基于因素的鋼鐵企業工序能耗預測方法
【技術領域】
[0001] 本發明涉及冶金自動化領域，具體地，涉及基于因素的鋼鐵企業工序能耗預測方 法。
【背景技術】
[0002] 鋼鐵企業能耗預測與平衡研究是采用準確先進的預測方法對能源需求的趨勢提 供正確的估計，根據能源消耗歷史數據，綜合考慮各工序的產業結構、能源消耗特點，對工 序能耗和企業綜合能耗進行短期、中期和長期預測，對企業能源的使用進行總體平衡和調 整，深入研究鋼鐵企業能源消耗的特點和機理，形成全面的能耗評價、分析體系，為能源管 理優化提供有效的決策支持，為能源成本預算提供準確可靠的依據，實現對能源高效合理 地利用。
[0003] 目前的做法是，總部以下的所有二級廠按月把本廠的能耗預算報送能源環保部， 能源部根據各廠的情況進行總體的平衡和調整，調整后的結果一方面下達給二級廠，一方 面形成能耗預算報給財務部門，整個過程手工進行，每月耗時三天，效率低。

【發明內容】

[0004] 針對上述現有技術的缺陷，本發明要解決的技術問題是一種基于因素的鋼鐵企業 工序能耗預測方法，能夠較準確地預測各個二級工序介質能源消耗量，得到噸鋼綜合能耗， 從而降低原來做法的復雜度及提高預測噸鋼綜合能耗的準確度，縮短耗時周期。
[0005] 根據本發明提供的一種基于因素的鋼鐵企業工序能耗預測方法，包括如下步驟：
[0006] 步驟1 :準備數據，從實時數據庫中獲取鋼鐵企業工序能耗歷史實際數據，并從導 入計劃數據；
[0007] 步驟2 :展示計劃數據，其中，將計劃數據作為影響因素；
[0008] 步驟3 :根據歷史實際數據，得到歷史能耗實際數據，并確定計算樣本數據；
[0009] 步驟4 :根據計算樣本獲取固定單耗值；
[0010] 步驟5 :采用BP神經網絡方式或者支持向量機方式進行預測；
[0011] (i)采用BP神經網絡方式進行預測，具體包括如下步驟：
[0012] 步驟501 :先初始化BP網絡結構，設定BP網絡的輸入層、隱含層、輸出層的神經元 個數；
[0013] 步驟502 :根據神經網絡結構確定粒子總數，此粒子總數為所有權值和閾值的總 和；
[0014] 步驟503 :計算所有粒子中每個粒子的適應度；
[0015] 步驟504 :比較每個粒子的適應度與所經歷過的最好位置的適應度進行比較，若 較好，則將所述粒子的適應度作為當前的最好位置P1 (t);
[0016] 步驟505 :將每個粒子的適應度與全局所經歷的最好位置的適應度進行比較，若 較好，則將所述粒子的適應度作為當前的全局最好位置匕(〇 e 其中，P1U)表示第i+1個粒子當前的最好位置；
[0017] 步驟506 :根據公式⑴和公式⑵更新每個粒子的位置Xu和速度Vl];
[0020] 其中：下標"j"表示粒子的第j維，"i"表示粒子i，t表示第t代，Cl、c 2為加速常 數，通常在0~2之間，rand()是（0, 1)均勻分布相互獨立的隨機函數；
[0021] Vij (t+Ι)表示粒子i在t+Ι代時的速度，VijU)表示粒子i在t代時更新后的速 度，Pu (t)表示粒子i在t代時最好位置，Xu (t)表示粒子i在t代時位置，Xu (t+Ι)表示 粒子i在t+1代時位置，pg] (t)表示極值點粒子在t代時最好位置，g表示極值點粒子下標
[0022] 從上述由公式（1)和公式（2)構成的粒子進化方程能夠得到，C1調節粒子飛向自 身最好位置方向的步長，C 2調節粒子向全局最好位置飛行的步長；
[0023] 步驟507 :若達到預設的適應度期望閾值或者達到一個預設的最大代數，則步驟 504至步驟506所執行的搜索停止，輸出全局最優位置，否則，返回步驟504繼續執行；
[0024] (ii)采用支持向量機方式進行預測，具體包括如下步驟：
[0025] 步驟5A :初始化粒子群PSO的粒子種群；
[0026] 步驟5B :將樣本數據進行加權運算得到新特征值，利用加權后所形成的新特征值 進行建模，利用所得到的檢測模型進行交叉檢驗，得到交叉檢驗值，這個交叉檢驗值就適應 度值；
[0027] 步驟5C :根據計算所得到的適應度值，運用粒子群PSO的速度和位置更新公式對 粒子進行更新，同時更新個體歷史最優位置和個體適應度值，以及全局最優位置和全局適 應度值；
[0028] 步驟f5D :重復進行步驟5B和步驟5C的操作，直到滿足預先設定的迭代次數或算 法運算時間就停止。
[0029] 優選地，在步驟503中，以訓練誤差精度E作為適應度函數以得到適應度：
[0031] 其中，E表示適應度，N表示總數，Y表示期望輸出值，yi表示真實輸出值。
[0032] 與現有技術相比，本發明具有如下的有益效果：
[0033] 本發明能夠較準確的預測未來一段時間的工序介質能耗及噸鋼綜合能耗變化趨 勢，使調度人員可以參考工序介質能耗變化趨勢，得到噸鋼綜合能耗，從而降低原來做法的 復雜度及提高預測噸鋼綜合能耗的準確度，縮短耗時周期。
[0034] 本發明解決了鋼鐵制造領域中如何準確獲得工序能耗的技術問題，其采用的是基 于支持向量機或BP網絡的計算方法并利用預測模型來實現的技術手段，并由此能夠獲得 提高工序能耗預測計算速度的技術效果。
【附圖說明】
[0035] 通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發明的其它特征、 目的和優點將會變得更明顯：
[0036] 圖1為工序能耗預測過程。
【具體實施方式】
[0037] 下面結合具體實施例對本發明進行詳細說明。以下實施例將有助于本領域的技術 人員進一步理解本發明，但不以任何形式限制本發明。應當指出的是，對本領域的普通技術 人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進。這些都屬于本發明 的保護范圍。
[0038] 步驟一：準備數據，從實時數據庫中獲取歷史實際數據，手工導入計劃數據；
[0039] 步驟二：展示計劃數據即影響因素；
[0040] 步驟三：基于歷史實際數據，運用BP網絡建因素模型A ;
[0041] 步驟四：基于歷史實際數據，運用支持向量機建因素模型B，具體如下：
[0042] (1)建模過程中首先將歷史數據作為訓練樣本，并對樣本數據進行處理，以提高訓 練結果的精度；
[0043] (2)通過核函數的轉化將非線性的問題進行線性化，轉化為求解二次規劃問題的 形式；
[0044] (3)采用數學規劃方法求解以上問題，選擇出支持向量，得到預測模型。
[0045] 步驟五：步驟三或者步驟四根據步驟二影響因素的建模制對工序介質能耗進行預 測，從而通過計算得到噸鋼綜合能耗。
[0046] 本發明能夠較準確的預測未來一段時間的工序介質能耗及噸鋼綜合能耗變化趨 勢，能源中心管理人員可以根據工序介質能耗及噸鋼綜合能耗的變化趨勢，結合年初制定 的全廠噸鋼綜合能耗目標，對各個二級廠工序介質能源消耗進行調控，達到全廠的能源平 衡利用；實現能源平衡，減少能源浪費，提高能源利用率。與人工相比，提高精度，縮短耗時 周期。
[0047] 下面對本發明進行更為具體的描述。
[0048] 實施例1 :梅鋼煉鋼工序能耗預測
[0049] 圖1是本發明實施例1的工序能耗預測流程圖。
【具體實施方式】 [0050]
[0051] 參見圖1所示，在本發明的實施例1中所述鋼鐵企業煉鋼工序能耗預測方法是按 照如下步驟實現的：
[0052] 步驟一，讀取煉鋼工序能耗歷史實際數據與煉鋼工序實際產量。通過從現場能源 系統中的實時數據庫讀取煉鋼工序能耗歷史實際數據與煉鋼工序實際產量。
[0053] 步驟二，導入需要預測的相關煉鋼工序計劃產量數據作為影響因素，以通過從外 部導入的方式獲得煉鋼工序計劃產量數據。
[0054] 步驟三，根據步驟一取到的煉鋼工序能耗歷史實際數據與煉鋼工序實際產量，以 人工方式選定月數作為樣本總數，其中同一個月的煉鋼工序能耗歷史實際數據與煉鋼工序 實