[发明专利]一种高炉煤气发生量的预测方法及装置

说明书

技术领域

本发明涉及煤气预测领域，更具体的说是涉及一种高炉煤气发生量的预测方法及装置。

背景技术

钢铁企业是高能耗、高污染、高排放的产业，节能降耗一直是钢铁行业所面临的最严峻问题之一。由于钢铁生产消耗的一次能源有40%左右转变为副产煤气，其中高炉煤气占45%，因此，钢铁生产过程中产生的副产煤气能否得到合理的利用将直接影响到整个冶金企业的能耗成本和节能减排效果。

合理的煤气平衡调度能够减少放散量，降低一次能源的使用量，减少钢铁企业的生产成本，而准确预测高炉煤气的发生量是煤气平衡调度的基础。目前实际生产中，对冶金企业高炉煤气的发生量预测还是以静态预测为主，静态预测主要是以高炉煤气系统的计划和规划为依据，对一段时间内高炉煤气的发生量，结合期间的生产计划、检修计划或技改项目等因素，进行简单的预测。

因此，现有的高炉煤气发生量的预测方法不能准确预测高炉煤气的发生量。

发明内容

有鉴于此，为了解决现有的高炉煤气发生量的预测方法不能准确预测高炉煤气发生量的问题，提供一种高炉煤气发生量的预测方法及装置，技术方案如下：

一种高炉煤气发生量的预测方法，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。

优选的，在上述的高炉煤气发生量的预测方法中，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。

优选的，在上述的高炉煤气发生量的预测方法中，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。

优选的，在上述的高炉煤气发生量的预测方法中，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。

优选的，在上述的高炉煤气发生量的预测方法中，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。

一种高炉煤气发生量的预测装置，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。

优选的，在上述的高炉煤气发生量的预测装置中，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；