CN106873377A - 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法 - Google Patents

Abstract

本发明公开了一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，通过分析焦炉加热燃烧过程中各不确定性因素对火道温度的影响，结合当前及历史火道温度运行的数据，建立基于平均有效目标函数的鲁棒多目标优化模型，采用差分进化算法对鲁棒多目标优化模型进行求解，调节控制系统中的控制器参数，实现自动调节火道温度，并保持在一定的扰动下具有维持火道温度稳定的能力；本发明的方法使得生产现场的控制器参数可以自动调节，解决了现有技术中焦炉加热燃烧过程的火道温度依靠人工判断来调节，或者频繁激发优化控制系统的寻优过程，对各种扰动非常敏感，导致火道温度波动频繁，影响炼焦生产效率和质量的问题。

Description

不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法

技术领域

本发明涉及焦炉加热燃烧过程优化控制领域，特别是一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法。

背景技术

在高炉炼铁过程中，焦炭是重要还原剂和主要热量来源，也是影响炼铁生产水平和经济效益的因素。焦炉是炼焦生产的关键设备，焦炉火道温度是反映焦炉整体热状态的重要参数，也是决定焦炭质量的关键因素。由于配煤质量波动、天气变化、煤气热值波动和装煤推焦操作及工况的变化等外界不确定干扰因素，缺乏调整维护的焦炉加热燃烧过程控制系统性能容易下降，导致火道温度波动，带来加热煤气消耗量增大、焦炭质量变差、焦炉生产不稳定等问题。

针对以上不确定扰动导致的焦炉火道温度波动问题，炼焦现场通常采取的方法根据现场操作人员的经验人工调整控制参数，或者通过在扰动下重新激发优化控制系统的寻优过程获取最优的控制参数，以此减小火道温度的波动。但是人工调节控制参数、稳定火道温度的方法，非常依赖于现场操作人员的经验，具有主观性，不利于控制系统的及时调整，可能会影响到炼焦生产；通过在扰动下重新激发寻优过程，可能导致较高的计算代价和资源成本，甚至无法在有限的时间内执行该优化解。鉴于实际生产中有很多不确定的干扰因素，为了克服人工调整控制器参数的主观性及频繁寻优所带来的影响，使控制系统具有自动调节能力和抗干扰能力，发明一种在不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，对提高焦炭质量、降低能耗以及增加企业效益有着重要的意义。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，提高焦炭质量、降低能耗。

为解决上述技术问题，本发明所采用的技术方案是：一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，该方法主要实现过程如下：分析焦炉加热燃烧过程中的不确定性因素，结合当前火道温度运行的数据及历史火道温度运行的数据，建立基于平均有效目标函数的多目标鲁棒优化模型，采用差分进化算法对鲁棒多目标优化模型进行求解，调节控制系统中的控制器参数，自动调节火道温度，并保持焦炉加热燃烧过程优化控制系统在干扰下具有维持火道温度稳定的能力。

调节控制系统中的控制器参数的具体步骤包括：

1)建立基于邻域的鲁棒多目标优化模型；

2)求解所述鲁棒多目标优化模型，得到具有一组具有抗干扰能力的控制器参数，基于所述控制器参数，维持火道温度干扰下保持稳定的能力。

所述鲁棒多目标优化模型表达式如下：

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示控制器的输入量火道温度偏差的两个量化因子，x₃表示控制器的比例因子，δ表示决策向量X的扰动范围；M为确定火道温度测量间隔时间后12小时内根据此间隔时间进行测量的次数；R为火道温度设定值，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气流量的预测值，T_pre(j)表示通过函数g₂()获得的第j个时刻的火道温度预测值，式中，u(j)表示通过函数g₁()获得的第j个时刻加热煤气流量的预测值；u(j-m)表示通过函数g₁()获得的第j-m个时刻加热煤气流量的预测值；T_pre(j-n)表示通过函数g₂()获得的第j-n个时刻的火道温度预测值；n和m表示系统的时滞参数；φ表示模型参数；g₁()表示以控制器参数X、e和ec为输入，u(j)表示通过函数g₁()获得的第j个时刻加热煤气流量的预测值；；g₂()为采用即时学习算法建立的火道温度与加热煤气流量之间的关系表达式；f₁()表示控制系统M时刻内火道温度的均方误差；f₂()表示控制系统M时刻内火道温度的差变化的平均值；f₁ ^eff()表示f₁()的平均有效函数，f₂ ^eff()表示f₂()的平均有效函数。

求解所述鲁棒多目标优化模型的具体过程包括：

1)以控制器参数X＝[x₁,x₂,x₃]作为种群个体；选定种群规模NP，确定变异因子F、交叉因子CR及最大化进化代数G_max，设置操作变量搜索范围[X_min,X_max]；令初始进化代数G＝0，并随机产生初始化种群 其中，i表示所产生种群中第i组控制器参数，p表示一组控制器参数中第p个参数，表示第0代种群中第i组控制器参数的第p个参数，x_pmax表示决策变量的最大值，x_pmin表示决策变量的最小值，1≤i≤30，1≤p≤3；

2)按下式进行变异操作，产生变异个体V_i ^G+1：式中V_i ^G+1表示变异后第G+1代种群中第i组控制器参数，X_i ^G表示第G代种群中待变异的第i组控制器参数，F为变异因子，表示第G代种群中随机选择的两组不同的构造差分向量的控制器参数；

3)按下式对父代个体X_i ^G和变异个体V_i ^G+1进行交叉操作，产生中间种群

式中表示产生的中间种群，表示变异个体，表示父代个体；

4)将中间种群和该中间种群的父代种群混合，组成临时种群，将临时种群中的每一组参数代入鲁棒多目标优化模型中，然后根据每一组控制器参数的非劣等级和拥挤距离，从中选择NP组控制器参数进入下一代种群；

5)将G的值加1，若G≤G_max，返回步骤2)，否则终止优化，输出非劣等级为1的最优解。

所述种群规模NP＝30，变异因子F＝0.85、交叉因子CR＝0.9，最大化进化代数G_max＝50。

所述不确定性因素包括：煤料水分、装煤量及煤料品种的变化；煤气热值变化；环境温度、大气压力等因素的变化；操作者对焦炉维护操作不当、焦炉生产出焦操作不均衡、推焦计划改变、设备故障、运输条件。

与现有技术相比，本发明所具有的有益效果为：应用本发明的方法，生产现场的控制器参数可以自动调节，解决了现有技术中焦炉加热燃烧过程的火道温度依靠人工判断来调节，或者频繁激发优化控制系统的寻优过程，对各种扰动非常敏感，导致火道温度波动频繁，影响炼焦生产效率和质量的问题。

附图说明

图1焦炉加热燃烧过程不确定性信息

图2优化前火道温度示意图；

图3优化后火道温度自调整示意图。

具体实施方式

以某钢铁公司新1#焦炉焦侧温度调节为例进行具体实施方式的说明，该钢铁公司的火道温度为每隔四个小时测量一次。

如图1所示，一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，通过分析焦炉加热燃烧过程中的不确定性因素，采集当前火道温度运行的数据，建立基于平均有效目标函数的多目标鲁棒优化模型，采用改进的差分进化算法对鲁棒多目标优化模型进行求解，调节控制系统中的控制器参数，实现自动调节火道温度，并保持其在一定的干扰下具有维持火道温度稳定的能力；

调节控制系统中的控制器参数的具体步骤如下：

步骤1：建立基于平均有效目标函数的鲁棒多目标优化模型；

为了使焦炉加热燃烧过程效能最优的同时能够适应外界的不确定性扰动，焦炉加热燃烧优化过程需综合考虑最优性和鲁棒性，基于此建立基于邻域的鲁棒多目标优化模型；

所述鲁棒多目标优化模型如下：

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示模糊控制器的两个量化因子，x₃表示模糊控制器的比例因子，δ表示决策变量X的扰动范围；φ表示模型参数(求解方法见李景玉.基于性能评估的焦炉加热燃烧过程在线优化控制方法[D].中南大学,2014)；n和m表示系统的时滞参数，此仿真过程以高炉煤气为焦炉加热燃烧过程中使用煤气，取n＝3,m＝3。

M为确定火道温度测量间隔时间后在12小时内根据此间隔时间进行测量的次数；

R为火道温度设定值，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差值的变化率，u_j表示第j个时刻加热煤气流量的预测值，T_pre(j)表示通过函数g₂()获得的第j个时刻的火道温度预测值；

g₁()表示以控制器参数X、e和ec为输入，u_j为输出的二维模糊控制器；g₂()为采用即时学习算法建立火道温度与加热煤气流量之间的关系表达式；

f₁()表示控制系统M时刻内火道温度的均方误差，最小化均方误差既可以抑制系统运行时的火道温度波动，又可以达到使火道温度跟踪目标设定值的效果；f₂()表示控制系统M时刻内火道温度的差变化的平均值，最小化f₂()可以抑制生产过程中火道温度的波动频率；f₁ ^eff()表示目标函数f₁()的平均有效函数，f₂ ^eff()表示目标函数f₂()的平均有效函数；

在专利“基于性能评估的焦炉加热燃烧过程火道温度自动调节方法”中建立的多目标优化模型为：

该方法建立的优化模型(式(2))中目标函数f₁₁()表示控制系统的偏差，f₁₂()表示控制系统输出的均方差，均未考虑实际工业过程中各种不确定性干扰因素。本方法在其基础上将焦炉加热燃烧过程中各不确定扰动考虑在内，建立式(1)鲁棒多目标优化模型；

焦炉加热燃烧过程中的不确定性分析如下：

由于焦炉结构的特点与其生产工艺独特的操作方式，造成影响焦炉加热燃烧过程的不确定性信息众多，主要有以下几个方面，如附图1：

(1)煤料水分、装煤量及煤料品种的变化

配合煤所含水分的波动范围要求在9～13.5％之间，并要求尽可能的稳定。当配合煤水分较低时，炼焦耗热量减少；当配合煤水分较高时，炼焦耗热量会有所增加。当煤料水分变化时，炭化室中的煤是随着推焦过程而逐渐更新的，因此，温度的变化不会随着水分的改变立即发生明显的变化，所以将煤水分仅作为人工操作的参考量，不作为不确定扰动因素。

装煤量的变化对温度的影响主要表现在对每一个炭化室两侧的两个燃烧室温度的影响上，对其他燃烧室温度影响不大，由于通常情况下装煤量是在装煤量标准值附件上下波动，其平均值接近于标准值，因此可以认为装煤量在标准值附近的小范围波动对火道温度影响不大，只作为人工操作的参考，不作为不确定扰动因素。

而煤料品种一旦确定，基本上是变化不大，对焦炉火道温度的影响不大，故也不作为不确定扰动因素。

(2)煤气热值变化

焦炉生产用的燃料煤气有两种：一是焦炉煤气，二是高炉煤气，根据统计数据，焦炉煤气和高炉煤气的组成和热值如下表：

煤气热值是指单位体积的煤气完全燃烧所放放出的热量；焦炉加热过程中，一般将两种煤气按照一定的比例混合后作为加热用混合煤气。焦炉的煤气热值随煤气组成、湿度和温度等因素变化，当加热用煤气产生供热量增大时，火道温度也会相应升高。如果焦炉煤气热值均值偏离某一标准热值，则必须考虑为了维持总热量平衡而改变煤气流量，从而使得式(1)中煤气流量预测值u_j与实际煤气流量值产生偏差，因此焦炉煤气热值应作为不确定干扰因素。

(3)环境温度、大气压力等因素的变化

由于焦炉是自然抽风式结构，而且装煤、推焦等操作时炭化室不能完全密封，因此焦炉是半开放式操作的系统，易受外界因素影响。环境温度、大气压力等因素的变化，使焦炉的温度、压力变化，且使烟道吸力变化，引起燃烧煤气的空气过剩系数变化，燃烧室温度波动，从而影响火道温度波动，导致火道温度预测值T_pre(j)与实际火道温度产生偏差。

(4)其他因素

如操作者对焦炉维护操作不当、焦炉生产出焦操作不均衡、推焦计划改变、设备故障、运输条件(影响装煤和出焦的节奏)等等，也都会引起火道温度波动。

以上不确定性因素的存在，导致在焦炉加热燃烧优化控制过程中无法严格按照预先的计划执行，不能达到预期的效果，因此需要一种在不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法。

在焦炉加热燃烧过程中，设控制器实际实施的决策参数X，那么相应的目标函数为f(X)，由于受到以上分析的不确定性因素影响，实际操作中不可能严格的按照指定的计划去执行，实际执行的效果可能会是f(X+△X)，若目标函数的变化量△f＝f(X+△X)-f(X)没有超过阈值且X+△X仍在可行域内，则称X是鲁棒的，因此构造决策变量X在扰动δ范围内的平均有效值f^eff(X)作为鲁棒目标函数，f^eff(X)表示为

在运算中，式(1)中表示的平均有效目标函数采用蒙特卡罗法近似估计f^eff(X)的积分值，蒙特卡罗求积分的公式为：

用蒙特卡罗法求积分时，是用计算机模拟随机现象，在个体的变量区间内进行随机抽样，然后得到所有样本对应目标函数空间的平均目标函数值，将该平均值作为函数积分的近似值；其基本思想是：在问题的优化求解过程中，每迭代一次得到n个候选解，并在候选解对应的所有p个决策变量的邻域内进行N次蒙特卡罗采样，得到N组决策变量集合，而后在所有N*n种取值组合中，取出H(H≤N*n)个组合，并求取每个组合的目标函数值，计算其均值。

步骤2：求解式(1)所述鲁棒多目标优化模型。方法如下：

①设置算法的参数及种群初始化。以控制系统的控制器参数X＝[x₁,x₂,x₃]作为种群个体，x₁是控制器的输入量火道温度偏差的量化因子，x₂是控制器的输入量火道温度偏差变化率的量化因子，x₃是控制器输出量煤气流量的比例因子；选定种群规模NP＝30，确定变异因子F＝0.85、交叉因子CR＝0.9及最大化进化代数G_max＝50，设置操作变量搜索范围[X_min,X_max]。令初始进化代数G＝0，并随机产生初始化种群

式中，i表示所产生种群中第i组控制器参数，p表示一组控制器参数中第p个参数，表示第0带种群中第i组控制器参数的第p个参数，x_pmax表示决策变量的最大值，x_pmin表示决策变量的最小值，1≤i≤30，1≤p≤3；

②：按下式进行变异操作，产生变异个体V_i ^G+1：

③：按下式对父代个体和变异个体V_i ^G+1进行交叉操作，产生中间种群

④：选择操作。将中间种群和上一代种群混合，组成临时种群(种群规模在NP～2NP之间)，将临时种群中的每一组参数带入多目标优化模型中，然后根据每一组控制器参数的非劣等级和拥挤距离，从中选择NP组控制器参数进入下一代种群。

⑤：优化终止条件。令G←G+1，若G≤G_max，返回②，否则终止优化，输出非劣等级为1的最优解。

本发明采用Matlab软件对提出的方法进行了仿真验证，设置不确定干扰因素为煤气热值变化、结焦时间变化，如图2所示为优化前火道温度示意图，在优化前控制器的参数为x₁＝0.3，x₂＝0.3，x₃＝0.8，优化后，控制器参数x₁＝0.71，x₂＝0.33，x₃＝0.94，如图3为优化后火道温度自调整示意图；仿真表明，本发明设计的优化方法在焦炉加热燃烧过程受到不确定扰动下能够自动调节火道温度，维持火道温度在稳定状态。

Claims (6)

1.一种不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，该方法主要实现过程如下：分析焦炉加热燃烧过程中的不确定性因素，结合当前火道温度运行的数据及历史火道温度运行的数据，建立基于平均有效目标函数的鲁棒多目标优化模型，采用差分进化算法对鲁棒多目标优化模型进行求解，利用求解的参数调节控制系统中的控制器参数，得到优化控制系统，利用优化控制系统自动调节火道温度，并保持焦炉加热燃烧过程优化控制系统在干扰下具有维持火道温度稳定的能力。

2.根据权利要求1所述的不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，调节控制系统中的控制器参数的具体步骤包括：

1)建立基于邻域的鲁棒多目标优化模型；

2)求解所述鲁棒多目标优化模型，得到一组具有抗干扰能力的参数，基于所述参数，维持火道温度干扰下保持稳定的能力。

3.根据权利要求2所述的不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，所述鲁棒多目标优化模型表达式如下：

$\left\{\begin{array}{c}\min f^{eff}\left(X\right)=\&lsqb;f_1^{eff}\left(X\right),f_2^{eff}\left(X\right)\&rsqb;\\ f_1^{eff}=\frac{1}{2\mathrm{\&delta;}}{\&Integral;}_{X-\mathrm{\&delta;}}^{X+\mathrm{\&delta;}}{f}_1\left(y\right)dy\\ f_2^{eff}=\frac{1}{2\mathrm{\&delta;}}{\&Integral;}_{X-\mathrm{\&delta;}}^{X+\mathrm{\&delta;}}{f}_2\left(y\right)dy\\ f_1\left(X\right)=\sqrt{\frac{\underset{j=1}{\overset{M}{\&Sigma;}}{\&lsqb;T_{pre}\left(j\right)-R\&rsqb;}^2}{M}}\\ f_2\left(X\right)=\frac{1}{M-1}\underset{j=1}{\overset{M}{\&Sigma;}}\&lsqb;|T_{pre}(j+1)-R|-|T_{pre}\left(j\right)-R|\&rsqb;\\ u\left(j\right)=g_1(X,e,ec)\\ T_{pre}\left(j\right)=g_2\&lsqb;T_{pre}(j-1),\mathrm{..},T_{pre}(j-n),u(j-1),\mathrm{..},u(j-m),\mathrm{\&phi;}\&rsqb;\\ X_{\min }<X<X_{max}\end{array}\right.$

其中，X＝[x₁,x₂,x₃]是决策向量，x₁,x₂分别表示控制器的输入量火道温度偏差的两个量化因子，x₃表示控制器的比例因子，δ表示决策向量X的扰动范围；M为确定火道温度测量间隔时间后12小时内根据此间隔时间进行测量的次数，为3～5之间的常数；R为火道温度设定值，e表示火道温度设定值与实际测量值的差值，ec表示火道温度设定值与实际测量值差值的变化率，T_pre(j)表示通过函数g₂()获得的第j个时刻的火道温度预测值，式中，u(j)表示通过函数g₁()获得的第j个时刻加热煤气流量的预测值；u(j-m)表示通过函数g₁()获得的第j-m个时刻加热煤气流量的预测值；T_pre(j-n)表示通过函数g₂()获得的第j-n个时刻的火道温度预测值；n和m表示系统的时滞参数；φ表示模型参数；g₁()表示以控制器参数X、e和ec为输入，；g₂()为采用即时学习算法建立的火道温度与加热煤气流量之间的关系表达式；f₁()表示控制系统M个测量间隔时间段内火道温度的均方误差；f₂()表示控制系统M个测量间隔时间段内火道温度的差变化的平均值；f₁ ^eff()表示f₁()的平均有效函数，f₂ ^eff()表示f₂()的平均有效函数。

4.根据权利要求3所述的不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，求解所述鲁棒多目标优化模型的具体过程包括：

1)以决策向量X＝[x₁,x₂,x₃]作为种群个体；选定种群规模NP，确定变异因子F、交叉因子CR及最大化进化代数G_max，设置操作变量搜索范围[X_min,X_max]；令初始进化代数G＝0，并随机产生初始化种群 其中，i表示所产生种群中第i组控制器参数，p表示一组控制器参数中第p个参数，表示第0代种群中第i组控制器参数的第p个参数，x_{p max}表示决策向量的最大值，x_{p min}表示决策向量的最小值，1≤i≤30，1≤p≤3；

2)按下式进行变异操作，产生变异个体V_i ^G+1：式中V_i ^G+1表示变异后第G+1代种群中第i组控制器参数，表示第G代种群中待变异的第i组控制器参数，F为变异因子，表示第G代种群中随机选择的两组不同的构造差分向量的控制器参数；

3)按下式对父代个体和变异个体V_i ^G+1进行交叉操作，产生中间种群：

式中表示产生的中间种群，表示变异个体，表示父代个体；

4)将中间种群和该中间种群的父代种群混合，组成临时种群，将临时种群中的每一组参数代入鲁棒多目标优化模型中，然后根据每一组控制器参数的非劣等级和拥挤距离，从中选择NP组控制器参数进入下一代种群；

5)将G的值加1，若G≤G_max，返回步骤2)，否则终止优化，输出非劣等级为1的最优解。

5.根据权利要求4所述的不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，所述种群规模NP＝30，变异因子F＝0.85、交叉因子CR＝0.9，最大化进化代数G_max＝50。

6.根据权利要求1所述的不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法，其特征在于，所述不确定性因素包括：煤料水分、装煤量及煤料品种的变化；煤气热值变化；环境温度、大气压力等因素的变化；操作者对焦炉维护操作不当、焦炉生产出焦操作不均衡、推焦计划改变、设备故障、运输条件。