[發明專利]鋼鐵企業煤氣產生量與消耗量的動態預測方法及設備

有效

• 申請號: 201711210058.9
• 申請日: 2017-11-28
• 公開（公告）號: CN107918368B
• 公開（公告）日: 2019-07-26
• 發明（設計）人: 張琦;馬家琳;李輝;倪團結
• 申請（專利權）人: 東北大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 韓國勝

1.一種鋼鐵企業煤氣產生量與消耗量的動態預測方法，其特征在于，包括：

步驟A：獲取未來調度周期內的生產工況下煤氣產耗歷史數據，以及對應所述煤氣產耗歷史數據周期的生產計劃和檢修計劃；

步驟B：根據所述生產計劃和檢修計劃，確定所有設備生產工況；

步驟C：針對煤氣產耗歷史數據中的每一個設備的生產工況，獲取每一設備的工況點，并根據所有設備的工況點對煤氣量歷史數據進行分類；

依據分類后的各工況點的歷史數據訓練LSSVM模型；并采用訓練后的最優預測模型對煤氣產耗歷史數據的部分數據進行預測，得到輸出的預測結果，所述輸出的預測結果包括：未來調度周期內煤氣產生裝置的煤氣發生量和各生產用戶的煤氣消耗量；

所述步驟C包括：

C1、以集合V_i，j表示第i個設備第j個工況的煤氣量歷史數據集；

C2、根據集合V_i，j，通過小波分析方法和向量空間重構方法構造LSSVM模型的訓練數據集；

C3、利用所述訓練數據集，并通過啟發式參數尋優方式對所述LSSVM模型進行訓練，獲得訓練后的最優預測模型；

C4、依據待預測的設備、及待預測設備的工況和所述煤氣產耗歷史數據，構造待處理的預測數據集；

C5、采用最優預測模型處理所述待處理的預測數據集，獲得輸出的預測結果；

步驟C2包括：

依據企業煤氣調度需求確定初始樣本采樣周期t、向量空間變換樣本維數m以及模型中其它參數；

獲取煤氣產生量和消耗量V₀，并基于小波分析方法，提取低頻信號D_i(n)；

對所述煤氣產耗歷史數據中各用戶的煤氣產耗歷史數據進行歸一化處理，使數據線性映射到0-1之間；

對歸一化處理后的煤氣產耗歷史數據進行向量空間重構，將線性排列的數據構造為最優預測模型所需要的訓練數據集，構造過程可表示為：

其中，輸入數據中i時刻的煤氣產耗歷史數據記為x_i，輸出數據中的i時刻預測結果記為Y_i，每一行中的一組x_i和一組Y_i分別為模型的一個輸入樣本和一個輸出樣本，訓練數據集構造方法記為

利用輸入輸出樣本x_t-m+1 x_t-m+2 … x_t|Y_t+1 Y_t+2 … Y_t+i對模型進行訓練，以及應用啟發式參數尋優，對LSSVM預測模型迭代求逆，由公式計算預測值

其中，I為單位矩陣，Ω為滿足的Mercer定理核函數；

根據預測值的判斷標準/約束條件，直至將所述訓練數據集中的所有樣本訓練完，得到訓練數據集。

2.根據權利要求1所述的方法，其特征在于，所述待處理的預測數據集中各樣本的訓練方式和所述訓練數據集中各樣本的訓練方式是相同的。

3.根據權利要求1所述的方法，其特征在于，所述方法還包括：

將預測結果上傳到企業的煤氣調度服務器上，煤氣調度系統根據一側結果進行調度。

4.根據權利要求1所述的方法，其特征在于，所述C2中的根據預測值的判斷標準，獲得訓練數據集，包括：

在預測下一個樣本之前需要計算第j個預測值誤差平方：

其中，式中，為第j個預測值，Y_j為第j個預測樣本；

進而得出訓練的修正值β_j＝η_je_j；

將修正值加入下一時刻的樣本學習預測。

5.根據權利要求4所述的方法，其特征在于，所述C2中獲取訓練數據集時，當新的數據集(x_i，y_i)，i∈(t，t+N)進入訓練數據集時，排除之前N個數據，重新得到輸入樣本。

6.根據權利要求5所述的方法，其特征在于，所述輸出的預測結果是反歸一化之后的結果。