[发明专利]一种基于Stacking的高炉铁水质量区间预测方法

摘要

本发明提出一种基于Stacking的高炉铁水质量区间预测方法，包括：获取高炉原始历史数据，并进行预处理；根据输入输出参数从预处理后的高炉原始历史数据提取样本数据集；建立基于N折模型的Stacking算法铁水质量模型并计算建模误差预测区间；根据N折模型的Stacking算法铁水质量模型对实时采集的高炉数据进行预测，得到预测值和预测区间；本发明可以避免离线化验的滞后性和人工操作带来的不确定性，实现多元铁水质量值和预测区间的同时预报。为现场的操作人员及时准确判断高炉内部运行状态提供了关键指标，同时可以根据工况的变化，利用最新的过程数据更新软测量模型参数，避免了时不变模型的局限性，实用价值很高。

主权项

1.一种基于Stacking的高炉铁水质量区间预测方法，其特征在于，具体步骤如下：步骤1：获取高炉原始历史数据，并进行预处理，包括：对数据统一时间粒度、剔除休风数据和异常数据以及归一化数据，具体包括如下步骤：步骤1.1：按时间先后顺序对采集的数据进行标注，使用最近邻时间原则，即按照时间的先后顺序，人工进行匹配得到时间粒度一致的高炉炼铁过程的历史数据；步骤1.2：剔除休风数据和异常数据：剔除休风数据，具体方式为：依据交班记录确定高炉计划检修时间段，剔除此时间段的高炉本体休风数据，休风数据具体指热风炉不向高炉吹风的数据；剔除异常数据，采用拉依达准则，即3σ准则进行异常值的剔除，即数据偏差大于3σ的数据应该剔除；σ为上述筛选出的高炉本体数据的标准差，如下公式所示：步骤1.3：对高炉数据进行数据归一化处理，得到归一化后的高炉历史数据作为样本数据集，如下公式所示：其中，x_i、分别为第i个变量归一化前、后的取值，max(x_i)、min(x_i)分别为第i个变量的最大值、最小值，归一化处理后的数据在如下范围内：x_i∈(‑1,1)；步骤2：获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取样本数据集；步骤2.1：根据高炉工艺机理确定需要软测量的高炉铁水质量输出参数为Si(硅)含量y₁(％)、P(磷)含量y₂(％)、S(硫)含量y₃(％)和铁水温度y₄(℃)；步骤2.2：采取灰色关联性分析的方法，提取前k个关联度最高的高炉本体参数作为软测量的辅助变量，包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)；步骤2.3：根据过程动态特性，基于上述6个辅助变量，引入非线性自回归模型(NARX),确定如下16个变量为软测量模型的输入变量：当前时刻炉腹煤气量u₁(t)(m³)；当前时刻热风温度u₂(t)(℃)；当前时刻热风压力u₃(t)(KPa)；当前时刻富氧率u₄(t)；当前时刻鼓风湿度u₅(t)(RH)；当前时刻设定喷煤量u₆(t)(m³/h)；上一时刻Si含量y₁(t‑1)(％)；上一时刻P含量y₂(t‑1)(％)；上一时刻炉腹煤气量u₁(t‑1)(m³)；上一时刻热风温度u₂(t‑1)(℃)；上一时刻热风压力u₃(t‑1)(KPa)；上一时刻富氧率u₄(t‑1)；上一时刻鼓风湿度u₅(t‑1)(RH)；上一时刻设定喷煤量u₆(t‑1)(m3/h)；上一时刻S含量y₃(t‑1)(％)；上一时刻铁水温度y₄(t‑1)(℃)；步骤2.4：根据输入输出参数，从预处理后的高炉原始历史数据中，提取训练数据集，其中，输出参数为离线测量的实际输出，输入参数为在线软测量的历史数据；步骤3：基于高炉多元铁水质量指标软测量所需输入输出参数，建立基于N折模型的Stacking算法铁水质量模型并计算建模误差预测区间；步骤3.1：建立基于N折模型的Stacking算法铁水质量模型；步骤3.2：计算预测区间；步骤4：根据N折模型的Stacking算法铁水质量模型对实时采集的高炉数据进行预测，得到预测值和预测区间：将获取的实时待测试高炉数据，经过步骤1中进行预处理，经过步骤2获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取待测试数据，将待测试数据输入到第一层学习器中，得到N个预测值，并且将N个预测值取平均值，将该平均值输入到第二层学习器中，使用训练好的N折模型的Stacking算法铁水质量模型，得到最终的预测值，并根据步骤3.2得到预测区间，输出最终的预测值与预测区间。