(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202011384625.4 (22)申请日 2021.02.09 (71)申请人 上海梅山钢铁股份有限公司 地址 210039 江苏省南京市雨 花台区中华 门外新建 (72)发明人 王自龙　闫磊　成太祥　嵇金龙　 狄春涛　吴先吉　 (74)专利代理 机构 南京同泽专利事务所(特殊 普通合伙) 32245 专利代理师 闫彪 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 113/08(2020.01) (54)发明名称 一种基于缺失数据的煤气发生 量预测方法 (57)摘要 本发明涉及一种基于缺失数据的煤气发生 量预测方法， 涉及数据编码系统。 本发明包括以 下步骤： 步骤一、 采集钢铁企业制造部门的生产 信息和能源管理部门的煤气信息； 步骤二、 对采 集到的数据进行去噪， 并对数据进行归一化处 理： 步骤三、 对缺失数据进行填补； 步骤四、 利用 现有的历史数据构造特征空间： 步骤五、 使用可 加自回归模型对现有的数据进行预测： 步骤六： 进入预测阶段。 本发明充分考虑了现在和未来数 据的信息， 提高了数据使用效率， 即使在少量缺 失数据下也能得到可靠的煤气发生 量预测。 权利要求书3页 说明书10页 附图2页 CN 114912335 A 2022.08.16 CN 114912335 A 1.一种基于缺失数据的煤气发生 量预测方法， 其特 征在于包括以下步骤： 步骤一、 采集钢铁企业制造部门的生产信息和能源管理部门的煤气信息， 所述生产信 息包括各工序和生产线的生产量、 生产周期内的设备检修记录， 所述煤气信息包括能源介 质的消耗、 回收和放散数据； 步骤二、 对 采集到的数据进行去噪， 并对数据进行归一 化处理： 具体步骤为： 把数据由小至大排列， 处于数据1/4及3/4的数据， 称为数据的1/4分位数 与3/4分位数， 分别记为q0.25与q0.75， int＝q0.75‑q0.25； 如果数据不属于 区间[q0.25‑1.5int,q0.75+1.5int]， 识别 为异常数据点， 把所述异常数 据点从数据中剔除； 对数据进行归一 化： xi代表表1中的每一列中的一个数据， xmin代表对应列数据变化的最小值， xmax代表对应 列数据变化的最大值； 步骤三、 对缺失数据进行填补， 从而使收集到的煤气数据 更加完整， 使用BP神经网络由 历史数据对现有的缺失数据进 行预测， 使用BP神经网络由未来数据对现有的缺失数据进 行 预测， 使用双向核光滑的方法对两组数平 滑， 生成缺失数据的填补； 步骤四、 利用现有的历史数据构造特 征空间： 第i组数据的输入变量 为： 第i组比变量的输出为yi； 步骤五、 使用可加自回归 模型对现有的数据进行 预测： 所述自回归 模型如下： 其中fm(·)为未知函 数m＝1,...,d， βti‑s， t＝1,...,d， s＝1,...,kt与α， αl， l＝1,...,k 为未知参数； 步骤六： 进入预测阶段， 输入要预测的工序或产线未来计划期内的计划产量和影响因 素的值， 运行运用可加自回归模型算法， 得到算法的输出值， 输出值为工序或产线的高炉煤 气发生量。 2.根据权利要求1所述的基于缺失数据的煤气发生量预测方法， 其特征在于： 所述步骤 三中， 填补具体步骤如下： 建立前馈神经 网络模型， nl表示网络的层数， 第一层为输入值， 最后一层为输出值， sl表 示第l层神经元的个数， f( ·)表示的是激 活函数， 表示第l层到第l+1层的权 重矩阵， 表示第l层到第l+1层的偏置， 表示第l层的输入， 表示第l层中权　利　要　求　书 1/3 页 2 CN 114912335 A 2第i个神经 元的输入， 表示第l层的输出， 其中 表示第l层中第i个神经 元的输出； 每个神经元的表达式如下： 向前传播的步骤如下 需要利用数据训练， 求出相应的权重矩阵及偏置向量， 采用反向传播算法给定样本容 量为n的样本训练集， 目标函数为： 采用梯度下降算法极小化目标函数J(W,b)： 则前馈神经网络算法如下： 进行前馈传导计算， 利用向前传导公式， 得到 的激活值， 对输出层(第nl层)， 计算： 对于l＝nl‑1,nl‑2,nl‑3,…,2的各层， 计算： δ(l)＝(W(l)Tδ(l+1))·f′(z(l))； 计算最终需要的偏导数值： 权　利　要　求　书 2/3 页 3 CN 114912335 A 3