CN114066069A - 一种组合权重的副产煤气发生量预测方法 - Google Patents

一种组合权重的副产煤气发生量预测方法 Download PDF

Info

Publication number
CN114066069A
CN114066069A CN202111371558.7A CN202111371558A CN114066069A CN 114066069 A CN114066069 A CN 114066069A CN 202111371558 A CN202111371558 A CN 202111371558A CN 114066069 A CN114066069 A CN 114066069A
Authority
CN
China
Prior art keywords
coke oven
oven gas
gas generation
neural network
generation amount
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.)
Pending
Application number
CN202111371558.7A
Other languages
English (en)
Inventor
赵鹏翔
杨佳霖
李振
刘姝君
王文婷
周喜超
王楠
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.)
State Grid Comprehensive Energy Service Group Co ltd
Lanzhou University of Technology
Original Assignee
State Grid Comprehensive Energy Service Group Co ltd
Lanzhou 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 State Grid Comprehensive Energy Service Group Co ltd, Lanzhou University of Technology filed Critical State Grid Comprehensive Energy Service Group Co ltd
Priority to CN202111371558.7A priority Critical patent/CN114066069A/zh
Publication of CN114066069A publication Critical patent/CN114066069A/zh
Pending legal-status Critical Current

Links

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Coke Industry (AREA)

Abstract

本发明公开了一种组合权重的副产煤气发生量预测方法，采集某一段时间间隔内焦炉煤气发生量、装煤量、配合煤的挥发分数据，采用根据物理计算公式得出焦炉煤气理论发生量以及焦炉煤气产率，将焦炉煤气发生量、装煤量、配合煤的挥发分、焦炉煤气产率数据作为神经网络输入量；然后对数据进行预处理，经处理后的数据分别训练左端和右端神经网络预测模型，根据训练结果选择最佳的权重配比，进行线性加权后得组合权重预测模型；最后使用组合权重预测模型预测指定时间的焦炉煤气发生量。本发明更好的综合了左右端的预测模型的优势，结合历史存储资源,为焦炉煤气发生量预测提供可靠的依据，相比传统方法能更准确有效地预测焦炉煤气发生量。

Description

一种组合权重的副产煤气发生量预测方法
技术领域
本发明涉及人工智能技术领域，特别涉及一种组合权重的副产煤气发生量预测方法。
背景技术
副产煤气是钢铁企业的重要二次能源，通过优化煤气系统动态平衡，提高煤气利用效率，实现煤气“零放散”，是每个钢铁企业煤气优化调度的最高目标。而实现这一目标的基础就是对企业的煤气发生量及消耗量进行精准预测。焦炉煤气是炼焦过程中的副产物，是一种高发热值煤气，我国是焦炭产量最大的国家，2020年我国焦炭产量47116.1万吨，依此计算，我国焦炉煤气产量是非常高的。因此，做好焦炉煤气发生量的精准预测，可为企业实现焦炉煤气煤气系统动态平衡与优化调度提供技术支撑。
钢铁企业的副产煤气系统工况复杂多变,容易造成副产煤气发生量的瞬时波动,从而引起副产煤气调度分配不当,进而造成大量放散,通过采集炼焦过程中积累的海量数据，挖掘数据的潜在价值并加以利用，以指导钢厂企业优化运行，通过机器学习手段，根据钢铁企业历史运行数据对焦炉煤气发生量进行预测，从而提前做出有效的决策判断，调整焦炉煤气的调度安排，减少煤气的耗散，获得更高的经济效益。
近年来，随着人工智能技术的发展，越来越多的机器学习模型用于时间序列的数据预测未来。深度学习是机器学习发展最热门的分支，其中卷积神经网络(CNN)能有效处理空间信息，提取特征数据特征，而时间卷积模型(TCN)作为CNN的一种变体，可实现更大的感受野，即特征识别范围会变大，可记忆足够长的历史信息，其次由于其残差单元，可加快收敛速度。而门控循环单元模型(GRU)作为循环神经网络(RNN)的一种变体，能更好地处理时序信息，能有效地学习历史时序数据中的规律，并高效地预测未来某个时间点或时间段的数据分布情况，且可保障得到与长短期记忆神经网络(LSTM)相近的预测结果的同时有更高的的收敛速度。然而，当前在深度学习领域对钢铁企业焦炉煤气预测的研究相对较少，因此有必要提出一种高效的焦炉煤气发生量预测方法，可以更好的解决焦炉煤气预测问题。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种组合权重的副产煤气发生量预测方法，以解决上述背景技术中所提出的问题。
为此，本发明提供一种组合权重的副产煤气发生量预测方法，包括如下步骤：
步骤1：获取一段时间的各个时间节点所分别对应的焦炉煤气发生量、装煤量以及配合煤的挥发分，并根据所述配合煤的挥发分计算得到焦炉煤气产率，将与同一个时间节点所对应的所述焦炉煤气发生量、装煤量、配合煤的挥发分以及焦炉煤气产率聚类为一组，将全部组进行预处理；
步骤2：将全部组分为两部分，建立训练集和测试集，所述训练集由一部分组组成，所述测试集由另一部分组组成；
步骤3：分别建立两个不同类型的神经网络模型，分别训练集的各个组分别送入两个所述神经网络模型，在送入所述神经网络模型的时候，将所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入送入所述神经网络模型，得到所述神经网络输出的焦炉煤气发生量，并与所述组中的焦炉煤气发生量计算得到其差值的平方和Qi和Qj；
步骤4：令Qi和Qj分别对应的权重为wi和wj，
使得
Figure BDA0003362518590000031
步骤5：将权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到最终的预测值；
步骤6：使用测试集的组中的所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入分别送入所述神经网络模型，并根据所述权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到预测的焦炉煤气发生量。
进一步，本发明使用平均绝对误差eMAE或者平均绝对百分比误差eMAPE评价预测的焦炉煤气发生量的精度；
当使用平均绝对误差eMAE进行评价的时候，
使得
Figure BDA0003362518590000032
当使用平均绝对百分比误差eMAPE进行评价的时候，
使得
Figure BDA0003362518590000033
其中，N为样本总数；
Figure BDA0003362518590000034
为预测的焦炉煤气发生量；Li为组中的焦炉煤气发生量。
进一步，将全部组进行预处理的时候，依次进行平滑处理、归一化处理之后将其转化为监督学习数据的类型。
更进一步，所述平滑处理使用卡尔曼滤波处理，所述归一化处理使用最大最小归一处理。
进一步，两个所述神经网络模型分别为TCN-RNN模型和GRU模型，所述TCN-RNN模型由TCN模型和RNN模型通过所述权重加权得到。
本发明提供的一种组合权重的副产煤气发生量预测方法，具有如下有益效果：
本发明高效利用了钢铁企业MES数据库中海量的监测数据，为焦炉煤气的预测、企业的煤气优化调度提供可靠的依据。通过建立自适应权重组合的副产煤气发生量预测模型，此外为提高模型精度，对原始数据进行卡尔曼滤波平滑处理，使用平均绝对误差、平均绝对百分比误差作为模型优劣的评价标准，最终实现对未来一段时间焦炉煤气发生量的预测。
附图说明
图1为本发明的整体流程示意图。
图2为本发明建立神经网络模型的结构示意图。
图3为本发明GRU模型的预测值与实际值对比图。
图4为本发明TCN-RNN模型的预测值与实际值对比图。
图5为本发明未使用权重配比的TCN-RNN-GRU的预测值与实际值对比图。
图6为本发明使用组合权重配比的TCN-RNN-GRU的预测值与实际值对比图。
具体实施方式
下面结合附图，对本发明的多个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
具体的，如图1所示，本发明实施例提供了一种组合权重的副产煤气发生量预测方法，根据焦化工序实际生产的历史数据，来预测未来时刻的焦炉煤气发生量，从而降低钢厂煤气耗散以及煤气的调度安排提供技术支持。具体的，一种组合权重的副产煤气发生量预测方法，包括如下步骤：
步骤1：获取一段时间的各个时间节点所分别对应的焦炉煤气发生量、装煤量以及配合煤的挥发分，并根据所述配合煤的挥发分计算得到焦炉煤气产率，将与同一个时间节点所对应的所述焦炉煤气发生量、装煤量、配合煤的挥发分以及焦炉煤气产率聚类为一组，将全部组进行预处理。
具体来讲，焦炉煤气产率＝焦炉煤气发生量/焦炉煤气理论发生量，焦炉煤气理论发生量通过计算公式y＝60.0+10.0Vd得出，其中Vd为配合煤的挥发分。
步骤2：将全部组分为两部分，建立训练集和测试集，所述训练集由一部分组组成，所述测试集由另一部分组组成。
本发明中，将全部组进行预处理的时候，依次进行平滑处理、归一化处理之后将其转化为监督学习数据的类型。其中，所述平滑处理使用卡尔曼滤波处理，所述归一化处理使用最大最小归一处理。利用滑动窗口法将数据转化为监督学习数据。
步骤3：分别建立两个不同类型的神经网络模型，分别训练集的各个组分别送入两个所述神经网络模型，在送入所述神经网络模型的时候，将所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入送入所述神经网络模型，得到所述神经网络输出的焦炉煤气发生量，并与所述组中的焦炉煤气发生量计算得到其差值的平方和Qi和Qj。
本发明中，如图2所示，两个所述神经网络模型分别为TCN-RNN模型和GRU模型，所述TCN-RNN模型由TCN模型和RNN模型通过所述权重加权得到。具体如下：
具体来讲，模型选取TCN模型、RNN模型和GRU模型；其中一个组成TCN-RNN模型，另一个GRU模型。
选择前n个时间步长的焦炉煤气发生量、压力数据作为组合模型的输入。即
Figure BDA0003362518590000061
其中
Figure BDA0003362518590000062
为t时刻发生量数据，
Figure BDA0003362518590000063
为t时刻压力数据,n为时间步长。
Figure BDA0003362518590000064
为TCN-RNN模块的输出；
Figure BDA0003362518590000065
为GRU模块的输出。其中，m为时间步长。
TCN-RNN模型的预测过程：
对原始数据进行平滑和归一化处理，即将原始数据通过线性变换至[0,1]区间中，构造数据将其变成所需的矩阵形式；
确定模型网络结构：卷积核大小为2，过滤器为32，扩张列表为[1,2,4,8],Dropout为0.1，隐节点设为45，采用Relu激活函数；
将训练集和测试集数据代入模型进行训练，设置模型迭代次数、单次训练送入数据批量，并实时监测损失函数值的变化；
经过反归一化处理得出预测结果。
生成真实值-预测值曲线图，直观评估模型的预测效果，如图3所示。
GRU模型的预测过程：
对原始数据进行平滑和归一化处理，即将原始数据通过线性变换至[0,1]区间中，构造数据将其变成所需的矩阵形式；
确定模型网络结构：神经元数为32，采用Relu激活函数；
将训练集和测试集数据代入模型进行训练，设置模型迭代次数、单次训练送入数据批量，并实时监测损失函数值的变化；
经过反归一化处理得出预测结果。
生成真实值-预测值曲线图，直观评估模型的预测效果，如图4所示。
步骤4：令Qi和Qj分别对应的权重为wi和wj，
使得
Figure BDA0003362518590000071
其中，TCN-RNN模型预测时，
Figure BDA0003362518590000072
为TCN-RNN模块的输出；GRU模型预测时
Figure BDA0003362518590000073
为GRU模块的输出。其中，m为时间步长。实际的历史数据为y＝{y1,y2...ym}。
通过计算误差平方和确定两种预测模型的权重大小，即对误差平方和小的模型赋以高权重。Qi Qj分别为TCN-RNN模型、GRU模型的真实值与预测值之间差值的平方和，即：
Figure BDA0003362518590000081
wi wj分别为TCN-RNN模型、GRU模型的权重，即:
Figure BDA0003362518590000082
继而对TCN-RNN模块和GRU模块进行线性加权，最终得到焦炉煤气发生量预测值y＝{y1,y2...ym}，通过
Figure BDA0003362518590000083
实现，具体如下：
Figure BDA0003362518590000084
其中wi为TCN-RNN模块的权重配比，m为时间步长，
Figure BDA0003362518590000085
为TCN-RNN模型经权重配比后的输出值
Figure BDA0003362518590000086
其中wj为GRU模块的权重配比，m为时间步长，
Figure BDA0003362518590000087
为GRU模型经权重配比后的输出值。
步骤5：将权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到最终的预测值；
步骤6：使用测试集的组中的所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入分别送入所述神经网络模型，并根据所述权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到预测的焦炉煤气发生量。
同时为了对于预测的数值进行评价，本发明使用平均绝对误差eMAE或者平均绝对百分比误差eMAPE评价预测的焦炉煤气发生量的精度；
当使用平均绝对误差eMAE进行评价的时候，
使得
Figure BDA0003362518590000091
当使用平均绝对百分比误差eMAPE进行评价的时候，
使得
Figure BDA0003362518590000092
其中，N为样本总数；
Figure BDA0003362518590000093
为预测的焦炉煤气发生量；Li为组中的焦炉煤气发生量。
下面以具体的示例对一种组合权重的副产煤气发生量预测模型进行说明。
选取某钢铁厂焦炉在2021年3月初进行生产过程中的一段时间内测得的数据进行实验仿真和测试。如图5-6所示，图5和图6是t+1时刻的数据实现仿真和测试图的数据表示图。
为了更直观的检验预测效果，对比4种模型平均绝对误差、平均绝对百分比误差，计算结果如下表所示。
表1焦炉煤气预测值误差对比
Figure BDA0003362518590000094
Figure BDA0003362518590000101
从表1可以看出，本发明一种组合权重TCN-RNN-GRU预测模型，相对于单一预测模型、组合模型、未权重配比的模型来说，可以得到较好的预测效果，而且在长时间尺度预测方面有相对较大的优势。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (5)

1.一种组合权重的副产煤气发生量预测方法，其特征在于，包括如下步骤：
步骤1：获取一段时间的各个时间节点所分别对应的焦炉煤气发生量、装煤量以及配合煤的挥发分，并根据所述配合煤的挥发分计算得到焦炉煤气产率，将与同一个时间节点所对应的所述焦炉煤气发生量、装煤量、配合煤的挥发分以及焦炉煤气产率聚类为一组，将全部组进行预处理；
步骤2：将全部组分为两部分，建立训练集和测试集，所述训练集由一部分组组成，所述测试集由另一部分组组成；
步骤3：分别建立两个不同类型的神经网络模型，分别训练集的各个组分别送入两个所述神经网络模型，在送入所述神经网络模型的时候，将所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入送入所述神经网络模型，得到所述神经网络输出的焦炉煤气发生量，并与所述组中的焦炉煤气发生量计算得到其差值的平方和Qi和Qj；
步骤4：令Qi和Qj分别对应的权重为wi和wj，
使得
Figure FDA0003362518580000011
步骤5：将权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到最终的预测值；
步骤6：使用测试集的组中的所述装煤量、配合煤的挥发分以及焦炉煤气产率作为输入分别送入所述神经网络模型，并根据所述权重wi和wj分别线性加权在对应的所述神经网络模型输出的焦炉煤气发生量的前方，得到预测的焦炉煤气发生量。
2.如权利要求1所述的一种组合权重的副产煤气发生量预测方法，其特征在于，本发明使用平均绝对误差eMAE或者平均绝对百分比误差eMAPE评价预测的焦炉煤气发生量的精度；
当使用平均绝对误差eMAE进行评价的时候，
使得
Figure FDA0003362518580000021
当使用平均绝对百分比误差eMAPE进行评价的时候，
使得
Figure FDA0003362518580000022
其中，N为样本总数；
Figure FDA0003362518580000023
为预测的焦炉煤气发生量；Li为组中的焦炉煤气发生量。
3.如权利要求1所述的一种组合权重的副产煤气发生量预测方法，其特征在于，将全部组进行预处理的时候，依次进行平滑处理、归一化处理之后将其转化为监督学习数据的类型。
4.如权利要求3所述的一种组合权重的副产煤气发生量预测方法，其特征在于，所述平滑处理使用卡尔曼滤波处理，所述归一化处理使用最大最小归一处理。
5.如权利要求1所述的一种组合权重的副产煤气发生量预测方法，其特征在于，两个所述神经网络模型分别为TCN-RNN模型和GRU模型，所述TCN-RNN模型由TCN模型和RNN模型通过所述权重加权得到。
CN202111371558.7A 2021-11-18 2021-11-18 一种组合权重的副产煤气发生量预测方法 Pending CN114066069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371558.7A CN114066069A (zh) 2021-11-18 2021-11-18 一种组合权重的副产煤气发生量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371558.7A CN114066069A (zh) 2021-11-18 2021-11-18 一种组合权重的副产煤气发生量预测方法

Publications (1)

Publication Number Publication Date
CN114066069A true CN114066069A (zh) 2022-02-18

Family

ID=80278122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371558.7A Pending CN114066069A (zh) 2021-11-18 2021-11-18 一种组合权重的副产煤气发生量预测方法

Country Status (1)

Country Link
CN (1) CN114066069A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114706957A (zh) * 2022-04-18 2022-07-05 广州万辉信息科技有限公司 一种商标推荐平台及方法
CN114862055A (zh) * 2022-06-01 2022-08-05 河钢数字技术股份有限公司 一种基于多源数据驱动的钢铁企业高炉煤气预测方法
CN116720630A (zh) * 2023-08-08 2023-09-08 浪潮云洲工业互联网有限公司 一种基于时间序列的煤矿原煤产量预测方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101480143A (zh) * 2009-01-21 2009-07-15 华中科技大学 一种预测灌区作物单产量的方法
CN103559543A (zh) * 2013-11-13 2014-02-05 莱芜钢铁集团电子有限公司 一种高炉煤气发生量的预测方法及装置
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
CN107358363A (zh) * 2017-07-17 2017-11-17 哈尔滨理工大学 基于径向基函数神经网络组合模型的煤工发病率预测方法
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法
CN112130086A (zh) * 2020-05-29 2020-12-25 国家电网有限公司 一种动力电池剩余寿命预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101480143A (zh) * 2009-01-21 2009-07-15 华中科技大学 一种预测灌区作物单产量的方法
CN103559543A (zh) * 2013-11-13 2014-02-05 莱芜钢铁集团电子有限公司 一种高炉煤气发生量的预测方法及装置
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
CN107358363A (zh) * 2017-07-17 2017-11-17 哈尔滨理工大学 基于径向基函数神经网络组合模型的煤工发病率预测方法
CN112130086A (zh) * 2020-05-29 2020-12-25 国家电网有限公司 一种动力电池剩余寿命预测方法及系统
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵鹏翔;范莹;周喜超;李阳;刘方;: "面向园区综合能源系统的评价方法", 电源技术, no. 09, 20 September 2020 (2020-09-20) *
陈国香等: "一种RBF神经网络预测焦化企业煤气产量", 化工自动化及仪表, vol. 40, no. 03, 10 March 2013 (2013-03-10), pages 334 - 337 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114706957A (zh) * 2022-04-18 2022-07-05 广州万辉信息科技有限公司 一种商标推荐平台及方法
CN114862055A (zh) * 2022-06-01 2022-08-05 河钢数字技术股份有限公司 一种基于多源数据驱动的钢铁企业高炉煤气预测方法
CN116720630A (zh) * 2023-08-08 2023-09-08 浪潮云洲工业互联网有限公司 一种基于时间序列的煤矿原煤产量预测方法、设备及介质
CN116720630B (zh) * 2023-08-08 2023-12-22 浪潮云洲工业互联网有限公司 一种基于时间序列的煤矿原煤产量预测方法、设备及介质

Similar Documents

Publication Publication Date Title
CN114066069A (zh) 一种组合权重的副产煤气发生量预测方法
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN111199016A (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN107590565A (zh) 一种构建建筑能耗预测模型的方法及装置
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
Li et al. Dynamic time features expanding and extracting method for prediction model of sintering process quality index
CN106779384B (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
CN103514491A (zh) 一种电力负荷预测方法
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
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
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN111461921A (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN110189800A (zh) 基于多粒度级联循环神经网络的炉氧含量软测量建模方法
CN110533249B (zh) 一种基于集成长短期记忆网络的冶金企业能耗预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114692507A (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN114595542A (zh) 一种线损预测方法
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117748495A (zh) 一种基于残差神经网络的光伏电站短期发电功率预测方法
CN116644562B (zh) 一种新能源电站运维费用评估系统
CN116757078A (zh) 一种基于作用力的煤粉流速测量方法及系统
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法

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