一种冶金副产煤气产耗量的在线预测方法及系统

1.本发明涉及煤气预测技术领域，尤其涉及一种冶金副产煤气产耗量的在线预测方法及系统。


背景技术：

2.高炉煤气、焦炉煤气和转炉煤气是钢铁生产过程中的副产煤气。由于实际生产过程复杂，运行工况多变，煤气产生量和消耗量的在线预测极其困难，这给煤气的高效利用带来了难度，导致煤气放散率较高。因此，副产煤气产耗量的在线精准预测有利于合理利用副产煤气，降低煤气放散率，有效地减少短期内煤气供求失衡的情况。
3.现有技术中的煤气产耗量预测技术，由于考虑的因素复杂，存在预测精度低、滞后性大、无法在线预测的缺陷。


技术实现要素：

4.(一)要解决的技术问题
5.鉴于现有技术的上述缺点、不足，本发明提供一种冶金副产煤气产耗量的在线预测方法及系统，其解决了预测精度低、滞后性大、无法在线预测的技术问题。
6.(二)技术方案
7.为了达到上述目的，本发明采用的主要技术方案包括：
8.s10、针对预先采集的至少一组设备的每一运行状态下运行参数中的煤气产耗量，对所述煤气产耗量进行数据预处理，并依据每一运行状态下所述预处理后的煤气产耗量，得到所述运行状态下的设备特征曲线；
9.所述运行参数包括工艺参数与煤气产耗量；
10.s20、针对每一组设备中的每一个设备，依据预先构建的深度学习算法，对所述每一设备的工艺参数与煤气产耗量进行关联性权重计算，获取所述每一设备在每一运行状态下工艺参数与煤气产耗量的关联性权重，以及每一所述运行参数的读取时间间隔；
11.s30、基于每一设备的煤气产耗量特点与预先构建的智能算法，依据所述关联性权重及所述读取时间间隔，建立每一设备的预测模型，该预测模型用于预测该设备每一运行状态下的煤气产耗量；
12.s40、针对每一设备，依据该设备的预测模型和运行参数，获取该设备的基础预测曲线，所述基础预测曲线表示该设备运行状态和煤气产耗量的关系；
13.s50、针对每一设备，将所述基础预测曲线与对应的同一运行状态下所述设备特征曲线进行组合计算，获取所述运行状态下煤气产耗量的预测结果。
14.可选地，所述步骤s10之前，还包括：
15.采集所述至少一组设备中各设备在每一运行状态下的运行参数，并存储在预先构建的运行参数数据库中；
16.步骤s10中所述预先采集的运行参数中的煤气产耗量为运行参数数据库中预先存
储的煤气产耗量。
17.可选地，所述步骤s40之前，构建每组设备的特征状态空间，用于对预测模型中的设备运行状态进行判断；
18.所述构建的每组设备的特征状态空间，具体为：
19.针对一组设备中的每一设备，依据所述运行参数数据库中的运行参数，确定所述每一设备在各运行状态下的运行参数范围；
20.基于所述各运行状态运行参数范围，确定每一设备的特征状态边界，并存储在预先构建的每一设备的特征状态库；
21.将所述每一设备的特征状态库进行集成，获取该组设备的设备特征状态空间。
22.可选地，在所述步骤s40之前，还包括：
23.依据实时生产的各设备运行状态及运行参数，对所述预测模型的煤气产耗量预测结果和/或设备的运行状态进行修正，具体为：
24.s3401、根据预先设定的设备运行计划信息，预确定在t2时间段内预测模型中各设备的运行状态，依据所述预确定的设备运行状态，对煤气产耗量预测结果赋初值；
25.s3402、将所述运行参数数据库中t1时间段的设备运行参数，与所述设备特征状态空间中设备的特征状态向量进行匹配，判断预测模型中的 t2时间段内的设备运行状态，基于t时刻实时生产中设备的设备运行状态，判断t2时间段内预测模型中该设备的运行状态与实时设备运行状态是否一致，若不一致，则对所述t2时间段预测模型内的设备运行状态进行更新；
26.所述t时刻为t1、t2时间段的衔接点；所述t1时间段在先；
27.s3403、依据所述参数读取时间间隔，获取实时生产中各运行参数的数值和运行状态的变化；依据所述获取数值和运行状态的变化，对原特征状态边界和/或预测模型中设备的运行状态进行更新。
28.可选地，s3403具体包括：
29.基于所述获取的实时生产的设备运行状态，若所述运行状态发生改变，则与预测模型中设备的运行状态进行对比，若不同，则对预测模型中的设备运行状态进行更新；
30.若所述运行状态未发生改变，基于所述获取的实际生产的运行状态，将该运行状态下实时获取的运行参数的数值，与同一设备同一状态下所述特征状态边界进行比较；
31.若连续g个所述运行参数的数值超过所述特征状态边界，则对所述特征状态空间中所述设备的特征状态边界进行更新。
32.可选地，所述s40，具体为：
33.依据所述更新后的t2时间段内设备的运行状态，基于所述预测模型，对所述运行状态下的运行参数进行计算，获取所述t2时间段内的煤气产耗量的基础预测曲线。
34.可选地，对所述煤气产耗量进行数据预处理，具体为：
35.借助于平滑滤波器，对所述煤气产耗量数据进行滤波处理，对所述煤气产耗量数据中的无效值进行剔除，对缺失的煤气产耗量数据进行填补处理。
36.可选地，所述滤波处理，具体包括：
37.依据预先设定的时间间隔对t-a至t时间段进行划分，获取n个时刻的煤气产耗量数据，依据预先构建的公式，对所述获取n个时刻的煤气产耗量的具体数值进行计算，获取t
时刻滤波后的产耗量数据；
38.所述预先构建的公式为：
[0039][0040]
所述l为滑动窗的长度；y(τ)为所述获取的n个时刻对应的煤气产耗量的具体数值。
[0041]
可选地，所述预先构建的深度学习算法为xgboost算法。
[0042]
可选地，一种冶金副产煤气在线预测系统，包括：
[0043]
至少一个处理器；
[0044]
与所述处理器通信连接的存储器；
[0045]
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上任一所述的冶金副产煤气产耗量在线预测方法。
[0046]
(三)有益效果
[0047]
本发明提出的冶金副产煤气产耗量在线预测方法及系统，根据设备运行状态参数、生产操作信号和设备运行状态建立煤气产耗量预测模型，对煤气产耗量进行预测，充分发挥设备操作信号的优势，简化预测计算量，降低预测滞后性，提高了操作人员的工作效率。
[0048]
本发明的在线预测方法及系统，通过分析各设备参数与预测结果的关联性权重，并将设备的生产计划作为影响煤气预测结果的重要因素，进而预测煤气产耗量，巧妙地将传统工艺与智能算法结合，简化预测计算量，提高了预测精度。
[0049]
本发明的在线预测方法及系统，将基础预测曲线与特征曲线以数学手段组合，得到未来一段时间段内煤气的预测值，提高了预测精度，并通过更新设备特征状态边界和滑动滤波处理，加强了该方法的自学习、自适应、自更新能力。
[0050]
本发明的在线预测方法及系统，由于滞后性低、计算量小、预测精度高，实现了全流程煤气的合理运用，降低了煤气的放散率，有利于对煤气产耗量进行系统的智能管控。
附图说明
[0051]
图1为本发明一实施例提供的冶金副产煤气产耗量在线预测方法流程示意图。
具体实施方式
[0052]
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
[0053]
煤气产耗量的预测精度受到许多环节的影响，包括设备运行状态的确定、用于预测的样本数据的处理和预测模型的建立等。每个环节的处理方式将影响煤气产耗量的预测精度。因此，为了对煤气产耗量作出高精度预测，本发明实施例中提供了一种冶金副产煤气产耗量在线预测方法。
[0054]
如图1所示，图1展示了本发明一实施例提供的一种冶金副产煤气产耗量在线预测方法，具体包括以下步骤：
[0055]
s10、针对预先采集的至少一组设备的每一运行状态下运行参数中的煤气产耗量，对所述煤气产耗量进行数据预处理，并依据每一运行状态下所述预处理后的煤气产耗量，得到所述运行状态下的设备特征曲线；
[0056]
所述运行参数可包括工艺参数与煤气产耗量等，在其他一些实施例中，还可包括其他的参数类型，如生产操作信号等，此处不做限制。
[0057]
s20、针对每一组设备中的每一个设备，依据预先构建的深度学习算法，对所述每一设备的工艺参数与煤气产耗量进行关联性权重计算，获取所述每一设备的每一状态下工艺参数与煤气产耗量的关联性权重，以及每一所述运行参数的读取时间间隔；
[0058]
在本实施例中，所述使用的预先构建的深度学习算法为xgboost算法，但在其他实施例中，还可使用其他能够实现相同目的的算法，此处并不作为限制。
[0059]
s30、基于每一设备的煤气产耗量特点与预先构建的智能算法，依据所述关联性权重及所述读取时间间隔，建立每一设备的预测模型，该预测模型用于预测该设备每一运行状态下的煤气产耗量；
[0060]
在本实施例中，所述预测模型的输入条件为t时刻、t时刻前一时间段t1内的预处理后的煤气产耗量数据、工艺参数及其他需要的参数，如环境参数(环境温度等)，具体的参数种类主要由使用到的算法决定，此处不做限制。
[0061]
所述t时刻为设备运行中任一时刻，依据实际需求自行选择，此处不做限制。
[0062]
s40、针对每一设备，依据该设备的预测模型和运行参数，获取该设备的基础预测曲线，所述基础预测曲线表示该设备运行状态和煤气产耗量的关系；
[0063]
s50、针对每一设备，将所述基础预测曲线与对应的同一运行状态下所述设备特征曲线进行组合，获取所述运行状态下煤气产耗量的预测结果。
[0064]
本实施例提供的冶金副产煤气产耗量在线预测方法，结合预先采集的设备在每一运行状态对应的运行参数，获取设备在冶炼过程中的设备特征曲线，结合深度学习算法获取工艺参数和煤气产耗量之间的关联性权重，获取合理的读取运行参数的读取时间间隔，然后依据运行参数与煤气产耗量的关联性权重以及参数的读取时间间隔，来建立预测模型，通过拟合预测模型的基础预测曲线和设备特征曲线以获取煤气产耗量的预测值，能够对煤气产耗量的结果进行预测，提高了预测煤气产耗量的准确性，减少了滞后性。
[0065]
在其他一些实施例中，所述步骤s10之前，还可包括：
[0066]
采集所述至少一组设备中各个设备在每一运行状态下的运行参数，并存储在预先构建的运行参数数据库中。在其他一些实施例中，所述运行参数数据库还可称为历史数据库。
[0067]
在所述步骤s10中，预先采集的运行参数中的煤气产耗量即可以为运行参数数据库中预先存储的煤气产耗量。
[0068]
实际应用时，还可以将所述一组设备在实时生产的过程中采集的运行参数，存储在所述运行参数数据库中，增加数据库数据的数据量和广度，有利于提高煤气产耗量的预测精度。
[0069]
进一步地，在实际应用中，由于实际生产的过程具有不可控性，在预测模型预测煤
气产耗量时，存在预测模型中的运行状态与实时生产的设备的运行状态不同，导致最终获取的煤气产耗量预测结果存在偏差，因此在实际应用中，为了保证煤气产耗量的预测准确度，在所述步骤s40 之前，还可以依据实时生产的各设备及运行状态及运行参数，对所述预测模型的煤气产耗量预测结果和/或设备的运行状态等进行修正，以提高预测模型对煤气产耗量的预测准确度。
[0070]
在此之前，还可以构建每组设备的特征状态空间，用于对预测模型中的设备运行状态进行判断；
[0071]
所述构建的每组设备的特征状态空间，具体为：
[0072]
针对一组设备中的每一设备，依据所述运行参数数据库中的运行参数，确定所述每一设备在各运行状态下的运行参数范围；
[0073]
基于所述各运行状态运行参数范围，确定每一设备的特征状态边界，并存储在预先构建的每一设备的特征状态库；
[0074]
将所述每一设备的特征状态库进行集成，获取该组设备的设备特征状态空间。
[0075]
举例来说，本实施例中，根据预先获取的煤气产耗量数值范围及每一设备的不同运行状态确定各设备煤气产耗量的上下边界，作为该运行状态下该设备的特征状态边界。
[0076]
具体地，对所述预测模型的煤气产耗量预测结果和/或设备的运行状态等进行修正，包括：
[0077]
s3401、根据预先设定的设备运行计划信息，预确定在t2时间段内各设备的运行状态，依据所述预确定的设备运行状态，对煤气产耗量预测结果赋初值；
[0078]
在实际生产过程中，由于生产工艺机理的原因，一些运行状态下煤气产耗量是可以直接确认的，举例来说，如运行状态为检修状态，煤气产耗量一定为0，这是无需通过预测模型预测的，因此，可以根据设定的设备运行计划信息确定没有煤气产耗发生的时间段，直接将该时间段的煤气产耗量赋初值为0，提高了数据精度，同时也可以降低预测的滞后性。
[0079]
s3402、将所述运行参数数据库中t1时间段的设备运行参数，与所述设备特征状态空间中设备的特征状态向量进行匹配，判断预测模型中的 t2时间段内的设备运行状态，基于t时刻设备的实时生产中设备的设备运行状态，判断t2时间段内预测模型中该设备的运行状态与实时设备运行状态是否一致，若不一致，则对t2时间段的预测模型中的设备运行状态进行更新；
[0080]
所述t时刻为t1、t2时间段的衔接点；所述t1时间段在先；所述t 时刻为设备在生产过程中的任一时刻，具体依据实际需求确定t时刻的具体时间，此处不做限制。
[0081]
s3403、依据所述参数读取时间间隔，获取实时生产中各设备各运行参数的数值和运行状态的变化；依据所述获取数值和运行状态的变化，对原特征状态边界进行更新和/或预测模型中设备的运行状态进行更新。
[0082]
进一步地，s3403具体包括：
[0083]
基于所述获取的实时生产的设备运行状态，若所述运行状态发生改变，则与预测模型中设备的运行状态进行对比，若不同，则对预测模型中的设备运行状态进行更新；
[0084]
若所述运行状态未发生改变，基于所述获取的实时生产的运行状态，将该运行状态下实时获取的运行参数的数值，与同一设备同一状态下所述特征状态边界进行比较。
[0085]
具体地，在本实施例中，当获取到的连续g个所述运行参数的数值超过原先确定的
特征状态边界，且所述实时获取的运行状态无变化，与预测模型中设备的运行状态一致时，则对所述特征状态空间中所述设备的特征状态边界进行更新，若所述运行状态发生变化，更正预测模型中的设备运行状态，根据变化后的运行状态对应的运行参数数值进行上述比较。
[0086]
所述步骤s40，针对每一设备，依据该设备的预测模型和运行参数，获取该设备的基础预测曲线，所述基础预测曲线表示该设备运行状态和煤气产耗量的关系，具体为，依据所述t2时间段内设备的运行状态，基于所述预测模型，对所述运行状态下的运行参数进行计算，获取所述t2 时间段内的煤气产耗量的基础预测曲线。
[0087]
当然，在对预测模型中设备的运行状态修正更新后，应依据更新后所述t2时间段内设备的运行状态进行煤气产耗量基础预测曲线的获取。
[0088]
在实际应用中，由于数据采集系统在采集数据时可能出现误差，导致直接获取的煤气产耗量数据不够精确，因此还需要对所述获取到的煤气产耗量数据进行数据预处理，具体包括：
[0089]
对所述煤气产耗量数据进行滤波处理，以实现对所述煤气产耗量数据中的无效值进行剔除，对缺失的煤气产耗量数据进行填补处理，使煤气产耗量数据更加精准。当然，所述数据采集系统此处仅指代用于采集数据的器械或者单元，还可以为其他所有采集数据的手段，此处不做限制。
[0090]
在本实施例中，所述滤波处理，具体为根据煤气产耗量数据的时序特点，借助于平滑滤波器对煤气产耗量数据进行滤波处理；
[0091]
依据预先设定的时间间隔对t-a至t时间段进行划分，获取n个时刻的煤气产耗量数据，依据预先构建的公式，对所述获取n个时刻的煤气产耗量的具体数值进行计算，获取t时刻滤波后的产耗量数据；
[0092]
所述预先构建的公式为：
[0093][0094]
其中，所述l为滑动窗的长度；y(τ)为所述获取的n个时刻对应的煤气产耗量的具体数值。
[0095]
在实际应用中，所述n的个数即为滑动窗的长度l。
[0096]
本发明实施例提供的冶金副产煤气产耗量在线预测方法，通过建立设备特征状态空间，结合生产操作信号来确定预测模型中设备的运行状态，通过滤波等方式来对用于采集的运行参数样本数据进行预处理，通过对设备运行参数的分析及设备的煤气产耗特点来建立预测模型，通过特征曲线的拟合及生产计划的结合来提高预测精度，达到了降低预测的滞后性的目的。
[0097]
为了更好地展示本发明提出的煤气产耗量在线预测方法，接下来将结合一具体实施例进行更详细的说明。
[0098]
在某一冶金生产线，各设备名称及各自对应的多个运行状态，具体包括：
[0099]
烧结机，运行状态包括顺行、压产、停产和检修状态；
[0100]
竖炉，运行状态包括顺行、压产、停产和检修状态；
[0101]
焦炉，运行状态包括结焦初期、结焦中期、结焦末期、停产和检修状态；
[0102]
高炉，运行状态包括顺行、休风、复风、停产和检修状态；
[0103]
热风炉，运行状态包括燃烧期、送风期、停产和检修状态；
[0104]
转炉，运行状态包括回收期、非回收期、停产和检修状态；
[0105]
回转窑，运行状态包括顺行、压产、停产和检修状态；
[0106]
加热炉，运行状态包括顺行、压产、待料、停产和检修状态。
[0107]
当然，上述设备与运行状态仅针对本实施例，在其他一些实施例中还存在其他的设备与运行状态，在实际应用中，应当依据实际需求确定设备以及运行状态，此处不做限制。
[0108]
在本实施例中，数据采集系统提前监测并以时间间隔b采集冶金过程中各设备在各运行状态的运行参数，将多次监测采集到的运行参数，存储在预先建立的运行参数数据库中，确定各设备各运行状态下的运行参数范围、设备特征状态边界，对每个设备建成设备特征状态库，集成各设备的设备特征状态库，获取设备特征状态空间。
[0109]
当然所述提前监测并采集冶金过程中各设备在各运行状态的运行参数，还可包括其他同种生产过程中已经公开的历史数据等。
[0110]
对所述运行参数中的煤气产耗量数据进行滤波处理，依据预先设定的时间间隔b对t-a至t时间段进行划分，获取每个时间间隔对应的时刻的煤气产耗量数据，依据预先构建的公式，取n个时间间隔对应的时刻的煤气产耗量数据作为滑动滤波的基础数据并取平均值，获取t时刻滤波后的产耗量数据；
[0111]
所述获取的n个时刻的煤气产耗量数据，具体为t-b，t-2b，
…
，t-nb 时刻的数据。
[0112]
在本实施例中，所述a优选范围为5min到24h，此处具体选取了：所述a为5min；所述b优选范围为1s到5min，此处优选为10s；所述n 优选为3，即将时刻t之前5分钟，以10s为时间间隔划分，选取t-10s， t-20s，t-30s对应的煤气产耗量数据，代入公式，作为滑动滤波的基础数据并取平均值，以获取t时刻滤波后的产耗量数据，依次类推，达到滑动滤波的效果，实现对煤气产耗量数据的预处理。
[0113]
当然，在实际应用中，上述数值a、b、t、n等没有固定的必须的范围，应当依据实际的需求进行划分确认，此处不做限制。
[0114]
根据所述预处理后的煤气产耗量数据，确定每一设备每一运行状态下的煤气产耗量数据的趋势特点，每一运行状态下具备此趋势特点的煤气产耗量曲线即为该运行状态下设备特征曲线。
[0115]
在本实施例中，针对步骤s20，使用xgboost深度学习算法对所述每一设备的工艺参数与煤气产耗量进行关联性权重x计算，获取每一所述运行参数的读取时间间隔；
[0116]
当然，在其他一些实施例中，还使用了能够达到效能相同目的的其他深度算法，如灰色关联分析算法、主成分分析算法等，此处并不做限制。
[0117]
具体为：若x≥a，则此类参数为影响预测结果的主要因素，用于预测模型输入的该类参数的读取时间间隔为b。本实施例中，采用的时间间隔b为预先采集运行参数数据时使用的时间间隔。
[0118]
若b≤x＜a，则此类参数为影响预测结果的次要因素，用于预测模型输入的该类参数的读取时间间隔为c。
[0119]
在本实施例中，未读取运行参数数据的时刻获取采用临近值原则，与该采集点上一时刻的数据相同。
[0120]
若x＜b，则此类参数为影响预测结果的可忽略因素，该类参数不作为预测模型的输入。
[0121]
具体地，在本实施例中，所述a，b，b，c均已预先设定的值，且b ＜a，b＜c，优选所述a＝0.5，b＝0.3，b＝10s，c＝1min，在其它的一些应用中，所述a，b，b，c对应的值均应依据实际需求划分，此处不做限制。
[0122]
针对步骤s30建立预测模型，在本实施例中，具体包括：煤气产生或消耗具有周期性特点的设备，举例来说，转炉、热风炉等采用长短期记忆网络法进行建模，煤气产生或消耗不具有周期性特点的设备，如烧结机、竖炉、焦炉、回转窑、加热炉等采用差分自回归移动平均法进行建模，获取对应的预测模型。
[0123]
当然，在其他一些实施例中，还使用了能够达到上述建模的其他方法，如bp神经网络法、卷积神经网络法等，此处不做限制。
[0124]
获取到预测模型后，使用任一预测模型，可以获取对应的设备在任一时间段的煤气产耗量的基础预测曲线，拟合某一设备一时间段的基础预测曲线和该设备对应时间段的设备特征曲线，即可以获取该设备该时间段的煤气产耗量预测结果。
[0125]
在本实施例中，针对预测模型进行的修正，具体包括：
[0126]
根据预先制定的生产计划(月计划、旬计划、日计划、小时计划等)，预先确定设备t时刻及t时刻之后的设备运行状态，根据设备状态对计划时间段内的煤气产耗量进行赋值。
[0127]
所述对计划时间段内的煤气产耗量进行赋值，具体包括：
[0128]
对于在t d至t e时间段内处于特殊状态的设备，根据工艺特点对该时间段内煤气的产耗量数据直接赋值，无需通过预测模型对此时间段内的煤气产耗量进行预测。
[0129]
具体地，对于在t d至t e时间段内处于停产、检修等状态的设备以及处于生产状态中特殊阶段的设备，将该时间段内煤气的产耗量数据直接赋值为0。所述特殊阶段包括高炉休风、热风炉送风期、转炉非回收期等。
[0130]
在实际应用中，设备的运行状态与其生产时的生产操作信号是一一对应的，因此通过生产操作信号可以判断设备的当前运行状态。
[0131]
将t-a至t时间段内实时采集到的各设备的煤气产耗量与设备特征状态空间中各设备的特征状态向量自动匹配，将设备特征状态与设备生产操作信号结合，判断是否需要更新t时刻及之后一段时间内模型中设备的运行状态。
[0132]
一些情况下，不能仅依据煤气产耗量判断设备运行状态。这是因为，同一煤气产耗量范围可能对应着多种可能的运行状态。例如，某一时间段内煤气产耗量值为0，可能是该设备处于停产状态或检修状态或处于生产状态中的特殊阶段。因此，结合设备在t时刻的生产操作信号可准确判断是否需要更新t时刻及之后一段时间内设备的运行状态。
[0133]
生产计划只能用于确定待预测时间段t至t f内部分时间段(t d至 t e)设备的运行状态，并不能确定t至t f时间段内全部时间点设备的运行状态；基于生产计划判断再结合实时生产的生产操作信号，可直接更新t时刻及之后一段时间内设备的运行状态。
[0134]
其中，f为预先设定值，且d《e＜f。
[0135]
判断实时采集得到各设备在各状态下的参数范围，若某设备某运行状态下连续采
集的g个运行参数值超出所述预先确定的特征状态边界，且操作信号无变化时，则对特征状态空间中所述设备的原特征状态边界进行更新。若某设备某运行状态下的连续采集的g个运行参数值超出所述预先确定的特征状态边界，且操作信号有变化时，则自动匹配该设备的其他运行状态的特征状态边界，并更正设备的运行状态。无论运行参数值是否超出预先确定的特征状态边界，只要t时刻的操作信号发生变化，则及时更正预测模型中设备的运行状态。
[0136]
t、d、e、f和g均为预先设定的值，其中f优选范围为30min到24h，本实施例中选取为1h；所述g优选范围为1到5，本实施例优选为3；t 为任一时刻，d、e小于f，即d、e《1h，但在其他一些实施例中，所述t，d，e，f，g等没有固定的范围，应当依据实际条件，如采集频率、预测业务需求和服务器计算能力等确认具体数值，此处不做限制。
[0137]
由预测模型得到该时间段内的煤气产耗量预测结果，即基础预测曲线。根据该时间段内该设备的运行状态，得到所述设备的特征曲线。通过数学手段(包括但不限于非线性方程)对基础预测曲线和特征曲线进行组合，最终得到t至t f时间段内煤气量的预测值。
[0138]
在本实施中，选取的数学手段是取平均值，将设备特征曲线与基础预测曲线中同一时刻的煤气产耗量具体数值取平均值，得到最终的预测结果。
[0139]
进一步地，在实际应用中，还存在一种冶金副产煤气产耗量在线预测系统，包括：
[0140]
至少一个处理器；
[0141]
与所述处理器通信连接的存储器；
[0142]
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上任一所述的冶金副产煤气产耗量在线预测方法。
[0143]
本发明提出的冶金副产煤气在线预测方法，避免了现有技术中考虑因素过多导致的滞后性大，也避免了考虑因素过少导致的预测精度不高，通过设备特征状态空间及生产操作信号，确定设备运行状态，进而建立煤气产耗预测模型，对煤气产耗量进行预测，可以充分发挥设备操作信号的优势，降低预测滞后性，提高了操作人员的工作效率。
[0144]
本发明提出的一种冶金副产煤气在线预测方法及系统，通过分析各设备参数与预测结果的关联性权重，并将设备的生产计划作为影响煤气预测结果的重要因素，进而预测煤气产耗量，巧妙地将传统工艺与智能算法结合，简化预测计算量，提高了预测精度。
[0145]
本发明提出的冶金副产煤气在线预测方法及系统，将基础预测曲线与特征曲线以数学手段组合，得到未来一段时间段内煤气的预测值，提高了预测精度，并通过更新设备特征状态边界和滑动滤波处理，加强了该方法的自学习、自适应、自更新能力。
[0146]
本发明提出的冶金副产煤气在线预测方法及系统，由于滞后性低、计算量小、预测精度高，实现了全流程煤气的合理运用，降低了煤气的放散率，能够促进煤气系统智能管控的发展。
[0147]
本发明提出的冶金副产煤气在线预测方法及系统，可以利用企业生产计划、集成操作信息、挖掘历史数据，从而提高预测精度，降低计算结果的滞后性，适用于煤气系统在线预测。
[0148]
由于本发明上述实施例所描述的系统，为实施本发明上述实施例的方法所采用的系统，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都
属于本发明所欲保护的范围。
[0149]
本发明是参照根据本发明实施例的方法、系统和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
[0150]
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0151]
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0152]
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。