基于时序模型的高炉煤气发生量多步预测对比

摘要：

为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量.对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了 30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.057 0,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.042 8,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.069 4,LSTM模型为0.094 0.结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.060 1,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散.

关键词：高炉煤气预测、时序预测、长短记忆模型、季节性差分自回归移动平均、多步预测

所属期刊栏目：57

分类号：TP391;TP183;F224

资助基金：国家重点研发计划2020YFB1711100

在线出版日期：2022-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：166-172