一種高爐煤氣發(fā)生量的預(yù)測方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種高爐煤氣發(fā)生量的預(yù)測方法及裝置，方法包括：獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)；構(gòu)建BP神經(jīng)網(wǎng)絡(luò)；根據(jù)高爐爐況信息、強化冶煉信息選取神經(jīng)網(wǎng)絡(luò)的輸入變量；將輸入變量劃分為第一訓練集和第一測試集；將高爐煤氣發(fā)生量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和第二測試集；將第一訓練集中的輸入變量和第二訓練集中的高爐煤氣發(fā)生量作為神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至神經(jīng)網(wǎng)絡(luò)收斂；將第一測試集中的輸入變量輸入收斂后的神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量；將預(yù)測的高爐煤氣發(fā)生量與第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。本發(fā)明提供的預(yù)測方法能夠準確的預(yù)測高爐煤氣發(fā)生量。
【專利說明】一種高爐煤氣發(fā)生量的預(yù)測方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及煤氣預(yù)測領(lǐng)域，更具體的說是涉及一種高爐煤氣發(fā)生量的預(yù)測方法及
>J-U ρ?α裝直。
【背景技術(shù)】
[0002]鋼鐵企業(yè)是高能耗、高污染、高排放的產(chǎn)業(yè)，節(jié)能降耗一直是鋼鐵行業(yè)所面臨的最嚴峻問題之一。由于鋼鐵生產(chǎn)消耗的一次能源有40%左右轉(zhuǎn)變?yōu)楦碑a(chǎn)煤氣，其中高爐煤氣占45%，因此，鋼鐵生產(chǎn)過程中產(chǎn)生的副產(chǎn)煤氣能否得到合理的利用將直接影響到整個冶金企業(yè)的能耗成本和節(jié)能減排效果。
[0003]合理的煤氣平衡調(diào)度能夠減少放散量，降低一次能源的使用量，減少鋼鐵企業(yè)的生產(chǎn)成本，而準確預(yù)測高爐煤氣的發(fā)生量是煤氣平衡調(diào)度的基礎(chǔ)。目前實際生產(chǎn)中，對冶金企業(yè)高爐煤氣的發(fā)生量預(yù)測還是以靜態(tài)預(yù)測為主，靜態(tài)預(yù)測主要是以高爐煤氣系統(tǒng)的計劃和規(guī)劃為依據(jù)，對一段時間內(nèi)高爐煤氣的發(fā)生量，結(jié)合期間的生產(chǎn)計劃、檢修計劃或技改項目等因素，進行簡單的預(yù)測。
[0004]因此，現(xiàn)有的高爐煤氣發(fā)生量的預(yù)測方法不能準確預(yù)測高爐煤氣的發(fā)生量。

【發(fā)明內(nèi)容】

[0005]有鑒于此，為了解決現(xiàn)有的高爐煤氣發(fā)生量的預(yù)測方法不能準確預(yù)測高爐煤氣發(fā)生量的問題，提供一種高爐煤氣發(fā)生量的預(yù)測方法及裝置，技術(shù)方案如下:`[0006]一種高爐煤氣發(fā)生量的預(yù)測方法，包括:
[0007]獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)；
[0008]構(gòu)建BP神經(jīng)網(wǎng)絡(luò)；
[0009]根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量；
[0010]將所述輸入變量劃分為第一訓練集和第一測試集；
[0011]將所述高爐煤氣發(fā)生量數(shù)據(jù)作為所述BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和
第二測試集；
[0012]將所述第一訓練集中的輸入變量以及所述第二訓練集中的高爐煤氣發(fā)生量作為所述BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至所述BP神經(jīng)網(wǎng)絡(luò)收斂；
[0013]將所述第一測試集中的輸入變量輸入所述收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量；
[0014]將所述預(yù)測的高爐煤氣發(fā)生量與所述第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
[0015]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測方法中，還包括:
[0016]利用內(nèi)插法對所述高爐煤氣發(fā)生量數(shù)據(jù)以及所述輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代；
[0017]對經(jīng)過所述內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波。[0018]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測方法中，根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量，包括:
[0019]對所述高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量；
[0020]根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
[0021]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測方法中，所述構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，包括:
[0022]確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括隱含層層數(shù)，輸入層、隱含層、輸出層各層節(jié)點數(shù)；
[0023]確定神經(jīng)元連接權(quán)值和神經(jīng)元閾值。
[0024]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測方法中，還包括:
[0025]分別對所述第一訓練集和第一測試集中的輸入變量進行歸一化處理；
[0026]分別對所述第二訓練集和第二測試集中的高爐煤氣發(fā)生量進行歸一化處理；
[0027]對輸出的所述預(yù)測的高爐煤氣發(fā)生量進行反歸一化處理，得到預(yù)測后的高爐煤氣發(fā)生量。
[0028]一種高爐煤氣發(fā)生量的預(yù)測裝置，包括:
[0029]獲取單元，用于獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)；
[0030]神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于構(gòu)建BP神經(jīng)網(wǎng)絡(luò)；
[0031]輸入變量選取單元，用于根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量；
[0032]第一劃分單元，用于將所述輸入變量劃分為第一訓練集和第一測試集；
[0033]第二劃分單元，用于將所述高爐煤氣發(fā)生量數(shù)據(jù)作為所述BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和第二測試集；
[0034]訓練單元，用于將所述第一訓練集中的輸入變量以及所述第二訓練集中的高爐煤氣發(fā)生量作為所述BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至所述BP神經(jīng)網(wǎng)絡(luò)收斂；
[0035]處理單元，用于將所述第一測試集中的輸入變量輸入所述收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量；
[0036]檢驗單元，用于將所述預(yù)測的高爐煤氣發(fā)生量與所述第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
[0037]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測裝置中，還包括:
[0038]數(shù)據(jù)處理單元，用于利用內(nèi)插法對所述高爐煤氣發(fā)生量數(shù)據(jù)以及所述輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代；
[0039]濾波單元，用于對經(jīng)過所述內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波。
[0040]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測裝置中，所述輸入變量選取單元，包括:
[0041]第一選取模塊，用于對所述高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量；
[0042]第二選取模塊，用于根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
[0043]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測裝置中，所述神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，包括:
[0044]第一確定模塊，用于確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括隱含層層數(shù)，輸入層、隱含層、輸出層各層節(jié)點數(shù)；[0045]第二確定模塊，用于確定神經(jīng)元連接權(quán)值和神經(jīng)元閾值。
[0046]優(yōu)選的，在上述的高爐煤氣發(fā)生量的預(yù)測裝置中，還包括:
[0047]第一歸一化處理模塊，用于分別對所述第一訓練集和第一測試集中的輸入變量進行歸一化處理；
[0048]第二歸一化處理模塊，用于分別對所述第二訓練集和第二測試集中的高爐煤氣發(fā)生量進行歸一化處理；
[0049]反歸一化處理模塊，用于對輸出的所述預(yù)測的高爐煤氣發(fā)生量進行反歸一化處理，得到預(yù)測后的高爐煤氣發(fā)生量。
[0050]上述技術(shù)方案中具有如下有益效果:
[0051]經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明實施例提供的高爐煤氣預(yù)測量方法，通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將選取的輸入變量和高爐煤氣發(fā)生量數(shù)據(jù)分別劃分為訓練集和測試集，將訓練集的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至BP神經(jīng)網(wǎng)絡(luò)收斂，將測試集中的輸入變量輸入收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量，將預(yù)測的高爐煤氣發(fā)生量與測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果，因此，能夠準確的預(yù)測高爐煤氣發(fā)生量。
【專利附圖】

【附圖說明】
[0052]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。
[0053]圖1為本發(fā)明實施例提供的高爐煤氣發(fā)生量預(yù)測方法的一種流程示意圖；
[0054]圖2為本發(fā)明實施例提供的高爐煤氣發(fā)生量預(yù)測方法的另一流程示意圖；
[0055]圖3為本發(fā)明實施例提供的高爐煤氣發(fā)生量預(yù)測方法的另一流程示意圖；
[0056]圖4為本發(fā)明實施例提供的高爐煤氣發(fā)生量預(yù)測裝置的一種結(jié)構(gòu)示意圖。
【具體實施方式】
[0057]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0058]參見圖1，本發(fā)明實施例提供一種高爐煤氣發(fā)生量的預(yù)測方法，包括:
[0059]步驟110:獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)。
[0060]步驟120:構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。
[0061]步驟130:根據(jù)高爐爐況信息、強化冶煉信息選取BP神經(jīng)網(wǎng)絡(luò)的輸入變量。
[0062]對高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量，進一步的，選取具有強關(guān)聯(lián)度的燃料比、燒結(jié)百分比、送風風量、送風風溫、送風壓力、焦比6個爐況因素作為神經(jīng)網(wǎng)絡(luò)輸入變量；
[0063]根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。[0064]步驟140:將輸入變量劃分為第一訓練集和第一測試集。
[0065]步驟150:將高爐煤氣發(fā)生量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和
第二測試集。
[0066]步驟160:將第一訓練集中的輸入變量以及第二訓練集中的高爐煤氣發(fā)生量作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至BP神經(jīng)網(wǎng)絡(luò)收斂。
[0067]步驟170:將第一測試集中的輸入變量輸入收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量。
[0068]步驟180:將預(yù)測的高爐煤氣發(fā)生量與第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
[0069]本發(fā)明實施例提供的高爐煤氣預(yù)測量方法，通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將選取的輸入變量和高爐煤氣發(fā)生量數(shù)據(jù)分別劃分為訓練集和測試集，將訓練集的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至BP神經(jīng)網(wǎng)絡(luò)收斂，將測試集中的輸入變量輸入收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量，將預(yù)測的高爐煤氣發(fā)生量與測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果，因此，能夠準確的預(yù)測高爐煤氣發(fā)生量。
[0070]參見圖2，本發(fā)明實施例提供一種高爐煤氣發(fā)生量的預(yù)測方法，包括:
[0071]步驟210:獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)。
[0072]步驟220:構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。
[0073]步驟230:根據(jù)高爐爐況信息、強化冶煉信息選取BP神經(jīng)網(wǎng)絡(luò)的輸入變量。
[0074]對高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量，進一步的，選取具有強關(guān)聯(lián)度的燃料比、燒結(jié)百分比、送風風量、送風風溫、送風壓力、焦比6個爐況因素作為神經(jīng)網(wǎng)絡(luò)輸入變量；
[0075]根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
[0076]步驟240:將輸入變量劃分為第一訓練集和第一測試集。
[0077]步驟250:將高爐煤氣發(fā)生量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和
第二測試集。
[0078]步驟260:利用內(nèi)插法對高爐煤氣發(fā)生量數(shù)據(jù)以及輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代，對經(jīng)過內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波，將第一訓練集中的輸入變量以及第二訓練集中的高爐煤氣發(fā)生量作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至BP神經(jīng)網(wǎng)絡(luò)收斂。
[0079]由于信號采集異常、網(wǎng)絡(luò)通信故障等原因，可能導致高爐煤氣發(fā)生量數(shù)據(jù)以及輸入變量中某些數(shù)據(jù)缺失，或者某些數(shù)據(jù)變化異常，如過大或過小。對于這樣的異常數(shù)據(jù)，需要在定性分析的基礎(chǔ)上予以處理。本實施例中，采用內(nèi)插法求取缺失數(shù)據(jù)和非正常數(shù)據(jù)的替代值，進一步的，利用內(nèi)插法對高爐煤氣發(fā)生量數(shù)據(jù)以及輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代，然后對經(jīng)過內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波，得到正常數(shù)據(jù)。
[0080]利用內(nèi)插法對高爐煤氣發(fā)生量數(shù)據(jù)以及輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代可以利用以下的公式進行:
[0081]X0(i) =X0(k) + [x°(j)-X0(k) ].(i_k)/(j_k)；
[0082]其中:[0083]X0 (k), x°(j)為已知正常數(shù)據(jù)，已知正常數(shù)據(jù)表示缺失數(shù)據(jù)或異常數(shù)據(jù)的替代為前后正常已知數(shù)據(jù)；
[0084]x°(i)為缺失數(shù)據(jù)或非正常數(shù)據(jù)的替代；
[0085]k〈i〈j ;
[0086]i表示缺失數(shù)據(jù)或異常數(shù)據(jù)在數(shù)據(jù)序列中的序號；
[0087]j、k表示已知數(shù)據(jù)在數(shù)據(jù)序列中的序號，缺失數(shù)據(jù)或異常數(shù)據(jù)替代為前后正常已知數(shù)據(jù)的內(nèi)插。
[0088]步驟270:將第一測試集中輸入變量輸入收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐
煤氣發(fā)生量。
[0089]步驟280:將預(yù)測的高爐煤氣發(fā)生量與第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
[0090]本發(fā)明實施例提供的高爐煤氣預(yù)測量方法，通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，將選取的輸入變量和高爐煤氣發(fā)生量數(shù)據(jù)分別劃分為訓練集和測試集，將訓練集的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至BP神經(jīng)網(wǎng)絡(luò)收斂，將測試集中的輸入變量輸入收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量，將預(yù)測的高爐煤氣發(fā)生量與測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果，因此，能夠準確的預(yù)測高爐煤氣發(fā)生量。
[0091]進一步的，本實施例中，采用內(nèi)插法求取缺失數(shù)據(jù)和非正常數(shù)據(jù)的替代值，可以得到精確的輸入輸出數(shù)據(jù)，有效的提高了預(yù)測精度。
[0092]參見圖3，本發(fā)明實施例提供一種高爐煤氣發(fā)生量的預(yù)測方法，包括:
[0093]步驟310:獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)。
[0094]步驟320:構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。
[0095]步驟330:根據(jù)高爐爐況信息、強化冶煉信息選取BP神經(jīng)網(wǎng)絡(luò)的輸入變量。
[0096]對高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量，進一步的，選取具有強關(guān)聯(lián)度的燃料比、燒結(jié)百分比、送風風量、送風風溫、送風壓力、焦比6個爐況因素作為神經(jīng)網(wǎng)絡(luò)輸入變量；
[0097]根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
[0098]步驟340:將輸入變量劃分為第一訓練集和第一測試集。
[0099]步驟350:將高爐煤氣發(fā)生量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和
第二測試集。
[0100]步驟360:分別對第一訓練集和第一測試集中的輸入變量進行歸一化處理；分別對第二訓練集和第二測試集中的高爐煤氣發(fā)生量進行歸一化處理。
[0101]在神經(jīng)網(wǎng)絡(luò)訓練前，為了防止因凈輸入絕對值過大而使神經(jīng)元輸出飽和，進而使權(quán)值調(diào)整進入誤差曲面平坦區(qū)，需要對訓練集和測試集的數(shù)據(jù)進行歸一化處理，對每個訓練集和測試集的數(shù)據(jù)Xi，i=l, 2，…，n，采用如下歸一化公式:
【權(quán)利要求】
1.一種高爐煤氣發(fā)生量的預(yù)測方法，其特征在于，包括: 獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)； 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)； 根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量； 將所述輸入變量劃分為第一訓練集和第一測試集； 將所述高爐煤氣發(fā)生量數(shù)據(jù)作為所述BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和第二測試集； 將所述第一訓練集中的輸入變量以及所述第二訓練集中的高爐煤氣發(fā)生量作為所述BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至所述BP神經(jīng)網(wǎng)絡(luò)收斂； 將所述第一測試集中的輸入變量輸入所述收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量; 將所述預(yù)測的高爐煤氣發(fā)生量與所述第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括: 利用內(nèi)插法對所述高爐煤氣發(fā)生量數(shù)據(jù)以及所述輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代； 對經(jīng)過所述內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量，包括: 對所述高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量； 根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，包括: 確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括隱含層層數(shù)，輸入層、隱含層、輸出層各層節(jié)點數(shù)； 確定神經(jīng)元連接權(quán)值和神經(jīng)元閾值。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括: 分別對所述第一訓練集和第一測試集中的輸入變量進行歸一化處理； 分別對所述第二訓練集和第二測試集中的高爐煤氣發(fā)生量進行歸一化處理； 對輸出的所述預(yù)測的高爐煤氣發(fā)生量進行反歸一化處理，得到預(yù)測后的高爐煤氣發(fā)生量。
6.一種高爐煤氣發(fā)生量的預(yù)測裝置，其特征在于，包括: 獲取單元，用于獲取高爐爐況信息、強化冶煉信息、高爐煤氣發(fā)生量數(shù)據(jù)； 神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，用于構(gòu)建BP神經(jīng)網(wǎng)絡(luò)； 輸入變量選取單元，用于根據(jù)所述高爐爐況信息、強化冶煉信息選取所述BP神經(jīng)網(wǎng)絡(luò)的輸入變量； 第一劃分單元，用于將所述輸入變量劃分為第一訓練集和第一測試集； 第二劃分單元，用于將所述高爐煤氣發(fā)生量數(shù)據(jù)作為所述BP神經(jīng)網(wǎng)絡(luò)的輸出，劃分為第二訓練集和第二測試集； 訓練單元，用于將所述第一訓練集中的輸入變量以及所述第二訓練集中的高爐煤氣發(fā)生量作為所述BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進行模型訓練，直至所述BP神經(jīng)網(wǎng)絡(luò)收斂；處理單元，用于將所述第一測試集中的輸入變量輸入所述收斂后的BP神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測的高爐煤氣發(fā)生量； 檢驗單元，用于將所述預(yù)測的高爐煤氣發(fā)生量與所述第二測試集中的高爐煤氣發(fā)生量比較，檢驗預(yù)測效果。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括: 數(shù)據(jù)處理單元，用于利用內(nèi)插法對所述高爐煤氣發(fā)生量數(shù)據(jù)以及所述輸入變量求取缺失數(shù)據(jù)以及非正常數(shù)據(jù)的替代； 濾波單元，用于對經(jīng)過所述內(nèi)插法處理后的高爐煤氣發(fā)生量進行卡爾曼濾波。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述輸入變量選取單元，包括: 第一選取模塊，用于對所述高爐爐況信息、強化冶煉信息依次進行線性相關(guān)分析以及灰色關(guān)聯(lián)度分析，選取具有強關(guān)聯(lián)度的爐況因素作為輸入變量； 第二選取模塊，用于根據(jù)所述強化冶煉信息，選取富氧量、噴煤量作為輸入變量。
9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)構(gòu)建單元，包括: 第一確定模塊，用于確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),包括隱含層層數(shù),輸入層、隱含層、輸出層各層節(jié)點數(shù)； 第二確定模塊，用于確定神經(jīng)元連接權(quán)值和神經(jīng)元閾值。
10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括: 第一歸一化處理模塊，用于分別對所述第一訓練集和第一測試集中的輸入變量進行歸一化處理； 第二歸一化處理模塊，用于分別對所述第二訓練集和第二測試集中的高爐煤氣發(fā)生量進行歸一化處理； 反歸一化處理模塊，用于對輸出的所述預(yù)測的高爐煤氣發(fā)生量進行反歸一化處理，得到預(yù)測后的高爐煤氣發(fā)生量。
【文檔編號】G06N3/08GK103559543SQ201310566822
【公開日】2014年2月5日 申請日期:2013年11月13日 優(yōu)先權(quán)日:2013年11月13日
【發(fā)明者】郭維河, 汪春鵬, 王文為, 李振剛, 方光深, 王芳, 許文菊, 張元華, 康凱, 黃鑫, 展杰, 劉文奇, 張燕, 董京帥, 劉愛強 申請人:萊蕪鋼鐵集團電子有限公司