一种提高钢铁企业能源利用率的能耗预测方法技术

本发明专利技术一种提高钢铁企业能源利用率的能耗预测方法，属于信息技术领域，本发明专利技术采用带有误差反馈校正学习的神经网络算法进行预测，并且针对传统学习方法收敛速度慢的问题，权值和阈值的调整公式中增加一动量项，用以提高网络的训练速度；采用自适应调节学习率使训练在误差曲面平坦区域增大学习率，在误差变化剧烈的区域减小学习率；采用基于时变权重的参数组合优化方法对初始权值和阈值的分布进行优化，在解空间定位出一个较好的搜索空间，用以避开局部极小点；该方法充分考虑了各工序的能源消耗特点，提高了能源使用效率，降低了能源成本，进而降低了总生产成本。

【技术实现步骤摘要】

本专利技术属于信息
，具体涉及一种提高钢铁企业能源利用率的能耗预测方 法。
技术介绍
钢铁生产是一个多工序、多装置、高能耗的复杂生产过程，能源消耗成本是钢铁工 业的主要成本之一，占整个产品成本的20~30% ;高能源消耗不仅导致钢铁产品的成本增 加，而且也意味着更多的污染和排放；因此，确保连续、安全和经济的能源供应及高效的能 源利用是目前各钢铁企业能源管理和规划的重要任务。 能源消耗量的预测是制定钢铁企业能源规划的重要组成部分；通过能源消耗预测 系统可以把握能源消耗的趋势，控制能源的存贮量，减少能源的浪费，降低钢铁生产成本， 对于提高钢铁企业产品的市场竞争力、经济效益和信息化管理水平具有极为重要的意义。 预测是运用统计方法和数学模型，对能源未来发展状况进行测定，主要通过对过 去一些历史数据的统计分析，用量化指标来对系统未来发展进行预测；能源预测的最重要 指标是预测精度，因此选择准确的预测方法至关重要；目前采用的主要预测方法有回归分 析法、时间序列分析法、灰色预测法、人工神经网络法、组合预测法等。 目前关于能源预测的专利如下： 王建军等（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， 【申请号】201310117694. 2)利用最小二乘支持向量机的方法建立预测模型，对钢铁冶炼高 炉的氧气使用量进行预测，预测结果用以调节高炉氧气供应量； 赵捃等（钢铁企业焦炉煤气柜位预测平衡方法，【申请号】200910202045. 6)在建立 柜位预测模型前先确定出影响柜位变化的主要煤气用户作为柜位预测模型的输入，然后采 用小样本的支持向量机建立柜位预测模型，预测煤气柜的柜位平稳、上升和下降变化趋势， 为现场调度人员的煤气平衡调度提供指导； 上述专利都是针对某一种能源介质或设备进行预测，钢铁生产中的能源消耗覆盖 几乎所有工序，涉及多种介质、多个设备，因此上述专利的应用范围有限。 杜永谦等（基于钢铁生产计划的能源预测方法，申请号=201110079115. 0)根据从 ERP和MES中每15分钟采集的生产计划、检修计划和设备状态等数据，生成能源消耗曲线， 对单个机组或整个企业的能源产耗进行预测； 孙要夺（一种一体化的钢铁企业在线能源预测系统与方法，【申请号】 200610113685.6)建立了能源预测建模算法库，采用组合模型进行预测以提高准确性； 梁青艳等（一种基于乘积ARIMA模型的在线能源预测系统及方法，【申请号】 200810226961.9)提出了一种自回归求和滑动平均方法（ARIMA)处理平稳、非平稳、季节波 动数据情况下的能源预测，将算法封装于算法库中，使用时提取并根据检修情况对结果进 行修正； 在上述专利中，采用能源消耗曲线进行预测无法保证精度，采用算法库的方法克 服了单一方法的缺点，但在算法与具体问题的适合性、组合算法的效率方面存在应用局限 性。
技术实现思路
针对现有技术的不足，本专利技术提出一种提高钢铁企业能源利用率的能耗预测方 法，以达到提高能源使用量估计的准确性、提高能源使用率、降低能源放散率的目的。 ，包括以下步骤： 步骤1、采集企业的生产信息和能源信息，作为多组样本数据； 步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和 回收量的影响因素； 步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的 神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络 的输出，构建带有误差反馈校正学习的神经网络的结构； 步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行 优化； 步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节 学习率运行带有误差反馈校正学习的神经网络，判断网络总误差函数值是否小于设定的限 定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤6,否则， 返回执行步骤4; 步骤6、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差 反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量。 步骤1所述的生产信息包括：各工序的生产量、生产周期内的设备检修记录； 所述的能源信息包括：各工序主要能源介质的消耗量，各工序能源介质的回收量， 具体如下： 炼铁工序：焦炭消耗量、煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、压缩空气消 耗量、低压蒸汽消耗量、低压氧气消耗量、氮气消耗量、电消耗量、水消耗量，高炉煤气回收 量、电力回收量； 炼焦工序：煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、低压蒸汽消耗量、氮气消 耗量、压缩空气消耗量、电消耗量、水消耗量，焦炉煤气回收量、焦炭回收量、蒸汽回收量； 烧结工序：焦炭消耗量、煤消耗量、焦炉煤气消耗量、电消耗量、水消耗量，蒸汽回 收量； 炼钢工序：焦炉煤气消耗量、氧气消耗量、氮气消耗量、氩气消耗量、压缩空气消耗 量、电消耗量、水消耗量，转炉煤气回收量、蒸汽回收量； 热乳工序：焦炉煤气消耗量、高炉煤气消耗量、转炉煤气消耗量、氮气消耗量、电消 耗量、水消耗量，蒸汽回收量； 冷乳工序：电消耗量、水消耗量、焦炉煤气消耗量、蒸汽消耗量、氮气消耗量、氧气 消耗量、氢气消耗量、压缩空气消耗量。 步骤2所述的确定各工序能源消耗量和回收量的影响因素，具体如下： 炼焦工序能源消耗量和回收量的影响因素包括产量、检修计划、熄焦方式和煤气 加热方式； 烧结工序能源消耗量和回收量的影响因素包括产量、气温和检修计划； 炼铁工序能源消耗量和回收量的影响因素包括产量、检修计划、气温、煤比、焦比 和煤气热值； 炼钢工序能源消耗量和回收量的影响因素包括产量和检修计划； 热乳工序能源消耗量和回收量的影响因素包括产量、气温、检修计划和热装比； 冷乳工序能源消耗量和回收量的影响因素包括产量和检修计划。 步骤4所述的采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈 值进行优化，具体包括以下步骤： 步骤4-1、根据带有误差反馈校正学习的神经网络的结构确定参数组合优化算法 中的个体，所述个体为多维向量，向量中的元素即为神经网络输入层至中间层的连接权值、 中间层的阈值、中间层至输出层的连接权值和输出层的阈值，个体维数为输入层至中间层 的连接权值个数、中间层的阈值个数、中间层至输出层的连接权值个数和输出层的阈值个 数之和； 步骤4-2、初始化带有误差反馈校正学习的神经网络的参数和参数组合优化算法 的参数，包括：带有误差反馈校正学习的神经网络的种群规模、神经元之间连接权重、神经 元激活函数的阈值和学习的终止准则；参数组合优化算法的个体数量、个体步长、位置向 量、个体维数和迭代终止条件，惯性权重取值； 步骤4-3、将多组样本数据输入参数组合优化算法中，获得多组样本数据的网络总 误差函数值； 步骤4-4、判断网络总误差函数值是否小于设定阈值，或是否达到最大迭代次数， 若是，则执行步骤4-6,否则，执行步骤4-5 ; 步骤4-5、更新惯性权重取值，进一步更新参数组合优化算法中个体的步长和位 置，获得更新后的个体，即获得更新后的神经网络输入层至中间层的连接权值、中间层的阈 值、中间层至输出层的连接权值和输出层的阈值，并返回执行步骤4-3 ;[本文档来自技高网...

【技术保护点】
一种提高钢铁企业能源利用率的能耗预测方法，其特征在于，包括以下步骤：步骤1、采集企业的生产信息和能源信息，作为多组样本数据；步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和回收量的影响因素；步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络；步骤6、判断网络总误差函数值是否小于设定的限定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤7，否则，返回执行步骤4；步骤7、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量。

【技术特征摘要】

【专利技术属性】
技术研发人员：唐立新，张颜颜，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21