导读:本文包含了高炉煤气预测论文开题报告文献综述及选题提纲参考文献，主要关键词:高炉煤气系统,小波分析,BP神经网络,最小二乘支持向量机
高炉煤气预测论文文献综述
徐化岩,马家琳[1]（2019）在《基于数据驱动的高炉煤气复合预测模型》一文中研究指出对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。(本文来源于《中国冶金》期刊2019年07期）
李志刚,任雄朝,纪月[2]（2019）在《基于PSO-BP神经网络的高炉煤气受入量的预测》一文中研究指出以高炉煤气为主要研究对象,基于BP神经网络引入粒子群算法优化BP神经网络的权值,通过调试和改进建立PSO-BP神经网络高炉煤气受入量预测模型,使企业实现对煤气的合理调度和平衡调整,研究结合唐山钢厂的历史数据对该模型进行训练和检验。研究结果表明,BP模型比未改进的BP模型更能精确地预测受入量,并解决了遗传算法(GA)优化BP神经网络容易陷入早熟收敛的问题。(本文来源于《现代电子技术》期刊2019年13期）
李志刚,纪月,任雄朝[3]（2018）在《基于LSTM与ARIMA组合模型的高炉煤气产生量预测》一文中研究指出通过分析煤气产生量的数据特点,采用LSTM循环神经网络和ARIMA两种预测模型建立钢铁企业高炉煤气产生量预测模型,经验证LSTM模型性能明显优于BP神经网络,但是其预测结果值比真实值普遍偏低,而ARIMA模型的预测结果值比真实值普遍偏高。基于上述现象,提出了一种基于LSTM与ARIMA组合预测模型,将两种模型的预测结果采用CRITIC方法进行融合处理。结果表明,组合模型明显改善了两种模型在预测特性上的弊端,将预测结果的均方根误差减小为2.325,更贴近真实值,提高了预测精度。(本文来源于《铸造技术》期刊2018年11期）
王妍鹏[4]（2017）在《基于数据的高炉煤气受入量的预测》一文中研究指出近年来,我国经济高速发展与环境污染之间的矛盾愈发突出,钢铁企业作为中国的能耗大户,如何提高能源利用率就显得至关重要。高炉煤气(Blast Furnace Gas,BFG)是冶金生产过程中极为重要的二次能源,其受入量往往会出现较大的波动,这种突然的波动若无有效防范,将带来安全隐患,因此,对高炉煤气受入量的准确预测可以降低有害风险,提高设备利用率。本文以钢铁行业炼钢过程为背景,针对高炉煤气受入量难以有效预测的问题,提出了一种数据滤波与二重神经网络相结合的建模预测新方法。首先,分析了国内外钢铁企业能源管理系统发展状况,并介绍了国内外研究学者在煤气预测方面的研究现状;其次,介绍了能量去噪法与带有自适应噪声的经验模态分解(EEMDAN)相结合的滤波算法,该算法一方面弥补了传统EMD算法的缺点,采用EEMDAN进行模态分解,使得分解信号更加平稳化;另一方面引入了能量去噪算法,实现了对工业信号的有效去噪,减少了工业扰动对预测建模的影响。最后,建立了 EEMDAN-DRBF的预测模型,该模型主要思想是将原始信号去噪并分解为不同时间尺度下的固有模态(IMF)分量,根据各模态自相关函数的特点,分别对每个模态建立径向基神经网络(RBF)预测模型;再次,为了提升单网络模型精度,根据各模态与原始数据相关性建立二重径向基神经网络(RBF)预测模型,并通过此模型对各模态预测结果进行融合和修正。针对复杂工业过程中高炉煤气受入量的数据的无规律性,使用本文提出的方法建立宝钢的高炉煤气受入量预测建模,并与其它建模方法相比较,实验表明该方法去噪效果良好,预测精度高,可以为钢铁企业煤气的管理调度提供可靠的数据支持。(本文来源于《天津工业大学》期刊2017-01-14）
熊文真,赵娜[5]（2016）在《基于ARIMA-MC模型钢铁企业高炉煤气发生量预测》一文中研究指出为了预测钢铁企业高炉煤气发生量,本文用ARIMA模型及马尔科夫链建立了ARIMA-MC模型对高炉煤气的发生量进行预测。结合某钢铁企业实际的原始数据,通过实验,随机抽取多组测试结果中的两组,1#和2#各30个点进行预测,结果表明预测平均相对误差分别为2.27%、3.03%。实验结果证明新算法的有效性。(本文来源于《工业安全与环保》期刊2016年10期）
李宏,梁寅,赵煜,邓斌武,吴岚[6]（2016）在《高炉煤气产消量预测建模研究与实现》一文中研究指出对国内某钢厂提供的历史数据进行分析,建立了3座高炉煤气发生量、3座热风炉煤气消耗量序列的自回归滑动平均模型;在煤气调度系统工作站内实现煤气产消量预测模型;利用工作站在线运行过程中采集的数据,以误差引起的系统压力变化量超限与否为评价准则,对模型引入的误差进行评价,结论是模型误差不会导致系统压力超限。(本文来源于《中国计量协会冶金分会2016年会论文集》期刊2016-10-01）
王妍鹏,田慧欣[7]（2016）在《基于模态分解的高炉煤气受人量预测模型设计》一文中研究指出煤气的受八量对钢铁企业能源分配具有重要的影响,以钢铁企业高炉煤气受八量为研究对象,针对高炉煤气受八量无法精确预测的问题,设计了一种进行数据分解的预测模型。首先,采用带有自适应噪声的集合经验模态分解(EEMDAN)将原始信号分解为不同时间尺度下的固有模态(IMF)分量,以减少数据中噪声对预测的干扰;其次,根据各模态自相关函数的特点,分别对每个模态建立径向基神经网络(RBF)预测模型;再次,为了提升单网络模型精度,根据各模态与原始数据相关性建立二重径向基神经网络预测模型(DRBF),并通过此模型对各模态预测结果进行融合和修正;最后,采用实际数据对模型进行检验,并与其它预测方法作比较。结果表明文中提出的模型预测准确度较高,能为钢铁企业能源优化提供数据支持。(本文来源于《“装备中国”2016年“滨海杯”高端装备工业设计大赛论文集》期刊2016-09-23）
李颖奇[8]（2016）在《基于粒度计算的高炉煤气长期预测系统设计》一文中研究指出高炉煤气是钢铁生产过程中产生的副产气体燃料资源,其生产过程复杂,产出波动大,是能源优化调度的关键。能否对高炉煤气用户流量进行科学的预测,提升此副产品的利用率将影响煤气系统的稳定运行,更关乎到企业生产的经济性指标。目前,为保证工业应用所需预测精度,高炉煤气的预测方向大多集中在短期预测,而调度人员对长时间的预测结果也同样较为关注。准确的长期预测可以为调度人员提供切实需要的指导,保证整个系统的长期平衡调度所需的时间,解决目前生产现场主观调度而导致过度盲目依赖操作人员经验的缺陷。同时对减少煤气放散、改善企业经济效益、进一步提升企业自动化水平有着决定性的意义。本文提出一种基于粒度计算的长期预测方法。首先,采用总体经验模态分解对数据进行阈值降噪。在得到特性较为清晰的数据后,利用粒度计算将数据根据生产实际特性做出非等距划分,再依照基于动态时间弯曲的模糊C均值的聚类算法将划分后的非等长数据集进行模糊聚类。最后,通过模糊时间序列预测方法对数据进行长期预测。在模糊预测建模过程中结合聚类中心样本与数据来构造If-Then规则,组成模糊规则库,利用模糊推理得到预测结果。由于本文采用了基于粒度的时间窗划分方法,因此不仅可以针对数据进行短时预测,更在长期预测上有着明显优势。结合国内某钢铁企业的实际需求,本文采用上述基于粒度计算的长期预测方法,设计并实现了可以应用于高炉煤气系统的长期预测软件。系统在我国典型钢铁企业现场实际运行后,满足了能源调度人员对高炉煤气系统长期预测精度和预测时长的需求,可为高炉煤气系统的实时调度提供科学的决策指导作用。(本文来源于《大连理工大学》期刊2016-05-05）
白鹏[9]（2016）在《钢铁企业高炉煤气预测技术研究》一文中研究指出钢铁产业是我国国民经济的支柱产业,占国民经济总量的26%。但同时,钢铁行业也是国家能源消耗的大户,针对钢铁企业巨大的能耗问题,我国在“十二五”计划中明确提出了钢铁企业的节能减排的发展战略。高炉煤气是一种宝贵的副产能源,合理的利用高炉煤气不仅可以降低放散,还能减少冶金能源的外购量。目前,我国冶金企业的生产自动化程度较低,冶炼呈粗放型的发展模式,对于煤气资源的集中管控能力较差,钢铁企业能源中心对高炉煤气的预测、调度还仅仅是通过一些有经验的调度人员进行,预测的精度没有保障。所以,针对钢铁工业的煤气生产与消耗特点,建立准确的预测模型,是进行精细调度的前提,也是节能减排,提高能源利用效率的有效途径之一。本文主要围绕高炉煤气系统进行研究。首先,分析了国内外高炉煤气预测的成果及煤气系统的组成和管网特点。针对高炉生产周期波动大,难以准确预测等特点,采取人工神经网络模型与灰色关联度分析结合的方法,对高炉的生产数据进行预测。然后,对高炉煤气的多个消耗环节进行分析,得出烧结、焦化、热风炉、热轧四个煤气消耗量最大的环节的数据特点。再通过生产过程的连续性判断和数据的平稳性分析,得到最适宜四个环节的预测模型,分别是:一次指数平滑、线性回归、粒子群优化的最小二乘支持向量机以及支持向量回归模型。经过仿真验证,证明了模型的预测效果。其中,在预测热风炉煤气的消耗量时,本文提出一种改进的粒子群优化算法。该方法改造了惯性权重这一粒子群重要参数,采用一种两段式的惯性权重调整方案。在算法初始段和算法的后期,自适应的赋予粒子群算法适当的权重。使得粒子群获得合适的飞行速度,使算法较快的收敛。通过对比各项误差指标,可知改进的粒子群算法优化的最小二乘支持向量机的预测效果比普通的支持向量机的精度更高,对于热风炉耗气这种大波动的系统具有较好的预测能力。(本文来源于《天津理工大学》期刊2016-02-01）
张琦,李鸿亮,赵晓宇,贾辉[10]（2016）在《高炉煤气产生量与消耗量动态预测模型及应用》一文中研究指出针对钢铁企业高炉煤气产生量和消耗量波动频繁,难以有效预测的问题,应用小波分析方法将高炉煤气产生量和消耗量历史数据经剔除"噪声"后分为趋势数据和波动数据,并结合高炉实际运行工况,建立一种具有时序更新和自我修正功能的最小二乘支持向量机(Lssvm)高炉煤气动态预测模型.以一座容积为3 200 m3高炉的煤气产生量和相应的热风炉煤气消耗量作为样本数据,对8 h内的煤气产生量与消耗量进行了动态预测.结果表明:采用小波分析后的Lssvm预测模型绝对平均误差降低到2.77%,Update_Lssvm模型预测高炉煤气产量精度达到1.55%,热风炉高炉煤气消耗量精度达到4.23%,解决了变工况下高炉煤气产生量和消耗量预测随机性问题.与其他预测模型相比,Update_Lssvm模型预测精度明显提升.该模型不仅具有泛化能力,也为高炉煤气优化调度提供了理论依据.(本文来源于《哈尔滨工业大学学报》期刊2016年01期）
高炉煤气预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以高炉煤气为主要研究对象,基于BP神经网络引入粒子群算法优化BP神经网络的权值,通过调试和改进建立PSO-BP神经网络高炉煤气受入量预测模型,使企业实现对煤气的合理调度和平衡调整,研究结合唐山钢厂的历史数据对该模型进行训练和检验。研究结果表明,BP模型比未改进的BP模型更能精确地预测受入量,并解决了遗传算法(GA)优化BP神经网络容易陷入早熟收敛的问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高炉煤气预测论文参考文献
[1].徐化岩,马家琳.基于数据驱动的高炉煤气复合预测模型[J].中国冶金.2019
[2].李志刚,任雄朝,纪月.基于PSO-BP神经网络的高炉煤气受入量的预测[J].现代电子技术.2019
[3].李志刚,纪月,任雄朝.基于LSTM与ARIMA组合模型的高炉煤气产生量预测[J].铸造技术.2018
[4].王妍鹏.基于数据的高炉煤气受入量的预测[D].天津工业大学.2017
[5].熊文真,赵娜.基于ARIMA-MC模型钢铁企业高炉煤气发生量预测[J].工业安全与环保.2016
[6].李宏,梁寅,赵煜,邓斌武,吴岚.高炉煤气产消量预测建模研究与实现[C].中国计量协会冶金分会2016年会论文集.2016
[7].王妍鹏,田慧欣.基于模态分解的高炉煤气受人量预测模型设计[C].“装备中国”2016年“滨海杯”高端装备工业设计大赛论文集.2016
[8].李颖奇.基于粒度计算的高炉煤气长期预测系统设计[D].大连理工大学.2016
[9].白鹏.钢铁企业高炉煤气预测技术研究[D].天津理工大学.2016
[10].张琦,李鸿亮,赵晓宇,贾辉.高炉煤气产生量与消耗量动态预测模型及应用[J].哈尔滨工业大学学报.2016