CN110427715B - 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 - Google Patents

Abstract

本发明公开了一种基于时间序列和高炉多维度的炉缸热状态趋势预测方法，利用物质流运动规律、动态时间序列相关性分析法依次给出高炉冷却壁立体水温差对炉缸温度响应的滞后时间，计算泊松相关系数确定有效的历史炉温时间序列及与炉温预测相关的其它过程参数；再利用立体高炉各指标参数及其相关历史信息，建立基于时间序列和高炉多维度的PSO‑LSSVM炉缸热状态预测模型，验证高炉冷却壁立体水温差的多维性变化对炉缸热状态变化趋势预测的准确性。本发明充分利用了高炉冷却壁段水温差的立体分布特征及其依次对炉缸温度的滞后性影响，可协助高炉操作者，准确预判高炉炉缸热状态，为高炉的高效、节能运行奠定基础。

Description

基于时间序列和高炉多维度的炉缸热状态趋势预测的方法

技术领域

本发明属于复杂高炉炼铁过程中实时不可测关键参数预测领域，尤其是涉及一种基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，高炉冷却壁立体水温差的多维性变化对炉缸热状态变化趋势的超前预知，可准确预判高炉炉缸热状态，协助高炉操作者，为高炉的高效、节能运行奠定基础。

背景技术

高炉生产运行目标是炉况平稳下的高效、节能运行。稳定的炉温是炉况平稳的先决条件，其高低直接影响炼铁过程中高炉稳定顺行、低能耗、高质量等性能指标，因而现有生产操作制度的基础就是确保炉温的稳定。高炉炼铁进行节能降耗的最有效措施是高煤比降焦，而制约其有效性的则是炉缸热状态。不可实时测得的炉温及炉缸热状态所反映的高炉运行行为热状态，是直接影响喷煤量的关键因素，故实时准确地预测炉温及炉缸热状态，进而掌握其变化趋势，对于具有大滞后、大惯性的高炉实施节能降耗优化操作至关重要。

传统的高炉炉缸热状态通常用铁水[Si]、铁水温度(MIT)或炉缸冷却壁热电偶温度表征，然而，单一参数或单一参数建立的炉温预测模型皆难以准确描述高炉炉缸热状态。据此，本发明利用高炉冷却壁段的空间立体分布特性，定义冷却壁立体水温差概念。高炉炉体冷却壁从上到下分为多段，圆周上呈立体式分布，各冷却壁段水温差的变化可反映对应炉内温度的变化。本文基于纵向物质流运动规律，通过分析高炉冷却壁立体水温差对炉缸温度响应的滞后性，提出高炉冷却壁立体水温差的多维性变化可超前反映炉缸热状态的变化趋势，从而提出了一种基于时间序列和高炉多维度的炉缸热状态趋势预测方法。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于时间序列和高炉多维度的炉缸热状态趋势预测的方法。

为解决上述技术问题，本发明采用如下技术方案：

一种基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，包括如下步骤：利用纵向物质流运动规律和动态时间序列相关性分析法依次给出高炉冷却壁立体水温差对炉缸温度响应的滞后时间，然后计算泊松相关系数提取有效的历史炉温时间序列及与炉温预测相关的其它过程参数；利用立体高炉各指标参数及其相关历史信息，建立基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型，验证高炉冷却壁立体水温差的多维性变化对炉缸热状态变化趋势预测的准确性。

进一步的，具体步骤如下：

S1、采集某高炉实时运行过程数据

包括历史炉温数据、各冷却壁段历史水温差及与炉温预测相关的其它过程数据；

S2、过程数据预处理

用拉依达准则剔除所选原始样本集中的异常数据，对异常数据赋空值并用牛顿插值法修补，最终使选取的过程数据分布在(μ-3σ,μ+3σ)区间内；

S3、炉缸热状态预测相关特征参数提取

计算所选过程参数与炉温的泊松相关系数，依据相关系数的阈值及顶峰值选取炉缸热状态预测相关特征参数；

S4、建立模型

将选取的相关特征参数数据作为模型的输入，建立基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型；

S5、对比分析无水温差时和加入高炉冷却壁立体水温差时所建模型的相对误差和命中率。

进一步的，所述步骤(S1)中，高炉炉体的各冷却壁段具体为：从上到下分为多段，圆周上呈立体式分布，每段冷却壁在横向圆周上设置若干个热电偶测温点，实现多点测温；选取炉身的上、中、下、炉腰、炉腹、和炉缸六大段冷却壁段，利用高炉冷却壁纵向分段水温差的立体多维性，依次分析立体水温差变化对炉缸温度响应的滞后性。

进一步的，所述步骤S2中，剔除过程及实际各冷却壁段水温差的计算如下：

μ和σ分别为样本数据x_k的平均值和标准差；

对修补后的冷却壁段所有测温点数据，计算高炉每段冷却壁横向圆周上所有测温点的平均水温差作为冷却壁段的实际水温差。

进一步的，所述步骤S3中，泊松相关系数计算、相关系数顶峰值及阈值设定过程如下：

泊松相关系数计算过程描述为

式中，

分别为参数x_(t)，y_(t)的均值；

选取相关系数最大的尖峰点处所对应的各冷却壁段水温差的历史时间序列作为高炉冷却壁立体水温差对炉缸温度响应的滞后时间；选择相关系数|r|≥0.1的历史炉温时间序列、与炉温预测相关的其它过程参数作为炉缸热状态预测相关特征参数。

进一步的，所述步骤S4中，建模过程如下：

S4-1、将预处理后的指标数据分为训练集和测试集，将训练数据输送到LSSVM预测模型中训练，同时采用粒子群算法对LSSVM的惩罚因子γ和核参数宽度σ＇进行优化，最终得到用于炉缸热状态预测的PSO-LSSVM模型；

S4-2、利用训练好的PSO-LSSVM模型对测试集进行预测。

进一步的，所述步骤S4-1中，采用PSO算法对LSSVM中的惩罚因子γ和核参数宽度σ＇进行优化的具体过程为：

S4-1-1、随机产生一个初始种群，种群中每个粒子都有自己的速度和位置，初始的速度和位置随机生成；

S4-1-2、利用模型对训练数据预测，更新P_ibest和P_Gibest，将P_Gibest中的两个分量作为LSSVM的惩罚因子γ和核参数宽度σ＇，由各粒子当前位置值的预测误差计算各粒子的适应度值

S4-1-3、粒子通过跟踪两个“极值”：个体极值P_ibest和全局极值P_Gibest，更新粒子的当前速度和位置；

S4-1-4、反复迭代，当适应度满足预定精度或达到最大迭代次数时停止迭代；

S4-1-5、记录此时对应的γ和σ＇即为优化结果；

其中所述步骤S4-1-3对粒子的速度、位置的更新过程如下：

速度调整：

V_i(t+1)＝wV_i(t)+c₁rand(t)(P_ibest-X_i(t))+c₂rand(t)(P_Gibest-X_i(t))

位置调整：

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，V_i和X_i分别为粒子的当前速度和位置；c₁、c₂为学习因子，且c₁、c₂∈[0,2]；rand(t)为(0，1)之间的随机函数；w为惯性权重；P_ibest、P_Gibest分别为粒子和粒子群的最优位置；搜索中，通过将X_i对应的P_ibest、P_Gibest的适应度值比较和位置调整方程不断调整最优的P_ibest和P_Gibest；

其中所述步骤S4-1-3中更新P_ibest和P_Gibest的过程为：

①将各粒子的当前适应度值F(X_i)与该粒子自身的最优适应度值F(P_ibest)比较，若F(X_i)<F(P_ibest)，调整F(P_ibest)＝F(X_i)，并将粒子的当前位置作为该粒子的最优位置；

②将各粒子的F(P_ibest)与粒子群的最优位置适应度值F(P_ibest)比较，若F(P_ibest)<F(P_Gibest)，调整F(P_ibest)＝F(X_i)，将此粒子的最优位置作为所有粒子的最优位置；

③由粒子群优化算法的进化方程对粒子的速度、位置进化调整，得到新的粒子位置；判断所有粒子最优位置的适应度值或迭代次数满足要求，结束计算并保存当前粒子群整体的最优位置值，若不满足则返回流程②继续计算；

④经参数优化调整，将最终粒子群整体最优位置所对应的参数作为最小二乘支持向量机建模所需的参数，建立PSO-LSSVM模型对测试样本进行预测；

其中所述步骤S4-1-3中，惯性权重设置如下：

较大的惯性权重w有较好的全局搜索能力，反之有较强的局部搜索能力，随迭代次数的增加，惯性权重应不断减少，粒子群算法在初期应具有较强的全局收敛能力，而晚期有较强的局部收敛能力；取w随迭代次数T增加线性递减的效果最好，w与T的关系表达式为

式中，w_max为初始权重，w_min为最终权重，T_max为最大迭代次数。

进一步的，所述步骤S5中，模型评判标准如下：

相对误差(MSE)定义为

式中，y_i是目标值，

为预测值，l为样本总数；

命中率定义为

式中，l为样本总数，ε为模型输出的允许误差。

与现有技术相比，本发明的有益技术效果：

本发明利用高炉冷却壁段水温差的立体分布特征，对横向圆周上的每段冷却壁求所有测温点的平均水温差，以此作为冷却壁段实际水温差，纵向利用物质流运动规律和动态时间序列相关性分析法，依次分析高炉冷却壁立体水温差的多维性变化对炉缸热状态响应的滞后性，结合历史炉温信息及与炉温预测相关的其它过程参数对炉缸热状态的影响，建立了基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型，并以某大型高炉为研究对象，给出了基于实际运行数据的预测与分析，验证高炉冷却壁立体水温差的多维性变化对炉缸热状态变化趋势预测的准确性。

附图说明

下面结合附图说明对本发明作进一步说明。

图1为本发明中基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型建立流程示意图。

图2为本发明中粒子寻优算法的流程示意图。

图3为本发明实施例中高炉结构示意图。

图4为本发明实施例中高炉冷却壁立体水温差概率密度统计分布直方图。

图5为本发明实施例中高炉冷却壁立体水温差参数与炉温的相关系数矩阵可视化图。

图6为本发明实施例中炉缸热状态预测相关特征参数提取三维可视化图。

图7为本发明实施例中基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型跟踪效果图。

图8为本发明实施例中加入立体水温差的PSO-LSSVM模型粒子群收敛过程图。

具体实施方式

下面结合以上附图及实施例对本发明进一步详述，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

建模流程如图1所示，具体步骤如下：

S1、采集某高炉实时运行过程数据

包括历史炉温数据、各冷却壁段历史水温差及与炉温预测相关的其它过程数据；

S2、过程数据预处理

用拉依达准则(3σ准则)剔除所选原始样本集中的异常数据(规定突跳点数据与均值的偏差大于3σ)，对异常数据赋空值并用牛顿插值法修补，最终使选取的过程数据分布在(μ-3σ,μ+3σ)区间内；

S3、炉缸热状态预测相关特征参数提取

计算所选过程参数与炉温的泊松相关系数，依据相关系数的顶峰值及阈值选取炉缸热状态预测相关特征参数(包括高炉冷却壁立体水温差时间序列、历史炉温序列及与炉温预测相关的其它过程参数的选取)；

S4、建立模型

将选取的相关特征参数数据作为模型的输入，建立基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型；

S5、对比分析无水温差时和加入高炉冷却壁立体水温差时所建模型的相对误差(MSE)和命中率(H)。

其中所述步骤S2中，剔除过程及实际各冷却壁段水温差的计算如下：

μ和σ分别为样本数据x_k的平均值和标准差；

对修补后的冷却壁段所有测温点数据，计算高炉每段冷却壁横向圆周上所有测温点的平均水温差作为冷却壁段的实际水温差。

其中所述步骤(S3)中，泊松相关系数计算、相关系数顶峰值及阈值设定过程如下：

泊松相关系数计算过程描述为

式中，

分别为参数x_(t)，y_(t)的均值；

选取相关系数最大的尖峰点处所对应的各冷却壁段水温差的历史时间序列作为高炉冷却壁立体水温差对炉缸温度响应的滞后时间。选择相关系数|r|≥0.1的历史炉温时间序列、与炉温预测相关的其它过程参数作为炉缸热状态预测相关特征参数。

其中所述步骤(S4)中，建模过程如下：

S4-1、将预处理后的指标数据分为训练集和测试集，将训练数据输送到LSSVM预测模型中训练，同时采用粒子群算法对LSSVM的惩罚因子γ和核参数宽度σ＇进行优化，最终得到用于炉缸热状态预测的PSO-LSSVM模型；

S4-2、利用训练好的PSO-LSSVM模型对测试集进行预测。

其中所述步骤S4-1中，如图2所示为粒子寻优算法的流程图，采用PSO算法对LSSVM中的惩罚因子γ和核参数宽度σ＇进行优化的具体过程为：

S4-1-1、随机产生一个初始种群，种群中每个粒子都有自己的速度和位置，初始的速度和位置随机生成；

S4-1-2、利用模型对训练数据预测，更新P_ibest和P_Gibest，将P_Gibest中的两个分量作为LSSVM的惩罚因子γ和核参数宽度σ＇，由各粒子当前位置值的预测误差计算各粒子的适应度值

S4-1-3、粒子通过跟踪两个“极值”(个体极值P_ibest和全局极值P_Gibest)更新粒子的当前速度和位置；

S4-1-4、反复迭代，当适应度满足预定精度或达到最大迭代次数时停止迭代；

S4-1-5、记录此时对应的γ和σ＇即为优化结果。

其中所述步骤S4-1-2对粒子的速度、位置的更新过程如下：

速度调整：

V_i(t+1)＝wV_i(t)+c₁rand(t)(P_ibest-X_i(t))+c₂rand(t)(P_Gibest-X_i(t))

位置调整：

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，V_i和X_i分别为粒子的当前速度和位置；c₁、c₂为学习因子，且c₁、c₂∈[0,2]；rand(t)为(0，1)之间的随机函数；w为惯性权重；P_ibest、P_Gibest分别为粒子和粒子群的最优位置。搜索中，通过将X_i对应的P_ibest、P_Gibest的适应度值比较和位置调整方程不断调整最优的P_ibest和P_Gibest。

其中所述步骤S4-1-3中更新P_ibest和P_Gibest的过程为：

①将各粒子的当前适应度值F(X_i)与该粒子自身的最优适应度值F(P_ibest)比较，若F(X_i)<F(P_ibest)，调整F(P_ibest)＝F(X_i)，并将粒子的当前位置作为该粒子的最优位置；

②将各粒子的F(P_ibest)与粒子群的最优位置适应度值F(P_ibest)比较，若F(P_ibest)<F(P_Gibest)，调整F(P_ibest)＝F(X_i)，将此粒子的最优位置作为所有粒子的最优位置；

③由粒子群优化算法的进化方程对粒子的速度、位置进化调整，得到新的粒子位置(同时得到新的最小二乘支持向量机参数)。判断所有粒子最优位置的适应度值或迭代次数满足要求，结束计算并保存当前粒子群整体的最优位置值，若不满足则返回流程②继续计算；

④经参数优化调整，将最终粒子群整体最优位置所对应的参数作为最小二乘支持向量机建模所需的参数，建立PSO-LSSVM模型对测试样本进行预测。

其中所述步骤S4-1-3中，惯性权重设置如下：

较大的惯性权重w有较好的全局搜索能力，反之有较强的局部搜索能力。随迭代次数的增加，惯性权重应不断减少，粒子群算法在初期应具有较强的全局收敛能力，而晚期有较强的局部收敛能力。本发明经多次尝试，取w随迭代次数T增加线性递减的效果最好，w与T的关系表达式为

式中，w_max为初始权重，w_min为最终权重，T_max为最大迭代次数。

其中所述步骤S5中，模型评判标准如下：

相对误差(MSE)定义为

式中，y_i是目标值，

为预测值，l为样本总数；

命中率定义为

式中，l为样本总数，ε为模型输出的允许误差。

实施例：

高炉冷却壁空间立体分布描述：本发明以某高炉(容积为4150m³)为例，图3为高炉内部结构示意图。高炉自上而下纵向间隔设置18段冷却壁段，每段冷却壁呈横向圆周设置若干个测温点(热电偶测温，每段温度检测段包含44～58个测温点)实现多点测温，图3右侧为炉身中X₄(第12段)冷却壁水温差监测点横向安置剖面简图。本发明选取炉身X₄(H₆：16～18段(上)、H₅：12～15段(中)、H₄：9～11段(下))、炉腰X₃(H₃：8段)、炉腹X₂(H₂：7段)、炉缸X₁(H₁：1～5段)六大段冷却壁分析，由于风口区的冷却壁(第6段)水温差对炉长的参考价值较小，本发明将忽略该部分的影响。

本发明选取某高炉不同工况下的生产数据386组，其中选取训练样本240组，剩余的146组数作为测试样本。指标参数有风量(BV)、压差(*P)、风温(BT)、富氧率(XO₂)、燃料比(FR)、透气性指数(K)、顶温(TT)和铁水[P](％)、铁水[Mn](％)和MIT(℃)、铁水[Si](％)、冷却壁段H₁、H₂、H₃、H₄、H₅、H₆水温差的k时刻及其历史时刻数据。

本发明利用3σ准则剔除所选原始样本集中的异常数据，对修补后的高炉冷却壁段所有测温点数据，计算高炉每段冷却壁横向圆周上所有测温点的平均水温差作为冷却壁段的实际水温差。图4为高炉冷却壁立体水温差概率密度统计分布直方图，由于高炉长期运行于稳定状态，各参数近似服从以预期工作点为中心的正态分布。高炉运行过程中，炉身中部的冷却壁段水温差最高，炉身下到炉缸部分逐段下降，且从炉腹部位开始下降幅度增大。

本发明通过计算各指标参数与炉温的泊松相关系数，选取相关系数最大的尖峰点处所对应的各冷却壁段水温差的历史时间序列，以此作为冷却壁立体水温差对炉缸温度响应的滞后时间，选择相关系数|r|≥0.1的历史炉温时间序列及与炉温预测相关的其它过程参数作为炉缸热状态预测相关特征参数。

图5为冷却壁立体水温差参数与炉温的相关系数矩阵可视化图，纵轴代表高炉冷却壁段H₁、H₂、H₃、H₄、H₅、H₆水温差，图中横坐标分别为高炉铁水[Si]和MIT的历史时间序列，不同颜色的方块为相关系数的可视化，右侧的条形颜色图代表相关系数对应的颜色范围，相关系数为正且越大时，方块儿颜色趋于红色系，反之，则趋于蓝色系。相关系数的绝对值越大，方块面积越大，反之越小。

水温差数据采样周期为1小时，如图5所示，H₆、H₅、H₄、H₃、H₂冷却壁段水温差对铁水[Si]和MIT的滞后时间依次为6、5、5、3、3小时和8、6、6、5、3小时，H₁与高炉铁水[Si]和MIT当前时刻值均呈显性相关。综上分析，高炉冷却壁立体水温差参数对炉缸温度响应的滞后时间在7～8小时内，刚好与该高炉冶炼周期相同，表明在此期间，高炉下降料速平稳，高炉处于规则、稳定的运行状态。此时选取高炉铁水[Si]和MIT预测模型的高炉冷却壁立体水温差输入变量分别为28个和34个。

图6为炉缸热状态预测相关特征参数提取三维可视化图，数据采样间隔为1炉次(1～2小时)，本发明中设定相关系数阈值为0.1。图6(a)验证了前四炉炉温对当前炉次炉温存在影响，包含了6～8小时的历史炉温信息即一个冶炼周期，可涵盖历史炉温对实际炉温的影响。图6(b)中，铁水[Si]和MIT对应横坐标段(k-3～k)分别为MIT历史时刻温度和铁水[Si]历史时刻值。综上所述，由于阈值限定，选取高炉铁水[Si]和MIT的过程输入变量分别为15个和16个。

综上分析，无水温差时，高炉铁水[Si]和MIT预测模型输入变量分别为15和16个，加入高炉冷却壁立体水温差时，高炉铁水[Si]和MIT预测模型输入变量分别为43和50个。设置粒群最大迭代次数T_max＝200，c₁＝1.5，c₂＝1.7，初始权重w_max＝0.9，最终权重w_min＝0.45，取铁水[Si]和MIT预测允许误差ε分别为(±0.1％)和(±17℃)。

图7(a～b)为无水温差的PSO-LSSVM炉缸热状态预测模型(NW PSO-LSSVM)和加入高炉冷却壁立体水温差的PSO-LSSVM炉缸热状态预测模型(WPSO-LSSVM)的仿真效果图。NWPSO-LSSVM模型和WPSO-LSSVM模型中，铁水[Si]和MIT预测模型的命中率分别为84.93、86.33％和97.58％、97.24％。图7(c～d)为WPSO-LSSVM预测模型的误差曲线图，预测误差基本在允许误差内。显然，WPSO-LSSVM炉缸热状态预测模型较传统的NW PSO-LSSVM模型预测效果更为理想。图8为WPSO-LSSVM模型参数的优化过程，此时铁水[Si]和MIT的种群数分别为6和10，适应度值随迭代次数的增加逐渐收敛到0.0012和0.8142，最终搜索得到的优化参数分别为：

铁水[Si]：k＝0.27，σ＇＝0.1，γ＝93.0

MIT：k＝0.27，σ＇＝0.1，γ＝87.5

本发明突破传统的单一参数或单一参数建立炉温预测模型表征炉缸热状态的局限性，利用高炉冷却壁立体水温差的多维性变化对炉缸热状态变化趋势预知的准确性，建立了基于时间序列和高炉多维度的PSO-LSSVM高炉炉缸热状态预测模型。模型的仿真结果表明，加入高炉冷却壁立体水温差的预测模型更能准确地预测炉温。高炉冷却壁立体水温差的多维性变化可超前预知炉缸热状态变化趋势，可协助高炉操作者，更好地使炼铁过程参数平稳运行于优化目标的小范围内，对高炉实现节能降耗具有重大意义。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，具体步骤如下：

S1、采集某高炉实时运行过程数据

包括历史炉温数据、各冷却壁段历史水温差数据；

S2、过程数据预处理

用拉依达准则剔除所选原始样本集中的异常数据，对异常数据赋空值并用牛顿插值法修补，最终使选取的过程数据分布在(μ-3σ,μ+3σ)区间内，其中μ和σ分别为样本数据的平均值和标准差；

S3、炉缸热状态预测相关特征参数提取

计算所选过程参数与炉温的泊松相关系数，依据相关系数的阈值和顶峰值选取炉缸热状态预测相关特征参数；

S4、建立模型

将选取的相关特征参数数据作为模型的输入，建立基于时间序列和高炉多维度的PSO-LSSVM炉缸热状态预测模型；

S5、对比分析无水温差时和加入高炉冷却壁立体水温差时所建模型的相对误差和命中率。

2.根据权利要求1所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S1中，高炉炉体的各冷却壁段具体为：从上到下分为多段，圆周上呈立体式分布，每段冷却壁在横向圆周上设置若干个热电偶测温点，实现多点测温；选取炉身的上、中、下、炉腰、炉腹、和炉缸六大段冷却壁段，利用高炉冷却壁纵向分段水温差的立体多维性，依次分析立体水温差变化对炉缸温度响应的滞后性。

3.根据权利要求1所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S2中，剔除过程及实际各冷却壁段水温差的计算如下：

μ和σ分别为样本数据x_k的平均值和标准差；

对修补后的冷却壁段所有测温点数据，计算高炉每段冷却壁横向圆周上所有测温点的平均水温差作为冷却壁段的实际水温差。

4.根据权利要求1所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S3中，泊松相关系数计算、相关系数顶峰值及阈值设定的过程如下：

泊松相关系数计算过程描述为

式中，

分别为参数x_(t)，y_(t)的均值；

选取相关系数最大的尖峰点处所对应的各冷却壁段水温差的历史时间序列作为高炉冷却壁立体水温差对炉缸温度响应的滞后时间；选择相关系数|r|≥0.1的历史炉温时间序列作为炉缸热状态预测相关特征参数。

5.根据权利要求1所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S4中，建模过程如下：

S4-1、将预处理后的指标数据分为训练集和测试集，将训练数据输送到LSSVM预测模型中训练，同时采用粒子群算法对LSSVM的惩罚因子γ和核参数宽度σ＇进行优化，最终得到用于炉缸热状态预测的PSO-LSSVM模型；

S4-2、利用训练好的PSO-LSSVM模型对测试集进行预测。

6.根据权利要求5所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S4-1中，采用PSO算法对LSSVM中的惩罚因子γ和核参数宽度σ＇进行优化的具体过程为：

S4-1-1、随机产生一个初始种群，种群中每个粒子都有自己的速度和位置，初始的速度和位置随机生成；

S4-1-2、利用模型对训练数据预测，更新P_ibest和P_Gibest，将P_Gibest中的两个分量作为LSSVM的惩罚因子γ和核参数宽度σ＇，由各粒子当前位置值的预测误差计算各粒子的适应度值

S4-1-3、粒子通过跟踪两个“极值”：个体极值P_ibest和全局极值P_Gibest，更新粒子的当前速度和位置；

S4-1-4、反复迭代，当适应度满足预定精度或达到最大迭代次数时停止迭代；

S4-1-5、记录此时对应的γ和σ＇即为优化结果；

所述步骤S4-1-3对粒子的速度、位置的更新过程如下：

速度调整：

V_i(t+1)＝wV_i(t)+c₁rand(t)(P_ibest-X_i(t))+c₂rand(t)(P_Gibest-X_i(t))

位置调整：

X_i(t+1)＝X_i(t)+V_i(t+1)

式中，V_i和X_i分别为粒子的当前速度和位置；c₁、c₂为学习因子，且c₁、c₂∈[0,2]；rand(t)为(0，1)之间的随机函数；w为惯性权重；P_ibest、P_Gibest分别为粒子和粒子群的最优位置；搜索中，通过将X_i对应的P_ibest、P_Gibest的适应度值比较和位置调整方程不断调整最优的P_ibest和P_Gibest；

所述步骤S4-1-3中更新P_ibest和P_Gibest的过程为：

①将各粒子的当前适应度值F(X_i)与该粒子自身的最优适应度值F(P_ibest)比较，若F(X_i)<F(P_ibest)，调整F(P_ibest)＝F(X_i)，并将粒子的当前位置作为该粒子的最优位置；

②将各粒子的F(P_ibest)与粒子群的最优位置适应度值F(P_ibest)比较，若F(P_ibest)<F(P_Gibest)，调整F(P_ibest)＝F(X_i)，将此粒子的最优位置作为所有粒子的最优位置；

③由粒子群优化算法的进化方程对粒子的速度、位置进化调整，得到新的粒子位置；判断所有粒子最优位置的适应度值或迭代次数满足要求，结束计算并保存当前粒子群整体的最优位置值，若不满足则返回流程②继续计算；

④经参数优化调整，将最终粒子群整体最优位置所对应的参数作为最小二乘支持向量机建模所需的参数，建立PSO-LSSVM模型对测试样本进行预测；

所述步骤S4-1-3中，惯性权重设置如下：

较大的惯性权重w有较好的全局搜索能力，反之有较强的局部搜索能力，随迭代次数的增加，惯性权重应不断减少，粒子群算法在初期应具有较强的全局收敛能力，而晚期有较强的局部收敛能力；取w随迭代次数T增加线性递减的效果最好，w与T的关系表达式为

式中，w_max为初始权重，w_min为最终权重，T_max为最大迭代次数。

7.根据权利要求1所述的基于时间序列和高炉多维度的炉缸热状态趋势预测的方法，其特征在于，所述步骤S5中，模型评判标准如下：

相对误差(MSE)定义为

式中，y_i是目标值，

为预测值，l为样本总数；

命中率定义为

式中，l为样本总数，ε为模型输出的允许误差。

Images