[发明专利]钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法

权利要求书

1.一种钢铁行业副产高炉煤气自平衡调度系统，其特征在于，包括：

数据采集子系统，用来采集高炉煤气实时生产数据，以及所需的预测参数和生产计划数据作为原始数据；

高炉煤气预测子系统，用来建立相应的预测模型，并根据所述数据采集子系统收集的数据预测高炉煤气产生量和消耗量；

高炉煤气产消平衡调度子系统，用来根据预测高炉煤气系统未来时刻的产生量和消耗量，以及根据原有的煤气存储量判断煤气量的供需平衡情况，给出平衡调度方案，调节高炉煤气平衡系统。

2.根据权利要求1所述的系统，其特征在于，所述的数据采集子系统，包括：

实时数据获取模块，用于从能源实时数据库中获取煤气的实时产生量与消耗量；

管理数据获取模块，用于从能源管理数据库中获取煤气预测模型所需的预测参数以及高炉煤气的生产计划数据；

数据预处理模块，用于把采集来的原始数据进行消噪、清洗预处理，剔除数据整理错误的离群值；

数据存储模块，用于存储加工好的数据，形成相关的数据库信息，并传递给后续的高炉煤气预测子系统和高炉煤气产消平衡调度子系统。

3.根据权利要求1所述的系统，其特征在于，所述的高炉煤气预测子系统，包括：

高炉煤气产生量预测模块和高炉煤气消耗量预测模块，两个预测模块内包含多个高炉煤气产生量/消耗量预测单元；将高炉煤气产生量/消耗量预测单元划分为如下几个子单元：

关联度计算子单元，确定与高炉煤气产生量/消耗量相关的相关量，计算相关量与煤气发生量/消耗量的关联度；

数据预处理子单元，将从预测单元获得的输入变量进行标准归一化处理，消除输入变量在数据特性、取值范围、量纲的影响；

网络训练预测子单元，通过样本数据对预测模型进行网络训练，训练至神经网络误差达到误差允许范围之内，用训练好的预测网络对未来某时刻的高炉煤气产生量/消耗量进行预测，得出预测中间结果；

数据后续处理子单元，在输出预测结果时进行反归一化处理；

预测输出子单元，将各煤气预测单元的输出结果通过数据输出接口输出并传递给后续高炉煤气产消平衡调度子系统。

4.根据权利要求1所述的系统，其特征在于，所述的高炉煤气产消平衡调度子系统，包括：

数据查询模块：其中包括煤气的产生和消耗量的实时数据查询单元、原始数据查询单元、产消平衡数据查询单元和比较查询单元四个单元，分别设计人机交互界面实现各个单元的在线显示及查询功能；

报表显示模块：显示高炉煤气平衡的日报表、月报表和年报表，并提供下载和查询，报表的内容包括日期、监测点名称、煤气产消类型、煤气流量数据，使用人机交互式界面，通过用户输入报表的日期信息对报表信息进行筛选和显示；

历史曲线查询模块：通过数据输入接口将高炉煤气的产生量、消耗量的历史数据绘制成曲线，实现煤气流量的历史趋势显示；同时，同一坐标下用不同颜色的曲线显示煤气的平衡流量，用以同原始数据曲线作对比；

煤气供需平衡判断模块：通过数据输入接口连接数据查询模块，获取煤气产生量和消耗量的实时数据，以及相对应的历史数据作为参考值，该模块中相关计算单元根据所述各煤气预测单元的预测结果分别计算相应煤气单元当前时刻到未来某一设定时刻这一时间段内的煤气发生量、消耗量的累加值，并根据所算的累加值以及煤气气柜的存储量判断某一设定时刻的煤气供需状态，若此时高炉煤气处于不平衡状态，则将判断结果通过数据输出接口传送至平衡调度模块；

平衡调度模块：该模块里预设根据企业和专家经验针对煤气供需不平衡状态的调度规则，根据供需判断模块的判断结果、实际生产数据和预测数据、以及系统运行的辅助数据，形成调度方案，并通过输出数据接口将调度方案传送至人机交互界面，显示给用户；

输出数据接口模块：用来将各煤气单元的产生量预测结果、消耗量预测结果、高炉煤气供需平衡判断结果以及平衡调度方案等输出至人机交互界面显示给用户。

5.根据权利要求4所述的系统，其特征在于，所述的高炉煤气产消平衡调度子系统，还包括高炉煤气预测模型的反馈校正模块，所述的预测模型反馈校正模块接收各煤气单元预测模型的预测结果并且监视实际高炉煤气的生产量和消耗量，然后计算出实际产量和预测结果之间的偏差，与预先设定好的阈值作对比，若偏差的绝对值大于所设阈值，则反馈调节相应的预测模型参数重新预测。

6.一种根据权利要求3中所述的高炉煤气预测子系统的产消量预测方法，其特征在于，所述的高炉煤气产消量预测方法，是BP神经网络预测方法，相关预测步骤如下：

步骤1、计算高炉煤气量与各因素的关联度，判断各因素对煤气量的影响大小；

关联度的计算步骤如下：

a.将某时间段内企业的高炉煤气发生量/消耗量作为参考序列，即“母序列”，记为{x₀(i)},i＝1,2,...,N，它由不同时刻的统计数据构成，记第一个时刻的值为x₀(1)，第二个时刻的值为x₀(2)，第i个时刻的值为x₀(i)；关联分析中与参考序列作关联程度比较的相关量作为比较序列，即“子序列”，记为{x_k(i)},k＝1,2,...,m;i＝1,2,...,N；

b.由于系统中各因素的计算单位不同，则数据量纲也不一样；不同的量纲、数量级之间不能够直接进行比较，所以在进行关联度分析的时候要先进行无量纲化数据处理；采用均值法对原始数据进行无量纲化；令x₀的平均数为x_k的平均数为则有：

x‾k=(Σi=1Nxk(i))/N]]>k＝1,2,...,m

无量纲化：

x‾k(i)=xk(i)/x‾k]]>

c.关联度实质上是曲线间几何形状的相似程度，因此还要计算出曲线间差值的大小作为关联度的衡量标准；则第k条子线在t时刻与母线在各时刻的距离为：

Δ0k(t)=|x‾0(t)-x‾k(t)|]]>

母、子序列在各时刻的关联性用关联数表示：

ξ0k(i)=Δmin+ξΔmaxΔ0k(i)+ξΔmax]]>

其中：ξ_0k(i)为第k条子线与母线x₀在i时刻的关联数，其值满足0≤ξ_0k≤1，ξ_0k越接近1，它们的关联性越好；Δ_min,Δ_max为m条子线在区间[1,N]的距离Δ_0k(i)的最小值和最大值；ξ为分辨系数，取值为[0,1]，其大小可影响Δ_0k(i)的值，一般取ξ＝0.5；则第k条子线与母线在[1,N]间的关联度为：

r0k=1NΣi=1Nξ0k(i)]]>

在ξ＝0.5时，r_0k≥0.6，即认为子母因素有关联；r_0k＜0.6时，则认为关联性较差；由此，可以确定有n个因素是煤气产生量/消耗量的主影响因子，即为预测单元的输入变量；

步骤2、对输入数据进行归一化预处理，消除量纲影响；

获得预测单元的输入变量后，考虑到这几个的数据特性、取值范围、量纲等都不相同，

不方便后续计算；为了消除量纲的影响，加快BP神经网络的学习速度，则需将数据进行标准化处理；因为本系统选取为激励函数，该函数的值域是[0,1]，因此训练时需要把样本数据统一进行归一化处理，选取最大最小法进行归一化处理，函数形式为：

x_k＝(x_k-x_min)/(x_max-x_min)

其中，x_min是数据序列中最小值，x_max是数据序列中最大值；

步骤3、将输入数据分为样本数据和测试数据，用样本数据对BP神经网络进行训练，直至满足训练误差要求，然后用测试数据通过训练好的BP神经网络进行预测，得出预测中间结果；

a.网络初始化；BP神经网络的输入序列是{X₁,X₂,...,X_n}，输入节点为x_i(i＝1,2,...,n)；预测值输出序列是{Y₁,Y₂,...,Y_m}，输出节点为y_k(k＝1,2,...,m)；隐含层节点为h_j(j＝1,2,...,l)；则可以根据预测模型输入输出序列(X,Y)确定网络输入层节点数n、输出层节点数m、隐含层节点数l；随机初始化输入层、隐含层和输出层神经元之间的连接权值ω_ij，ω_jk，隐含层阈值a_j(j＝1,2,...,l)，输出层阈值b_k(k＝1,2,...,m)，给定神经网络学习速率η和神经元激励函数f(x)；

b.隐含层输出计算；根据输入向量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值a_j(j＝1,2,...,l)，则可以计算出隐含层输出H_j：

Hj=f(Σi=1nω1jxi-aj)]]>j＝1,2,...,l

其中，l为隐含层节点数；f为隐含层激励函数，本发明实施例选用的激励函数是

f(x)=1(1+e-x)]]>

c.输出层输出计算；根据隐含层输出H_j，连接权值ω_jk和阈值b_k(k＝1,2,...,m)，则可以计算出BP神经网络的预测输出O_k：

Ok=Σj=1lHjωjk-bk]]>k＝1,2,...,m

d.误差计算；根据网络预测输出O_k和期望输出Y，可以算出BP神经网络预测误差e_k：

e_k＝Y_k-O_k  k＝1,2,...,m

e.权值修正；根据网络预测误差e_k更新修正网络连接权值ω_ij，ω_jk；

ωij=ωij+ηHj(1-Hj)x(i)Σk=1mωjkek]]>i＝1,2,...,n;j＝1,2,...,l

ω_jk＝ω_jk+ηH_je_k  j＝1,2,...,l;k＝1,2,...,m

式中，η为学习速率；

f.阈值修正；根据网络预测误差e_k修正神经网络节点阈值a,b：

aj=aj+ηHj(1-Hj)Σk=1mωjkek]]>j＝1,2,...,l

b_k＝b_k+e_k  k＝1,2,...,m

循环以上步骤训练BP神经网络，直至预测误差稳定于允许范围内，训练结束；

用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，得出预测中间结果；

步骤4、用训练好的BP神经网络对未来某时刻的高炉煤气发生量/消耗量进行预测，此时输出的预测结果仅仅是一个中间结果，因为在预测模型的开始，对所有的输入数据进行了归一化处理，所以在输出预测结果的时候也要相应的进行反归一化处理，处理公式如下：

y＝y*(x_max-x_min)+x_min

由此，可得高炉煤气发生量/消耗量的最终预测值。