一种组合权重的副产煤气发生量预测方法技术

本发明专利技术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。本发明专利技术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。量。量。

【技术实现步骤摘要】
一种组合权重的副产煤气发生量预测方法


[0001]本专利技术涉及人工智能
，特别涉及一种组合权重的副产煤气发生量预测方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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
技术介绍
中所提出的问题。
[0006]为此，本专利技术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：
[0007]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；
[0008]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；
[0009]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Q
i
和Q
j
；
[0010]步骤4：令Q
i
和Q
j
分别对应的权重为w
i
和w
j
，
[0011]使得
[0012]步骤5：将权重w
i
和w
j
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；
[0013]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w
i
和w
j
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。
[0014]进一步，本专利技术使用平均绝对误差e
MAE
或者平均绝对百分比误差e
MAPE
评价预测的焦炉煤气发生量的精度；
[0015]当使用平均绝对误差e
MAE
进行评价的时候，
[0016]使得
[0017]当使用平均绝对百分比误差e
MAPE
进行评价的时候，
[0018]使得
[0019]其中，N为样本总数；为预测的焦炉煤气发生量；L
i
为组中的焦炉煤气发生量。
[0020]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。
[0021]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。
[0022]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。
[0023]本专利技术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：
[0024]本专利技术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
[0025]图1为本专利技术的整体流程示意图。
[0026]图2为本专利技术建立神经网络模型的结构示意图。
[0027]图3为本专利技术GRU模型的预测值与实际值对比图。
[0028]图4为本专利技术TCN
‑
RNN模型的预测值与实际值对比图。
[0029]图5为本专利技术未使用权重配比的TCN
‑
RNN
‑
GRU的预测值与实际值对比图。
[0030]图6为本专利技术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
[0031]下面结合附图，对本专利技术的多个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0032]具体的，如图1所示，本专利技术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：
[0033]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，将全本文档来自技高网...

【技术保护点】

【技术特征摘要】
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Q
i
和Q
j
；步骤4：令Q
i
和Q
j
分别对应的权重为w
i
和w
j
，使得步骤5：将权重w
i
和w
j
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...

【专利技术属性】
技术研发人员：赵鹏翔，杨佳霖，李振，刘姝君，王文婷，周喜超，王楠，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：