文献类型：期刊文章

作　　者：包向军[1] 翁思浩[1] 陈光[1] 汪晶[2] 陈谞[2] 谢竟成[1]

BAO Xiang-jun;WENG Si-hao;CHEN Guang;WANG Jing;CHEN Xu;XIE Jing-cheng(School of Energy and Environment,Anhui University of Technology,Ma′anshan 243000,Anhui,China;Shanghai Baosight Software Co.,Ltd.,Shanghai 201203,China)

机构地区：[1]安徽工业大学能源与环境学院,安徽马鞍山243000 [2]上海宝信软件股份有限公司,上海201203

出　　处：《钢铁》

基　　金：国家重点研发计划资助项目(2020YFB1711100)。

年　　份：2022

卷　　号：57

期　　号：9

起止页码：166-172

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.0570,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.0428,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.0694,LSTM模型为0.0940。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.0601,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。

关 键 词：高炉煤气预测  时序预测  长短记忆模型  季节性差分自回归移动平均  多步预测

分 类 号：TF538]