[发明专利]一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法

说明书

本发明提供一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法。本发明基于真实工业生产数据，在数据进行必要的预处理后，首先在横向即时间轴上，依据钢铁工业能源产消的阶段性特征，形成包括多个数据点的数据微粒；进而，考虑到后续模糊聚类分析需要，利用时间弯曲距离，将非等长数据微粒规范化为等长；在应用模糊聚类得到聚类中心后，将其在纵向上延展为区间值，借助模糊建模方法可获得初始区间预测结果；最终，求解基于信息粒度最优化分配理论的优化模型，获得长期区间预测结果，辅助指导现场能源调度工作，在钢铁工业其它能源介质系统中亦可推广应用。

技术领域

本发明属于信息技术领域，涉及到粒度计算、动态时间弯曲、模糊系统建模等技术，是一种基于信息粒度最优化的钢铁工业高炉煤气长期区间预测方法。

背景技术

冶金工业是一个高耗能高排放行业。除氧气、氮气等一次能源外，如何合理利用随钢铁生产过程所产生的副产煤气，亦即二次能源，是目前行业关注的重点。高炉煤气是钢铁生产过程的重要二次能源之一，它随高炉炼铁过程产生，广泛用于热风炉燃烧、焦炉炼焦和低压锅炉等环节。在日常生产中，高炉煤气发生量、热风炉高炉煤气用量等均为现场调度人员的关注重点，对上述产消用户未来趋势的判断，将直接影响到能源调度与优化排产的工作效率，以及企业的能耗成本等。(Guo,Z.C.,Fu,Z.X.(2010).Current situation ofenergy consumption and measures taken for energy saving in the iron and steelindustry in China.Energy,35(11),4356-4360.)。

随着冶金企业信息化水平不断提高，数据驱动方法逐渐成为解决此类能源预测问题的有效途径。目前的应用模式主要基于迭代机制构建数据样本，进而采用诸如神经网络、支持向量机等模型进行数据样本训练和趋势预测(Sheng,C.,Zhao,J.,Wang,W.,Leung,H.(2013).Prediction intervals for a noisy nonlinear time series based on abootstrapping reservoir computing network ensemble.IEEE Transactions onneural networks and learning systems,24(7),1036-1048.)(Z.Y.Han,Y.Liu,J.Zhao,W.Wang.(2012).Real time prediction for converter gas tank levels based onmulti-output least square support vector regressor.Control EngineeringPractice,20(12),1400-1409)。然而，这些方法的预测结果精度易收到迭代误差的影响，一般只能提供约30分钟的准确预测结果，对后续能源优化排产工作的指导意义较为有限。

在预测方法的研究上，粒度计算结合模糊系统建模的方式由于避免了迭代过程，已取得一定成果(Dong,R.,Pedrycz,W.(2008).A granular time series approach tolong-term forecasting and trend forecasting.Physica A:Statistical Mechanicsand its Applications,387(13),3253-3270.)。然而，这一模型在冶金工业应用上仍存在如下不足：首先，对数据的基本微粒划分仅依据简单的上升、下降等趋势，如此方式在面对波动剧烈的工业数据时难以适用，且忽视了数据变化与产品生产之间的关系；其次，现有研究成果一般是点预测，结果较为绝对，而以区间形式预估未来能源产消情况更符合人的认知习惯，且可直观给出结果的可靠性衡量，有助于提升其实用性。

发明内容