一種基于粒度計算的冶金企業(yè)轉爐煤氣柜位長期預測方法
【專利摘要】一種基于數(shù)據(jù)的冶金企業(yè)轉爐煤氣柜柜位長期預測方法。在對真實工業(yè)生產數(shù)據(jù)進行除噪填補等預處理后，對數(shù)據(jù)進行?；?，即按照實際特征將轉爐煤氣流量差、煤氣柜位等數(shù)據(jù)進行分段。通過模糊C均值、模糊推理與中心解模糊化等方法的應用，最終完成對轉爐煤氣柜柜位的長期預測。本發(fā)明能夠準確地預測轉爐煤氣系統(tǒng)未來較長一段時間內各煤氣柜柜位變化，為現(xiàn)場調度人員的平衡優(yōu)化工作提供在線決策支持。
【專利說明】一種基于粒度計算的冶金企業(yè)轉爐煤氣柜位長期預測方法
【技術領域】
[0001]本發(fā)明屬于信息【技術領域】，涉及到粒度計算、模糊聚類、模糊推理等技術，是一種基于粒度計算的冶金企業(yè)轉爐煤氣柜位長期預測方法。本發(fā)明采用真實工業(yè)生產數(shù)據(jù)，首先對數(shù)據(jù)進行?；?，即按照實際特征將轉爐煤氣流量差、煤氣柜位等數(shù)據(jù)進行分段；隨后，利用模糊C均值聚類方法進行模糊建模，進而借助所獲得的隸屬度與聚類中心進行模糊推理，建立If-Then形式的模糊規(guī)則庫；最終，通過中心解模糊化方法，將結果由[0，I]區(qū)間的模糊論域，轉換到常用的(-m，+ c?)的精確域上，得到長期預測結果。這種長期預測結果可更好地輔助現(xiàn)場調度人員進行能源系統(tǒng)的平衡優(yōu)化工作，在冶金工業(yè)其他能源介質系統(tǒng)中亦可推廣應用。
【背景技術】
[0002]作為一個高能耗高排放的行業(yè)，冶金企業(yè)始終面臨節(jié)能降耗的問題。由于一次能源日益緊缺，如何合理利用冶金生產過程中產生的副產煤氣等二次能源成為問題解決的關鍵手段之一。轉爐煤氣是鋼鐵生產過程中重要的二次能源之一，多作為原料氣體應用于冷、熱軋等生產過程以及低壓鍋爐、電廠等消耗單元。在轉爐煤氣系統(tǒng)中，煤氣柜一端連接作為發(fā)生單元的六座轉爐，另外一端連接高爐、冷熱軋、石灰窯等消耗單元，在管網(wǎng)中起到緩沖單元的作用。在轉爐煤氣系統(tǒng)日常生產中，能源調度人員常以煤氣柜柜位的變化情況作為實施能 源平衡調度的參考指導信息，因此對其變化情況的準確預測，將為副產能源的高效利用提供科學的指導和決策依據(jù)，進而直接影響到企業(yè)的能耗成本(IwaoHigashi, (1982).Energy balance of steel mills and utilization of byproductgases[J].Transactions of the Iron and Steel Institute of Japan, 22 (I):57-65.)。
[0003]由于冶金企業(yè)現(xiàn)場普遍存在非線性、時變等復雜特性，傳統(tǒng)的機理建模方法難于實現(xiàn)。在對轉爐煤氣柜位的預測問題上，目前主要應用神經網(wǎng)絡、支持向量機等機器學習方
(Z.Y.Han, Y.Liu, J.Zhao, ff.Wang.(2012).Real time prediction for converter gastank levels based on mult1-output least square support vector regressor.ControlEngineering Practice, 20 (12), 1400-1409)。在具體應用時,它們的樣本構建方式均采用循環(huán)迭代機制，即設當前時刻為t，預測長度為n，柜位值為X，其它各影響柜位的因素為a，b，……，則樣本集建立如下所示:
[0004]xt = f (at, bt,......，Xh)
[0005]xt+1 = f (at+1, bt+1,......，xt) (I)
[0006].[0007].[0008].[0009]Xt+n — f (&t+n，bt+n，......，Xt+n-1)
[0010]由表達式⑴可以看出，在如此的機制下進行預測，每次輸出的結果是一個點，且下一輪的預測會將上一輪的預測結果作為輸入，進行循環(huán)滾動預測。[0011]以上方法存在如下不足:首先，由于預測過程存在迭代，每一次預測的誤差將會帶入到下一次預測當中，預測結果的精度將不可避免地隨預測長度的增加而逐漸變差，若以分鐘為基本單位，此類方法一般只能保證一個小時以內預測結果的準確性，對現(xiàn)場能源平衡工作的指導意義有限。其次，這兩類方法屬于監(jiān)督式學習方法，也就是說最終結果的獲得需要經過訓練和預測兩個階段，其中算法的諸多參數(shù)是需要通過對數(shù)據(jù)進行訓練而獲得的，這便使得其在應對較大規(guī)模數(shù)據(jù)時，出現(xiàn)耗時較高的問題，很難適應現(xiàn)場實時性的要求。再次，單純依靠算法去學習數(shù)據(jù)的變化特性難度較大，若能在建立模型之前預先根據(jù)實際特征對數(shù)據(jù)進行處理，則無疑會降低模型辨識難度，使得預測精度的提升成為可能。

【發(fā)明內容】

[0012]本發(fā)明主要解決冶金企業(yè)轉爐煤氣柜位的長期預測問題。方法使用采集自現(xiàn)場的真實工業(yè)數(shù)據(jù)，首先基于數(shù)據(jù)呈現(xiàn)的實際特征將其進行分割完成數(shù)據(jù)?；M而對獲得的數(shù)據(jù)粒應用模糊C均值(Fuzzy e-Means, FCM)方法進行聚類，獲得相應的隸屬度與聚類中心，在此基礎上進行模糊推理，建立模糊規(guī)則庫，最終通過中心解模糊化方法完成長期預測。本發(fā)明的具體步驟如下:
[0013]1.由現(xiàn)場實時數(shù)據(jù)庫采集煤氣柜位數(shù)據(jù)以及影響轉爐煤氣柜變化的各相關因素數(shù)據(jù)，并對原始數(shù)據(jù)做基本的除噪及填補處理，保證基礎數(shù)據(jù)質量；
[0014]2.基于數(shù)據(jù)所反映的實際特征，例如煤氣集中回收、煤氣發(fā)生量大于消耗量等，對數(shù)據(jù)進行分割，完成數(shù)據(jù)?；^程，即樣本的構建；
[0015]3.對樣本應用FCM方法，得到隸屬度與聚類中心，完成模糊建模過程；
[0016]4.借助所獲得的隸屬度與聚類中心進行模糊推理，建立模糊規(guī)則，形成規(guī)則庫；
[0017]5.通過中心解模糊化方法，將分布在模糊論域(即[O, I]區(qū)間)的結果，轉換到日常實際的精確論域上，長期預測得以完成。
[0018]本發(fā)明方法面向多個數(shù)據(jù)點所形成的數(shù)據(jù)粒進行建模。由于數(shù)據(jù)粒形成過程中會考慮數(shù)據(jù)對應的實際生產特征，使得模型會更加完善，分析范圍得以擴展，進而得到更長時間的較為精確的預測結果，更為有力地支持現(xiàn)場的后續(xù)能源調度工作。與此同時，由于FCM算法屬于無監(jiān)督學習方法，并不存在訓練的過程，即使應對較大規(guī)模的數(shù)據(jù)集，其計算過程耗時仍很短，因此方法的實時性得到保證，有利于將預測結果及時地呈現(xiàn)給工業(yè)現(xiàn)場調度人員。
【專利附圖】

【附圖說明】
[0019]圖1為轉爐煤氣系統(tǒng)管網(wǎng)示意圖。
[0020]圖2為本發(fā)明應用流程圖。
[0021]圖3(a)為柜位數(shù)據(jù)?；e例示意圖。
[0022]圖3(b)為流量差數(shù)據(jù)?；e例示意圖。
[0023]圖4(a)為I號轉爐煤氣柜柜位預測效果比較圖。
[0024]圖4 (b)為2號轉爐煤氣柜柜位預測效果比較圖。
[0025]圖4(c)為3號轉爐煤氣柜柜位預測效果比較圖。
[0026]圖4 (d)為4號轉爐煤氣柜柜位預測效果比較圖。[0027]圖中:ESN是指回聲狀態(tài)網(wǎng)絡(Echo State Network, ESN)，LSSVM指最小二乘支持向量機(Least Square Support Vector Machine, LSSVM)。
【具體實施方式】
[0028]為了更好地理解本發(fā)明的技術方案與【具體實施方式】，下面以國內冶金工業(yè)自動化水平較高的某鋼鐵廠轉爐煤氣系統(tǒng)為例做進一步說明。由附圖1所示的轉爐煤氣系統(tǒng)示意圖可以看出，該系統(tǒng)中含有六座轉爐作為發(fā)生單元，還有高爐、冷熱軋、燒結等諸多消耗單元，低壓鍋爐和熱電機組等作為可調節(jié)單元，四個煤氣柜則起到緩沖作用，可在轉爐煤氣發(fā)生量大于消耗量時暫存多余的轉爐煤氣，或在發(fā)生量不足時臨時供給消耗單元保證生產，此外還有煤氣混合站和煤氣加壓站等作為輸配系統(tǒng)。由于輸配管網(wǎng)紛繁復雜，遍布多個生產區(qū)域，且鋪設距離較長，轉爐煤氣系統(tǒng)存在非線性大時滯等諸多特點，因此很難對其進行準確有效的機理 建模，這也是本發(fā)明由基于數(shù)據(jù)的方法角度出發(fā)的原因所在。
[0029]本發(fā)明的具體實施步驟如下:
[0030]步驟1:數(shù)據(jù)準備與預處理
[0031]從工業(yè)現(xiàn)場實時關系數(shù)據(jù)庫讀取轉爐煤氣系統(tǒng)發(fā)生單元、消耗單元、可調節(jié)單元以及柜位數(shù)據(jù)。由于工業(yè)數(shù)據(jù)普遍存在有噪聲、少量缺失點等問題，在建立模型之前對數(shù)據(jù)做基本的除噪和填補處理。
[0032]步驟2:基于粒度的樣本構建
[0033]①輸入/輸出確定:由轉爐煤氣系統(tǒng)管網(wǎng)示意圖可知，轉爐煤氣柜兩端連接有發(fā)生用戶與消耗用戶，這些用戶的產消流量差值，會影響煤氣柜位的變化，因此流量差值是影響柜位因素之一；此外，煤氣柜儲量歷史信息很重要，在考察當前柜位時，需要考慮前一時刻煤氣柜處于什么樣的狀態(tài)，所以柜位歷史信息是另一個影響因素。至此，模型的輸入部分已經明確，輸出即為當前時刻的柜位值。
[0034]②基于粒度思想的樣本構建:粒度計算理論不同于一般針對數(shù)據(jù)點研究的方式，更側重于“段”的概念，即“粒子”的研究?；谏鲜鏊枷?，可構建前一時刻柜位Ltl ={101，102，……，10N, 10(N+1)}、當前時刻流量差D = {d” d2,……，dN, d_}以及當前時刻柜位L=Il1, I2,……，IJ，其中每一個子元素1M、Cli或h均為長度為W的數(shù)據(jù)粒子，N代表粒子個數(shù)。后續(xù)的聚類計算將對U、D和L三組數(shù)據(jù)分別進行，而由于最終預測時需要輸入，因此Ltl和D分別比L多出一個粒子


lo(N+l)和 d(N+1)。
[0035]考慮到工程應用，應以數(shù)據(jù)對應的實際工業(yè)特征對U、D和L進行劃分。例如，圖3(a)是對某柜位數(shù)據(jù)的?；f明，作為轉爐煤氣系統(tǒng)的緩沖單元和臨時存儲設備，煤氣柜一般有煤氣集中回收、煤氣集中供應和供需相對平衡三種情況，對應柜位值形態(tài)為上升、下降和相對平穩(wěn)，柜位一類數(shù)據(jù)依此劃分即可；圖3(b)是對流量差數(shù)據(jù)進行劃分的方式，因發(fā)生和消耗用戶在煤氣柜處產生或正或負的流量差，所以此數(shù)據(jù)按正負進行?；纯伞；谝陨戏绞教幚磉^的數(shù)據(jù)，將更加貼近生產實際，有助提升預測結果的精度。
[0036]步驟3:模糊建模
[0037]模糊建模過程即對樣本中的三個數(shù)據(jù)集U、D和L分別進行聚類，為敘述方便，此處以當前時刻柜位數(shù)據(jù)集L= (I1, I2,……，1N}為例進行說明，其中Ii= {ln，li2，……，liw}為一個w長的粒。作為一個無監(jiān)督學習方法，F(xiàn)CM首先隨機生成隸屬度矩陣，再結合數(shù)據(jù)生成初始聚類中心矩陣，然后通過不斷的優(yōu)化計算，更新這兩個矩陣使之達到最優(yōu)。設1^_表示數(shù)據(jù)集的第j個粒子對i個類的隸屬度值，F(xiàn)CM聚類問題的目標函數(shù)和約束條件分別如
(2)和(3)所示。
[0038]
【權利要求】
1.一種基于粒度計算的冶金企業(yè)轉爐煤氣柜位長期預測方法，其特征在于如下步驟: (1)從工業(yè)現(xiàn)場實時數(shù)據(jù)庫讀取轉爐煤氣系統(tǒng)發(fā)生單元、消耗單元、可調節(jié)單元以及柜位數(shù)據(jù)，在建立模型之前對這些數(shù)據(jù)做基本的除噪和填補處理； (2)基于粒度思想構建輸入/輸出樣本 ①輸入/輸出確定:模型的輸入為用戶流量差值與柜位歷史信息，輸出為當前時刻的柜位值； ②基于粒度思想的樣本構建:基于數(shù)據(jù)粒度思想，構建前一時刻柜位的粒度形式Ltl={loi, 102,……，U 1Q(N+1)}、當前時刻流量差的粒度形式D = W1, d2,……，dN，d_}以及當前時刻柜位的粒度形式L = (I1, I2,……，U，其中每一個子元素1吣屯或L均為長度為w的數(shù)據(jù)粒子，N代表粒子個數(shù)，后續(xù)的聚類計算將對U、D和L三組數(shù)據(jù)分別進行，而由于最終預測時需要輸入，因此Ltl和D分別比L多出一個粒子1_+1)和d(N+1)； (3)基于數(shù)據(jù)粒度的模糊建模 模糊建模過程即對構建樣本中的三個數(shù)據(jù)粒度集U、D和L分別進行聚類，以當前時刻柜位數(shù)據(jù)集L= (I1, I2,……，1N}為例進行說明，其中Ii= {ln, Ii2,……，liw}為一個w長的粒，具體聚類步驟為: ①給定數(shù)據(jù)集，確定分類數(shù)c，l<c<N，模糊系數(shù)m>l)以及誤差限ε>0; ②隨機給定初始模糊劃分矩陣
【文檔編號】G06F19/00GK103942422SQ201410141454
【公開日】2014年7月23日 申請日期:2014年4月9日 優(yōu)先權日:2014年4月9日
【發(fā)明者】趙珺, 韓中洋, 盛春陽, 王偉, 劉穎 申請人:大連理工大學