CN103045279B - 一种用于配煤系统的生产性能与能耗性能协同优化方法 - Google Patents

Abstract

本发明涉及一种用于配煤系统的生产性能与能耗性能协同优化方法，包括以下步骤：根据历史数据建立配合煤质量指标与生产性能、能耗性能的关系模型；根据满足生产要求的指标范围，由关系模型获取生产性能与能耗性能的协同优化模型；基于惩罚函数法和遗传算法对约束非线性协同优化模型设计约束处理策略和优化算法，获取优化的配合煤质量指标；基于优化的配合煤质量指标和关系模型，利用单因素敏感性分析方法可确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势。与现有技术相比，本发明满足生产性能要求，同时优化了能耗性能，可以根据配合煤质量指标分析对能耗性能的影响，进行配煤优化，为节能生产提供了支持，提高了经济效益。

Description

一种用于配煤系统的生产性能与能耗性能协同优化方法

技术领域

本发明涉及一种用于配煤系统的信息处理方法，尤其是涉及一种用于配煤系统的生产性能与能耗性能协同优化方法。 

背景技术

焦化工序是洗精煤转换成焦炭、焦炉煤气以及各种化学产品的过程，或认为是碳素流转化为固态焦炭和气态碳-氢化合物、液态碳-氢化合物的过程。配煤管理涉及到用适当比例配合不同类型的单种煤，以得到符合质量要求的配合煤。在稳定的炼焦条件下，焦炭的质量主要受配合煤质量的影响，而配合煤质量是由单种煤的质量和配煤比来决定。因此配煤过程控制的关键问题是确定精确的配合煤质量和单种煤配煤比以满足焦炭质量需求。全球变暖、能源价格上涨以及人们生态意识的提高已经把能效制造推上了议事日程，对于工业企业而言，将能效性能集成到生产管理中已十分必要。在配煤管理中，将能效性能集成到生产管理中成为钢铁企业的迫切需求。 

经过对现有技术的文献检索发现，配煤管理中的研究多集中在优化和控制配煤比，以实现节约优质炼焦煤和降低炼焦用煤成本的目的。在中国专利“一种冶金焦的配煤炼焦方法”(授权号CN1648205A)中，郑烈等提出一种利用动力煤和弱粘煤进行配煤炼焦的方法，扩大了炼焦用煤的煤种范围，利用非炼焦煤和劣质煤取代部分炼焦用煤，充分有效的利用了我国的煤炭资源，降低了炼焦成本。在中国专利“低成本炼焦配煤系统”(授权号CN102021007A)中，杜屏等提出了一种低成本炼焦配煤系统，可应用于控制焦化厂精确配煤和制定采购计划，可在煤炭质量、焦炭质量预测、煤炭价格、副产价格、煤炭储备和采购限制等条件下，得出满足焦炭质量要求和所有技术、仓储和采购限制条件的净成本最低的配煤方案，其优点是考虑了炼焦过程中产生的副产品对炼焦煤成本的影响，体现了前后单元相互关联和影响的系统思想。但已有相关研究中没有考虑配合煤质量对能耗性能的影响，缺少以 对能耗性能和生产性能的协同优化方法。 

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于配煤系统的生产性能与能耗性能协同优化方法，该方法可以将生产性能与能耗性能进行协同优化，提高配煤系统的经济效益。 

本发明的目的可以通过以下技术方案来实现： 

一种用于配煤系统的生产性能与能耗性能协同优化方法，包括以下步骤： 

1)根据历史数据建立配合煤质量指标与生产性能、能耗性能的关系模型； 

2)根据满足生产要求的指标范围，由关系模型获取生产性能与能耗性能的协同优化模型； 

3)基于惩罚函数法和遗传算法对约束非线性协同优化模型设计约束处理策略和优化算法，获取优化的配合煤质量指标； 

4)基于优化的配合煤质量指标和关系模型，利用单因素敏感性分析方法可确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，并根据该趋势对配煤系统进行协同优化。 

所述的配合煤质量指标包括全水分、灰分、挥发分、硫分、细度、胶质层指数、胶质层厚度和粘结性指数，记为x＝(x₁，x₂，...，x₈)；所述的生产性能包括灰分、硫分、抗碎强度、耐磨强度、反应性指数和反应后强度，记为y＝(y₁，y₂，...，y₆)；所述的能耗性能包括备煤、焦炉、熄焦和化产四个生产单元的工序总能耗，记为e＝(e₁，e₂，e₃，e₄)；所述的关系模型为net(x)＝(y，e)，其中net为神经网络集成模型； 

所述的神经网络集成模型net的具体建立过程为： 

1)设l为计数器，K为神经网络个体可以选取的隐含层神经元个数集合，S为所建神经网络个体集合，令l＝1，c为x₁维度，b为y₁的维度，计算  $K=\{\sqrt{b+c}+a|a=\mathrm{1,2},...,10\}=\{k_1|i=\mathrm{1,2},...,10\};$

2)若l＝10，则转4)；否则，从K中取出k_l作为三层神经网络个体N_l的隐含层神经元个数； 

3)从D中可重复取n个样本，令隐含层和输出层传递函数分别为正切S型传递函数和对数S型传递函数，训练算法采用L-M优化算法，训练神经网络个体N_l，并令S←S∪{N_l}，l←l+1，返回2)； 

4)从S中取出所有网络个体N_j，j＝1，2，...，10，令

步骤2)中首先根据历史数据得到生产要求的指标范围C＝(C₁，C₂)，则建立的协同优化模型为： 

$\min ,f\left(x\right)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{e}_i.$

s.t. C₁≤y≤C₂

所述的惩罚函数法为：统计历史数据，设定6个生产性能指标的数量级B＝(b₁，b₂，...，b₆)，然后根据非固定多阶段映射函数F(x)＝f(x)+δ(t)H(x)，将协同优化模型转化为无约束非线性优化模型，式中，δ(t)是非固定惩罚力度，t为搜索代数，H(x)是多阶段惩罚因子，并且： 

q_i(x)＝max{0，g_i(x)}   i＝1，2，...，6 

$r\left(q_i\left(\text{x}\right)\right)\text{=}\left\{\begin{array}{cc}1& q_i\left(x\right)<b_i\\ 2& q_i\left(x\right)\&GreaterEqual;b_i\end{array}\right.i=\mathrm{1,2},...,6;$

所述的遗传算法采用二进制编码，将历史数据转换到[0.2，0.8]，染色体长度L＝((log₂(0.8-0.2))／c+1)×8，其中c为编码精度，适应度函数fv＝1／F(x)＝1／(f(x)+δ(t)H(x))；采用单点交叉，从种群中选出两个个体，按照交叉概率P_c随机选择一个切点，将切点两侧分别看作两个子串，将右侧的子串分别交换得到两个新的个体；采用位点变异，子代基因按照变异概率P_m反转位值；采用正比选择策略，每个个体被选中进行遗传运算的概率为该个体的适应度和群体中所有个体适应度总和的比例，利用轮盘赌法来实现选择操作；采用最大进化代数方法，达到最大代数NG即对算法进行终止。 

步骤4)的具体过程为： 

41)从历史数据中获取配合煤质量指标的变动范围D＝(D₁，D₂)； 

42)基于优化的配合煤质量指标和关系模型，计算各个配合煤质量指标在可能的变动范围内发生不同幅度变动所导致的能耗性能的变动结果，并记录； 

43)从配合煤质量指标中确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，并根据该趋势对配煤系统进行协同优化。 

与现有技术相比，本发明在只考虑生产性能的传统配煤生产过程中，集成了能耗性能，满足了生产性能要求，同时优化了能耗性能，并可以根据配合煤质量指标 对能耗性能的影响，进行配煤优化，配煤系统的节能生产提供支持，提高了经济效益。 

附图说明

图1为本发明的流程框架图。 

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。 

实施例 

如图1所示，一种用于配煤系统的生产性能与能耗性能协同优化方法，以大型钢铁企业连续3个月一共89组生产数据为历史数据，采用该方法进行协同优化，具体包括以下步骤： 

步骤1，根据历史数据建立配合煤质量指标与生产性能、能耗性能的关系模型。其中，配合煤质量指标包括全水分、灰分、挥发分、硫分、细度、胶质层指数、胶质层厚度和粘结性指数，记为x＝(x₁，x₂，...，x₈)；生产性能包括灰分、硫分、抗碎强度、耐磨强度、反应性指数和反应后强度，记为y＝(y₁，y₂，...，y₆)；能耗性能包括备煤、焦炉、熄焦和化产四个生产单元的工序总能耗，记为e＝(e₁，e₂，e₃，e₄)；关系模型为net(x)＝(y，e)，其中net为神经网络集成模型。 

设l为计数器，K为神经网络个体可以选取的隐含层神经元个数集合，S为所建神经网络个体集合，则神经网络集成模型net的具体建立过程为： 

1)令l＝1，c为x₁维度，b为y₁的维度，计算{k_i|i＝1，2，...，10}； 

2)若l＝10，则转4)；否则，从K中取出k_l作为三层神经网络个体N_l的隐含层神经元个数； 

3)从D中可重复取n个样本，令隐含层和输出层传递函数分别为正切S型传递函数和对数S型传递函数，训练算法采用L-M优化算法，训练神经网络个体N_l，并令S←S∪{N_l}，l←l+1，返回2)； 

4)从S中取出所有网络个体N_j，j＝1，2，...，10，令

步骤2，根据满足生产要求的指标范围，由关系模型获取生产性能与能耗性能 的协同优化模型。由历史数据得到生产要求的指标范围C＝(C₁，C₂)，则建立的协同优化模型为： 

$\min ,f\left(x\right)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{e}_i$

s.t. C₁≤y≤C₂

在Matlab中实现上述建模方法，将我们准备的数据取出79组作为训练数据输入，即可得到关联模型。剩余10组检验该模型，测试结果如表1所示。本文所建关联模型可较好表达配合煤质量指标向量与焦炭质量指标向量和各个单元能耗性能的关联关系。基于此关系模型的生产性能与能耗性能的协同优化模型为： 

min f(x)＝e₁+e₂+e₃+e₄

s.t.g_i(x)＝y_i-C₂(i)≤0  i＝1，2 

g_i(x)＝C₁(i)-y_i≤0  i＝3，4，5，6 

表1配合煤质量指标与生产性能和能耗性能的关系模型的测试结果 

步骤3，基于惩罚函数法和遗传算法对协同优化模型进行优化，得到无约束非线性优化模型。其中，惩罚函数法为：统计历史数据，设定6个焦炭质量指标的数量级B＝(b₁，b₂，...，b6)，然后根据非固定多阶段映射函数F(x)＝f(x)+δ(t)H(x)，将协同优化模型转化为无约束非线性优化模型，式中，δ(t)是非固定惩罚力度，t为搜索代数，H(x)是多阶段惩罚因子，并且： 

q_i(x)＝max{0，g_i(x)}  i＝1，2，...，6 

$r\left(q_i\left(\text{x}\right)\right)\text{=}\left\{\begin{array}{cc}1& q_i\left(x\right)<b_i\\ 2& q_i\left(x\right)\&GreaterEqual;b_i\end{array}\right.i=\mathrm{1,2},...,6;$

而所述的遗传算法具有以下特征： 

1)个体编码解码，采用二进制编码，将历史数据转换到[0.2，0.8]，染色体长度L＝((log₂(0.8-0.2))／c+1)×8，其中c为编码精度； 

2)适应度函数，协同优化模型的目标函数是相关单元系统总能耗minf(x)＝∑e最低，但是经过惩罚函数法的约束处理之后，优化模型的目标函数变为minF(x)＝f(x)+δ(t)H(x)，因此适应度函数应为则fv＝1／F(x)＝1／(f(x)+δ(t)H(x))； 

3)交叉操作，采用单点交叉，对种群中的两个个体P₁，P₂，按照给定的交叉概率PC，生成随机数r1∈(0，1)若r1<PC，则产生另一个随机数cpoint＝ceil(r2*(L-l))，其中r2∈(0，1)是随机数，ceil(x)取靠近x的整数中较大的一个，将cpoint看做P₁，P₂一个切点，将切点两侧分别看作两个子串，将右侧的子串分别交换得到两个新的个体P₁′，P₂′； 

4)变异操作，采用位点变异，对种群中的个体P_i，按照给定的变异概率PM，生成随机数r1∈(0，1)若r1<PM，则产生一个随机数rpoint＝ceil(rand*(L-l))，将个体P_i中第rpoint点的位置进行反转，即0-1互换，得到新的个体

5)选择策略，采用正比选择策略，选择种群中的个体进行交叉和变异操作。对于每个个体P_i，其适应值fv_i，则其选择概率令，采用旋轮法实现选择操作，共转轮NP次，每次转轮时，生成随机数r1∈(0，1)，若PP_i-1≤r1<PP_i，则选择个体P_i； 

6)停止准则，采用最大进化代数方法，达到最大代数NG即对算法进行终止。 

在Matlab中实现上述优化方法，令交叉概率PC和变异概率PM分别为0.9和0.04，编码精度Pr为0.001，种群数NP为100，最大进化代数NG为200，多次运行程序，求得能效性能最低值为80.538kgce／t，低于样本数据的最低值，其对应的配合煤质量和焦炭质量如表2所示。 

表2合理的配合煤质量及对应的焦炭质量 

步骤4，根据约束非线性优化模型，从配合煤质量指标中确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，并根据该趋势对配煤系统进行协同优化，具体包括以下过程： 

1)选择需要分析的不确定因素，即配合煤质量指标x＝(x₁，x₂，...，x₈)，并从历史数据中统计出这些因素的变动范围D＝(D₁，D₂)，确定分析的评价指标，即能耗性能  $f\left(x\right)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{e}_i;$

2)基于优化的配合煤质量指标和关系模型，计算各指标在可能的变动范围内发生不同幅度变动所导致的能耗性能的变动结果，并用表的形式表示出来，给定配合煤质量指标变动百分数Δ，则对x_i的第k次敏感性分析步骤如下：令x_ik←x_i*(1±k*Δ)，于是x^k＝(x⁰ ₁，x⁰ ₂，...，x^k _i，...，x⁰ _m1)，令net(x_i ^k)＝(y₂，y₂，...，y_m2，e₁，e₂，e₃，e₄)计算f(x^k _i)＝∑e； 

3)从配合煤质量指标中确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，本实施例中，我们得到配合煤质量中单个指标在给定变动率下对应的能效性能，见表3。可以看出，全水分和胶质层指数影响最小，灰分和细度影响最大，能耗性能随着灰分、细度和粘结性指数的增大而逐渐降低，随着硫分和胶质层指数的增大而逐渐升高。通过这些因素对于能耗性能的影响该趋势，可以对配煤系统进行协同优化。 

表3配合煤质量变动对能耗性能的影响 

Claims (1)

1.一种用于配煤系统的生产性能与能耗性能协同优化方法，其特征在于，包括以下步骤：

1）根据历史数据建立配合煤质量指标与生产性能、能耗性能的关系模型；

2）根据满足生产要求的指标范围，由关系模型获取生产性能与能耗性能的协同优化模型；

3）基于惩罚函数法和遗传算法对约束非线性协同优化模型设计约束处理策略和优化算法，获取优化的配合煤质量指标；

4）基于优化的配合煤质量指标和关系模型，利用单因素敏感性分析方法可确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，并根据该趋势对配煤系统进行协同优化；

所述的配合煤质量指标包括全水分、灰分、挥发分、硫分、细度、胶质层指数、胶质层厚度和粘结性指数，记为x=(x₁,x₂,...,x₈)；所述的生产性能包括灰分、硫分、抗碎强度、耐磨强度、反应性指数和反应后强度，记为y=(y₁,y₂,...,y₆)；所述的能耗性能包括备煤、焦炉、熄焦和化产四个生产单元的工序总能耗，记为e=(e₁,e₂,e₃,e₄)；所述的关系模型为net(x)=(y,e)，其中net为神经网络集成模型；

所述的神经网络集成模型net的具体建立过程为：

1）设l为计数器，K为神经网络个体可以选取的隐含层神经元个数集合，S为所建神经网络个体集合，令l=1，c为x₁维度，b为_y1的维度，计算 $K=\{\sqrt{b+c}+a|a=\mathrm{1,2},...,10\}=\{K_i|i=\mathrm{1,2},...10\};$

2）若l=10，则转4）；否则，从K中取出k_l作为三层神经网络个体N_l的隐含层神经元个数；

3）从D中可重复取n个样本，令隐含层和输出层传递函数分别为正切S型传递函数和对数S型传递函数，训练算法采用L-M优化算法，训练神经网络个体N_l，并令S←S∪{N_l},l←l+1,返回2）；

4)从S中取出所有网络个体N_j,j=1,2,...,10，令

步骤2）中首先根据历史数据得到生产要求的指标范围C=(C₁,C₂)，则建立的协同优化模型为：

$\begin{array}{cc}\min & f\left(x\right)=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{e}_i;\end{array}$

s.t.C₁≤y≤C₂

所述的惩罚函数法为：统计历史数据，设定6个生产性能指标的数量级B=(b₁,b₂,...,b₆)，然后根据非固定多阶段映射函数F(x)=f(x)+δ(t)H(x)，将协同优化模型转化为无约束非线性优化模型，式中，δ(t)是非固定惩罚力度，t为搜索代数，H(x)是多阶段惩罚因子，并且：

q_i(x)=max{0,g_i(x)}    i=1,2,...,6

$r\left(q_i\left(x\right)\right)=\left\{\begin{array}{cc}1& q_i\left(x\right)<b_i\\ 2& q_i\left(x\right)\&GreaterEqual;b_i\end{array}\right.i=\mathrm{1,2},...,6;$

所述的遗传算法采用二进制编码，将历史数据转换到[0.2,0.8],染色体长度L=((log₂(0.8-0.2))/c+1)×8，其中c为编码精度，适应度函数fv=1/F(x)=1/（f(x)+δ(t)H(x)）；采用单点交叉，从种群中选出两个个体，按照交叉概率P_c随机选择一个切点，将切点两侧分别看作两个子串，将右侧的子串分别交换得到两个新的个体；采用位点变异，子代基因按照变异概率P_m反转位值；采用正比选择策略，每个个体被选中进行遗传运算的概率为该个体的适应度和群体中所有个体适应度总和的比例，利用轮盘赌法来实现选择操作；采用最大进化代数方法，达到最大代数NG即对算法进行终止；

步骤4）的具体过程为：

41）从历史数据中获取配合煤质量指标的变动范围D=(D₁,D₂)；

42）基于优化的配合煤质量指标和关系模型，计算各个配合煤质量指标在可能的变动范围内发生不同幅度变动所导致的能耗性能的变动结果，并记录；

43）从配合煤质量指标中确定影响能耗性能的敏感因素以及能耗性能随所述敏感因素变化的趋势，并根据该趋势对配煤系统进行协同优化。