[发明专利]一种提高钢铁企业能源利用率的能耗预测方法

说明书

技术领域

本发明属于信息技术领域，具体涉及一种提高钢铁企业能源利用率的能耗预测方法。

背景技术

钢铁生产是一个多工序、多装置、高能耗的复杂生产过程，能源消耗成本是钢铁工业的主要成本之一，占整个产品成本的20～30％；高能源消耗不仅导致钢铁产品的成本增加，而且也意味着更多的污染和排放；因此，确保连续、安全和经济的能源供应及高效的能源利用是目前各钢铁企业能源管理和规划的重要任务。

能源消耗量的预测是制定钢铁企业能源规划的重要组成部分；通过能源消耗预测系统可以把握能源消耗的趋势，控制能源的存贮量，减少能源的浪费，降低钢铁生产成本，对于提高钢铁企业产品的市场竞争力、经济效益和信息化管理水平具有极为重要的意义。

预测是运用统计方法和数学模型，对能源未来发展状况进行测定，主要通过对过去一些历史数据的统计分析，用量化指标来对系统未来发展进行预测；能源预测的最重要指标是预测精度，因此选择准确的预测方法至关重要；目前采用的主要预测方法有回归分析法、时间序列分析法、灰色预测法、人工神经网络法、组合预测法等。

目前关于能源预测的专利如下：

王建军等(一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，申请号：201310117694.2)利用最小二乘支持向量机的方法建立预测模型，对钢铁冶炼高炉的氧气使用量进行预测，预测结果用以调节高炉氧气供应量；

赵珺等(钢铁企业焦炉煤气柜位预测平衡方法，申请号：200910202045.6)在建立柜位预测模型前先确定出影响柜位变化的主要煤气用户作为柜位预测模型的输入，然后采用小样本的支持向量机建立柜位预测模型，预测煤气柜的柜位平稳、上升和下降变化趋势，为现场调度人员的煤气平衡调度提供指导；

上述专利都是针对某一种能源介质或设备进行预测，钢铁生产中的能源消耗覆盖几乎所有工序，涉及多种介质、多个设备，因此上述专利的应用范围有限。

杜永谦等(基于钢铁生产计划的能源预测方法，申请号：201110079115.0)根据从ERP和MES中每15分钟采集的生产计划、检修计划和设备状态等数据，生成能源消耗曲线，对单个机组或整个企业的能源产耗进行预测；

孙要夺(一种一体化的钢铁企业在线能源预测系统与方法，申请号：200610113685.6)建立了能源预测建模算法库，采用组合模型进行预测以提高准确性；

梁青艳等(一种基于乘积ARIMA模型的在线能源预测系统及方法，申请号：200810226961.9)提出了一种自回归求和滑动平均方法(ARIMA)处理平稳、非平稳、季节波动数据情况下的能源预测，将算法封装于算法库中，使用时提取并根据检修情况对结果进行修正；

在上述专利中，采用能源消耗曲线进行预测无法保证精度，采用算法库的方法克服了单一方法的缺点，但在算法与具体问题的适合性、组合算法的效率方面存在应用局限性。

发明内容

针对现有技术的不足，本发明提出一种提高钢铁企业能源利用率的能耗预测方法，以达到提高能源使用量估计的准确性、提高能源使用率、降低能源放散率的目的。

一种提高钢铁企业能源利用率的能耗预测方法，包括以下步骤：

步骤1、采集企业的生产信息和能源信息，作为多组样本数据；

步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和回收量的影响因素；

步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；

步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；

步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络，判断网络总误差函数值是否小于设定的限定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤6，否则，返回执行步骤4；

步骤6、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量。

步骤1所述的生产信息包括：各工序的生产量、生产周期内的设备检修记录；

所述的能源信息包括：各工序主要能源介质的消耗量，各工序能源介质的回收量，具体如下：