[发明专利]一种高炉煤气发生量的预测方法及装置

权利要求书

1.一种高炉煤气发生量的预测方法，其特征在于，包括：

获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；

构建BP神经网络；

根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量；

将所述输入变量划分为第一训练集和第一测试集；

将所述高炉煤气发生量数据作为所述BP神经网络的输出，划分为第二训练集和第二测试集；

将所述第一训练集中的输入变量以及所述第二训练集中的高炉煤气发生量作为所述BP神经网络的输入输出数据进行模型训练，直至所述BP神经网络收敛；

将所述第一测试集中的输入变量输入所述收敛后的BP神经网络，输出预测的高炉煤气发生量；

将所述预测的高炉煤气发生量与所述第二测试集中的高炉煤气发生量比较，检验预测效果。

2.根据权利要求1所述的方法，其特征在于，还包括：

利用内插法对所述高炉煤气发生量数据以及所述输入变量求取缺失数据以及非正常数据的替代；

对经过所述内插法处理后的高炉煤气发生量进行卡尔曼滤波。

3.根据权利要求1所述的方法，其特征在于，根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量，包括：

对所述高炉炉况信息、强化冶炼信息依次进行线性相关分析以及灰色关联度分析，选取具有强关联度的炉况因素作为输入变量；

根据所述强化冶炼信息，选取富氧量、喷煤量作为输入变量。

4.根据权利要求1所述的方法，其特征在于，所述构建BP神经网络，包括：

确定BP神经网络的结构，包括隐含层层数，输入层、隐含层、输出层各层节点数；

确定神经元连接权值和神经元阈值。

5.根据权利要求1所述的方法，其特征在于，还包括：

分别对所述第一训练集和第一测试集中的输入变量进行归一化处理；

分别对所述第二训练集和第二测试集中的高炉煤气发生量进行归一化处理；

对输出的所述预测的高炉煤气发生量进行反归一化处理，得到预测后的高炉煤气发生量。

6.一种高炉煤气发生量的预测装置，其特征在于，包括：

获取单元，用于获取高炉炉况信息、强化冶炼信息、高炉煤气发生量数据；

神经网络构建单元，用于构建BP神经网络；

输入变量选取单元，用于根据所述高炉炉况信息、强化冶炼信息选取所述BP神经网络的输入变量；

第一划分单元，用于将所述输入变量划分为第一训练集和第一测试集；

第二划分单元，用于将所述高炉煤气发生量数据作为所述BP神经网络的输出，划分为第二训练集和第二测试集；

训练单元，用于将所述第一训练集中的输入变量以及所述第二训练集中的高炉煤气发生量作为所述BP神经网络的输入输出数据进行模型训练，直至所述BP神经网络收敛；

处理单元，用于将所述第一测试集中的输入变量输入所述收敛后的BP神经网络，输出预测的高炉煤气发生量；

检验单元，用于将所述预测的高炉煤气发生量与所述第二测试集中的高炉煤气发生量比较，检验预测效果。

7.根据权利要求6所述的装置，其特征在于，还包括：

数据处理单元，用于利用内插法对所述高炉煤气发生量数据以及所述输入变量求取缺失数据以及非正常数据的替代；

滤波单元，用于对经过所述内插法处理后的高炉煤气发生量进行卡尔曼滤波。

8.根据权利要求6所述的装置，其特征在于，所述输入变量选取单元，包括：

第一选取模块，用于对所述高炉炉况信息、强化冶炼信息依次进行线性相关分析以及灰色关联度分析，选取具有强关联度的炉况因素作为输入变量；

第二选取模块，用于根据所述强化冶炼信息，选取富氧量、喷煤量作为输入变量。

9.根据权利要求6所述的装置，其特征在于，所述神经网络构建单元，包括：

第一确定模块，用于确定BP神经网络的结构，包括隐含层层数，输入层、隐含层、输出层各层节点数；

第二确定模块，用于确定神经元连接权值和神经元阈值。

10.根据权利要求6所述的装置，其特征在于，还包括：

第一归一化处理模块，用于分别对所述第一训练集和第一测试集中的输入变量进行归一化处理；

第二归一化处理模块，用于分别对所述第二训练集和第二测试集中的高炉煤气发生量进行归一化处理；

反归一化处理模块，用于对输出的所述预测的高炉煤气发生量进行反归一化处理，得到预测后的高炉煤气发生量。