[发明专利]基于多采样率自回归分布滞后模型的高炉指标预测方法

说明书

本发明公开了一种基于改进多采样率自回归分布滞后模型的高炉生产指标预测方法，属于工业过程监控、建模和仿真领域。模拟高炉炼铁这个连续生产过程，即炉料自上而下、煤气自下而上逆流接触完成反应产生铁水的过程，在多采样率模型中通过高频解释变量预测低频被解释变量，提出停留时间分布作为权重函数，同时利用自适应遗传算法用于参数估计，最后选取解释变量，根据相关性分析确定模型输入输出变量。本发明方法对于时间序列数据具有很好的拟合效果，能够广泛应用于具有多采样率特性、滞后效应的工业动态系统的预测与优化。

技术领域

本发明属于工业过程监控、建模和仿真领域，特别涉及一种改进MIDAS-ADL预测高炉炼铁生产技术指标的方法。

背景技术

钢铁制造流程中，以大型高炉为主的大型炼铁系统是铁素物质流转换的关键工序，也是能耗最大、排放最多、生产成本最高的环节，分别占钢铁综合能耗的65％～75％、钢铁大气污染物排放总量的80％左右、钢铁制造总成本的60％～70％。另外，作为钢铁流程的前端关键工序，炼铁系统的生产质量和效率决定着整个钢铁制造流程的钢材质量和生产效率。由此可见，大型炼铁系统是钢铁流程深度节能降耗减排和提质增效的前沿阵地。

我国多数大型炼铁系统的原燃料禀赋差且成分多变，运行工况频繁波动且规律难以把握。此外，大型炼铁系统的场相耦合与非线性多参数耦合异常复杂，表征运行性能的关键参数难以在线检测，使得以人工经验知识为主的炼铁系统的操作调控不及时，生产长时间处于非最优状态，造成能耗高、效率低以及产品质量的不稳定。因此，亟需在现有炼铁生产自动化与信息化的基础上，深度融合炼铁专家知识、操作经验与智能技术，实现信息深度感知、智慧优化决策和精准协调控制，以提高我国大型炼铁系统生产过程的绿色化与智能化水平。

但现有的数理统计和智能预测方法，如贝叶斯网络、卡尔曼滤波、深度学习、神经网络、支持向量机、随机森林等，基本都是基于相同采样率的数据，对于不同采样率的数据也是先进行加总或是插值使其成为相同时间间隔的数据，这样会导致数据所蕴含的信息损失和人为信息增加，没有办法充分利用现有的高采样率数据信息。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于多采样率自回归分布滞后模型的高炉指标预测方法。

一种基于改进多采样率(MIDAS,Mixed Data Sampling)自回归分布滞后(ADL,Autoregressive Distributed Lag)模型的高炉生产指标预测方法，在多采样率模型中通过高频解释变量预测低频被解释变量，提出停留时间分布作为权重函数，同时利用自适应遗传算法用于参数估计，最后选取解释变量，根据相关性分析确定模型输入输出变量；

所述的多采样率模型(MIDAS-ADL)表达式为：

Y为被解释变量，X为解释变量，α为常数项，β为解释变量的总体乘数，γ_j为延迟系数，μ_t为随机扰动项，ω_i(θ)为权重函数，p、q为X、Y的最大滞后阶数，m为高采样率比低采样率的倍数；

所述的权重函数表达式为：

i和i^max是权重函数当前滞后阶数和最大滞后阶数，θ为参数向量。

所述的自适应遗传算法用于MIDAS-ADL模型中的参数估计：

通过在迭代过程中计算种群个体适应度函数分布并根据其偏度系数式(11)决定种群规模的增减，到达在进化中根据种群性能实时改变种群规模的目的；

为平均值，M_e为中位数，σ为标准差；

种群规模与偏度系数关系如式(12)所示：