CN111353656B - 一种基于生产计划的钢铁企业氧气负荷预测方法 - Google Patents

一种基于生产计划的钢铁企业氧气负荷预测方法 Download PDF

Info

Publication number
CN111353656B
CN111353656B CN202010205754.6A CN202010205754A CN111353656B CN 111353656 B CN111353656 B CN 111353656B CN 202010205754 A CN202010205754 A CN 202010205754A CN 111353656 B CN111353656 B CN 111353656B
Authority
CN
China
Prior art keywords
oxygen
converter
oxygen consumption
total
prediction
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
Application number
CN202010205754.6A
Other languages
English (en)
Other versions
CN111353656A (zh
Inventor
赵珺
金锋
杨光辉
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010205754.6A priority Critical patent/CN111353656B/zh
Publication of CN111353656A publication Critical patent/CN111353656A/zh
Priority to PCT/CN2020/105124 priority patent/WO2021189739A1/zh
Priority to US17/297,939 priority patent/US11755976B2/en
Application granted granted Critical
Publication of CN111353656B publication Critical patent/CN111353656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375Prediction of business process outcome or impact based on a proposed change
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313Resource planning in a project environment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04Manufacturing
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明属于信息技术领域,涉及到影响因素提取、神经网络建模、相似序列匹配等技术,是一种基于生产计划的钢铁企业氧气负荷预测方法。本发明采用工业实际运行数据,首先提取转炉炼钢的生产计划和生产实绩等相关数据,进行影响因素分析,提取出耗氧量的主要影响变量。进而建立单个转炉耗氧量的神经网络预测模型,以均方误差为评价指标,给出一个转炉在吹炼阶段时间粒度上的预测结果。最后结合转炉生产计划中各设备的冶炼时刻、冶炼持续时间等信息,给出一个计划时间段内的氧气负荷预测值。该方法所得到的结果精度较高,且可根据生产计划的变更进行实时调整,对实际生产有指导意义,同时亦可推广到炼铁工序中,最终实现钢铁企业耗氧量总量的预测。

Description

一种基于生产计划的钢铁企业氧气负荷预测方法
技术领域
本发明属于信息技术领域,涉及到影响因素提取、神经网络建模、相似序列匹配等技术,是一种基于生产计划的氧气负荷预测方法。本发明采用工业实际运行数据,首先提取转炉炼钢的生产计划和生产实绩等相关数据,进行影响因素分析,提取出耗氧量的主要影响变量。进而建立单个转炉耗氧量的神经网络预测模型,以均方误差为评价指标,给出一个转炉在吹炼阶段时间粒度上的预测结果。最后结合转炉生产计划中各设备的冶炼时刻、冶炼持续时间等信息,给出一个计划时间段内的氧气负荷预测值。该方法所得到的结果精度较高,且可根据生产计划的变更进行实时调整,对实际生产有指导意义,同时亦可推广到炼铁工序中,最终实现钢铁企业耗氧量总量的预测。
背景技术
节能减排一直是钢铁企业重点关注的生产目标之一。氧气作为钢铁企业重要的能源,对其进行合理利用是降低企业成本的重要手段。氧气的最大消耗单元是转炉和高炉,两种工序的生产工艺导致氧气消耗具有间断性特征,系统压力随着氧气消耗量的波动呈现不稳定趋势,由于调度人员无法对其进行准确预测,因此会出现氧气在一段时间内供过于求的情况,系统压力上升,此时调度人员为了保证系统压力稳定、生产平稳运行,不得不将多余的低压氧气排空(放散)来防止安全阀起跳,以降低系统压力,从而导致氧气资源的浪费,能源利用率降低。同时,当多个转炉集中吹炼,氧气需求量急剧上升,而空压机组在短时内无法变负荷生产,因此无法满足生产需求,造成管网压力下降,影响企业正常生产。在钢铁企业中,氧气生产、氧气存储、氧气消耗三者组成氧气系统,其紧密相连、动态平衡。当某一环节出现故障或者发生剧烈波动时,会对整个系统产生影响,以致破坏其系统动态平衡,进而影响正常生产。
目前常见的氧气负荷预测一般是采用数据驱动的方法来完成时间粒度上的氧气负荷预测,根据历史数据采用以神经网络、支持向量机为代表的核学习模型,基于模糊系统的预测模型等,进行迭代机制的预测算法(Bums E,Rural W.Iterative-deepening searchwith on-line tree size prediction[J].Annals of Mathematics and ArtificialIntelligence,2013,69(2):183-205.)。(Zhang L,Zhou W D,Chang P C,et a1.Iteratedtime series prediction with multiple support vector regression models[J].Neurocomputing,2013,99:411-422.)亦或是考虑阶段性生产特征,将数据分割成长度不等的粒子,然后以数据段为基本分析单元进行模糊聚类,模糊推理等,最后完成氧气负荷的预测。(韩中洋.炼钢过程气体能源系统预测与调度方法及应用[D].大连理工大学,2016.)。采用SVM等建立模型来完成单个炉次耗氧量的预测,但该预测结果以总量点的形式存在,无法在时间粒度上进行预测,无法满足现场实际生产的需求。(蒋伟杰.钢铁企业氧气系统预测及优化调度模型研究[D].天津理工大学,2017.)
然而,这些方法仅仅是通过对历史的氧气消耗数据进行分析,然后使用算法进行预测。然而当出现生产计划的突然变更时,仅通过历史数据无法做出相应的预测。氧气消耗的变化规律与生产计划的排程息息相关,通过提取生产计划的排程,再结合历史数据,不仅可以从机理上解释预测的变化趋势,而且精度上更胜一筹。因此需要设计一种结合生产计划的氧气消耗负荷预测方法。
发明内容
本发明主要解决钢铁企业的氧气负荷预测问题,方法采用来自大型钢铁企业的实际运行数据。首先提取转炉炼钢的生产计划和生产实绩等相关数据信息,进行耗氧量主要影响因素分析,提取出对单个炉次氧气消耗量影响最大的输入变量并建立基于神经网络的单个转炉炉次耗氧总量预测模型。然后将模型预测结果与历史样本数据进行模匹配,以均方误差为评价标准,给出一个炉次内时间粒度上的氧气负荷预测值。最后推广到炼铁工序中进行模型预测,并将其在时间粒度上的预测值进行线性加和,实现钢铁企业的耗氧总量的预测。
本发明技术方案的整体实现流程图如附图1所示,具体步骤如下:
(1)提取炼铁、炼钢的历史生产计划和历史生产实绩数据,根据转炉历史数据分析对单个炉次氧气消耗量影响较大的因素,然后筛选影响较大的多个因素作为模型的输入变量,氧气消耗量作为模型输出变量。
(2)训练模型并调整模型参数,以平均绝对百分比误差最低的模型参数作为最终模型参数。将生产计划中未来一段时间内的计划批次的相关信息作为输入变量,使用模型预测一个计划炉次内的氧气总耗用量。
(3)将预测的数据与历史样本以均方误差最小为标准进行模匹配,然后根据生产计划中各设备冶炼时刻,冶炼持续时间等信息,拟合出一个计划时间段内的时间尺度上的耗氧量曲线图。
(4)根据已有的生产计划分别对每个转炉设备进行时间尺度上的耗氧量预测,然后将低压氧气管网下的所有转炉设备的预测曲线进行时间上的线性加和,得到炼钢氧气负荷预测结果。
(5)根据提取出来的炼铁历史数据进行炼铁管网的氧气负荷预测,然后将预测结果与炼铁生产计划中的高炉休风、减风、复风等操作进行结合,重新拟合出高炉炼铁氧气负荷预测曲线。最后将炼铁管网的预测结果与炼钢管网的预测结果加和,得到氧气总管的时间尺度上的氧气负荷预测数据。
本发明的效果和益处:
本发明将生产计划、生产机理以及历史数据相结合,提出了一种基于生产计划的氧气负荷预测方法。在通过提取相关信息进行建模后,进行一个转炉炉次的氧气消耗总量负荷预测,将预测结果与历史信息进行模匹配,拟合出该炉次氧气消耗量在时间尺度上的分布,基于生产计划的时刻表,预测出未来一段时间内的氧气消耗量趋势图。
本发明以数据驱动和生产计划为基础,构建出机理和数据相结合的预测模型,能够精确的预测出未来的氧气消耗趋势图,从而为现场生产中的相关优化、平衡调度提供有效的技术支持。
附图说明
图1为本发明的实施流程图。
图2为氧气系统的示意图。
图3为送炼钢管网本方法预测值与实际值对比图。
图4为送炼铁管网本方法预测值与实际值对比图。
图5为氧气管网本方法预测值与实际值对比图。
具体实施方式
为了更好地理解本发明的技术路线和实施方案,以国内某大型钢铁企业的氧气系统为例,做进一步的说明。附图2所示为该企业的氧气系统示意图。从图中可以看出,高炉炼铁,转炉炼钢,热轧等小用户是氧气消耗的主要用户,其中转炉炼钢和高炉炼铁占据氧气系统总消耗量的96%以上,热轧等小用户耗氧量相对来说则占比较少且消耗较稳定,因此本发明中将其作为定值来考虑。转炉炼钢、高炉炼铁的氧气消耗量呈现间断性,无明显规律性且波动幅度较大的特点。生产计划是钢铁企业对未来一段时间内的炼钢、炼铁产量和时刻的规划,对生产起到指导作用,同时,其计划中的信息,也可用来进行生产模型的建立,用以预测未来氧气消耗量的变化趋势。按照图1所示的方法流程,本发明的具体实施步骤如下所示:
步骤1:数据预处理
从工业现场实时数据库中提取炼钢、炼铁的生产计划和生产实绩表,并对相关计划信息、氧气消耗量等数据进行滤波、缺失值填补等预处理工作。
步骤2:模型输入输出变量筛选
选择合适的模型输入输出变量会提高模型预测精度。转炉氧气预测模型的主要功能是实现单个炉次的氧气消耗总量的预测,神经网络的输出变量为单个炉次的耗氧总量,神经网络的输入变量可通过机理模型筛选、最大影响因素分析等实验方式一起确定。
通过对神经网络机理模型的分析,确定其耗氧量与生产原料、辅料以及生产工艺等因素相关,为提高模型预测精度,对提取出来的转炉历史生产数据中的耗氧量及影响因素采用相关性分析,筛选出对目标输出变量影响最大的因素。选取铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量共6个输入变量,该变量均存在生产计划表中,为可获得变量。
步骤3:建立模型并训练模型
本发明采用神经网络算法来构建模型,不需要了解输入变量与输出变量之间的精确数学关系,可通过大量的训练样本自动学习输入和输出之间的映射关系,在理论上可以逼近任何的非线性函数。神经网络模型结构分为输入层、隐含层、输出层三层。假设模型的输出层为第Q层,设第q(q=1,2,…,Q)层的神经节点个数为nq,从第q-1层的第j个神经节点到第q层的第i个神经节点的连接系数为w,则网络层各层的输入和输出之间的关系如式(1)所示:
Figure BDA0002421034430000041
Figure BDA0002421034430000042
Figure BDA0002421034430000043
其中,
Figure BDA0002421034430000044
是第q层的第i个输出变量;式(1)中的
Figure BDA0002421034430000045
如式(2)所示;式(1)中的f关系式结构为式(3)所示;μ为设定的参数;
Figure BDA0002421034430000046
为第q-1层变量到各自对应的第q层的第i个节点的连接系数的乘积加和值,
Figure BDA0002421034430000047
为第q-1层的第j个输入变量;
Figure BDA0002421034430000048
代表第q-1层的第j个节点对第q层的第i个节点所产生的影响,当j=0时,
Figure BDA0002421034430000049
其中
Figure BDA00024210344300000410
表示第q层第i个神经元的阈值。
提取生产实绩表中的历史数据,将步骤2中选定的输入变量作为输入参数,因此输入样本如式(4)所示。输出变量作为输出参数,输出样本与输入样本关系如式(5)所示。然后改变模型结构,逐一进行训练,采用平均绝对百分比误差(Mean Absolute PercentageError,MAPE)值最低的结构作为最终的模型结构,MAPE公式如式(7)所示。
X=[xb,xt,xd,xp,tc,ew](4)
Yout=f(xb,xt,xd,xp,tc,ew)(5)
Figure BDA00024210344300000411
其中,X为n×6的输入样本矩阵,xb为表示单个转炉炉次铁水重量的列向量,xt为表示单个转炉炉次铁水温度的列向量,xd为表示单个转炉炉次铁水碳含量的列向量,xp为表示单个转炉炉次铁水磷含量的列向量,tc为表示单个转炉炉次终点碳含量的列向量,ew为表示单个转炉炉次废钢量的列向量。Yout为表示转炉单个炉次氧气消耗总量的列向量,为输出样本。y1为实际值,y2为预测值,n为预测的转炉炉次总数。
步骤4:预测单个设备的氧气消耗数据
筛选未来一段时间内的生产计划信息,包括每一个炉次的铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量以及各设备的冶炼时刻,冶炼持续时间等。该因素作为步骤3中已训练模型的输入变量,进行预测,得到相应转炉的炉次氧气消耗总量。
R=(Y1-Y2)2(7)
在转炉氧气消耗中,每增加一分钟的氧气吹炼时间,其消耗总量必然会有所区别,根据历史规律可得,一个炉次的氧气吹炼时长与该炉次的氧气消耗总量有一定的关系。因此在得到预测的单个转炉的一个炉次内的氧气消耗总量后,根据数据库中存储的氧气消耗总量和与其对应的历史数据曲线,通过式(7),求解出与其最匹配的历史数据项及其历史数据曲线图。其中Y1为预测出的转炉一个炉次内的氧气消耗总量,Y2为数据库中存储的历史数据,在R最小的目标条件下,求出数据库相应的历史炉次的消耗总量和与之对应的氧气消耗数据,即为式(8)所示。然后将预测的消耗总量经单位换算后得到yp,按照式(9)计算求出未来一段时刻内的氧气预测数据,根据生产计划中的各设备冶炼开始时刻和冶炼持续时刻,得到按照时刻分布的一个炉次内的氧气消耗预测数据。
Yh(t)=[x1,x2,x3,x4,…,xn](8)
Figure BDA0002421034430000051
其中,Yh(t)为n个变量的行向量,为对应的氧气消耗数据。Yp(t)表示经换算后的预测数据。
步骤5:预测氧气管网的氧气消耗数据
在某大型钢铁企业中,氧气管网包括送炼钢氧气管网、送炼铁氧气管网和小用户氧气管网。小用户氧气管网消耗氧气稳定且总量极小,约占氧气消耗总量的2%左右,其变化趋势对总量的影响不大,因此在模型中将其作为一个定值。送炼钢氧气管网下共有5个转炉,每个转炉均进行对应计划的转炉冶炼生产,对每一个转炉的冶炼生产计划均进行该模型的预测,分别执行步骤四中的算法,然后将每一个预测曲线按照时刻进行累加,得到送炼钢氧气管网下的氧气负荷曲线图。重复步骤2到步骤4中的算法对高炉进行氧气负荷预测,得到高炉氧气在时间粒度上的负荷预测值。然后在时间粒度上对以上送炼铁、送炼钢管网的预测值进行累加计算,同时将小用户氧气管网的定值进行加和计算,所得即为整个能源系统的氧气管网的负荷预测。预测结果如表1所示,从结果可以看出本发明相比于BP神经网络以及最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)有较大的精度提升。其中,各评价指标计算方法如下所示:
均方误差(Mean Squared Error,MSE)的公式如式(10)所示:
Figure BDA0002421034430000061
其中,n为测量总次数,
Figure BDA0002421034430000062
为预测值,ym为真实值。
均方根误差(Root Mean Squared Error,RMSE)如式(11)所示:
Figure BDA0002421034430000063
其中,n为测量总次数,
Figure BDA0002421034430000064
为预测值,ys为真实值。
平均绝对误差(Mean Absolute Error,MAE)如式(12)所示:
Figure BDA0002421034430000065
其中,n为测量总次数,
Figure BDA0002421034430000066
为预测值,yz为真实值。
表1三种方法在氧气负荷预测结果比较
Figure BDA0002421034430000067

Claims (1)

1.一种基于生产计划的钢铁企业氧气负荷预测方法,其特征在于,步骤如下:
步骤1:数据预处理
从工业现场实时数据库中提取炼钢、炼铁的生产计划和生产实绩表,并对相关计划信息、氧气消耗量数据进行滤波、缺失值填补;
步骤2:模型输入输出变量筛选
转炉氧气预测模型的主要功能是实现单个炉次的氧气消耗总量的预测,神经网络的输出变量为单个炉次的耗氧总量,神经网络的输入变量通过机理模型筛选、最大影响因素分析一起确定;选取铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量共6个输入变量,该变量均存在生产计划表中,为可获得变量;
步骤3:建立模型并训练模型
采用神经网络算法来构建模型,通过大量的训练样本自动学习输入和输出之间的映射关系,在理论上逼近任何的非线性函数;神经网络模型结构分为输入层、隐含层、输出层三层;假设模型的输出层为第Q层,设第q(q=1,2,…,Q)层的神经节点个数为nq,从第q-1层的第j个神经节点到第q层的第i个神经节点的连接系数为w,则网络层各层的输入和输出之间的关系如式(1)所示:
Figure FDA0002421034420000011
Figure FDA0002421034420000012
Figure FDA0002421034420000013
其中,
Figure FDA0002421034420000014
是第q层的第i个输出变量,式(1)中的
Figure FDA0002421034420000015
如式(2)所示,式(1)中的f关系式结构为式(3)所示,μ为设定的参数,
Figure FDA0002421034420000016
为第q-1层变量到各自对应的第q层的第i个节点的连接系数的乘积加和值,
Figure FDA0002421034420000017
为第q-1层的第j个输入变量,
Figure FDA0002421034420000018
代表第q-1层的第j个节点对第q层的第i个节点所产生的影响,当j=0时,
Figure FDA0002421034420000019
其中
Figure FDA00024210344200000110
表示第q层第i个神经元的阈值;
提取生产实绩表中的历史数据,将步骤2中选定的输入变量作为输入参数,因此输入样本如式(4)所示;输出变量作为输出参数,输出样本与输入样本关系如式(5)所示;然后改变模型结构,逐一进行训练,采用平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)值最低的结构作为最终的模型结构,其公式如式(6)所示;
X=[xb,xt,xd,xp,tc,ew] (4)
Yout=f(xb,xt,xd,xp,tc,ew) (5)
Figure FDA0002421034420000021
其中,X为n×6的输入样本矩阵,xb为表示单个转炉炉次铁水重量的列向量,xt为表示单个转炉炉次铁水温度的列向量,xd为表示单个转炉炉次铁水碳含量的列向量,xp为表示单个转炉炉次铁水磷含量的列向量,tc为表示单个转炉炉次终点碳含量的列向量,ew为表示单个转炉炉次废钢量的列向量Yout为表示转炉单个炉次氧气消耗总量的列向量,为输出样本y1为实际值,y2为预测值,n为预测的转炉炉次总数;
步骤4:预测单个设备的氧气消耗数据
筛选未来一段时间内的生产计划信息,包括每一个炉次的铁水重量、铁水温度、铁水碳含量、铁水磷含量、终点碳含量、废钢量以及各设备的冶炼时刻,冶炼持续时间该因素作为步骤3中已训练模型的输入变量,进行预测,得到相应转炉的炉次氧气消耗总量:
R=(Y1-Y2)2 (7)
在转炉氧气消耗中,每增加一分钟的氧气吹炼时间,其消耗总量必然会有所区别,根据历史规律可得,一个炉次的氧气吹炼时长与该炉次的氧气消耗总量有一定的关系;因此在得到预测的单个转炉的一个炉次内的氧气消耗总量后,根据数据库中存储的氧气消耗总量和与其对应的历史数据曲线,通过式(7),求解出与其最匹配的历史数据项及其历史数据曲线图;其中Y1为预测出的转炉一个炉次内的氧气消耗总量,Y2为数据库中存储的历史数据,在R最小的目标条件下,求出数据库相应的历史炉次的消耗总量和与之对应的氧气消耗数据,即为式(8)所示;然后将预测的消耗总量经单位换算后得到yp,按照式(9)计算求出未来一段时刻内的氧气预测数据,根据生产计划中的各设备冶炼开始时刻和冶炼持续时刻,得到按照时刻分布的一个炉次内的氧气消耗预测数据:
Yh(t)=[x1,x2,x3,x4,…,xn] (8)
Figure FDA0002421034420000022
其中,Yh(t)为n个变量的行向量,为对应的氧气消耗数据Yp(t)表示经计算后的预测数据;
步骤5:预测氧气管网的氧气消耗数据
在钢铁企业中,氧气管网包括送炼钢氧气管网、送炼铁氧气管网和小用户氧气管网,小用户氧气管网消耗氧气稳定且总量极小,约占氧气消耗总量的2%左右,其变化趋势对总量的影响不大,因此在模型中将其作为一个定值;送炼钢氧气管网下共有5个转炉,每个转炉均进行对应计划的转炉冶炼生产,对每一个转炉的冶炼生产计划均进行该模型的预测,分别执行步骤四中的算法,然后将每一个预测曲线按照时刻进行累加,得到送炼钢氧气管网下的氧气负荷曲线图,重复步骤2到步骤4中的算法对高炉进行氧气负荷预测,得到高炉氧气在时间粒度上的负荷预测值;然后在时间粒度上对以上送炼铁、送炼钢管网的预测值进行累加计算,同时将小用户氧气管网的定值进行加和计算,所得即为整个能源系统的氧气管网的负荷预测。
CN202010205754.6A 2020-03-23 2020-03-23 一种基于生产计划的钢铁企业氧气负荷预测方法 Active CN111353656B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010205754.6A CN111353656B (zh) 2020-03-23 2020-03-23 一种基于生产计划的钢铁企业氧气负荷预测方法
PCT/CN2020/105124 WO2021189739A1 (zh) 2020-03-23 2020-07-28 一种基于生产计划的钢铁企业氧气负荷预测方法
US17/297,939 US11755976B2 (en) 2020-03-23 2020-07-28 Method for predicting oxygen load in iron and steel enterprises based on production plan

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205754.6A CN111353656B (zh) 2020-03-23 2020-03-23 一种基于生产计划的钢铁企业氧气负荷预测方法

Publications (2)

Publication Number Publication Date
CN111353656A CN111353656A (zh) 2020-06-30
CN111353656B true CN111353656B (zh) 2021-05-07

Family

ID=71197805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205754.6A Active CN111353656B (zh) 2020-03-23 2020-03-23 一种基于生产计划的钢铁企业氧气负荷预测方法

Country Status (3)

Country Link
US (1) US11755976B2 (zh)
CN (1) CN111353656B (zh)
WO (1) WO2021189739A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353656B (zh) * 2020-03-23 2021-05-07 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
CN112083694A (zh) * 2020-07-30 2020-12-15 中国恩菲工程技术有限公司 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备
EP4049771B1 (en) * 2021-02-25 2023-03-15 Tata Consultancy Services Limited Prediction of preheat refractory temperature profile of a ladle furnace
CN113962050A (zh) * 2021-09-16 2022-01-21 中冶赛迪技术研究中心有限公司 一种结合产耗预测及管网计算的氧气调度计算方法
CN114091784B (zh) * 2021-12-01 2023-05-23 重庆大学 一种面向钢铁企业氧气系统的不确定优化调度方法及系统
CN114397814A (zh) * 2021-12-06 2022-04-26 中国电建集团贵州电力设计研究院有限公司 一种基于bp神经网络的火电机组最佳运行参数寻找方法
CN114219175B (zh) * 2021-12-28 2024-07-19 鞍钢集团自动化有限公司 一种集装箱卷板的力学性能预测方法
CN114862021A (zh) * 2022-05-09 2022-08-05 大连理工大学 一种结合信息特征与生产计划的工业间歇性能源数据动态预测方法
CN114611844B (zh) * 2022-05-11 2022-08-05 北京科技大学 一种转炉出钢过程合金加入量的确定方法和系统
CN115232907B (zh) * 2022-09-23 2022-12-20 北京科技大学 一种转炉炼钢吹氧量的预测方法和系统
CN115619101B (zh) * 2022-11-09 2023-03-17 北京科技大学 一种电弧炉炼钢能效评价方法
CN116109069A (zh) * 2022-12-15 2023-05-12 广东镭目华远智能科技有限公司 一种基于钢铁企业的大数据融合应用控制方法
CN116640906B (zh) * 2023-07-27 2023-10-20 江苏永钢集团有限公司 一种基于5g技术的钢包底吹二氧化碳冶炼方法及系统
CN116931530B (zh) * 2023-09-15 2023-12-26 山东星科智能科技股份有限公司 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法
CN117113886B (zh) * 2023-10-23 2024-02-06 北京中环信科科技股份有限公司 一种压力预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103194553A (zh) * 2013-04-07 2013-07-10 昆明理工大学 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法
CN105204333A (zh) * 2015-08-26 2015-12-30 东北大学 一种提高钢铁企业能源利用率的能耗预测方法
CN109447346A (zh) * 2018-10-26 2019-03-08 冶金自动化研究设计院 基于灰色预测与神经网络组合模型转炉氧耗量预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5327357A (en) * 1991-12-03 1994-07-05 Praxair Technology, Inc. Method of decarburizing molten metal in the refining of steel using neural networks
US20060223058A1 (en) * 2005-04-01 2006-10-05 Perlegen Sciences, Inc. In vitro association studies
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
US9499755B2 (en) * 2014-05-29 2016-11-22 Pierre Vayda Composite briquette for steelmaking or ironmaking furnace charge
CN105242545B (zh) * 2015-10-31 2017-12-05 南京南瑞继保工程技术有限公司 一种基于工艺批次模型的转炉用氧流量的预测方法
CN105930916A (zh) * 2016-04-07 2016-09-07 大连理工大学 一种基于并行模块化神经网络的副产煤气实时预测方法
EP3537317B1 (en) * 2018-03-09 2022-11-16 Tata Consultancy Services Limited System and method for determination of air entrapment in ladles
US11423321B2 (en) * 2018-08-22 2022-08-23 GM Global Technology Operations LLC Method and system for predicting system status
CN111353656B (zh) * 2020-03-23 2021-05-07 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
US11517226B2 (en) * 2020-10-01 2022-12-06 Covidien Lp Oxygen saturation monitoring using artificial intelligence

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103194553A (zh) * 2013-04-07 2013-07-10 昆明理工大学 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法
CN105204333A (zh) * 2015-08-26 2015-12-30 东北大学 一种提高钢铁企业能源利用率的能耗预测方法
CN109447346A (zh) * 2018-10-26 2019-03-08 冶金自动化研究设计院 基于灰色预测与神经网络组合模型转炉氧耗量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Causality diagram-based scheduling approach for blast furnace gas system;Feng Jin;《 IEEE》;20180331;第5卷(第2期);参见第587-594页 *
一种两阶段钢铁企业氧气系统平衡调整方法;张乾乾 等;《控制工程》;20170430;第24卷(第4期);参见第716-721页 *
基于进化深度学习短期负荷预测的应用研究;易灵芝 等;《电力系统及其自动化学报》;20190528;第32卷(第3期);参见第1-6页,第13页 *
钢铁行业氧气消耗预测与调度优化研究;徐靖淳;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20200215(第2期);参见中文摘要以及第3章 *

Also Published As

Publication number Publication date
US20220318714A1 (en) 2022-10-06
CN111353656A (zh) 2020-06-30
US11755976B2 (en) 2023-09-12
WO2021189739A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN103295075B (zh) 一种超短期电力负荷预测与预警方法
CN109242188B (zh) 一种钢铁煤气系统长期区间预测及其结构学习方法
CN104636822A (zh) 一种基于elman神经网络的居民负荷预测方法
CN109146121A (zh) 基于pso-bp模型的停限产情况下的电量预测方法
WO2023070293A1 (zh) 一种工业副产煤气系统长期调度方法
CN103942422B (zh) 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法
CN114678080B (zh) 转炉终点磷含量预测模型及构建方法、磷含量预测方法
CN110332605B (zh) 基于bp神经网络的热网能耗指标分析预警方法
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
CN109214709B (zh) 一种钢铁企业制氧系统优化分配的方法
CN109993354A (zh) 一种针对能源消费量预测的方法
CN110796293A (zh) 一种电力负荷预测方法
CN106779384A (zh) 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法
CN111626539B (zh) 一种基于q强化学习的电网运行断面动态生成方法
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
CN110570091A (zh) 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法
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
CN103514486A (zh) 基于因素分析的高炉煤气受入流量预测方法
CN114202086A (zh) 一种矿山开采方案多目标优化方法
CN115759469A (zh) 一种针对峰值负荷及其出现时间的预测方法及其装置
Yang et al. BP-GA mixed algorithms for short-term load forecasting
CN115271153A (zh) 一种基于多目标规划的区域产业结构调整优化方法和系统
CN105528681B (zh) 一种基于隐树模型的冶金企业副产能源系统实时调整方法
CN116127345B (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法

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