(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111419683.0 (22)申请日 2021.11.26 (71)申请人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 吴定会　朱勇　倪渊之　范俊岩　 费桂杰　 (74)专利代理 机构 无锡华源专利商标事务所 (普通合伙) 32228 代理人 崔婕 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多因素分析的高炉煤气柜位预测 方法 (57)摘要 本发明公开了一种基于多因素分析的高炉 煤气柜位预测方法， 包括以下步骤： 1、 获取数据 库中高炉煤气流量和煤气柜柜位相关的历史数 据； 2、 对历史数据进行数据预处理； 3、 进行柜位 波动多因素分析， 利用绝对流量占比和灰色关联 度分析方法确定高炉煤气柜位波动主要影响因 素； 4、 基于步骤3分析的影响因素构建高炉煤气 柜位预测模 型， 实现对高炉煤气柜位未来多步预 测。 本发明采用绝对流量占比分析和灰色关联度 分析方法相结合确定柜位波动主要影 响因素， 精 简了模型输入， 降低建模复杂性； 还充分考虑了 多因素影 响柜位波动的特征， 可以在生产场景变 化、 产耗发生波动时实现对柜位的未来多步数值 准确预测， 为高炉煤气系统的合理调度提供了参 考和依据。 权利要求书3页 说明书7页 附图2页 CN 114066094 A 2022.02.18 CN 114066094 A 1.基于多因素分析的高炉煤气柜位预测方法， 其特 征是， 包括以下步骤： 步骤1、 获取 数据库中 高炉煤气流 量和煤气柜 柜位相关的历史数据； 步骤2、 对历史数据进行 数据预处 理； 步骤3、 进行柜位波动多因素分析， 利用绝对流量占比和灰色关联度分析方法确定高炉 煤气柜位波动主 要影响因素； 步骤4、 基于步骤3分析的影响因素构建高炉煤气柜位预测模型， 实现对高炉煤气柜位 未来多步预测。 2.如权利要求1所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤1所 述历史数据包括： 高炉煤气受入量数据， 生产中需要消 耗高炉煤气的各设备 的高炉煤气消 耗量数据， 高炉煤气柜位数据； 其中， 高炉煤气受入量数据和高炉煤气消耗量数据都属于高 炉煤气流 量数据。 3.如权利要求1所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤2所 述数据预处 理方式包括： 缺失数据填补、 异常数据剔除以及无量纲化处 理。 4.如权利要求2所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤3的 分析方法包括以下步骤： 步骤3.1、 计算设备高炉煤气流量占高炉煤气总流量的比重， 剔除小流量设备， 保留大 流量设备； 其中， 高炉煤气总流 量指高炉煤气总受入量或者高炉煤气总消耗 量； 步骤3.2、 对每一个大流量设备的高炉煤气流量与高炉煤气柜位数据进行关联度分析， 确定柜位波动的主 要影响因素。 5.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤3.1 计算设备高炉煤气流量占高炉煤气总流量的比重时， 针对高炉煤气产生设备和高炉煤气消 耗设备分别计算； 方法为： 步骤3.1.1、 计算任意采样时刻每一个设备高炉煤气流 量占高炉煤气总流 量的比重： 其中， t＝1,2, …,N， N为步骤1中采集的样本点的数量； 若为计算高炉煤气产生设备的 高炉煤气流量占高炉煤气总流量的比重， 则I表 示所有高炉煤气产生设备的数量； 若为计算 高炉煤气消 耗设备高炉煤气流量占高炉煤气总流量的比重， 则I表示所有高炉煤气消 耗设 备的数量； xi表示第i个设备的高炉煤气流量历史数据， λi表示第i个设备的高炉煤气流量占 高炉煤气总流 量的比重； 步骤3.1.2、 求出每一个设备高炉煤气流 量占高炉煤气总流 量的比重： 式中， ηi表示第i个设备高炉煤气流 量占高炉煤气总流 量比重； 步骤3.1.3、 设定阈值， ηi小于该阈值的设备被剔除， 保留ηi大于阈值的设备作为大流量 设备。 6.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤3.2 包括以下步骤： 步骤3.2.1、 计算任意采样时刻每一个大流 量设备与高炉煤气柜位之间的关联系数:权　利　要　求　书 1/3 页 2 CN 114066094 A 2式中， M表示由步骤3.1确定的大流量设备的数目， m＝1,2, …,M； q＝1,2, …,M； n＝1, 2,…,N； y表示高炉煤气柜位历史数据； xq,xm表示第q或m个设备的高炉煤气流量历史数据； ζq表示第q个大流量设备的高炉 煤气流量历史数据与高炉 煤气柜位历史数据的关联系数， ρ 为分辨系数； 步骤3.2.2、 求出每一个大流 量设备的高炉煤气流 量与高炉煤气柜位的关联度： rq表示第q个大流 量设备的高炉煤气流 量与高炉煤气柜位之间的关联度； 步骤3.2.3、 设定关联度阈值， 剔除关联度小于阈值的设备， 最终得到高炉煤气柜位波 动的主要影响因素。 7.如权利要求4所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤4所 述高炉煤气柜位预测模 型使用Elman神经网络模 型， 其参数使用JAYA算法优化； 对高炉煤气 柜位未来多步预测首先预测每一个主要影响因素未来多步数值， 进而求出每一个主要影响 因素未来多步煤气流量的变化量， 作为高炉煤气柜位预测模型的输入， 预测未来多步煤气 柜位值。 8.如权利要求7所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤4具 体包括以下步骤： 步骤4.1、 建立主要影响因素的煤气流量变化量与煤气柜位之间的回归映射关系， 构造 高炉煤气柜位预测模型的训练集如式(5) 其中， 每一行代表一组训练样本， p表示由步骤3确定的主要影响因素的数目， s表示高 炉煤气柜的数量， a表示主要影响因素 的高炉煤气流量变化量， τ表示高炉煤气产耗流量变 化与煤气柜位变化之间的时间延迟， H表示选择的样本的数目； 步骤4.2、 利用JAYA算法优化 高炉煤气柜位预测模型参数， JAYA算法种群中的每一个个 体映射为Elman神经网络的初始权值和初始阈值； 步骤4.3、 使用优化后的高炉煤气柜位预测模型预测每一个主要影响因素高炉煤气流 量未来多步数值， 计算其流量变化量， 计算流量变化量的方式为采用相 邻预测值作差， 并将 每一个主要影响因素的高炉煤气流量变化量的未来多步数值组合为高炉煤气柜位预测模 型的输入； 步骤4.4、 使用步骤4.3的结果， 再利用高炉煤气柜位预测模型完成对高炉煤气柜位未 来多步预测， 输出 预测结果。 9.如权利要求8所述的基于多因素分析的高炉煤气柜位预测方法， 其特征是， 步骤4.2 所述高炉煤气柜位预测模型参数即为Elman神经网络的初始权值和初始阈值， 对参数进行 并行优化， 具体包括以下步骤： 步骤4.2.1、 设置JAYA算法参数以及Elman神 经网络参数； JAYA算法参数包括算法迭代权　利　要　求　书 2/3 页 3 CN 114066094 A 3