[发明专利]基于数据驱动的工况识别方法

权利要求书

1.一种基于数据驱动的工况识别方法，其特征在于，包括：

S0、依据待分析的钢铁企业中工序和设备的网络拓扑结构，获取待识别工况信息，所述工况信息包括：工况类别及每一工况类别对应的工序或设备；具体地，根据网络拓扑结构和参与调度的关键设备信息；确定各主工序和设备在不同能源介质下的相互关系；确定不同能源介质在生产过程中的刚性用户、可调节用户以及缓存用户，以及在不同工况下用于未来调度周期中的各用户对于不同能源介质的需求量和供应量；

S1、根据钢铁企业第一预设时间段内的能源系统历史数据，确定第一预设时间段内所述工序或设备的状态信息和生产信息；

S2、根据所述工序或设备的状态信息和生产信息编制工况标签；以及对能源系统历史数据进行预处理，且建立预处理后的历史数据与所述工况标签的对应关系；

工况标签是指能唯一标识一个工况的一组标签，包含四部分，分别是：设备名称、生产状况、原料消耗水平、产品产量水平；所述生产状况包括正常生产、非正常生产和停产三种情况，通过设备检修计划和设备管理系统获得；所述原料消耗水平和产品生产水平是对设备原料消耗和产品生产的估计，与原料消耗量和产品产量并不相同，通过对原料消耗量和产品产量的聚类分析得到；

历史数据与工况标签的对应关系是指为历史数据对应时间点配置工况标签，使该设备在给出的时间点总有一个工况标签与能源系统历史数据对应；

S3、根据所述对应关系，构造用于训练工况识别预报模型的训练数据集和测试数据集；

采用训练数据集对工况识别预报模型进行训练，采用测试数据集对训练好的工况识别预报模型进行预测，进而比较以调整工况识别预报模型的参数，获得训练后的工况识别预报模型；工况识别预报模型是指一种BP神经网络模型，是一种按误差逆传播算法训练的多层前馈神经网络，这种神经网络在训练过程中有反馈信号，根据反馈信号不断调整各节点的权值和阈值，最终使输出数据误差平方和最小；BP神经网络包括三层，分别是输入层、隐含层和输出层，每层包含若干个神经元节点；

S4、采集钢铁企业的实时数据，将采集的实时数据输入训练后的工况识别预报模型，进行未来时间段内工况的识别和预报，得到未来时间段内待预测时刻的工况识别预报结果；未来时间段内待预测的时刻由输入数据的时刻决定；

其中，待预测时刻和输入数据时刻的关系，与训练数据集中输入数据时刻和输出数据时刻的关系相同；

S5、将所述工况识别预报结果上传到企业的能源系统应用服务器上，煤气预测与调度系统依据工况识别预报结果进行预测和调度。

2.根据权利要求1所述的方法，其特征在于，

所述网络拓扑结构是所述钢铁企业主工序和设备通过能源介质在物理上的布局；

所述工况是指包括所述钢铁企业在历史生产中的正常生产工况和设备周期性维护、检修的生产工况；

工序的工况是指工序所包含的一组设备对应的工况；

所述历史数据包括：能源介质的供应量、需求量、存储量的实时统计数据，以及包括能源介质自身的关键参数；

所述状态信息是指反应设备运行状况的信息；

所述生产信息是用于区分工序或设备的工况的关键信息；

所述工况标签是指能唯一标识一个工况的一组标签，每组标签包括设备名称、生产状况、原料消耗水平和产品产量水平；

所述生产状况包括：正常生产、非正常生产和停产；

所述对应关系为预处理后的历史数据对应时间点配置工况标签、使设备在给出的时间点总有一个工况标签与能源系统历史数据对应。

3.根据权利要求1所述的方法，其特征在于，步骤S2包括：

步骤201：通过企业调度应用服务器获取得到的历史数据得出不同工序和设备的状态信息和生产信息，并贴上能唯一标识一个工况的标签；

步骤202：对获取的历史数据进行预处理，得到一张相对时间坐标完整的数据表；

步骤203：将贴有标签的工序和设备通过预处理后的历史数据得到的时间点对应起来，建立能源系统的历史数据与所编制的工况标签一一对应的关系。