基于长短期时间序列网络的氧气需求量预测

钢铁企业转炉炼钢过程中的氧气消耗机理复杂,具有非线性、间歇性等特点。采用深度学习方法分析炼钢用氧规律,对未来一个炼钢吹炼计划内的氧气需求量进行多步预测,获取分钟级耗氧量及趋势曲线。针对工业数据中的异常值与缺失值进行预处理,建立基于超参数调节的长短期网络(long short-term network, LSTNet)预测模型,采用钢铁企业炼钢过程用氧量的实际数据对算法进行测试,并与基于长短期记忆网络(long short-term memory, LSTM)的预测模型对比,相比LSTM预测模型,平均绝对误差(mean absolute error, MAE)指标降低了12.3%,均方根误差(root mean square error, RMSE)指标则降低了8.5%,表明该预测方法对钢铁企业转炉炼钢过程中氧气需求量的预测效果较好。