基于能量诱导型PSO算法与LSSVM模型的钢铁企业高炉煤气消耗量预测

针对钢铁企业高炉煤气消耗量存在的波动大、随机性强、难以预测等特点,引入能量剩余函数,提出了一种与粒子自身能量相关的能量诱导型粒子群(Energy Guided Particle Swarm Optimization,EGPSO)算法。利用其对最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的参数进行优化,最后采用优化后的最小二乘支持向量机模型(EGPSO-LSSVM)进行高炉煤气消耗量预测。仿真实验表明:改进后的预测模型在平均绝对百分比误差、均方误差、均方百分比误差三项指标上均优于普通BP神经网络模型和普通最小二乘支持向量机模型,可以为高炉煤气资源的合理使用提供依据。

基于改进回声状态网络的高炉煤气产耗预测

以钢铁企业高炉煤气系统为背景,针对其产生量和消耗量的预测问题,提出一种改进回声状态网络时间序列方法进行系统仿真预测,并根据最小均方差准则,以最小化网络训练误差为目标,采用随机梯度下降法对网络参数进行优化。该方法对于不同预测对象,可计算出合适的网络连接权值、储备池谱半径等参数,避免了传统回声状态网络方法中单凭经验选择网络参数的现状,提高了预测精度。采用该方法对高炉煤气系统现场实际产耗数据进行了仿真预测,仿真结果表明所提出方法的有效性。

CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络(CNN)和门结构循环单元(GRU)网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。

基于时序模型的高炉煤气发生量多步预测对比

为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.0570,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.0428,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.0694,LSTM模型为0.0940。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.0601,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。

EMD-LSSVM模型预测高炉煤气产生量

钢铁企业实际生产中产生海量数据,在数据中隐藏着潜在的规律,针对高炉煤气产生量波动频繁,传统的预测算法精度低误差大的问题,本文通过对数据进行经验模态分解,建立一种EMD和LSSVM相结合的预测模型.首先将原始数据运用EMD方法分解成多个IMF分量和Res分量,对每个分量单独建立LSSVM预测模型,最后将各个分量的预测结果进行叠加重构得到最终的预测结果.本文所提出的方法,对某钢铁企业的实际生产中数据进行预测实验,结果表明,EMD-LSSVM算法确实可以提高预测的精度.