作者：石琳1, 刘文慧2, 曹富军1, 王晋建2
作者单位：1. 内蒙古科技大学理学院，内蒙古 包头 014010;
2. 内蒙古科技大学信息与工程学院，内蒙古 包头 014010
关键词：煤气利用率预测;快速傅里叶变换;ceemdan;lstm;svm
摘要：
煤气利用率是高炉炉况稳定和耗能的重要指标之一。为提高煤气利用率的预测精度，提出一种基于ceemdan-svm-lstm的组合模型对其进行预测。首先利用ceemdan(自适应噪声完备集合经验模态分解)将煤气利用率时间序列分解成6个模态量和一个趋势分量，对煤气流利用率的发展进行解耦；然后用lstm(长短时间记忆人工神经网络)和svm(支持向量机)分别对分解的高频模态和低频模态进行预测，最后将模型组合建立原始煤气利用率的组合预测模型。结果表明该组合模型的mae(平均绝对误差)、mape（平均绝对百分比误差)、rmse（均方根误差)和mse（均方误差）分别为0.14、3.5%、0.18、0.032。与单一的svm模型和lstm预测模型对比，组合模型的精度更高。
combined forecast of blast furnace gas utilization rate based on ceemdan-svm-lstm
shi lin1, liu wenhui2, cao fujun1, wang jinjian2
1. school of science, inner mongolia university of science and technology, baotou 014010, china;
2. school of information and engineering, inner mongolia university of science and technology, baotou 014010, china
abstract: the gas utilization rate is one of the important parameters for the stability and energy consumption of the blast furnace. in order to improve the accurate prediction of gas utilization rate, a combined model based on ceemdan-svm-lstm is proposed to predict it. first, ceemdan (complete ensemble empirical mode decomposition with adaptive noise) algorithm is used to decompose the gas utilization rate time series into 6 modal components and a trend component, which decouples the development of the gas flow utilization rate. additionally, lstm (long short-term memory) and svm (support vector machine) are predicted to the decomposed high-frequency mode and low-frequency mode respectively, and finally combine the models to establish a complex prediction model of the original gas utilization rate. the results showed that the mae (mean absolute error), mape (mean absolute percentage error), rmse (root mean square error), and mse (mean square error) of the combined model are 0.14, 3.5%, 0.18 and 0.032, respectively. compared with the single svm and the lstm prediction model, the combined model has higher accuracy.
keywords: gas utilization rate prediction;fast fourier transform;ceemdan;lstm;svm
2023, 49(1):86-91 收稿日期: 2021-04-24;收到修改稿日期: 2021-07-18
基金项目: 国家自然科学基金资助项目（11801287）；内蒙古自然科学基金资助项目（ 2020ms06010）；内蒙古自治区青年科技英才支持计划项目（njyt20b15）；鹿城英才高校专业技术人才基金项目（0701012003）
作者简介: 石琳(1964-),女,内蒙古包头市人,教授,主要从事高炉炼铁建模和控制,机器学习
参考文献
[1] 刘颖, 赵珺, 王伟, 等. 基于数据的改进回声状态网络在高炉煤气发生量预测中的应用[j]. 自动化学报, 2009, 35(6): 731-738
[2] 李志刚, 纪月, 任雄朝. 基于lstm与arima组合模型的高炉煤气产生量预测[j]. 铸造技术, 2018, 39(11): 2456-2460
[3] 孙雪莹, 胡静涛, 王卓, 等. 基于自适应遗忘因子极限学习机的高炉煤气预测[j]. 计算机测量与控制, 2017, 25(7): 235-238
[4] 王军, 袁大明. 基于神经网络的高炉煤气消耗预测模型研究[j]. 科技与企业, 2013(9): 108-109
[5] 石琳, 刘文磊, 李江鹏, 等. 基于高炉炉喉煤气分布的煤气利用率预测模型[j]. 内蒙古科技大学学报, 2016, 35(2): 121-125
[6] 李志刚, 任雄朝, 纪月. 基于pso-bp神经网络的高炉煤气受入量的预测[j]. 现代电子技术, 2019, 42(13): 134-136
[7] 张琦, 李鸿亮, 赵晓宇, 等. 高炉煤气产生量与消耗量动态预测模型及应用[j]. 哈尔滨工业大学学报, 2016, 48(1): 101-106
[8] han z y, liu y, zhao j, et al. real time prediction for converter gas tank levels based on multi-output least square support vector regressor[j]. control engineering practice, 2012(20): 1400-1409
[9] zhang x p, zhao j, wang w, et al. an optimal method for prediction and adjustment on by product gas holder in steel industry[j]. expert systems with applications, 2011(38): 4588-4599
[10] 徐化岩, 马家琳. 基于数据驱动的高炉煤气复合预测模型[j]. 中国冶金, 2019, 29(7): 56-60
[11] 张鑫, 李志刚. emd-lssvm模型预测高炉煤气产生量[j]. 网络安全技术与应用, 2020(1): 58-60
[12] 王晓东, 宁静, 陈春俊. 1d cnn和lstm高速列车横向稳定性状态识别研究[j]. 中国测试, 2020, 46(11): 25-30
[13] 琚春华, 陈冠宇, 鲍福光. 基于knn-smote-lstm的消费金融风险检测模型——以信用卡欺诈检测为例[j]. 系统科学与数学, 2021, 41(2): 481-498
[14] 陶思铭, 梁忠民, 陈在妮, 等. 长短期记忆网络在中长期径流预报中的应用[j]. 武汉大学学报(工学版), 2021, 54(1): 21-27
[15] 胡城豪, 胡昌华, 司小胜, 等. 基于mscnn-lstm的滚动轴承剩余寿命预测方法[j]. 中国测试, 2020, 46(9): 103-110
