一种基于回声状态网络的高炉煤气发生量预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115640883A(43)申请公布日2023.01.24(21)申请号202211236322.7(22)申请日2022.10.10(71)申请人湖南华菱涟源钢铁有限公司地址417000湖南省娄底市娄星区黄泥塘甘桂路1005号双菱大厦申请人中国地质大学（武汉）(72)发明人冯力力章文聂险峰吴敏郑键陈略峰(74)专利代理机构湖南正则奇美专利代理事务所(普通合伙)43105专利代理师肖琦(51)Int.Cl.G06Q10/04(2023.01)G06Q50/04(2012.01)G06F17/10(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于回声状态网络的高炉煤气发生量预测方法(57)摘要本发明公开了一种基于回声状态网络的高炉煤气发生量预测方法，涉及钢铁生产技术领域，首先，本发明以互信息熵相关系数作为高炉煤气发生量影响因素的评价指标，影响因素与高炉煤气发生量设定一小时延迟时间，根据相关性程度选取强相关性的参数作为高炉煤气发生量的主要影响因子。然后，选取前三个小时的历史生产数据作为训练数据，训练并保存回声状态网络模型。最后选取最近一小时的数据，作为回声状态网络的模型输入预测未来一小时高炉煤气发生量的情况。本发明能实现高炉煤气消耗量的预测，为操作人员判断未来煤气发生量的变化情况提供了有力指导。CN115640883ACN115640883A权利要求书1/1页1.一种基于回声状态网络的高炉煤气发生量预测方法，其特征在于，包括如下步骤：步骤一：收集高炉生产历史数据获得原始样本数据；所述高炉生产历史数据包括若干检测参数最近三小时的历史数据；所述检测参数包括炉顶压力、荒煤气压力、净煤气压力、冷风压力、炉顶温度、热风压力以及冷风流量；步骤二：对原始样本数据中高炉煤气发生量的时间序列数据和检测参数的时间序列数据进行数据预处理；步骤三：选取互信息熵较大的检测参数作为高炉煤气发生量的影响因素；步骤四：选取最近三小时生产历史数据中的影响因素，以训练回声状态网络模型；步骤五：选取最近一小时生产历史数据，预测未来一小时高炉煤气发生量。2.根据权利要求1所述的一种基于回声状态网络的高炉煤气发生量预测方法，其特征在于，所述数据预处理表现为：剔除传感器故障和停机情况引起的零检测数据；其中，数据的采样间隔设置为30秒；对于高炉煤气发生量的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为180分钟，包含360个数据点。3.根据权利要求1所述的一种基于回声状态网络的高炉煤气发生量预测方法，其特征在于，选取互信息熵较大的检测参数作为高炉煤气发生量的影响因素，具体为：求取高炉煤气发生量与检测参数的互信息熵相关系数指标，具体公式为：其中，x是高炉煤气发生量，y是其他高炉状态检测参数，p(x,y)是联合概率分布；I是高炉煤气发生量与检测参数的互信息熵；根据互信息熵的数值大小来排序高炉煤气发生量对应的检测参数；选取前m个强相关检测参数，作为高炉煤气发生量影响因素。4.根据权利要求3所述的一种基于回声状态网络的高炉煤气发生量预测方法，其特征在于，其中，选取最近三小时生产历史数据中的影响因素，以训练回声状态网络模型；具体包括模型训练输入部分为7个强相关性影响因素；对于m个检测参数，可表示为XA＝{P1，P2，...，Pm}；每个检测参数的长度为n，XA＝{P1，P2，...，Pm}i＝1,2,…,m；将影响因素作为回声状态网络的模型输入，将高炉煤气发生量作为回声状态网络模型的输出；选择训练参数计算回声状态网络的输出权矩阵，输出权矩阵按照下式计算，TI‑1TWout＝(XX+λ)XY其中，Wout是输出权矩阵，X是状态矩阵，λ是正则化系数，I是单位矩阵，Y是目标输出矩阵；更新并保存回声状态网络的各项参数。5.根据权利要求4所述的一种基于回声状态网络的高炉煤气发生量预测方法，其特征在于，其中，选取最近一小时生产历史数据，预测未来一小时高炉煤气发生量，具体包括：选择预测参数作为回声状态网络输入，计算高炉煤气发生量的预测输出。2CN115640883A说明书1/4页一种基于回声状态网络的高炉煤气发生量预测方法技术领域[0001]本发明涉及钢铁生产技术领域，具体是一种基于回声状态网络的高炉煤气发生量预测方法。背景技术[0002]高炉煤气作为钢铁冶金过程中的一种重要二次能源，具有非常重要的使用价值。针对高炉煤气未来发生量进行预测，可以指导操作人员合理进行煤气调度，避免高炉煤气不足或过剩等问题的出现。当高炉煤气不足时，将可能影响其他工序的正常生产，导致企业整体的生产效率降低；当高炉煤气过剩时，将会导致煤气管网压力上升，当压力上升到一定值时，必须将过剩的高炉煤气通过放散塔放散掉，导致了能源