本發(fā)明屬于信息技術領域，涉及到粒度計算、動態(tài)時間彎曲、模糊系統(tǒng)建模等技術，是一種基于信息粒度最優(yōu)化的鋼鐵工業(yè)高爐煤氣長期區(qū)間預測方法。

背景技術：

冶金工業(yè)是一個高耗能高排放行業(yè)。除氧氣、氮氣等一次能源外，如何合理利用隨鋼鐵生產過程所產生的副產煤氣，亦即二次能源，是目前行業(yè)關注的重點。高爐煤氣是鋼鐵生產過程的重要二次能源之一，它隨高爐煉鐵過程產生，廣泛用于熱風爐燃燒、焦爐煉焦和低壓鍋爐等環(huán)節(jié)。在日常生產中，高爐煤氣發(fā)生量、熱風爐高爐煤氣用量等均為現(xiàn)場調度人員的關注重點，對上述產消用戶未來趨勢的判斷，將直接影響到能源調度與優(yōu)化排產的工作效率，以及企業(yè)的能耗成本等。(Guo,Z.C.,Fu,Z.X.(2010).Current situation of energy consumption and measures taken for energy saving in the iron and steel industry in China.Energy,35(11),4356-4360.)。

隨著冶金企業(yè)信息化水平不斷提高，數(shù)據(jù)驅動方法逐漸成為解決此類能源預測問題的有效途徑。目前的應用模式主要基于迭代機制構建數(shù)據(jù)樣本，進而采用諸如神經網絡、支持向量機等模型進行數(shù)據(jù)樣本訓練和趨勢預測(Sheng,C.,Zhao,J.,Wang,W.,Leung,H.(2013).Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble.IEEE Transactions on neural networks and learning systems,24(7),1036-1048.)(Z.Y.Han,Y.Liu,J.Zhao,W.Wang.(2012).Real time prediction for converter gas tank levels based on multi-output least square support vector regressor.Control Engineering Practice,20(12),1400-1409)。然而，這些方法的預測結果精度易收到迭代誤差的影響，一般只能提供約30分鐘的準確預測結果，對后續(xù)能源優(yōu)化排產工作的指導意義較為有限。

在預測方法的研究上，粒度計算結合模糊系統(tǒng)建模的方式由于避免了迭代過程，已取得一定成果(Dong,R.,Pedrycz,W.(2008).A granular time series approach to long-term forecasting and trend forecasting.Physica A:Statistical Mechanics and its Applications,387(13),3253-3270.)。然而，這一模型在冶金工業(yè)應用上仍存在如下不足：首先，對數(shù)據(jù)的基本微粒劃分僅依據(jù)簡單的上升、下降等趨勢，如此方式在面對波動劇烈的工業(yè)數(shù)據(jù)時難以適用，且忽視了數(shù)據(jù)變化與產品生產之間的關系；其次，現(xiàn)有研究成果一般是點預測，結果較為絕對，而以區(qū)間形式預估未來能源產消情況更符合人的認知習慣，且可直觀給出結果的可靠性衡量，有助于提升其實用性。

技術實現(xiàn)要素：

本發(fā)明主要解決鋼鐵工業(yè)高爐煤氣的長期區(qū)間預測問題。發(fā)明中所用數(shù)據(jù)為工業(yè)現(xiàn)場的真實數(shù)據(jù)，首先以能源產消的階段性特征劃分數(shù)據(jù)，形成基礎數(shù)據(jù)微粒，進而借助時間彎曲距離將長度不等的數(shù)據(jù)微粒規(guī)范為等長，在模糊聚類后將聚類中心縱向延展為區(qū)間值，并以信息粒度最優(yōu)分配為指導對其進行優(yōu)化，最終獲得長期區(qū)間預測結果。

為了達到上述目的，本發(fā)明的技術方案為：

一種基于信息粒度最優(yōu)分配的鋼鐵工業(yè)高爐煤氣長期區(qū)間預測方法，該鋼鐵工業(yè)高爐煤氣長期區(qū)間預測方法基于真實工業(yè)生產數(shù)據(jù)，在數(shù)據(jù)進行必要的預處理后，首先在橫向即時間軸上，依據(jù)鋼鐵工業(yè)能源產消的階段性特征，形成包括多個數(shù)據(jù)點的數(shù)據(jù)微粒；進而，考慮到后續(xù)模糊聚類分析需要，利用時間彎曲距離，將非等長數(shù)據(jù)微粒規(guī)范化為等長；在應用模糊聚類得到聚類中心后，將其在縱向上延展為區(qū)間值，借助模糊建模方法可獲得初始區(qū)間預測結果；最終，求解基于信息粒度最優(yōu)化分配理論的優(yōu)化模型，獲得長期區(qū)間預測結果。這種長期區(qū)間預測結果更具參考性，可更好地輔助指導現(xiàn)場能源調度工作，在鋼鐵工業(yè)其它能源介質系統(tǒng)中亦可推廣應用。

本發(fā)明的具體步驟如下：

第一步，由鋼鐵工業(yè)現(xiàn)場能源系統(tǒng)的實時數(shù)據(jù)庫中采集高爐煤氣產消用戶數(shù)據(jù)，并對這些原始數(shù)據(jù)做基本的除噪、濾波及填補等處理，為后續(xù)建模過程保證基礎數(shù)據(jù)質量；

第二步，分析能源產消數(shù)據(jù)，例如高爐煤氣回收、熱風爐用高爐煤氣等，對應生產階段將多個數(shù)據(jù)點聚合為數(shù)據(jù)微粒，形成基本分析單元；

第三步，基于時間彎曲距離，在非等長數(shù)據(jù)微粒中選取基準序列，進而對其它數(shù)據(jù)微粒進行伸長或壓縮，以達到統(tǒng)一數(shù)據(jù)長度的目的；

第四步，應用模糊C均值聚類算法，將所獲得的聚類中心縱向延伸為區(qū)間數(shù)，利用模糊推理、解模糊化等模糊建模方法，獲得初始區(qū)間預測結果；

第五步，以信息粒度最優(yōu)分配為目標，針對預測區(qū)間建立優(yōu)化模型，借助智能算法求得最終長期區(qū)間預測結果。

本發(fā)明方法在橫軸、縱軸兩個方向上實現(xiàn)了信息粒度的拓展。其中，橫向上對應能源產消階段將數(shù)據(jù)點聚合為數(shù)據(jù)微粒，為長期預測奠定基礎；縱向上將聚類中心延伸為區(qū)間數(shù)，結合信息粒度最優(yōu)分配進行優(yōu)化；通過以上兩部分工作最終獲得長期區(qū)間預測結果。此外，時間彎曲距離的運用，解決了非等長數(shù)據(jù)微粒的等長規(guī)范化問題。準確的長期區(qū)間預測結果可為現(xiàn)場能源調度工作提供有力支持。

附圖說明

圖1為高爐煤氣系統(tǒng)管網示意圖。

圖2為本發(fā)明應用流程圖。

圖3為熱風爐高爐煤氣用量數(shù)據(jù)橫向粒度化舉例示意圖。

圖4為熱風爐高爐煤氣用量數(shù)據(jù)聚類中心縱向粒度化舉例示意圖。

圖5(a)為Delta方法對熱風爐高爐煤氣用量的長期區(qū)間預測結果圖。

圖5(b)為MVE方法對熱風爐高爐煤氣用量的長期區(qū)間預測結果圖。

圖5(c)為本發(fā)明方法對熱風爐高爐煤氣用量的長期區(qū)間預測結果圖。

圖6(a)為Delta方法對高爐煤氣發(fā)生量的長期區(qū)間預測結果圖。

圖6(b)為MVE方法對高爐煤氣發(fā)生量的長期區(qū)間預測結果圖。

圖6(c)為本發(fā)明方法對高爐煤氣發(fā)生量的長期區(qū)間預測結果圖。

圖中：MVE是指均值方差估計(Mean Variance Estimation)。

具體實施方式

為了更好地理解本發(fā)明的技術方案與具體實施方式，下面以國內鋼鐵工業(yè)信息化水平較高的寶山鋼鐵廠高爐煤氣系統(tǒng)為例做進一步說明。由圖1所示的寶鋼高爐煤氣管網示意圖可以看出，該系統(tǒng)中含有四座轉爐作為發(fā)生單元，熱風爐等則構成了消耗單元，低壓鍋爐、電廠等是該管網的可調節(jié)單元，兩個煤氣柜連接在管網末端存儲多余煤氣，為管網平衡起緩沖作用，此外還有煤氣混合站、煤氣加壓站等作為輸配系統(tǒng)。由于管網實際配置復雜，鋪設線路較長，遍布廠區(qū)各個生產區(qū)域，同時高爐煤氣管網又存在非線性、大時滯等特點，因此準確有效的機理建模顯得尤為困難。鑒于此，本發(fā)明從數(shù)據(jù)驅動方法角度出發(fā)，解決相關能源預測問題。本發(fā)明的具體實施步驟如下：

步驟1：數(shù)據(jù)預處理

從鋼鐵工業(yè)現(xiàn)場實時關系數(shù)據(jù)庫讀取高爐煤氣系統(tǒng)產消量數(shù)據(jù)?？紤]到工業(yè)數(shù)據(jù)普遍存在有異常點、噪聲、少量缺失點等問題，在建立模型之前對數(shù)據(jù)做基本的濾波、除噪和填補等處理。所述的流量數(shù)據(jù)主要包括高爐煤氣發(fā)生量、熱風爐高爐煤氣用量、焦爐高爐煤氣用量、冷/熱軋高爐煤氣用量等。

步驟2：橫向的數(shù)據(jù)粒度化

冶金能源數(shù)據(jù)的波動一般對應產品生產階段，含有一定實際意義，例如本發(fā)明所面向的高爐煤氣管網中熱風爐用高爐煤氣量的休風送風狀態(tài)切換，以及焦爐煤氣管網自身用焦爐煤氣量的切換等。應在建模中充分考慮此類生產過程特征，并依此對數(shù)據(jù)進行劃分。

以下以預測對象之一的熱風爐高爐煤氣用量為例，說明其劃分原則。圖3是寶鋼某熱風爐高爐煤氣用量3個小時的數(shù)據(jù)，由圖可知，熱風爐的一個工作階段往往包含兩部分，即正常燃燒階段(幅值>200km³/h，持續(xù)時間約30分鐘)和停止狀態(tài)階段(幅值<150km³/h，持續(xù)時間約15分鐘)。由于該數(shù)據(jù)存在波形、時長不同的頻繁波動，因此單純的升降趨勢形容顯然不夠適用。本發(fā)明在橫向即時間軸上，按照一個完整生產階段，將所對應的多個數(shù)據(jù)點記為一個數(shù)據(jù)粒子，如圖3中虛線所示。

依據(jù)鋼鐵工業(yè)流量數(shù)據(jù)波動普遍對應產品生產階段這一特性，對第一步得到的流量數(shù)據(jù)進行劃分，即通過上述數(shù)據(jù)粒度化過程，可獲得基礎數(shù)據(jù)粒子t₁,t₂,……,t_N，其中N為粒子個數(shù)，各粒子長度不同。這種方式首先在基本分析單元上保證了與實際生產的緊密聯(lián)系，有助于提高預測精度；其次，此舉對分析尺度的拓展，可為長期預測的實現(xiàn)奠定基礎。

步驟3：非等長數(shù)據(jù)微粒規(guī)范化

首先通過各微粒間的時間彎曲距離動態(tài)計算，選擇一個數(shù)據(jù)微粒作為基準序列；隨后將其它序列與基準序列做比較，進行伸長或縮短，達到使各序列長度相同的目的。非等長數(shù)據(jù)微粒規(guī)范化的具體實施可通過以下兩步完成：

3.1)基準序列選?。簩τ贜個數(shù)據(jù)微粒t₁,t₂,……,t_N，分別取其中一個與其它微粒計算時間彎曲距離和，并記錄相應彎曲路徑；在所得結果中，選取一個數(shù)據(jù)微粒作為基準序列t_s，此序列滿足即時間彎曲距離和取得最小值所對應序列；其中，DTW(t_i,t_j)為時間彎曲距離，arg Min表示取最小值時對應的t_i；基準序列的長度記為n；

3.2)數(shù)據(jù)微粒規(guī)范化：根據(jù)上一步已獲得的待規(guī)范序列與基準序列的彎曲路徑結果，將待規(guī)范序列在彎曲部分進行自我復制或縮減(即以數(shù)據(jù)點平均值代替)，實現(xiàn)伸長或壓縮，使多段非等長的待規(guī)范序列等距化，所得的等長序列記做s₁,s₂,……,s_N；

步驟4：縱向的聚類中心粒度化

對規(guī)范后的等長數(shù)據(jù)微粒s₁,s₂,……,s_N，采用模糊C均值聚類方法，獲得聚類中心和相應模糊隸屬度，分別記做v_ij和u_ik，其中i＝1,2,……,c，j＝1,2,……,n，k＝1,2,……,N。

考慮到最終預測結果形式的根本決定因素是聚類中心這一變量，本發(fā)明對其在縱向進行延展，形成區(qū)間數(shù)，即：

其中，ε_j稱為信息粒度值。和分別是聚類中心區(qū)間的上下界。

相應模糊隸屬度為：

其中，i＝1,2,……,c，或或是聚類中心區(qū)間上下界和組成的列向量，m為模糊系數(shù)?；谶@些區(qū)間化的聚類中心和模糊隸屬度，可針對上下界分別進行模糊推理，即：

其中，n_I為規(guī)則輸入維數(shù)；t＝1,2,……,N；和代表數(shù)據(jù)微粒的上下界；和均為數(shù)據(jù)微粒的聚類標識變量，例如當s(t-n_I)^-對第7個聚類的模糊隸屬度最大時，則變量值取做7。對所有數(shù)據(jù)微粒進行模糊推理，即可獲得由(N-n_I)條規(guī)則組成的模糊規(guī)則庫。提取各最大模糊隸屬度對應聚類，在模糊規(guī)則庫中尋找標識一致規(guī)則，記輸出模糊隸屬度最大值和對應位置為列向量和計算如下變量：

其中，i＝1，2，……，c，再采用中心解模糊化方法可得到初始的長期預測區(qū)間:

其中，和是預測區(qū)間的上下界，V^-、V⁺分別是聚類中心區(qū)間上下界所組成的矩陣。

步驟5：基于信息粒度最優(yōu)分配的長期預測區(qū)間優(yōu)化

對初始所得長期預測區(qū)間的優(yōu)化之關鍵即是對信息粒度，即ε_j的優(yōu)化。在公式(5)所得結果基礎上，以信息粒度ε_j最優(yōu)分配為目標，建立優(yōu)化問題如下：

其中，s_ij(i＝1,2,…,N，j＝1,2,…,n)為測試樣本點；card{}表示集合的勢，即集合中元素的個數(shù)；等式約束的目的是將信息粒度的平均值限定為一給定值ε₀；

對于上述優(yōu)化問題的求解，本文選取粒子群優(yōu)化算法作為求解算法。適應度函數(shù)則取測試樣本下的區(qū)間覆蓋率，即：

min n-card{s_ij∈[s^-TV^-,s^+TV⁺]} (8)

其中，n為測試樣本長度，亦即預測長度。優(yōu)化求解過程需反復應用公式(1)(2)(3)(4)(5)。最終，求得最優(yōu)化的信息粒度ε_j，及相應的長期區(qū)間預測結果

由以上過程可以看出，本發(fā)明方法分別在橫向、縱向上實現(xiàn)了信息粒度化，并通過對信息粒度分配的最優(yōu)值求取，獲得最終長期區(qū)間預測結果。

圖5、圖6分別是針對某熱風爐高爐煤氣使用量、某高爐煤氣發(fā)生量的長期區(qū)間預測結果，其中(a)為Delta方法，(b)為Mean Variance Estimation(MVE)方法，(c)則是本發(fā)明方法。帶點線為真實值，灰色帶狀區(qū)域為預測區(qū)間。預測結果比較可參見表1，其中PICP(Prediction Interval Coverage Probability)為預測區(qū)間覆蓋率，MPIW(Mean Prediction Interval Width)為預測區(qū)間平均寬度，CT為計算時間。

其中，n_test為測試樣本點個數(shù)；當測試點含在預測區(qū)間中時c_i值為1，否則為0；UB_i和LB_i分別是預測區(qū)間的上下限。圖5、圖6及表1的結果直觀地表明了這種方法在預測精度、計算效率上優(yōu)于一些工業(yè)應用的數(shù)據(jù)驅動方法。

表1三種方法預測結果比較