CN110849149A - 基于能源感知的烧结配料方案级联优化获取方法及装置 - Google Patents
基于能源感知的烧结配料方案级联优化获取方法及装置 Download PDFInfo
- Publication number
- CN110849149A CN110849149A CN201911014042.XA CN201911014042A CN110849149A CN 110849149 A CN110849149 A CN 110849149A CN 201911014042 A CN201911014042 A CN 201911014042A CN 110849149 A CN110849149 A CN 110849149A
- Authority
- CN
- China
- Prior art keywords
- sintering
- index
- scheme
- optimization
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B21/00—Open or uncovered sintering apparatus; Other heat-treatment apparatus of like construction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及一种基于能源感知的烧结配料方案级联优化获取方法及装置,所述方法包括以下步骤:1)获取初始期望烧结指标,期望烧结指标包括固体能耗指标和物理化学指标;2)基于当前期望烧结指标构建配料优化模型,求解获得最优烧结原料配比方案;3)基于最优烧结原料配比方案及预先训练好的BP神经网络预测模型获得预测烧结指标;4)比较预测烧结指标和当前期望烧结指标,若满足设定要求,则执行步骤6),若否,则执行步骤5);5)判断是否到达最大迭代次数,若是,则执行步骤6),若否,则调整设定要求和/或当前期望烧结指标后,返回步骤2);6)获得最终烧结原料配比方案。与现有技术相比,本发明具有降低能耗、准确度高等优点。
Description
技术领域
本发明属于工业自动化领域,涉及一种烧结过程的优化配料方法,尤其是涉及一种基于能源感知的烧结配料方案级联优化获取方法及装置。
背景技术
烧结工艺是钢铁企业最耗能的工序之一,占整个钢铁生产过程的8%-10%。它将铁矿粉、氧化铁皮、返矿等富铁原料连同焦粉、熔剂(如生石灰和白云石)、瓦斯灰以及OG泥转化成多孔结构的烧结块,为高炉炼铁提供合格的烧结矿。烧结工艺的节能问题一直受到工业界和研究机构的关注。一方面,今年来许多致力于工艺改进的节能技术不断涌现,如复合凝聚工艺(CAP,Composite agglomeration process)、高比例烟气再循环烧结(FGRS,High-proportion flue gas recirculation sintering)、烧结矿冷却显热回收工艺(RSSC,Recovery of sensible heat from the sinter cooling process)等。另一方面,配料优化是实现高能效烧结工艺中的关键问题。能耗与成本的高低,以及烧结矿的物理化学特性主要由原料成分及给料比例决定。
很多学者致力于烧结过程配料问题的研究。其中大部分研究专注于降低烧结过程的成本。Dauter等人聚焦于一次配料阶段,通过分析不同铁矿石的烧结性能优化铁矿石的混合比例。然而,他们并未考虑铁矿石以外的其他原料。而后,他们在此基础上提出了一种“两阶段”方法,在两次配料阶段处理不同的约束。在首次配料阶段,仅优化不同类型铁矿粉的配料比例;在二次配料阶段,进一步考虑了熔剂、焦粉等其他原料的配比。两次优化均以降低成本为目标,并采用单纯形法求解线性规划模型。Wu等人提出了一种烧结配料集成优化模型,以最小化烧结成本和SO2的排放量作为优化目标,并采用线性规划和GA-PSO(遗传-粒子群)算法进行求解。Wu等人基于同类模型设计了一种改进的遗传算法,该算法具有自适应惩罚函数和精英保留学习策略。Wang等人也提出了一种线性规划模型优化烧结成本、质量和产量,采用BP神经网络预测烧结矿的成分和性能。然而,上述的这些研究都未考虑能源这一维度。
随着对烧结过程能源效率问题的日益凸显,在配料过程中实现能耗降低近来受到诸多关注,一些学者从不同的角度进行了研究。Chen等人研究了一种综合碳率(CCR)建模和优化问题。在建立CCR模型之前采用BP神经网络建立多种操作模式的模型,而后通过PSO算法得到所选CCR的最优参数。然而,CCR作为碳效率的一种衡量方式,所得到的优化解仅能够作为参考,并不能作为烧结配料的指导。Shen等人从烧结匹配过程到热轧输出进行了系统性分析,配料比例和新节能技术在整个生产过程的优化中进行了研究,在每个单元生产过程中将能耗作为目标建立线性和非线性规划模型。然而,他们仅仅专注于单一目标。Liu等人将最小化烧结矿能值作为目标优化烧结配比。在传统配比优化模型基础上进一步考虑了余热和能源回收约束,采用线性规划获得最优的配料方案。然而,这一研究仅将能值作为优化目标,未考虑原料的成本。基于能耗和成本的相互关系,获得平衡且可行的烧结配料方案需要综合考虑这两类指标。
迄今为止,同时考虑成本和能耗指标的相关研究还较为少见。一些初步的研究工作在优化成本同时考虑了能源因素。Wu等人针对首次配料阶段,基于杨迪矿的基本烧结特性,研究其最佳比例。结论表明当杨迪矿达到40%的时候可以同时实现成本和焦粉消耗的降低。然而,他们没有关注二次配料阶段,没有考虑烧结过程所有的原料。Wu等人提出了一种可行的焦粉比例优化方案,通过能流分析计算焦粉比例的理论值。他们建立了一个以最小化成本为目标的优化模型,并将焦粉比例作为约束加以考虑。Wang和Qiao提出了一个最小化成本和能耗的多目标配料优化模型,两个目标通过加权,进而将问题转化为单目标线性规划模型。
此外,由于能耗和一些其他指标难以通过第一性原理进行建模,近年来通过历史生产数据建立的数据驱动模型具有巨大的吸引力。Zhang等人基于BP神经网络建立了三个指标的预测模型,即成本、能耗和转鼓指数,对每个预测模型采用GA选择有效的输入变量;同时分析了输入变量与三个指标的关联关系。Wang等人基于SVR和ELM提出了烧结能耗集成预测模型。Wu等人采用机理模型和ELM预测烧结矿的质量。基于以上这些研究,人工神经网络已经获得了广泛的应用并显示出良好的泛化能力。
上述的这些研究对于在烧结配料优化中实现节能提供了一些可行的方案,但还存在一些不足,如能耗较高、配料计算结果不够准确性等。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷而提供一种基于能源感知的烧结配料方案级联优化获取方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于能源感知的烧结配料方案级联优化获取方法,包括以下步骤:
1)获取初始期望烧结指标,所述期望烧结指标包括固体能耗指标和物理化学指标;
2)基于当前期望烧结指标构建配料优化模型,求解获得最优烧结原料配比方案;
3)基于所述最优烧结原料配比方案及预先训练好的BP神经网络预测模型获得预测烧结指标;
4)比较所述预测烧结指标和当前期望烧结指标,若满足设定要求,则执行步骤6),若否,则执行步骤5);
5)判断是否到达最大迭代次数,若是,则执行步骤6),若否,则调整设定要求和/或当前期望烧结指标后,返回步骤2);
6)获得最终烧结原料配比方案。
进一步地,所述配料优化模型以最小化烧结成本为目标,约束条件包括化学成分约束、烧结矿碱度约束、原料比例约束和原料配比约束。
进一步地,采用ISAA算法求解所述配料优化模型,获得最优烧结原料配比方案。
进一步地,所述BP神经网络预测模型通过以下过程获取:
获取能耗及烧结质量影响因素,选择输入层、隐含层和输出层,建立BP神经网络预测模型,所述BP神经网络预测模型为基于带附加动量项和自适应学习率的BP神经网络预测模型;
利用历史数据对所述BP神经网络预测模型进行训练。
进一步地,所述BP神经网络预测模型的学习速率通过以下公式自适应更新:
其中,η(t)表示模型的学习速率,E(t)表示后向传播模型的误差函数,t为迭代次数。
进一步地,所述BP神经网络预测模型中,权重及系数的更新公式表示为:
其中,pj表示第j个神经元的输入,δi表示第i个神经元误差信号,mc表示惯性动量因子,ωij(t)、bi(t)分别表示权重和系数的变化量。
进一步地,所述设定要求为:固体能耗指标的预测值与期望值的差距以及固体能耗指标的预测值与期望值的差距均满足区间范围。
本发明还提供一种基于能源感知的烧结配料方案级联优化获取装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述计算机程序执行如上述所述方法的步骤。
与现有技术相比,本发明具有如下有益效果:
1)本发明将成本和能耗分解为不同阶段级联的两个目标分别进行优化。在第一阶段,烧结配料在一个目标下得到优化,在第二阶段,通过建立预测模型,检验所得配料方案是否满足期望的质量和能耗指标,若不满足,则调整质量指标和能耗指标值,再重新进行优化。反复进行这一级联优化过程,直到配比方案满足烧结矿的质量和能耗指标范围为止。本发明对能源进行考虑,有效降低了能耗。
2)本发明对BP神经网络进行改进,提高了BP神经网络的预测能力,提高优化精度。
3)本发明采用ISAA算法进行最优配料方案的获取,结合了免疫算法全局搜索的优势和模拟退火算法局部搜索的优势,解决了计算误差和不相关约束可能引起的退化问题,提高求解精度,对实际生产过程产生有效指导作用。
4)本发明通过烧结配料数学模型的优化求解,在控制成本的同时,能对烧结过程配料进行精确计算,从而对烧结过程进行有效稳定的控制。
附图说明
图1为本发明烧结配料能源感知级联优化过程示意图;
图2为本发明能源感知级联优化框架示意图;
图3为本发明ISAA的收敛过程。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于能源感知的烧结配料方案级联优化获取方法,该方法采用级联多目标优化模型(CMOM)框架实现最优烧结配料方案的获取,使得其满足烧结矿质量要求,同时最小化成本并降低能耗。
如图1所示,该获取方法包括以下步骤:
步骤S101、获取初始期望烧结指标,所述期望烧结指标包括固体能耗指标和物理化学指标;
步骤S102、基于当前期望烧结指标构建配料优化模型,求解获得最优烧结原料配比方案。
步骤S103、记录当前的烧结状态和操作参数,将这些参数连同所述最优烧结原料配比方案作为预先训练好的BP神经网络预测模型的输入,获得预测烧结指标;
步骤S104、比较所述预测烧结指标和当前期望烧结指标,若满足设定要求,则执行步骤S106,若否,则执行步骤S105;
步骤S105、判断是否到达最大迭代次数,若是,则执行步骤S106,若否,则调整设定要求和/或当前期望烧结指标后,松弛能耗和烧结质量的期望值,返回步骤S102;
步骤S106、获得最终烧结原料配比方案,可用于指导实际生产。
1、级联多目标优化模型框架
如图2所示,本方法应用的级联多目标优化模型框架包括三大部分:1)基于IBPNN的能耗及其他指标预测模型;2)基于ISAA的基于成本的配料模型CBPM;3)基于CMOM的综合优化。
2、预测模型
本实施例中,基于IBPNN的能耗及其他指标预测模型采用带附加动量项和自适应学习率的BP神经网络预测模型,该模型的输入通过分析与能耗和烧结质量指标相关的要素获得,并通过历史数据对该模型进行训练,以更好模拟实际的烧结过程。
该预测模型的构建过程包括:
首先,选择重要的输入属性变量。本实施例中,根据实际的工艺背景和前期的研究工作,选择30个输入属性,即2个位置的点火温度、7个北侧风箱负压值、7个南侧风箱负压值、12个原料配比值、料层厚度以及台车速度。
其次,确定输出层和隐含层神经元个数。这里将11个变量作为输出,即固体能耗SEC、转鼓指数TI、成品率,以及8个化学成分指标。对于隐含层,神经元的个数由公式(1)确定:
其中,nhidden表示隐含层的神经元个数;ninput表示输入层的神经元个数;noutput表示输出层的神经元个数。
再次,BP神经网络的改进。传统的BP神经网络具有一些缺陷,例如收敛速度慢、泛化能力不足,以及陷入局部最优等。因此,本实施例采用两种方法提高神经网络的效率,其一是自适应学习速率方法,如下所示
其中,η(t)表示模型的学习速率;E(t)表示后向传播模型的误差函数。
其二是附加动量项。在BP神经网络中引入惯性动量因子mc,以便上次的权重更新对于当前权重更新的影响会被考虑。这一改进可以避免学习过程陷入局部最优。权重及系数的更新可以由下式表示:
其中,pj表示第j个神经元的输入,δi表示第i个神经元误差信号;mc在本模型中设为0.9。
3、基于成本优化的烧结配料模型(CBPM)
设Ci表示第i种原料的单价,xi表示第i种原料的混合比例,aji表示第i种原料中第j种化学成分的比例,di表示第i种原料在烧结过程中的烧损率,CaOi,和SiO2i表示第i种原料中氧化钙CaO和二氧化硅SiO2的含量。由此,基于成本优化的烧结配料模型CBPM可以描述如下:
0≤ximin≤xi≤ximax≤1,i=1,2,···,n (9)
其中,h(x)表示原料的总成本,n表示原料的个数。bjmax,bjmin分别表示合格烧结矿第j种化学成分的上下限。(5)和(6)表示化学成分约束,(5)表示烧结过程中不会挥发的化学成分,如FeO和CaO,(6)表示会挥发的成分,如硫(S)。(7)中的r(x)表示烧结矿的碱度,这里R1和R2表示碱度的上下限。此外,(8)为和“1”约束,即所有原料比例之和为1,(9)为原料配比约束,其中ximin,ximax是每种原料比例的上下限。
4、免疫-模拟退火算法
CBPM可以转化为线性规划问题,并可采用单纯形法进行求解。然而,有时计算误差和不相关约束可能引起算法的退化;同时,在如此多的严格约束下可能不存在可行解。在这种情况下,仍需要寻找一个较好的非可行解最小化适应度函数,并用以作为实际生产过程的指导。
本实施例提出了一种ISAA算法将免疫算法(IA)和模拟退火算法(SA)相结合对CBPM进行求解。这一算法结合了免疫算法全局搜索的优势和模拟退火算法局部搜索的优势。该ISAA算法包括以下关键步骤:
1)生成初始种群。
设种群规模为NIND,决策变量个数为NVAR,采用二进制编码方式。假设每个变量由PRECI位二进制数字表示,则每个抗体的长度为Length=NVAR×PRECI。
2)抗原识别与疫苗提取。
烧结配料问题的抗原是适应度函数,抗体是问题得到的解。疫苗接种过程根据CBPM的约束进行。首先,由公式(9)疫苗需要限制每个变量的值处于其上下边界之内;其次,由公式(8)疫苗需要保持所有的变量之和为“1”。
3)抗体适应度评价与记忆细胞分化。
为了便于求解CBPM,将其他约束转化为一个惩罚函数进行处理。适应度函数可以由下式表示:
这里,按照个体的目标值(按成本最低目标函数计算)由小到大的顺序对它们进行排序,Pos表示一系列抗体排序中的排序位数,sp为[1,2]内的一个标量,为指定选择的压差。β>0,称为罚参数,fi(x)为约束条件式(5)-(9)。
对于记忆细胞的分化,适应度值低的抗体将会被适应度值高的抗体取代。同时,采用熵理论计算抗体之间的相似度,由下式所示:
这里H(NIND)是整个种群的平均熵值;Hj(NIND)是第j个抗体的熵值,由下式得到
这里,Pij为符号i(二进制中为{0,1})出现在基因位j(这里取值范围为1~Length)上的概率。
4)基于模拟退火算法的交叉和变异操作
在交叉和变异阶段,采用SA对解空间的局部区域进行更好的搜索。这一过程首先通过生成初始抗体产生初始温度,在计算其适应度值之后,执行交叉和变异操作,旧的抗体将会按照Metropolis准则进行替换;而后,如果当前温度低于终止温度,则结束这一过程;否则,下一次的温度则更新为T(i+1)=kT(i),其中k为可以设定的常系数。
5、烧结指标
本实施例中,期望烧结指标包括固体能耗指标和烧结矿的物理化学指标,该期望烧结指标根据实际经验和烧结相关理论获得。
进行能源级联优化时,采用的设定要求为:固体能耗指标的预测值与期望值的差距以及固体能耗指标的预测值与期望值的差距均满足区间范围。
固体能耗指标SEC满足区间范围是指:
其中,δ可以根据实际情况指定,通常设为5。
若满足上述设定要求,则说明最优的配比值满足期望要求,可输出,若不满足上述设定要求,则需要调整δ%和物理化学性能指标的期望值,即适当松弛约束,然后重新进行配比值的寻优,直到达到最大迭代次数。若在达到最大迭代次数后仍不能满足设定要求,则当前获得的配比值仅为烧结配料伪最优解。不过,该解仍对于实际生产过程具有指导意义。
6、实验安全
本实施例的案例来源于某年产650万吨钢规模的钢铁联合企业,其2×380m2规模烧结生产线年产成品烧结矿836万吨,作业率94%,利用系数为1.40t/m2·h。由于固体能耗占据总能耗的80%~90%,案例中所指能耗均为固体能耗。
A.IBPNN的验证
提取一年中286条样本作为初始数据集用于能耗和物理化学指标的预测。每个样本记录着一天中的原料信息、生产信息和状态参数等。其中,随机选取229条样本作为训练样本集,剩余的57条样本作为测试样本集。
本实施例采用三层结构建立IBPNN,其中采用“logsig”作为输入层到隐含层的传递函数,采用“purelin”作为隐含层到输出层的传递函数。根据公式(1),隐含层神经元个数设定为20。
在IBPNN中,根据试错法,分别设定学习速率η为0.02,动量因子mc为0.9。实验在MATLAB R2016b神经网络工具箱中实现。
在利用训练数据集建立了模型之后,采用测试数据集验证得到的模型。结果如表1所示,其中,MAE表示平均绝对误差,MRE表示平均相对误差。
表1 IBPNN测试结果
Output | SEC | TI | TFe | FeO | SiO<sub>2</sub> |
MAE | 1.78 | 0.2 | 0.15 | 0.24 | 0.08 |
MRE/% | 2.96 | 0.26 | 0.26 | 2.97 | 1.58 |
Output | CaO | MgO | Al<sub>2</sub>O<sub>3</sub> | S | R |
MAE | 0.13 | 0.07 | 0.03 | 0.001 | 0.03 |
MRE/% | 1.43 | 3.26 | 1.84 | 4.96 | 1.34 |
如表1所示,每个指标的MRE都小于5%,表明IBPNN对于该问题是一种有效的预测模型。同时,需要说明的是硫的MRE相对较高,其原因是因为硫的实际含量值相比其他指标较小。
B.基于ISAA的CBPM验证
本实施例采用文献“Cost and Energy Consumption CollaborativeOptimization for Sintering Burdening in Iron and Steel Enterprise”(J.K.Wang,and F.Qiao,In:Proc.of the 2014IEEE International Conference on AutomationScience and Engineering(CASE),Taipei,Taiwan,Aug.18–22,2014,pp.486–491.)中的化学成分、烧损率、原料的上下限及单价、化学成分的上下限等信息对上述控制方法进行实验验证。
基于试错法,将ISAA算法的参数NIND、NVAR和PRECI分别设为60、8和20;最大迭代数设为500;记忆细胞更新率设为10%;选择、交叉和变异概率分别设为0.6、0.7和0.05。相似性阈值和相似系数分别设为0.15和0.9。算法的收敛过程如图2所示,该算法能够快速地收敛于最优解。表2列出了由ISAA得到的最优解,并与实际中的2个真实配比方案进行比较,其中,S1~S8表示场景I的配比值(被看作基准配比值),C表示总成本。由表1可以看出,成本值降低了近6%,这也验证了本算法的有效性。表3显示由ISAA所得到的烧结矿的化学成分。
表2烧结配料优化结果比较
M1 | M2 | M3 | M4 | M5 | |
Actu.#1 | S1 | S2 | S3 | S4 | S5 |
Actu.#2 | 1.0018 S1 | 1.2077 S2 | 0.9672 S3 | 0.9414 S4 | 0.9901 S5 |
ISAA | 0.9494 S1 | 2.2568 S2 | 0.1358 S3 | 2.1641 S4 | 0.9138 S5 |
M6 | M7 | M8 | Cost | ||
Actu.#1 | S6 | S7 | S8 | C | |
Actu.#2 | S6 | 0.9167 S7 | 0.9278 S8 | 0.9991 C | |
ISAA | 0.7706 S6 | 0.7700 S7 | 1.0222 S8 | 0.9441 C |
表3 ISAA得到的烧结矿化学成分
Comp. | TFe | FeO | SiO<sub>2</sub> | CaO | MgO | Al<sub>2</sub>O<sub>3</sub> | S | R |
ISAA | 56.75 | 9.99 | 5.11 | 9.05 | 2.09 | 1.8 | 0.099 | 1.77 |
C.CMOM的验证
首先,设置初始化学成分区间期望值,如表4所示。然后,5个实际操作工况被采用作为典型工况。根据上述部分得到的最优解,采用IBPNN预测每个工况的固体能耗SEC和其他性能指标,如表5所示。
表4化学成分初始期望值
Comp. | TFe | FeO | SiO<sub>2</sub> | CaO | MgO | Al<sub>2</sub>O<sub>3</sub> | S | R |
Upper | 58.75 | 10.00 | 5.30 | 9.45 | 2.10 | 1.90 | 0.15 | 1.93 |
Lower | 56.75 | 8.00 | 5.00 | 9.05 | 2.00 | 1.80 | 0 | 1.77 |
表5 5种工况下各性能指标预测结果
Scenario | SEC/kg/t | TI/% | TFe/% | FeO/% | SiO<sub>2</sub>/% |
#1 | 63.99 | 79.73 | 57.02 | 8.80 | 4.94 |
#2 | 63.73 | 79.83 | 57.01 | 8.70 | 4.88 |
#3 | 64.28 | 79.81 | 57.07 | 8.80 | 4.92 |
#4 | 53.18 | 78.91 | 56.37 | 8.00 | 4.74 |
#5 | 56.70 | 79.37 | 56.51 | 7.66 | 4.67 |
Scenario | CaO/% | MgO/% | Al<sub>2</sub>O<sub>3</sub>/% | S/% | R |
#1 | 8.32 | 2.03 | 2.03 | 0.01 | 1.94 |
#2 | 8.36 | 2.05 | 2.02 | 0.01 | 1.97 |
#3 | 8.32 | 2.01 | 2.03 | 0.01 | 1.95 |
#4 | 8.85 | 2.14 | 2.02 | 0.01 | 2.11 |
#5 | 8.42 | 1.99 | 1.96 | 0.01 | 2.03 |
可以看出,SEC的预测值相比历史SEC值相对要低。不过,一些工况下的化学指标偏离了表IV所示的期望区间,尤其是SiO2,CaO,Al2O3,和碱度R。因此,化学成分期望值需要进行略微调整。表6显示了调整后的期望区间。主要注意的是,这一调整需要根据生产的先验知识和实际经验进行微调,且不会影响烧结生产正常进行。
表6调整后的化学成分期望区间值
Comp. | TFe | FeO | SiO<sub>2</sub> | CaO | MgO | Al<sub>2</sub>O<sub>3</sub> | S | R |
Upper | 58.75 | 9.90 | 5.25 | 9.45 | 2.10 | 2.00 | 0.15 | 1.93 |
Lower | 56.75 | 7.90 | 4.95 | 8.95 | 2.00 | 1.90 | 0 | 1.77 |
根据上述更新后的化学成分表,重新建立CBPM和IBPNN。五种工况更新后的最优解如表7所示。
表7更新后的化学成分预测值
Scenario | SEC/kg/t | TI/% | TFe/% | FeO/% | SiO<sub>2</sub>/% |
#1 | 70.80 | 78.43 | 56.98 | 7.40 | 5.04 |
#2 | 74.62 | 77.62 | 57.08 | 7.63 | 5.04 |
#3 | 74.94 | 78.20 | 57.03 | 7.75 | 5.11 |
#4 | 74.81 | 77.23 | 57.13 | 7.55 | 4.70 |
#5 | 65.80 | 77.39 | 57.10 | 8.10 | 4.93 |
Scenario | CaO/% | MgO/% | Al<sub>2</sub>O<sub>3</sub>/% | S/% | R |
#1 | 9.42 | 1.85 | 1.77 | 0.01 | 1.78 |
#2 | 9.39 | 1.83 | 1.82 | 0.01 | 1.77 |
#3 | 9.46 | 1.77 | 1.84 | 0.01 | 1.95 |
#4 | 9.25 | 2.11 | 1.69 | 0.01 | 1.92 |
#5 | 9.07 | 2.05 | 1.89 | 0.01 | 1.79 |
与表5相比,可以看出所有工况下SEC显著升高,仅很少工况可以满足SEC的期望要求。转鼓指数指标也有所退化。对于化学成分的表现,每种工况略有不同。不过从综合的角度,仅#5工况下SEC、成本及化学成分显示出良好的性能表现。因此,该工况可以视为对于实际烧结过程最优的配料方案。如表8所示,在最优工况下固体能耗SEC降低了5.28%,成本降低了6%。主要指出的是,本案例分析中仅通过一次调整就得到了满足期望的配料方案,通常情况下对于CMOM框架可能需要多次的调整和迭代来获得满足期望的解。
表8工况#5实际性能指标和优化后性能指标的比较
SEC | Cost | TI | TFe | FeO | SiO<sub>2</sub> | |
Actual values | 69.47 | 900.18 | 78.29 | 57.74 | 8.92 | 5.15 |
Optimized values | 65.80 | 846.17 | 77.39 | 57.10 | 8.10 | 4.93 |
CaO | MgO | Al<sub>2</sub>O<sub>3</sub> | S | R | ||
Actual values | 9.22 | 2.01 | 1.97 | 0.01 | 1.93 | |
Optimized values | 9.07 | 2.05 | 1.89 | 0.01 | 1.77 |
上述案例研究显示出本发明所提出框架的有效性。与烧结车间一种实际案例相比,IBPNN中能耗的平均相对误差MRE低至2.96%;ISAA得到的最优成本降低了6%,CMOM优化得到的能耗降低了5.28%。
实施例2
本发明还提供一种基于能源感知的烧结配料方案级联优化获取装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述计算机程序执行如上述所述方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由本发明所确定的保护范围内。
Claims (8)
1.一种基于能源感知的烧结配料方案级联优化获取方法,其特征在于,包括以下步骤:
1)获取初始期望烧结指标,所述期望烧结指标包括固体能耗指标和物理化学指标;
2)基于当前期望烧结指标构建配料优化模型,求解获得最优烧结原料配比方案;
3)基于所述最优烧结原料配比方案及预先训练好的BP神经网络预测模型获得预测烧结指标;
4)比较所述预测烧结指标和当前期望烧结指标,若满足设定要求,则执行步骤6),若否,则执行步骤5);
5)判断是否到达最大迭代次数,若是,则执行步骤6),若否,则调整设定要求和/或当前期望烧结指标后,返回步骤2);
6)获得最终烧结原料配比方案。
2.根据权利要求1所述的基于能源感知的烧结配料方案级联优化获取方法,其特征在于,所述配料优化模型以最小化烧结成本为目标,约束条件包括化学成分约束、烧结矿碱度约束、原料比例约束和原料配比约束。
3.根据权利要求1所述的基于能源感知的烧结配料方案级联优化获取方法,其特征在于,采用ISAA算法求解所述配料优化模型,获得最优烧结原料配比方案。
4.根据权利要求1所述的基于能源感知的烧结配料方案级联优化获取方法,其特征在于,所述BP神经网络预测模型通过以下过程获取:
获取能耗及烧结质量影响因素,选择输入层、隐含层和输出层,建立BP神经网络预测模型,所述BP神经网络预测模型为基于带附加动量项和自适应学习率的BP神经网络预测模型;
利用历史数据对所述BP神经网络预测模型进行训练。
7.根据权利要求1所述的基于能源感知的烧结配料方案级联优化获取方法,其特征在于,所述设定要求为:固体能耗指标的预测值与期望值的差距以及固体能耗指标的预测值与期望值的差距均满足区间范围。
8.一种基于能源感知的烧结配料方案级联优化获取装置,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器调用所述计算机程序执行如权利要求1-7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014042.XA CN110849149A (zh) | 2019-10-23 | 2019-10-23 | 基于能源感知的烧结配料方案级联优化获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014042.XA CN110849149A (zh) | 2019-10-23 | 2019-10-23 | 基于能源感知的烧结配料方案级联优化获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110849149A true CN110849149A (zh) | 2020-02-28 |
Family
ID=69596757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911014042.XA Pending CN110849149A (zh) | 2019-10-23 | 2019-10-23 | 基于能源感知的烧结配料方案级联优化获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110849149A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610207A (zh) * | 2021-06-21 | 2021-11-05 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-elm算法的烧结矿质量预测方法、装置及设备 |
CN114958395A (zh) * | 2022-06-02 | 2022-08-30 | 江苏运能能源科技有限公司 | 一种生物质炭化炉余热利用方法及其利用系统 |
CN115952929A (zh) * | 2023-03-13 | 2023-04-11 | 南京信息工程大学 | 一种基于神经网络的降雨天气条件下信道预测方法、系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303247A (zh) * | 2015-09-16 | 2016-02-03 | 北京国电通网络技术有限公司 | 一种园区型冷热能源混合应用的能源网络调控方法及系统 |
-
2019
- 2019-10-23 CN CN201911014042.XA patent/CN110849149A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303247A (zh) * | 2015-09-16 | 2016-02-03 | 北京国电通网络技术有限公司 | 一种园区型冷热能源混合应用的能源网络调控方法及系统 |
Non-Patent Citations (3)
Title |
---|
吴敏等: "基于预测模型与调整规则的烧结配料优化综合集成方法", 《系统仿真学报》 * |
孟辉等: "基于BP神经网络的烧结能耗预测模型", 《制造业信息化》 * |
王炜等: "基于线性规划和神经网络的优化烧结配料系统开发", 《烧结球团》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610207A (zh) * | 2021-06-21 | 2021-11-05 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-elm算法的烧结矿质量预测方法、装置及设备 |
CN114958395A (zh) * | 2022-06-02 | 2022-08-30 | 江苏运能能源科技有限公司 | 一种生物质炭化炉余热利用方法及其利用系统 |
CN115952929A (zh) * | 2023-03-13 | 2023-04-11 | 南京信息工程大学 | 一种基于神经网络的降雨天气条件下信道预测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
CN110867219B (zh) | 基于isaa算法的烧结配料优化控制方法及控制装置 | |
Li et al. | Data-driven multiobjective optimization for burden surface in blast furnace with feedback compensation | |
Liu et al. | Attention mechanism-aided data-and knowledge-driven soft sensors for predicting blast furnace gas generation | |
Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
Yan et al. | DSTED: A denoising spatial–temporal encoder–decoder framework for multistep prediction of burn-through point in sintering process | |
Hu et al. | Hybrid modeling and online optimization strategy for improving carbon efficiency in iron ore sintering process | |
An et al. | A multi-time-scale fusion prediction model for the gas utilization rate in a blast furnace | |
Wang et al. | A hybrid ensemble model based on ELM and improved adaboost. RT algorithm for predicting the iron ore sintering characters. | |
CN113589693B (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
Zhou et al. | Improved incremental RVFL with compact structure and its application in quality prediction of blast furnace | |
CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
CN113836786A (zh) | 一种结合焦炉加热制度参数的智能冶金焦炭预测方法 | |
Wang et al. | Whale optimization end-point control model for 260 tons BOF steelmaking | |
Wu et al. | Intelligent integrated optimization and control system for lead–zinc sintering process | |
Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
CN111798023A (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
Xie et al. | A Decomposition-based Encoder-Decoder Framework for Multi-step Prediction of Burn-Through Point in Sintering Process | |
Li et al. | Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace | |
Jiang et al. | Multivariate Molten Iron Quality Modeling Based on Improved Incremental Random Vector Functional-link Networks | |
Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
Niu et al. | Prediction of sinter chemical composition based on ensemble learning algorithms | |
Yan et al. | Multi-objective optimization method of blast furnace operation performance indicators based on data and knowledge | |
Chen et al. | Multi-step optimal control of complex process: a genetic programming strategy and its application | |
Liu et al. | Establishment and Application of Steel Composition Prediction Model Based on t-Distributed Stochastic Neighbor Embedding (t-SNE) Dimensionality Reduction Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |