焦炭质量预测方法、系统、设备和介质技术方案

本发明专利技术公开了一种焦炭质量预测方法、系统、设备和介质，预测误差模型的生成方法包括：获取焦炭质量预测的历史误差数据；若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将所述历史误差数据输入至ARIMA模型中进行训练，以生成预测误差模型。本发明专利技术可以有效减少对焦炭质量的预测的误差，提升对焦炭质量的预测的准确度，同时，本发明专利技术只需采用配合煤指标作为输入就可以获得较好的预测效果。就可以获得较好的预测效果。就可以获得较好的预测效果。

【技术实现步骤摘要】
焦炭质量预测方法、系统、设备和介质


[0001]本专利技术涉及焦化领域，尤其涉及一种焦炭质量预测方法、系统、设备和介质。

技术介绍

[0002]焦炭质量指标主要包括焦炭的冷热强度。焦炭质量能直接影响到高炉冶炼的质量。影响焦炭质量的因素包括入炉煤指标，及焦炉的加热过程中的工艺参数。入炉煤指标主要指入炉煤的灰分、挥发分、硫分等，焦炉加热过程的工艺参数主要包括火道温度、煤气流量、结焦时间、分烟道吸力等。由于焦炉加热过程中有一系列复杂的物理化学反应，因此难以找到焦炉加热过程对焦炭质量影响的数学表达式，研究者主要是采用入炉煤的指标来预测焦炭质量。
[0003]目前对焦炭质量的预测有多种方法，包括使用线性回归、支持向量机、神经网络等。由于仅采用线性回归、支持向量机、神经网络模型，其获得的焦炭质量的预测的准确度不高。

技术实现思路

[0004]本专利技术要解决的技术问题是为了克服现有技术中对焦炭质量的预测的准确度不高的缺陷，提供一种焦炭质量预测方法、系统、设备和介质。
[0005]本专利技术是通过下述技术方案来解决上述技术问题：
[0006]本专利技术提供一种预测误差模型的生成方法，所述生成方法包括：
[0007]获取焦炭质量预测的历史误差数据；
[0008]若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将所述历史误差数据输入至ARIMA模型中进行训练，以生成预测误差模型；
[0009]所述预测误差模型用于获取焦炭质量预测的误差。<br/>[0010]较佳地，所述获取焦炭质量预测的历史误差数据的步骤包括：
[0011]将煤指标数据输入至已训练好的线性回归模型中，以获取焦炭质量指标的预测值；
[0012]基于所述焦炭质量指标的预测值，获取焦炭质量预测的历史误差数据；
[0013]和/或，所述将所述历史误差数据输入至ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)模型中进行训练的步骤包括：
[0014]将所述历史误差数据输入至ARIMA模型中，调整差分阶数、自回归项数和滑动平均项数，以生成预测误差模型。
[0015]本专利技术还提供一种焦炭质量的预测方法，所述预测方法包括：
[0016]获取焦炭质量预测的历史误差数据；
[0017]将所述历史误差数据输入至预测误差模型中，以获得焦炭质量预测的误差；
[0018]所述预测误差模型使用如前述的预测误差模型的生成方法生成。
[0019]较佳地，在将所述历史误差数据输入至预测误差模型中，以获得焦炭质量预测的
误差的步骤之后，所述预测方法包括：
[0020]获取焦炭质量预测的原始数据；
[0021]基于所述焦炭质量预测数据和所述焦炭质量预测的误差，确定焦炭质量预测的目标数据。
[0022]本专利技术还提供一种预测误差模型的生成系统，所述生成系统包括：
[0023]第一获取模块，用于获取焦炭质量预测的历史误差数据；
[0024]训练模块，用于若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将所述历史误差数据输入至ARIMA模型中进行训练，以生成预测误差模型；
[0025]所述预测误差模型用于获取焦炭质量预测的误差。
[0026]较佳地，所述第一获取模块包括：
[0027]第一获取单元，用于将煤指标数据输入至已训练好的线性回归模型中，以获取焦炭质量指标的预测值；
[0028]第二获取单元，用于基于所述焦炭质量指标的预测值，获取焦炭质量预测的历史误差数据；
[0029]和/或，所述训练模块具体用于：
[0030]将所述历史误差数据输入至ARIMA模型中，调整差分阶数、自回归项数和滑动平均项数，以生成预测误差模型。
[0031]本专利技术还提供一种焦炭质量的预测系统，所述预测系统包括：
[0032]第三获取单元，用于获取焦炭质量预测的历史误差数据；
[0033]输入单元，用于将所述历史误差数据输入至预测误差模型中，以获得焦炭质量预测的误差；
[0034]所述预测误差模型使用如前述的预测误差模型的生成方法生成。
[0035]较佳地，所述预测系统还包括：
[0036]第三获取模块，用于获取焦炭质量预测的原始数据；
[0037]确定模块，用于基于所述焦炭质量预测数据和所述焦炭质量预测的误差，确定焦炭质量预测的目标数据。
[0038]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在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前述的预测误差模型的生成方法或如前述的焦炭质量的预测方法。
[0039]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的预测误差模型的生成方法或如前述的焦炭质量的预测方法的步骤。
[0040]在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。
[0041]本专利技术的积极进步效果在于：
[0042]本专利技术可以有效减少对焦炭质量的预测的误差，提升对焦炭质量的预测的准确度，同时，本专利技术只需采用配合煤指标作为输入就可以获得较好的预测效果。
附图说明
[0043]图1为本专利技术实施例1的预测误差模型的生成方法的流程图；
[0044]图2为本专利技术实施例1的步骤S101的流程图；
[0045]图3为本专利技术实施例2的焦炭质量的预测方法的流程图；
[0046]图4为本专利技术实施例3的预测误差模型的生成系统的模块示意图；
[0047]图5为本专利技术实施例3第一获取模块的模块示意图；
[0048]图6为本专利技术实施例4的焦炭质量的预测系统的模块示意图；
[0049]图7为本专利技术实施例5的电子设备的结构示意图。
具体实施方式
[0050]下面通过实施例的方式进一步说明本专利技术，但并不因此将本专利技术限制在所述的实施例范围之中。
[0051]实施例1
[0052]如图1所示，本实施例公开了一种预测误差模型的生成方法，所述生成方法包括：
[0053]步骤S101、获取焦炭质量预测的历史误差数据；
[0054]步骤S102、若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将所述历史误差数据输入至ARIMA模型中进行训练，以生成预测误差模型；
[0055]所述预测误差模型用于获取焦炭质量预测的误差。
[0056]本方案，由于试验数据的炼焦频率较高，约为一天两炉，因此误差项的自相关性也较强。具体地，对历史误差数据进行自相关性分析，即判断历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数是否大于预设阈值，若大于预设阈值，则将所述历史误差数据输入至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测误差模型的生成方法，其特征在于，所述生成方法包括：获取焦炭质量预测的历史误差数据；若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将所述历史误差数据输入至ARIMA模型中进行训练，以生成预测误差模型；所述预测误差模型用于获取焦炭质量预测的误差。2.如权利要求1所述的预测误差的模型生成方法，其特征在于，所述获取焦炭质量预测的历史误差数据的步骤包括：将煤指标数据输入至已训练好的线性回归模型中，以获取焦炭质量指标的预测值；基于所述焦炭质量指标的预测值，获取焦炭质量预测的历史误差数据；和/或，所述将所述历史误差数据输入至ARIMA模型中进行训练的步骤包括：将所述历史误差数据输入至ARIMA模型中，调整差分阶数、自回归项数和滑动平均项数，以生成预测误差模型。3.一种焦炭质量的预测方法，其特征在于，所述预测方法包括：获取焦炭质量预测的历史误差数据；将所述历史误差数据输入至预测误差模型中，以获得焦炭质量预测的误差；所述预测误差模型使用如权利要求1或2中所述的预测误差模型的生成方法生成。4.如权利要求3所述的焦炭质量的预测方法，其特征在于，在将所述历史误差数据输入至预测误差模型中，以获得焦炭质量预测的误差的步骤之后，所述预测方法包括：获取焦炭质量预测的原始数据；基于所述焦炭质量预测数据和所述焦炭质量预测的误差，确定焦炭质量预测的目标数据。5.一种预测误差模型的生成系统，其特征在于，所述生成系统包括：第一获取模块，用于获取焦炭质量预测的历史误差数据；训练模块，用于若所述历史误差数据中相邻两个时间点对应的历史误差数据的自相关性系数大于预设阈值，则将...

【专利技术属性】
技术研发人员：包忞立，李欣荣，
申请(专利权)人：华院计算技术上海股份有限公司，
类型：发明
国别省市：