此处选取中国某钢厂能源中心转炉副产煤气系统管网中的煤气柜以及可调整消耗用户数据序列,所有序列选取某年4月2日21:58至4月9日8:05间的10660个数据实验,该仿真数据由工业现场的数据采集系统连续采集,其采样间隔为1分钟。
Bayesian网络结构学习及推理是计算在数据结果出现异常的情况下,父代节点所有可能取值的后验概率。因此本文在煤气柜位实际调整点处去掉调整量后做预测得到现实的存在异常柜位数据。具体做法为:首先在煤气柜数据序列中显示的实际调整点,去掉己经被调整过的可调用户的调整量,联合所有用户采用基于神经网络的方法完成柜位的因素模型预测[I4],模拟得到工业现场未经过调整的柜位序列值,即存在异常的柜位数据,图中实线部分为实际中经过人工调整后的柜位值,虚线部分为去掉调整量后模拟出现异常情况的实验用数据。由图可见,若不对用户进行调度,煤气存储柜很有可能出现超出安全上限或低于安全下限情况(此处煤气存储柜位上限为250Km3/h,下限为100Km3/h),造成生产及安全隐患。