检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

钢铁企业煤气系统预测与调度建模研究

钢铁企业煤气系统预测与调度建模研究

作者：王军燕山大学

学位级别：硕士

2012年，我国钢铁业能耗约占全国总能耗16%。大型钢铁企业能源成本占总生产成本30%左右，而钢铁厂副产煤气可以提供其生产能耗的1/3，因此对于副产煤气的充分合理利用可以有效的减少钢铁企业能源成本。在实际生产过程中，由于生产计划... 详细信息

2012年，我国钢铁业能耗约占全国总能耗16%。大型钢铁企业能源成本占总生产成本30%左右，而钢铁厂副产煤气可以提供其生产能耗的1/3，因此对于副产煤气的充分合理利用可以有效的减少钢铁企业能源成本。在实际生产过程中，由于生产计划、存储条件、煤气调用方式顺序等的影响，使得一方面由于煤气过剩而放散，一方面煤气不足而消耗电能等其他能源，因此对于煤气的合理规划调度对于提高企业的能耗成本有着重要的意义。预测是煤气优化调度的基础。通过基于生产计划的煤气消耗预测，可以及时把握各种煤气的动态需求，提前做好能源准备以及调度工作。基于煤气消耗的产量预测，可以判断生产过程是否正常，操作是否有失误，及时进行检测、维修和操作改正。本文用BP神经网络基于历史数据进行煤气产耗预测，预测结果比较理想，可以很好的为优化调度提供决策支持。本文将煤气系统抽象为煤气管网和调度单元。用矩阵形式表达了煤气管网的网络结构;建立了基于调度单元分类的优化调度模型。根据调度单元的具体特点，将调度单元分为四类。针对每一个具体单元建立了其目标函数与约束条件，运用最小二乘回归和偏最小二乘回归理论建立煤气优化调度数学模型并说明了钢铁业煤气调度的基本准则。通过以上的煤气流量预测与调度模型的建立，可以实现钢铁企业副产煤气的合理利用，既能保证企业的正常生产，又能有效的提高煤气的利用率，从而节约成本，提高企业的市场竞争力。间接的减少污染排放，保护了环境，实现了可持续发展。

关键词：副产煤气煤气预测 BP网络最小二乘法调度模型

基于Seq2Seq深度学习模型的焦炉煤气发生量预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

兰州理工大学学报 2023年第5期49卷 50-58页

作者：王文婷刘姝君张耀聪杜小泽许潼兰州理工大学能源与动力工程学院甘肃兰州730050

为实现钢铁生产过程中副产煤气的精准预测,构建了基于序列到序列的深度学习模型.通过编码器计算输入序列的隐状态得到隐状态矩阵,并通过解码器对其进行解码得到预测结果.根据灰色关联度分析关联度较高的输入参数,针对钢铁生产中煤气产... 详细信息

为实现钢铁生产过程中副产煤气的精准预测,构建了基于序列到序列的深度学习模型.通过编码器计算输入序列的隐状态得到隐状态矩阵,并通过解码器对其进行解码得到预测结果.根据灰色关联度分析关联度较高的输入参数,针对钢铁生产中煤气产量不稳定波动的特点,利用箱线图和hampel滤波对原始数据的极端异常点和突变点进行处理,对输入模型分别进行单步和多步预测.结果表明:单步预测时基于Seq2Seq结构的模型较单一模型预测性能有所提高,其中LSTM2GRU模型对峰谷值拟合表现最优;多步预测时LSTM2GRU模型可有效降低模型性能下降趋势,通过在2个数据集与LSTM2LSTM模型和GRU2GRU模型对比发现,LSTM2GRU模型均方根误差分别下降了5.3%、5.6%和9%、7.7%,平均绝对误差分别下降了7.3%、7%和9.7%、7.8%.因此,LSTM2GRU模型相比其他模型更适合长尺度时间序列的预测,在模型中引入GRU结构提高了预测精度,缩短了预测耗时.

关键词：煤气预测神经网络深度学习 Seq2Seq模型灰色关联度

基于LSTM/SARIMA时序模型的煤气产供量预测研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于LSTM/SARIMA时序模型的煤气产供量预测研究

作者：翁思浩安徽工业大学

学位级别：硕士

钢铁行业一直是一个高能耗、高排放的产业,近年来,各企业为响应国家节能减排、“双碳”政策,高效利用各种能源资源,减少环境污,提出了各种应对措施。以高炉煤气、焦炉煤气、转炉煤气为主的副产煤气是冶金生产过程中产出的重要二次能源,... 详细信息

钢铁行业一直是一个高能耗、高排放的产业,近年来,各企业为响应国家节能减排、“双碳”政策,高效利用各种能源资源,减少环境污,提出了各种应对措施。以高炉煤气、焦炉煤气、转炉煤气为主的副产煤气是冶金生产过程中产出的重要二次能源,对它们的合理利用既可以提高整体能源的二次利用效率,达到节能效果,另一方面,由于副产煤气的成分大多是环境污染源,因此减少副产煤气的放散,一定程度上可以减少对环境的危害。而高效合理利用这些副产煤气的前提不仅是要有合理的煤气调度规则,准确预测未来一段时间煤气的产用量情况也很重要。针对煤气产用量,本文讨论了国内外相关学者对副产煤气的预测模型存在的不足,主要包括以下几点:(1)时间粒度过大,样本少,预测步数及次数也偏少,无法全面考察模型预测能力;(2)模型缺少特殊工况(如设备故障、减产、停产等)下的预测结果对比,或模型难适应于特殊工况。针对以上问题,本文选取了小粒度数据进行大样本的多步预测,使用深度学习中的长短记忆模型(LSTM)以及线性回归中的季节性差分自回归移动平均模型(SARIMA)进行预测,对比分析不同时序模型预测效果。针对特殊工况问题,本文提出了一种梯度驱动时序预测复合模型,根据输入数据的梯度变化,选取最适宜的模型进行预测,大大增加了预测精度。通过煤气流量预测值与实际采集到的煤气流量值进行对比,以平均相对误差(MAPE)作为评判依据,结果表明:正常工况下,LSTM的精度高于SARIMA,在30步预测的时候,LSTM的平均相对误差为0.0428,而SARIMA模型为0.0648;LSTM模型在输入样本为100时误差最小,平均相对误差为0.0428,SARIMA模型在输入样本为200时误差最小,平均相对误差为0.0570;LSTM模型在自更新时,选取700 min数据量作为每次训练样本最为适宜,既保证了模型精度(平均相对误差为0.0448),又可以节省计算资源;变工况下,SARIMA模型比LSTM模型精度更高,SARIMA平均相对误差为0.0694,LSTM平均相对误差为0.094,因此在现场运行工况下,建议使用梯度驱动时序预测复合模型进行预·测,复合模型在一段混合工况下预测的平均相对误差为0.0601,具有更高的预测精度。最后,建立了各煤气产用量预测模型,并将建立的预测模型通过SOCKET通讯技术部署至某钢厂能源管控中心,通过实时的数据预测为煤气调控模型提供强有力的支撑,为钢铁企业能源管理调度提供了较为有效的方法。

关键词：煤气预测长短记忆模型季节性差分自回归移动平均模型多步预测

基于EMD-LSTM的冷轧煤气消耗量预测模型仿真

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机床与液压 2022年第14期50卷 141-145页

作者：翟慧熊伟李福进杨杰华北理工大学电气工程学院河北唐山063210 唐山钢铁集团高强汽车板有限公司河北唐山063026

针对煤气消耗数据量大,而传统机器学习模型在处理大数据时准确度不高,且数据在时间上有一定规律可循的特点,利用长短时记忆神经网络(LSTM)独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度,使用经验模态分解(EMD)算法将煤气消耗... 详细信息

针对煤气消耗数据量大,而传统机器学习模型在处理大数据时准确度不高,且数据在时间上有一定规律可循的特点,利用长短时记忆神经网络(LSTM)独特的记忆能力对煤气进行预测。为提高LSTM预测模型精度,使用经验模态分解(EMD)算法将煤气消耗数据分解为若干个相对平稳的固有模态函数和一个残差项r(t),提出基于EMD-LSTM算法的组合煤气预测模型。结果表明:与BP、EMD-BP、LSTM模型相比,该方法能够准确预测煤气消耗量,为企业节约成本和调度人员进行煤气分配提供参考。

关键词：煤气预测经验模态分解长短时记忆神经网络机器学习

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

钢铁企业主工序分厂煤气量预测方法研究

钢铁企业主工序分厂煤气量预测方法研究

作者：刘渺中南大学

学位级别：硕士

对煤气发生量和煤气消耗量的预测方法进行研究，可以改变凭经验平衡煤气的发生量和消耗量的现状，制定合理的煤气使用计划，减少煤气放散损失，提高钢铁企业节能降耗水平。通过对钢铁企业主工序分厂煤气发生机理和消耗特性研究，找到了... 详细信息

对煤气发生量和煤气消耗量的预测方法进行研究，可以改变凭经验平衡煤气的发生量和消耗量的现状，制定合理的煤气使用计划，减少煤气放散损失，提高钢铁企业节能降耗水平。通过对钢铁企业主工序分厂煤气发生机理和消耗特性研究，找到了影响各分厂煤气发生量和消耗量的主要因素。找到了钢铁企业能源平衡报表中受这些主要因素影响的指标。采用灰色关联度分析法计算了各分厂煤气发生量和消耗量与能源平衡报表中各指标之间的关联度。对关联度排序后找到了主要指标。考虑到各分厂影响煤气发生量和消耗量的主要指标的数目不同，各指标的影响程度不一样，提出了一种钢铁企业主工序各分厂煤气发生量和消耗量预测方法：对影响指标数量少、关系简单的分厂，采用用回归分析法;对影响指标多、关系复杂的分厂，采用神经网络法。以湘潭钢铁集团公司的煤气系统为例，研究了煤气量预测方法的准确性和实用性。采用了回归分析法预测焦炉煤气发生量及焦化厂、炼铁厂、棒材厂、高线厂和二高线厂的煤气消耗量，并且建立相应的回归预测方程。采用BP神经网络法预测高炉及转炉煤气发生量和烧结厂及炼钢厂的煤气消耗量，并且建立相应的BP神经网络预测模型。研究表明：预测值和真实值之间的误差小，煤气量预测方法是准确的，能满足生产要求。

关键词：煤气预测回归分析法神经网络法

GPU并行计算在LSSVM建模中的研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

GPU并行计算在LSSVM建模中的研究与应用

作者：高和东大连理工大学

学位级别：硕士

并行计算是一种针对大规模数据运算的有效方法。分布式机群和超级计算机是实现并行计算的两种方式,然而它们价格昂贵、专用性强,常常导致其应用性较差。最近几年,计算机图形处理器(Graphic Processing Unit, GPU)发展迅速,其数据密集型... 详细信息

并行计算是一种针对大规模数据运算的有效方法。分布式机群和超级计算机是实现并行计算的两种方式,然而它们价格昂贵、专用性强,常常导致其应用性较差。最近几年,计算机图形处理器(Graphic Processing Unit, GPU)发展迅速,其数据密集型计算模式以及自身体系架构决定了它的并行计算特性,因此基于GPU的通用计算成为了高性能计算领域的热点研究课题。本文以基于GPU的大规模高性能并行计算为研究对象,提出用GPU解决高性能计算的问题,在对基本矩阵运算实施并行化求解的基础上,重点研究了基于机器学习的最小二乘支持向量机(LSSVM)模型的并行化方法,实际数据实验表明该方法能够大大提高模型学习的效率。为将该方法应用于工业实际,本文针对冶金工业企业中的副产煤气系统的实时预测问题进行了研究,建立了基于最小二乘支持向量机的回归预测模型,并对模型参数加以优化。针对传统参数优化方法计算速度慢、不能满足在线预测要求的问题,应用基于GPU并行的计算,实现了煤气系统预测以及预测模型参数的在线优化,提高了预测精度。通过上海宝钢能源中心的实际煤气数据仿真,证明了所建的动态参数优化预测模型良好,基于GPU的并行计算速度快、效率高,其并行计算速度相比传统CPU串行计算加速比可超过70倍,满足了实时在线预测的要求,使GPU并行运算真正应用于实际生产当中。

关键词： GPU CUDA 并行计算 LSSVM 参数优化煤气预测