一种焦炭质量预测方法技术

本发明专利技术属于配煤方法技术领域，具体涉及一种焦炭质量预测方法，包括下列步骤：提供原料煤

【技术实现步骤摘要】
一种焦炭质量预测方法


[0001]本专利技术属于配煤方法
，具体涉及一种焦炭质量预测方法
。

技术介绍

[0002]随着社会不断进步和科技飞速发展，最优算法已经成为现代许多科学领域不可或缺的重要理论基础，为解决各种复杂问题提供了一种科学且有效的方法
。
它在数学
、
工程
、
经济
、
物流等领域的应用广泛
。
最优算法的核心目标是在给定的约束条件下，寻找一个使目标函数达到最大或最小值的变量取值
。
最优算法的核心思想是通过建立数学模型来描述优化问题，并应用数学分析和优化算法来寻找最优解
。
这涉及到数学分析
、
线性代数
、
概率论
、
数值计算等多个数学领域的知识
。
为了解决实际问题，需要根据具体情况选择合适的目标函数和约束条件，并选择适合问题特点的最优化算法
。
[0003]最优算法作为一种重要的数学理论和方法，为各个领域的决策者提供了一种科学的优化思路和工具
。
通过运用最优化方法，可以有效地解决复杂的问题，优化系统的性能和效率，推动科学技术的进步和经济社会的发展
。
[0004]但是在焦化行业中的焦炭质量预测是一个规律性较弱，预测难度较大的实验，常见的传统最优算法已难以解决一些非线性
、
规律性弱的场景
。

技术实现思路

[0005]针对上述在焦化行业配煤中，常见的传统最优算法已难以解决一些非线性
、
规律性弱的场景的技术问题，本专利技术提供了一种焦炭质量预测方法，使用基于环境因子的植物生长网络算法可以大幅度提高焦炭质量预测精准度
。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：
[0007]一种焦炭质量预测方法，包括下列步骤：
[0008]S1、
提供一个
ad&coke_ad.csv
文件，该文件是大量的原料煤
ad
值和焦炭
ad
值的历史数据，该数据用于训练算法；
[0009]S2、
对
S1
中的历史数据进行数据预处理；
[0010]S3、
设置参数：定义炉温
L
c
、
结焦时间
T
c
、
炉型空间大小
[x,y,z]、
算法模型预设最大迭代次数
c
；
[0011]S4、
根据参数炉温
L
c
、
结焦时间
T
c
、
炉型空间大小
[x,y,z]和大量历史数据结合植物生长网络模型不断进行优化迭代；
[0012]S5、
通过数据采集和清洗的方法减少干扰因素的影响；
[0013]S6、
结合焦炭损失函数进行优化；
[0014]S7、
模型会在每一次迭代中更新参数，并根据实验预测结果与实验真实值之间的差异来调整参数
。
[0015]所述
S1
中的
ad&coke_ad.csv
文件中包含两列数据，第一列为特征值是原料煤
ad
指标，第二列为预测值焦炭
coke_ad
指标
。
[0016]所述
S2
中数据预处理的方法为：
[0017]S2.1、
数据平滑处理：使用滑动平均和指数平滑方法对数据进行平滑处理，以降低噪声的影响；
[0018]S2.2、
异常值处理：检测和处理异常值，使用统计方法或基于模型的方法进行异常值检测和修正；
[0019]S3.3、
数据归一化：对数据进行归一化处理，以避免不同特征之间的量纲差异对模型的影响
。
[0020]所述
S4
中结合植物生长网络模型不断进行优化迭代的方法为：
[0021]根据历史数据和植物生长网络模型预测的生长速度为：
[0022][0023]其中：
f(x,y,z)
代表空间中
(x,y,z)
位置的生长速度，
f
i
(L
c
)
代表使用植物生长网络模型预测的炉温
L
c
对应的生长速度，
g(x,y,z,c)
代表与炉型空间大小
[x,y,z]和迭代次数
c
相关的函数，表示空间的利用率或者其他空间因素；
[0024]所述
g(x,y,z,c)
函数为：
g(x,y,z,c)
＝
(1+k*c)*(x*y*z)
，其中：
k
为与迭代次数
c
相关的常数，
k
通过以下方式确定：设第
c
次迭代的生长速度为
v_{c}
，第
c
‑1次迭代的生长速度为
v_{c
‑
1}
，则：
k
＝
(v_{c}
‑
v_{c
‑
1})/v_{c
‑
1}
；设第
c
‑1次迭代的生长速度为
v_{c
‑
1}
，第
c
‑2次迭代的生长速度为
v_{c
‑
2}
，则：
k
＝
(v_{c
‑
1}
‑
v_{c
‑
2})/v_{c
‑
2}
；以此类推，直至第1次迭代，生长速度为
v_{1}
，第0次迭代的生长速度为
v_{0}
，则：
k
＝
(v_{1}
‑
v_{0})/v_{0}
，综上所述，根据上述计算得出常数
k
＝
0.1。
[0025]所述
S5
中数据采集和清洗的方法为：确保采集到的历史数据质量良好，稳定性较高的数据，包括焦炭质量数据
、
原料成分数据
、
操作参数数据；进行数据清洗，排除异常值和错误数据，以提高历史数据的准确性和可信度
。
[0026]所述
S6
中控制策略和操作指导的方法为：结合焦炭损失函数进行优化的方法为：
[0027]将焦炭损失表示为
(M0‑
M
f
)
，其中：
M0是初始焦炭质量，
M
f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种焦炭质量预测方法，其特征在于：包括下列步骤：
S1、
提供一个
ad&coke_ad.csv
文件，该文件是大量的原料煤
ad
值和焦炭
ad
值的历史数据，该数据用于训练算法；
S2、
对
S1
中的历史数据进行数据预处理；
S3、
设置参数：定义炉温
L
c
、
结焦时间
T
c
、
炉型空间大小
[x,y,z]、
算法模型预设最大迭代次数
c
；
S4、
根据参数炉温
L
c
、
结焦时间
T
c
、
炉型空间大小
[x,y,z]
和大量历史数据结合植物生长网络模型不断进行优化迭代；
S5、
通过数据采集和清洗的方法减少干扰因素的影响；
S6、
结合焦炭损失函数进行优化；
S7、
模型会在每一次迭代中更新参数，并根据实验预测结果与实验真实值之间的差异来调整参数
。2.
根据权利要求1所述的一种焦炭质量预测方法，其特征在于：所述
S1
中的
ad&coke_ad.csv
文件中包含两列数据，第一列为特征值是原料煤
ad
指标，第二列为预测值焦炭
coke_ad
指标
。3.
根据权利要求1所述的一种焦炭质量预测方法，其特征在于：所述
S2
中数据预处理的方法为：
S2.1、
数据平滑处理：使用滑动平均和指数平滑方法对数据进行平滑处理，以降低噪声的影响；
S2.2、
异常值处理：检测和处理异常值，使用统计方法或基于模型的方法进行异常值检测和修正；
S3.3、
数据归一化：对数据进行归一化处理，以避免不同特征之间的量纲差异对模型的影响
。4.
根据权利要求1所述的一种焦炭质量预测方法，其特征在于：所述
S4
中结合植物生长网络模型不断进行优化迭代的方法为：根据历史数据和植物生长网络模型预测的生长速度为：其中：
f(x,y,z)
代表空间中
(x,y,z)
位置的生长速度，
f
i
(L
c
)
代表使用植物生长网络模型预测的炉温
L
c
对应的生长速度，
g(x,y,z,c)
代表与炉型空间大小
[x,y,z]
和迭代次数
c
相关的函数，表示空间的利用率或者其他空间因素；所述
g(x,y,z,c)
函数为：
g(x,y,z,c)
＝
(1+k*c)*(x*y*z)
，其中：
k
为与迭代次数
c
相关的常数，
k
通过以下方式确定：设第
c
次迭代的生长速度为
v_{c}
，第
c
‑1次迭代的生长速度为
v_{c
‑
1}
，则：
k
＝
(v_{c}
‑
v_{c
‑
1})/v_{c

【专利技术属性】
技术研发人员：张奇，郭瑛，
申请(专利权)人：山西云岫科技股份有限公司，
类型：发明
国别省市：