非平穩(wěn)時序建模技術及其在高爐狀態(tài)預測中的應用研究.pdf

1、準確預測高爐冶煉過程中的各種狀態(tài)是有效控制高爐的前提。目前許多基于神經(jīng)網(wǎng)絡的高爐狀態(tài)預測系統(tǒng)，對大部分爐況變化平穩(wěn)條件下的狀態(tài)預測已達到了很高的準確率。但是對于爐況波動劇烈的情況，基于神經(jīng)網(wǎng)絡的預測系統(tǒng)存在預測準確率顯著下降的問題，而爐況波動下的準確預測對于調(diào)整高爐的狀態(tài)、避免異常爐況具有重要的意義。因此，本論文針對這一在高爐生產(chǎn)中亟需解決的問題展開研究，重點研究和解決高爐狀態(tài)預測中關注較多的高爐熱狀態(tài)，即鐵水含硅量的預測問題。

2、 高爐鐵水含硅量預測可以歸結為時間序列直接多步預測問題。由于高爐冶煉過程是不斷地在正常爐況和異常爐況之間轉(zhuǎn)換的連續(xù)非線性動態(tài)生產(chǎn)過程，內(nèi)部的物理化學變化十分復雜，數(shù)據(jù)呈現(xiàn)非常明顯的非線性非平穩(wěn)變化特征。因此，本論文將研究重點放在非線性非平穩(wěn)時間序列預測中的若干關鍵問題上，探討了基于支持向量回歸的預測方法，針對支持向量回歸建模中的一系列關鍵問題提出了新的解決方案，并將其應用在高爐鐵水含硅量預測上，取得了很好的效果。具體研究內(nèi)容包括：非線性

3、時間序列預測建模方法選擇的研究，面向時間序列預測的支持向量回歸模型的研究，支持向量回歸建模參數(shù)選擇方法的研究，非線性時間序列相空間重構方法的研究，基于EMD(Empirical Mode Decomposition)的非平穩(wěn)時間序列預測建模研究，基于組合SVR(Support Vector Machines forRegression)的非線性時間序列模糊建模方法研究，基于二維分解的非線性非平穩(wěn)時間序列預測建模方法研究，以及非線性非平穩(wěn)

4、時間序列預測建模方法在高爐鐵水含硅量預測中的應用研究。 在非線性時間序列預測方法選擇的研究中，對于被普遍采用的神經(jīng)網(wǎng)絡建模方法和新近出現(xiàn)的支持向量機方法，在小樣本擬合與預測能力、泛化推廣能力、多步預測能力、全局最優(yōu)性能以及模型參數(shù)選擇等方面進行了詳細的分析與比較，充分闡明了基于支持向量回歸方法來進行非線性非平穩(wěn)時序預測和爐況波動情況下的鐵水含硅量預測的理由和依據(jù)。 在面向時間序列預測的支持向量回歸模型的研究中，針對時間序

5、列數(shù)據(jù)的特點，對傳統(tǒng)的支持向量回歸模型進行了改進，給出了改進的支持向量回歸機的目標函數(shù)及優(yōu)化問題描述，并提出一種按照距待測點距離進行指數(shù)加權的模型參數(shù)加權方法。在支持向量回歸建模的參數(shù)選擇方法研究中，在分析了現(xiàn)有支持向量機參數(shù)選擇方法的基礎上，提出了一種ε-力口權支持向量回歸機與改進的交叉驗證方法相結合的SVR參數(shù)選擇方法。 在非線性時間序列相空間重構方法的研究中，針對目前非線性時間序列相空間重構中存在的問題，提出一種基于核主成

6、分分析與相關分析相結合的相空間重構方法，解決了非線性時間序列建模前的特征選擇與抽取問題。 在基于EMD的非平穩(wěn)時間序列預測建模研究中，針對時間序列的非平穩(wěn)特征，提出了一種基于經(jīng)驗模式分解的建模方法，并進一步提出對于分量預測結果進行SVR組合的方法。 在基于組合SVR的非線性時間序列模糊建模方法研究中，針對時間序列數(shù)據(jù)隨時間變化不一致的特性，提出了一種基于模糊分塊的多SVR組合建模方法，并進一步將模糊分塊的信息與ε-加權支

7、持向量回歸機有機地結合起來，提出一種ε加權方法。 在基于EMD預測建模和基于組合SVR的模糊建模的基礎上，進一步提出基于二維分解的非線性非平穩(wěn)時間序列預測建模方法，并提出了一種局部時序數(shù)據(jù)相似性匹配的測度和算法，闡明了基于這種二維分解模型進行預測的方法和步驟。 最后，在對現(xiàn)場采集的高爐數(shù)據(jù)進行預處理的基礎上，將上面提出的非線性非平穩(wěn)時間序列預測建模中的一系列解決方案和方法應用于高爐鐵水含硅量預測，并與其它的鐵水含硅量預測