CN114036827A - 基于分解的高炉炼铁多目标碳减排方法 - Google Patents
基于分解的高炉炼铁多目标碳减排方法 Download PDFInfo
- Publication number
- CN114036827A CN114036827A CN202111281608.2A CN202111281608A CN114036827A CN 114036827 A CN114036827 A CN 114036827A CN 202111281608 A CN202111281608 A CN 202111281608A CN 114036827 A CN114036827 A CN 114036827A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- target
- data
- furnace ironmaking
- optimization algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 12
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 12
- 230000009467 reduction Effects 0.000 title claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 50
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 40
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 25
- 239000010703 silicon Substances 0.000 claims abstract description 25
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 20
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000000243 solution Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 22
- 229910052742 iron Inorganic materials 0.000 abstract description 11
- 230000004927 fusion Effects 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种基于分解的高炉炼铁多目标碳减排方法,步骤包括对高炉炼铁的数据进行预处理,对数据的采样率进行统一,处理数据中包含的异常值,选取与优化目标硅含量及二氧化碳相关的工艺参数,通过相关性分析确定用于建模的变量;对高炉炼铁过程进行建模,实现工艺参数至优化目标的映射;将建立的模型作为多目标优化算法的评价函数,用于评价种群中解的优劣;利用多目标优化算法对模型寻找最优解,得到最优解对应的工艺参数值,将求解得到的工艺参数值作为参考。本发明实现了基于数据驱动的高炉炼铁建模方法与多目标优化算法的融合,实现了维持铁水中硅含量稳定的情况下,减少高炉煤气中的碳排放。
Description
技术领域
本发明属于工业过程建模和优化领域,特别涉及一种在LSTM模型基础上,利用MOEA/D算法实现高炉炼铁过程多目标优化的方法。
背景技术
钢铁工业是国家的基础工业,而高炉炼铁处在钢铁生产的上游,在整个钢铁生产过程中占据着极其重要的地位。此外,高炉炼铁也是钢铁工业中温室气体排放及能耗的主要来源,其中整个钢铁工业总能耗的70%,二氧化碳总排放量的90%都来源于高炉炼铁。因此,优化高炉炼铁过程中的碳排放在实现钢铁行业的进步与发展方面发挥着重要作用。
但是,高炉是一个极度复杂的反应装置,属于流程工业的范畴,在复杂的时空内涉及液态、气态、固态三相之间的反应,据不完全统计,炉内发生主要的化学反应就多达百种。此外,炼铁过程中的各个参数之间关系复杂,相互干扰,炉况的变化波动也往往是多个工艺参数综合作用的结果。高炉的复杂性,耦合性及非线性等原因,为高炉炼铁的研究及控制带来了很大的难度。目前高炉的控制主要依靠操作人员的经验,这种情况下可以保证高炉正常运转,但是无法实现精准控制,具有不确定及模糊的特点,因而也无法达到最优的运行状态。
随着数据挖掘技术的发展,基于数据驱动的工艺参数优化逐渐引起研究者的注意。对生产中测得的数据进行分析挖掘,使研究者可以将复杂的工业过程视作“黑盒子”,而不必再深究炼铁过程中具体的化学变化或物理变化,因此,数据驱动的方法在高炉工艺参数优化方面具有很大的潜力。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于分解的高炉炼铁多目标碳减排方法。
选取工艺参数作为LSTM的输入变量,硅含量及二氧化碳排放量作为LSTM的输出变量,通过LSTM建立输入与输出的映射模型,该模型作为MOEA/D算法的评价函数,逐次迭代寻优,直至满足结束条件。优化算法求得的工艺参数值能使得硅含量及二氧化碳排放量都处在一个较优的状态下,从而可以为实际的工业生产提供指导,步骤如下:
步骤1:对高炉炼铁的数据进行预处理,对数据的采样率进行统一,处理数据中包含的异常值,选取与优化目标相关的工艺参数,通过相关性分析确定用于建模的变量;
步骤2:对高炉炼铁过程进行建模,实现工艺参数至优化目标的映射;
步骤3:将建立的模型作为多目标优化算法的评价函数,用于评价种群中解的优劣;
步骤4:利用多目标优化算法对模型寻找最优解,得到最优解对应的工艺参数值,将求解得到的工艺参数值作为参考,指导现场工作人员的操作。
步骤1中所述的采样率统一是指高炉炼铁过程中不同类型变量的数据来源不同,造成了数据的多采样率问题,通过取平均的方式,对采样率高的变量降采样,实现不同变量的采样率一致。异常值处理采取的方法为箱体图,将超出3σ范围的数据点视为异常值,并将其剔除。该步骤所述的优化目标为硅含量与二氧化碳,实现在硅含量所代表的炉况稳定情况下,二氧化碳排放量尽可能降低,采用的相关性分析方法为皮尔逊相关系数分析法,选取的工艺参数变量为:热风温度、顶压、炉腹煤气量、顶温东南、阻力系数、设定喷煤量、上一时刻的硅含量以及上一时刻二氧化碳。
步骤2所述的建模方法为具有时序特征提取能力的长短时记忆网络LSTM,工艺参数作为LSTM的输入,优化目标作为LSTM的输出,实现工艺参数至优化目标的映射。
步骤3将LSTM模型作为多目标算法的评价函数,构建多目标优化算法的架构。其中多目标优化算法为基于分解的多目标优化算法MOEA/D,将交叉变异得到的新种群送入LSTM模型中,得到与新的工艺参数值相对应的输出值,根据输出值对新种群进行评估。
步骤4中所述的多目标优化算法MOEA/D可以将多个目标的优化问题拆解为多个单目标问题,然后通过聚合函数完成单个目标的优化。每个单目标子问题与一个个体为一组,个体沿权重向量向参考点聚合,最终,每个权重向量将搜索到Pareto 前沿上的一个解,得到的Pareto解集就是当前迭代次数中求得的最优解,如此循环往复,直至满足停止搜索条件。
本发明的有益效果:
通过LSTM模型,捕捉高炉炼铁过程中的动态性与非线性,实现了复杂高炉炼铁过程的软测量建模,能够实现硅含量与二氧化碳的精准预测。通过MOEA/D算法实现相互耦合的多目标变量协同优化。在基于分解的多目标碳减排方法的框架下,实现了基于数据驱动的高炉炼铁建模方法与多目标优化算法的融合,实现了维持铁水中硅含量稳定的情况下,减少高炉煤气中的碳排放。
附图说明
图1所示为基于分解的高炉炼铁多目标碳减排方法的框架。
图2所示为硅含量的预测结果与实际数据对比。
图3所示为二氧化碳排放量的预测结果与实际数据对比。
图4所示基于分解的多目标碳减排方法求得的Pareto前沿。
具体实施方式
以下结合附图和实施例对本发明做进一步的阐述。
实施例
基于分解的高炉炼铁多目标碳减排方法的具体步骤如下:
步骤1:高炉炼铁过程中工艺参数是由传感器测得,采样间隔为10s,而硅含量等质量参数是人为化验得到的,采样间隔大于10s,多采样率导致了信息的不对称,同一时刻的工艺参数与硅含量并不能一一对应,但是当下的建模方法主要针对同一时刻的输入与输出进行建模,如需要实现两种变量的采样间隔统一,可采用降采样的方法统一采样率,降采样的具体方式是取平均。根据时间信息,将低采样率变量(SI)两次相邻采样时刻组成的时间段之间对应的高采样率数据按变量取平均值,从而将高采样率数据压缩,实现降采样。为了实现数据的异常值处理,采用箱体图的方法,由于炼铁现场环境复杂,将超出3σ范围的数据点视为异常值,并将其剔除。建模时,考虑到两目标的协同优化,因此两个变量需要具有相同的输入,综合选择与二者相关性均较高的工艺参数进行建模。采用皮尔逊相关系数(PPMCC)计算各工艺参数与二氧化碳排放及硅含量的相关性,选取的工艺参数变量为:热风温度、顶压、炉腹煤气量、顶温东南、阻力系数、设定喷煤量,考虑到炼铁过程为时序数据,因此上一时刻的硅含量以及上一时刻二氧化碳也将参与建模。
步骤2:为工艺参数与优化目标建立软测量模型,刻画工艺参数变量至优化目标之间的映射关系,为了充分挖掘数据中的时序性,采用的建模方法为具有时序特征提取能力的长短时记忆网络LSTM,工艺参数作为LSTM的输入,优化目标作为LSTM的输出。由于LSTM的输入包含时间维度,其输入格式为X 1={ x i |i = 1, 2, …, t},其中t代表输入变量的时间步长,作为一项超参数,通过调参确定合适的值,,d代表i时刻变量的维度。下一个样本的格式为X 2={ x i |i = 2, …, t +1},即将以滑窗的格式向前滑动,每个样本滑窗向前移动一个时刻。利用输入X 1,预测t时刻的标签,利用输入X 2,预测t+1时刻的标签,以此类推。通过网格法对LSTM参数进行寻优,选择LSTM的隐藏层层数为2层,分别设有n个和m个LSTM单元,对于一个样本,每层得到的隐藏层向量可表示为,在两层隐藏层中h j 的维度分别为n与m。隐藏层之后通过全连接网络得到最终的预测值。
步骤3:如图1所示,为基于分解的多目标优化算法的框架。图中,EP是指优化算法中所需的外部种群,用于存放当前的优化解,参考点在此指各目标当前的最小值。利用多目标优化算法求解高炉炼铁工艺参数模型的最优解。具体途径是将基于LSTM的工艺参数模型作为评价函数,其中多目标优化算法为基于分解的多目标优化算法MOEA/D。当交叉变异出新的变量值后,通过加载训练过程中保存的权重与偏置矩阵导入之前训练好的网络,经过计算,评估出对应的目标向量值。由于上一时刻的硅与二氧化碳排放量已经无法更改,因此对这两个变量不进行遗传操作,仍然保持原值,加入这两个变量是为了建立更加准确的回归模型。对于目标变量,由于最终的目标是减少二氧化碳排放量及稳定铁水中的硅含量,需要最小化二氧化碳排放及此刻与上一时刻硅含量的差值,因此,目标变量f 1(x)为神经网络预测的硅含量与上一时刻硅含量的差值,目标变量f 2(x)为二氧化碳排放量。
步骤4:MOEA/D算法中权重向量可以将多个目标的优化问题拆解为多个单目标问题,然后通过聚合函数完成单目标的优化。每个单目标子问题与一个个体为一组,为每个个体分配一个权重向量,个体沿权重向量向参考点聚合。交叉变异得到的新个体的目标变量如果小于当前参考点,则用新个体的目标值更新参考点。根据支配关系判断新得到的个体是否为优化解,用优化解更新外部种群EP。最终,每个权重向量将搜索到Pareto前沿上的一个解。
本方法在高炉炼铁数据上进了实验,软测量模型的实验结果如图2、3所示,实线为真实的硅含量值,虚线为模型预测值,可以看出模型预测取得了很好地效果。最终得到的Pareto解如图4所示,通过优化算法,SI含量与上一时刻的差值减小0.088,CO2的排放量减少4.33%,与优化前相比,在减排与稳定SI含量方面均有不同程度的提升。根据优化算法得到的工艺参数值可以为工业现场提供参考,改善二氧化碳排放量与硅含量的波动情况。
Claims (5)
1.一种基于分解的高炉炼铁多目标碳减排方法,其特征在于:步骤如下:
步骤1:对高炉炼铁的数据进行预处理,对数据的采样率进行统一,处理数据中包含的异常值,选取与优化目标硅含量及二氧化碳相关的工艺参数,通过相关性分析确定用于建模的变量;
步骤2:对高炉炼铁过程进行建模,实现工艺参数至优化目标的映射;
步骤3:将建立的模型作为多目标优化算法的评价函数,用于评价种群中解的优劣;
步骤4:利用多目标优化算法对模型寻找最优解,得到最优解对应的工艺参数值,将求解得到的工艺参数值作为参考,指导现场操作。
2.根据权利要求1所述的方法,其特征在于:步骤1中所述的采样率统一是指高炉炼铁过程中不同类型变量的数据来源不同,造成了数据的多采样率问题,通过取平均的方式,对采样率高的变量降采样,实现不同变量的采样率一致;异常值处理采取的方法为箱体图,将超出3σ范围的数据点视为异常值,并将其剔除;该步骤所述的优化目标为硅含量与二氧化碳,实现在硅含量所代表的的炉况稳定的情况下,二氧化碳排放量尽可能降低,采用的相关性分析方法为皮尔逊相关系数分析法,选取的工艺参数变量为:热风温度、顶压、炉腹煤气量、顶温东南、阻力系数、设定喷煤量、上一时刻的硅含量以及上一时刻二氧化碳。
3.根据权利要求1所述的方法,其特征在于:步骤2所述的建模方法为具有时序特征提取能力的长短时记忆网络LSTM,工艺参数作为LSTM的输入,优化目标作为LSTM的输出,实现工艺参数至优化目标的映射。
4.根据权利要求1所述的方法,其特征在于:步骤3中,将LSTM模型作为多目标算法的评价函数,构建多目标优化算法的架构,其中多目标优化算法为基于分解的多目标优化算法MOEA/D,将交叉变异得到的新种群送入LSTM模型中,得到与新的工艺参数值相对应的输出值,根据输出值对新种群进行评估。
5.根据权利要求1所述的方法,其特征在于:步骤4中所述的多目标优化算法MOEA/D可以将多个目标的优化问题拆解为多个单目标问题,然后通过聚合函数完成单个目标的优化;每个单目标子问题与一个个体为一组,个体沿权重向量向参考点聚合,最终,每个权重向量将搜索到Pareto 前沿上的一个解,得到的Pareto解集就是当前迭代次数中求得的最优解,如此循环往复,直至满足停止搜索条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281608.2A CN114036827A (zh) | 2021-11-01 | 2021-11-01 | 基于分解的高炉炼铁多目标碳减排方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281608.2A CN114036827A (zh) | 2021-11-01 | 2021-11-01 | 基于分解的高炉炼铁多目标碳减排方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036827A true CN114036827A (zh) | 2022-02-11 |
Family
ID=80142378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111281608.2A Pending CN114036827A (zh) | 2021-11-01 | 2021-11-01 | 基于分解的高炉炼铁多目标碳减排方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036827A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779062A (zh) * | 2023-06-14 | 2023-09-19 | 东北大学 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
CN117408394B (zh) * | 2023-12-14 | 2024-05-31 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152851A (ja) * | 2008-12-26 | 2010-07-08 | Yamaha Motor Co Ltd | 多目的最適化装置、多目的最適化方法および多目的最適化プログラム |
CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
CN113283179A (zh) * | 2021-06-17 | 2021-08-20 | 湘潭大学 | 一种基于多目标lstm集成网络的短期负荷预测方法 |
US20210266781A1 (en) * | 2018-08-29 | 2021-08-26 | Carleton University | Enabling wireless network personalization using zone of tolerance modeling and predictive analytics |
-
2021
- 2021-11-01 CN CN202111281608.2A patent/CN114036827A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010152851A (ja) * | 2008-12-26 | 2010-07-08 | Yamaha Motor Co Ltd | 多目的最適化装置、多目的最適化方法および多目的最適化プログラム |
CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
US20210266781A1 (en) * | 2018-08-29 | 2021-08-26 | Carleton University | Enabling wireless network personalization using zone of tolerance modeling and predictive analytics |
CN113283179A (zh) * | 2021-06-17 | 2021-08-20 | 湘潭大学 | 一种基于多目标lstm集成网络的短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
李泽龙;杨春节;刘文辉;周恒;李宇轩;: "基于LSTM-RNN模型的铁水硅含量预测", 化工学报, no. 03, 7 December 2017 (2017-12-07) * |
杨宇;黄敏;王震宇;朱启兵;: "利用有限制稳定配对策略求解双目标柔性作业车间调度问题", 中国机械工程, no. 14, 26 July 2018 (2018-07-26) * |
郭东伟;周平: "基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模", 工程科学学报, no. 009, 31 December 2016 (2016-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116779062A (zh) * | 2023-06-14 | 2023-09-19 | 东北大学 | 基于moea/d智能优化算法的热轧带钢生产工艺动态优化方法 |
CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
CN117408394B (zh) * | 2023-12-14 | 2024-05-31 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
US11636917B2 (en) | Simulating the metabolic pathway dynamics of an organism | |
CN111652355B (zh) | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 | |
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
Li et al. | Domain knowledge based explainable feature construction method and its application in ironmaking process | |
CN106843172A (zh) | 基于jy‑kpls的复杂工业过程在线质量预测方法 | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN113159456A (zh) | 水质预测方法、装置、电子设备及存储介质 | |
CN114036827A (zh) | 基于分解的高炉炼铁多目标碳减排方法 | |
CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
US20230205952A1 (en) | Modeling method for soft measurement of temperature of blast furnace tuyere raceway | |
Li et al. | A novel multiple-input–multiple-output random vector functional-link networks for predicting molten iron quality indexes in blast furnace | |
Biggio et al. | Ageing-aware battery discharge prediction with deep learning | |
Yang et al. | Just-in-time updating soft sensor model of endpoint carbon content and temperature in BOF steelmaking based on deep residual supervised autoencoder | |
CN113657037A (zh) | 基于时间序列插值-注意力机制的铁水硅含量预测方法 | |
CN116432699A (zh) | 基于时序图卷积网络的高炉铁水硅含量预测方法 | |
CN115204040A (zh) | 一种基于神经网络模型的数字加热炉仿真方法 | |
CN113219942B (zh) | 基于加权联合分布适配神经网络的高炉故障诊断方法 | |
Ding et al. | Dynamic prediction of the silicon content in the blast furnace using lstm-rnn-based models |
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 |