一种高炉煤气发生量的预测方法及装置制造方法及图纸

本发明专利技术公开了一种高炉煤气发生量的预测方法及装置，方法包括：获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；构建BP神经网络；根据高炉炉况信息、强化冶炼信息选取神经网络的输入变量；将输入变量划分为第一训练集和第一测试集；将高炉煤气发生量数据作为神经网络的输出，划分为第二训练集和第二测试集；将第一训练集中的输入变量和第二训练集中的高炉煤气发生量作为神经网络的输入输出数据进行模型训练，直至神经网络收敛；将第一测试集中的输入变量输入收敛后的神经网络，输出预测的高炉煤气发生量；将预测的高炉煤气发生量与第二测试集中的高炉煤气发生量比较，检验预测效果。本发明专利技术提供的预测方法能够准确的预测高炉煤气发生量。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种高炉煤气发生量的预测方法及装置，方法包括：获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；构建BP神经网络；根据高炉炉况信息、强化冶炼信息选取神经网络的输入变量；将输入变量划分为第一训练集和第一测试集；将高炉煤气发生量数据作为神经网络的输出，划分为第二训练集和第二测试集；将第一训练集中的输入变量和第二训练集中的高炉煤气发生量作为神经网络的输入输出数据进行模型训练，直至神经网络收敛；将第一测试集中的输入变量输入收敛后的神经网络，输出预测的高炉煤气发生量；将预测的高炉煤气发生量与第二测试集中的高炉煤气发生量比较，检验预测效果。本专利技术提供的预测方法能够准确的预测高炉煤气发生量。【专利说明】一种高炉煤气发生量的预测方法及装置
本专利技术涉及煤气预测领域，更具体的说是涉及一种高炉煤气发生量的预测方法及>J-U ρ?α装直。
技术介绍
钢铁企业是高能耗、高污染、高排放的产业，节能降耗一直是钢铁行业所面临的最严峻问题之一。由于钢铁生产消耗的一次能源有40%左右转变为副产煤气，其中高炉煤气占45%，因此，钢铁生产过程中产生的副产煤气能否得到合理的利用将直接影响到整个冶金企业的能耗成本和节能减排效果。合理的煤气平衡调度能够减少放散量，降低一次能源的使用量，减少钢铁企业的生产成本，而准确预测高炉煤气的发生量是煤气平衡调度的基础。目前实际生产中，对冶金企业高炉煤气的发生量预测还是以静态预测为主，静态预测主要是以高炉煤气系统的计划和规划为依据，对一段时间内高炉煤气的发生量，结合期间的生产计划、检修计划或技改项目等因素，进行简单的预测。因此，现有的高炉煤气发生量的预测方法不能准确预测高炉煤气的发生量。
技术实现思路
有鉴于此，为了解决现有的高炉煤气发生量的预测方法不能准确预测高炉煤气发生量的问题，提供一种高炉煤气发生量的预测方法及装置，技术方案如下:`一种高炉煤气发生量的预测方法，包括:获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；构建BP神经网络；根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量；将所述输入变量划分为第一训练集和第一测试集；将所述高炉煤气发生量数据作为所述BP神经网络的输出，划分为第二训练集和第二测试集；将所述第一训练集中的输入变量以及所述第二训练集中的高炉煤气发生量作为所述BP神经网络的输入输出数据进行模型训练，直至所述BP神经网络收敛；将所述第一测试集中的输入变量输入所述收敛后的BP神经网络，输出预测的高炉煤气发生量；将所述预测的高炉煤气发生量与所述第二测试集中的高炉煤气发生量比较，检验预测效果。优选的，在上述的高炉煤气发生量的预测方法中，还包括:利用内插法对所述高炉煤气发生量数据以及所述输入变量求取缺失数据以及非正常数据的替代；对经过所述内插法处理后的高炉煤气发生量进行卡尔曼滤波。优选的，在上述的高炉煤气发生量的预测方法中，根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量，包括:对所述高炉炉况信息、强化冶炼信息依次进行线性相关分析以及灰色关联度分析，选取具有强关联度的炉况因素作为输入变量；根据所述强化冶炼信息，选取富氧量、喷煤量作为输入变量。优选的，在上述的高炉煤气发生量的预测方法中，所述构建BP神经网络，包括:确定BP神经网络的结构，包括隐含层层数，输入层、隐含层、输出层各层节点数；确定神经元连接权值和神经元阈值。优选的，在上述的高炉煤气发生量的预测方法中，还包括:分别对所述第一训练集和第一测试集中的输入变量进行归一化处理；分别对所述第二训练集和第二测试集中的高炉煤气发生量进行归一化处理；对输出的所述预测的高炉煤气发生量进行反归一化处理，得到预测后的高炉煤气发生量。一种高炉煤气发生量的预测装置，包括:获取单元，用于获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；神经网络构建单元，用于构建BP神经网络；输入变量选取单元，用于根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量；第一划分单元，用于将所述输入变量划分为第一训练集和第一测试集；第二划分单元，用于将所述高炉煤气发生量数据作为所述BP神经网络的输出，划分为第二训练集和第二测试集；训练单元，用于将所述第一训练集中的输入变量以及所述第二训练集中的高炉煤气发生量作为所述BP神经网络的输入输出数据进行模型训练，直至所述BP神经网络收敛；处理单元，用于将所述第一测试集中的输入变量输入所述收敛后的BP神经网络，输出预测的高炉煤气发生量；检验单元，用于将所述预测的高炉煤气发生量与所述第二测试集中的高炉煤气发生量比较，检验预测效果。优选的，在上述的高炉煤气发生量的预测装置中，还包括:数据处理单元，用于利用内插法对所述高炉煤气发生量数据以及所述输入变量求取缺失数据以及非正常数据的替代；滤波单元，用于对经过所述内插法处理后的高炉煤气发生量进行卡尔曼滤波。优选的，在上述的高炉煤气发生量的预测装置中，所述输入变量选取单元，包括:第一选取模块，用于对所述高炉炉况信息、强化冶炼信息依次进行线性相关分析以及灰色关联度分析，选取具有强关联度的炉况因素作为输入变量；第二选取模块，用于根据所述强化冶炼信息，选取富氧量、喷煤量作为输入变量。优选的，在上述的高炉煤气发生量的预测装置中，所述神经网络构建单元，包括:第一确定模块，用于确定BP神经网络的结构，包括隐含层层数，输入层、隐含层、输出层各层节点数；第二确定模块，用于确定神经元连接权值和神经元阈值。优选的，在上述的高炉煤气发生量的预测装置中，还包括:第一归一化处理模块，用于分别对所述第一训练集和第一测试集中的输入变量进行归一化处理；第二归一化处理模块，用于分别对所述第二训练集和第二测试集中的高炉煤气发生量进行归一化处理；反归一化处理模块，用于对输出的所述预测的高炉煤气发生量进行反归一化处理，得到预测后的高炉煤气发生量。上述技术方案中具有如下有益效果:经由上述的技术方案可知，与现有技术相比，本专利技术实施例提供的高炉煤气预测量方法，通过构建BP神经网络，将选取的输入变量和高炉煤气发生量数据分别划分为训练集和测试集，将训练集的数据作为BP神经网络的输入输出数据进行模型训练，直至BP神经网络收敛，将测试集中的输入变量输入收敛后的BP神经网络，输出预测的高炉煤气发生量，将预测的高炉煤气发生量与测试集中的高炉煤气发生量比较，检验预测效果，因此，能够准确的预测高炉煤气发生量。【专利附图】【附图说明】为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的高炉煤气发生量预测方法的一种流程示意图；图2为本专利技术实施例提供的高炉煤气发生量预测方法的另一流程示意图；图3为本专利技术实施例提供的高炉煤气发生量预测方法的另一流程示意图；图4为本专利技术实施例提供的高炉煤气发生量预测装置的一种结构示意图。【具体实施方式】下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而本文档来自技高网...

【技术保护点】
一种高炉煤气发生量的预测方法，其特征在于，包括：获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；构建BP神经网络；根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量；将所述输入变量划分为第一训练集和第一测试集；将所述高炉煤气发生量数据作为所述BP神经网络的输出，划分为第二训练集和第二测试集；将所述第一训练集中的输入变量以及所述第二训练集中的高炉煤气发生量作为所述BP神经网络的输入输出数据进行模型训练，直至所述BP神经网络收敛；将所述第一测试集中的输入变量输入所述收敛后的BP神经网络，输出预测的高炉煤气发生量；将所述预测的高炉煤气发生量与所述第二测试集中的高炉煤气发生量比较，检验预测效果。

【技术特征摘要】

【专利技术属性】
技术研发人员：郭维河，汪春鹏，王文为，李振刚，方光深，王芳，许文菊，张元华，康凯，黄鑫，展杰，刘文奇，张燕，董京帅，刘爱强，
申请(专利权)人：莱芜钢铁集团电子有限公司，
类型：发明
国别省市：