[发明专利]一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法

说明书

技术领域

本发明属于信息技术领域，涉及到粒度计算、模糊聚类、模糊推理等技术，是一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法。本发明采用真实工业生产数据，首先对数据进行粒化，即按照实际特征将转炉煤气流量差、煤气柜位等数据进行分段；随后，利用模糊C均值聚类方法进行模糊建模，进而借助所获得的隶属度与聚类中心进行模糊推理，建立If-Then形式的模糊规则库；最终，通过中心解模糊化方法，将结果由[0,1]区间的模糊论域，转换到常用的(-∞,+∞)的精确域上，得到长期预测结果。这种长期预测结果可更好地辅助现场调度人员进行能源系统的平衡优化工作，在冶金工业其他能源介质系统中亦可推广应用。

背景技术

作为一个高能耗高排放的行业，冶金企业始终面临节能降耗的问题。由于一次能源日益紧缺，如何合理利用冶金生产过程中产生的副产煤气等二次能源成为问题解决的关键手段之一。转炉煤气是钢铁生产过程中重要的二次能源之一，多作为原料气体应用于冷、热轧等生产过程以及低压锅炉、电厂等消耗单元。在转炉煤气系统中，煤气柜一端连接作为发生单元的六座转炉，另外一端连接高炉、冷热轧、石灰窑等消耗单元，在管网中起到缓冲单元的作用。在转炉煤气系统日常生产中，能源调度人员常以煤气柜柜位的变化情况作为实施能源平衡调度的参考指导信息，因此对其变化情况的准确预测，将为副产能源的高效利用提供科学的指导和决策依据，进而直接影响到企业的能耗成本(Iwao Higashi,(1982).Energy balance of steel mills and utilization of byproduct gases[J].Transactions of the Iron and Steel Institute of Japan,22(1):57-65.)。

由于冶金企业现场普遍存在非线性、时变等复杂特性，传统的机理建模方法难于实现。在对转炉煤气柜位的预测问题上，目前主要应用神经网络、支持向量机等机器学习方法（Z.Y.Han,Y.Liu,J.Zhao,W.Wang.(2012).Real time prediction for converter gas tank levels based on multi-output least square support vector regressor.Control Engineering Practice,20(12),1400-1409）。在具体应用时，它们的样本构建方式均采用循环迭代机制，即设当前时刻为t，预测长度为n，柜位值为x，其它各影响柜位的因素为a,b,……，则样本集建立如下所示：

x_t＝f(a_t,b_t,……,x_t-1)

x_t+1＝f(a_t+1,b_t+1,……,x_t)    (1)

.

.

.

x_t+n＝f(a_t+n,b_t+n,……,x_t+n-1)

由表达式(1)可以看出，在如此的机制下进行预测，每次输出的结果是一个点，且下一轮的预测会将上一轮的预测结果作为输入，进行循环滚动预测。

以上方法存在如下不足：首先，由于预测过程存在迭代，每一次预测的误差将会带入到下一次预测当中，预测结果的精度将不可避免地随预测长度的增加而逐渐变差，若以分钟为基本单位，此类方法一般只能保证一个小时以内预测结果的准确性，对现场能源平衡工作的指导意义有限。其次，这两类方法属于监督式学习方法，也就是说最终结果的获得需要经过训练和预测两个阶段，其中算法的诸多参数是需要通过对数据进行训练而获得的，这便使得其在应对较大规模数据时，出现耗时较高的问题，很难适应现场实时性的要求。再次，单纯依靠算法去学习数据的变化特性难度较大，若能在建立模型之前预先根据实际特征对数据进行处理，则无疑会降低模型辨识难度，使得预测精度的提升成为可能。

发明内容

本发明主要解决冶金企业转炉煤气柜位的长期预测问题。方法使用采集自现场的真实工业数据，首先基于数据呈现的实际特征将其进行分割完成数据粒化，进而对获得的数据粒应用模糊C均值(Fuzzy C-Means,FCM)方法进行聚类，获得相应的隶属度与聚类中心，在此基础上进行模糊推理，建立模糊规则库，最终通过中心解模糊化方法完成长期预测。本发明的具体步骤如下：