一种转炉煤气发生量预测方法

1.本发明属于钢铁企业能源回收技术领域，具体涉及一种基于间歇持续时长分类和cpso-elman神经网络的转炉煤气发生量预测方法。


背景技术：

2.钢铁企业转炉炼钢时，会产生转炉煤气。转炉煤气的回收具有间歇性波动的特征，所以该气体的回收量不稳定。因此，建立有效预测模型，准确预测转炉煤气发生量能够降低企业能源消耗，减少煤气放散导致的环境污染，对企业生产和环境保护有着重要意义。
3.现有的副产煤气预测方法主要包括基于数据驱动的预测方法和基于模型驱动的预测方法。其中，由于钢铁企业系统结构复杂，且各环节之间相互耦合，基于模型驱动的预测方法存在着建模复杂的问题。基于数据驱动的预测方法更适用于分析转炉煤气发生量数据，提高发生量预测的精度。
4.目前基于数据驱动的预测方法最常用的是以深度学习为基础，通过预测对象的历史数据进行分析，建立数据随着时间变化的模型，使用建立好的模型进行煤气预测。工作人员可以根据预测值提前对转炉煤气进行调度。然而，由于转炉煤气发生量不稳定，两个炼钢周期间的间歇更是波动频繁，单一预测模型无法对转炉煤气发生量进行准确预测。


技术实现要素：

5.为了实现对转炉煤气发生量的预测，并提高预测精度，本发明基于间歇分类和cpso-elman提出了一种煤气发生量预测方法，提高发生量预测的精度。
6.本发明提供的转炉煤气发生量预测方法包括以下步骤：
7.步骤一、收集转炉煤气发生量的历史数据，提取发生量数据中的间歇时长特征；
8.步骤二、将提取出的间歇时长特征根据持续时长分类，分为短间歇、中间歇和长间歇三类；据此将历史数据分为三类，分别仅包含一种间歇类型的数据；
9.步骤三、根据步骤一提取的间歇时长特征的特点，设置elman神经网络的输入层节点、输出层节点和隐含层节点的个数，构建出用于间歇时长预测的elman神经网络结构；
10.分别根据步骤二分类所得到的转炉煤气发生量数据的特点，设置elman神经网络的输入层节点、输出层节点和隐含层节点的个数，分别构建出三类间歇类型下的elman神经网络结构，用于发生量预测；
11.步骤四、引入混沌映射对粒子种群初始化进行优化，引入逻辑自映射函数产生混沌序列对粒子群算法的惯性权重进行改进；
12.步骤五、根据步骤三设置的每个elman神经网络各层节点个数，分别设置改进后的粒子群算法的参数；设置算法的适应度函数为elman神经网络训练集的均方根预测误差，通过最小化适应度函数求得每个elman神经网络的最优权值矩阵与阈值矩阵；
13.使用短间歇、中间歇和长间歇三类发生量数据，分别训练对应的elman神经网络，构建出短间歇发生量预测模型、中间歇发生量预测模型和长间歇发生量预测模型；
14.使用间歇时长特征数据，训练用于间歇时长预测的elman神经网络，建立间歇时长预测模型；
15.适应度函数表示为
[0016][0017]
式中，t为训练集样本数目，y
t
为训练集的实际值，为训练集的预测值；
[0018]
步骤六、使用间歇时长预测模型预测未来间歇时长，再根据预测结果，匹配相对应的发生量预测模型进行转炉煤气发生量的预测；即，如果间歇时长预测结果属于短间歇，则匹配短间歇发生量预测模型进行转炉煤气发生量的预测；如果间歇时长预测结果属于中间歇，则匹配中间歇发生量预测模型进行转炉煤气发生量的预测；如果间歇时长预测结果属于长间歇，则匹配长间歇发生量预测模型进行转炉煤气发生量的预测。
[0019]
具体的，本发明所述的转炉煤气发生量数据为连续的每分钟采样一次的煤气发生流量值，当流量值小于1km3/h时判定为间歇时刻，流量值小于1km3/h的间歇时刻持续的时长即为所要提取的间歇时长特征。
[0020]
具体的，本发明对历史数据分析后进行分类：间歇持续时长小于25min的属于短间歇，间歇持续时长为25min～45min的属于中间歇，间歇持续时长大于45min的属于长间歇。
[0021]
具体的，步骤三中，三类发生量预测模型的输入层节点根据三类间歇类型转炉煤气数据特征设置，该类型下转炉炼钢周期的时长数值作为输入层节点数，输出层节点数均设为1；隐含层节点数n1根据公式(1)计算
[0022][0023]
式中：p为输入层节点数，q为输出层节点数，c为(1，10)之间的常数。
[0024]
步骤三中，间歇时长预测模型输入层节点数根据一天的发生量数据中存在间歇的个数选取，输出层节点数为1，隐含层节点数根据公式(1)计算。
[0025]
具体的，步骤四中引入经过改进的tent混沌映射，利用混沌变量的随机性在解空间中产生分布均匀的粒子种群；经过改进的tent混沌映射表达式如式(2)：
[0026][0027]
式中：n
t
为混沌序列中粒子个数；rand(0，1)表示[0，1]之间的随机数；
[0028]
将混沌序列反向映射，得到初始粒子种群个体的位置表达式如式(3)：
[0029]
x
id
＝d
min
+(d
max-d
min
)
·yi，d
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]
式中：x
id
为第i个种群个体的d维编码值，d
min
和d
max
为x
id
搜索的上下限；
[0031]
反向粒子种群个体rx
id
的表达式如式(4)：
[0032]
rx
id
＝d
min
+d
max-x
id
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0033]
将种群x和经过反向映射的种群rx合并后，得到改进的种群{x∪rx}。
[0034]
具体的，步骤四中还利用逻辑自映射函数产生的混沌序列对粒子群算法的惯性权
重w进行扰动改进，改进后的惯性权重如式(5)：
[0035][0036]
式中：ω
max
为ω的初始值，ω
min
为ω的最终值，k
max
为最大迭代次数，|yk|是自逻辑映射函数产生的混沌序列，|yk|＝1-2(y
k-1
)2，yk∈(-1，1)；
[0037]
经过改进的粒子群算法随迭代次数的更新而更新位置与速度，更新公式如式(6)和(7)：
[0038][0039][0040]
式中：k为当前迭代次数；ε＝1，2，
…
，n，n为粒子群的粒子个数；d＝1，2，
…
，d，d为粒子搜索空间的维数；为粒子i迭代k次后的速度；为粒子i迭代k次后的位置；为粒子i迭代k次后的个体极值最优位置；为粒子i迭代k次后的群体极值最优位置；c1和c2为学习因子；r1和r2是(0，1)内的随机数。
[0041]
粒子搜索空间的维数根据式(9)计算
[0042][0043]
式中：input、hid和output分别代表输入层、隐含层和输出层神经元个数。
[0044]
粒子个数根据式(10)计算
[0045][0046]
式中int(
·
)表示向下取整。
[0047]
本发明的有益效果是：
[0048]
1、本发明针对转炉煤气(ldg)时序间歇波动大的特点，提取转炉煤气历史数据中的间歇时长特征，根据间歇时长特征对历史转炉煤气时序数据进行分类，输入至不同模型训练，提高了转炉煤气时序数据的稳定性、降低了模型的复杂度。
[0049]
2、针对间歇波动对发生量预测精度造成的不利影响，本发明采取先预测间歇时长再预测发生量的“二步式”预测方法，避免了炼钢过程中间歇波动对预测精度带来的影响，提高了转炉煤气发生量的预测精度。
[0050]
3、本发明利用使用改进的粒子群算法(pso)对权值矩阵和阈值矩阵进行优化。首先引入改进的混沌映射对粒子种群进行优化，其次引入逻辑自映射函数产生混沌序列对粒子群算法的惯性权重进行改进，提高了其全局搜索与局部搜索的能力。
附图说明
[0051]
图1为本发明提出的转炉煤气发生量预测方法的流程图。
[0052]
图2为转炉煤气发生量回收图。
[0053]
图3为产气间歇时长分布图。
[0054]
图4为本发明构建的elman神经网络结构图。
[0055]
图5为生产节奏未变动下间歇预测结果。
[0056]
图6为生产节奏未变动下转炉煤气发生量预测结果。
[0057]
图7为生产节奏变动下间歇预测结果。
[0058]
图8为生产节奏变动下转炉煤气发生量预测结果。
具体实施方式
[0059]
如图1所示，本发明总体包括以下步骤：
[0060]
步骤一：收集转炉煤气发生量的历史数据，提取其间歇时长特征；
[0061]
步骤二：将间歇分为短间歇、中间歇和长间歇三类。根据间歇时长对原始数据进行分类，将其分为仅包含一种间歇类型的数据。
[0062]
步骤三：根据基于间歇分类所得到的发生量数据特征，设置3个用于发生量预测的elman神经网络各层节点个数。根据间歇时长特征数据，结合转炉炼钢的生产节奏，设置用于间歇预测的elman神经网络各层节点个数。
[0063]
步骤四：改进pso算法：引入改进的混沌映射对粒子种群初始化进行优化，其次引入逻辑自映射函数产生混沌序列对pso算法的惯性权重进行改进。
[0064]
步骤五：根据步骤三设置的各个elman神经网络各层节点个数，设置改进pso算法的参数，并选取改进pso算法的适应度函数，利用改进pso算法去优化elman神经网络的权值矩阵与阈值矩阵。
[0065]
使用三种间歇类型的发生量数据，分别训练三种发生量预测模型；使用间歇时长特征，训练间歇时长预测模型。
[0066]
步骤六：在预测未来间歇时长的基础上，匹配对应的发生量预测模型，来预测转炉煤气发生量。
[0067]
下面将结合附图和具体实施例对本发明的上述步骤做进一步详细描述。
[0068]
步骤一：收集转炉煤气发生量历史数据，按照时间顺序将数据排列，并根据数据特征，提取间歇时长。由于转炉煤气发生量数据为连续的每分钟采样一次的煤气发生流量，其波形曲线是存在间歇的类周期曲线，如图2所示，经过对历史数据的分析，我们判定发生时刻数据为大于1km3/h的值，而间歇时刻数据为小于1km3/h的值，针对相邻两个发生时刻之间小于1km3/h的值出现的采样次数进行累加，即可得到一次间歇的持续时长。
[0069]
步骤二：由步骤一提取得到的间歇时长，按照各时长分布次数(频数)统计得到图3。观察此图的数据分布特点，我们将间歇时长特征分为短间歇、中间歇和长间歇三类。间歇持续时长小于25min的属于短间歇，间歇持续时长为25min～45min的属于中间歇，间歇持续时长大于45min的属于长间歇。据此将历史数据分为三类，每一类分别仅包含一种间歇类型的数据。
[0070]
如表1所示，基于间歇持续时长的分类确定了短间歇、中间歇和长间歇三个类型。将历史的转炉煤气发生量数据根据其所属的间歇类型，分为三组转炉煤气发生量数据，分别用于三类发生量预测模型训练。
[0071]
表1基于间歇时长的间歇分类
[0072][0073]
步骤三：根据基于间歇分类所得到的发生量数据的特征，设置elman神经网络的输入层、输出层和隐含层节点，构建elman神经网络结构，elman神经网络的结构图如图4所示。
[0074]
其中用于发生量预测elman神经网络的输入层节点根据不同间歇类型转炉煤气数据特征设置，可以将该类型下转炉炼钢周期的时长数值设为输入层节点数，例如中间歇下的转炉炼钢周期为45min，那么设定每次输入神经网络的数据长度为45，输入层节点为45个，每列数据以45为长度输入神经网络。
[0075]
用于间歇时长预测的elman神经网络的输入层节点根据炼钢节奏设置，实施例中转炉炼钢工作一天约有25个间歇，故选取这25个间歇时长作为间歇时长预测模型输入，输入层节点设置为25。
[0076]
elman神经网络的输出层节点数均设为1。隐含层节点根据公式(1)设置。
[0077][0078]
式中：p为输入层节点数，q为输出层节点数，n1为隐含层节点数，c为(1，10)之间的常数。
[0079]
用于发生量预测及用于间歇时长预测的elman神经网络节点参数设置如表2所示。
[0080]
表2节点参数设置
[0081][0082]
步骤四：本发明要对elman神经网络的初始权值矩阵和初始阈值矩阵进行改进，首先要对pso(粒子群)算法进行改进。
[0083]
针对粒子群(pso)算法初始化种群分布不均匀、全局搜索能力和局部搜索能力不平衡等弱点，本发明引入改进的混沌映射对粒子种群初始化进行优化，此外，引入逻辑自映射函数产生混沌序列对pso算法的惯性权重进行改进。
[0084]
引入tent混沌映射，利用混沌变量的随机性在解空间中产生分布均匀的粒子种群。首先引入随机变量对tent混沌映射改进，混沌映射表达式如式(2)所示：
[0085][0086]
式中：n
t
为混沌序列中粒子个数；rand(0,1)为[0，1]之间的随机数。
[0087]
将混沌序列反向映射，得到初始粒子种群个体的位置表达式如式(3)：
[0088]
x
id
＝d
min
+(d
max-d
min
)
·yi,d
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0089]
式中：x
id
为第i个种群个体的j维编码值，d
min
和d
max
为x
id
搜索的上下限。
[0090]
反向粒子种群个体rx
id
的表达式如式(4)所示：
[0091]
rx
id
＝d
min
+d
max-x
id
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0092]
将种群x和经过反向映射的种群rx合并后，即得到改进的种群{x∪rx}。
[0093]
另外，针对粒子群算法的惯性权重w引入逻辑自映射函数，利用其产生的混沌序列对惯性权重w进入扰动改进，经过非线性更新后的惯性权重公式如式(5)所示：
[0094][0095]
式中：ω
max
为ω的初始值，ω
min
为ω的最终值，为人工设定值；k
max
为最大迭代次数，|yk|是自逻辑映射函数产生的混沌序列，|yk|＝1-2(y
k-1
)2，yk∈(-1，1)。
[0096]
经过改进的pso算法随迭代次数的更新而更新位置与速度，位置更新公式与速度更新公式如式(6)和(7)：
[0097][0098][0099]
式中：k为当前迭代次数；i＝1，2，
…
，n；d＝1，2，
…
，d；为粒子i迭代k次后的速度；为粒子i迭代k次后的位置；为粒子i迭代k次后的个体极值最优位置；为粒子i迭代k次后的群体极值最优位置；c1和c2为学习因子；r1和r2是(0，1)内的随机数；ω
*
为经过混沌扰动改进的惯性权重。以上经过改进的pso算法本发明称为cpso。
[0100]
步骤五：根据步骤三设置的elman神经网络各层节点个数，设置cpso算法的相关参数，确定算法运算的目标函数为elman训练集的均方根预测误差，如式(8)。
[0101][0102]
式中，t为训练集样本数目。y
t
为训练集的实际值，为训练集的预测值，通过最小化适应度函数求得最优权值阈值与阈值矩阵。
[0103]
算法的最大迭代次数根据实验仿真选取，通过仿真实验，本算例中，迭代次数达到30次后适应度值不再变化，为节约运算时间，并为后期仿真保留运算空间，本实验中选取最大迭代次数k
max
为50。选取各个间歇类型模型的种群规模为误差最小情况下的值。粒子搜索空间的维数d设置方法如式(9)。
[0104][0105]
式中：input、hid和output分别代表输入层、隐含层和输出层神经元个数。
[0106]
根据神经网络结构设置cpso算法的粒子个数n的方法如式(10)：
[0107][0108]
式中int(
·
)表示向下取整。
[0109]
选取以上cpso算法优化了elman神经网络的权值矩阵与阈值矩阵，以上经过优化
的elman神经网络本发明称为cpso-elman。
[0110]
pso算法的参数包括种群规模、学习因子等，此类参数的选取影响着模型预测结果。在原始pso算法中，学习因子c1和c2根据算法搜寻要求，一般设置为2.0或1.49。在本实施例中，种群规模与学习因子的选取根据仿真实验获得，选取误差最小的一组参数。各间歇类型的发生量预测模型和间歇时长预测模型的算法设置参数如表3所示。
[0111]
表3各模型下的算法参数设置
[0112][0113]
使用经过间歇分类划分的三类发生量数据(训练集与测试集划分比例为4∶1)迭代50次分别训练对应的cpso-elman神经网络，构建出短间歇、中间歇和长间歇发生量预测模型。
[0114]
另外，利用间歇时长特征数据(训练集与测试集划分为4：1)迭代50次，训练用于间歇时长预测的cpso-elman神经网络，得到间歇时长预测模型。
[0115]
步骤六：将步骤一提取出的间歇时长特征输入cpso-elman间歇时长预测模型中进行预测，完成“二步式”预测中的“间歇时长”预测。然后，根据间歇时长预测结果，匹配相对应的发生量预测模型进行预测。
[0116]
以正常生产节奏下发生量预测为例，进行第一步预测后，获得预测时长内间歇的种类，如图5所示，均为30～40min，根据间歇类型的划分，属于中间歇。故匹配中间歇预测模型进行发生量的预测。然而，当生产节奏发生变化时，如图7所示，间歇波动较大，前三个间歇为中间歇，随后为两个长间歇，最后为一个短间歇，则根据间歇所属范围，分别匹配中间歇、长间歇和短间歇预测模型进行发生量预测。
[0117]
实施例中，采用某钢铁企业的2015.4.18～2015.6.18中1#炼钢单元1#转炉的88637条ldg发生量数据，采样间隔为1min。为验证本发明所述方法的有效性，将本发明所提出的方法和两种预测模型分别在间歇时长发生变动与间歇时长未变动情况下进行对比，具体预测模型包括：未经过特征分类的elman神经网络和经过特征分类但未经算法改进的pso-elman预测模型。采取平均绝对误差(mae)和平均绝对百分比误差(mape)为评价指标，计算公式如式(11)和式(12)所示。
[0118][0119][0120]
间歇时长未变动下间歇预测结果与三种预测模型预测结果如图5、图6所示。cpso-elman、pso-elman根据图5间歇预测结果进行预测，elman直接根据发生量数据进行预测，预测结果曲线如图6所示。间歇时长未变动下ldg发生量预测误差如表4所示：
[0121]
表4间歇时长未变动下ldg发生量预测误差
[0122][0123]
由于经过间歇分类的预测模型提前预测了生产间歇时长，再进行ldg发生量的预测，所以在预测产气起点上相较于elman更精确，误差更小。
[0124]
间歇时长变动下间歇预测结果与三种预测模型预测结果如图7、图8所示。间歇时长变动下ldg发生量预测误差如表5所示。
[0125]
表5间歇时长变动下ldg发生量预测误差
[0126][0127]
结合上述两例，可以看到，由于elman神经网络预测前没有间歇分类的原因，导致其无法应对间歇的随机性波动，所以预测精度较差。pso-elman与cpso-elman由于在预测前加入了间歇时长特征提取并分类预测的步骤，所以对间歇的随机性波动有着较好的鲁棒性，预测精度良好。cpso-elman预测模型在算法优化模型参数前进行了粒子的随机扰动，提高了随机性的分布，对其惯性权重进行了混沌扰动，使其呈现先大后小的变化，所得解相较于标准pso具有明显优势，模型预测效果更佳。
[0128]
综上，本发明采用混沌反向学习和混沌映射对粒子群算法进行改进优化elman神经网络的初始权值矩阵和阈值矩阵，提高了求解能力，加快了收敛速度。本发明构建cpso-elman组合预测模型，实现先生产间歇时长后转炉煤气发生量的“两步式”预测，避免了炼钢过程中间歇波动对预测精度带来的影响，提高了预测精度。
[0129]
以上的实施例仅用于说明本发明，而并非作为对本发明的限定，所应用的对象不限于转炉煤气发生量的预测，只要在本发明的范围内，对上述实施实例的变化、变型都将落在本发明的权利要求书范围内。

技术特征：
1.一种转炉煤气发生量预测方法，其特征是，包括以下步骤：步骤一：收集转炉煤气发生量的历史数据，提取发生量数据中的间歇时长特征；步骤二：将提取出的间歇时长特征根据持续时长分类，分为短间歇、中间歇和长间歇三类；据此将历史数据分为三类，分别仅包含一种间歇类型的数据；步骤三：根据步骤一提取的间歇时长特征的特点，设置elman神经网络的输入层节点、输出层节点和隐含层节点的个数，构建出用于间歇时长预测的elman神经网络结构；分别根据步骤二分类所得到的转炉煤气发生量数据的特点，设置elman神经网络的输入层节点、输出层节点和隐含层节点的个数，分别构建出三类间歇类型下的elman神经网络结构，用于发生量预测；步骤四：引入混沌映射对粒子种群初始化进行优化，引入逻辑自映射函数产生混沌序列对粒子群算法的惯性权重进行改进；步骤五：根据步骤三设置的每个elman神经网络各层节点个数，分别设置改进后的粒子群算法的参数；设置算法的适应度函数为elman神经网络训练集的均方根预测误差，通过最小化适应度函数求得每个elman神经网络的最优权值矩阵与阈值矩阵；使用短间歇、中间歇和长间歇三类发生量数据，分别训练对应的elman神经网络，构建出短间歇发生量预测模型、中间歇发生量预测模型和长间歇发生量预测模型；使用间歇时长特征数据，训练用于间歇时长预测的elman神经网络，建立间歇时长预测模型；步骤六：使用间歇时长预测模型预测未来间歇时长，再根据预测结果，匹配相对应的发生量预测模型进行转炉煤气发生量的预测；即，如果间歇时长预测结果属于短间歇，则匹配短间歇发生量预测模型进行转炉煤气发生量的预测；如果间歇时长预测结果属于中间歇，则匹配中间歇发生量预测模型进行转炉煤气发生量的预测；如果间歇时长预测结果属于长间歇，则匹配长间歇发生量预测模型进行转炉煤气发生量的预测。2.如权利要求1所述的转炉煤气发生量预测方法，其特征是，转炉煤气发生量数据为连续的每分钟采样一次的煤气发生流量值，当流量值小于1km3/h时判定为间歇时刻，流量值小于1km3/h的间歇时刻持续的时长即为所要提取的间歇时长特征。3.如权利要求2所述的转炉煤气发生量预测方法，其特征是，间歇持续时长小于25min的属于短间歇，间歇持续时长为25min～45min的属于中间歇，间歇持续时长大于45min的属于长间歇。4.如权利要求1所述的转炉煤气发生量预测方法，其特征是，步骤三中，三类发生量预测模型的输入层节点根据三类间歇类型转炉煤气数据特征设置，该类型下转炉炼钢周期的时长数值作为输入层节点数，输出层节点数均设为1；隐含层节点数n1根据公式(1)计算式中：p为输入层节点数，q为输出层节点数，c为(1，10)之间的常数。5.如权利要求4所述的转炉煤气发生量预测方法，其特征是，步骤三中，间歇时长预测模型输入层节点数根据一天的发生量数据中存在间歇的个数选取，输出层节点数为1，隐含层节点数根据公式(1)计算。6.如权利要求1所述的转炉煤气发生量预测方法，其特征是，步骤四中，引入经过改进
的tent混沌映射，利用混沌变量的随机性在解空间中产生分布均匀的粒子种群；经过改进的tent混沌映射表达式如式(2)：式中：n
t
为混沌序列中粒子个数；rand(0,1)表示[0，1]之间的随机数；将混沌序列反向映射，得到初始粒子种群个体的位置表达式如式(3)：x
id
＝d
min
+(d
max-d
min
)
·
y
i，d
ꢀꢀꢀꢀꢀꢀꢀ
(3)式中：x
id
为第i个种群个体的d维编码值，d
min
和d
max
为x
id
搜索的上下限；反向粒子种群个体rx
id
的表达式如式(4)：rx
id
＝d
min
+d
max-x
id
ꢀꢀꢀꢀꢀꢀꢀ
(4)将种群x和经过反向映射的种群rx合并后，得到改进的种群{x∪rx}。7.如权利要求6所述的转炉煤气发生量预测方法，其特征是，步骤四中，利用逻辑自映射函数产生的混沌序列对粒子群算法的惯性权重w进行扰动改进，改进后的惯性权重如式(5)：式中：ω
max
为ω的初始值，ω
min
为ω的最终值，k
max
为最大迭代次数，|y
k
|是自逻辑映射函数产生的混沌序列，|y
k
|＝1-2(y
k-1
)2，y
k
(-1，1)；经过改进的粒子群算法随迭代次数的更新而更新位置与速度，更新公式如式(6)和(7)：(7)：式中：k为当前迭代次数；i＝1，2，
…
，n，n为粒子群的粒子个数；d＝1，2，
…
，d，d为粒子搜索空间的维数；为粒子i迭代k次后的速度；为粒子i迭代k次后的位置；为粒子i迭代k次后的个体极值最优位置；为粒子i迭代k次后的群体极值最优位置；c1和c2为学习因子；r1和r2是(0，1)内的随机数。8.如权利要求7所述的转炉煤气发生量预测方法，其特征是，粒子搜索空间的维数根据式(9)计算式中：input、hid和output分别代表输入层、隐含层和输出层神经元个数。9.如权利要求7所述的转炉煤气发生量预测方法，其特征是，粒子个数根据式(10)计算：式中int(
·
)表示向下取整。10.如权利要求1所述的转炉煤气发生量预测方法，其特征是，粒子群算法运算的目标
函数为式中，t为训练集样本数目，y
t
为训练集的实际值，为训练集的预测值。

技术总结
本发明公开了一种基于间歇分类的转炉煤气发生量预测方法，其步骤包括：提取原始转炉煤气发生量数据中的间歇时长特征，并根据间歇时长特征将数据进行分类；根据间歇分类所得的发生量数据特征，确定网络参数，构建发生量预测模型Elman神经网络结构，根据间歇时长特征，构建间歇预测模型Elman神经网络结构；根据Elman神经网络结构，设置改进PSO算法的参数，将改进PSO算法产生的最优权值矩阵和阈值矩阵用于Elman神经网络；在预测未来时间内间歇时长基础上，二次预测转炉煤气发生量。本发明实现先生产间歇时长后转炉煤气发生量的“两步式”预测，避免了炼钢过程中间歇波动对预测精度带来的影响，提高了预测精度。提高了预测精度。提高了预测精度。


技术研发人员：吴定会 费佳杰 倪渊之 吴梓涛
受保护的技术使用者：江南大学
技术研发日：2023.05.30
技术公布日：2023/8/23