[发明专利]一种基于XGBoost算法的加热炉能耗核算方法

权利要求书

1.一种基于XGBoost算法的加热炉能耗核算方法，其特征在于，包括：

确定板坯能耗的影响因素，并基于XGBoost算法确定各影响因素的权重系数；

以预设时刻为核算起点，获取加热炉内板坯实际生产中的物料信息；其中，所述物料信息包括：板坯编号以及所述板坯对应的各所述影响因素的取值；

将板坯在加热炉中停留的时间段划分为多个能耗累积段，进行板坯在加热炉内能耗的离散化处理，并计算出每一累积段的能耗；

根据各累积段内物料信息计算各累积段内各影响因素的单一板坯分摊系数；

以单一板坯为能耗核算对象，基于所述板坯对应的各影响因素的权重系数、各影响因素的单一板坯分摊系数以及各累积段的能耗，计算得到各板坯的能耗。

2.如权利要求1所述的基于XGBoost算法的加热炉能耗核算方法，其特征在于，所述影响因素包括：在炉时间、装钢温度、出钢温度以及板坯规格尺寸；其中，所述板坯规格尺寸包括：板坯长度、板坯宽度、板坯厚度以及板坯重量。

3.如权利要求1所述的基于XGBoost算法的加热炉能耗核算方法，其特征在于，所述基于XGBoost算法确定各影响因素的权重系数，包括：

获取包含所述影响因素的加热炉历史生产样本数据；

将板坯能耗作为目标参数，建立XGBoost数学模型；将所述样本数据导入XGBoost数学模型进行样本训练，通过模型中feature_importance_函数得出各影响因素的重要性及相应预测值，并在归一化处理后得到各影响因素的权重系数。

4.如权利要求3所述的基于XGBoost算法的加热炉能耗核算方法，其特征在于，在将所述样本数据导入XGBoost数学模型进行样本训练之前，所述方法还包括：采用箱线图法剔除所述样本数据中的异常数据。

5.如权利要求4所述的基于XGBoost算法的加热炉能耗核算方法，其特征在于，在采用箱线图法剔除所述样本数据中的异常数据时，根据所述样本数据的分布情况，划分出三个四等分点，包括：下四分点位P1、中四分点位MD以及上四分点位P3，上极端异常点＝P3+3IPR，下极端异常点＝P1-3IPR，其中，IPR表示箱子高度；超过上极端异常点或下极端异常点的数据即为异常数据。

6.如权利要求2所述的基于XGBoost算法的加热炉能耗核算方法，其特征在于，所述将板坯在加热炉中停留的时间段划分为多个能耗累积段，进行板坯在加热炉内能耗的离散化处理，并计算出每一累积段的能耗，包括：

将加热炉内板坯数量恒定的每个时间段记为一个能耗累积段，进行板坯在加热炉内能耗的离散化处理，并通过下式计算出每一累积段的能耗：

其中，q_i为第i个累积段的能耗，n为第i个累积段的采样周期个数，EQ_i,j为第i个累积段中第j个采样周期内燃料的瞬时流量计量，Δt为采样周期时间。