐含层与输出层之间的连接权值。根据图3可以看出BP神经网络可以看作成一个非线性的函数，X1,X2,...,Xn为函数的n个自变量，Y1,...,Yn为因变量，即表达的是n个自变量到m个因变量之间的映射关系。BP神经网络的训练过程如下所述：
(1)初始化网络，包括隐含层与输出层的权值ωij,ωik，隐含层、输出阈值a，b，网络学习速率以及神经元之间的激励函数。
(2)计算隐含层输出值。根据输入值X1,X2,...,Xn、输入层与隐含层之间权值ωij以及隐含层阈值a，可以计算出隐含层的输出值Hj，计算公式如下：
式中l为BP神经网络中隐含层节点的数目，f为隐含层激励函数。
(3)计算输出层值。根据各个隐含层值Hj，隐含层与输出层之间权值ωik,以及输层阈值b，可计算出各输出层值Ym，计算式如下：
(4)计算误差值，根据神经网络预测值Yk与预测值Yk‘，计算误差值，公式如下：
ek＝Y'K-Yk,k＝1,...,m (6)，
(5)更新神经网络权值和阈值，根据计算的误差值ek,调整网络权值和阈值，计算公式如下：
ωjk＝ωjk+ηHek,j＝1,2,...,l；k＝1,...,m
bk＝bk+ek,k＝1,...,m (7)，
式中η为神经网络的学习率。
(6)根据判断条件，判断网络计算是否结束，没有则从步骤2开始继续重复计算，直至判断条件满足值停止计算。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种带钢热轧精轧过程中多规格轧件电耗预报方法，其特征在于，该方法具体包括以下步骤：
S1.利用精轧段电耗计量仪表对精轧过程消耗的电量进行计量，得到精轧段电耗值，具体步骤为：
S1.1：周期性的采集热轧精轧段生产线各阶段的电表读数，并将用电数据按照电表代号进行分组记录，并在分组内按照采样时间记录每次采集的用电值；
S1.2：通过生产控制系统记录文件获取在精轧阶段各个时间结点的生产信息，
S1.3：通过咬钢时间与钢卷号明确出轧件在精轧段生产线所处的时间段和位置，结合S1.1中所得的用电数据组别的采样时间序列所处的时间段将电耗数据与轧件的电耗过程进行对应，得到轧件进入和离开热轧精轧段生产线的时间段，得到每卷钢在热轧精轧段生产中所耗电量，即精轧段电耗值；
S2.再利用主元分析法分析多种与轧件电耗有关的影响因素，简化预测模型的输入参数，把输入数据降维为主元空间，通过提取主元空间特征来表征影响电耗的主要变化信息，并利用精轧电耗数据和主元分析后的规格数据进行多规格轧件电耗预测模型的训练和搭建；
所述S2的具体步骤为：
S2.1：获取带钢的规格数据,并对获取后的数据进行主元分析，提取主元空间特征，通过降维过程降低输入参数的维度，之后再把主元分析后得到的规格数据和S1.1得到的对应电耗数据存入卷钢热轧生产电耗数据表中，并且根据钢种的不同进行分类统计，得到各钢种下每卷钢在热轧精轧段生产中所耗电量及对应的影响电耗的主要变化信息；
所述获取的带钢的规格数据包括：班组、炉号、钢卷号、原料钢质、产品材质、目标厚度、目标宽度、板坯长度、板坯宽度、板坯厚度、验证坯重、验证卷重、轧制速度和轧制时长；
S2.2结合S1得出对应的精轧段电耗值，把主元分析后的规格数据作为预测模型的输入，把对应的精轧电耗数据作为预测模型的输出，进行学习训练，得到优化后的电耗预测模型，
S3.最终通过得到的电耗预测模型实现某一钢种在设定不同工况参数的情况下的精轧段电耗预值。
2.根据权利要求1所述的带钢热轧精轧过程中多规格轧件电耗预报方法，其特征在于：利用该方法把规格数据的多维数据进行降维处理，即将生产过程中存在的大量高度相关的数据变量映射到用少部分主元变量定义的低维空间，即把复杂的规格数据压缩为主元变量，利用主元贡献度分析选取所含多维空间85%以上的信息的主元变量信息代替多维数据。
3.根据权利要求1所述的带钢热轧精轧过程中多规格轧件电耗预报方法，其特征在于：所述各阶段的电表读数包括电表代号、采样时间和电量。
4.根据权利要求1所述的带钢热轧精轧过程中多规格轧件电耗预报方法，其特征在于，所述生产信息包括每卷钢的F1轧制力出现时间和F7轧制力归零时间。
5.一种实现如权利要求1-4任一项所述的带钢热轧精轧过程中多规格轧件电耗预报方法的信息处理终端。
6.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的带钢热轧精轧过程中多规格轧件电耗预报方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602133.0A CN109647899B (zh) | 2018-12-26 | 2018-12-26 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811602133.0A CN109647899B (zh) | 2018-12-26 | 2018-12-26 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109647899A CN109647899A (zh) | 2019-04-19 |
| CN109647899B true CN109647899B (zh) | 2021-06-29 |
Family
ID=66115202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811602133.0A Active CN109647899B (zh) | 2018-12-26 | 2018-12-26 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109647899B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264056B (zh) * | 2019-06-11 | 2023-04-07 | 首钢京唐钢铁联合有限责任公司 | 一种电量消耗的分析方法及系统 |
| CN112668133A (zh) * | 2019-09-29 | 2021-04-16 | 上海梅山钢铁股份有限公司 | 一种基于大数据分析的热轧带钢横断面自动判定方法 |
| CN112287604B (zh) * | 2020-11-02 | 2024-07-16 | 湖南华菱涟源钢铁有限公司 | 热轧生产电耗级别预测方法、装置及系统 |
| CN112462699A (zh) * | 2020-11-02 | 2021-03-09 | 湖南华菱涟源钢铁有限公司 | 热轧生产电耗管理系统及方法 |
| CN112845610B (zh) * | 2020-12-31 | 2023-03-14 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢电耗参数推荐方法及系统 |
| CN112732700B (zh) * | 2021-01-25 | 2023-03-14 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
| CN113344192B (zh) * | 2021-05-31 | 2022-01-11 | 中国标准化研究院 | 企业级电机系统节能优化自动控制方法及系统 |
| CN115342063A (zh) * | 2022-09-02 | 2022-11-15 | 浙江南元泵业有限公司 | 基于经验模态分解和bp神经网络的离心泵能耗预测方法 |
| CN116882560A (zh) * | 2023-06-28 | 2023-10-13 | 北京科技大学 | 基于热轧产品能耗精准核算的品规能耗预测方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60250804A (ja) * | 1984-05-29 | 1985-12-11 | Kawasaki Steel Corp | 鋼矢板の圧延方法 |
| CN102063094B (zh) * | 2009-11-18 | 2013-11-13 | 上海宝信软件股份有限公司 | 轧钢工序机组间的电能分配优化方法 |
| JP5666338B2 (ja) * | 2011-02-18 | 2015-02-12 | 東芝三菱電機産業システム株式会社 | エネルギー消費量予測装置 |
| CN102560081B (zh) * | 2012-02-27 | 2013-10-30 | 宝山钢铁股份有限公司 | 一种基于带钢力学性能预报模型的加热炉节能控制方法 |
| CN104391172B (zh) * | 2014-12-11 | 2017-03-01 | 柳州钢铁股份有限公司 | 热连轧钢卷电耗监测方法 |
| CN106372755A (zh) * | 2016-08-31 | 2017-02-01 | 国家电网公司 | 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 |
| CN108994088B (zh) * | 2018-06-12 | 2019-12-24 | 武汉科技大学 | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 |
-
2018
- 2018-12-26 CN CN201811602133.0A patent/CN109647899B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109647899A (zh) | 2019-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109647899B (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN103761423B (zh) | 一种基于pso-elm的热轧板材组织-性能预测方法 | |
| CN103985000B (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
| CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
| CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
| WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
| CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
| CN110929347A (zh) | 一种基于梯度提升树模型的热连轧带钢凸度预测方法 | |
| CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
| CN104933627A (zh) | 机床产品制造系统的能效组合评价方法 | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN109242169B (zh) | 一种面向电力大客户的短期负荷预测方法 | |
| CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
| CN106600037A (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN104865827A (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
| CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
| CN105913366A (zh) | 一种基于工业电力大数据的区域工业景气指数构建方法 | |
| CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
| Dong et al. | Application of XGboost in Electricity Consumption Prediction | |
| CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
| CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN117370759A (zh) | 基于人工智能的燃气用量预测方法 | |
| CN111105098A (zh) | 一种单体用户算法自匹配的负荷预测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |