CN103135444A - 一种钢铁生产能耗免疫预测控制模型 - Google Patents

Abstract

一种钢铁生产能耗免疫预测控制模型，建立基于粗集-免疫预测控制的能耗成本预测模型，利用克隆选择算法实现滚动优法，避免了求解Diophantine方程及逆矩阵。在预测模型直接采用非线性自回归滑动平均模型。基于免疫反馈调节原理，并根据控制对象采用非线性自回归滑动平均模型，对控制反馈误差为优化性能指标，利用基于免疫克隆的进化计算来实现滚动优法，设计了基于免疫参数辨识的预测控制器，避免了求Diophantine方程及逆矩阵，在线优化相对增益参数及时滞参数

Description

一种钢铁生产能耗免疫预测控制模型

技术领域

本发明涉及钢铁生产管理系统，具体为一种钢铁生产能耗免疫预测控制模型。

背景技术

钢铁产业属于能源密集型产业，我国钢铁行业的能源消耗量约占全国能耗总量的15%，钢铁企业能耗水平与国际先进水平相比差距在10%-15%，高能耗、高成本、高污染制约了我国钢铁工业的发展，目前，造成我国钢铁行业能耗高的原因主要包括：1、钢铁生产流程长、能源及工序过程复杂，现场数据信息多元化且难以检测和利用；2、能耗统计模型差异化，评价数据来源复杂，造成能耗计量误差；3、缺乏对能耗机理的深入分析，能耗控制困难；4、缺乏先进管理思想与智能预测方法来对能源使用的指导，能源利用率不高。虽然针对复杂工业生产过程的能耗建模研究已取得较大进展，在企业生产成本控制方法和策略方面研究也比较成熟，但大多数集中在生产成本、作业成本等方面。具体到能耗结构及能耗成本控制方面的深入研究较少，尤其在钢铁企业能耗成本控制与管理策略方面突出成果还比较匮乏，概况起来主要有以下一些问题：

（1）工业生产中的过程能源计量存在动态、不完整、异构数据信息，其异构和动态特性导致能耗模型不稳定，缺乏适应性。

（2）能耗模型结构较单一，导致能耗成本结构不全面，影响整体评估和成本控制效果。

（3）企业大部分采用构成法估算成本，存在影响成本的指标体系构建不科学、成本预测方法求得的结果往往不能令人满意等问题。

（4）传统的建模预测方法，局限于差分方程和离散模型，反映事物的短过程。在实际生产过程中，影响因素多，时间周期有长，并时有突发事件，因而采用传统方法则难以准确预测钢铁生产过程中能耗动态问题，且预测结果一般为非动态、不完全成本。

发明内容

本发明所解决的技术问题在于提供一种钢铁生产能耗免疫预测控制模型，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

一种钢铁生产能耗免疫预测控制模型，其中免疫预测控制通过预测模型，利用免疫进化策略寻找最优控制量，设预测时域为                                                

，控制时域为

，一般地，设被控对象为：

  （1）

其中u，y，

分别为系统的输入和输出和扰动矢量，p和q分别为和

的阶次，

为线性或非线性函数；根据

和

一系列观测值，通过免疫预测建立输入与输出之间的非线性映射关系，并通过免疫实现滚动优化，基于克隆选择的免疫预测控制通过预测模型，利用克隆选择算法寻找最优控制量，设预测时域为P，控制时域为L，具体实现方法如下：

第一步：抗原与抗体定义及编码：将目标函数作为抗原，预测时域P内的P步控制增量

作为抗体，采用浮点数编码；

第二步：初始化：初始时必须选取合适的算法参数并对抗体初始化，由于抗体是对控制增量编码，可以采用全零初始化或采用式（2）对抗体初始化；

         （2）

算法主要包括下面参数：

抗体规模N，抗体种群的大小，一般选20~40；

抗体选择率ps，在种群中选取参与克隆的优良抗体的比例；取50%~70%；

最大克隆数目

，抗体最大复制数量，取5~10；

变异概率pm，取0.01~0.1；

最大变异率

，取0.1~0.5；

死亡率per，被淘汰重新初始化抗体所占比率，取0.1~0.3； 

第三步：目标函数：对于能耗问题，可以将多目标控制要求转换为一个求最小值的多目标函数；一般情况下，要求快速跟踪给定轨迹并且超调尽可能小，控制量尽量平滑，可以采用式（3）的二次目标函数； 

   （3）

式中：

           

为输入输出维数，

为预测时域，

误差系数，

控制系数，

控制参考轨迹，

模型预测值由预测模型求得，误差修正后的预测值，

预测误差；本算法能适应各种预测模型表达式，具有较好的通用性；

第四步：约束条件的处理：在预测的免疫优化中，对于控制增量的边界约束条件可通过限制抗体编码中基因取值范围来实现；对其它约束采用罚函数法来实现；采用罚函数法就是在生成个体时不考虑约束条件，而在目标函数上添加一个惩罚项，将原来的约束问题变成了无约束问题,如式（4）所示；每个约束条件构成一个罚函数

，x为约束条件的自变量；罚函数的选择必须根据约束条件类型来选取；

      （4）

第五步：亲和力函数：抗体与抗原之间的亲和力反映抗体与抗原之间的匹配程度，亲和力越高的抗体对应的预测控制量越满足控制要求，抗体与抗原亲和力函数定义如式（5）所示；当目标函数值J→0时，

→1；J→∞,→0；

                 （5）

第六步：抗体克隆：根据每个抗体可以计算出其对应的、

、J及亲和力aff，从群体中选择

个亲和力较高的优良个体进行克隆；为了充分利用优良个体，加快收敛速度，采用自适应克隆方法，即抗体越优良，克隆越多，个体克隆规模由式（6）计算；

                   （6）

 第七步：抗体变异

以变异概率pm来选择克隆后的子群体的基因，对被选中的基因进行变异操作，计算自适应变异率，按式（7）进行变异操作

       （7）              

第八步：抗体的选择：重新计算克隆变异后的每个子抗体的

、

、J及亲和力aff，选择亲和力更好的子体替代原有抗体；

第九步：抗体的淘汰：在抗体集中选择

个抗体，将其淘汰而重新初始化；

第十步：终止条件：当达到设定的运行代数或者连续10代最好个体的亲和力不再变化时，停止寻优，将最佳个体对应的长度为L（控制时域）的控制量用式（8）平滑处理后输出；

 （8）

式中， 

为最佳抗体基因对应的控制矢量，

实际控制矢量，为权系数。

有益效果：本发明以钢铁工业生产过程能耗结构建模及能耗成本控制问题为目标，提出工序能耗结构及能耗成本指标量化方法，建立生产能耗成本免疫预测控制模型，该模型基于免疫反馈调节原理，并根据控制对象采用非线性自回归滑动平均模型，对控制反馈误差为优化性能指标，利用基于免疫克隆的进化计算来实现滚动优法，设计了基于免疫参数辨识的预测控制器，避免了求Diophantine方程及逆矩阵，在线优化相对增益参数及时滞参数，弱化了模型误差对系统控制的影响。解决钢铁生产过程能源、动力介质多源、异类等问题进行模型及指标量化、约简处理，建立基于粗集-免疫预测控制的能耗成本预测模型，利用克隆选择算法实现滚动优法，避免了求解Diophantine方程及逆矩阵。在预测模型直接采用非线性自回归滑动平均模型。基于免疫反馈调节原理，并根据控制对象采用非线性自回归滑动平均模型，对控制反馈误差为优化性能指标，利用基于免疫克隆的进化计算来实现滚动优法，设计了基于免疫参数辨识的预测控制器，避免了求Diophantine方程及逆矩阵，在线优化相对增益参数

 及时滞参数

 ，弱化了模型误差对系统控制的影响。

附图说明

图1为本发明免疫预测控制器结构。

图2为本发明抗体编码。

图3为本发明分层体系能量结构分析。

图4为本发明能耗成本指标量化模型。

图5为本发明能耗成本预测控制模型。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明。

实施例1

参见图1、图2、图3、图4、图5，一种钢铁生产能耗免疫预测控制模型免疫预测控制器结构、一种钢铁生产能耗免疫预测控制模型抗体编码、一种钢铁生产能耗免疫预测控制模型分层体系能量结构分析、一种钢铁生产能耗免疫预测控制模型能耗成本指标量化模型、一种钢铁生产能耗免疫预测控制模型能耗成本预测控制模型，首先分析生产过程中各工序环节能量传递及消化机理，建立总流程-局部流程-工序流程的分层体系，常用于宏观能耗分析的能量密度分解模型应用分层能量结构中，考虑到吨钢综合能耗是各工序钢比系数(物质流因素) 与工序能耗(能量流因素) 的乘积之和，利用能量密度分解分解方法,将吨钢综合能耗的变化分解为钢比系数的变化和工序能耗的变化:，从而抽出能量流的能耗结构模型进行分析,以寻找哪些工序能耗变化对能源传递和转换造成了不利影响，根据能耗分层体系，得出钢铁生产过程能耗成本构成，应用粗集理论-免疫优化，对所得指标进行量化、分析和优选，寻找能耗影响指标及能耗瓶颈，定量地描述各个因素对能耗的影响大小。针对能源传递、转换及能耗监测过程中信息的不完备性，应用不确定测度描述和粗糙集中不完备信息描述相结合的方法，对获得的数据进行预处理，以建立一个具有一定测度的相对完备和约简的信息集合。在此基础上，针对多源异类数据的特点，研究基于仿生智能的软计算方法，如人工免疫、蚁群及模糊逻辑等机器学习方法，建立多传感器关联模型；采用粗糙集理论，在启发式专家规则的指导下，进行数据融合，以消除数据之间存在互补、冗余甚至矛盾的现象，提高数据的精度和可信度。引入粗集理论及免疫预测控制方法，建立相应成本预测模型。同时，将粗集、人工免疫等算法引入传统定性问题，进行定量研究。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种钢铁生产能耗免疫预测控制模型，其中免疫预测控制通过预测模型，利用免疫进化策略寻找最优控制量，设预测时域为                                                

，控制时域为，一般地，设被控对象为：

 

 (1)

其中u，y，

分别为系统的输入和输出和扰动矢量，p和q分别为

和的阶次，

为线性或非线性函数；根据

和一系列观测值，通过免疫预测建立输入与输出之间的非线性映射关系，并通过免疫实现滚动优化，基于克隆选择的免疫预测控制通过预测模型，利用克隆选择算法寻找最优控制量，设预测时域为P，控制时域为L，其特征在于，具体实现方法如下：

 第一步：抗原与抗体定义及编码：将目标函数作为抗原，预测时域P内的P步控制增量

作为抗体，采用浮点数编码；

第二步：初始化：初始时必须选取合适的算法参数并对抗体初始化，由于抗体是对控制增量编码，可以采用全零初始化或采用式(2)对抗体初始化；

         (2）

算法主要包括下面参数：

抗体规模N，抗体种群的大小，一般选20~40；

抗体选择率ps，在种群中选取参与克隆的优良抗体的比例；取50%~70%；

最大克隆数目

，抗体最大复制数量，取5~10；

变异概率pm，取0.01~0.1；

最大变异率

，取0.1~0.5；

死亡率per，被淘汰重新初始化抗体所占比率，取0.1~0.3； 

第三步：目标函数：对于能耗问题，可以将多目标控制要求转换为一个求最小值的多目标函数；一般情况下，要求快速跟踪给定轨迹并且超调尽可能小，控制量尽量平滑，可以采用式（3）的二次目标函数； 

   （3）

式中：

           

为输入输出维数，

为预测时域，

误差系数，

控制系数，

控制参考轨迹，

模型预测值由预测模型求得，

误差修正后的预测值，

预测误差；本算法能适应各种预测模型表达式，具有较好的通用性；

第四步：约束条件的处理：在预测的免疫优化中，对于控制增量的边界约束条件可通过限制抗体编码中基因取值范围来实现；对其它约束采用罚函数法来实现；采用罚函数法就是在生成个体时不考虑约束条件，而在目标函数上添加一个惩罚项，将原来的约束问题变成了无约束问题,如式（4）所示；每个约束条件构成一个罚函数

，x为约束条件的自变量；罚函数的选择必须根据约束条件类型来选取；

      （4）

第五步：亲和力函数：抗体与抗原之间的亲和力反映抗体与抗原之间的匹配程度，亲和力越高的抗体对应的预测控制量越满足控制要求，抗体与抗原亲和力函数定义如式（5）所示；当目标函数值J→0时，→1；J→∞,

→0；

                 （5）

第六步：抗体克隆：根据每个抗体可以计算出其对应的

、、J及亲和力aff，从群体中选择

个亲和力较高的优良个体进行克隆；为了充分利用优良个体，加快收敛速度，采用自适应克隆方法，即抗体越优良，克隆越多，个体克隆规模由式（6）计算；

                   （6）

第七步：抗体变异

以变异概率pm来选择克隆后的子群体的基因，对被选中的基因进行变异操作，计算自适应变异率，按式（7）进行变异操作

         （7）              

第八步：抗体的选择：重新计算克隆变异后的每个子抗体的

、

、J及亲和力aff，选择亲和力更好的子体替代原有抗体；

第九步：抗体的淘汰：在抗体集中选择

个抗体，将其淘汰而重新初始化；

第十步：终止条件：当达到设定的运行代数或者连续10代最好个体的亲和力不再变化时，停止寻优，将最佳个体对应的长度为L（控制时域）的控制量用式（8）平滑处理后输出；

 （8）

式中， 

为最佳抗体基因对应的控制矢量，

实际控制矢量，为权系数。

Images