CN114580756A - 一种基于数据驱动的矿热炉节能优化方法及其装置 - Google Patents
一种基于数据驱动的矿热炉节能优化方法及其装置 Download PDFInfo
- Publication number
- CN114580756A CN114580756A CN202210224899.XA CN202210224899A CN114580756A CN 114580756 A CN114580756 A CN 114580756A CN 202210224899 A CN202210224899 A CN 202210224899A CN 114580756 A CN114580756 A CN 114580756A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- arc furnace
- submerged arc
- data
- weight
- 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 36
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims abstract description 126
- 239000002994 raw material Substances 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 44
- 239000012535 impurity Substances 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000003723 Smelting Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000013329 compounding Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 239000002802 bituminous coal Substances 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 229910001021 Ferroalloy Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
-
- 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)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种基于数据驱动的矿热炉节能优化方法及其装置，涉及矿热炉节能优化技术领域。针对待预测矿热炉，获取矿热炉的历史生产数据，包括原料的重量、杂质含量和所对应单位能耗；对历史生产数据进行预处理，得到矿热炉的能耗向量；将矿热炉能耗特征向量输入随机森林算法，计算得到矿热炉能耗模型；在当前杂质含量的原料生产下，利用遗传算法对各个原料的重量进行编码，将矿热炉能耗模型作为适应度函数，将原料重量和当前原料的杂质含量输入能耗模型，计算得到所预测的矿热炉能耗，进行遗传操作的迭代循环，得到最低能耗和最优重量。应用本发明，能实现在不同杂质含量原料的生产下对矿热炉能耗的准确预测并对重量进行寻优。
Description
技术领域
本发明涉及矿热炉节能优化技术领域，具体涉及一种基于数据驱动的矿热炉节能优化方法及其装置。
背景技术
矿热炉是铁合金生产的核心设备，在冶炼过程中矿热炉的能耗占用了冶炼工艺中的大部分电能。随着冶炼规模的扩大，不可避免地会消耗更多的电能。能耗水平是矿热炉运行控制的关键指标之一，矿热炉工厂往往会制定年度、季度或者月度的能耗计划目标，该目标的制定既考虑到矿热炉冶炼流程的特点、运行条件以及以往的能耗水平，也考虑到对能耗提升的管理、设备系统的技改等因素。矿热炉生产过程中，除了电极升降会影响能耗，配料时原料的重量对能耗也有一定的影响。原料重量对能耗的影响分析，通常是通过人工经验来判断，如果能基于原料重量与单耗的关系，对矿热炉能耗进行预测，就能得到最优的原料重量和矿热炉能耗，以达到降低生产成本、提高生产效率的目的，因此亟需开发一种矿热炉节能优化的方法。
发明内容
本发明的目的在于提供一种基于数据驱动的矿热炉节能优化方法及其装置，基于原料重量与单耗的关系，对矿热炉能耗进行预测，实现对矿热炉的节能优化。
为解决上述的技术问题，本发明采用以下技术方案：一种基于数据驱动的矿热炉节能优化方法，其特征在于包括如下步骤：
S1、获取待预测矿热炉的历史生产数据：
S1-1、获取矿热炉中原料的重量xi、杂质含量yi以及所对应的单位能耗e；
S1-2、使用数据获取模块按照炉次将第S1-1步骤中获取的数据收集汇总；
S1-3、数据存储模块将数据以炉次为主键存储在数据库中；
S2、数据预处理模块对历史生产数据进行预处理，得到矿热炉能耗特征向量v，对矿热炉能耗特征向量v进行预处理后，存储在数据库中；
S3、将经过数据处理的矿热炉能耗特征向量v输入到随机森林算法中，训练出矿热炉的能耗模型，利用平均绝对百分比误差MAPE和拟合优度R2来衡量模型的准确性；
S4、将原料的重量xi作为遗传算法的变量进行编码并设定范围，经过初始化种群，将原料重量和当前杂质含量输入矿热炉能耗模型得到的单位能耗作为适应度评估值，然后进行选择，交叉和变异的迭代循环，直至寻找到在当前原料的杂质含量yi生产下的最低能耗e的原料重量xi。
更进一步的技术方案是步骤S1所述原料重量xi为配料时第i种原料的重量，杂质含量yi为第i种原料的杂质含量，其中杂质含量为实验室检测数据。
更进一步的技术方案是所述步骤S2的具体过程如下，
S2-1、将历史生产数据以炉次为主键，转换为矿热炉能耗特征向量v：
v＝(x1，x2，…，xn，y1，y2，…，yn)
其中，xi为配料时第i种原料的重量，yi为配料时第i种原料的杂质含量；
S2-2、对矿热炉能耗特征向量进行数据预处理；
S2-3、将矿热炉能耗特征向量存储在数据库中。
更进一步的技术方案是所述步骤S3的具体过程如下，
S3-1、从数据库中读取全部的矿热炉能耗特征向量v；
S3-2、将矿热炉能耗特征向量v输入能耗模型训练模块中的随机森林算法，算法回归模型为：
e＝f(x1，x2，…，xn，y1，y2，…，yn)
其中，xi为配料时第i种原料的重量，yi为配料时第i种原料的杂质含量，n为原料的种类数，e为所对应的单位能耗；
S3-3、随机森林算法结果保存为模型文件。
更进一步的技术方案是所述步骤S4的具体过程如下，
S4-1、在保证安全的前提下，根据实际经验设定各种原料的重量xi的变化范围；
S4-2、经过初始化种群，再进行适应度评估，选择，交叉和变异的迭代循环，其中，适应度获取待预测矿热炉各原料的重量xi，对数据进行预处理后，得到能耗预测特征向量数据v，将能耗预测特征向量数据v输入能耗预测模型中，得到所对应的单位能耗e作为适应度大小，适应度评估函数为e＝fmodel{xi，yi}，其中，xi为第i个原料重量，yi为第i个原料杂质含量；
其中，选择采用随机竞争选择，其方法为每次按照轮盘赌选择机制选取两个个体，然后让其进行竞争，选择适应度高的个体进入下一代；
交叉采用两点交叉，其方法为在个体中随机设置两个交叉点，然后对交叉点中间的基因进行交换；
变异采用均匀变异，其方法为在基因范围内小概率的对各个基因进行替换；
S4-3、经过S4-2中遗传操作的迭代循环后，寻找到在当前原料的杂质含量yi的生产下，最低单位能耗e所对应的最优原料重量xi。
更进一步的技术方案是所述数据预处理模块通过主成分分析，对数据进行降维，具体步骤为：1)对原始数据矩阵中的每一个特征字段进行零均值化；2)求协方差矩阵，特征值和特征向量；3)将特征向量按其对应的特征值大小从大到小排列，取前k个特征向量，组成降维后的数据矩阵；其中，k表示降维后的维度。
本发明还可以是一种基于数据驱动的矿热炉节能优化装置，其特征在于：包括数据获取模块、数据存储模块、数据预处理模块、能耗模型训练模块、能耗预测模块、节能优化模块，其中，
数据获取模块，用于通过DCS获取矿热炉生产过程中各种原料的重量和杂质含量，并获取矿热炉单位能耗；
数据存储模块，用于将数据以炉次为主键存储在数据库中；
数据预处理模块，用于对矿热炉能耗特征向量v及实时数据进行数据预处理；
能耗模型训练模块，用于将矿热炉能耗特征向量v输入随机森林算法，计算得到矿热炉能耗模型；
能耗预测模块，用于将能耗预测特征向量数据v输入矿热炉能耗预测模型中，得到所对应的单位能耗；
节能优化模块，用于对不同原料杂质含量生产下的原料重量大小进行寻优，得到最佳的单位能耗下的最优原料重量。
与现有技术相比，本发明的有益效果是：针对不同配料重量与杂质含量对矿热炉进行单位能耗准确预测，生产时基于原料杂质含量，以最佳单位能耗为目标，寻找最优原料重量，以控制矿热炉的生产，在一定程度上降低矿热炉的能耗水平，降低成本，提高生产效率。
附图说明
图1为本发明中矿热炉能耗的预测方法的流程图。
图2为本发明中矿热炉的预测装置的结构框图。
图3为矿热炉能耗预测值与真实值比较曲线图。
图4为矿热炉节能优化前的值与优化后的值比较曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
图1示出了一种基于数据驱动的矿热炉节能优化方法，具体实施步骤为：
S1：首先对待预测矿热炉进行数据获取，具体步骤为：
S1-1、通过DCS获取矿热炉配料时各种原料的重量xi和杂质含量yi，原料包括硅石、木片、烟煤、水洗煤和铅粉，并获取矿热炉该运行对应炉次的单位能耗e；所述单位能耗为单位产量下矿热炉所消耗的电能。
S1-2、使用数据获取模块按照炉次将S1-1中获取的数据收集汇总；
S1-3、数据存储模块将数据以炉次为主键存储在数据库中；
S2：数据预处理模块对历史数据进行预处理，得到矿热炉能耗特征向量v，具体步骤为：
S2-1、将历史数据以炉次为主键，转换为矿热炉能耗特征向量v：
v＝(x1，x2，…，xn，y1，y2，…，yn)
其中，xi为配料时第i种原料的重量，yi为配料时第i种原料的杂质含量，n为原料的种类数；
S2-2、对矿热炉能耗特征向量进行数据预处理，首先对数据的异常值和缺失值进行均值法填补，然后通过主成分分析，对数据进行降维。
具体步骤为：1)对原始数据矩阵中的每一个特征字段进行零均值化；2)求协方差矩阵，特征值和特征向量；3)将特征向量按其对应的特征值大小从大到小排列，取前k个特征向量，组成降维后的数据矩阵；其中，k表示降维后的维度。
S2-3、将矿热炉能耗特征向量存储在数据库中。
S3：将经过数据处理的矿热炉组能耗特征向量v输入到随机森林算法中，训练出矿热炉的能耗模型，利用平均绝对百分比误差MAPE和拟合优度R2来衡量模型的准确性，具体步骤为：
S3-1、从数据库中读取80％的矿热炉能耗特征向量v用来训练，20％用来预测以评估所训练的模型；
S3-2、将矿热炉能耗特征向量v输入能耗模型训练模块中的随机森林算法，算法参数设置为树的最大深度11，树的数量500，算法回归模型为：
e＝f(x1，x2，x3，x4，x5，y1，y2，y3，y4，y5)
其中，x1为硅石的重量，x2为木片的重量，x3为烟煤的重量，x4为水洗煤的重量，x5为铅粉的重量，y1，y2，y3，y4，y5为所对应配料的实验室检测杂质含量数据，e为所对应炉次的单位能耗；
S3-3、随机森林算法结果保存为模型文件。
S4：将各原料的重量xi作为遗传算法的变量进行编码并设定范围，经过初始化种群，矿热炉单耗作为适应度值的评估，然后进行选择，交叉和变异的迭代循环，直至寻找到在当前原料的杂质含量yi生产下的最低能耗e的原料重量xi，具体步骤为：
S4-1、在保证安全的前提下，根据实际经验设定各种原料的重量xi的变化范围；
S4-2、遗传算法参数设置为种群大小60，迭代次数500，交叉率0.75，变异率0.02，经过初始化种群，再进行适应度评估，选择，交叉和变异的迭代循环，其中，适应度获取待预测矿热炉各原料的重量xi，对数据进行预处理后，得到能耗预测特征向量数据v，将能耗预测特征向量数据v输入能耗预测模型中，得到所对应的单位能耗e作为适应度大小，适应度评估函数为e＝fmodel{xi，yi}，其中，xi为第i个原料重量，yi为第i个原料杂质含量；
S4-3、经过S4-2中遗传操作的迭代循环后，寻找到在当前原料杂质含量yi的生产下，最低单位能耗e所对应的最优原料重量xi。
为验证本发明随机森林算法所训练出的能耗模型的准确性，将步骤S3-1中20％的能耗特征向量用来预测，将模型预测值与实际生产中单位能耗对比，图3为100个炉次的单位能耗真实值与预测值的对比，证明了本发明中随机森林算法预测的可行性与准确性。本发明中遗传算法的节能优化效果如图4所示，为100个炉次的单位能耗优化前和优化后的对比。
实施例2
图2示出了一种基于数据驱动的矿热炉节能优化装置，包括数据获取模块、数据存储模块、数据预处理模块、能耗模型训练模块、能耗预测模块、节能优化模块，其中，
数据获取模块，用于通过DCS获取矿热炉生产过程中各种原料的重量，并获取矿热炉单位能耗和各种原料的实验室检测杂质含量数据；
数据存储模块，用于将数据以炉次为主键存储在数据库中；
数据预处理模块，用于对矿热炉能耗特征向量v及实时数据进行数据预处理；
能耗模型训练模块，用于将矿热炉能耗特征向量v输入随机森林算法，计算得到矿热炉能耗模型；
能耗预测模块，用于将能耗预测特征向量数据v＇输入矿热炉能耗预测模型中，得到所对应的单位能耗；
节能优化模块，用于对不同原料杂质含量生产的原料重量大小进行寻优，得到最佳的单位能耗。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种基于数据驱动的矿热炉节能优化方法，其特征在于包括如下步骤：
S1、获取待预测矿热炉的历史生产数据：
S1-1、获取矿热炉中原料的重量xi、杂质含量yi以及所对应的单位能耗e；
S1-2、使用数据获取模块按照炉次将第S1-1步骤中获取的数据收集汇总；
S1-3、数据存储模块将数据以炉次为主键存储在数据库中；
S2、数据预处理模块对历史生产数据进行预处理，得到矿热炉能耗特征向量v，对矿热炉能耗特征向量v进行预处理后，存储在数据库中；
S3、将经过数据处理的矿热炉能耗特征向量v输入到随机森林算法中，训练出矿热炉的能耗模型，利用平均绝对百分比误差MAPE和拟合优度R2来衡量模型的准确性；
S4、将原料的重量xi作为遗传算法的变量进行编码并设定范围，经过初始化种群，将原料重量和当前杂质含量输入矿热炉能耗模型得到的单位能耗作为适应度评估值，然后进行选择，交叉和变异的迭代循环，直至寻找到在当前原料杂质含量yi生产下的最低能耗e的原料重量xi。
2.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：步骤S1所述原料的重量xi为配料时第i种原料的重量，杂质含量yi为第i种原料的杂质含量，其中杂质含量为实验室检测数据。
3.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述步骤S2的具体过程如下，
S2-1、将历史生产数据以炉次为主键，转换为矿热炉能耗特征向量v：
v＝(x1,x2,…,xn,y1,y2,…,yn)
其中，xi为配料时第i种原料的重量，yi为配料时第i种原料的杂质含量；
S2-2、对矿热炉能耗特征向量进行数据预处理；
S2-3、将矿热炉能耗特征向量存储在数据库中。
4.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述步骤S3的具体过程如下，
S3-1、从数据库中读取全部的矿热炉能耗特征向量v；
S3-2、将矿热炉能耗特征向量v输入能耗模型训练模块中的随机森林算法，算法回归模型为：
e＝f(x1,x2,…,xn,y1,y2,…,yn)
其中，xi为配料时第i种原料的重量，yi为配料时第i种原料的杂质含量，n为原料的种类数，e为所对应的单位能耗；
S3-3、随机森林算法结果保存为模型文件。
5.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述步骤S4的具体过程如下，
S4-1、设定原料的重量xi的变化范围；
S4-2、经过初始化种群，再进行适应度评估，选择，交叉和变异的迭代循环，其中，适应度获取待预测矿热炉原料的重量xi，对数据进行预处理后，得到能耗预测特征向量数据v，将能耗预测特征向量数据v输入能耗预测模型中，得到所对应的单位能耗e作为适应度大小，适应度评估函数为e＝fmodel{xi,yi}，其中，xi为第i个原料重量，yi为第i个原料杂质含量；
其中，选择采用随机竞争选择，其方法为每次按照轮盘赌选择机制选取两个个体，然后让其进行竞争，选择适应度高的个体进入下一代；
交叉采用两点交叉，其方法为在个体中随机设置两个交叉点，然后对交叉点中间的基因进行交换；
变异采用均匀变异，其方法为在基因范围内小概率的对各个基因进行替换；
S4-3、经过S4-2中遗传操作的迭代循环后，寻找到在当前原料杂质含量yi的生产下，最低单位能耗e所对应的最优原料重量xi。
6.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述数据预处理模块通过主成分分析，对数据进行降维，具体步骤为：1)对原始数据矩阵中的每一个特征字段进行零均值化；2)求协方差矩阵，特征值和特征向量；3)将特征向量按其对应的特征值大小从大到小排列，取前k个特征向量，组成降维后的数据矩阵；其中，k表示降维后的维度。
7.一种基于数据驱动的矿热炉节能优化装置，其特征在于：包括数据获取模块、数据存储模块、数据预处理模块、能耗模型训练模块、能耗预测模块、节能优化模块，其中，
数据获取模块，用于通过DCS获取矿热炉生产过程中原料的重量和杂质含量，并获取矿热炉单位能耗；
数据存储模块，用于将数据以炉次为主键存储在数据库中；
数据预处理模块，用于对矿热炉能耗特征向量v及实时数据进行数据预处理；
能耗模型训练模块，用于将矿热炉能耗特征向量v输入随机森林算法，计算得到矿热炉能耗模型；
能耗预测模块，用于将能耗预测特征向量数据v输入矿热炉能耗预测模型中，得到所对应的单位能耗；
节能优化模块，用于对不同杂质含量原料生产的原料重量大小进行寻优，得到最佳单位能耗下的最优原料重量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224899.XA CN114580756A (zh) | 2022-03-09 | 2022-03-09 | 一种基于数据驱动的矿热炉节能优化方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210224899.XA CN114580756A (zh) | 2022-03-09 | 2022-03-09 | 一种基于数据驱动的矿热炉节能优化方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114580756A true CN114580756A (zh) | 2022-06-03 |
Family
ID=81777774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210224899.XA Pending CN114580756A (zh) | 2022-03-09 | 2022-03-09 | 一种基于数据驱动的矿热炉节能优化方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580756A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
-
2022
- 2022-03-09 CN CN202210224899.XA patent/CN114580756A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
| CN116379793B (zh) * | 2023-06-02 | 2023-08-15 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899463B (zh) | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 | |
| CN104765350B (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 | |
| CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
| CN105177199B (zh) | 高炉煤气发生量软测量方法 | |
| CN109214449A (zh) | 一种电网投资需求预测方法 | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN110514619A (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
| CN106845012A (zh) | 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法 | |
| CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
| CN114580756A (zh) | 一种基于数据驱动的矿热炉节能优化方法及其装置 | |
| CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
| CN111833970B (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
| CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
| CN114334025A (zh) | 一种水泥熟料煅烧环境变量的构建及验证方法 | |
| CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
| CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
| CN113627753A (zh) | 一种电力市场市场力的综合评价方法 | |
| Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
| CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
| CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
| Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
| CN106919979A (zh) | 一种利用改进遗传算法实现棉花加工过程智能控制的方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
| CN116316542A (zh) | 区域分布式光伏功率预测方法、装置、计算机设备及存储介质 |
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 |