基于数据的高炉煤气受入量的预测

发布时间：2021-08-25 00:37

　　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... 

【文章来源】：天津工业大学天津市

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景
    1.2 国内外研究现状
    1.3 本文主要内容
第二章 高炉煤气系统背景介绍
    2.1 钢铁冶金的生产流程简介
        2.1.1 炼铁工艺
        2.1.2 炼钢工艺
    2.2 高炉煤气的产耗分析
        2.2.1 高炉煤气的产生
        2.2.2 高炉煤气系统供需分析
        2.2.3 高炉煤气受入量分析
    2.3 本章小结
第三章 基于经验模态分解的数据处理方法
    3.1 传统的数据滤波方法
    3.2 经验模态分解的基本理论
        3.2.1 经验模态分解
        3.2.2 集合经验模态分解
    3.3 带有自适应噪声的集合经验模态分解
    3.4 模态分解中的停止准则
    3.5 一种基于EMD分解的去噪方法
        3.5.1 EMD去噪法
        3.5.2 改进的EMD去噪法
        3.5.3 改进的EEMDAN去噪法
        3.5.4 去噪仿真
    3.6 本章小结
第四章 高炉煤气受入量预测方法
    4.1 常用的数据预测方法
    4.2 神经网络介绍
        4.2.1 BP神经网络
        4.2.2 RBF神经网络
    4.3 实验
        4.3.1 RBF预测模型
        4.3.2 基于EEMD的RBF预测模型
        4.3.3 基于EEMDAN的RBF预测模型
        4.3.4 基于改进EEMDAN的DRBF预测模型
    4.4 预测模型的测试与评价
    4.5 本章小结
第五章 总结与展望
参考文献
发表论文和参加科研情况
致谢



本文编号：3361034