CN107024861B - 一种转炉干法除尘系统的在线建模方法 - Google Patents

Abstract

本发明涉及一种转炉干法除尘系统的在线建模方法，所述方法包括以下步骤：1）、建立干法除尘系统实时运行数据库；2）以干法除尘系统实时过程运行数据集合为基础，建立离散的支持向量回归机预测模型；3）将每个粒子的位子向量依次作为支持向量回归机的核函数参数

，按式(5)计算其适应度值，如果达到最大迭代次数

，则转向步骤6)；4）利用式（5）计算各粒子的当前适应度值，比较各粒子当前适应度值与其本身最好适应度值

，若前者优于后者，则

设置为新值;再比较各粒子的当前适应度值与群的最优适应度值

，若前者优于后者，则

设置为新值；5）粒子的位置和权值的更新：将粒子按下式更新，整个技术方案设计巧妙，克服了现有技术中存在的缺陷，提高了控制精度。

Description

一种转炉干法除尘系统的在线建模方法

技术领域

本发明涉及一种建设模方法，具体涉及一种转炉干法除尘系统的在线建模方法。

背景技术

转炉煤气干法净化回收技术目前已广泛应用于大型转炉炼钢工艺，与湿法净化回收技术相比，它具有回收煤气量大、除尘效率高、环境污染小、节能效果明显、经济和社会效益显著等特点，因此具有广阔的应用发展前景。为了满足我国社会和经济可持续发展对节能环保提出的要求，此项技术已被列为钢铁行业重点推广技术。干法除尘的核心是除尘系统的烟气温度和湿度控制，如果蒸发冷却器出口烟气温度太高，粉尘比电阻升高，直接影响到电除尘器的除尘效率；如果蒸发冷却器出口温度太低，在捕集粗颗粒粉尘的同时容易产生湿底、挂壁现象，增大蒸发冷却器输灰系统维护量，严重时影响转炉生产，且温度太低的烟气进入静电除尘器会引起结露，结露就会引起壳体腐蚀或高压爬电；蒸发冷却器的温度控制系统不仅关系到转炉一次除尘效果同时也关系到转炉正常生产的顺利进行。干法除尘系统采用双流喷嘴喷水雾化方式来给烟气降温；在干法除尘的控制过程中，目前现场大多采用串级的PID控制,但是控制效果并不理想，考虑到转炉烟气干法除尘系统大惯性、纯滞后、非线性、时变性的特点，能否快速准确地模拟和预测出除尘系统的运行工况，是对除尘系统温度和湿度进行准确控制的关键，普通的预测控制方法很难满足控制要求。因此，迫切的需要一种新的方案解决上述技术问题。

实用新型内容

为了解决上述存在的问题，本发明公开了一种转炉干法除尘系统的在线建模方法，该方法克服了现有技术中存在的问题，提高了控制精度，控制效果非常理想。

为了实现上述目的，本发明的技术方案如下，一种转炉干法除尘系统的在线建模方法，其特征在于,所述方法包括以下步骤：1)、建立干法除尘系统实时运行数据库，建立系统的输入输出过程模型；2)以干法除尘系统实时过程运行数据集合为基础，建立离散的支持向量回归机预测模型：

其中：y(k)为系统输出，u(k)为系统输入，f(·)为具有类似SVR结构的非线性函数，SVR的形式为

其中，(a_i和

为拉格朗日乘子，K(x_i,x)为径向基核函数)；n和m为输出信号和控制信号对控制系统输出的最大影响时域长度，s.t.u_min＜u＜u_max为控制量输出范围。将其改写为如下的SVR形式：

其中：y_m(k+1)为k+1步模型预测输出；n_sv为支持向量的个数；I_i为第i个支持向量，b为偏移量，I_iI(k)为两个向量的内积，I(k)表示为

I(k)＝[y(k),y(k-1),…y(k-n+1),u(k),u(k-1),…,u(k-m+1)] (3)

将式(3)代入式(2)得如下式所示的形式：

y_m(k+1)＝Au²(k)+Bu(k)+C (4)

其中，

系数A，B，C均由上述计算获得；

步骤2)采用简化粒子群算法对模型参数γ进行实时优化，具体方法如下：

21)粒子群的初始化，本发明中采用全零初始化。

22)确定目标函数，一般情况下，要快速跟踪给定轨迹并且超调量尽可能小，控制量尽可能平滑，可以采用式(5)二次目标函数；

式中：y_i,p(k+j)＝y_i,m(k+j)+e_i(k)

e_i(k)＝y_i(k)-y_i,m

f,g为输入输出维数，p为预测时域，q_i为误差系数，r_i为控制系数，y_i,d控制参考轨,y_i,m模型预测值有预测模型求得，y_i,p误差修正后的预测值，e_i预测误差；

3)将每个粒子的位子向量依次作为支持向量回归机的核函数参数γ，按式(5)计算其适应度值，如果达到最大迭代次数MaxD_T，则转向步骤6)；

4)利用式(5)计算各粒子的当前适应度值，比较各粒子当前适应度值与其本身最好适应度值p₀，若前者优于后者，则p₀设置为新值；再比较各粒子的当前适应度值与群的最优适应度值p_g，若前者优于后者，则p_g设置为新值；

5)粒子的位置和权值的更新：将粒子按下式更新，

w＝w_max-(w_max-w_min)*t/(MaxD_T)^2 (6)

其中：下标t表示粒子进化的当前次数，w表示惯性权值，w_max和w_min为最大权值和最小权值，粒子群进化的最大迭代次数MaxD_T，

为第t+1次迭代时第i个粒子在第d维的位子，c₁和c₂为学习因子，r₁和r₂为介于(0，1)间的随机数，p₀为粒子搜索的当前最优粒子的适应度值，p_g为粒子搜索的全局最优粒子的适应度值；

6)判断粒子的更新次数是否达到最大迭代次数MaxD_T，若满足则算法终止，此时粒子的最优适应度值为p_g，并输出该粒子的位置向量，该粒子的位子向量即为SVR参数γ的最佳值，否则转至步骤2)所述。

作为本发明的一种改建,所述步骤1)中，建立干法除尘系统实时运行数据库，具体如下，实时运行数据库包括系统的实时输入数据和实时输出数据，输入数据包括蒸发冷却器入口温度X₁、烟气流量X₂、喷枪内蒸汽压力X₃、双流喷嘴阀门的开度X₄，输出数据包括蒸发冷却器的出口温度Y₁、出口湿度Y₂、电除尘器的入口温度Y₃、入口湿度Y₄。通过SCADA系统采集N组实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为

i＝1,2,3,4.j＝1,2,…N，X_ij表示输入变量X_i第j组系统输入数据，Y_ij表示输出变量Y_i第j组系统输出数据；设干法除尘系统有P＝4个输入控制量，R＝4个输出变量。

相对于现有技术，本发明的优点如下，整个技术方案设计巧妙，克服了现有技术中存在的缺陷，提高了控制精度。

附图说明

图1本发明采用的方法流程图；

图2转炉干法除尘系统的示意图。

图中：1、转炉，2、汽化冷却烟道，3、蒸发冷却器，4、电除尘器，5、主引风机，6、放散烟囱，7、放散侧钟形阀，8、回收侧钟形阀，9、眼睛阀，10、煤气冷去器，11、粗粉尘仓，12、细粉尘仓，13、煤气柜。

具体实施方式

为了加深对本发明的认识和理解，下面结合附图和具体实施方式，进一步阐明本发明。

实施例1：本实施例选用一个钢铁厂的转炉干法除尘系统，如图1，建立以该系统的双流喷嘴的阀门开度，蒸汽压力，蒸发冷却器入口温度输入控制变量，以蒸发冷却器出口温度，电除尘器入口温湿度为输出的支持向量回归机的预测模型，选用简化的粒子群算法对核函数的参数进行优化。该除尘系统有P＝4个输入变量，R＝4个输出变量。

根据干法除尘系统实时运行数据建立系统的支持向量回归机预测模型，具体方法为：

1)建立该干法除尘系统实时运行数据库。实时运行数据库包括系统的实时输入数据和实时输出数据，输入数据包括蒸发冷却器入口温度、烟气流量、喷枪内蒸汽压力、双流喷嘴阀门的开度，输出数据包括蒸发冷却器的出口温度、出口湿度、电除尘器的入口温度、入口湿度。通过SCADA系统采集N组实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为

i＝1,2,3,4；j＝1,2…,N，X_ij表示输入变量X_i第j组系统输入数据，Y_ij表示输出变量Y_i第j组系统输出数据；

2)以干法除尘系统实时运行数据集合为基础，建立离散的支持向量回归机预测模型，

y(k+1)＝f(y(k),y(k+1),…y(k-n+1),

u(k),u(k-1),…u(k-m+1)),

s.t.u_min＜u＜u_max.

其中：y(k)为系统输出，u(k)为系统输入，f(·)为具有类似SVR结构的非线性函数，SVR的形式为

其中，a_i和

为拉格朗日乘子，K(x_i,x)为径向基核函数；n和m为输出信号和控制信号对控制系统输出的最大影响时域长度，s.t.u_min＜u＜u_max为控制量输出范围。将其改写为如下的SVR形式：

其中：y_m(k+1)为k+1步模型预测输出；n_sv为支持向量的个数；I_i为第i个支持向量，a_i为I_i对应的权重系数，b为偏移量，I_iI(k)为两个向量的内积，I(k)表示为

I(k)＝[y(k),y(k-1),…y(k-n+1),u(k),u(k-1),…,u(k-m+1)]

将式(3)代入式(2)得如下式所示的形式：

y_m(k+1)＝Au²(k)+Bu(k)+C

其中，

系数A，B，C均由计算获得。

步骤(2)采用简化的粒子群算法对模型参数γ进行实时优化，具体方法入下：

21)粒子群的初始化，本发明中采用全零初始化。

22)确定目标函数，一般情况下，要快速跟踪给定轨迹并且超调量尽可能小，控制量尽可能平滑，可以采用式(5)二次目标函数；

式中：y_i,p(k+j)＝y_i,m(k+j)+e_i(k)

e_i(k)＝y_i(k)-y_i,m

f,g为输入输出维数，p为预测时域，q_i为误差系数，r_i为控制系数，y_i,d控制参考轨,y_i,m模型预测值有预测模型求得，y_i,p误差修正后的预测值，e_i预测误差；

3)将每个粒子的位子向量依次作为支持向量回归机的核函数参数γ，按式(5)计算其适应度值，如果达到最大迭代次数，则转向步骤6)。

4)利用式(5)计算各粒子的当前适应度值，比较各粒子当前适应度值与其本身最好适应度值p₀，若前者优于后者，则p₀设置为新值；再比较各粒子的当前适应度值与群的最优适应度值p_g，若前者优于后者，则p_g设置为新值。

5)粒子的位置和权值的更新：将粒子按下式更新，

w＝w_max-(w_max-w_min)*t/(MaxD_T)^2

其中：下标t表示粒子进化的当前次数，w表示惯性权值，w_max和w_min为最大权值和最小权值，示粒子群进化的最大迭代次数MaxD_T＝30，

为第t+1次迭代时第i个粒子在第d维的位子，c₁和c₂为学习因子c₁＝c₂＝1.5，r₁和r₂为介于(0，1)间的随机数，p₀为粒子搜索的当前最优位子的适应度值，p_g为粒子搜索的全局最优位子适应度值。

6)判断粒子的更新次数是否达到最大迭代次数MaxD_T＝30，若满足则算法终止，此时粒子的最优适应度值为p_g，并输出该粒子的位置向量，该粒子的位子向量即为SVR参数γ的最佳值，否则转至步骤2)所述。

需要说明的是，上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上作出的等同替换或者替代，均属于本发明的保护范围。

Claims (2)

1.一种转炉干法除尘系统的在线建模方法，其特征在于，所述方法包括以下步骤：1)建立干法除尘系统实时运行数据库，建立系统的输入输出过程模型；2)以干法除尘系统实时过程运行数据集合为基础，建立离散的支持向量回归机预测模型：

y(k+1)＝f(y(k)，y(k-1)，…y(k-n+1)，

u(k)，u(k-1)，…u(k-m+1))，

s.t.u_min＜u＜u_max (1)

其中：y(k)为系统输出，u(k)为系统输入，f(·)为具有类似SVR结构的非线性函数，SVR的形式为

其中，a_i和

为拉格朗日乘子，K(x_i，x)为径向基核函数；n和m为输出信号和控制信号对控制系统输出的最大影响时域长度，s.t.u_min＜u＜u_max为控制量输出范围；将其改写为如下的SVR形式：

其中：y_m(k+1)为k+1步模型预测输出；n_sv为支持向量的个数；I_i为第i个支持向量，b为偏移量，I_iI(k)为两个向量的内积，I(k)表示为

I(k)＝[y(k)，y(k-1)，…y(k-n+1)，u(k)，u(k-1)，…，u(k-m+1)] (3)

将式(3)代入式(2)得如下式所示的形式：

y_m(k+1)＝Au²(k)+Bu(k)+C (4)

其中，

系数A，B，C均由上述计算获得；

采用简化粒子群算法对模型参数γ进行实时优化，具体方法如下：

21)粒子群的初始化，本发明中采用全零初始化；

22)确定目标函数，要快速跟踪给定轨迹并且超调量尽可能小，控制量尽可能平滑，可以采用式(5)二次目标函数；

式中：y_i,p(k+j)＝y_i,m(k+j)+e_i(k)

e_i(k)＝y_i(k)-y_i,m

f,g为输入输出维数，p为预测时域，q_i为误差系数，r_i为控制系数，y_i,d控制参考轨,y_i,m模型预测值有预测模型求得，y_i,p误差修正后的预测值，e_i预测误差；

3)将每个粒子的位子向量依次作为支持向量回归机的模型参数γ，按式(5)计算其适应度值，如果达到最大迭代次数MaxD_T，则转向步骤6)；

4)利用式(5)计算各粒子的当前适应度值，比较各粒子当前适应度值与其本身最好适应度值p₀，若前者优于后者，则p₀设置为新值；再比较各粒子的当前适应度值与群的最优适应度值p_g，若前者优于后者，则p_g设置为新值；

5)粒子的位置和权值的更新：将粒子按下式更新，

w＝w_max-(w_max-w_min)*t/(MaxD_T)^2 (6)

其中：下标t表示粒子进化的当前次数，w表示惯性权值，w_max和w_min为最大权值和最小权值，粒子群进化的最大迭代次数MaxD_T，

为第t+1次迭代时第i个粒子在第d维的位子，c₁和c₂为学习因子，r₁和r₂为介于(0，1)间的随机数，p₀为粒子搜索的当前最优粒子的适应度值，p_g为粒子搜索的全局最优粒子的适应度值；

6)判断粒子的更新次数是否达到最大迭代次数MaxD_T，若满足则算法终止，此时粒子的最优适应度值为p_g，并输出该粒子的位置向量，该粒子的位子向量即为SVR参数γ的最佳值，否则转至步骤2)所述。

2.根据权利要求1所述的转炉干法除尘系统的在线建模方法，其特征在于,所述步骤1)中

建立干法除尘系统实时运行数据库，具体如下，实时运行数据库包括系统的实时输入数据和实时输出数据，输入数据包括蒸发冷却器入口温度X₁、烟气流量X₂、喷枪内蒸汽压力X₃、双流喷嘴阀门的开度X₄，输出数据包括蒸发冷却器的出口温度Y₁、出口湿度Y₂、电除尘器的入口温度Y₃、入口湿度Y₄，通过SCADA系统采集N组实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合，表示为

i＝1,2,3,4.j＝1,2,…N，X_ij表示输入变量X_i第j组系统输入数据，Y_ij表示输出变量Y_i第j组系统输出数据；设干法除尘系统有P＝4个输入控制量，R＝4个输出变量。

Images