基于深度学习的钢铁企业蒸汽系统鲁棒预测方法

For iron and steel industry, effective steam resource utilization is vital component to reduce the energy consumption. This project focuses on the problem of the prediction of steam flow and pressure. Considering that there are massive noise data in steam system, this project intends to apply deep learning network to research how to achieve a robust prediction result for the steam system. The main research topics include: preprocessing technique of the steam system data; deep neural network based steam system predictive model; improvement and evaluation method on the noise robustness of the models. This research could provide data driven based robust prediction methods for complex industrial process, in which copious noisy data exists, thus to reduce the energy consumption and improve the economic effect.

钢铁企业蒸汽系统的能源有效利用对节能减排起着重大作用。目前，我国大型钢铁企业蒸汽系统普遍存在由流量及管网压力不平衡导致的能源成本过高的现象。本项目研究钢铁企业蒸汽系统流量及管网压力的预测问题。针对蒸汽系统数据中的高噪声信号特性，拟研究基于深度神经网络的鲁棒预测方法，实现钢铁工业蒸汽系统流量及管网压力鲁棒性预测的目标。研究内容包括：蒸汽系统的数据预处理技术；基于深度学习的蒸汽系统预测模型；深度模型对噪声的鲁棒性的改进方法和评估。本研究一方面可为面向高噪声的复杂工业过程数据提供基于数据驱动的预测方法，而且将为降低钢铁企业蒸汽系统的能耗、提高钢铁企业经济效益提供新的途径。

钢铁企业蒸汽系统的能源有效利用对节能减排起着重大作用。目前，我国大型钢铁企业蒸汽系统普遍存在由流量及管网压力不平衡导致的能源成本过高的现象。本项目研究钢铁企业蒸汽系统的预测调度问题。针对非周期性数据的粒度划分问题，提出了一种多层次数据自适应粒度化模型，为应用粒度计算提供基础；考虑到数据降维的需求，提出一种深度学习模型，实现工业蒸汽系统数据的有效降维。随后，针对含缺失点的数据集预测问题，分别提出一种双向回声状态网络和一种动态贝叶斯网络两阶段模型。最后，针对含噪声数据，提出一种融合去噪算法的深度核学习网络，可实现满足现场精度要求的产消趋势预测。本研究为降低钢铁企业蒸汽系统的能耗、提高钢铁企业经济效益提供了新的途径。