一种耗氧量预测系统模型及预测方法与流程

本技术涉及耗氧量预测领域，尤其涉及一种耗氧量预测系统模型及预测方法。

背景技术：

1、氧气系统是钢铁企业不可缺少的组成部分，它的主要任务是在钢铁生产过程中向高炉炼铁、转炉炼钢提供氧气。氧气系统运行的过程中离不开对钢铁生产过程的耗氧量预测，通过科学的预测与调度，最终达到减少氧气放散，降低能源成本，提高生产效率，增长企业液氧外供收益的目的。

2、现有技术中，钢铁企业常用的能源介质的预测方法主要有时间序列法、支持向量机、神经网络法等。通过构建模型，对钢铁企业的耗氧量历史数据进行分析，从而得到未来一段时间内钢铁生产过程中的耗氧量预测值。

3、然而，由于耗氧量历史数据的复杂性，现有的耗氧量预测模在钢铁生产过程中对耗氧量进行预测的结果不够准确，使得难以依据耗氧量预测结果确定更合适的调度策略。

技术实现思路

1、本技术提供了一种耗氧量预测系统模型及预测方法，用于应对在lstm模型依据历史数据确定耗氧量预测结果的过程中，当历史数据比较复杂时，会对 lstm模型预测耗氧量的准确性产生较大影响，使得模型得到的耗氧量预测结果不准确。

2、第一方面，本技术提供一种耗氧量预测系统模型及预测方法，包括：

3、获取预设时间段内的第一历史数据，该第一历史数据包括历史生产数据、生产计划和其他相关数据，该第一历史数据按照时间序列进行排序，该第一历史数据为用户选择的输入lstm模型进行耗氧量预测的历史数据；

4、依据非线性模型计算该第一历史数据的模型复杂度，该模型复杂度与该历史数据中非线性关系所占比例成正比；

5、判断该模型复杂度是否大于或等于预设复杂度阈值；

6、若检测到该模型复杂度小于该预设复杂度阈值，则将该第一历史数据输入到lstm模型中，得到未来预设时段内的耗氧量预测结果；

7、若检测到该模型复杂度大于或等于该预设复杂度阈值，则使用cnn模型对该第一历史数据进行预处理，得到特征数据，该预处理用于提取该第一历史数据中的局部特征和抽象特征；

8、将该特征数据输入到该lstm模型，得到未来预设时段内的耗氧量预测结果。

9、通过上述实施例，终端设备可以依据预设时间段内的第一历史数据构建lstm模型，得到未来预设时段内的耗氧量预测结果，并在检测到第一历史数据对应的模型复杂度大于或等于预设复杂度阈值时，先使用cnn模型提取第一历史数据进行预处理，得到特征数据，再将特征数据输入lstm模型得到未来预设时段内的耗氧量预测结果。通过使用cnn模型提取第一历史数据的特征，降低了第一历史数据的复杂度，从而提高了lstm模型依据第一历史数据对钢铁生产过程中的耗氧量进行预测的准确度，便于优化制氧技术路线。

10、在一些实施例中，该依据非线性模型计算该第一历史数据的模型复杂度的步骤，具体包括：

11、依据第二历史数据构建非线性模型，该第二历史数据为用户选择的用于对非线性模型进行训练的历史数据；

12、依据该非线性模型的复杂度度量指标评估该第一历史数据的模型复杂度。

13、通过上述实施例，终端设备可以通过第一历史数据构建非线性模型来计算该第一历史数据中非线性关系所占比例，进而得到该第一历史数据的模型复杂度的评估值。

14、在一些实施例中，该若检测到该模型复杂度小于该预设复杂度阈值，则将该第一历史数据输入到lstm模型中，得到未来预设时段内的耗氧量预测结果的步骤，具体包括：

15、对第三历史数据进行数据清洗和数据归一化处理，进而划分出训练集和测试集，该第三历史数据为用户选择的用于对lstm模型进行训练的历史数据；

16、依据该训练集和测试集构建lstm模型，并依据训练结果实时调整lstm模型参数；

17、将预设时间段的第一历史数据输入到完成训练的lstm模型中，得到未来预设时段内的耗氧量预测结果。

18、通过上述实施例，终端设备可以在检测到第一历史数据的模型复杂度小于预设阈值时，直接使用lstm模型对未来预设时间段内的耗氧量进行预测。在依据第一历史数据预测未来预设时间段内的耗氧量时不需要叠加其他模型，减少了对终端设备计算机资源的占用，缩短了耗氧量预测的响应时间。

19、在一些实施例中，该若检测到该模型复杂度大于或等于该预设复杂度阈值，则使用卷积神经网络对该第一历史数据进行预处理，得到特征数据的步骤，具体包括：

20、将该第一历史数据按照一定的时间窗口划分成子序列，得到多个子序列数据；

21、对每个子序列数据应用cnn模型，通过卷积层和池化层提取局部特征和抽象特征，得到特征数据。

22、通过上述实施例，终端设备可以在检测到第一历史数据的复杂度高大于或等于预设复杂度阈值时，先使用cnn模型对第一历史数据进行预处理，得到特征数据，为后续lstm模型提供了融合了上下文信息的精简特征输入，从而提高lstm模型耗氧量预测的准确率。

23、在一些实施例中，在该获取预设时间段内的第一历史数据的步骤之前，还包括：

24、接收用户发送的耗氧量预测指令，并返回指令确认信息；

25、对该耗氧量预测指令进行异步响应。

26、通过上述实施例，终端设备可以对用户发送的耗氧量预测指令进行异步响应处理，从而提高终端设备计算机系统的并发处理能力和响应速度，同时也能够更好地应对大规模的预测请求。

27、在一些实施例中，在该将该特征数据输入到该lstm模型，得到未来预设时段内的耗氧量预测结果的步骤之后，还包括：

28、将实际耗氧数据存储到数据库中，该实际耗氧数据包括结构化数据和非结构化数据；

29、响应于用户的数据查询指令，显示预设时间范围内的目标数据信息。

30、通过上述实施例，终端设备可以将耗氧量预测结果与实际耗氧数据进行存储与对比，方便对耗氧量预测结果进行评估，便于用户了解生产实际情况，调整生产计划。

31、在一些实施例中，在该将该特征数据输入到该lstm模型，得到未来预设时段内的耗氧量预测结果的步骤之后，还包括：

32、依据实际耗氧数据对该耗氧量预测结果进行评估，得到误差值；

33、若检测到该误差值大于预设误差阈值，则确定误差特征，该误差特征为该第一历史数据中与实际耗氧数据存在差异的数据的集合；

34、向用户发出提示信息，并显示该误差特征。

35、通过上述实施例，终端设备可以对实际耗氧数据与耗氧量预测结果进行误差分析，确定影响因素，并发送提醒信息，有利于用户识别问题和优化产量。

36、第二方面，本技术提供一种终端设备，包括：

37、数据获取模块，用于获取预设时间段内的第一历史数据，该第一历史数据包括历史生产数据、生产计划和其他相关数据，该第一历史数据按照时间序列进行排序，该第一历史数据为用户选择的输入lstm模型进行耗氧量预测的历史数据；

38、复杂度计算模块，用于依据非线性模型计算该第一历史数据的模型复杂度，该模型复杂度与该第一历史数据中非线性关系所占比例成正比；

39、复杂度判断模块，用于判断该模型复杂度是否大于或等于预设复杂度阈值；

40、耗氧量直接预测模块，用于若检测到该模型复杂度小于该预设复杂度阈值，则将该第一历史数据输入到lstm模型中，得到未来预设时段内的耗氧量预测结果；

41、数据特征提取模块，用于若检测到该模型复杂度大于或等于该预设复杂度阈值，则使用cnn模型对该第一历史数据进行预处理，得到特征数据，该预处理用于提取该第一历史数据中的局部特征和抽象特征；

42、耗氧量间接预测模块，用于将该特征数据输入到该lstm模型，得到未来预设时段内的耗氧量预测结果。

43、本技术提供的终端设备可以实现上述实施例提供的一种耗氧量预测系统模型及预测方法，此处不再赘述。

44、第三方面，本技术实施例提供了一种终端设备，该终端设备包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该终端设备可以实现上述实施例提供的一种耗氧量预测系统模型及预测方法，此处不再赘述。

45、第四方面，本技术实施例提供一种计算机可读存储介质，包括指令，当上述指令在终端设备上运行时，使得上述终端设备可以实现上述实施例提供的一种耗氧量预测系统模型及预测方法，此处不再赘述。

46、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

47、1、终端设备可以依据预设时间段内的第一历史数据构建lstm模型，得到未来预设时段内的耗氧量预测结果，并在检测到第一历史数据对应的模型复杂度大于或等于预设复杂度阈值时，先使用cnn模型提取第一历史数据进行预处理，得到特征数据，再将特征数据输入lstm模型得到未来预设时段内的耗氧量预测结果。通过使用cnn模型提取第一历史数据的特征，降低了历史数据的复杂度，从而提高了lstm模型依据历史数据对钢铁生产过程中的耗氧量进行预测的准确度，便于优化制氧技术路线。

48、2、终端设备可以通过第二历史数据构建非线性模型来计算该第一历史数据中非线性关系所占比例，进而得到该第一历史数据的模型复杂度的评估值。在检测到第一历史数据的模型复杂度小于预设阈值时，直接使用lstm模型对未来预设时间段内的耗氧量进行预测，不需要叠加其他模型，减少了对终端设备计算机资源的占用，缩短了耗氧量预测的响应时间。并在检测到第一历史数据的复杂度高大于或等于预设复杂度阈值时，先使用cnn模型对第一历史数据进行预处理，得到特征数据，为后续lstm模型提供了融合了上下文信息的精简特征输入，从而提高lstm模型耗氧量预测的准确率。

49、3、终端设备可以对用户发送的耗氧量预测指令进行异步响应处理，从而提高终端设备计算机系统的并发处理能力和响应速度，同时也能够更好地应对大规模的预测请求，还可以将耗氧量预测结果与实际耗氧数据进行存储与对比，方便对耗氧量预测结果进行评估，便于用户了解生产实际情况，调整生产计划。此外，终端设备可以对实际耗氧数据与耗氧量预测结果进行误差分析，确定影响因素，并发送提醒信息，有利于用户识别问题和优化产量。