[发明专利]一种基于数据的冶金企业高炉煤气动态预测方法

摘要

一种基于数据的冶金企业高炉煤气动态预测方法。首先利用经验模态分解的消噪方法对已知的历史数据进行除噪处理，然后利用基于回声状态网络的时间序列预测方法对高炉煤气系统的产消量进行动态预测；其次在回声状态网络中引入贝叶斯推理方法建立各主要煤气用户煤气流量与煤气柜柜位之间的关系模型用来预测高炉煤气柜柜位在当前时刻后指定时间长度内的变化；本发明能够准确地预测高炉煤气系统的产消量和煤气柜柜位变化，为现场煤气平衡调度人员提供在线决策支持。

主权项

1.一种基于数据的冶金企业高炉煤气动态预测方法，其特征在于具体步骤如下：(1)从冶金企业现场的实时数据库读取预测所需的高炉煤气系统各用户煤气流量数据和煤气柜柜位数据。(2)采用经验模态分解的消噪方法对高炉煤气系统各用户煤气流量数据进行消噪处理①记待处理的信号为u，找出信号u的所有局部极大、极小值点，用三次样条插值函数拟合出信号的上包络线和下包络线，求出两包络线的平均值m₁，将u与m₁之差记为h₁(h₁＝u-m₁)判断h₁是否为IMF，若不是，则重复上述分解过程对其进一步分解，第k步的结果h_1k可写成h_1(k-1)-m_1k＝h_1k.定义h_1k＝c₁，则c₁即为从原始数据中得到的第一个IMF；②计算r₁＝u-c₁，将r₁作为分解数据，重复上述筛分过程，当剩余分量小于预定值或为单调函数时停止，最终将信号分解成n个IMF和一个剩余分量r_n，即③选择前k个IMF分量进行消噪，采用自适应阈值T_i(1≤i≤k)，其中σ_i表示第i尺度信号的标准差；④计算第i个信号相邻信号的标准差σ_i^j，若则采用低通滤波器去噪；⑤将消噪后的IMF分量和其余的n-k个分量重构，得到消噪后的时间序列信号；(3)高炉煤气系统产消量预测①利用消噪后的数据构建训练样本集：将先前m个消噪后的历史数据[u(t)，u(t+1)，...，u(t+m-1)，t＝1，2，...，n-m]作为输入样本，用来预测第m+1个数据样本，训练样本集表示为S＝{(u(k)，y(k))|k＝1，2，L，n-m}u(1)u(2)Mu(n-m)=u(1)u(2)Lu(m)u(2)u(3)Lu(m+1)MMMMu(n-m)u(n-m+1)Lu(n-1),]]>y(1)y(2)My(n-m)=u(m+1)u(m+2)Mu(n)]]>其中u(k)∈R^m，y(k)∈R分别为输入和输出数据；②建立基于回声状态网络的时间序列预测模型：x(k+1)=tanh(Winu(k+1)+Wx(k))y(k+1)=fout(Wout(u(k+1),x(k+1),y(k)))]]>其中，f^out为线性函数；x(k)为k时刻DR的状态变量，初始值可随机给定；Wⁱⁿ为输入权值矩阵；W为DR内部神经元的连接矩阵(为使DR具有动态记忆能力，W保持1％～5％的稀疏连接，且谱半径设为0.75)；W^out为输出权值矩阵；③求解回声状态网络模型的权值：Wⁱⁿ、W两者在网络学习前构建，而W^out是在网络学习后，通过搜集到的状态矩阵M(由u(k+1)，x(k+1)，y(k)组成)和搜集到的给定输出信号T(由y(k+1)组成)，利用公式(W^out)^T＝M^-1T求得；④预测高炉煤气系统各用户煤气流量：利用当前时间点前m个时间点的指定用户煤气流量值作为输入，预测当前时间点后n-m个时间点的指定用户煤气流量值，m和n的值可以由调度人员来指定；⑤预测高炉煤气系统在n-m个时间点内的产消量：高炉煤气在n-m个时间点内的产生量等于所有发生源用户在此n-m个时间点内的煤气流量之和，高炉煤气在n-m个时间点内的消耗量等于所有消耗源用户在此n-m个时间点内的煤气流量之和。(4)高炉煤气柜柜位预测建模①对从数据库中获得的高炉煤气各用户煤气流量数据和煤气柜柜位数据进行量纲统一和归一化处理；②构建柜位预测训练样本集：利用影响柜位变化的p个煤气用户的历史流量和柜位历史数据构造模型的训练样本集u(1)u(2)Mu(n)=u1(t)u2(t)LuP(t)H(t)u1(t+1)u2(t+1)LuP(t+1)H(t+1)MMMMMu1(t+n-1)u2(t+n-1)LuP(t+n-1)H(t+n-1),]]>y(1)y(2)My(n)=H(t+1)H(t+2)MH(t+n)]]>其中u(k)∈R^p+1，y(k)∈R分别为输入和输出数据，u_j(t)表示影响柜位的P个用户中的第j个在t时刻的煤气流量，H(t)表示t时刻高炉煤气柜的柜位，H(t+1)表示t+1时刻高炉煤气柜的柜位；③建立基于回声状态网络的柜位预测模型：x(k+1)=tanh(Winu(k+1)+Wx(k))y(x;Wout)=fout(Wout(u(k+1),x(k+1),y(k)))D=y(k+1)=y(x;Wout)+ϵ]]>其中，f^out为线性函数；x(k)为k时刻DR的状态变量，初始值可随机给定；y(x；W^out)为网络输出值；D为实际输出值；ε为均值为0，精度为β的高斯白噪声；Wⁱⁿ为输入权值矩阵；W为DR内部神经元的连接矩阵(为使DR具有动态记忆能力，W保持1％～5％的稀疏连接，谱半径选为0.75)；W^out为输出权值矩阵；④利用贝叶斯推理方法求解柜位预测模型的权值：Wⁱⁿ、W三者在网络学习前随机构建，而W^out是通过在回声状态网络中引入贝叶斯方法求得。因为ε是均值为0，精度为β的高斯白噪声，ε＝D-y(x；W^out)，所以D服从均值为y(x；W^out)，精度为β的高斯分布，有引入贝叶斯原理用一个很宽的分布近似先验分布，于是有W^out的先验分布p(Wout)=1zWout(α)exp(-αEWout)]]>由贝叶斯规则p(D)＝∫p(D|W^out)p(W^out)dW^out将p(D|W^out)，p(D)和p(W^out)的表达代入贝叶斯公式中得到p(Wout|D)=1ZMexp(-βED-αEWout)=1ZMexp(-M(Wout))]]>由于Z_M与W^out无关，所以将求解后验分布p(W^out|D)取最大值时的W_MP^out转化为求解M(W^out)取最小值时的W_MP^out，W_MP^out为所求权值。(5)将步骤3预测得到的高炉煤气各用户的n-m个煤气流量数据和从数据库中获得的高炉煤气柜柜位历史数据作为步骤4所建立的柜位预测模型的输入，预测当前时间点后n-m个时间点对应的柜位值。