CN112541628A - 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 - Google Patents
一种多模型耦合驱动的高炉煤气产生量预测方法及系统 Download PDFInfo
- Publication number
- CN112541628A CN112541628A CN202011438147.0A CN202011438147A CN112541628A CN 112541628 A CN112541628 A CN 112541628A CN 202011438147 A CN202011438147 A CN 202011438147A CN 112541628 A CN112541628 A CN 112541628A
- Authority
- CN
- China
- Prior art keywords
- time
- blast
- running state
- moment
- blast furnace
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 66
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000007664 blowing Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 229940057373 c-time Drugs 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 57
- 238000010586 diagram Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 229910000805 Pig iron 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
- 239000002551 biofuel Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明涉及一种多模型耦合驱动的高炉煤气产生量预测方法及系统，所述方法包括：对高炉的运行状态进行实时辨识，确定t时刻的高炉运行状态；根据所述t时刻的高炉运行状态，获取所述t时刻的第一鼓风量数据；针对所述第一鼓风量数据进行预处理，获取预处理后的第一鼓风量数据；基于所述预处理后的第一鼓风量数据、预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据、所述t时刻的高炉运行状态，获取t时刻所对应的鼓风量；基于所述t时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t时刻的高炉煤气产生量。
Description
技术领域
本发明涉及钢铁行业煤气预测技术领域，尤其涉及一种多模型耦合驱动的高炉煤气产生量预测方法及系统。
背景技术
钢铁工业消耗了全球大约5％的能源，而高炉炼铁工艺占钢铁联合企业总能耗的75％。在生产生铁的过程中，会产生大量的副产品能量，高炉煤气则是一种副产煤气。这种气体来自高炉炼铁过程，由大约25％的CO、15％的CO2、55％的N2、1.5％的H2、0.5％的CH4和一部分H2O组成。由于设备操作复杂，高炉工况多变，常常导致煤气产生量在短期内发生供求失衡的情况，打破了原来煤气产生单元、消耗单元、缓冲单元的动态平衡关系，造成煤气管网压力波动大，流量不稳定，煤气放散率高的后果。因此需建立精准的煤气预测模型，以合理预测高炉煤气产生量。
高炉煤气作为钢铁工业中副产煤气的重要组成部分，其产生数据的准确性将成为钢铁行业工艺全流程的关键。而高炉煤气产生量预测是否准确直接影响放散率高低，因此有必要合理利用科学方法预测煤气产生量，这对于平衡现场能源调度和能源管理同样尤为重要。但煤气平衡大部分基于调度人员的经验，透明度低，迟滞性强，且预测过程中难以对高炉复杂工况进行高精度预测。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种多模型耦合驱动的高炉煤气产生量预测方法及系统。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种多模型耦合驱动的高炉煤气产生量预测方法，包括：
S1、对高炉的运行状态进行实时辨识，确定t时刻的高炉运行状态；
高炉运行状态包括顺行运行状态、休风运行状态、复风运行状态；
S2、根据所述t时刻的高炉运行状态，获取所述t时刻的第一鼓风量数据；
所述第一鼓风量数据为与所述t时刻的高炉运行状态相匹配的预先设定的历史时间段的鼓风量数据；
S3、针对所述第一鼓风量数据进行预处理，获取预处理后的第一鼓风量数据；
S4、基于所述预处理后的第一鼓风量数据、预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据、所述t时刻的高炉运行状态，获取t时刻所对应的鼓风量；
S5、基于所述t时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t时刻的高炉煤气产生量。
优选的，所述针对所述第一鼓风量数据进行预处理，具体包括：
针对所述第一鼓风量数据进行统一量化单位和数据格式整理，剔除中第一鼓风量数据中预先设定的无效值，对缺失的数据进行填补处理。
优选的，所述S4具体包括：
若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态处于非顺行运行状态，则采用预先设定的第一鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
a为预先设定值；
所述第一鼓风量预测模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的连续A个顺行状态所对应的鼓风量数据，采用移动平均法建立的移动平均模型；
其中，A为预先设定值；
若所述t、t-a时刻的高炉运行状态均为顺行运行状态，且t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态不全都处于顺行运行状态，则采用预先设定的第二鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第二鼓风量预测模型为采用与所述t-a时刻的鼓风量作为t时刻的高炉运行状态所对应的鼓风量；
若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态、t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态均为顺行运行状态，则采用预先设定的第三鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第三鼓风量预测模型为根据所述t-a、t-2a、t-3a、t-4a时刻的鼓风量数据采用移动平均法建立的移动平均模型。
优选的，所述S4具体包括：
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态处于顺行运行状态，则采用预先设定的第四鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第四鼓风量预测模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的B个第一转变时刻分别所对应的第一时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型；
其中，B为预先设定值；
所述第一转变时刻为由顺行运行状态转变为休风运行状态的时刻；
所述第一转变时刻所对应的第一时刻包括：所述第一转变时刻前a时刻、所述第一转变时刻前2a时刻、所述第一转变时刻前3a时刻、所述第一转变时刻前4a时刻、所述第一转变时刻后a时刻、所述第一转变时刻后2a时刻、所述第一转变时刻后3a时刻、所述第一转变时刻后4a时刻；
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态为休风运行状态，则采用预先设定的第五鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第五鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的C次休风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型；
其中，C为预先设定值。
优选的，所述S4具体包括：
若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态处于休风运行状态，则采用预先设定的第六鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第六鼓风量预测模型为根据预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的D个第二转变时刻分别所对应的第二时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型；
其中，D为预先设定值；
所述第二转变时刻为由休风运行状态转变为复风运行状态的时刻；
所述第二转变时刻所对应的第二时刻包括：所述第二转变时刻前a时刻、所述第二转变时刻前2a时刻、所述第二转变时刻前3a时刻、所述第二转变时刻前4a时刻、所述第二转变时刻后a时刻、所述第二转变时刻后2a时刻、所述第二转变时刻后3a时刻、所述第二转变时刻后4a时刻。
若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态为复风运行状态，则采用预先设定的第七鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第七鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的E次复风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型；
其中，E为预先设定值。
优选的，所述步骤S4中预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据包括：t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量。
优选的，所述方法还包括：
S6、将所述t时刻的高炉运行状态对应的鼓风量和所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量采用迭代的方法分别代替所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量，得到t+a时刻所对应的鼓风量；
S7、基于所述t+a时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+a时刻的高炉煤气产生量。
优选的，所述方法还包括：
基于所述述t+a时刻的高炉运行状态对应的鼓风量和所述t时刻的鼓风量、t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量，采用迭代方法，获取t+xa时刻所对应的鼓风量；并基于所述t+xa时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+xa时刻的高炉煤气产生量；
x为预先设定的数值。
优选的，
所述a为5秒；所述A为4；所述B为3；所述C为3；所述D为3；所述E为3。
第二方面，本发明实施例提供一种多模型耦合驱动的高炉煤气产生量预测系统，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述任一所述的一种多模型耦合驱动的高炉煤气产生量预测方法。
(三)有益效果
本发明的有益效果是：
本发明的一种多模型耦合驱动的高炉煤气产生量预测方法及系统，由于针对高炉不同的运行状态提供了不同的预测方案，有效地获取了运行状态辨识后的高炉鼓风量并建立鼓风量预测模型，进而预测高炉煤气产生量，为操作人员提供了量化依据，提高了操作人员的工作效率。
本发明提出的一种多模型耦合驱动的高炉煤气产生量预测方法，采用事件、数据和机理耦合驱动的预测方式，将对复杂难预测的高炉煤气产生量的预测巧妙地转化为对容易预测的高炉鼓风量的预测，大大提高了预测精度。
本发明提出的一种多模型耦合驱动的高炉煤气产生量预测方法，辨识高炉运行状态后对鼓风量进行建模预测。针对顺行、休(减)风运行、复风运行等不同的高炉运行状态，选择最佳可行性模型，使得该方法的应用范围大大增加。
本发明提出的一种多模型耦合驱动的高炉煤气产生量预测方法，由于预测精度高、适用性强，可以大大提高煤气智能在线管控的效果，降低高炉煤气的放散量，实现煤气的精益化管理。
附图说明
图1为本发明的一种多模型耦合驱动的高炉煤气产生量预测方法流程图；
图2为本实施例中高炉运行状态示意图；
图3为本发明的一种多模型耦合驱动的高炉煤气产生量预测方法示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
高炉煤气的产生量受到许多因素的影响，包括鼓风量、焦炭消耗、炉料组成、装料批次、煤粉喷射率、富氧率、氢气和生物燃料的使用等。其中，鼓风量是影响最大的因素，最容易在线和实时获取，仅受操作事件和系统噪声的影响，且鼓风量与高炉煤气产生量之间的关系近似于一元线性。因此，难以精确实现的高炉煤气产生量的预测就可以被转化为对相对容易预测的鼓风量的预测。参见图1，实施例提供一种多模型耦合驱动的高炉煤气产生量预测方法，包括：
S1、对高炉的运行状态进行实时辨识，确定t时刻的高炉运行状态。
参见图2，高炉运行状态包括顺行运行状态、休风运行状态、复风运行状态。
S2、根据所述t时刻的高炉运行状态，获取所述t时刻的第一鼓风量数据。
所述第一鼓风量数据为与所述t时刻的高炉运行状态相匹配的预先设定的历史时间段的鼓风量数据。
S3、针对所述第一鼓风量数据进行预处理，获取预处理后的第一鼓风量数据。
S4、参见图3，本实施例中基于所述预处理后的第一鼓风量数据、预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据、所述t时刻的高炉运行状态，获取t时刻所对应的鼓风量。
S5、基于所述t时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t时刻的高炉煤气产生量。
优选的，所述针对所述第一鼓风量数据进行预处理，具体包括：
针对所述第一鼓风量数据进行统一量化单位和数据格式整理，剔除中第一鼓风量数据的无效值，对缺失的数据进行填补处理。
优选的，所述S4具体包括：若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态处于非顺行运行状态，则采用预先设定的第一鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
a为预先设定值。
所述第一鼓风量模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的连续4个顺行状态所对应的鼓风量数据，采用移动平均法建立的移动平均模型。
若所述t、t-a时刻的高炉运行状态均为顺行运行状态，且t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态不全都处于顺行运行状态，则采用预先设定的第二鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第二鼓风量预测模型为采用与所述t-a时刻的鼓风量作为t时刻的高炉运行状态所对应的鼓风量。
若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态、t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态均为顺行运行状态，则采用预先设定的第三鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第三鼓风量预测模型为根据所述t-a、t-2a、t-3a、t-4a时刻的鼓风量数据采用移动平均法建立的移动平均模型。
优选的，所述S4具体包括：
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态处于顺行运行状态，则采用预先设定的第四鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第四鼓风量预测模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的3个第一转变时刻分别所对应的第一时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型。
所述第一转变时刻为由顺行运行状态转变为休风运行状态的时刻。
所述第一转变时刻所对应的第一时刻包括：所述第一转变时刻前a时刻、所述第一转变时刻前2a时刻、所述第一转变时刻前3a时刻、所述第一转变时刻前4a时刻、所述第一转变时刻后a时刻、所述第一转变时刻后2a时刻、所述第一转变时刻后3a时刻、所述第一转变时刻后4a时刻。
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态为休风运行状态，则采用预先设定的第五鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第五鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的3次休风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型。
优选的，所述S4具体包括：若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态处于休风运行状态，则采用预先设定的第六鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第六鼓风量预测模型为根据预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的3个第二转变时刻分别所对应的第二时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型。
所述第二转变时刻为由休风运行状态转变为复风运行状态的时刻。
所述第二转变时刻所对应的第二时刻包括：所述第二转变时刻前a时刻、所述第二转变时刻前2a时刻、所述第二转变时刻前3a时刻、所述第二转变时刻前4a时刻、所述第二转变时刻后a时刻、所述第二转变时刻后2a时刻、所述第二转变时刻后3a时刻、所述第二转变时刻后4a时刻。
若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态为复风运行状态，则采用预先设定的第七鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量。
所述第七鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的3次复风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型。
优选的，所述步骤S4中预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据包括：t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量。
优选的，所述方法还包括：
S6、将所述t时刻的高炉运行状态对应的鼓风量和所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量采用迭代的方法分别代替所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量，得到t+a时刻所对应的鼓风量。
S7、基于所述t+a时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+a时刻的高炉煤气产生量。
优选的，所述方法还包括：基于所述述t+a时刻的高炉运行状态对应的鼓风量和所述t时刻的鼓风量、t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量，采用迭代方法，获取t+xa时刻所对应的鼓风量；并基于所述t+xa时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+xa时刻的高炉煤气产生量。
x为预先设定的数值。
优选的，所述a为5秒。
本实施例中的一种多模型耦合驱动的高炉煤气产生量预测方法，由于针对高炉不同的运行状态提供了不同的预测方案，有效地获取了运行状态辨识后的高炉鼓风量并建立鼓风量预测模型，进而预测高炉煤气产生量，为操作人员提供了量化依据，提高了操作人员的工作效率。
本实施例中的一种多模型耦合驱动的高炉煤气产生量预测方法，采用事件、数据和机理耦合驱动的预测方式，将对复杂难预测的高炉煤气产生量的预测巧妙地转化为对容易预测的高炉鼓风量的预测，大大提高了预测精度。
本实施例中的一种多模型耦合驱动的高炉煤气产生量预测方法，辨识高炉运行状态后对鼓风量进行建模预测。针对顺行、休(减)风运行、复风运行等不同的高炉运行状态，选择最佳可行性模型，使得该方法的应用范围大大增加。
本实施例中的一种多模型耦合驱动的高炉煤气产生量预测方法，由于预测精度高、适用性强，可以大大提高煤气智能在线管控的效果，降低高炉煤气的放散量，实现煤气的精益化管理。
由于本发明上述实施例所描述的系统，为实施本发明上述实施例的方法所采用的系统，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种多模型耦合驱动的高炉煤气产生量预测方法，其特征在于，包括：
S1、对高炉的运行状态进行实时辨识，确定t时刻的高炉运行状态；
高炉运行状态包括顺行运行状态、休风运行状态、复风运行状态；
S2、根据所述t时刻的高炉运行状态，获取所述t时刻的第一鼓风量数据；
所述第一鼓风量数据为与所述t时刻的高炉运行状态相匹配的预先设定的历史时间段的鼓风量数据；
S3、针对所述第一鼓风量数据进行预处理，获取预处理后的第一鼓风量数据；
S4、基于所述预处理后的第一鼓风量数据、预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据、所述t时刻的高炉运行状态，获取t时刻所对应的鼓风量；
S5、基于所述t时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t时刻的高炉煤气产生量。
2.根据权利要求1所述的方法，其特征在于，所述针对所述第一鼓风量数据进行预处理，具体包括：
针对所述第一鼓风量数据进行统一量化单位和数据格式整理，剔除中第一鼓风量数据中预先设定的无效值，对缺失的数据进行填补处理。
3.根据权利要求2所述的方法，其特征在于，所述S4具体包括：
若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态处于非顺行运行状态，则采用预先设定的第一鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
a为预先设定值；
所述第一鼓风量预测模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的连续A个顺行状态所对应的鼓风量数据，采用移动平均法建立的移动平均模型；
其中，A为预先设定值；
若所述t、t-a时刻的高炉运行状态均为顺行运行状态，且t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态不全都处于顺行运行状态，则采用预先设定的第二鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第二鼓风量预测模型为采用与所述t-a时刻的鼓风量作为t时刻的高炉运行状态所对应的鼓风量；
若所述t时刻的高炉运行状态为顺行运行状态，且t-a时刻的高炉运行状态、t-2a时刻的高炉运行状态、t-3a时刻的高炉运行状态、t-4a时刻的高炉运行状态均为顺行运行状态，则采用预先设定的第三鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第三鼓风量预测模型为根据所述t-a、t-2a、t-3a、t-4a时刻的鼓风量数据采用移动平均法建立的移动平均模型。
4.根据权利要求3所述的方法，其特征在于，所述S4具体包括：
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态处于顺行运行状态，则采用预先设定的第四鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第四鼓风量预测模型为根据所述预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的B个第一转变时刻分别所对应的第一时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型；
其中，B为预先设定值；
所述第一转变时刻为由顺行运行状态转变为休风运行状态的时刻；
所述第一转变时刻所对应的第一时刻包括：所述第一转变时刻前a时刻、所述第一转变时刻前2a时刻、所述第一转变时刻前3a时刻、所述第一转变时刻前4a时刻、所述第一转变时刻后a时刻、所述第一转变时刻后2a时刻、所述第一转变时刻后3a时刻、所述第一转变时刻后4a时刻；
若所述t时刻的高炉运行状态为休风运行状态，且t-a时刻的高炉运行状态为休风运行状态，则采用预先设定的第五鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第五鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的C次休风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型；
其中，C为预先设定值。
5.根据权利要求4所述的方法，其特征在于，所述S4具体包括：
若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态处于休风运行状态，则采用预先设定的第六鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第六鼓风量预测模型为根据预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的D个第二转变时刻分别所对应的第二时刻的鼓风量数据和所述t-a时刻的鼓风量数据采用神经网络法建立的神经网络模型；
其中，D为预先设定值；
所述第二转变时刻为由休风运行状态转变为复风运行状态的时刻；
所述第二转变时刻所对应的第二时刻包括：所述第二转变时刻前a时刻、所述第二转变时刻前2a时刻、所述第二转变时刻前3a时刻、所述第二转变时刻前4a时刻、所述第二转变时刻后a时刻、所述第二转变时刻后2a时刻、所述第二转变时刻后3a时刻、所述第二转变时刻后4a时刻。
若所述t时刻的高炉运行状态为复风运行状态，且t-a时刻的高炉运行状态为复风运行状态，则采用预先设定的第七鼓风量预测模型针对所述预处理后的第一鼓风量数据进行处理，获取t时刻的高炉运行状态所对应的鼓风量；
所述第七鼓风量预测模型为根据所述t-a时刻的鼓风量数据以及预先获取的在t时刻之前的预设时间段内距离所述t时刻最近的E次复风运行时间段所对应的鼓风量数据采用神经网络法建立的神经网络模型；
其中，E为预先设定值。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4中预先获取的在t时刻之前的预设时间段内的高炉运行状态以及鼓风量数据包括：t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
S6、将所述t时刻的高炉运行状态对应的鼓风量和所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量采用迭代的方法分别代替所述t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量、t-4a时刻的鼓风量，得到t+a时刻所对应的鼓风量；
S7、基于所述t+a时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+a时刻的高炉煤气产生量。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述述t+a时刻的高炉运行状态对应的鼓风量和所述t时刻的鼓风量、t-a时刻的鼓风量、t-2a时刻的鼓风量、t-3a时刻的鼓风量，采用迭代方法，获取t+xa时刻所对应的鼓风量；并基于所述t+xa时刻所对应的鼓风量和预先设定的鼓风量与高炉煤气产生量的关系，获取t+xa时刻的高炉煤气产生量；
x为预先设定的数值。
9.根据权利要求5所述的方法，其特征在于，
所述a为5秒；所述A为4；所述B为3；所述C为3；所述D为3；所述E为3。
10.一种多模型耦合驱动的高炉煤气产生量预测系统，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-9任一所述的一种多模型耦合驱动的高炉煤气产生量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011438147.0A CN112541628B (zh) | 2020-12-07 | 2020-12-07 | 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011438147.0A CN112541628B (zh) | 2020-12-07 | 2020-12-07 | 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112541628A true CN112541628A (zh) | 2021-03-23 |
| CN112541628B CN112541628B (zh) | 2024-01-30 |
Family
ID=75019968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011438147.0A Active CN112541628B (zh) | 2020-12-07 | 2020-12-07 | 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541628B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615856A (zh) * | 2015-01-06 | 2015-05-13 | 莱芜钢铁集团电子有限公司 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
| US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
| EP3486771A1 (en) * | 2017-11-20 | 2019-05-22 | Guangdong Oppo Mobile Telecommunications Corp., Ltd | Prediction of applications to be preloaded based on observed user behaviour and the order of starting the applications |
| CN211606121U (zh) * | 2020-03-20 | 2020-09-29 | 内蒙古恒瑞新能源有限责任公司 | 矿热炉煤气参与可再生能源微电网的调峰调频系统 |
-
2020
- 2020-12-07 CN CN202011438147.0A patent/CN112541628B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615856A (zh) * | 2015-01-06 | 2015-05-13 | 莱芜钢铁集团电子有限公司 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
| US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
| EP3486771A1 (en) * | 2017-11-20 | 2019-05-22 | Guangdong Oppo Mobile Telecommunications Corp., Ltd | Prediction of applications to be preloaded based on observed user behaviour and the order of starting the applications |
| CN211606121U (zh) * | 2020-03-20 | 2020-09-29 | 内蒙古恒瑞新能源有限责任公司 | 矿热炉煤气参与可再生能源微电网的调峰调频系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张琦等: "高炉煤气产生量与消耗量动态预测模型及应用", 《哈尔滨工业大学学报》, vol. 48, no. 1, pages 101 - 106 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112541628B (zh) | 2024-01-30 |
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 | |
| CN105302096B (zh) | 一种工厂智能调度方法 | |
| Berampu et al. | Human resources transformation in the digitalization professional era in north sumatera | |
| CN103559543A (zh) | 一种高炉煤气发生量的预测方法及装置 | |
| CN110378064A (zh) | 一种预测炼铁高炉炉芯死料柱温度的方法 | |
| Canyurt et al. | Three different applications of genetic algorithm (GA) search techniques on oil demand estimation | |
| CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
| CN115222284A (zh) | 一种基于成熟度模型的数字孪生系统成熟度评价方法 | |
| Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
| Müller et al. | Scientific machine and deep learning investigations of the local buckling behaviour of hollow sections | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN114091723A (zh) | 基于交叉熵理论的天然气管网供气可靠性检测方法及装置 | |
| CN112541628B (zh) | 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 | |
| CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
| Badiru | Half-life of learning curves for information technology project management | |
| CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
| CN112488390B (zh) | 一种城市排水量预测方法及系统 | |
| JPH09179850A (ja) | 需要予測モデル評価方法 | |
| CN112052659A (zh) | 一种基于数据自适配的安全监测报告生成方法 | |
| CN112653131B (zh) | 暂态电压安全稳定裕度估算方法、装置及系统 | |
| CN114002948B (zh) | 一种第三方数控机床接入服务平台的方法及装置 | |
| Badiru | Quality Insights: Learning, forgetting, and relearning quality: a half-life learning curve modelling approach | |
| CN113723775B (zh) | 一种基于电力大数据的企业及行业运营风险的评估方法 | |
| Shi et al. | Developing Collaborative Driving Mechanism of Prefabricated Buildings Using Multiagent Stochastic Evolutionary Game | |
| Zhang et al. | A Neural Network Method for Systematic Evaluation of Informatization Development Level in Smart Court Construction |
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 |