CN110619931B - 一种基于多时间尺度优化的烧结过程碳效优化方法 - Google Patents

Abstract

本发明提供了一种基于多时间尺度优化的烧结过程碳效优化方法，包括：首先确定CO/CO₂和综合焦比作为衡量碳效的指标，通过机理分析和Spearman关联性分析方法对影响碳效的状态参数进行分析，确定碳效指标预测的状态参数，并建立碳效指标与关键过程参数的数学模型；然后基于上述数学模型，考虑原料参数与操作参数的不同时间尺度问题，建立不同时间尺度上的优化策略；最后针对不同时间尺度优化的需求，采取不同的多目标优化方法，提出不同时间尺度优化策略的转换策略，以协调两种策略的实施。采用本发明所述的多时间尺度优化策略，能够在不同时间尺度下合理优化原料参数和操作参数，达到最优的碳效，为烧结过程节能降耗和绿色制造提供行之有效的解决办法。

Description

一种基于多时间尺度优化的烧结过程碳效优化方法

技术领域

本发明涉及钢铁烧结过程生产节能降耗领域，尤其涉及一种基于多时间尺度优化的烧结过程碳效优化方法。

背景技术

虽然我国钢铁行业在节能环保方面已经取得了非常大的进步，但与国际先进企业还存在一定的差距。由此可见，我国钢铁工业节能减排仍然存在巨大的改进空间，实现我国钢铁工业的绿色制造任重而道远。烧结是人工富矿的主要途径，产生的烧结矿用于高炉冶炼，烧结矿质量及产量对高炉生产有直接影响，以至于烧结生产对整个炼铁生产至关重要。钢铁冶炼中烧结工序需要巨大的能耗，通常都能够占到总能耗的10％-20％，仅次于高炉炼铁工序。由此可见，实现钢铁生产过程碳效在线优化、有效利用能源和减少排放的关键在于揭示能耗、排放、质量和产量与过程状态参数和操作参数之间的关系，从而运用智能优化算法优化与碳效相关的过程参数，对于降低我国吨钢综合能耗，提高钢铁工业能源利用率，节约成本有重大意义。

发明内容

为了解决上述问题，本发明提供了一种基于多时间尺度优化的烧结过程碳效优化方法，主要包括以下步骤：

S101：设定综合焦比和CO/CO₂作为衡量烧结过程的碳效指标，并通过烧结过程的机理分析和数据驱动的分析方法得到影响所述碳效指标的关键过程参数，进而根据所述关键过程参数，采用RBF神经网络建立碳效指标预测模型；所述关键过程参数包括原料参数、操作参数和状态参数；

S102：结合所述碳效指标预测模型，采用一种基于多时间尺度的碳效优化方法对烧结过程进行碳效优化，即在不同的时间尺度上，采用不同的优化策略对烧结过程进行碳效优化，得到最优碳效指标、最佳操作参数和最佳原料参数，进而根据所述最佳操作参数和最佳原料参数对烧结过程进行控制，以达到实际碳效优化的目的。

进一步地，步骤S101中，具体包括如下步骤：

S201：定义CO/CO₂和综合焦比为烧结过程的碳效指标；其中，CO/CO₂为一氧化碳与二氧化碳的比值，其大小与烧结过程中碳的燃烧程度密切相关；综合焦比的含义是生产一吨成品烧结矿所消耗的碳量，其计算公式如下：

上式中，η为综合焦比，P_C表示混合料中焦粉的配比，γ_b表示烧损率，Y表示成品率，Q_L、Q_S和Q_R分别表示大成矿、小成矿产量以及返矿，Q_G表示铺底料；

S202：选取碱度R、转鼓强度J和铁品位TFe作为衡量烧结矿的质量指标，并将该质量指标作为碳效优化的约束条件；

S203：通过烧结过程的机理分析，确定影响状态参数和碳效指标的原料参数和操作参数，并通过Spearman相关性分析方法计算状态参数与碳效指标之间的相关性，进而得到影响碳效指标中的综合焦比和CO/CO₂的具体状态参数；

S204：在确定了状态参数与碳效指标之间的相关性的基础上，采用RBF神经网络预测模型作为数据驱动模型，以原料参数和操作参数为输入，以状态参数中的BRP和T_BRP为输出，建立状态参数预测模型，以得到原料参数、操作参数与BRP和T_BRP之间的对应关系，并在该对应关系的基础上，采用RBF神经网络预测模型，以状态参数为输入，碳效指标为输出，建立碳效指标预测模型。

进一步地，步骤S101中，所述原料参数包括：返矿P_RS，焦粉配比P_C、SiO₂含量C_SiO2、CaO含量C_CaO、Fe含量TFe和MgO含量C_MgO；所述操作参数包括：台车速度V_T、料层厚度H、水分配比M和点火温度T；所述状态参数包括：风箱负压C_N、垂直燃烧速度V_avg、温度上升点位置BRP、温度上升点温度T_BRP、烧结终点位置BTP和烧结终点温度T_BTP。

进一步地，步骤S102中，所述不同的时间尺度包括短时间尺度和长时间尺度；所述的不同的优化策略包括短时间尺度优化策略和长时间尺度优化策略；所述短时间尺度为x小时，所述长时间尺度为y天，且所述x和y均大于0，根据实际情况自行预先设定，所述操作参数每间隔一个所述短时间尺度更新一次，所述原料参数每间隔一个所述长时间尺度更新一次；每隔一个所述短时间尺度，采用所述短时间尺度优化策略对烧结过程进行一次碳效优化，每隔一个所述长时间尺度，采用所述长时间尺度优化策略对烧结过程进行一次碳效优化；根据不同时间尺度的周期不同，交替进行不同时间尺度的优化策略，达到多时间尺度优化烧结过程碳效的目的。

进一步地，所述短时间尺度优化策略，具体为：在短时间尺度上，根据所述碳效指标预测模型，以操作参数为决策变量，质量指标为约束条件，进行短时间尺度的优化；具体步骤如下：

S301：以综合焦比和CO/CO₂最小为优化目标，建立如下式所示的优化目标：

min{F_i ¹}

上式中，F_i ¹表示第i个目标的优化函数；i＝1,2；i＝1时，代表CCR；i＝2时，代表CO/CO₂；

S302：采用多目标转单目标的线性加权和的方法，将步骤S301中的所述优化目标进行转化，并结合所述碳效指标预测模型，得到如下的优化策略：

上式中，BRP＝Y_BRP(·)和

分别表示状态参数预测模型中原料参数、操作参数与温度上升点位置BRP和温度上升点温度T_BRP之间的对应关系；F_i ¹＝Y_i(·)表示碳效指标预测模型中状态参数与碳效指标之间的对应关系；R_min、R_max分别为预设的碱度最小值和最大值，J_min和J_max分别为预设的转鼓强度最小值和最大值，TFe_min和TFe_max分别为预设的铁品位最小值和最大值，O_pjmin和O_pjmax分别为预设的第j个操作参数的操作范围；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；

S303：采用遗传优化方法对步骤S302中的所述优化策略进行求解，得到碳效指标最优时的最佳操作参数。

进一步地，步骤S303中，采用遗传优化方法对步骤S302中的所述优化策略进行求解时，以优化目标线性加权和的值为优化目标，进行遗传优化算法的迭代更新，当迭代次数到了预设的数目或者输出趋于稳定时，结束迭代，获得最佳操作参数和最优碳效指标。

进一步地，所述长时间尺度优化策略，具体为：在长时间尺度上，根据所述碳效指标预测模型，以原料参数和操作参数为决策变量，质量指标为约束条件，进行长时间尺度优化具体步骤如下：

S401：以状态参数作为决策变量，以综合焦比和CO/CO₂最小为优化目标，质量指标作为约束条件，并结合所述碳效指标预测模型，得到以下第一多目标优化表达式：

上式中，F₁ ²和

分别表示综合焦比和CO/CO₂；S_nmin和S_nmax分别表示预设的第n个状态参数的最小值和最大值，n＝1,2,…，6，且n＝1,2,…,6分别代表BTP、T_BTP、BRP、T_BRP、V_AVG、C_N；求解该第一多目标优化表达式，得到最佳状态参数；

S402：将α₁和α₂最小为优化目标，以原料参数和操作参数为决策变量，得到如下第二多目标优化表达式：

min{α₁,α₂}

上式中，α₁和α₂为中间变量；O_BRP和O_TBRP表示BRP和T_BRP在步骤S401中所述最佳状态参数中所对应的优化值，R_mkmin和R_mkmax表示预设的第k个原料参数的最小值和最大值，k＝1,2,…,5，且k＝1,2,…,5分别代表P_C、P_RS、C_CaO、C_MgO、C_SiO2；O_pjmin和O_pjmax分别表示预设的第j个操作参数；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；

求解该第二多目标优化表达式，得到碳效指标最优时的最佳操作参数和最佳原料参数。

进一步地，步骤S401中，采用多目标粒子群算法求解所述第一多目标优化表达式：

以综合焦比和CO/CO₂最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代设定次数或者输出趋于稳定时停止迭代更新，得到Pareto最优解集，采用如下公式进行解集筛选：

S＝|b_1i-b_2i|

上式中，b_1i和b_2i分别表示优化的解和当前的状态参数的值，i＝1,2,…,6；当S最小时的优化解即为筛选后的最佳状态参数。

进一步地，步骤S402中，采用多目标粒子群算法求解所述第二多目标优化表达式：

以α₁和α₂最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代预设次数或者输出趋于稳定时停止更新，得到Pareto最优解集。

本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案利用影响烧结碳效的原料参数与操作参数作为决策变量，考虑原料参数与操作参数的不同变化周期，在不同时间尺度上实现碳效优化，该优化技术能够为烧结生产降低能耗，提高碳的利用率提供有效解决方案，进而为实现钢铁工业绿色制造及节能降耗奠定基础。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中一种基于多时间尺度优化的烧结过程碳效优化方法的流程图；

图2是本发明实施例中碳效指标预测模型原理框图；

图3是本发明实施例中碳效指标预测结果与实际值的对比图；

图4是本发明实施例中短时间尺度优化效果图；

图5是本发明实施例中长时间尺度优化效果图；

图6是本发明实施例中不同时间尺度优化策略转换示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的实施例提供了一种基于多时间尺度优化的烧结过程碳效优化方法。

请参考图1，图1是本发明实施例中一种基于多时间尺度优化的烧结过程碳效优化方法的流程图，具体包括如下步骤：

S101：设定综合焦比和CO/CO₂作为衡量烧结过程的碳效指标，并通过烧结过程的机理分析和数据驱动的分析方法得到影响所述碳效指标的关键过程参数，进而根据所述关键过程参数，采用RBF神经网络建立碳效指标预测模型；所述关键过程参数包括原料参数、操作参数和状态参数；

S102：结合所述碳效指标预测模型，采用一种基于多时间尺度的碳效优化方法对烧结过程进行碳效优化，即在不同的时间尺度上，采用不同的优化策略对烧结过程进行碳效优化，得到最优碳效指标、最佳操作参数和最佳原料参数，进而根据所述最佳操作参数和最佳原料参数对烧结过程进行控制，以达到实际碳效优化的目的。

步骤S101中，具体包括如下步骤：

S201：定义CO/CO₂和综合焦比为烧结过程的碳效指标；其中，CO/CO₂为一氧化碳与二氧化碳的比值，其大小与烧结过程中碳的燃烧程度密切相关；综合焦比的含义是生产一吨成品烧结矿所消耗的碳量，其计算公式如下：

上式中，η为综合焦比(kg/t)，P_C表示混合料中焦粉的配比(％)，γ_b表示烧损率(％)，Y表示成品率(％)，Q_L、Q_S和Q_R分别表示大成矿(kg/h)、小成矿产量(kg/h)以及返矿(kg/h)，Q_G表示铺底料(kg/h)；

S202：选取碱度R、转鼓强度J和铁品位TFe作为衡量烧结矿的质量指标，并将该质量指标作为碳效优化的约束条件；

S203：通过烧结过程的机理分析，确定影响状态参数和碳效指标的原料参数和操作参数，并通过Spearman相关性分析方法计算状态参数与碳效指标之间的相关性，进而得到影响碳效指标中的综合焦比和CO/CO₂的具体状态参数；

S204：在确定了状态参数与碳效指标之间的相关性的基础上，采用RBF神经网络预测模型作为数据驱动模型，以原料参数和操作参数为输入，以状态参数中的BRP和T_BRP为输出，建立状态参数预测模型，以得到原料参数、操作参数与BRP和T_BRP之间的对应关系，并在该对应关系的基础上，采用RBF神经网络预测模型，以状态参数为输入，碳效指标为输出，建立碳效指标预测模型。

步骤S101中，所述原料参数包括：返矿P_RS，焦粉配比P_C、SiO₂含量C_SiO2、CaO含量C_CaO、Fe含量TFe和MgO含量C_MgO；所述操作参数包括：台车速度V_T、料层厚度H、水分配比M和点火温度T；所述状态参数包括：风箱负压C_N、垂直燃烧速度V_avg、温度上升点位置BRP、温度上升点温度T_BRP、烧结终点位置BTP和烧结终点温度T_BTP；其中，所述原料参数和所述操作参数均从烧结过程的历史数据中获取，所述状态参数中除温度上升点位置BRP和温度上升点温度T_BRP以外的参数均从烧结过程的历史数据中获取。

步骤S102中，所述不同的时间尺度包括短时间尺度和长时间尺度；所述的不同的优化策略包括短时间尺度优化策略和长时间尺度优化策略；所述短时间尺度为x小时，所述长时间尺度为y天，且所述x和y均大于0，根据实际情况自行预先设定，所述操作参数每间隔一个所述短时间尺度更新一次，所述原料参数每间隔一个所述长时间尺度更新一次；每隔一个所述短时间尺度，采用所述短时间尺度优化策略对烧结过程进行一次碳效优化，每隔一个所述长时间尺度，采用所述长时间尺度优化策略对烧结过程进行一次碳效优化；根据不同时间尺度的周期不同，交替进行不同时间尺度的优化策略，达到在不同时间尺度上利用不同的参数，达到多时间尺度优化烧结过程碳效的目的；在本发明实施例中，x的值为2，y的值为15。

所述短时间尺度优化策略，具体为：

在短时间尺度上，根据所述碳效指标预测模型，以操作参数为决策变量，质量指标为约束条件，进行短时间尺度的优化；

所述长时间尺度优化策略，具体为：

在长时间尺度上，根据所述碳效指标预测模型，以原料参数和操作参数为决策变量，质量指标为约束条件，进行长时间尺度优化；且在长时间尺度优化上，考虑解的多样性，使其最佳参数可以根据不同的实际需求条件进行筛选，因而采用多目标进化的方法求解，得到Pareto解集，进而根据实际生产需要再所述Pareto解集中获取最佳原料参数和最佳操作参数；不同时间尺度的优化策略根据原料参数和操作参数的更新周期不同，交替进行，达到在不同时间尺度上利用不同的参数，进行优化碳效的目的。

在短时间尺度上，根据所述碳效指标预测模型，以操作参数为决策变量，质量指标为约束条件，进行短时间尺度的优化；具体步骤如下：

S301：以综合焦比和CO/CO₂最小为优化目标，建立如下式所示的优化目标：

min{F_i ¹}

上式中，F_i ¹表示第i个目标的优化函数；i＝1,2；i＝1时，代表CCR；i＝2时，代表CO/CO₂；

S302：采用多目标转单目标的线性加权和的方法，将步骤S301中的所述优化目标进行转化，并结合所述碳效指标预测模型，得到如下的优化策略：

上式中，BRP＝Y_BRP(·)和

分别表示状态参数预测模型中原料参数、操作参数与温度上升点位置BRP和温度上升点温度T_BRP之间的对应关系；F_i ¹＝Y_i(·)表示碳效指标预测模型中状态参数与碳效指标之间的对应关系；R_min、R_max分别为预设的碱度最小值和最大值，J_min和J_max分别为预设的转鼓强度最小值和最大值，TFe_min和TFe_max分别为预设的铁品位最小值和最大值，O_pjmin和O_pjmax分别为预设的第j个操作参数的操作范围j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；

S303：采用遗传优化方法对步骤S302中的所述优化策略进行求解，得到碳效指标最优时的最佳操作参数。

步骤S303中，采用遗传优化方法对步骤S302中的所述优化策略进行求解时，以优化目标线性加权和的值为优化目标，进行遗传优化算法的迭代更新，当迭代次数到了预设的数目或者输出趋于稳定时，结束迭代，获得最佳操作参数和最优碳效指标。

在长时间尺度上，根据所述碳效指标预测模型，以原料参数和操作参数为决策变量，质量指标为约束条件，进行长时间尺度优化具体步骤如下：

S401：以状态参数作为决策变量，以综合焦比和CO/CO₂最小为优化目标，质量指标作为约束条件，并结合所述碳效指标预测模型，得到以下第一多目标优化表达式：

上式中，F₁ ²和

分别表示综合焦比和CO/CO₂；S_nmin和S_nmax分别表示预设的第n个状态参数的最小值和最大值，n＝1,2,…，6，且n＝1,2,…,6分别代表BTP、T_BTP、BRP、T_BRP、V_AVG、C_N；求解该第一多目标优化表达式，得到最佳状态参数；

S402：将α₁和α₂最小为优化目标，以原料参数和操作参数为决策变量，得到如下第二多目标优化表达式：

min{α₁,α₂}

上式中，α₁和α₂为中间变量；O_BRP和O_TBRP表示BRP和T_BRP在步骤S401中所述最佳状态参数中所对应的优化值，R_mkmin和R_mkmax表示预设的第k个原料参数的最小值和最大值，k＝1,2,…,5，且k＝1,2,…,5分别代表P_C、P_RS、C_CaO、C_MgO、C_SiO2；O_pjmin和O_pjmax分别表示预设的第j个操作参数；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；

求解该第二多目标优化表达式，得到碳效指标最优时的最佳操作参数和最佳原料参数。

步骤S401中，采用多目标粒子群算法(MOPSO)求解所述第一多目标优化表达式：

以综合焦比和CO/CO₂最小为优化目标，进行MOPSO算法的迭代更新，当到达迭代设定次数或者输出趋于稳定时(相邻两次输出的差值的绝对值小于预设的阈值)停止迭代更新，得到Pareto最优解集，采用如下公式进行解集筛选：

S＝|b_1i-b_2i|

上式中，b_1i和b_2i分别表示优化的解和当前的状态参数的值，，i＝1,2,…,6；当S最小时的优化解即为筛选后的最佳状态参数。

步骤S402中，采用多目标粒子群算法(MOPSO)求解所述第二多目标优化表达式：

以α₁和α₂最小为优化目标，进行MOPSO算法的迭代更新，当到达迭代预设次数或者输出趋于稳定(相邻两次输出的差值的绝对值小于预设的阈值)时停止更新，得到Pareto最优解集。

在本发明实施例中，进行了如下仿真实验，共分为以下六个步骤：

(1)确定烧结碳效指标

CO/CO₂被定义为一氧化碳与二氧化碳的比值，其大小与碳的燃烧程度密切相关；综合焦比表示生产吨成品烧结矿所消耗的碳量。本发明采用综合焦比和CO/CO来作为衡量烧结过程碳效的指标；考虑烧结矿的质量，选取碱度(R)、转鼓强度(J)和铁品位(TFe)作为衡量烧结矿的质量指标。

(2)确定影响综合焦比的关键烧结参数

烧结过程具有多种物理化学变化，原料参数与操作参数影响烧结过程的状态，状态参数是反映烧结燃烧情况的一类参数，而状态参数能够反映碳效的情况。采用Spearman相关性分析方法，分析状态参数与碳效指标的关系，得到碳效指标预测模型的输入参数，如表1所示：

表1碳效指标预测模型输入参数

(3)烧结过程碳效指标预测模型

在确定影响碳效指标的输入参数以后，将烧结实际生产现场收集到的数据进行时序配准以及预处理工作：设置采样周期为45min，经过处理后的数据总共有450组，其中，350组数据用来对模型进行训练，剩下的100组数据中，50组数据采集于同一个配料单中，另外50组数据采集于多个配料单。这些数据归一化到[0,1]的范围内；

以涵盖多个配料单的数据，共350组数据作为训练数据，以原料参数与操作参数作为输入，状态参数(BRP、T_BRP)作为输出，采用RBF神经网络的建模方法，建立状态参数预测模型；再以状态参数(C_N、V_avg、BTP、T_BTP、BRP、T_BRP)作为碳效指标预测模型的输入参数，以碳效指标(CCR、CO/CO₂、J、R、TFe)作为输出，碳效指标预测模型原理框图见附图2。

所建碳效指标预测模型的预测效果如图3所示，由图3经过计算得出，碳效指标综合焦比、CO/CO₂以及碱度的预测范围在[-4％,4％]，铁品位和转鼓强度预测精度在[-3％,3％]。因此，本模型能够较好地预测碳效指标，能够满足实际生产的需求，为后续的碳效多时间尺度优化提供了模型基础。

(4)短时间尺度优化策略

基于上述碳效指标预测模型，在短时间尺度上，以CO/CO₂和综合焦比最小为决优化目标，以操作参数为决策变量，质量参数为约束条件，采用线性加权和的多目标转单目标方法，采用遗传算法实现上述优化问题，获得最佳的综合焦比和CO/CO₂，并得到最佳操作参数。短时间尺度优化的结果如图4所示。前六组优化的操作参数如表2所示。

表2短时间尺度优化结果

由图4经过计算后可知，平均综合焦比实际值为52.95kg/t，优化后的综合焦比平均值为48.91kg，综合焦比平均降低了4.04kg/t。CO/CO2的实际值平均为0.15，平均优化值为0.132，平均降低了0.018。这表明了短时间尺度优化策略的有效性。同时，最佳操作参数用来指导操作人员进行基础设定。

(5)长时间尺度优化策略

基于碳效指标预测模型，在长时间尺度上，以CO/CO₂和综合焦比最小为决优化目标，以操作参数和原料参数为决策变量，质量参数为约束条件，采用NSGA-II的多目标优化方法，实现长时间尺度优化策略的优化，获得最佳的综合焦比和CO/CO₂，并得到最佳的操作参数和原料配比。长时间尺度优化的结果如图5所示。第一组获得的优化参数如表3所示。

表3长时间尺度优化结果

由图5所示，用了三组数据对长时间尺度优化策略进行了验证，综合焦比优化平均值为48.34kg/t，实际值为51.13kg/t，平均降低了2.79kg/t。而CO/CO₂，优化结果表明，其实际平均值为0.129，实际值为0.146，平均降低了0.17。这表明了长时间尺度优化策略能有效降低碳效。

(6)不同时间尺度优化策略的转换

由于存在两种不同的优化策略，需要制定一个协调实施策略，使不同的优化策略能够共同实施，达到最优碳效指标，转换策略如图6所示。假设t_l0和t_l1是长时间尺度优化策略实施的时间点，t_s0和t_sn是短时间尺度优化策略实施的时间点。t_l0和t_l1之间的时间间隔是15天，t_s0和t_s1之间的时间间隔是2小时。在t_l0时实施一次长时间尺度优化策略，得到最佳的原料参数和操作参数，作为原料配比的设定值和基础控制回路的设定值。2小时以后，在t_s0时刻，实施一次短时间优化策略来得到最佳的操作参数。在t_l1时刻到来之前，每两个小时实施一次短时间尺度优化策略。在t_l1进行第二次长时间尺度优化策略，以此类推协调进行两种优化策略，以达到最佳的碳效优化。

本发明的有益效果是：本发明所提出的技术方案利用影响烧结碳效的原料参数与操作参数作为决策变量，考虑原料参数与操作参数的不同变化周期，在不同时间尺度上实现碳效优化，该优化技术能够为烧结生产降低能耗，提高碳的利用率提供有效解决方案，进而为实现钢铁工业绿色制造及节能降耗奠定基础。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：包括以下步骤：

S101：设定综合焦比和CO/CO₂作为衡量烧结过程的碳效指标，并通过烧结过程的机理分析和数据驱动的分析方法得到影响所述碳效指标的关键过程参数，进而根据所述关键过程参数，采用RBF神经网络建立碳效指标预测模型；所述关键过程参数包括原料参数、操作参数和状态参数；

步骤S101中，所述原料参数包括：返矿P_RS，焦粉配比P_C、SiO₂含量C_SiO2、CaO含量C_CaO、Fe含量TFe和MgO含量C_MgO；所述操作参数包括：台车速度V_T、料层厚度H、水分配比M和点火温度T；所述状态参数包括：风箱负压C_N、垂直燃烧速度V_avg、温度上升点位置BRP、温度上升点温度T_BRP、烧结终点位置BTP和烧结终点温度T_BTP；

S102：结合所述碳效指标预测模型，采用一种基于多时间尺度的碳效优化方法对烧结过程进行碳效优化，即在不同的时间尺度上，采用不同的优化策略对烧结过程进行碳效优化，得到最优碳效指标、最佳操作参数和最佳原料参数，进而根据所述最佳操作参数和最佳原料参数对烧结过程进行控制，以达到实际碳效优化的目的；

步骤S102中，所述不同的时间尺度包括短时间尺度和长时间尺度；所述的不同的优化策略包括短时间尺度优化策略和长时间尺度优化策略；所述短时间尺度为x小时，所述长时间尺度为y天，且所述x和y均大于0，根据实际情况自行预先设定，所述操作参数每间隔一个所述短时间尺度更新一次，所述原料参数每间隔一个所述长时间尺度更新一次；每隔一个所述短时间尺度，采用所述短时间尺度优化策略对烧结过程进行一次碳效优化，每隔一个所述长时间尺度，采用所述长时间尺度优化策略对烧结过程进行一次碳效优化；根据不同时间尺度的周期不同，交替进行不同时间尺度的优化策略，达到多时间尺度优化烧结过程碳效的目的；

所述短时间尺度优化策略，具体为：在短时间尺度上，根据所述碳效指标预测模型，以操作参数为决策变量，质量指标为约束条件，进行短时间尺度的优化；具体步骤如下：

S301：以综合焦比和CO/CO₂最小为优化目标，建立如下式所示的优化目标：

min{F_i ¹}

上式中，F_i ¹表示第i个目标的优化函数；i＝1,2；i＝1时，代表CCR；i＝2时，代表CO/CO₂；CCR为综合焦比；

S302：采用多目标转单目标的线性加权和的方法，将步骤S301中的所述优化目标进行转化，并结合所述碳效指标预测模型，得到如下的优化策略：

上式中，BRP＝Y_BRP(·)和

分别表示状态参数预测模型中原料参数、操作参数与温度上升点位置BRP和温度上升点温度T_BRP之间的对应关系；F_i ¹＝Y_i(·)表示碳效指标预测模型中状态参数与碳效指标之间的对应关系；R_min、R_max分别为预设的碱度最小值和最大值，J_min和J_max分别为预设的转鼓强度最小值和最大值，TFe_min和TFe_max分别为预设的铁品位最小值和最大值，O_pjmin和O_pjmax分别为预设的第j个操作参数的操作范围；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；

S303：采用遗传优化方法对步骤S302中的所述优化策略进行求解，得到碳效指标最优时的最佳操作参数；

所述长时间尺度优化策略，具体为：在长时间尺度上，根据所述碳效指标预测模型，以原料参数和操作参数为决策变量，质量指标为约束条件，进行长时间尺度优化；具体步骤如下：

S401：以状态参数作为决策变量，以综合焦比和CO/CO₂最小为优化目标，质量指标作为约束条件，并结合所述碳效指标预测模型，得到以下第一多目标优化表达式：

上式中，F₁ ²和

分别表示综合焦比和CO/CO₂；S_nmin和S_nmax分别表示预设的第n个状态参数的最小值和最大值，n＝1,2,…，6，且n＝1,2,…,6分别代表BTP、T_BTP、BRP、T_BRP、V_AVG、C_N；Y_CCR表示CCR的预测模型；

表示CO/CO₂的预测模型；求解该第一多目标优化表达式，得到最佳状态参数；

S402：将α₁和α₂最小为优化目标，以原料参数和操作参数为决策变量，得到如下第二多目标优化表达式：

min{α₁,α₂}

上式中，α₁和α₂为中间变量；O_BRP和O_TBRP表示BRP和T_BRP在步骤S401中所述最佳状态参数中所对应的优化值，R_mkmin和R_mkmax表示预设的第k个原料参数的最小值和最大值，k＝1,2,…,5，且k＝1,2,…,5分别代表P_C、P_RS、C_CaO、C_MgO、

O_pjmin和O_pjmax分别表示预设的第j个操作参数；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表V_T；j＝3时，代表M；j＝4时，代表T；Y_BRP表示BRP的预测模型；Y_TBRP表示T_BRP的预测模型；

求解该第二多目标优化表达式，得到碳效指标最优时的最佳操作参数和最佳原料参数。

2.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S101中，具体包括如下步骤：

S201：定义CO/CO₂和综合焦比为烧结过程的碳效指标；其中，CO/CO₂为一氧化碳与二氧化碳的比值，其大小与烧结过程中碳的燃烧程度密切相关；综合焦比的含义是生产一吨成品烧结矿所消耗的碳量，其计算公式如下：

上式中，η为综合焦比，P_C表示混合料中焦粉的配比，γ_b表示烧损率，Y表示成品率，Q_L、Q_S和Q_R分别表示大成矿、小成矿产量以及返矿，Q_G表示铺底料；

S202：选取碱度R、转鼓强度J和铁品位TFe作为衡量烧结矿的质量指标，并将该质量指标作为碳效优化的约束条件；

S203：通过烧结过程的机理分析，确定影响状态参数和碳效指标的原料参数和操作参数，并通过Spearman相关性分析方法计算状态参数与碳效指标之间的相关性，进而得到影响碳效指标中的综合焦比和CO/CO₂的具体状态参数；

S204：在确定了状态参数与碳效指标之间的相关性的基础上，采用RBF神经网络预测模型作为数据驱动模型，以原料参数和操作参数为输入，以状态参数中的BRP和T_BRP为输出，建立状态参数预测模型，以得到原料参数、操作参数与BRP和T_BRP之间的对应关系，并在该对应关系的基础上，采用RBF神经网络预测模型，以状态参数为输入，碳效指标为输出，建立碳效指标预测模型。

3.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S303中，采用遗传优化方法对步骤S302中的所述优化策略进行求解时，以优化目标线性加权和的值为优化目标，进行遗传优化算法的迭代更新，当迭代次数到了预设的数目或者输出趋于稳定时，结束迭代，获得最佳操作参数和最优碳效指标。

4.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S401中，采用多目标粒子群算法求解所述第一多目标优化表达式：以综合焦比和CO/CO₂最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代设定次数或者输出趋于稳定时停止迭代更新，得到Pareto最优解集，采用如下公式进行解集筛选：

S＝|b_1i-b_2i|

上式中，b_1i和b_2i分别表示优化的解和当前的状态参数的值，i＝1,2,…,6；当S最小时的优化解即为筛选后的最佳状态参数。

5.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S402中，采用多目标粒子群算法求解所述第二多目标优化表达式：

以α₁和α₂最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代预设次数或者输出趋于稳定时停止更新，得到Pareto最优解集。

Images