CN115495982A - 一种高炉炉温预测方法、终端设备及存储介质 - Google Patents

一种高炉炉温预测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN115495982A
CN115495982A CN202211149371.7A CN202211149371A CN115495982A CN 115495982 A CN115495982 A CN 115495982A CN 202211149371 A CN202211149371 A CN 202211149371A CN 115495982 A CN115495982 A CN 115495982A
Authority
CN
China
Prior art keywords
blast furnace
parameters
temperature
furnace temperature
model
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
CN202211149371.7A
Other languages
English (en)
Inventor
余成明
刘云龙
叶理德
严晗
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.)
Wisdri Engineering and Research Incorporation Ltd
Original Assignee
Wisdri Engineering and Research Incorporation Ltd
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 Wisdri Engineering and Research Incorporation Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN202211149371.7A priority Critical patent/CN115495982A/zh
Priority to PCT/CN2022/122622 priority patent/WO2024060287A1/zh
Publication of CN115495982A publication Critical patent/CN115495982A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/04—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
    • 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
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

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

Abstract

本发明涉及一种高炉炉温预测方法、终端设备及存储介质，该方法中包括：采集历史时间段内高炉的各项控制参数和状态参数的值；对所有参数进行滞后相关性分析，以从所有参数中得到特征参数；根据高炉内铁水温度的自相关程度，确定网络的序列长度；根据得到特征参数，确定网络中各循环单元的输入维度；基于确定的序列长度和输入维度，从采集的数据中提取训练数据组成训练集；基于序列长度和输入维度构建LSTM网络模型，将某一时刻高炉的特征参数作为输入、该时刻的高炉炉温作为模型的输出，对模型进行训练；通过训练后的模型对高炉炉温进行预测。本发明提升了现有高炉炉温的预测的准确性。

Description

一种高炉炉温预测方法、终端设备及存储介质
技术领域
本发明涉及高炉炼铁领域，尤其涉及一种高炉炉温预测方法、终端设备及存储介质。
背景技术
高炉炼铁作为钢铁制造主体的上游工序，是整个钢铁工业的重要构成环节，无论是对整个行业的发展，还是对行业整体的节能减排，都起着十分重要的作用。高炉炼铁的炉况是否顺利进行，关系至整个炼铁过程是否高效和节能，而高炉炉温则是甄别高炉炉况的重要指标，一般可以通过控制炉温来保证高炉炉况的顺利进行。建立可靠又精确的炉温预报模型，用来指导高炉炼铁工作人员进行炉温控制，不仅仅只是理论研究，更对钢铁工业的生产实践，有着重大的指导意义。
目前所采用的炉温预报的模型主要为炉炼铁研究者从高炉生产过程中的热平衡与物料平衡角度出发进行机理的计算，由此推导出相应的机理模型；或者依赖于积累大量实践经验而产生的专家知识的基础上，研究者开发了相应的定性推理型。这些方法因主要源于物理过程或者经验，具有可解释性，但仍不能准确的解释复杂的高炉生产状态下炉温的变化。
发明内容
为了解决上述问题，本发明提出了一种高炉炉温预测方法、终端设备及存储介质。
具体方案如下：
一种高炉炉温预测方法，包括以下步骤：
S1：采集历史时间段内高炉的各项控制参数和状态参数的值；
S2：对所有参数进行滞后相关性分析，以从所有参数中得到特征参数；
S3：根据高炉内铁水温度的自相关程度，确定LSTM网络的序列长度；根据得到特征参数，确定LSTM网络中各循环单元的输入维度；
S4：基于确定的序列长度和输入维度，从步骤S1采集的数据中提取训练数据组成训练集；
S5：基于序列长度和输入维度构建LSTM网络模型，将某一时刻高炉的特征参数作为输入、该时刻的高炉炉温作为模型的输出，对模型进行训练；
S6：通过训练后的模型对高炉炉温进行预测。
进一步的，步骤S1中还包括对采集的数据进行预处理，预处理包括：对各项参数进行正态分布校验，剔除不符合正态分布的参数，并对符合正态分布的参数进行异常值剔除和缺失值补全，最后对所有符合正态分布的参数的值进行标准化，使得不同参数的取值范围数量级一致。
进一步的，步骤S2中特征参数的获取方法为：利用主成分分析法，通过线性变换，将所有参数映射到低维子空间中，得到降维后的特征参数。
进一步的，步骤S3中利用自相关函数函数ACF和偏自相关函数PACF共同确定与当前铁水温度最为相关的前t个时刻铁水温度，序列长度即为与当前铁水温度最为相关的铁水温度的个数t。
一种高炉炉温预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，提升了现有高炉炉温的预测的准确性，解决现有系统通过热平衡过程或基于经验规则来推理炉温时因不够完全准确的模拟高炉内复杂的生产过程，导致结果不符合预期的问题。
附图说明
图1所示为本发明实施例一的流程图。
图2所以为该实施例中模型预测结果与真实结果的比对图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种高炉炉温预测方法，如图1所示，所述方法包括以下步骤：
S1：采集历史时间段内高炉的各项控制参数和状态参数的值。
该实施例中控制参数包括高炉热风温度、富氧率等，状态参数包括顶温、顶压等。
进一步的，该实施例中还包括对采集的数据进行预处理，预处理包括：对各项参数进行正态分布校验，剔除不符合正态分布的参数，并对符合正态分布的参数进行异常值剔除和缺失值补全，最后对所有符合正态分布的参数的值进行标准化，使得不同参数的取值范围数量级一致，以加快网络学习进程。
S2：对所有参数进行滞后相关性分析，以从所有参数中筛选得到特征参数。
滞后相关性分析算法具体为：
利用互信息熵衡量一个随机变量X所能提供的关于另一个随机变量Y变化信息的无量纲统计量(一般单位为bit)，换一种说法，即随机变量X所能带来的对随机变量Y不确定度的减少程度，因此可以作为X和Y之间相关程度的度量。
利用主成分分析法(PCA)，通过线性变换，将数据映射到低维子空间中的降维方法，期间尽可能防止信息丢失。对每一维特征减去各自平均值，计算协方差矩阵，得到协方差矩阵的特征值与特征向量，对特征值进行从大到小的排序，选择最大的k个特征值对应的特征向量，最后将原始数据转换到k个特征向量构建的新空间中。在新空间中，每一个主成分都是原始变量的线性组合，各主成分之间互不相关，主成分的数目大大少于原始变量的数目，且保留了原始变量的绝大多数信息。
特征参数的获取过程具体为：
对所有参数序列进行滞后相关性分析后，得到参数滞后序列集合{X1,…,Xn},利用主成分分析方法PCA，将原来n个输入特征序列降维得到新的特征输入序列{X1’,…,Xk’}，得到的特征参数有几个，则输入维度就为几维。
S3：根据高炉内铁水温度的自相关程度，确定LSTM网络的序列长度；根据得到特征参数，确定LSTM网络中各循环单元的输入维度。
由于铁水温度是具有连续性的，即某一时刻的值和前几个时刻值具有一定相关性。通过自相关性分析，可以确定与当前铁水温度最为相关的前t个时刻铁水温度，由此可以确定网络的输入长度t。
具体实现过程为：
利用自相关函数函数ACF和偏自相关函数PACF确定最为关注的t个铁水温度自身滞后影响。ACF描述了序列的当前值与其过去的值之间的相关程度，而PACF找到残差(在去除了之前的滞后已经解释的影响之后仍然存在)与下一个滞后值的相关性。假设某一项参数在t时刻的序列Xt对应的滞后序列集合为{Xt-1,…,Xt-m}，计算滞后序列集合中各个序列与铁水温度序列Y的互信息熵{It-1,…,It-m},根据最大互信息熵It-j选取该参数的滞后时间j的滞后序列作为序列长度。
S4：基于确定的序列长度和输入维度，从步骤S1采集的数据中提取训练数据组成训练集。
训练数据中包括一段时间内每个采样点的特征参数的值，和每个采样点的铁水温度，其中特征参数的值作为模型的输入，铁水温度作为模型的输出。
S5：基于序列长度和输入维度构建LSTM网络模型，将某一时刻(t时刻)高炉的特征参数作为输入、该时刻(t时刻)的高炉炉温作为模型的输出，对模型进行训练。
LSTM(Long Short-Term Memory)是一种具有长记忆特征的RNN，它有效地解决了循环神经网络在训练时出现的梯度问题。LSTM的独特之处在于它有一个专门进行记忆的存储单元，这个存储单位由一些门神经元保护。这些门神经元与一般的神经元不同在于它们有开和关两个状态，当处于开的状态时，连接权值为1；反正则权重为0。最简单的LSTM包含以下3种不同功能的门神经元：keep(保存门/遗忘门)：保存门开，存储单位记忆的内容不清除；保存们关，清除以前记忆的内容。
LSTM引入了门(gate)机制用于控制特征的流通和损失。假设t时刻网络输入为输入特征Xt，t-1时刻隐藏层输出为ht-1，t-1时刻单元状态为Ct-1共同组成，输出为t时刻的隐藏层输出ht，及t时刻的单元状态Ct，即：
Ct＝ft*Ct-1+it*Ct’
其中，ft叫做遗忘门，表示Ct-1的哪些维度被用于计算Ct-1；Ct’表示单元状态更新值，由输入数据Xt和隐节点ht-1经由一个神经网络层得到。
Ct’＝tanh(WC*[ht-1,Xt]+bC)
it为输入门，同ft一样也是一个元素介于[0,1]区间内的向量，同样由Xt和ht-1计算得到。
it＝sigmoid(Wi*[ht-1,Xt]+bi)
其中，W为网络权重，b为偏置项。
最后为了计算预测值和生成下个时间片完整输入，需要计算隐藏层节点输出ht：
ot＝sigmoid(Wo*[ht-1,Xt]+bo)
ht＝ot*tanh(Ct)
长短期记忆神经网络因此不仅可以记住短期的信息，还通过门结构解决了普通循环网络中的由于梯度爆炸而失去捕捉长期依赖能力的问题。
该实施例中设定模型的损失函数为均方根误差RMSE，其计算公式为：
Figure BDA0003856281280000071
通过迭代训练，使得损失函数最小。
S6：通过训练后的模型对高炉炉温进行预测。
当进行预测时，需要当前时刻的采集特征参数输入训练后的模型，模型结合前一时刻的输入的状态预测输出当前时刻对应的高炉炉温。
本实施例的模型预测结果与真实结果的比对图如图2所示。本发明实施例提升了现有高炉炉温的预测的准确性，解决现有系统通过热平衡过程或基于经验规则来推理炉温时因不够完全准确的模拟高炉内复杂的生产过程，导致结果不符合预期的问题。
实施例二：
本发明还提供一种高炉炉温预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述高炉炉温预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高炉炉温预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述高炉炉温预测终端设备的组成结构仅仅是高炉炉温预测终端设备的示例，并不构成对高炉炉温预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述高炉炉温预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述高炉炉温预测终端设备的控制中心，利用各种接口和线路连接整个高炉炉温预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述高炉炉温预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述高炉炉温预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种高炉炉温预测方法，其特征在于，包括以下步骤：
S1：采集历史时间段内高炉的各项控制参数和状态参数的值；
S2：对所有参数进行滞后相关性分析，以从所有参数中得到特征参数；
S3：根据高炉内铁水温度的自相关程度，确定LSTM网络的序列长度；根据得到特征参数，确定LSTM网络中各循环单元的输入维度；
S4：基于确定的序列长度和输入维度，从步骤S1采集的数据中提取训练数据组成训练集；
S5：基于序列长度和输入维度构建LSTM网络模型，将某一时刻高炉的特征参数作为输入、该时刻的高炉炉温作为模型的输出，对模型进行训练；
S6：通过训练后的模型对高炉炉温进行预测。
2.根据权利要求1所述的高炉炉温预测方法，其特征在于：步骤S1中还包括对采集的数据进行预处理，预处理包括：对各项参数进行正态分布校验，剔除不符合正态分布的参数，并对符合正态分布的参数进行异常值剔除和缺失值补全，最后对所有符合正态分布的参数的值进行标准化，使得不同参数的取值范围数量级一致。
3.根据权利要求1所述的高炉炉温预测方法，其特征在于：步骤S2中特征参数的获取方法为：利用主成分分析法，通过线性变换，将所有参数映射到低维子空间中，得到降维后的特征参数。
4.根据权利要求1所述的高炉炉温预测方法，其特征在于：步骤S3中利用自相关函数函数ACF和偏自相关函数PACF共同确定与当前铁水温度最为相关的前t个时刻铁水温度，序列长度即为与当前铁水温度最为相关的铁水温度的个数t。
5.一种高炉炉温预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～4中任一所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～4中任一所述方法的步骤。
CN202211149371.7A 2022-09-21 2022-09-21 一种高炉炉温预测方法、终端设备及存储介质 Pending CN115495982A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211149371.7A CN115495982A (zh) 2022-09-21 2022-09-21 一种高炉炉温预测方法、终端设备及存储介质
PCT/CN2022/122622 WO2024060287A1 (zh) 2022-09-21 2022-09-29 一种高炉炉温预测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211149371.7A CN115495982A (zh) 2022-09-21 2022-09-21 一种高炉炉温预测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN115495982A true CN115495982A (zh) 2022-12-20

Family

ID=84470961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211149371.7A Pending CN115495982A (zh) 2022-09-21 2022-09-21 一种高炉炉温预测方法、终端设备及存储介质

Country Status (2)

Country Link
CN (1) CN115495982A (zh)
WO (1) WO2024060287A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378541A (zh) * 2019-08-08 2019-10-25 上海交通大学 一种风功率短期多步预测方法及装置
CN110555247A (zh) * 2019-08-16 2019-12-10 华南理工大学 一种基于多点传感器数据和BiLSTM的结构损伤预警方法
JP2020140573A (ja) * 2019-02-28 2020-09-03 国立大学法人 奈良先端科学技術大学院大学 情報処理装置、情報処理方法、および情報処理プログラム
CN112465223A (zh) * 2020-11-26 2021-03-09 中冶南方工程技术有限公司 一种高炉炉温状态的预测方法
CN114626303A (zh) * 2022-03-18 2022-06-14 山东莱钢永锋钢铁有限公司 一种基于神经网络的高炉炉温预测及指导操作的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651931B (zh) * 2020-05-19 2022-05-17 浙江大学 基于深度神经网络的高炉故障诊断规则导出方法
CN114015825B (zh) * 2021-11-09 2022-12-06 上海交通大学 基于注意力机制的高炉热负荷异常状态监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020140573A (ja) * 2019-02-28 2020-09-03 国立大学法人 奈良先端科学技術大学院大学 情報処理装置、情報処理方法、および情報処理プログラム
CN110378541A (zh) * 2019-08-08 2019-10-25 上海交通大学 一种风功率短期多步预测方法及装置
CN110555247A (zh) * 2019-08-16 2019-12-10 华南理工大学 一种基于多点传感器数据和BiLSTM的结构损伤预警方法
CN112465223A (zh) * 2020-11-26 2021-03-09 中冶南方工程技术有限公司 一种高炉炉温状态的预测方法
CN114626303A (zh) * 2022-03-18 2022-06-14 山东莱钢永锋钢铁有限公司 一种基于神经网络的高炉炉温预测及指导操作的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘代飞等: ""基于温度场主元分析的高炉炉况深度学习预测建模"", 《冶金自动化》, vol. 45, no. 3 *
廖雪超等: ""基于CNN-LSTM及深度学习的风电场时空组合预测模型"", 《信息与控制》, 30 May 2022 (2022-05-30) *
徐冬梅等: ""基于黏菌算法优化VMD-CNN-GRU模型的年径流预测"", 《南水北调与水利科技（中英文）》, vol. 20, no. 3, 30 June 2022 (2022-06-30) *
李爱莲等: ""基于LSTM网络的焦炉火道温度预测建模仿真"", 《计算机仿真》, vol. 37, no. 6, pages 3 - 4 *

Also Published As

Publication number Publication date
WO2024060287A1 (zh) 2024-03-28

Similar Documents

Publication Publication Date Title
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN110909926A (zh) 基于tcn-lstm的太阳能光伏发电预测方法
KR102531593B1 (ko) 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체
CN109242169B (zh) 一种面向电力大客户的短期负荷预测方法
CN111914492B (zh) 一种基于进化优化的半监督学习工业过程软测量建模方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN109623489B (zh) 一种改进的机床健康状态评定方法及数控机床
CN114015825B (zh) 基于注意力机制的高炉热负荷异常状态监测方法
CN110766060B (zh) 基于深度学习的时间序列相似度的计算方法、系统及介质
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN115310782A (zh) 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置
CN110838364A (zh) 一种基于深度学习混合模型的克罗恩病预测方法及装置
CN116542701A (zh) 一种基于cnn-lstm组合模型的碳价预测方法及系统
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN114490065A (zh) 一种负载预测方法、装置及设备
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN113298318A (zh) 一种新型的配电变压器重过载预测方法
CN114117852B (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN117010942B (zh) 基于神经网络和线性模型的农产品销售预测方法和系统
CN116885699A (zh) 基于双重注意力机制的电力负荷预测方法
CN111861002A (zh) 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法
CN115495982A (zh) 一种高炉炉温预测方法、终端设备及存储介质
CN113570129A (zh) 带钢酸洗浓度的预测方法及计算机可读存储介质
CN114814707A (zh) 一种智能电表应力误差分析方法、设备、终端及可读介质
Sharma et al. Deep learning approaches to time series forecasting

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