【技术实现步骤摘要】
一种转炉煤气发生量预测方法
[0001]本专利技术属于钢铁企业能源回收
,具体涉及一种基于间歇持续时长分类和CPSO
‑
Elman神经网络的转炉煤气发生量预测方法。
技术介绍
[0002]钢铁企业转炉炼钢时,会产生转炉煤气。转炉煤气的回收具有间歇性波动的特征,所以该气体的回收量不稳定。因此,建立有效预测模型,准确预测转炉煤气发生量能够降低企业能源消耗,减少煤气放散导致的环境污染,对企业生产和环境保护有着重要意义。
[0003]现有的副产煤气预测方法主要包括基于数据驱动的预测方法和基于模型驱动的预测方法。其中,由于钢铁企业系统结构复杂,且各环节之间相互耦合,基于模型驱动的预测方法存在着建模复杂的问题。基于数据驱动的预测方法更适用于分析转炉煤气发生量数据,提高发生量预测的精度。
[0004]目前基于数据驱动的预测方法最常用的是以深度学习为基础,通过预测对象的历史数据进行分析,建立数据随着时间变化的模型,使用建立好的模型进行煤气预测。工作人员可以根据预测值提前对转炉煤气进行调度。然而,由于转炉煤气发生量不稳定,两个炼钢周期间的间歇更是波动频繁,单一预测模型无法对转炉煤气发生量进行准确预测。
技术实现思路
[0005]为了实现对转炉煤气发生量的预测,并提高预测精度,本专利技术基于间歇分类和CPSO
‑
Elman提出了一种煤气发生量预测方法,提高发生量预测的精度。
[0006]本专利技术提供的转炉煤气发生量预测方法包括以下步骤:
[000 ...
【技术保护点】
【技术特征摘要】
1.一种转炉煤气发生量预测方法,其特征是,包括以下步骤:步骤一:收集转炉煤气发生量的历史数据,提取发生量数据中的间歇时长特征;步骤二:将提取出的间歇时长特征根据持续时长分类,分为短间歇、中间歇和长间歇三类;据此将历史数据分为三类,分别仅包含一种间歇类型的数据;步骤三:根据步骤一提取的间歇时长特征的特点,设置Elman神经网络的输入层节点、输出层节点和隐含层节点的个数,构建出用于间歇时长预测的Elman神经网络结构;分别根据步骤二分类所得到的转炉煤气发生量数据的特点,设置Elman神经网络的输入层节点、输出层节点和隐含层节点的个数,分别构建出三类间歇类型下的Elman神经网络结构,用于发生量预测;步骤四:引入混沌映射对粒子种群初始化进行优化,引入逻辑自映射函数产生混沌序列对粒子群算法的惯性权重进行改进;步骤五:根据步骤三设置的每个Elman神经网络各层节点个数,分别设置改进后的粒子群算法的参数;设置算法的适应度函数为Elman神经网络训练集的均方根预测误差,通过最小化适应度函数求得每个Elman神经网络的最优权值矩阵与阈值矩阵;使用短间歇、中间歇和长间歇三类发生量数据,分别训练对应的Elman神经网络,构建出短间歇发生量预测模型、中间歇发生量预测模型和长间歇发生量预测模型;使用间歇时长特征数据,训练用于间歇时长预测的Elman神经网络,建立间歇时长预测模型;步骤六:使用间歇时长预测模型预测未来间歇时长,再根据预测结果,匹配相对应的发生量预测模型进行转炉煤气发生量的预测;即,如果间歇时长预测结果属于短间歇,则匹配短间歇发生量预测模型进行转炉煤气发生量的预测;如果间歇时长预测结果属于中间歇,则匹配中间歇发生量预测模型进行转炉煤气发生量的预测;如果间歇时长预测结果属于长间歇,则匹配长间歇发生量预测模型进行转炉煤气发生量的预测。2.如权利要求1所述的转炉煤气发生量预测方法,其特征是,转炉煤气发生量数据为连续的每分钟采样一次的煤气发生流量值,当流量值小于1km3/h时判定为间歇时刻,流量值小于1km3/h的间歇时刻持续的时长即为所要提取的间歇时长特征。3.如权利要求2所述的转炉煤气发生量预测方法,其特征是,间歇持续时长小于25min的属于短间歇,间歇持续时长为25min~45min的属于中间歇,间歇持续时长大于45min的属于长间歇。4.如权利要求1所述的转炉煤气发生量预测方法,其特征是,步骤三中,三类发生量预测模型的输入层节点根据三类间歇类型转炉煤气数据特征设置,该类型下转炉炼钢周期的时长数值作为输入层节点数,输出层节点数均设为1;隐含层节点数n1根据公式(1)计算式中:p为输入层节点数,q为输出层节点数,C为(1,10)之间的常数。5.如权利要求4所述的转炉煤气发生量预测方法,其特征是,步骤三中,间歇时长预测模型输入层节点数根据一天的发生量数据中存在间歇的个数选取,输出层节点数为1,隐含层节点数根据公式(1)计算。6.如权利要求1所述的转炉煤气发生量预测方法,其特征是,步骤四中,引入经过改进
的Tent混沌映射,利用混沌变量的随机性...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。