一种高炉铁水硅含量二维预报模型的构建方法及应用
【技术领域】
[0001] 本发明涉及一种高炉冶炼过程中铁水硅含量二维预报模型的构建方法及应用，属 于自动化检测技术领域。
【背景技术】
[0002] 高炉炉温是衡量高炉炉况的重要参数，它直接关系到高炉的炉况顺利状况。高炉 内部环境的极其恶劣，导致炉况极难控制。如果炉温控制出现问题，炉温"过热"或"过冷"， 则容易诱发炉况故障。在实际生产中，由于无法直接测量高炉内铁水的温度，常常用铁水 硅含量来间接表征炉温。铁水硅含量是衡量高炉冶炼过程炉况稳定性与铁水质量的重要指 标，也是表征高炉热状态及其变化趋势的显著标志，因此准确地预报铁水硅含量对于有效 控制高炉炉况稳定性、保障高炉顺行和降低能耗具有重要的意义。
[0003] 现有的硅含量预测均是单一硅含量值的预测，高炉系统的复杂性使得硅含量的预 测较为困难，预测模型的预测结果均存在着命中率不高且没有可信度表征等问题。铁水硅 含量预测模型在硅含量数据波动较大时的预测精度较低，整体命中率在绝对误差小于〇. 1， 也一般仅在85%左右。而且目前的关于铁水硅含量的研宄中，仅仅有对硅含量预测模型的 整体预测结果的评价研宄，例如"命中率"、均方根误差，而具体到对于每一炉的硅含量预测 结果，还没有任何可信度表征。所以对于硅含量的预测结果，在没有可信度表征的情况下， 操作者按照预测结果来调控炉况，可能会出现误操作。
[0004] 中国专利申请公布号CN 101211383A、申请公布日2013. 05. 08公开了一种高炉铁 水硅含量的特征分析预报方法，该方法以高炉工艺参数为输入变量，采用改进的动态独立 成分分析方法对输入变量的样本数据进行特征提取，然后使用经过遗传算法优化地最小二 乘法向量的算法建立高炉铁水硅含量预报的动态递推模型，具有普遍的通用性，可获得较 好的预报精度，提高高炉铁水硅含量的预报命中率。但该方法的预测模型过于简单，只适合 于平稳炉况，在硅含量数据波动较大时无法准确及时地跟踪上硅含量的变化趋势。
[0005] 中国专利申请公布号CN 102031319A，申请公布日2011. 04. 27公开了一种高炉铁 水硅含量的预报方法，该方法选取硅含量短期均值、硅含量中期均值、硅含量长期均值、前 次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数，通过预测算法对硅含量进行 预测。该方法采用的数据少，并能获得较好的预报精度，提高高炉铁水硅含量的预报命中 率。但该方法的预测模型采用多元回归模型，对于输入变量与硅含量的非线性关系，不能很 好的拟合表征，模型不具有普遍适用性。
[0006] 有鉴于此，特提出本发明。
【发明内容】
[0007] 本发明的目的是提供一种高炉铁水硅含量二维预报模型的构建方法及应用。本发 明将bootstrap预测区间方法（即自举法）与基于BP神经网络（即多层前馈神经网络） 的铁水硅含量预测方法相结合，构建高炉铁水硅含量的二维预报模型，即在预测下一时刻 硅含量值的同时也输出预测值的预测区间，并以预测区间宽度来表征该预测值的可信度， 实现铁水硅含量的二维预报一一同时预测下一炉硅含量值和该点预测值对应的可信度。本 发明方法不仅提高了硅含量值的预测命中率，且同时评估出每一个硅含量预报结果的可信 度，使操作者有选择的参照预报结果，有望进一步提高现场对高炉炉温的调控能力。
[0008] 本发明的目的是通过以下技术方案实现的：一种高炉铁水硅含量二维预报模型的 构建方法，包括如下步骤：
[0009] Sl、获得输入变量数据样本集
[0010] 包括采集高炉现场影响铁水硅含量变化的变量数据和铁水硅含量数据；通过对所 述各个变量与铁水硅含量相关性分析，采用前向选取法确定与铁水硅含量相关性强且数量 合适的输入变量数据样本集；采用马氏距离法删除异常数据；再进行归一化处理，得到用 于构建所述模型的输入变量数据样本集。
[0011] S2、构建基于bootstrap预测区间方法的高炉铁水硅含量二维预报模型
[0012] 包括将所述输入变量数据样本集随机分为三个样本集：D1, D2, D3;采用bootstrap 方法利用所述样本集D1建立前L个BP神经网络模型，所述L为正整数，；将所述样本集D 2 中的输入变量数据样本输入到所述前L个BP神经网络模型，得到L个预测值，利用所述L 个预测值和所述样本集D2进一步建立第L+1个BP神经网络模型；所述前L个BP神经网络 模型和所述第L+1个BP神经网络模型共同构成所述高炉铁水硅含量二维预报模型。本发 明所述一般L大于等于1000,优选取L = 1000。
[0013] 本发明还提供一种高炉铁水硅含量的二维预报方法，包括根据上述方法建立高炉 铁水硅含量二维预报模型，还包括以下步骤：
[0014] S3、利用上述硅含量二维预报模型输出预测结果一一硅含量的预测值和预测区间
[0015] 包括将所述样本集D3作为测试集，用上述前L个BP神经网络模型进行硅含量预 测，得到L个硅含量预测值，这L个硅含量的预测值的平均值即为二维预报模型的硅含量的 最终预测值。再通过计算一系列预测值的方差和通过第L+1个BP神经网络估计得噪声方 差，构建出硅含量的预测区间。
[0016] S4、通过对所述预测结果进行统计分析，验证预测区间宽度表征预测结果可信度 的能力，计算预测区间宽度和点预测值可信度之间的关系，实现预测区间宽度正确地表征 预测值的可信度，最终得到铁水硅含量二维预报结果，即同时预测硅含量的值和该预测值 的可信度。
[0017] 具体地，所述高炉铁水硅含量二维预报模型的构建方法，包括如下步骤：
[0018] Sl、获得输入变量数据样本集 [0019] 具体包括以下步骤：
[0020] S11、采集高炉现场影响铁水硅含量变化的变量数据和铁水硅含量数据；
[0021] 由于高炉内部的复杂物理化学反应，其间接影响铁水硅含量变化的变量有很多， 包括上部的布料方式、原料性质，下部的控制参数如风量、风温等。常用的变量数据有富 氧率、透气性指数、标准风速、富氧流量、冷风流量、喷煤量、铁水成分、煤气成分、顶压、全压 差、热风压力、实际风速、冷风压力、理论燃烧温度、热风温度、鼓风动能、富氧流量、富氧压 力、炉腹煤气量等等。表1列出了本发明【具体实施方式】中的一些候选变量。
[0022] S12、通过对所述各个变量与铁水硅含量相关性分析，采用前向选取法确定与铁水 硅含量相关性强且数量合适的输入变量数据样本集
[0023] 对所有采集到的影响铁水硅含量变化的变量与铁水硅含量之间进行相关性分析， 根据相关系数的大小进行排序，然后采用前向选取法选取与铁水硅含量相关性强的变量， 作为本发明所述模型的输入变量。如果变量个数过多，模型过于复杂，预报模型的命中率会 逐渐下降；所以变量个数不宜选取过多，以数量合适为佳。优选地，以预测模型命中率最高 点对应的模型输入变量集作为本发明所述二维预报模型的输入变量数据样本集。
[0024] 具体地，所述S12确定模型输入变量数据样本集包括以下步骤：
[0025] S121、计算每个变量与铁水硅含量的相关系数。因考虑到高炉炉温系统是一个大 滞后的系统，各个变量对于高炉炉温的影响具有滞后性，所以本发明在滞后〇、1、2、3炉次 的情况下，分别计算各个变量与铁水硅含量的相关系数。
[0026] S122、计算铁水硅含量的自相关系数。因考虑到铁水硅含量具有自相关性，本发明 还计算时滞变量（即铁水硅含量）与上一炉和上上炉硅含量的相关系数。
[0027] S123、将所述变量按相关系数大小进行排序，采用前向选取法选取与铁水硅含量 相关性强且数量合适的输入变量数据样本集。
[0028] 所述相关系数即Pearson (皮尔逊）相关系数，其计算公式如下：
[0029]
[0030] 公式⑴中％^分别表示需要计算相关性的两个变量，其中Yi表示铁水硅含量； N表示变量的数据长度。
[0031] 所述步骤S123过程如下：如图2所示，首先，将所述各个变量按照相关系数大小 依次加入到输入变量数据样本集，然后分别用来训练单个的BP神经网络（多层前馈神经网 络）模型并进行预测，得到最终预测结果的命中率。随着输入变量个数的增加，预测模型的 命中率会逐渐上升，然后到达最高点。变量个数过多，模型过于复杂，命中率会逐渐下降。优 选以所述BP神经网络模型命中率最高点对应的模型输入变量数据样本集作为本发明所述 二维预报模型的输入变量数据样本集。在本发明一个【具体实施方式】中最终的预测模型的输 入变量如表2所示。
[0032] 表1高炉铁水硅含量预报模型的候选输入变量
[0033]
[0034]
[0035] 注：表示该变量滞后原输入变量i炉；下同。
[0036] 表2前项选取法过程中硅含量预测模型命中率变化
[0037]
[0038] S13、剔除异常数据
[0039] 在采集高炉现场数据过程中，受到高温高压等环境影响或者高炉休风、减风等非 正常状况，数据存在异常值。这些异常数据在一定程度上会改变数据的变化趋势，影响模型 建立的准确性，因此需要