[發明專利]基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法有效
| 申請號: | 201910728160.0 | 申請日: | 2019-08-08 |
| 公開(公告)號: | CN110427715B | 公開(公告)日: | 2022-10-14 |
| 發明(設計)人: | 崔桂梅;張勝男;于凱 | 申請(專利權)人: | 內蒙古科技大學 |
| 主分類號: | G06F30/20 | 分類號: | G06F30/20;G06K9/62;G06Q10/04;G06F119/08;G06F119/12 |
| 代理公司: | 北京律遠專利代理事務所(普通合伙) 11574 | 代理人: | 全成哲 |
| 地址: | 014010 內蒙*** | 國省代碼: | 內蒙古;15 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 時間 序列 高爐 多維 爐缸熱 狀態 趨勢 預測 方法 | ||
1.一種基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法,其特征在于,具體步驟如下:
S1、采集某高爐實時運行過程數據
包括歷史爐溫數據、各冷卻壁段歷史水溫差數據;
S2、過程數據預處理
用拉依達準則剔除所選原始樣本集中的異常數據,對異常數據賦空值并用牛頓插值法修補,最終使選取的過程數據分布在(μ-3σ,μ+3σ)區間內,其中μ和σ分別為樣本數據的平均值和標準差;
S3、爐缸熱狀態預測相關特征參數提取
計算所選過程參數與爐溫的泊松相關系數,依據相關系數的閾值和頂峰值選取爐缸熱狀態預測相關特征參數;
S4、建立模型
將選取的相關特征參數數據作為模型的輸入,建立基于時間序列和高爐多維度的PSO-LSSVM爐缸熱狀態預測模型;
S5、對比分析無水溫差時和加入高爐冷卻壁立體水溫差時所建模型的相對誤差和命中率。
2.根據權利要求1所述的基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法,其特征在于,所述步驟S1中,高爐爐體的各冷卻壁段具體為:從上到下分為多段,圓周上呈立體式分布,每段冷卻壁在橫向圓周上設置若干個熱電偶測溫點,實現多點測溫;選取爐身的上、中、下、爐腰、爐腹、和爐缸六大段冷卻壁段,利用高爐冷卻壁縱向分段水溫差的立體多維性,依次分析立體水溫差變化對爐缸溫度響應的滯后性。
3.根據權利要求1所述的基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法,其特征在于,所述步驟S2中,剔除過程及實際各冷卻壁段水溫差的計算如下:
μ和σ分別為樣本數據xk的平均值和標準差;
對修補后的冷卻壁段所有測溫點數據,計算高爐每段冷卻壁橫向圓周上所有測溫點的平均水溫差作為冷卻壁段的實際水溫差。
4.根據權利要求1所述的基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法,其特征在于,所述步驟S3中,泊松相關系數計算、相關系數頂峰值及閾值設定的過程如下:
泊松相關系數計算過程描述為
式中,分別為參數x(t),y(t)的均值;
選取相關系數最大的尖峰點處所對應的各冷卻壁段水溫差的歷史時間序列作為高爐冷卻壁立體水溫差對爐缸溫度響應的滯后時間;選擇相關系數|r|≥0.1的歷史爐溫時間序列作為爐缸熱狀態預測相關特征參數。
5.根據權利要求1所述的基于時間序列和高爐多維度的爐缸熱狀態趨勢預測的方法,其特征在于,所述步驟S4中,建模過程如下:
S4-1、將預處理后的指標數據分為訓練集和測試集,將訓練數據輸送到LSSVM預測模型中訓練,同時采用粒子群算法對LSSVM的懲罰因子γ和核參數寬度σ'進行優化,最終得到用于爐缸熱狀態預測的PSO-LSSVM模型;
S4-2、利用訓練好的PSO-LSSVM模型對測試集進行預測。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于內蒙古科技大學,未經內蒙古科技大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910728160.0/1.html,轉載請聲明來源鉆瓜專利網。





