基于IOOA-BP算法的高炉喷煤量预测方法、电子设备及存储介质与流程

本发明属于冶金，具体涉及基于iooa-bp算法的高炉喷煤量预测方法、电子设备及存储介质。

背景技术：

1、钢铁是当今世界上不可或缺的必要材料。高炉炼铁是钢铁行业中主要的能源消耗环节，炼铁过程中co2的排放占钢铁工业总排放的90%以上，能源消耗占钢铁工业总能耗的70%以上。因此，高炉炼铁在实现钢铁工业绿色、低碳、可持续发展进程中起到了至关重要的作用。由于高炉炼铁原料成本居高不下，因此多通过喷吹煤粉，来达到降低燃料成本的目的。高炉喷煤不仅可以降低生产成本，还可以改善能源结构和环境负荷。

2、在相关技术中，通常情况下，炉长基于人工经验，通过判断炉况，来定期确定工况对应下喷吹煤粉量。然而，高炉生产过程复杂多变，不同操作人员对生产工况的认知存在差异，这种喷煤量预测方式是比较粗糙和主观的。同时，工人实际时序操作不同，喷煤量也会随之不同，使得喷煤量的精准预测十分困难。

技术实现思路

1、有鉴于此，本发明提供了一种基于iooa-bp算法的高炉喷煤量预测方法、电子设备及存储介质，以解决现有存在的通过人工操作来判断高炉喷煤量使得预测不精准的问题。

2、第一方面，本发明提供了一种基于iooa-bp算法的高炉喷煤量预测方法，包括：获取高炉生产样本数据，所述高炉生产样本数据包括原料成分信息、铁水成分信息、炉渣成分信息、高炉结构参数、过程时序操作信息和工况参数信息；对所述高炉生产样本数据进行数据处理，得到数据处理结果；基于bp神经网络和所述数据处理结果构建预测模型框架；采用iooa算法，对所述预测模型框架中的决策变量进行参数辨识，构建喷煤量预测模型。

3、在一些实施方式中，所述预测模型框架包括目标函数，所述目标函数为预测值与真实值误差最小，数学表达式为： 式中，表示目标函数；表示高炉喷煤量真实值；表示高炉喷煤量预测值；表示决策变量的集合。

4、在一些实施方式中，所述决策变量包括权值和阈值，所述目标函数的约束条件为权值的范围在[-1,1]之间，所述阈值的范围在[0,1]之间。

5、在一些实施方式中，采用三层神经网络，初始化所述权值和所述阈值。

6、在一些实施方式中，对所述高炉生产样本数据进行数据处理，得到数据处理结果，具体包括：对所述高炉生产样本数据进行数据筛选，去除缺失值和异常值；对筛选后的数据进行归一化处理；对归一化处理后的数据进行相关性分析，选取与高炉喷煤量相关性系数大于0.2的数据作为构建预测模型的数据。

7、在一些实施方式中，采用iooa算法，对所述预测模型框架中的决策变量进行参数辨识，构建喷煤量预测模型，具体包括：初始化种群；种群进化；完成种群更新过程；输出高炉喷煤量真实值与预测值之间的误差值，以及权值和阈值。

8、在一些实施方式中，所述种群进化，具体包括：将种群中排名前p%的个体划分为精英个体，p=0.2；其它个体则被划分为普通个体，并分配以不同的搜索任务；对于第个精英个体进行位置更新，数学描述如下：；式中，f表示变异系数；、和分别为在精英子群中随机选择的个体，且、、与互不相等；

9、对于普通个体，根据当前迭代次数t，当mod(t,2)=1，则普通个体执行全局勘探，否则普通个体执行局部开发，完成种群进化。

10、在一些实施方式中，对于普通个体，根据当前迭代次数t，当mod(t,2)=1，则普通个体执行全局勘探，否则普通个体执行局部开发，完成种群进化，具体包括：当mod(t,2)=1，对普通个体执行全局勘探：对于第个普通个体，更新其对应的水下鱼群，其数学描述如下：；

11、式中，表示种群中排名前 p%的个体；对于第个普通个体，进行位置更新，生成新位置：；式中，表示[0,1]之间的随机数；表示在个个体对应的水下鱼群中随机选择个体的对应位置；表示第个个体在1或2中随机选择的参数；当mod(t,2)≠1，对普通个体执行局部开发：对于第个普通个体生成新位置，其数学表达式如下：

12、；

13、式中，、和表示[0,1]之间的随机数；和分别是从种群中随机选择的两个互不相等的个体，且、与互不相等；表示标准柯西分布；表示选择参数。

14、第二方面，本发明还提供了一种电子设备，包括：至少一个处理器；与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取高炉的高炉生产样本数据；对所述高炉生产样本数据进行数据处理，得到数据处理结果；基于bp神经网络和所述数据处理结果构建预测模型框架；采用iooa算法，对所述预测模型框架中的决策变量进行参数辨识，构建喷煤量预测模型。

15、第三方面，本发明提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的基于iooa-bp算法的高炉喷煤量预测方法。

16、本发明的有益效果为：

17、本发明构建了采用bp神经网络来预测当前工况下的高炉喷煤量的预测模型框架，然后采用iooa算法，对预测模型框架进行参数辨识，输出参数的最优值，根据参数的最优值构建喷煤量预测模型，提高了预测精准度，从而达到了降低生产成本、优化能源结构和环境负荷的目的。

技术特征：

1.一种基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，包括：

2.根据权利要求1所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，所述预测模型框架包括目标函数，所述目标函数为预测值与真实值误差最小，数学表达式为：

3.根据权利要求2所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，所述决策变量包括权值和阈值，所述目标函数的约束条件为权值的范围在[-1,1]之间，所述阈值的范围在[0,1]之间。

4.根据权利要求3所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，采用三层神经网络，初始化所述权值和所述阈值。

5.根据权利要求1至4中任一项所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，对所述高炉生产样本数据进行数据处理，得到数据处理结果，具体包括：

6.根据权利要求1至4中任何一项所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，采用iooa算法，对所述预测模型框架中的决策变量进行参数辨识，构建喷煤量预测模型，具体包括：

7.根据权利要求6所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，所述种群进化，具体包括：

8.根据权利要求7所述的基于iooa-bp算法的高炉喷煤量预测方法，其特征在于，对于普通个体，根据当前迭代次数t，当mod(t,2)=1，则普通个体执行全局勘探，否则普通个体执行局部开发，完成种群进化，具体包括：

9.一种电子设备，其特征在于，包括：

10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于iooa-bp算法的高炉喷煤量预测方法。

技术总结本发明属于冶金技术领域，公开了一种基于IOOA‑BP算法的高炉喷煤量预测方法、电子设备及存储介质，基于IOOA‑BP算法的高炉喷煤量预测方法包括：获取高炉生产样本数据；对高炉生产样本数据进行数据处理，得到数据处理结果；基于BP神经网络和数据处理结果构建预测模型框架；采用IOOA算法，对预测模型框架中的决策变量进行参数辨识，构建喷煤量预测模型。本发明建了采用BP神经网络来构建当前工况下的高炉喷煤量的预测模型框架，然后采用IOOA算法，对预测模型框架进行参数辨识，输出参数的最优值，根据参数的最优值构建喷煤量预测模型，提高了预测精准度。技术研发人员：黄欢,宁新泽,宋志刚,崔汝伟,董亚锋,朱勇,白璐受保护的技术使用者：山东浪潮智能生产技术有限公司技术研发日：技术公布日：2024/12/2