CN114317859B - 一种热风炉送风策略修正方法 - Google Patents

Abstract

本发明公开了一种热风炉送风策略修正方法，属于工业技术领域，涉及策略修正技术，通过经验修正模块预测下一时刻的总煤气耗量并标记为AI推荐量；通过专家推荐模块获取专家推荐量；将AI推荐量与专家推荐量共同输入综合模型进行权重的学习；并获取一次修正推荐量；将一次修正推荐量进行二次修正并获取最终预测总煤气消耗量；所述二次修正过程包括：基于热值预测进行二次修正、基于短周期煤气流量波动控制进行二次修正、基于短周期控制进行二次修正以及基于长周期参数进行二次修正；根据送风温度及最终预测总煤气消耗量确定热风炉在第一时刻的目标空煤控制策略。

Description

一种热风炉送风策略修正方法

技术领域

本发明属于工业技术领域，涉及策略修正技术，具体是一种热风炉送风策略修正方法。

背景技术

热风炉是给高炉炼铁提供热风的重要热工设备。热风炉是周期性循环工作的。在每个工作周期中，分为燃烧期和送风期；在燃烧期时，将煤气和空气按一定比例向热风炉的燃烧器送入，煤气燃烧以对热风炉中的蓄热体加热，燃烧产物(即烟气)由烟道从烟囱排放，在热风炉加热到所需温度后关闭燃烧器入口而转为送风；在送风期时，从冷风管道送来的冷风进入热风炉，冷风在经过蓄热体时被加热为热风，热风经热风出口和管道送入高炉。当蓄热体不能将冷风加热到高炉需要的温度时，停止送风，打开燃烧入口转入下一工作周期的燃烧期。

为优化煤气消耗量，自动控制系统会采用预设固定的多个空煤比来控制热风炉的作业，以根据实际炉况在这几个空煤比例之间切换。但是，预设固定的多个空煤比往往并非实际上的最佳空煤比，对煤气消耗量的优化仍具有交大的优化空间。另外，由于一般采用3～4个热风炉交替工作为高炉送风。故在热风炉之间交替换炉时，由于固定的空煤比不符合实际煤气用量的需求，出现多炉同时要气但煤气总管中气量不足的情况，导致炉内温度波动。

在现有工业控制的领域中，虽然有采用预测未来时间的例如能耗数据等来对应设置当前的控制策略以优化，但是在热风炉控制领域存在此方面方案的空白，也没有办法确定当前时间的理想的热风炉控制策略，且通过自动控制系统确定出来的热风炉控制策略也没有根据实际情况进行相应的修正调整，故提出一种热风炉送风策略修正方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为实现上述目的，根据本发明的第一方面的实施例提出一种热风炉送风策略修正方法,包括以下步骤：

通过经验修正模块预测下一时刻的总煤气耗量并标记为AI推荐量；通过专家推荐模块获取专家推荐量；

将AI推荐量与专家推荐量共同输入综合模型进行权重的学习；并获取一次修正推荐量；

将一次修正推荐量进行二次修正并获取最终预测总煤气消耗量；

所述二次修正过程包括：基于热值预测进行二次修正、基于短周期煤气流量波动控制进行二次修正、基于短周期控制进行二次修正以及基于长周期参数进行二次修正；

根据送风温度及最终预测总煤气消耗量确定热风炉在第一时刻的目标空煤控制策略。

进一步地，通过经验修正模块预测下一时刻的总煤气耗量的过程包括以下：

从数据存储模块中挑选送风温度、拱顶温度、烟道温度均达标的燃烧周期样本作为样本池；

获取样本池内燃烧周期的消耗煤气量，并将各燃烧周期的消耗煤气量进行升序排列，获取前N个燃烧周期作为目标参考燃烧周期，其中N取正整数，且

M为样本池内的燃烧周期总数；

获取样本池内目标参考燃烧周期内的拱顶温度以及烟道温度，取拱顶温度的平均值以及烟道温度的平均值作为目标控制线；

输入当前的炉况特征，通过对顶温度控制线以及烟道温度控制线做插值得到下一个时刻的目标烟道温度，目标拱顶温度，进而来预测下一时刻的总煤气耗量。

进一步地，所述目标控制线包括拱顶温度控制线以及烟道温度控制线，所述炉况特征包括过去时间的拱顶温度序列、煤气流量、空气流量、拱顶压力以及烟道温度。

进一步地，所述专家推荐模块为多个有经验的专家组成的专家小组，专家推荐模块内的专家根据自己的经验给出一个专家推荐量；且此专家推荐量为各个专家共同商议的结果。

进一步地，权重的学习过程如下：

将拱顶温度目标曲线标记为GDWD_target,此时对应的当前燃烧时刻的拱顶温度目标是GDWD_target[k]；

将烟道温度目标曲线是YDWD_target,对应的当前燃烧时刻的烟道温度目标是YDWD_target[k]；

将当前拱顶温度标记为T[k]，当前的烟道温度标记为Ty[k]，在当前时刻周期内，所用的煤气流量记做mqll_use[k]；将当前的AI推荐量标记为mqll1[k]，专家推荐量为mqll0[k]；gdval(T[k],Ty[k])表示收益值，且收益值的表达式为：

gdval(T[k],Ty[k])＝k1*(T[k]-GDWD_target[k])^2+k2*(Ty[k]-YDWD_target[k])^2+k3*(mqll_use[k])；

其中k1,k2,k3为归一化参数；

在燃烧进入稳定期之后，假设T0时刻，给定AI推荐量的权重为alpha0，给定专家推荐量的权重为1-alpha0；

计算step[k]＝(gdval(T[k],Ty[k])-gdval(T[k-1],Ty[k-1]))/(gdval(T[k],Ty[k])+gdval(T[k-1],Ty[k-1])),其中C_gdval是一个常系数；

那么下一个时刻更新的权重参数为

alpha0＝max(0,min(1,alpha0+C0*step[k]))；其中C0是常系数；

基于AI推荐量和专家推荐量分别对热风炉进行操作，并记录炉况的变化；

当专家推荐量对应的炉况收益大于等于AI推荐量对应的炉况收益时，给定权重修正系数表达式，表达式为k＝val(Tk)*a，其中的a为修正量纲参数，将alpha1更新为alpha1*(1+k),lpha2更新为alpha2*(1-k)；对应的一次修正推荐量为mqll1*alpha1*(1+k)。

进一步地，基于短周期煤气流量波动控制进行二次修正的过程包括以下：

计算t1周期内煤气热值的波动值sigma1以及t2周期内煤气热值的波动值sigma2和t3周期内煤气热值的波动值sigma3，计算得到波动权重

alpha＝k1/max(s1,sigma1)+k2/max(s2,sigma2)+k3/max(s3,sigma3)，其中s1,s2,s3是固定的参数；

若上一秒的实际煤气流量是mqll_pre,那么这个时刻，煤气流量的波动控制在[(1-alpha)*mqll_pre，(1+alpha)*mqll_pre]内。

进一步地，其中的周期内煤气热值的波动值的计算方式为方差。

进一步地，根据送风温度及最终预测总煤气消耗量确定热风炉在第一时刻的目标空煤控制策略的过程为：

步骤S201：基于在第一时刻的炉况状态下采用每个备选空煤控制策略而变化为第二时刻的各预测炉况状态下以得到所述预测送风温度和预测总煤气耗量的各种情形，计算对应的各个综合评价结果；

步骤S202：根据各所述综合评价结果中的最优者确定目标空煤控制策略。

进一步地，所述综合评价结果包括：由第一时刻的空煤控制策略产生的煤气耗量评价同基于第二时刻的所述预测送风温度和预测总煤气耗量的预测评价的期望值之间的综合结果。

与现有技术相比，本发明的有益效果是：

通过获取对第一时刻未来的第二时刻的各预测炉况状态及相应的预测送风温度和预测总煤气耗量；根据所述预测送风温度及预测总煤气耗量的优化趋势确定热风炉在第一时刻的目标空煤控制策略。

并在输出后根据实际情况进行实时修正，在维持所需送风温度标准的情形下还达成节能减排的目标。

附图说明

图1为本发明的流程原理图。

图2为获取目标空煤控制策略的流程示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

热风炉属于炼铁工艺中的能耗大户，消耗的热量占整个炼铁工序20％以上。由于热风炉的热量来源为煤气燃烧，故而如何智能调节合适的空煤比，以在达到所需的送风温度的情形下，又能大量节省能耗而减少碳排放量，实为业界亟待解决的技术问题。在现有工业控制的领域中，虽然有采用预测未来时间的例如能耗数据等来对应设置当前的控制策略以优化，但是在热风炉控制领域存在此方面方案的空白，也没有办法确定当前时间的理想的热风炉控制策略。本申请实施例中提供一种热风炉送风策略修正方法，输出优化的空煤控制策略并在输出后根据实际情况进行实时修正，以解决现有技术的问题，在维持所需送风温度标准的情形下还达成节能减排的目标。

如图1所示，展示本申请实施例中的热风炉送风策略修正方法的流程示意图。

在此实施例中，一种热风炉送风策略修正方法，包括以下步骤：

步骤101：通过经验修正模块预测下一时刻的总煤气耗量；

需要进行说明的是，通过经验修正模块预测下一时刻的总煤气耗量的过程包括以下步骤：

步骤S1：从数据存储模块中挑选送风温度、拱顶温度、烟道温度均达标的燃烧周期样本作为样本池，其中对于一个燃烧周期，设定有送风温度、拱顶温度以及烟道温度达标阈值，当送风温度、拱顶温度、烟道温度均在相应的达标阈值内时，表示该燃烧周期合格，则可以将该燃烧周期放入样本池中；

步骤S2：获取样本池内燃烧周期的消耗煤气量，并将各燃烧周期的消耗煤气量进行升序排列，获取前N个燃烧周期作为目标参考燃烧周期，其中N取正整数，且

M为样本池内的燃烧周期总数；

步骤S3：获取样本池内目标参考燃烧周期内的拱顶温度以及烟道温度，取拱顶温度的平均值以及烟道温度的平均值作为目标控制线；

其中，所述目标控制线包括拱顶温度控制线以及烟道温度控制线；

步骤S4：输入当前的炉况特征，所述炉况特征包括但不限于过去时间的拱顶温度序列、煤气流量、空气流量、拱顶压力、烟道温度等，通过对顶温度控制线以及烟道温度控制线做插值得到下一个时刻的目标烟道温度，目标拱顶温度，进而来预测下一时刻的总煤气耗量；将预测的下一时刻的总煤气耗量标记为AI推荐量；

步骤102：通过专家推荐模块获取专家推荐量；

需要进行说明的是，所述专家推荐模块为多个有经验的专家组成的专家小组，专家推荐模块内的专家根据自己的经验给出一个专家推荐量；且此专家推荐量为各个专家共同商议的结果；

步骤103：将AI推荐量与专家推荐量共同输入综合模型进行权重的学习；

具体的，权重的学习过程如下：

步骤T1：将拱顶温度目标曲线标记为GDWD_target,此时对应的当前燃烧时刻的拱顶温度目标是GDWD_target[k]；

将烟道温度目标曲线是YDWD_target,对应的当前燃烧时刻的烟道温度目标是YDWD_target[k]；

将当前拱顶温度标记为T[k]，当前的烟道温度标记为Ty[k]，在当前时刻周期内，所用的煤气流量记做mqll_use[k]；将当前的AI推荐量标记为mqll1[k]，专家推荐量为mqll0[k]；gdval(T[k],Ty[k])表示收益值，且收益值的表达式为：

gdval(T[k],Ty[k])＝k1*(T[k]-GDWD_target[k])^2+k2*(Ty[k]-YDWD_target[k])^2+k3*(mqll_use[k])；

其中k1,k2,k3为归一化参数；

在燃烧进入稳定期之后，假设T0时刻，给定AI推荐量的权重为alpha0，给定专家推荐量的权重为1-alpha0；

计算step[k]＝(gdval(T[k],Ty[k])-gdval(T[k-1],Ty[k-1]))/(gdval(T[k],Ty[k])+gdval(T[k-1],Ty[k-1])),其中C_gdval是一个常系数；

那么下一个时刻更新的权重参数为

alpha0＝max(0,min(1,alpha0+C0*step[k]))；其中C0是常系数；

基于AI推荐量和专家推荐量分别对热风炉进行操作，并记录炉况的变化；

步骤T2：基于AI推荐量和专家推荐量分别对热风炉进行操作，并记录炉况的变化；设计炉况评价标准，此实施例的一种炉况评价标准采用炉况收益的计算形式，其中炉况收益val(Tk)＝(Tk-N(n+1))，需要进行说明的是，其中的Tk表示下一时刻的温度，其中的N(n+1)表示下一时刻预期的温度；

步骤T3：分别比较AI推荐量和专家推荐量对应的炉况收益，当专家推荐量对应的炉况收益大于等于AI推荐量对应的炉况收益时，给定权重修正系数表达式，表达式为k＝val(Tk)*a，其中的a为修正量纲参数，将alpha1更新为alpha1*(1+k),lpha2更新为alpha2*(1-k)；

则对应的一次修正推荐量为mqll1*alpha1*(1+k)；

若专家推荐量对应的炉况收益小于AI推荐量对应的炉况收益，给定权重修正系数表达式，表达式为k＝-val(Tk)*a。

步骤104：将一次修正推荐量进行二次修正获取最终预测总煤气消耗量；其中二次修正包括以下几方面：基于热值预测、基于短周期煤气流量波动控制、基于短周期控制、基于长周期参数修正；

具体的，基于热值预测进行二次修正的过程包括以下：

因为总管的煤气流量热值在短期内波动非常大，而且从煤气流量给定到煤气阀门控制相应有时间延迟，同时热值的情况对之后的煤气流量预测非常重要，所以在此对短周期的热值情况做预测是非常必要的；

考虑过去t1时间周期内煤气热值的均值，过去t2时间内煤气热值的均值，以及t3时间内煤气流量的均值，通过回归预测的方法，预测未来一个短周期内煤气热值pre_rz。通过预测的煤气热值pre_rz,以及当前的煤气热值current_rz,得到一个预测煤气流量RZ＝alpha1*pre_rz+alpha2*current_rz。一方面基于生产安全要求，设置煤气流量不超过C_0/RZ(C_0是一个常数,为了修正量纲)，一方面要求如果预测到的煤气流量RZ<<current_rz,那么按比例提高短期的推荐煤气流量。

基于短周期煤气流量波动控制进行二次修正的过程包括以下：

煤气热值才是我们真正要考虑的一个重要变量，此处要考虑煤气热值的波动情况。煤气热值波动较大，就要对煤气流量的调节更缓慢。首先计算t1周期内煤气热值的波动值sigma1(此处不限于方差，用高阶矩阵来形容)，以及t2周期内煤气热值的波动值sigma2，t3周期内煤气热值的波动值sigma3，计算得到波动权重

alpha＝k1/max(s1,sigma1)+k2/max(s2,sigma2)+k3/max(s3,sigma3)，其中s1,s2,s3是固定的参数，通过历史数据统计得到k1,k2,k3。假设上一秒的实际煤气流量是mqll_pre,那么这个时刻，煤气流量的波动控制在[(1-alpha)*mqll_pre，(1+alpha)*mqll_pre]内。

基于短周期控制进行二次修正的过程包括以下：

因为热风炉的炉况变化较快，需要把每一时刻的控制指令下发到秒级别的控制上。现考虑下一个时刻的温度控制目标是T1，当前炉况温度是T0。当前的煤气流量是MQLL0，下一个时刻推荐的煤气流量是MQLL1.根据当前的时间对煤气流量做插值得到当前的预期MQLL_cur,根据当前的时间对炉况温度做插值当前时刻的预期温度是T_cur。假设上一个时刻，煤气流量修正参数是alpha_pre,上一个时刻炉况温度的与上一时刻炉温预期温度的差是t_gap,这一时刻的煤气流量修正参数是alpha_pre*a*t_gap.a是参数。

基于长周期参数进行二次修正的过程包括以下：

由于热风炉的炉况较为复杂，里面的结构不可准确估计，而且煤气用量可能还会受天气温度，气压等原因影响，历史数据不足以完整的分析当前的状况。在此添加模型事后分析的部分，用以支持对短期模型的修正。分以下几个方面：

A.针对S101的训练用数据，现在利用定时更新的模式。假设用之前的数据算出来的拱顶温度是T0，煤气流量预测结果是MQLL0。用滚动更新的形式，用最近1-3个月的数据，重新计算预测送风温度T1，以及煤气流量预测结果MQLL1。那么滚动更新的送风温度T＝T0*alpha0+T1*(1-alpha0)，滚动更新的煤气流量预测结果MQLL＝MQLL0*alpha1+MQLL1*(1-alpha1)。用T，MQLL来替代S101的结果。

B.时刻学习参数，针对S102中做出的控制结果，反馈到S101中做模型修正。燃烧经过前5-10分钟之后，进行修正实时更新阶段。每时刻记录当前所用的煤气流量序列mqll_i(i＝1,2,3,4,5,.......)，预期达到的拱顶温度gdwd_i(i＝1,2,3,4,5,.......)，以及目标拱顶温度yqgdwd_i(i＝1,2,3,4,5,.......)。计算近N个时间周期内的(yqgdwd_i-gdwd_i)的平均值，记为avg_gap_gdwd。如果abs(avg_gap_gdwd)>C，就是当这个差距的绝对值差别较大，则把S101中的预测结果同时上调或者下调abs(avg_gap_gdwd)/gdwd_i的幅度。

步骤105：根据所述预测送风温度及预测总煤气耗量的确定热风炉在第一时刻的目标空煤控制策略。

如图2所示，展示本申请实施例中获取目标空煤控制策略的流程示意图。

所述流程包括：

步骤S201：基于在第一时刻的炉况状态下采用每个备选空煤控制策略而变化为第二时刻的各预测炉况状态下以得到所述预测送风温度和预测总煤气耗量的各种情形，计算对应的各个综合评价结果。

其中，所述综合评价结果包括：由第一时刻的空煤控制策略产生的煤气耗量评价(即采用空煤控制策略在第一时刻产生的即时损失)同基于第二时刻的所述预测送风温度和预测总煤气耗量的预测评价的期望值(即采用空煤控制策略会在第二时刻产生的未来预测收益)之间的综合结果。

步骤S202：根据各所述综合评价结果中的最优者确定目标空煤控制策略。

可以理解的是，需要找到第一时刻的目标空煤控制策略，以使第一时刻得到的所述综合评价结果最优，即收益最大。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (7)

1.一种热风炉送风策略修正方法，其特征在于，包括以下步骤：

通过经验修正模块预测下一时刻的总煤气耗量并标记为AI推荐量；通过专家推荐模块获取专家推荐量；

将AI推荐量与专家推荐量共同输入综合模型进行权重的学习；并获取一次修正推荐量；

将一次修正推荐量进行二次修正并获取最终预测总煤气消耗量；

所述二次修正过程包括：基于热值预测进行二次修正、基于短周期煤气流量波动控制进行二次修正、基于短周期控制进行二次修正以及基于长周期参数进行二次修正；

根据送风温度及最终预测总煤气消耗量确定热风炉在第一时刻的目标空煤控制策略；

权重的学习过程如下：

将拱顶温度目标曲线标记为GDWD_target,此时对应的当前燃烧时刻的拱顶温度目标是GDWD_target[k]；

将烟道温度目标曲线是YDWD_target,对应的当前燃烧时刻的烟道温度目标是YDWD_target[k]；

将当前拱顶温度标记为T[k]，当前的烟道温度标记为Ty[k]，在当前时刻周期内，所用的煤气流量记做mqll_use[k]；将当前的AI推荐量标记为mqll1[k]，专家推荐量为mqll0[k]；gdval(T[k],Ty[k])表示收益值，且收益值的表达式为：

gdval（T[k],Ty[k]）=k1*(T[k]-GDWD_target[k]）^2+k2*(Ty[k]-YDWD_target[k])^2+k3*(mqll_use[k]）；

其中k1,k2,k3为归一化参数；

在燃烧进入稳定期之后，假设T0时刻，给定AI推荐量的权重为alpha0，给定专家推荐量的权重为1-alpha0；

计算step[k]=（gdval（T[k],Ty[k]）-gdval（T[k-1],Ty[k-1]））/(gdval（T[k],Ty[k]）+gdval（T[k-1],Ty[k-1]）),其中C_gdval是一个常系数；

那么下一个时刻更新的权重参数为

alpha0=max(0,min(1,alpha0+C0*step[k]));其中C0是常系数；

基于AI推荐量和专家推荐量分别对热风炉进行操作，并记录炉况的变化；

当专家推荐量对应的炉况收益大于等于AI推荐量对应的炉况收益时，给定权重修正系数表达式，表达式为k=val(Tk)*a，其中的a为修正量纲参数，将alpha1更新为alpha1*（1+k）, lpha2更新为alpha2*（1-k）；对应的一次修正推荐量为mqll1* alpha1*（1+k）；

基于短周期煤气流量波动控制进行二次修正的过程包括以下：

计算t1周期内煤气热值的波动值sigma1以及t2周期内煤气热值的波动值sigma2和t3周期内煤气热值的波动值sigma3，计算得到波动权重

alpha=k1/max(s1,sigma1)+k2/max(s2,sigma2)+k3/max(s3,sigma3)，其中s1,s2,s3是固定的参数；

若上一秒的实际煤气流量是mqll_pre, 那么这个时刻，煤气流量的波动控制在[ （1-alpha）*mqll_pre，（1+alpha）*mqll_pre]内。

2.根据权利要求1所述的一种热风炉送风策略修正方法，其特征在于，通过经验修正模块预测下一时刻的总煤气耗量的过程包括以下：

从数据存储模块中挑选送风温度、拱顶温度、烟道温度均达标的燃烧周期样本作为样本池；从数据存储模块

获取样本池内燃烧周期的消耗煤气量，并将各燃烧周期的消耗煤气量进行升序排列，获取前N个燃烧周期作为目标参考燃烧周期，其中N取正整数，且

；M为样本池内的燃烧周期总数；

获取样本池内目标参考燃烧周期内的拱顶温度以及烟道温度，取拱顶温度的平均值以及烟道温度的平均值作为目标控制线；

输入当前的炉况特征，通过对顶温度控制线以及烟道温度控制线做插值得到下一个时刻的目标烟道温度，目标拱顶温度，进而来预测下一时刻的总煤气耗量。

3.根据权利要求2所述的一种热风炉送风策略修正方法，其特征在于，所述目标控制线包括拱顶温度控制线以及烟道温度控制线，所述炉况特征包括过去时间的拱顶温度序列、煤气流量、空气流量、拱顶压力以及烟道温度。

4.根据权利要求1所述的一种热风炉送风策略修正方法，其特征在于，所述专家推荐模块为多个有经验的专家组成的专家小组，专家推荐模块内的专家根据自己的经验给出一个专家推荐量；且此专家推荐量为各个专家共同商议的结果。

5.根据权利要求1所述的一种热风炉送风策略修正方法，其特征在于，其中的周期内煤气热值的波动值的计算方式为方差。

6.根据权利要求1所述的一种热风炉送风策略修正方法，其特征在于，根据送风温度及最终预测总煤气消耗量确定热风炉在第一时刻的目标空煤控制策略的过程为：

步骤S201：基于在第一时刻的炉况状态下采用每个备选空煤控制策略而变化为第二时刻的各预测炉况状态下以得到预测送风温度和预测总煤气耗量的各种情形，计算对应的各个综合评价结果；

步骤S202：根据各所述综合评价结果中的最优者确定目标空煤控制策略。

7.根据权利要求6所述的一种热风炉送风策略修正方法，其特征在于，所述综合评价结果包括：由第一时刻的空煤控制策略产生的煤气耗量评价同基于第二时刻的所述预测送风温度和预测总煤气耗量的预测评价的期望值之间的综合结果。

Images