CN109948858B - 基于数据驱动的工况识别方法 - Google Patents
基于数据驱动的工况识别方法 Download PDFInfo
- Publication number
- CN109948858B CN109948858B CN201910228524.9A CN201910228524A CN109948858B CN 109948858 B CN109948858 B CN 109948858B CN 201910228524 A CN201910228524 A CN 201910228524A CN 109948858 B CN109948858 B CN 109948858B
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- equipment
- production
- working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004519 manufacturing process Methods 0.000 claims abstract description 82
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 65
- 229910000831 Steel Chemical class 0.000 claims abstract description 41
- 239000010959 steel Chemical class 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 229910052742 iron Inorganic materials 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 239000002994 raw material Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 2
- 230000010365 information processing Effects 0.000 abstract description 3
- 150000002505 iron Chemical class 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于数据驱动的工况识别方法，包括：S0依据钢铁企业的网络拓扑结构获取待识别工况信息；S1获取钢铁企业第一预设时间段内工序或设备的状态信息和生产信息；S2建立预处理后的历史数据与所述工况标签的对应关系；S3构造用于训练工况识别预报模型的训练数据集和测试数据集；采用训练数据集和测试数据集对工况识别预报模型进行训练和测试调整；S4采集钢铁企业的实时数据，将采集的实时数据输入训练后的工况识别预报模型，进行未来时间段内工况的识别和预报，得到未来时间段内待预测时刻的工况识别预报结果。上述方法为钢铁企业煤气‑蒸汽‑电力能源网络的动态平衡与优化调度问题提供技术支持和信息处理。
Description
技术领域
本发明属于钢铁企业能源动态平衡与优化调度领域，尤其涉及一种基于数据驱动的工况识别方法。
背景技术
钢铁企业是国民经济的基础性支柱产业，是典型的流程型产业。具有工序多、设备复杂的特点，而且单个设备还具有多种不同的工作状态，对应的能源介质消耗水平也不同。钢铁企业在钢铁生存中，产生的二次能源占企业总能耗的一半以上，如何通过能源调度有效的利用这部分能源，对于企业节能至关重要。而能源系统调度依赖于能源预测，为了预测未来一段时间内能源介质供应量和需求量，预先知道设备工况的变化情况则尤为重要，因此，对钢铁企业设备工况识别预报的研究具有重要意义。
钢铁企业工况是指设备在一定时间内的一种工作状态。根据设备类型、规格不同，定义了各种工况，如：运行、年修、月修、休风、故障、停机、升温、保温、降温等。不同工况下能源介质消耗水平有着较大差别，工况变化趋势对能源介质优化分配影响较大，如大型高炉休风、高炉加热炉停炉、锅炉检修、发电机组停机等这些工况发生时会引起能源介质的产耗量发生较大变化。钢铁企业设备工况识别预报，是指依据设备生产状况和能源介质消耗水平对设备当前运行工况进行识别和对设备未来工况变化进行预报的一种方法。
钢铁企业设备工况复杂，并且工况的划分也不够详细，缺乏系统的处理方案，给能源预测带来不便。为此，如何依据采用细分工况的方式对能源预测进行技术支持成为当前需要解决的技术问题。
发明内容
本发明的目的是提供一种基于数据驱动的工况识别方法，为钢铁企业煤气-蒸汽-电力能源网络的动态平衡与优化调度问题提供技术支持和信息处理。
为了达到上述的目的，本发明采用的主要技术方案包括：
第一方面，本发明提供一种基于数据驱动的工况识别方法，包括：
S0、依据待分析的钢铁企业中工序和设备的网络拓扑结构，获取待识别工况信息，所述工况信息包括：工况类别及每一工况类别对应的工序或设备；
S1、根据钢铁企业第一预设时间段内的能源系统历史数据，确定第一预设时间段内所述工序或设备的状态信息和生产信息；
S2、根据所述工序或设备的状态信息和生产信息编制工况标签；以及对能源系统历史数据进行预处理，且建立预处理后的历史数据与所述工况标签的对应关系；
S3、根据所述对应关系，构造用于训练工况识别预报模型的训练数据集和测试数据集；
采用训练数据集对工况识别预报模型进行训练，采用测试数据集对训练好的工况识别预报模型进行预测，进而比较以调整工况识别预报模型的参数，获得训练后的工况识别预报模型；
S4、采集钢铁企业的实时数据，将采集的实时数据输入训练后的工况识别预报模型，进行未来时间段内工况的识别和预报，得到未来时间段内待预测时刻的工况识别预报结果；未来时间段内待预测的时刻由输入数据的时刻决定；
其中，待预测时刻和输入数据时刻的关系，与训练数据集中输入数据时刻和输出数据时刻的关系相同。
可选地，所述网络拓扑结构是所述钢铁企业主工序和设备通过能源介质在物理上的布局；
所述工况是指包括所述钢铁企业在历史生产中的正常生产工况和主要设备周期性维护、检修的生产工况；
工序的工况是指工序所包含的一组设备对应的工况；
所述历史数据包括：能源介质的供应量、需求量、存储量的实时统计数据，以及包括能源介质自身的关键参数；
所述状态信息是指反应设备运行状况的信息；
所述生产信息是用于区分工序或设备的工况的关键信息；
所述工况标签是指能唯一标识一个工况的一组标签，每组标签包括设备名称、生产状况、原料消耗水平和产品产量水平；
所述生产状况包括：正常生产、非正常生产和停产；
所述对应关系为预处理后的历史数据对应时间点配置工况标签、使设备在给出的时间点总有一个工况标签与能源系统历史数据对应。
可选地，所述步骤S0包括：
根据网络拓扑结构和参与调度的关键设备信息；确定各主工序和设备在不同能源介质下的相互关系；确定不同能源介质在生产过程中的刚性用户、可调节用户以及主要的缓存用户，以及在不同工况下用于未来调度周期中的各用户对于不同能源介质的需求量和供应量。
可选地，步骤S2包括：
步骤201：通过企业调度应用服务器获取得到的历史数据得出不同工序和设备的状态信息和生产信息，并贴上能唯一标识一个工况的标签；
步骤202：对获取的历史数据进行预处理，得到一张相对时间坐标完整的数据表；
步骤203：将贴有标签的工序和设备通过预处理后的历史数据得到的时间点对应起来，建立能源系统的历史数据与所编制的工况标签一一对应的关系。
可选地，所述步骤S3包括：
步骤301：对预处理后的历史数据进行分析，提取出主要工序生产信息，并对生产过程中主要设备及其相关设备的历史数据进行处理，得到能源系统的特征数据，
步骤302：对所述特征数据采取归一化的处理，使数据线性映射到0-1之间，其转换函数表示为：
公式(1)中，x表示原始能源产耗历史数据，x*表示归一化处理后的能源产耗历史数据，min表示需要进行工况预测的设备的能源产耗历史数据中的最小值，max表示需要进行工况预测的设备的能源产耗历史数据中的最大值；
步骤303：对归一化处理后的特征数据进行向量空间重构，将线性排列的数据构造为神经网络所需要的输入数据和输出数据，即训练数据集，构造过程表示为：
步骤304：将训练数据集带入预先构建的工况识别预报模型中，得到输出数据，根据反馈信号不断调整所述工况识别预报模型中各节点的权值和阈值，最终使输出数据误差平方和最小；
步骤305：根据待测试时间段确定测试所需的历史数据时间段，对该所需的历史数据时间段的历史数据按照步骤S2和步骤S3的方法做出相同的处理，得到测试数据集；
步骤306：将测试数据集带入训练好的工况识别预报模型中，得到输出数据，对输出数据进行反归一化得到测试数据，反归一化转换函数为：
y＝y*×(max-min)+min
采用反归一化的测试数据和测试数据集的测试数据进行比较以调整工况识别预报模型的参数，获得训练后的工况识别预报模型。
可选地，所述工况识别预报模型为BP神经网络模型。
可选地，步骤401：获取钢铁企业的实时数据以构建未来时间段进行预测的预测数据集；
未来时间段进行预测的预测数据集输入工况识别预报模型，得到设备当前或未来时段内的进行工况识别和预报的工况情况；
工况识别预报模型同时能输出预报结果评价指标，包括精确率、召回率以及F1，计算公式分别为：
精确率：P＝TP/(TP+FP)
召回率：R＝TP/(TP+FN)
F1:精确率和召回率的调和平均；即：2/F1＝1/P+1/R
其中，FP：被判定为正样本，事实上是负样本；TN：被判定为负样本，事实上也是负样本；TP：被判定为正样本，事实上也是正样本。
可选地，在钢铁企业经过预测的外来时间段之后；
针对步骤S4中模型输出的预报结果评价指标中预测误差较大或预测错误较为集中的数据点，进而调整步骤S3中相应的数据在训练数据中所占的权重来提高精确率。
可选地，方法还包括：
S5、将所述工况识别预报结果上传到企业的能源系统应用服务器上，煤气预测与调度系统依据工况识别预报结果进行预测和调度。
本发明的有益效果是：
本发明综合考虑产品产量、能源介质消耗量、设备运行状况等因素，抽象为设备工况标签，建立神经网络分类预测模型，对设备工况变化趋势进行预测。由此，可以克服了现有研究中需要人工进行大量的数据整理得出工况规律的问题，以一个通用而有效的模型将解决能源预测过程中由于钢铁企业生产过程中工况的多样性而导致的诸如系统滞后性的问题，并且能够针对不同的企业数据对模型进行调整，保证了模型的可推广性。
附图说明
图1为本发明的基于数据驱动的工况识别方法的流程框；
图2为本发明的钢铁企业工况分类示意图(以高炉为例)；
图3为本发明的钢铁企业工况识别预报模型流程图；
图4为本发明的工况识别预报模型工况标签示意图。
具体实施方式
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解本发明实施例的方案，以下对本发明实施例的方案进行概述说明。
本发明适用于钢铁企业能源动态平衡与优化调度领域，提供了一种基于数据驱动的工况识别方法，包括：步骤1，获取钢铁企业主要工序生产信息以及能源系统历史数据和实时数据；步骤2，编制设备工况标签，为能源系统历史数据配置工况标签，并进行数据预处理；步骤3，提取主要工序生产信息以及能源系统数据特征，构造模型输入参数，建立工况识别预报模型；步骤4，利用能源系统历史数据对模型进行训练；步骤5，利用模型识别预报设备未来工况，计算模型预报准确率，通过历史数据调整模型参数；步骤6，将模型参数和预报结果存储在数据库中。
本发明的方法能够为钢铁企业煤气-蒸汽-电力能源网络的动态平衡与优化调度问题提供技术支持和信息处理。
实施例一
本发明实施例是这样实现的，一种基于数据驱动的工况识别的技术方案，所述方法包括以下步骤：
步骤1，获取钢铁企业主要工序和设备的网络拓扑结构，确定待识别的工况类别以及对应的工序或设备；获取钢铁企业能源系统历史数据以及对应时间段内工序或设备的状态信息和生产信息；
所述主要工序和设备的网络拓扑结构是指钢铁企业主工序和设备通过能源介质在物理上的布局，主要能源介质有煤气、蒸汽和电力等。
所述工况是指企业在历史生产中的正常生产工况和主要设备周期性维护、检修等生产工况，工序的工况是指工序所包含的一组设备对应的工况；
所述钢铁企业能源系统包含高炉煤气、焦炉煤气、转炉煤气、高压蒸汽、中压蒸汽、低压蒸汽、电力、氧气、氩气等多种能源介质；
所述钢铁企业能源系统历史数据即为上述能源介质的供应量、需求量、存储量等实时统计数据，同时还包含能源介质自身的关键参数，如热值、温度、压力、浓度等；
所述状态信息是指设备启动/停止等状态，反映了设备正常生产、故障检修等动态运行状况，设备状态信号来源于设备检修计划和设备管理系统；
所述生产信息是指与能源系统历史数据相对应的工序或设备的工况类别、产品产量、原料消耗量等用于区分工序或设备的工况的关键信息。
步骤2，依据步骤1中获取的待识别的工序或设备的状态信息和生产信息编制工况标签；对能源系统历史数据预处理，找出原始数据中的异常点及缺失点，对异常点进行剔除，对缺失点进行填补；建立能源系统历史数据与所编制的工况标签的对应关系；
所述工况标签是指能唯一标识一个工况的一组标签，包含四部分，分别是：设备名称、生产状况、原料消耗水平、产品产量水平；所述生产状况包括正常生产、非正常生产和停产三种情况，通过设备检修计划和设备管理系统获得；所述原料消耗水平和产品生产水平是对设备原料消耗和产品生产的估计，与原料消耗量和产品产量并不相同，通过对原料消耗量和产品产量的聚类分析得到；如图2所示。
所述历史数据与工况标签的对应关系是指为历史数据对应时间点配置工况标签，使该设备在给出的时间点总有一个工况标签与能源系统历史数据对应；
所述数据填补是指根据缺失值的特征，查找同种工况下最接近的一组数据，计算平均值，代入到缺失的数值；
步骤3，提取主要工序生产信息以及能源系统数据特征；通过归一化和向量空间重构方法将特征数据构造为模型的输入参数和输出参数，将数据集合划分为训练数据集和测试数据集；建立工况识别预报模型，将训练数据集代入工况识别预报模型训练；将测试数据集代入训练好的工况识别预报模型预测，并对输出数据进行反归一化得到目标时段内设备的工况预报结果；比较工况预报结果与测试数据集输出参数之间的误差，调整模型参数；
所述数据特征包含该设备及其相关设备能源历史数据的平均值、分段平均值、极值、最大最小周期长度等，以及产品产量、产品种类、产品质量等生产信息；
所述归一化方法，是指min-max标准化，是对原始数据的线性变化，将数据映射到0-1之间；所述向量空间重构，是指将原本线性排列的数据构造为工况识别预报模型所需要的训练数据集的过程，其转换函数表示为：
式中，x表示原始能源产耗历史数据，x*表示归一化处理后的能源产耗历史数据，min表示该用户(即需要进行工况预测的设备)的能源产耗历史数据中的最小值，max表示该用户(即需要进行工况预测的设备)的能源产耗历史数据中的最大值；
所述向量空间重构是指将线性排列的数据构造为神经网络所需要的输入输出数据，也即训练数据集，构造过程可表示为：
所述训练数据集，是指输入数据和输出数据的集合，集合中的每一个元素都包含一组输入数据和相应的输出数据，所有的数据都来源于已知的历史数据；每个元素中输入数据和输出数据个数分别等于BP神经网络输入层和输出层节点数；
所述测试数据集，是指对工况识别预报模型进行测试所需数据的集合，集合中的每一个元素都包含一组输入数据和相应的输出数据，输入输出数据来源于已知的历史数据，数据结构与训练数据集相同，可以由训练数据集提取得到；
所述工况识别预报模型是指一种BP神经网络模型，是一种按误差逆传播算法训练的多层前馈神经网络，这种神经网络在训练过程中有反馈信号，根据反馈信号不断调整各节点的权值和阈值，最终使输出数据误差平方和最小；BP神经网络包括三层，分别是输入层、隐含层和输出层，每层包含若干个神经元节点。
步骤4，依据实时数据构建预测数据集，对设备当前或未来时段内工况进行识别和预报；计算模型预报结果相关指标：精确率、召回率以及F1等；对预测误差较大或预测错误较为集中的数据点，增大这类数据在训练数据中所占的权重；
所述预测数据集，是指利用BP神经网络预测时所需数据的集合，集合中的每一个元素仅包含输入数据，不包含输出数据；输入数据来源于已知的历史数据，由待预测的时刻确定输入数据的时刻，待预测时刻和输入数据时刻的关系与训练数据集中输入数据时刻和输出数据时刻的关系相同；
所述结果评价指标包括精确率、召回率以及F1等，其计算公式为：
精确率：P＝TP/(TP+FP)
召回率：R＝TP/(TP+FN)
F1:精确率和召回率的调和平均。即：2/F1＝1/P+1/R
其中，FP：False Positive,被判定为正样本，但事实上是负样本；TN：TrueNegative,被判定为负样本，事实上也是负样本；TP：True Positive,被判定为正样本，事实上也是正样本。
步骤5，将工况识别预报结果上传到企业的能源系统应用服务器上，煤气预测与调度系统依据工况预报结果进行预测和调度，企业能源管理人员依据煤气预测结果与煤气调度方案进行调度。
实施例二
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示为本发明提供的一种基于数据驱动的工况识别方法的流程框，具体包括以下步骤：
步骤1，获取钢铁企业主要工序和设备的网络拓扑结构，确定工序和设备之间的状态和能量流动信息；确定能源调度中影响较大同时待识别的工况类别以及对应的工序或设备；获取钢铁企业能源系统历史数据以及对应时间段内工序或设备的状态信息和生产信息；
步骤101：通过获取的钢铁企业能源系统网络拓扑结构和参与调度的关键设备信息；确定各主工序和设备在不同能源介质下的相互关系；确定不同能源介质在生产过程中的刚性用户、可调节用户以及主要的缓存用户，以及在不同工况下用于未来调度周期中的各用户对于不同能源介质的需求量和供应量；
步骤102：通过对企业能源系统中历史数据的提取，确定在对应时间段内工序和设备的状态信息和生产信息。
步骤2，确定不同工序和设备在生产中的状态，依据步骤1中获取的待识别的工序或设备的状态信息和生产信息对其编制工况标签；对能源系统历史数据预处理，找出原始数据中的异常点及缺失点，对异常点进行剔除，对缺失点进行填补，确保得到的数据的完整性；建立能源系统历史数据与所编制的工况标签的对应关系，如图4所示；
步骤201：通过企业调度应用服务器获取得到的历史数据得出不同工序和设备的状态信息和生产信息，对其贴上能唯一标识一个工况的标签；
步骤202：通过获得能源系统历史数据，对其进行预处理，包括异常点的剔除和缺失点的填补，最终得到一张相对时间坐标完整的数据表；
步骤203：将2.1得到的贴有标签的工序和设备通过能源系统历史数据得到的时间点对应起来，建立能源系统历史数据与所编制的工况标签一一对应的关系；如图4所示。
步骤3，提取主要工序生产信息以及能源系统数据特征；通过归一化和向量空间重构方法将特征数据构造为模型的输入参数和输出参数，将数据集合划分为训练数据集和测试数据集；建立工况识别预报模型，将训练数据集代入工况识别预报模型训练；将测试数据集代入训练好的工况识别预报模型预测，并对输出数据进行反归一化得到目标时段内设备的工况预报结果；比较工况预报结果与测试数据集输出参数之间的误差，调整模型参数；
步骤301：通过对能源系统历史数据的分析，提取出主要工序生存信息，并对生存过程中主要设备及其相关设备的历史数据进行处理，例如，包括取平均值、分段平均值、极值、最大最小周期长度等，同时得到产品产量、种类、质量等信息；
步骤302：对上面提取得到的特征数据采取归一化的处理，使数据线性映射到0-1之间，其转换函数表示为：
式中，x表示原始能源产耗历史数据，x*表示归一化处理后的能源产耗历史数据，min表示该用户能源产耗历史数据中的最小值，max表示该用户能源产耗历史数据中的最大值；
步骤303：对归一化处理后的特征数据进行向量空间重构，将线性排列的数据构造为神经网络所需要的输入输出数据，也即训练数据集，构造过程可表示为：
步骤304：将训练数据集带入训练好的工况识别预报模型中，得到输出数据，根据反馈信号不断调整各节点的权值和阈值，最终使输出数据误差平方和最小；
步骤305：根据待测试时间段确定测试所需的历史数据时间段，对该段历史数据按照步骤2和步骤3的方法做出相同的处理，得到测试数据集；
步骤306：将测试数据集带入训练好的工况识别预报模型中，得到输出数据，对输出数据进行反归一化得到测试数据，如图3所示，即为该段时间内设备的工况预报结果；反归一化转换函数为：
y＝y*×(max-min)+min
步骤4，依据实时数据构建预测数据集，对设备当前或未来时段内工况进行识别和预报；计算模型预报结果相关指标：精确率、召回率以及F1等；对预测误差较大或预测错误较为集中的数据点，增大这类数据在训练数据中所占的权重；
步骤401：通过企业获得的实时数据构建预测数据集，用于工况识别预报模型，得到设备当前或未来时段内的工况情况，进行工况识别和预报；
步骤402：工况识别预报模型同时能输出预报结果评价指标，包括精确率、召回率以及F1等，计算公式分别为：
精确率：P＝TP/(TP+FP)
召回率：R＝TP/(TP+FN)
F1:精确率和召回率的调和平均。即：2/F1＝1/P+1/R
其中，FP：False Positive,被判定为正样本，但事实上是负样本；TN：TrueNegative,被判定为负样本，事实上也是负样本；TP：True Positive,被判定为正样本，事实上也是正样本；
步骤403：通过4.2的预报评价指标，对预测误差较大或预测错误较为集中的数据点，通过增大这类数据在训练数据中所占的权重来提高精确率；
步骤5，将工况识别预报结果上传到企业的能源系统应用服务器上，煤气预测与调度系统依据工况预报结果进行预测和调度，企业能源管理人员依据煤气预测结果与煤气调度方案进行调度。
本发明综合考虑产品产量、能源介质消耗量、设备运行状况等因素，抽象为设备工况标签，建立神经网络分类预测模型，对设备工况变化趋势进行预测，为能源介质产消预测和优化调度提供依据。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于数据驱动的工况识别方法，其特征在于，包括：
S0、依据待分析的钢铁企业中工序和设备的网络拓扑结构，获取待识别工况信息，所述工况信息包括：工况类别及每一工况类别对应的工序或设备；具体地，根据网络拓扑结构和参与调度的关键设备信息；确定各主工序和设备在不同能源介质下的相互关系；确定不同能源介质在生产过程中的刚性用户、可调节用户以及缓存用户，以及在不同工况下用于未来调度周期中的各用户对于不同能源介质的需求量和供应量；
S1、根据钢铁企业第一预设时间段内的能源系统历史数据，确定第一预设时间段内所述工序或设备的状态信息和生产信息；
S2、根据所述工序或设备的状态信息和生产信息编制工况标签；以及对能源系统历史数据进行预处理，且建立预处理后的历史数据与所述工况标签的对应关系；
工况标签是指能唯一标识一个工况的一组标签，包含四部分，分别是：设备名称、生产状况、原料消耗水平、产品产量水平；所述生产状况包括正常生产、非正常生产和停产三种情况，通过设备检修计划和设备管理系统获得；所述原料消耗水平和产品生产水平是对设备原料消耗和产品生产的估计，与原料消耗量和产品产量并不相同，通过对原料消耗量和产品产量的聚类分析得到；
历史数据与工况标签的对应关系是指为历史数据对应时间点配置工况标签，使该设备在给出的时间点总有一个工况标签与能源系统历史数据对应；
S3、根据所述对应关系，构造用于训练工况识别预报模型的训练数据集和测试数据集；
采用训练数据集对工况识别预报模型进行训练，采用测试数据集对训练好的工况识别预报模型进行预测，进而比较以调整工况识别预报模型的参数，获得训练后的工况识别预报模型；工况识别预报模型是指一种BP神经网络模型，是一种按误差逆传播算法训练的多层前馈神经网络，这种神经网络在训练过程中有反馈信号，根据反馈信号不断调整各节点的权值和阈值，最终使输出数据误差平方和最小；BP神经网络包括三层，分别是输入层、隐含层和输出层，每层包含若干个神经元节点；
S4、采集钢铁企业的实时数据，将采集的实时数据输入训练后的工况识别预报模型，进行未来时间段内工况的识别和预报，得到未来时间段内待预测时刻的工况识别预报结果；未来时间段内待预测的时刻由输入数据的时刻决定；
其中，待预测时刻和输入数据时刻的关系，与训练数据集中输入数据时刻和输出数据时刻的关系相同；
S5、将所述工况识别预报结果上传到企业的能源系统应用服务器上，煤气预测与调度系统依据工况识别预报结果进行预测和调度。
2.根据权利要求1所述的方法，其特征在于，
所述网络拓扑结构是所述钢铁企业主工序和设备通过能源介质在物理上的布局；
所述工况是指包括所述钢铁企业在历史生产中的正常生产工况和设备周期性维护、检修的生产工况；
工序的工况是指工序所包含的一组设备对应的工况；
所述历史数据包括：能源介质的供应量、需求量、存储量的实时统计数据，以及包括能源介质自身的关键参数；
所述状态信息是指反应设备运行状况的信息；
所述生产信息是用于区分工序或设备的工况的关键信息；
所述工况标签是指能唯一标识一个工况的一组标签，每组标签包括设备名称、生产状况、原料消耗水平和产品产量水平；
所述生产状况包括：正常生产、非正常生产和停产；
所述对应关系为预处理后的历史数据对应时间点配置工况标签、使设备在给出的时间点总有一个工况标签与能源系统历史数据对应。
3.根据权利要求1所述的方法，其特征在于，步骤S2包括：
步骤201：通过企业调度应用服务器获取得到的历史数据得出不同工序和设备的状态信息和生产信息，并贴上能唯一标识一个工况的标签；
步骤202：对获取的历史数据进行预处理，得到一张相对时间坐标完整的数据表；
步骤203：将贴有标签的工序和设备通过预处理后的历史数据得到的时间点对应起来，建立能源系统的历史数据与所编制的工况标签一一对应的关系。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：
步骤301：对预处理后的历史数据进行分析，提取出工序生产信息，并对生产过程中设备及其相关设备的历史数据进行处理，得到能源系统的特征数据，
步骤302：对所述特征数据采取归一化的处理，使数据线性映射到0-1之间，其转换函数表示为：
公式(1)中，x表示原始能源产耗历史数据，x*表示归一化处理后的能源产耗历史数据，min表示需要进行工况预测的设备的能源产耗历史数据中的最小值，max表示需要进行工况预测的设备的能源产耗历史数据中的最大值；
步骤303：对归一化处理后的特征数据进行向量空间重构，将线性排列的数据构造为神经网络所需要的输入数据和输出数据，即训练数据集，构造过程表示为：
步骤304：将训练数据集带入预先构建的工况识别预报模型中，得到输出数据，根据反馈信号不断调整所述工况识别预报模型中各节点的权值和阈值，最终使输出数据误差平方和最小；
步骤305：根据待测试时间段确定测试所需的历史数据时间段，对该所需的历史数据时间段的历史数据按照步骤S2和步骤S3的方法做出相同的处理，得到测试数据集；
步骤306：将测试数据集带入训练好的工况识别预报模型中，得到输出数据，对输出数据进行反归一化得到测试数据，反归一化转换函数为：
y＝y*×(max-min)+min
采用反归一化的测试数据和测试数据集的测试数据进行比较以调整工况识别预报模型的参数，获得训练后的工况识别预报模型。
5.根据权利要求1所述的方法，其特征在于，
步骤401：获取钢铁企业的实时数据以构建未来时间段进行预测的预测数据集；
未来时间段进行预测的预测数据集输入工况识别预报模型，得到设备当前或未来时段内的进行工况识别和预报的工况情况；
工况识别预报模型同时能输出预报结果评价指标，包括精确率、召回率以及F1，计算公式分别为：
精确率：P＝TP/(TP+FP)
召回率：R＝TP/(TP+FN)
F1:精确率和召回率的调和平均；即：2/F1＝1/P+1/R
其中，FP：被判定为正样本，事实上是负样本；TN：被判定为负样本，事实上也是负样本；TP：被判定为正样本，事实上也是正样本。
6.根据权利要求5所述的方法，其特征在于，在钢铁企业经过预测的外来时间段之后；
针对步骤S4中模型输出的预报结果评价指标中预测误差较大或预测错误较为集中的数据点，进而调整步骤S3中相应的数据在训练数据中所占的权重来提高精确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228524.9A CN109948858B (zh) | 2019-03-25 | 2019-03-25 | 基于数据驱动的工况识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228524.9A CN109948858B (zh) | 2019-03-25 | 2019-03-25 | 基于数据驱动的工况识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948858A CN109948858A (zh) | 2019-06-28 |
| CN109948858B true CN109948858B (zh) | 2023-09-26 |
Family
ID=67010856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910228524.9A Active CN109948858B (zh) | 2019-03-25 | 2019-03-25 | 基于数据驱动的工况识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948858B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3796117B1 (de) * | 2019-09-18 | 2021-10-27 | Siemens Aktiengesellschaft | Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage |
| CN110728041B (zh) * | 2019-09-27 | 2022-03-25 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
| CN112070180B (zh) * | 2020-09-30 | 2024-01-19 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
| CN112418484A (zh) * | 2020-10-27 | 2021-02-26 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
| CN112686513A (zh) * | 2020-12-23 | 2021-04-20 | 精英数智科技股份有限公司 | 井下工作面作业状态的识别方法、装置及生产决策系统 |
| CN112766059B (zh) * | 2020-12-30 | 2024-05-03 | 富联裕展科技(深圳)有限公司 | 产品加工品质的检测方法、检测装置 |
| CN112835770B (zh) * | 2021-04-22 | 2021-08-06 | 南京铉盈网络科技有限公司 | 基于稠密神经网络模型的法院自助阅卷终端工况评估方法 |
| CN114580295B (zh) * | 2022-03-10 | 2024-03-01 | 合肥工业大学 | 一种基于弹性bp随机森林融合的压力工况识别方法 |
| CN115106615B (zh) * | 2022-08-30 | 2022-12-02 | 苏芯物联技术(南京)有限公司 | 一种基于工况智能识别的焊偏实时检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008226054A (ja) * | 2007-03-14 | 2008-09-25 | Ricoh Co Ltd | 工数管理システム、サーバ端末、工数管理方法、プログラム、及びコンピュータ読み取り可能な記録媒体 |
| CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
| CN104102212A (zh) * | 2014-07-29 | 2014-10-15 | 浙江中控软件技术有限公司 | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 |
| CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426035A (zh) * | 2013-08-12 | 2013-12-04 | 浙江大学 | 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法 |
| CN107169599B (zh) * | 2017-05-12 | 2020-04-14 | 东北大学 | 一种基于钢铁企业能源系统的多目标优化调度方法 |
| CN107918368B (zh) * | 2017-11-28 | 2019-07-26 | 东北大学 | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 |
| CN108490904B (zh) * | 2018-05-10 | 2020-02-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
-
2019
- 2019-03-25 CN CN201910228524.9A patent/CN109948858B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008226054A (ja) * | 2007-03-14 | 2008-09-25 | Ricoh Co Ltd | 工数管理システム、サーバ端末、工数管理方法、プログラム、及びコンピュータ読み取り可能な記録媒体 |
| CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
| CN104102212A (zh) * | 2014-07-29 | 2014-10-15 | 浙江中控软件技术有限公司 | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 |
| CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| Ａ Novel Hierarchical Algorithm for Bearing Fault Diagnosis Based on Stacked LSTM;Lu Yu等;《Shock and Vibration》;全文 * |
| 基于深度神经网络的复杂化工过程故障检测研究;旷天亮;《中国优秀硕士论文 工程科技Ⅰ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948858A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948858B (zh) | 基于数据驱动的工况识别方法 | |
| CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
| CN108490904B (zh) | 一种基于设备多工况运行的能源系统优化调度方法 | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
| CN110332605B (zh) | 基于bp神经网络的热网能耗指标分析预警方法 | |
| CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN104505824A (zh) | 一种以热定电运行方式下热电厂发电负荷计划制定方法及装置 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
| CN114418169A (zh) | 一种基于大数据挖掘的在线运行优化系统 | |
| CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测系统 | |
| CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
| Chen et al. | Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station | |
| CN110889495B (zh) | 一种基于能动参数的制丝设备状态维护分析方法 | |
| CN117217553A (zh) | 一种热电联产系统低碳运行方法 | |
| Zheng et al. | Digital twin modeling for district heating network based on hydraulic resistance identification and heat load prediction | |
| CN115017818A (zh) | 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法 | |
| Shiyun et al. | Data analysis and cloud computing of power grid infrastructure projects under the background of informatization | |
| Wang et al. | Multi-layer encoding genetic algorithm-based granular fuzzy inference for blast furnace gas scheduling | |
| Ofosu-Adarkwa et al. | A Laspeyres Index Decomposition-based Multivariable Grey Prediction Model for Forecasting Energy Consumption: A Case Study of Ghana. | |
| Haibo et al. | Research on Energy Optimal Scheduling Based on Supply and Demand Forecast for Iron and Steel Enterprises | |
| Yang et al. | Man-machine Collaborative Welding Time Prediction Based on Simulated Annealing Algorithm | |
| Prendl et al. | Framework for Automated Data-Driven Model Adaption for the Application in Industrial Energy Systems | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 |