-
题名烧结机煤气消耗量预测模型的性能比较研究
- 1
-
-
作者
李涛
王盛民
刘刚
王桂伟
-
机构
中唯炼焦技术国家工程研究中心有限责任公司
日照检验认证有限公司
-
出处
《冶金能源》
北大核心
2024年第4期54-58,共5页
-
文摘
针对钢铁企业烧结机煤气消耗量预测精度较低的问题,研究建立差分自回归移动平均模型(ARIMA)、长短期记忆网络模型(LSTM)和极端梯度提升模型(XGBoost),用于预测烧结机的高炉煤气消耗量,利用钢铁联合企业的实际数据对比验证了预测模型性能。结果表明,XGBoost模型的预测精度高于ARIMA模型和LSTM模型。XGBoost模型的MAPE为3.45%,RMSE为703.53 m^(3)/min,R^(2)为99.91%,鲁棒性和泛化能力较强。此外,为了强化预测模型与烧结机不同运行状态间的联系,对烧结机不同运行状态的煤气消耗量进行预测。LSTM模型在烧结机正常生产状态表现出最好的预测效果,XGBoost模型则在烧结机减产和增产状态预测效果最佳。
-
关键词
钢铁企业
烧结机
煤气消耗量预测
数据模型
运行状态
-
Keywords
iron and steel industry
sinter strand
gas consumption prediction
data model
operating state
-
分类号
TF046.4
[冶金工程—冶金物理化学]
-
-
题名事件和数据融合的加热炉煤气消耗量预测方法
被引量：12
- 2
-
-
作者
刘书含
孙文强
范天骄
谢国威
-
机构
东北大学冶金学院
东北大学国家环境保护生态工业重点实验室
中钢集团鞍山热能研究院有限公司
-
出处
《材料与冶金学报》
CAS
北大核心
2021年第4期304-309,共6页
-
基金
国家自然科学基金(51704069,51734004).
-
文摘
为了解决加热炉煤气消耗量无法精准预测的问题,提出了融合事件和数据的加热炉煤气消耗量预测方法.根据操作事件将加热炉的运行状态分为正常运行、停炉检修和待料运行,以各运行状态下差分自回归移动平均模型(ARIMA)和人工神经网络模型(ANN)的预测性能为基础,结合生产大数据对加热炉煤气消耗量进行混合预测.结果表明:混合预测模型的预测性能好,滞后性小;混合预测模型的平均绝对误差为1542.45 m^(3)/min,平均相对误差为0.0654,对称平均绝对误差为0.0665,与使用单纯的ARIMA模型和ANN模型相比,混合预测模型精度更高.
-
关键词
加热炉
煤气消耗量预测
事件驱动
数据驱动
混合预测模型
-
Keywords
reheating furnace
gas consumption prediction
event-driven
data-driven
hybrid prediction model
-
分类号
X757
[环境科学与工程—环境工程]
-
