论文部分内容阅读
钢铁产业是我国重要的产业之一,对钢铁产业的研究对国民经济有非常重要的作用和意义。由于钢铁生产流程复杂多样,而且大都伴随着高温高热的生产环境,这对生产过程中的能源管理带来了困难。本文从钢铁企业实际能源管理中提炼出能源诊断问题,目的是结合生产工艺,基于历史实际生产能源数据,对各工序能源消耗情况进行分析,识别出能源消耗异常情况,为能源管理人员分析能源实际消耗量,优化整个能源系统以达到节能目的提供有效的数据支持。目前,有关钢铁企业的诊断问题的研究大都停留在定性分析的阶段,而本文以钢铁企业实际生产数据为建模基础,将模型和实际生产紧密联系在一起,提出了基于数据的诊断方法和评价标准。主要研究工作如下:(1)以钢铁企业生产过程中的能源消耗现状为背景,提出了针对钢铁能源介质的诊断问题。在学习钢铁生产工艺和分析现场采集到的测量数据时,发现钢铁生产过程存在机理模型难以建立和测量数据内含大量噪声等问题,根据这些问题的特点,提出了基于数据驱动的能源介质消耗关系模型。(2)首先在分析了各种统计模型的特点的基础上选择LSSVM模型作为本文的数据建模方法。LSSVM模型的非线性拟合能力可以表达钢铁能源介质间的消耗关系,而其对噪声的控制可以在一定程度上减弱测量噪声带来的误差。然后针对钢铁能源诊断问题的特点设计了智能优化策略以对其参数进行优化。最后利用数据实验证实了该模型的有效性。(3)将基于LSSVM的能源消耗模型与传统的卡尔曼滤波算法相结合,建立了基于LSSVM的卡尔曼滤波模型。诊断算法以选定的标准数据为依据,利用标准数据滤波结果的统计特点来制定评价标准。通过对比真实测量数据与评价标准之间的偏差给出当前系统的异常程度。最后将该算法应用到了钢铁企业六个典型工序的数据的诊断中,分析验证了模型的诊断效果。(4)基于数据解析思想开发了电力信息管理系统,利用数据解析技术对系统收集到的数据进行了分析,总结了当地近几年的经济情况并预测了未来经济走势。在这个过程中也将本文提出的诊断算法应用对了数据分析过程中,在解决问题的同时验证了算法的有效性。