基于改进数据驱动子空间算法的电力负荷预测

在钢铁企业中,电力负荷消耗规模相对较小,未呈现明显的周期性变化特征,而工序变化会导致瞬间电力负荷波动较大,传统负荷预测模型对工业用电预测效果不佳,无法有效预测出用户的突发性扰动。采用数据驱动的子空间方法预测钢铁企业电力负荷,分别建立基于子空间算法的电力日负荷预测、超短期负荷预测2个模型。为提高预测模型准确率,引入反馈因子和遗忘因子来改善标准子空间算法的性能。以实际电力负荷数据的测试验证该方法的实用性,预测结果能够为钢铁企业的电力负荷预测和二次能源智能管理提供有效的决策支持。     

钢铁企业能源管理系统的应用研究

钢铁生产过程中,由于生产安排不合理导致大量煤气放散,浪费了大量能源,本文通过对钢铁企业能源管理系统的研究,实现生产过程优化及节能降耗的目的。系统采用光纤网络链接钢铁企业能源消耗相关的站点,可实时采集和保存生产数据,实现能源的综合监控。本系统不但提供常规的数据查询、实时趋势曲线、历史趋势曲线和报表制作等功能,而且采用最小二乘法对大量的离散数据进行线性最小二乘拟合预测各工序下个月的能耗情况,为企业的生产计划安排提供有力的数据支撑。该系统已经在广州钢铁集团应用,为其能源管理和生产计划提供支持,并获得一定的经济效益。本系统也适用于其他钢铁企业,为其生产降低能耗提供支持。     

基于子空间辨识的模型预测控制器经济性能评估方法

目前模型预测控制器(MPC)的经济性能评估(EPA)方法多依赖于过程解析的稳态模型,为了更方便有效的对MPC经济性能进行评估,本文提出一种基于子空间辨识的模型预测控制器经济性能评估方法,仅利用过程操作数据即可实现对控制器的经济性能评估,避免了对过程解析稳态模型的依赖性.利用已知过程操作数据,通过子空间辨识求取子空间矩阵...     

钢铁企业热电系统多能流网络多工况优化调度

钢铁企业热电系统是典型的耗能大户, 合理有效的能源调度对提高企业能源利用效率、低碳发展、实现碳 中和目标具有重要意义. 考虑热电系统涉及的多种能源介质相互关联和耦合, 产耗量随生产计划以及主工序设备运 行状态的改变动态变化等特征, 提出一种基于多能流网络的多工况优化调度模型. 首先, 针对热电系统能源利用过 程中的多工况特征, 提出基于多维隐马尔可夫–动态时间弯曲混合模型的工况识别方法, 并基于能源介质产生、消 耗、转换的能量流路径分析, 建立热电系统多能流网络模型, 将不同能源介质的需求量等价为对蒸汽、电力和副产 煤气的需求量. 其次, 综合分析能源介质动态平衡约束、设备产耗能约束、多能源消耗约束, 建立热电系统多目标优 化调度模型, 并得出能源介质调度方案. 通过钢铁企业实际生产数据实验表明, 本文方法能够有效保证系统安全运 行、减少系统外购煤的消耗量、增加系统自身发电量、降低运行成本、降低碳排放.     

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.     

钢铁企业高炉煤气发生量的在线预测建模

针对钢铁企业高炉煤气(BFG)发生量难于有效预测的问题,建立了基于数据滤波和最小二乘支持向量机的BFG发生量在线预测模型.提出改进经验模式分解阈值滤波(IEMDTF)方法对训练数据进行滤波处理;并设计了在线学习算法和贝叶斯优化法构建和优化预测模型,缩短了建模时间,同时提高了预测精度.现场实际数据预测结果表明所建模型在小样本和随机噪声数据环境下能保持很高的顶测精度,与其它预测模型相比,适合于高炉煤气发生量的实时在线预测.     

面向钢铁行业的能源信息流综合集成框架

针对目前大型长流程钢铁企业,能源转化关系复杂、能源信息离散等问题,对钢铁生产工序的能源消耗转化和能源信息流动进行了分析研究,提出了一种能源信息流综合集成解决方案.该方案有效地解决企业能源信息孤岛问题.     

回归的能源有效网络大数据流汇聚算法研究

为了降低传感器网络数据流汇聚时的能源消耗,提出了一种基于回归的能源有效数据流汇聚算法;首先,将传感器节点分为活跃节点和能源有效节点;然后,以活跃节点为中心点将所有节点进行聚类,并应用回归方法通过活跃节点的数据流对能源有效节点的数据进行预测;接下来,通过节点预测值的累积误差不断修正活跃节点集;最后,应用活跃节点的数据流信息对能源有效节点的数据进行预测;实验表明,提出的算法与其它相关算法相比具有更好的预测准确性。     

基于改进数据子空间算法的电力负荷预测问题

针对电力负荷进行准确预测对于电力系统的稳定运行具有重要的意义.利用传统的数据子空间算法进行电力负荷预测的过程中,由于没有考虑电力系统的非线性和时变性,导致预测精确度较低.为此,提出一种基于改进数据子空间算法的电力负荷预测方法,在电力负荷预测子空间方程式中加入反馈因子,在电力负荷历史数据中加入遗忘因子,利用粒子群算法对两种反馈因子和遗忘因子进行寻优,并将寻优结果带入到改进的电力负荷子空间预测模型中进行计算,从而获得准确的预测结果.实验结果表明,利用改进算法进行电力负荷预测,能够提高预测精度,效果令人满意.     

加热炉生产数据预处理策略研究

加热炉在钢铁企业发挥着非常重要的作用. 在加热炉中部分生产过程数据较难检测, 部分检测到的数据受到严重干扰和缺失, 这严重影响了加热炉的优化和控制, 而且还存在潜在的安全隐患. 本文针对加热炉这一复杂的过程, 设计了一个生产过程数据预处理系统. 该系统能对部分难以测量的数据用自适应模糊神经网络(FNN)方法进行预测, 能对过程数据进行滤波和正误判断, 能对异常数据进行剔除和替代, 并对过程数据替代值利用案例推理(CBR)方法建立完善机制. 该系统在某钢铁公司进行了实际应用, 取得了明显的应用效果.     

改进布谷鸟算法在乙烯工业能效分析中的应用

通过考虑乙烯综合能耗计算方法、指标分解方法(Index Decomposition Analysis, IDA)和节能潜力分析方法，建立一种严格的乙烯能耗分析模型，并提出一种改进的布谷鸟算法应用于该模型进行辨识参数，得到乙烯生产耗能工质能源折算系数，基于能源折算系数得到综合能耗和节能量对乙烯装置进行能效评价。为了验证改进算法的有效性，对该算法在测试函数上测试，实验结果显示改进后算法具有较好寻优能力，明显优于粒子群算法和布谷鸟算法。最后，基于乙烯数据实例验证了该方法的可行性和有效性，可以很好地作为不同规模不同技术下乙烯标准能源折算系数计算的补充，为乙烯装置能效分析的准确性提供更为实用的方法。     

烧结终点预报神经网络样本优选与系统建模

烧结终点预报对于提高烧结矿强度和产量、降低能耗具有重要意义,但是烧结终点状态受多种因素影响,无法直接检测,只能由操作工依据经验进行判断,严重影响了烧结生产的稳定运行.本系统运用K均值聚类分析的样本优选方法对海量数据进行处理,选择具有代表性的样本,从而有效缩小样本空间、改善样本质量.使用风箱温度曲线计算废气温度上升点和烧结终点软测量值,以台车速度和点火温度作为输入,采用BP神经网络模型,对烧结终点位置进行预报.在实际应用中,该模型预报结果较准确地反映了烧结终点位置的变化,起到了稳定生产、节约能源的作用.     

A data and knowledge-driven cutting parameter adaptive optimization method considering dynamic tool wear

Tool wear prediction is of significance to reduce energy consumption through cutting parameter optimization. However, the current studies ignore the effect of machine aging on the tool wear prediction model, and their cutting parameter optimization methods cannot cope with the dynamic change of tool wear in the machining process. Thus, a reinforcement learning-enabled integrated method of tool wear prediction and cutting parameter optimization is proposed for minimizing energy consumption and production time. Specifically, the multi-source heterogeneous data fusion-based (MHDF) tool wear prediction model considering machine aging is first proposed to obtain the tool wear of the cutting tool. Then, a Markov Decision Process is designed to model the cutting parameter optimization process, which can be utilized to determine the proper cutting parameters adapted to the dynamic change of tool wear. Finally, the proposed method is demonstrated by extensive comparative experiments, and the results show that: 1) The proposed tool wear prediction model eliminates the influence of machine aging on prediction accuracy and has better generalizability for the machining data under different machine aging conditions, and its testing accuracy reaches 96.09%. 2) The proposed optimization method can adapt to the dynamic change of tool wear and further reduce the energy consumption and production time by 6.72% and 8.60% compared to that of not considering tool wear. The computation time of the proposed method is reduced by an average of 71.80%.     

基于实例的离散制造系统能耗知识建模与预测

由于离散制造系统的能耗具有复杂性和不确定性等特点,急需一种数据驱动的通用能耗预测方法.对此,首先依据知识建模方法搭建面向能耗的知识模型,以指导能耗数据与工艺信息、排产信息的有机结合;然后,将数值型和字符型输入变量进行综合考虑:先采用功率波动程度计算属性的重要性,再通过层次实例检索方法来保证字符型输入变量的一致性或相关性;最后,通过检索相似工步来实现能耗预测.仿真实验表明所提出的方法可行且有效.     

A two-stage method for predicting and scheduling energy in an oxygen/nitrogen system of the steel industry

As essential energy resources in steel industry, oxygen and nitrogen are massively utilized in many production procedures, such as iron-making by blast furnaces, steel-making by converters, etc. The trends of the energy generation/consumption flows along with the related scheduling works play a pivotal role on the energy management of steel enterprises. Aiming at an oxygen/nitrogen system of a steel plant in China, a two-stage predictive scheduling method is proposed in this study for resolving the optimal energy decision-making problem. Given the high cost of time consuming on the load change of air separation units (ASU) of the oxygen/nitrogen system, a Granular-Computing (GrC)-based prediction model is firstly established at the stage of prediction, which extends the predicting length to even a day based on data segment rather than generic point-wise mode. At the stage of optimal scheduling, a mixed-integer program model is constructed on the basis of constraining the number of adjustable energy units, which considers not only the actual capacity of the energy devices, but the practical energy conversion procedure as well. The experiments employing the real data coming from this plant also involve two stages, the long-term prediction and the energy scheduling, and the experimental results exhibit both satisfactory accuracy and practicability. Furthermore, the results of system application also indicate the effectiveness of the proposed method.     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

基于自适应遗忘因子极限学习机的高炉煤气预测

高炉煤气是钢铁企业重要的二次能源,其产生量和消耗量的实时准确预测对高炉煤气系统的平衡调度具有重要作用;但由于高炉煤气系统工况多变、产消量数据波动较大,给高炉煤气产消量的准确预测带来了很大的挑战;为此,通过对煤气产消量数据特征的深入分析,提出了一种基于自适应遗忘因子极限学习机(AF-ELM)的在线预测算法;在序贯极限学习机的基础上,引入遗忘因子逐步遗忘旧样本,通过预测误差反馈机制,自适应的调节遗忘因子,从而提高预测方法对系统工况的动态变化的适应能力,提高预测精度;将该算法应用于钢铁企业的高炉煤气产消量在线预测,实验结果表明与序贯极限学习机相比,该预测方法在系统工况变化的情况下能保持较高的预测精度,更适合于高炉煤气产消量的在线预测。     

净化除钴离子浓度WA-SVM软测量

二段入口离子浓度是锌湿法冶炼二段净化除钴过程优化控制的一个关键因素。针对二段入口离子浓度在线检测困难的问题,提出了一种结合小波分析和支持向量机的离子浓度参数软测量方法,直接采用人工检测的历史数据直接建立离子浓度软测量模型。该方法采用小波分析方法将时间序列分解成具有不同频率特征的子序列。在相空间重构的基础上,利用最小二乘支持向量机建立各子序列估计模型,其中模型中的参数采用混沌粒子群算法进行优化选择。对各子序列输出重构合成得到最终的在线估计结果。应用工业现场数据的验证结果表明,所提模型具有较高的精度,相对误差小于10%的样本达97.5%,在线估计精度能够满足现场实际生产工艺要求。     

Activity recognition for creatures of habit

Energy storage is quickly becoming the limiting factor in mobile pervasive technology. We introduce a novel method for activity recognition which leverages the predictability of human behavior to conserve energy by dynamically selecting sensors. We further present a taxonomy of existing approaches to dynamically reducing consumption while maintaining recognition rates. The novel algorithm conserves energy by quantifying activity-sensor dependencies and using prediction methods to identify likely future activities. The approach is implemented and simulated using two activity recognition data sets, and the effects of the novel method are evaluated in terms of recognition rates, energy consumption, and prediction rates. The results indicate that switching off sensors only significantly affects prediction under extreme conditions and that these effects can be counteracted by adjusting system parameters. Large savings in energy can be achieved at very low cost, for example, recognition losses of 1.5 pp with 84.8 % energy savings for the first data set, and 2.8 pp and 89.9 % for the second.     

改进的自回归AR（p）预测模型在WSN中的应用

自回归AR（p）预测模型是无线传感网络（WSN）中一种减少数据传输次数和降低能量消耗的方法。针对AR（p）模型在建模过程中忽略了不同时期的历史数据对预测值的影响存在的差异,导致模型预测精度不高、网络通信频率受影响的问题,提出了一种改进的预测模型FAR（p）。在AR（p）模型中引入一种新的模糊隶属度函数,通过模糊隶属度函数对预测模型的每个历史数据赋予权值,实现历史数据“重近轻远”的预测效果,并经二次加权平均算法处理后重新构建预测模型。仿真结果表明,改进的预测模型有效地提高了模型预测精度,减少了传感网络中数据传输次数,降低了能量消耗。