一种基于均值与方差同时建模的高炉煤气发生量预测方法与流程

1.本发明涉及一种基于均值与方差同时建模的高炉煤气发生量预测方法，属于信息建模技术领域。


背景技术：

2.高炉炼铁是一个庞大的系统工程，尽管炼铁的机理非常简单，但是由于高炉内是一个复杂动态系统，因此难以用机理模型简单描述炼铁过程，高炉煤气是高炉炼铁的副产品，受到高炉透气性指数、焦比等因素的影响，煤气产生的过程波动性很大、很多时候产生的时间序列数据具有异方差性，如果采用基于机理的建模方式很难描述非连续波动性。从经济及安全的角度，在多能源耦合的背景下钢厂需要预测高炉煤气的发生量，很多钢厂的煤气发生量仅仅是根据调度工人的经验，使用常数或者几个常数进行预测，预测煤气如果发生量比较平稳，波动性小，该方法对煤气的平衡影响不大，但是当高炉不稳定时，煤气的产生量会发生较大波动，此时靠调度人员的经验远远不足。因此在当气源波动性较大时，此时数据的方差增大，如果使用传统的回归的思想，煤气数据异方差对均值预测的影响是非常大的，不考虑数据方差的变化而对均值进行估计是不稳健的，因此如何从异方差的数据中挖掘均值和方差的信息，并进行统计推断就非常重要。本发明旨在解决在非平稳下即数据波动性较大的情况下，因人工经验不足，操作不规范，造成的煤气发生量预测与实际偏差较大的问题，轻则影响钢厂的经济效益，重则有可能引起安全事故。
3.现有的预测方法主要是运用时间序列模型或数学机理模型，对煤气未来一段时间的发生量进行预测，主要通过对过去一些历史数据及高炉的工艺相结合进行统计推断，对系统未来煤气的发生量进行点预测或者区间预测。能源预测的最重要指标是预测精度和预测的稳定程度，因此选择准确的预测方法至关重要。目前采用的主要预测方法有回归分析法、时间序列分析法、支持向量机、随机森林、人工神经网络法、组合预测法等。


技术实现要素：

4.本发明针对现有技术不足，本发明提出一种基于均值与方差同时建模的高炉煤气发生量预测方法，包括以下步骤：
5.步骤一、采集钢铁企业制造部门的生产信息和能源管理部门的煤气信息，所述生产信息包括各工序和生产线的生产量、生产周期内的设备检修记录，所述煤气信息包括能源介质的消耗、回收和放散数据；
6.步骤二、对采集到的数据进行去噪，得到稳定的、规则的生产与能源数据，并对数据进行归一化处理，把数据由小至大排列，处于数据1/4及3/4的数据，称为数据的1/4分位数与3/4分位数，分别记为 q
0.25
与q
0.75
，
7.int＝q
0.75-q
0.25
；
8.如果数据不属于[q
0.25-1.5int,q
0.75
1.5int]，识别为异常数据点，把异常数据点从数据中剔除，此外使用如下公式对数据进行归一化：
[0009][0010]
xi代表表1中的每一列中的一个数据，x
min
代表对应列数据变化的最小值，x
max
代表对应列数据变化的最大值；
[0011]
步骤三、对数据的均值及方差同时建模，对均值使用变系数模型进行建模，对高炉煤气数据的方差，使用线性模型去描述，建立均值和方差模型的极大似然估计目标函数，使用基于正则化思想对极大似然估计进行惩罚，达到同时进行估计及变量选择的目的；
[0012]
步骤四、使用bic的方法对未知参数进行验证，选择模型中的调节参数；
[0013]
步骤五、将所述步骤四中的参数作为初始值，使用推断后的变系数模型进行点估计；
[0014]
步骤六、使用均值模型和方差模型对煤气的发生量进行区间预测，煤气发生量的点预测值为：
[0015][0016][0017]
煤气发生量的95％置信区间为：
[0018][0019]
上述技术方案的进一步改进是：所述步骤三包括以下步骤：
[0020]
1)利用现有的历史数据构造特征空间，
[0021]
数据集{(x
i1
,x
i2
,
…
,x
im
,y
i-k
,...,y
i-1
,yi),i＝k 1,...,n}，其中x
i1
,x
i2
,...,x
im
为i时刻煤气发生量的控制变量，如焦比、高炉透气性指数、风量、肥煤等，yi表示时刻i高炉煤气的发生量，其中k为超参数，需要使用交叉核实验证的方法确定；
[0022]
2)对均值使用变系数模型进行建模，
[0023][0024]
其中fm(
·
)与g(
·
)为未知函数m＝1,...,d，α
l
，l＝0,...,k为未知参数，要进行煤气发生量的预测，必须要把上述未知的参数和函数利用现有的数据学习出来。采用极大似然估计。
[0025]
3)建立均值和方差模型的极大似然估计目标函数，
[0026][0027]
为了方便进行优化求解，对(1.2)取对数
[0028][0029]
4)对高炉煤气数据的方差，使用线性模型去描述，
[0030][0031]
5)建立均值和方差模型的极大似然估计目标函数，
[0032][0033]
设多项式样条基为其中，t1,t2,...,tn表示n个结点，每个函数都可以利用多项式样条基展开，因此
[0034][0035][0036]
其中，α＝(α0,α2,...,α
k-2
)
t
且为虚拟的协变量，为克罗内克积，
[0037]
γ＝(γ1,γ2,...,γd)
t
，γi＝(γ
i1
,γ
i2
,...,γ
in 4
)
t
，
[0038][0039]
β＝(β0,β1,...,βm)
t 6)使用基于正则化思想对极大似然估计进行惩罚，达到同时进行估计及变量选择的目的：
[0040][0041]
其中其中使用scad惩罚函数：
[0042][0043]
本发明采用上述技术方案的有益效果是：本发明提出一种基于高炉不稳定生产时，即数据是不平稳、波动较大时，数据驱动的高炉煤气发生量预测方法，通过针对各工序能源消耗的相关性分析和对求解算法的改进，提供一种科学的、准确的能源预测方法，可以
根据在煤气发生量不平稳时，对煤气发生量的波动性建模，从而形成对煤气发生量趋势的完整刻画；该方法充分利用了原始数据提供的信息，即使在数据波动较大的情况下，也能得到可靠的煤气发生量预测。
附图说明
[0044]
下面结合附图对本发明作进一步说明。
[0045]
图1为本发明实施例的流程示意图。
具体实施方式
[0046]
实施例
[0047]
结合附图对本发明具体实施方式加以详细的说明。
[0048]
一种基于均值与方差同时建模的高炉煤气发生量预测方法，包括以下步骤：
[0049]
步骤1：采集企业制造部门的生产信息和能源管理部门的煤气信息，生产信息包括各工序和生产线的生产量、生产周期内的设备检修记录，煤气信息包括能源介质的消耗、回收和放散数据。
[0050]
[0051][0052]
步骤二、对采集到的数据进行去噪，得到稳定的、规则的生产与能源数据，该数据收集的过程中由于传感器的影响有数据缺失，并对数据进行归一化处理。
[0053]
采用传统的去噪方法，把数据由小至大排列，处于数据1/4及3/4 的数据，称为数据的1/4分位数与3/4分位数，分别记为q
0.25
与q
0.75
，
[0054]
int＝q
0.75-q
0.25
；
[0055]
如果数据不属于[q
0.25-1.5int,q
0.75
1.5int]，识别为异常数据点，把该点数据从数据中剔除，此外使用如下公式对数据进行归一化：
[0056][0057]
xi代表表1中的每一列中的一个数据，x
min
代表对应列数据变化的最小值，x
max
代表对应列数据变化的最大值。
[0058]
步骤三、对数据的均值及方差同时建模。
[0059]
1)利用现有的历史数据构造特征空间：
[0060]
数据集{(x
i1
,x
i2
,...,x
im
,y
i-k
,...,y
i-1
,yi),i＝k 1,...,n}，其中x
i1
,x
i2
,...,x
im
为i时刻煤气发生量的控制变量，如焦比、高炉透气性指数、风量、肥煤等，yi表示时刻i高炉煤气的发生量，其中k为超参数，需要使用交叉核实验证的方法确定。
[0061]
2)对均值使用变系数模型进行建模。
[0062][0063]
其中fm(
·
)与g(
·
)为未知函数m＝1,...,d，α
l
，l＝0,...,k为未知参数，要进行煤气发生量的预测，必须要把上述未知的参数和函数利用现有的数据学习出来。采用极大似然估计。
[0064]
3)建立均值和方差模型的极大似然估计目标函数。
[0065][0066]
为了方便进行优化求解，对(1.2)取对数：
[0067][0068]
4)对高炉煤气数据的方差，使用线性模型去描述。
[0069][0070]
5)建立均值和方差模型的极大似然估计目标函数。
[0071][0072]
设多项式样条基为其中，t1,t2,...,tn表示n个结点，每个函数都可以利用多项式样条基展开，因此：
[0073][0074][0075]
其中，α＝(α0,α2,...,α
k-2
)
t
且为虚拟的协变量，为克罗内克积，
[0076]
γ＝(γ1,γ2,...,γd)
t
，γi＝(γ
i1
,γ
i2
,...,γ
in 4
)
t
，
[0077][0078]
β＝(β0,β1,...,βm)
t
；
[0079]
6)使用基于正则化思想对极大似然估计进行惩罚，达到同时进行估计及变量选择的目的。
[0080]
[0081]
其中使用scad惩罚函数：
[0082][0083]
步骤四、模型中调节参数的选择。
[0084]
模型中k表示构造特征空间时截断的个数，也表示过去k个时间段对现在煤气的影响，因此k参数的选择采用mallows的c
p
准则，使用无惩罚的极大似然估计：
[0085][0086][0087]
选择基本的参数，样条展开的节点个数n＝3，选取的是等距节点：
[0088][0089]
其中表示的是k＝m时，使用均值方差同时建模方法得到的预测值。
[0090]
确定模型中的k后，使用模型确定函数中样条节点的个数，选择合适的节点个数，根据经验节为了减少优化过程的可行域，点个数选择{3,4,5,6}，使用极小化残差平方和：
[0091][0092]
确定d个函数的节点个数。
[0093]
使用aic准则确定调节参数的取值λ1,λ2,λ3[0094]
aic＝(n-k-1)ln(sse) 2[(n-k-1) d]；
[0095][0096]
步骤五、使用坐标下降的方法对的变系数模型进行统计推断；
[0097]
确定参数后，极小化如下式子：
[0098][0099]
使用步骤四中得到三个参数估计值作为初始值，记为可以得到：
[0100]
α＝(α0,α2,...,α
k-2
)
t
，；
[0101][0102]
得到更新的并类似的方式可以得到与
[0103]
在优化过程中，使用二次逼近算法进行优化求解。
[0104]
计算由如下等式：
[0105][0106]
计算似然函数的梯度及海森矩阵，求解惩罚似然可以使用近似：
[0107][0108][0109][0110]
解可以通过岭回归的形式直接给出。
[0111][0112]
其中
[0113]
步骤六、使用均值模型和方差模型对煤气的发生量进行区间预测。
[0114]
煤气发生量的点预测值为：
[0115][0116][0117]
煤气发生量的95％置信区间为：
[0118][0119]
进入预测阶段，输入炼钢工序的计划产量和影响因素的值，通过带有误差反馈校正学习的神经网络算法，得到算法的输出值，即炼钢工序的能源介质消耗量或回收量。下表列出了带有误差反馈校正的神经网络算法的输出值。采用实际生产中常用的t 2预测，即在当月预测未来三个月的能源消耗量。
[0120][0121][0122]
从结果可以观察到，本发明提出的基于均值和方差同时建模的方法，对高炉炉况不稳定时，准确的估计高炉的均值和方差，并给出高炉煤气发生量的估计及95％的置信区间，这对煤气的估计的精确性和稳定性都有显著性的提高。
[0123]
上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充也应视为本发明的保护范围。