高炉煤气产耗预测方法、装置、电子设备及存储介质与流程

本申请涉及煤气预测，尤其涉及一种高炉煤气产耗预测方法、装置、电子设备及存储介质。

背景技术：

1、在钢铁冶炼工业中，大约有40％的一次能源经转换变成副产能源，并且钢铁企业中副产高炉煤气的数量巨大，每小时的高炉煤气发生量往往超过100万m3，是钢铁企业中最重要的二次能源。高炉煤气的调控过程中，往往存在能源调控和生产节奏不匹配，以及调控滞后不及时的问题，会导致高炉煤气系统压力波动过大甚至出现放散的问题，造成安全隐患以及能源浪费。高炉煤气产耗预测可以帮助调控人员提前预知未来一段时间高炉煤气产耗平衡情况，从而实现提前反应，主动调控，可有效提高煤气系统的稳定性，在保证安全保供的同时，减少能源放散，实现安全、经济和环保的目标。

2、现有的高炉煤气产耗预测方法大多数采用单一的预测模型，难以适应高炉复杂多变的实际工序，对高炉煤气产耗进行预测的准确性波动较大，不够稳定。

技术实现思路

1、鉴于以上所述现有技术的缺点，本申请提供一种高炉煤气产耗预测方法、装置、电子设备及存储介质，以解决上述现有的单一预测模型对高炉煤气产耗预测准确性波动较大，不够稳定的技术问题。

2、本申请提供的一种高炉煤气产耗预测方法，包括：获取历史数据，所述历史数据包括煤气产耗历史数据和工艺参数历史数据；基于煤气产耗与工艺参数之间的相关性对所述工艺参数历史数据进行筛选，得到目标工艺参数历史数据，基于所述煤气产耗历史数据和所述目标工艺参数历史数据生成数据样本集；利用所述数据样本集训练不同类型的初始模型，得到多个预测模型，对多个预测模型进行集成，得到综合预测模型；基于所述综合预测模型对高炉煤气产耗进行预测。

3、于本申请一实施例中，利用所述数据样本集训练不同类型的初始模型，得到多个预测模型，对多个预测模型进行集成，得到综合预测模型，包括：利用每一工序的数据样本对不同类型的初始模型进行训练，并对训练得到的多个预测模型进行集成，得到多个综合预测模型，以对不同工序的高炉煤气产耗进行预测，所述综合预测模型与所述工序一一对应，所述数据样本集包括不同工序的数据样本。

4、于本申请一实施例中，得到多个综合预测模型之后，所述方法包括：对每一工序对应的综合预测模型中的各预测模型配置权重，并基于寻优算法进行权重寻优，以确定每一综合预测模型的优选权重组合；基于不同工序对应的综合预测模型和所述综合预测模型的优选权重组合，对不同工序的高炉煤气产耗进行预测。

5、于本申请一实施例中，基于寻优算法进行权重寻优，以确定每一综合预测模型的优选权重组合，包括：根据每一工序的煤气产耗历史数据确定每一工序的煤气产耗特征，所述历史数据包括不同工序的煤气产耗历史数据；对于每一工序对应的综合预测模型，基于所述工序的煤气产耗特征调整各预测模型的权重值，得到所述综合预测模型的多个权重组合，并基于所述工序的煤气产耗特征确定所述工序对应的评价算法，以根据所述工序对应的评价算法计算所述综合预测模型调用各权重组合时的预测误差；若所述预测误差小于或等于预设阈值，则将所述预测误差对应的权重组合确定为所述综合预测模型的优选权重组合；若所述预测误差大于所述预设阈值，则基于所述工序的煤气产耗特征重新调整各预测模型的权重值，直至所述预测误差小于或等于所述预设阈值。

6、于本申请一实施例中，基于所述工序的煤气产耗特征确定所述工序对应的评价算法，包括：若所述工序的煤气产耗特征为急剧波动，则将均方误差作为所述工序对应的评价算法；若所述工序的煤气产耗特征为平稳波动，则将相对误差作为所述工序对应的评价算法。

7、于本申请一实施例中，基于不同工序对应的综合预测模型和所述综合预测模型的优选权重组合，对不同工序的高炉煤气产耗进行预测，包括：获取不同工序的当前工艺参数数据；将每一工序的当前工艺参数数据输入至所述工序对应的综合预测模型，并调用所述综合预测模型的优选权重组合，得到不同工序的高炉煤气产耗预测结果。

8、于本申请一实施例中，所述初始模型包括工艺机理模型、差分整合移动平均自回归模型、反向传播神经网络模型以及长短记忆神经网络模型中至少之一。

9、于本申请一实施例中，还提供一种高炉煤气产耗预测装置，包括：获取模块，用于获取历史数据，所述历史数据包括煤气产耗历史数据和工艺参数历史数据；样本生成模块，用于基于煤气产耗与工艺参数之间的相关性对所述工艺参数历史数据进行筛选，得到目标工艺参数历史数据，基于所述煤气产耗历史数据和所述目标工艺参数历史数据生成数据样本集；训练模块，用于利用所述数据样本集训练不同类型的初始模型，得到多个预测模型，对多个预测模型进行集成，得到综合预测模型；预测模块，用于基于所述综合预测模型对高炉煤气产耗进行预测。

10、于本申请一实施例中，还提供一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上所述的高炉煤气产耗预测方法。

11、于本申请一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上所述的高炉煤气产耗预测方法。

12、本发明的有益效果：本发明提供了一种高炉煤气产耗预测方法、装置、电子设备及存储介质，该高炉煤气产耗预测方法基于煤气产耗历史数据和工艺参数历史数据生成数据样本集，对不同类型的初始模型进行训练，并将训练得到的多个预测模型集成为综合预测模型，通过由多个不同类型的预测模型集合而成的综合预测模型，对高炉煤气产耗进行预测，能够适用于具有不同高炉煤气产耗特点的多种复杂工况，提高了高炉煤气产耗预测的稳定性，保证了高炉煤气产耗预测的准确性。

技术特征：

1.一种高炉煤气产耗预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的高炉煤气产耗预测方法，其特征在于，利用所述数据样本集训练不同类型的初始模型，得到多个预测模型，对多个预测模型进行集成，得到综合预测模型，包括：

3.根据权利要求2所述的高炉煤气产耗预测方法，其特征在于，得到多个综合预测模型之后，所述方法包括：

4.根据权利要求3所述的高炉煤气产耗预测方法，其特征在于，基于寻优算法进行权重寻优，以确定每一综合预测模型的优选权重组合，包括：

5.根据权利要求4所述的高炉煤气产耗预测方法，其特征在于，基于所述工序的煤气产耗特征确定所述工序对应的评价算法，包括：

6.根据权利要求3至5中任一项所述的高炉煤气产耗预测方法，其特征在于，基于不同工序对应的综合预测模型和所述综合预测模型的优选权重组合，对不同工序的高炉煤气产耗进行预测，包括：

7.根据权利要求1至5中任一项所述的高炉煤气产耗预测方法，其特征在于，所述初始模型包括工艺机理模型、差分整合移动平均自回归模型、反向传播神经网络模型以及长短记忆神经网络模型中至少之一。

8.一种高炉煤气产耗预测装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如权利要求1至7中任一项所述的高炉煤气产耗预测方法。

技术总结
本发明提供一种高炉煤气产耗预测方法、装置、电子设备及存储介质，该方法包括获取历史数据，历史数据包括煤气产耗历史数据和工艺参数历史数据，基于煤气产耗与工艺参数之间的相关性对工艺参数历史数据进行筛选，得到目标工艺参数历史数据，基于煤气产耗历史数据和目标工艺参数历史数据生成数据样本集，利用数据样本集训练不同类型的初始模型，得到多个预测模型，对多个预测模型进行集成，得到综合预测模型，基于综合预测模型对高炉煤气产耗进行预测；通过由不同类型的预测模型集成的综合预测模型对高炉煤气产耗进行预测，能够适用于具有不同高炉煤气产耗特点的多种复杂工况，提高了高炉煤气产耗预测的稳定性，保证了高炉煤气产耗预测的准确性。

技术研发人员：王大滨,胡堃,陈成,刘志祥,王靖,史春燕,谢建,王云鹏,吴杉
受保护的技术使用者：中冶赛迪信息技术（重庆）有限公司
技术研发日：
技术公布日：2024/1/13