CN105528681A - 一种基于隐树模型的冶金企业副产能源系统实时调整方法 - Google Patents

Abstract

本发明属于信息技术领域，涉及一种基于隐树模型的冶金企业副产能源系统实时调整方法。本发明旨在根据冶金企业现场已有的大量历史数据建立一种能够实现副产煤气系统实时调整的隐树模型。首先从副产能源系统大量的历史运行数据中有效地区分出调整点对应的数据，并与大量非调整点对应的数据搭配构建训练样本集；将训练样本集中的数据进行语义表达，形成新的可用于建立隐树模型的语义样本库；采用双重爬山法对语义样本库中的样本进行学习以建立隐树模型，结合专家经验对隐树模型进行修正，获得一个结合数据和专家经验的副产能源系统调整模型；根据工业现场实时的监控和预测数据，利用该模型可以确定副产能源系统在未来某段时间内的调整任务。

Description

一种基于隐树模型的冶金企业副产能源系统实时调整方法

技术领域

本发明属于信息技术领域，涉及到统计学原则、语义表达与推理、隐树模型理论，是一种基于隐树模型的冶金企业副产能源系统实时调整方法。本发明旨在根据冶金企业现场已有的大量历史数据建立一种能够实现副产煤气系统实时调整的隐树模型。首先从副产能源系统大量的历史运行数据中有效地区分出调整点对应的数据，并与大量非调整点对应的数据搭配构建训练样本集；将训练样本集中的数据进行语义表达，形成新的可用于建立隐树模型的语义样本库；采用双重爬山法对语义样本库中的样本进行学习以建立隐树模型，结合专家经验对隐树模型进行修正，获得一个结合数据和专家经验的副产能源系统调整模型；根据工业现场实时的监控和预测数据，利用该模型可以确定副产能源系统在未来某段时间内的调整任务。

背景技术

冶金企业是典型的高能耗、高污染产业。节能减排一直是冶金行业所面临的最严峻问题之一。随着一次能源的紧缺，冶金生产过程中产生的副产能源的高效利用成为企业实现节能减排的重要手段。副产能源系统主要由副产煤气子系统、蒸汽子系统和电力子系统组成。副产煤气的主要用途是供给制造过程进行使用，如连铸、热轧和冷轧等生产环节都会消耗副产煤气。富余的副产煤气则供给蒸汽系统和电力系统以产生制造过程所需的蒸汽和电力资源。由于副产能源系统极其复杂，且伴随有许多突发状况，因此系统不可能持续较长时间的保持高效率运行状态，需要经常对系统的低效率运行状态进行及时的调整。

副产煤气系统是整个副产能源系统的核心，高效率的使用副产煤气既可以降低对外购能源的需求，又可以增加蒸汽厂和电厂的产能。因此，副厂能源系统的调整问题归根结底是如何优化副产煤气的使用问题。但由于煤气系统、蒸汽系统和电力系统联系紧密且相互耦合，副产能源系统的调整工作是非常困难的。工业现场经常为了保证生产的连续进行，储存过多的副产煤气，而对于所需的蒸汽和电力资源则通过燃烧外购能源的方式来获取，这些外购能源都会大大的增加了生产的成本。当生产所需要的副产煤气量远远小于企业的储存量，而蒸汽系统和电力系统又无法消耗如此大的富余煤气的情况下，工业现场只能采用放散的方式来对副产能源进行处理，以维系整个副产能源系统的平衡，这样不仅造成了资源的浪费，更带来了环境的污染。

目前工业现场对副产能源系统的调整主要依赖于专家的经验与知识，专家根据个人经验通过对副产能源系统中用户的产消量和存储量进行估计，对系统可能会发生的异常进行调整。这种方式的不足之处其一在于想要基于人工经验准确地估计出副产能源系统中用户在未来时间范围内的产消量和存储量是非常困难的，这种估计的风险性很大；其二在于现场的工况复杂多变，调度人员根据自己对副产能源系统变化的预估计进而制定出调度计划也不是一件简单轻松的事，需要耗费大量的精力和时间。针对基于人工经验的调度方式具有很大的风险性的情况，采用数学规划的方法对副产能源系统的运行过程建立优化模型也是一种常见的调整方法，以工业过程的运行机理和能量守恒等条件为约束，以经济效益最大化为目标，通过求解优化模型获得相应的调整手段，这种方法的不足之处也有两点：其一工业副产能源系统管网复杂多变，且运输线路长，想要对副产能源系统建立数学规划模型是非常困难的，松弛和减少约束条件得到的可行解的可靠性得不到保证；其二是采用数学规划的方法缺少对系统未来变化的判断，而调度手段的实施又具有一定的滞后性。除上述两种方法外，还有一类方法是机器学习的方法对副产能源系统中的能源产消量和存储量进行预测，然后基于预测结果制定调整计划。这类方法的优势在于能够对系统较为准确地预测，其不足之处是较多的考虑了系统的稳定性，也就是柜位的平稳运行，而没能以经济效益为优化目标，忽略了对副产能源系统的整体优化。

发明内容

本发明要解决的技术问题是冶金企业副产能源系统的实时调整问题。为解决上述这一问题，对副产能源系统的历史数据进行分析，从大量历史数据中筛选出调整点数据(之所以筛选出调整数据，是因为一段时间内调整点数据的量并不大，而所构造的训练样本集中应该包含足够的调整点数据，因此不能直接将某段时间的历史数据作为训练样本数据)，并与大量的非调整点数据搭配构建训练样本数据集；对训练样本集中的数据进行语义表达，将其转化为可以用于构建隐树模型的语义样本；采用双重爬山算法对语义样本库中的样本进行学习以建立隐树模型，并基于专家的经验对该隐树模型进行修正，这样就可以得到一个基于数据和专家经验融合的副产能源系统调整模型。根据工业现场实时的监控和预测数据，基于该隐树模型可以获得在未来某段时间内的调整手段，完成副产能源系统的实时调整。

本发明技术方案的整体实现流程如附图1所示，具体步骤如下：

1.数据准备：从冶金企业现场实时数据库中读取所需的副产能源系统中的大量历史数据，手动从系统的历史监控数据中挑选出750个调整点所对应的数据样本，然后结合2250个非调整点所对应的数据样本，构建一个样本量为3000的训练样本数据集；

2.数据样本的语义表达：所构造训练样本集中的每一条样本都是一组数据，包含了该时刻的各用户的发生量、消耗量和存储量等数据。为了方便学习，将训练样本集中的所有数据都进行语义表达，利用程度副词将各个用户的发生、消耗或者存储量数据转化成语义变量，即将发生量、消耗量和存储量数据根据数据的取值大小分为很低、低、中、高、非常高等不同程度，例如在某一时刻语义样本的描述形式为用户A的发生量非常高，用户B的发生量很低，……，用户N的消耗量非常高等。

3.建立隐树模型并修正：采用双重爬山算法对语义样本库进行学习建立一种面向副产能源系统调整的隐树模型。由于所建立的隐树模型是完全基于数据的，因此可能会有某些细节与实际工艺存在矛盾，这里进一步根据专家经验对所建立隐树模型进行修正，以获得一个更加接近于工业实际的调整模型；

4.基于隐树模型的调整手段推理：隐树模型建立以后，根据工业现场对副产能源系统的监控和预测，利用隐树模型推理出副产能源系统在未来某段时间范围内的调整手段，并将其应用于工业实际。

本发明的效果和益处是：

副产能源系统的机理复杂难以基于机理建立调整模型，本发明所建立的调整模型是基于数据和知识完成的，综合利用了工业数据库中的数据和现场调度专家的经验，所建立的模型更加适用于工业实际。所建立的隐树调整模型是基于统计学原则建立，不同于精确地数学模型，具有较强的柔性和适应性，能够更好地应对工业现场的突发变故。隐树调整模型可以进行双向推理，通过现场对副产能源系统的监测和预测，将监测或预测的结果输入隐树模型可以推理出在未来时间范围内系统是否需要进行调整。如果系统需要调整，那么可以通过反向推理获得相应的调整手段，即确定调整用户和调整量。隐树调整模型一经建立，可以直接应用于工业现场，不需要如数学规划方法进行反复建模，其建模复杂度不会影响其应用于实时调整。

附图说明

图1为本发明方案设计整体流程图。

图2为高炉煤气系统中某段时间内的调整时刻曲线示意图。

图3(a)为1,2#电厂消耗高炉煤气量曲线图。

图3(b)为1,2#电厂消耗焦炉煤气量曲线图。

图3(c)为2炼钢回收转炉煤气量曲线图。

图4(a)为高炉煤气发生量曲线图。

图4(b)为冷轧用户消耗高炉煤气量曲线图。

图4(c)为热轧用户消耗高炉煤气量曲线图。

图5(a)为本发明中所选用加节点操作算子示意图。

图5(b)为本发明中所选用减节点操作算子示意图。

图5(c)为本发明中所选用移节点操作算子示意图。

图6为采用本发明所提出方法建立的副产能源系统调整隐树模型。

具体实施方式

为了更好地理解本发明的技术方案，以下结合具体案例对本发明的实施方式作详细描述。本发明所研究对象为国内某大型钢铁企业的副产能源系统，该企业副产能源系统中用户众多，包含有发生、消耗和存储用户的个数有30多个，涉及到的需要建模分析的显变量个数有70多个。本发明的目的是基于70多个显变量的历史监控数值，建立一个面向副产能源系统调整的隐树模型。按照附图1所示的方法流程，本发明的具体实施步骤如下：

步骤1：数据准备

从冶金企业现场实时数据库读取所需的副产能源系统历史数据。筛选历史数据以构造训练样本，保证有1/4的调整点样本数据和3/4的非调整点样本数据。如图2所示是一个时间长度为800min的高炉煤气系统数据片段(为了便于表述，这里只选取了高炉煤气系统两个煤气柜的柜位数据和1,2,3#电厂消耗高炉煤气的数据进行绘图)。从该片段中可以找到10个调整点，每条垂直的竖线附近都是一个调整点，这里以前三个调整点为例对调整的意义予以说明，以方便理解。第一个调整点的意义是2#高炉煤气柜因为使用量的急剧增加要超下限了(这里2#高炉煤气柜位的下限设置在30km³)，现场的处理方法是将2#高炉煤气柜关闭，并打开备用的1#煤气柜，1#煤气柜为工业生产提供所需要的煤气，与此同时将1#电厂中锅炉燃烧器对高炉煤气的消耗从90km³/h逐步降低到0km³/h，以降低系统整体对高炉煤气的需求量，便于之后2#高炉煤气柜位的回升。第二个调整点的意义在于当1#备用煤气柜的柜位开始回升时，证明了系统中高炉煤气的产生量已经大于消耗量开始进柜了，这时将1#备用煤气柜再次关闭，而打开2#高炉煤气柜。第三个调整点的意义在于2#煤气柜柜位急速上升，马上将要冲破煤气柜的储存上限130km³，这时将1#电厂中锅炉的燃烧器打开，消耗流量从0km³/h上升为80km³/h，以加大系统对高炉煤气的消耗，同时还能产生一部分的电能。图2中的每一个调整点都有其调整的具体意义，这里不再做做详细说明。由于调整点对应的数据样本在整个原始数据中占的比例很小，所以本发明从大量的数据点中挑选出750个调整点对应的数据样本和2250个非调整点对应的数据样本，构建训练样本数据集(对于不同的工业能源系统，可以据实际情况重新来确定样本数据集的规模)。

步骤2：训练样本数据集的语义表达

由于工业现场电厂中锅炉燃烧器对煤气的消耗方式不是连续可调的，而是通过打开和关闭燃烧器来控制的，因此电厂中锅炉对高炉煤气的消耗会呈现出如图3(a)和(b)所示的形式。此外还有如炼钢回收转炉煤气量由于受到转炉炼钢节奏的影响也会出现如图3(c)所示的形式。为了便于后续建立隐树调整模型，本发明中将连续的数据进行语义表达以图中所示的几个用户的产消量数据为例。如1#电厂消耗高炉煤气量有如下5个水平：0km³/h，50-60km³/h，75-85km³/h，95-105km³/h，140-160km³/h，那么本发明中将原始数据重新进行语义表达，1#电厂消耗高炉煤气量重写为1#电厂消耗高炉煤气水平，包括无、低、中、高、很高五个水平。2#电厂消耗高炉煤气量有如下3个水平：0km³/h，55-65km³/h，85-95km³/h，那么2#电厂消耗高炉煤气量重写为2#电厂消耗高炉煤气水平，包括无、低、高三个水平。再如图3(c)中2炼钢转炉煤气回收流量，可以重写为2炼钢转炉煤气回收水平，包括1#转炉回收、2#转炉回收、同时回收和不回收四个状态。

除上述这种具有离散取值特征的数据外，还有许多数据不具备这样的特征，如图4所示的三组数据，第一组数据是高炉煤气发生量，根据其数据特点，可以将其划分为4个等级，1800km³以下，1800-1900km³，1900-2000km³，2000km³以上，以上四个等级分别代表了低、中、高、很高四个不同的级别。第二组数据是冷轧用户消耗高炉煤气流量，可以将其以50km³以下，50-60km³，60-70km³，70km³以上划分为低、中、高、很高四个等级。第三组数据是热轧消耗高炉煤气流量，可以按35-45km³，45-55km³，55-65km³，65-75km³，75km³以上划分为很低、低、中、高、很高五个级别。根据以上描述，将训练样本数据集中的所有数据样本都应重新进行语义表达，以描述成不同的语义形式。本发明中将具有相似特征的一些变量合并以降低建立隐树模型的复杂度，如高炉煤气系统的发生用户为1,2,3,4四座高炉，每座高炉都连有监测其发生量的传感器，每个高炉的发生量都可以看做是一个变量，如1#高炉煤气发生量，但是为了降低计算的复杂度，可以将四座高炉的发生量合并为高炉煤气发生量；再如冷轧用户中分为1冷轧、2冷轧、5冷轧和1800冷轧，热轧用户中分为1热轧、2热轧和3热轧，为了方便计算将其统一合计为冷轧用户和热轧用户。本发明最终将副产能源系统所有变量约简合并为47个显变量，如图6中所示。

步骤3：基于双重爬山法建立隐树模型，并基于专家经验进行修正

隐树模型(LatentTreeModel,LTM)是一种多层隐类模型(HierarchicalLatentClassModel,HLCM)，也是一种有向概率图模型，它的每个节点代表一个随机变量，两个节点之间的边表示其概率依赖关系。LTM的网络结构是一棵非平凡有根树，其中根节点至少要有两个子节点；隐树模型的所有叶子节点代表的都是显变量，所有的内节点代表的都是隐变量，隐变量的势是未知的(隐变量的取值个数被定义为隐变量的势，势学习也是要确定隐变量所有可能的取值个数)。

定义Y为一组显变量；是一组关于Y取值的数据，是一个以Y为显变量的正则预LC模型，f指模型的评分函数，δ指期望最大化(ExpectationMaximization，EM)算法收敛阈值。(EM算法是当有向概率图模型中存在隐节点时对其参数学习的一种方法。)建立隐树模型常采用双重爬山法(所谓双重爬山是指对模型网络结构和隐节点的势进行双重爬山)，其具体步骤如下：

(1)初始化的模型，经过势学习算法得到一个新的模型及参数θ，定义

(2)定义当前最优的隐树模型结构及其参数θ^*，初始值为空；定义一个存放BICe评分的newScore变量，初始值设为负无穷newScore＝-∞。

(3)对当前最优模型的预模型进行一次算子操作(加节点、减节点或者移节点)得到一个新的正则预HLC模型并对其进行势学习，得到BICe评分最高的新模型及参数θ'，以及其BICe评分tempScore，找出对当前模型的所有算子操作所得到的所有候选模型，并分别计算它们的BICe评分。找出这些候选模型中BICe评分最高的模型，将其评分赋给newScore。

(4)比较newScore和oldScore，如果newScore>oldScore，则将θ←θ^*，同时将oldScore←newScore，返回(3)；否则输出模型和参数θ。

在双重爬山法的实现步骤中涉及到了搜索算子，评分准则和势学习算法的使用。这里进行详细说明。首先，本发明中选中的三种不同的搜索算子的操作机制如下：

加节点操作：如图5(a)中所示，左侧由一个隐节点X和6个叶子节点Y₁,Y₂,Y₃,Y₄,Y₅,Y₆组成的隐树模型，为该隐树模型增加一个新的隐节点X₁，X₁把X与Y₁,Y₂分开，就得到了右侧所示的新的隐树模型，这就是一个加节点的操作过程。

减节点操作：如图5(b)中所示，它是一种与加节点相逆的操作，图5(b)中左侧的隐树模型包含有两个隐节点X,X₁和6个叶子节点Y₁,Y₂,Y₃,Y₄,Y₅,Y₆，其中隐节点X₁是Y₁,Y₂的父节点，而隐节点X是Y₃,Y₄,Y₅,Y₆的父节点，为该隐树模型减掉节点X₁，就得到右侧所示的包含有一个隐节点的隐树模型。

移节点操作：如图5(c)中所示，左侧是一个包含有两个隐节点X,X₁和6个叶子节点Y₁,Y₂,Y₃,Y₄,Y₅,Y₆的隐树模型，其中隐节点X₁是Y₁,Y₂的父节点，而隐节点X是Y₃,Y₄,Y₅,Y₆的父节点，移节点就是将与隐节点X相连的叶子节点Y₃移动到隐节点X₁下，剪除隐节点X与叶节点Y₃之间的连接。

其次，本发明中所选用的BICe评分准则，其定义如下：

其中，是一组数据，m是中的样本个数，是一个隐变量模型，而θ^*是的参数的一个最大似然估计，是的有效维数。模型的BICe评分越高，说明模型质量越好。

最后，本发明中采用的势学习算法的实现步骤：

(1)由生成的，每个隐变量的势均为2的预HLC模型，记为

(2)基于已知数据采用EM算法估计模型的参数θ，并计算参数为θ的模型的BICe评分，

(3)定义当前最优的隐树模型结构及其参数θ^*，初始值为空；定义一个存放BICe评分的newScore变量，初始值设为负无穷newScore＝-∞。

(4)将中的某一个隐变量的势加1会得到正则的HLC模型(中的每个隐变量的势只允许进行一次加1操作，也就是说第二次循环中只能为其他的隐变量的势进行加1操作)，计算的参数θ'，计算参数为θ'的模型的BICe评分，

(5)如果tempScore>newScore，则将θ^*←θ’；同时将newScore←tempScore，返回(4)，直到所有的隐变量都经过势加1操作，跳转到(6)。

(6)比较newScore和oldScore，如果newScore>oldScore，则将θ←θ^*，同时将oldScore←newScore，返回(4)；否则输出模型和参数θ。

根据本发明中所提出的建立隐树模型的方法，对所建立的语义样本库中的样本进行学习，可以得到一个能够反映副产能源系统运行特点的隐树模型，根据专家经验对所建立的隐树模型进行进一步的修正，最终得到如图6所示的隐树模型。隐树模型中的每个隐变量都具有其实际意义，如第12个隐变量用X12(4)表示，其中4代表隐变量有四个可能的取值，其实际意义表示高炉煤气系统一般消耗用户的消耗水平；再如X11(5)表示的是电厂对高炉煤气的消耗水平。

步骤4：基于所建立的隐树调整模型推理调整手段

隐树模型一旦建立，其本身就等同于一个工业实际能源系统的平行调度系统。根据对现场的显变量的监控和预测，将显变量的取值情况输入到隐树模型，就可以推理出隐节点当前所处的状态。根据根隐节点的状态就可以判断系统是否需要调整，系统需要调整的额度有多大。由于工业现场中一般消耗用户的状态是不能够进行干预的，因此在系统发生异常或者运行效率不高的情况下，只能对调整用户进行操作。假定检测出未来某一时段高炉煤气子系统会出现异常，将隐树模型中焦炉煤气系统和转炉煤气系统的用户的发生和消耗状态固定不变(除合成用户外，因为合成用户关联着高炉、焦炉、转炉三个子系统)，并将隐树模型中的高炉煤气系统中的不可调用户的状态固定不变，只需将隐树模型的根节点的异常状态设置为正常状态，就可以推理出高炉煤气系统中调整用户当前应处于何种状态，通过与原来的状态进行比较，就可以确定出调整方案。

Claims (1)

1.一种基于隐树模型的冶金企业副产能源系统实时调整方法，其特征在于具体步骤如下：

(1)数据准备：从冶金企业现场实时数据库中读取所需的副产能源系统中的大量历史数据，手动从系统的历史监控数据中挑选出部分调整点所对应的数据样本和非调整点所对应的数据样本，构建训练样本数据集；

(2)数据样本的语义表达：所构造训练样本集中的每一条样本都是一组数据，包含了该时刻的各用户的发生量、消耗量和存储量等数据；将训练样本集中的所有数据都进行语义表达，利用程度副词将各个用户的发生、消耗或者存储量数据转化成语义变量，即将发生量、消耗量和存储量数据根据数据的取值大小分为很低、低、中、高、非常高等不同程度；

(3)建立隐树模型并修正：采用双重爬山算法对语义样本库进行学习建立一种面向副产能源系统调整的隐树模型；定义Y为一组显变量；是一组关于Y取值的数据，是一个以Y为显变量的正则预LC模型，f指模型的评分函数，δ指EM算法收敛阈值；具体步骤如下：

①初始化的模型，经过势学习算法得到一个新的模型及参数θ，定义

②定义当前最优的隐树模型结构及其参数θ^*，初始值为空；定义一个存放BICe评分的newScore变量，初始值设为负无穷newScore＝-∞；

③对当前最优模型的预模型进行一次算子操作得到一个新的正则预HLC模型并对其进行势学习，得到BICe评分最高的新模型及参数θ'，以及其BICe评分tempScore，找出对当前模型的所有算子操作所得到的所有候选模型，并分别计算它们的BICe评分；找出这些候选模型中BICe评分最高的模型，将其评分赋给newScore；

④比较newScore和oldScore，如果newScore>oldScore，则将θ←θ^*，同时将oldScore←newScore，返回③；否则输出模型和参数θ；

(4)基于隐树模型的调整手段推理：隐树模型建立以后，根据工业现场对副产能源系统的监控和预测，利用隐树模型推理出副产能源系统在未来某段时间范围内的调整手段，并将其应用于工业实际。