CN116307245A - 一种自动配煤方法及系统 - Google Patents
一种自动配煤方法及系统 Download PDFInfo
- Publication number
- CN116307245A CN116307245A CN202310366495.9A CN202310366495A CN116307245A CN 116307245 A CN116307245 A CN 116307245A CN 202310366495 A CN202310366495 A CN 202310366495A CN 116307245 A CN116307245 A CN 116307245A
- Authority
- CN
- China
- Prior art keywords
- coal blending
- coal
- quality
- blending
- index
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 415
- 238000002156 mixing Methods 0.000 title claims abstract description 327
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 72
- 238000012360 testing method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 229910052717 sulfur Inorganic materials 0.000 claims description 7
- 239000011593 sulfur Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 32
- 238000004939 coking Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000003039 volatile agent Substances 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动配煤方法及系统，方法步骤包括：获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。本发明利用神经网络模型对配煤质量指标进行预测，并通过对神经网络模型进行算法优化能对配煤过程中的非线性数据和线性数据等综合指标均进行预测；根据配煤质量预测值构建配煤优化模型，将配煤问题集成至约束模型内，结合成本、质量等因素，以经济性和最佳配比需求优化煤的配置，得到配煤最优配置，配煤效率高。
Description
技术领域
本发明涉及配煤技术领域，具体涉及一种自动配煤方法及系统。
背景技术
当前我国煤炭种类比较多且储藏量丰富，但分布不均匀，且优质的炼焦煤资源相对较少。为了充分利用各地煤炭资源，节约生产成本，焦化企业采用炼焦配煤技术，生产出符合要求的焦炭。配煤是一个复杂的工艺过程，涉及到单煤的煤质、炼焦工况以及成焦机理等因素，但在实际生产过程中，由于原料煤的来源复杂及质量波动大，配煤工艺人员需要花费大量的时间计算配煤比，再结合经验或试验才能得出一个较优的配煤方案。
目前也有少数采取智能算法来完成自动配煤，包括采用线性回归、基于支持向量机等方法，但线性回归方法往往忽略了非线性因果关系，不能拟合非线性数据，基于支持向量机的方法学习速率慢，其核函数和参数较难确定最优值，导致配煤效率低，配煤结果不理想等问题。
发明内容
针对现有技术中的缺陷，本发明提供一种自动配煤方法及系统。
第一方面，一种自动配煤方法，包括：
获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。
进一步地，在获取配煤质量指标之前，还包括预先构建配煤质量预测模型，具体为：
获取历史煤质参数，将所述历史煤质参数划分为训练集和测试集；
构建初始神经网络模型，将所述训练集输入至初始神经网络模型中进行一次训练，得到初始神经网络模型的训练适应度；
对所述初始神经网络模型进行算法优化，以更新所述训练适应度，直至得到最优训练适应度，并获取所述最优训练适应度对应的优化神经网络模型；
将所述训练集和测试集输入至优化神经网络模型中进行二次训练，得到预测正确率，并根据所述预测正确率获取最佳训练权重，将所述最佳训练权重对应的优化神经网络模型作为配煤质量预测模型输出。
进一步地，所述获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值，具体为：
获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数；
对所述配煤质量指标进行数据筛选和归一处理，得到配煤质量增强指标；
将所述配煤质量增强指标输入至配煤质量预测模型中，并输出配煤质量预测值。
进一步地，所述获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件，包括：
获取配煤目标，所述配煤目标包括成本目标和配煤质量目标；
根据所述配煤目标构建约束目标函数，所述约束目标函数为：
其中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例；
获取配煤指标阈值，根据所述配煤指标阈值和配煤质量预测值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
其中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
进一步地，所述对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置，具体为：
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件下的最优解；
根据所述最优解获取对应的配煤质量指标，根据所述配煤质量指标得到配煤最优配置。
第二方面，一种自动配煤系统，包括：
指标预测模块：用于获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
约束构建模块：用于获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
优化配煤模块：用于对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。
进一步地，还包括预测模型构建模块，所述预测模型构建模块用于：
获取历史煤质参数，将所述历史煤质参数划分为训练集和测试集；
构建初始神经网络模型，将所述训练集输入至初始神经网络模型中进行一次训练，得到初始神经网络模型的训练适应度；
对所述初始神经网络模型进行算法优化，以更新所述训练适应度，直至得到最优训练适应度，并获取所述最优训练适应度对应的优化神经网络模型；
将所述训练集和测试集输入至优化神经网络模型中进行二次训练，得到预测正确率，并根据所述预测正确率获取最佳训练权重，将所述最佳训练权重对应的优化神经网络模型作为配煤质量预测模型输出。
进一步地，所述指标预测模块具体用于：
获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数；
对所述配煤质量指标进行数据筛选和归一处理，得到配煤质量增强指标；
将所述配煤质量增强指标输入至配煤质量预测模型中，并输出配煤质量预测值。
进一步地，所述约束构建模块具体用于：
获取配煤目标，所述配煤目标包括成本目标和配煤质量目标；
根据所述配煤目标构建约束目标函数，所述约束目标函数为：
其中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例；
获取配煤指标阈值，根据所述配煤指标阈值和配煤质量预测值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
其中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
进一步地，所述优化配煤模块具体用于：
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件下的最优解；
根据所述最优解获取对应的配煤质量指标，根据所述配煤质量指标得到配煤最优配置。
本发明的有益效果体现在：利用神经网络模型对配煤质量指标进行预测，并通过对神经网络模型进行算法优化提高模型预测精度，能对配煤过程中的非线性数据和线性数据等综合指标均进行预测，得到配煤质量预测值；根据配煤质量预测值构建配煤优化模型，将配煤问题集成至一个约束模型内，结合配煤成本、配煤质量等因素，在可行域全局获取最优解，在满足质量的前提下，以经济性和最佳配比需求优化煤的配置，得到配煤最优配置，配煤效率高，配煤结果合理可靠。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的一种自动配煤方法的流程图；
图2为本发明实施例二提供的一种自动配煤系统的结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例一
如图1所示，一种自动配煤方法，包括：
S1：获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
具体地，在获取配煤质量指标之前，还包括预先构建配煤质量预测模型。获取历史煤质参数，所述历史煤质参数包括但不限于历史配合煤的灰分、挥发分、硫分、水分以及粘结指数，将所述历史煤质参数划分为训练集和测试集。
进一步地，构建初始神经网络模型，所述初始神经网络模型包括输入层、隐含层以及输出层，本实施例采用sigmoid函数作为隐含层的激活函数，采用purelin函数作为输出层激活函数。
初始化神经网络模型的结构参数，包括初始化神经网络模型的层数、每层神经元节点数目、传递函数、训练次数以及训练目标，将训练集输入至初始神经网络模型中进行一次训练，并将训练过程中产生的均方误差的平均值作为初始神经网络模型的训练适应度。
采用差分算法对初始神经网络模型进行算法优化，以对神经网络模型连接权值和阈值进行训练，更新训练适应度，直至得到最优训练适应度，并获取最优训练适应度对应的优化神经网络模型。本实施例中采用DE算法对初始神经网络模型进行算法优化，步骤包括：
(1)初始化差分算法的相关参数，包括初始化种群的最大优化次数、种群规模、变异因子以及交叉因子，所述种群中每个个体的参数变量都由初始神经网络模型的各连接权值和阈值构成，可表示为xi＝(xi,1,xi,2...xiD)，其中i＝1,2,...,N，D为问题的维数，N为种群的大小。
(2)根据当前种群中的个体xi生成目标个体mi(g)，计算公式为：
mi(g)＝xd1(g)+F×[xd1(g)-xd1(g)]
式中，d1,d2,d3∈(1,2,3...N)为不等于i的互不相同的整数，F为变异因子(可取值为0～2)，g为进化代数。
(3)根据当前种群中的个体xi的部分代码和目标个体mi(g)的部分代码进行元素交换，生成新个体ni，计算公式为：
式中，j＝1,2,3...D，[1,N]为随机选择的整数，T∈(0,1)为交叉因子。
(4)根据所述新个体ni进行优化选择，公式为：
式中，xi,j(g+1)为下一代的目标向量。
(5)根据所述新个体ni更新神经网络模型的适应度值，并找出最优秀个体，直至满足终止条件，输出最优训练适应度，得到该最优训练适应度对应的优化神经网络模型。
对初始神经网络模型进行算法优化后，将训练集输入至优化神经网络模型中进行二次训练，将测试集输入至优化神经网络模型中进行验证，得到预测正确率，所述预测正确率反映训练结果与验证结果之间的差距。根据预测正确率获取最佳训练权重，将最佳训练权重及对应的优化神经网络模型作为配煤质量预测模型输出。
进一步地，获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数。对配煤质量指标进行数据预处理，包括数据筛选和归一处理，得到配煤质量增强指标。其中数据筛选包括但不限于零值检测、错误值检测、缺失值检测以及异常值检测，所述归一处理使配煤质量指标均处于[0,1]区间，归一处理公式为：
式中，x'为归一化后的配煤质量指标，xi为原始配煤质量指标，xmin为原始配煤质量指标中的最小值，xmax为原始配煤质量指标中的最大值。
将预处理后的配煤质量增强指标输入至上述构建的配煤质量预测模型中，以通过配煤质量预测模型对配煤质量指标进行预测，输出配煤质量预测值。
S2：根据所述配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
具体地，获取配煤目标，所述配煤目标由实际配煤情况中所要达到的目标确定，包括成本目标和配煤质量目标。其中，成本目标代表成本最低目标，假设有n种单种煤进行混配，第i个单种煤的成本价为Ci,混配比例为Pi，则成本最低的目标函数为：
配煤质量指标包括优质煤配入比指标和劣质煤配入比指标，考虑到优质煤含量少价格高，本实施例配煤中采取减少优质煤使用量的方式，以优化配煤、降低成本、提高效益。假设有n种单种煤进行混配，第j个单种煤是优质煤，其配入比例为Pj，则优质煤配入比的目标函数为：
min P1＝Pj
同时，为使劣质煤得到充分利用，达到节约优质煤、降低成本的目的，配煤中增加劣质煤使用量。假设有n种单种煤进行混配，其中第k个单种煤为劣质煤，其配入比例为Pk，为尽可能增大劣质煤配入量，则劣质煤配入比的目标函数为：
max P2＝Pk
为方便计算，将劣质煤配入比目标函数统一转换为求解最小值：
min P2＝1-Pk
因此，配煤目标总的约束目标函数为：
式中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例。
获取配煤指标阈值，根据配煤指标阈值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
式中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
S3：对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置；
具体地，对配煤优化模型采用特定算法进行求解，得到约束目标函数最小值，以获取约束目标函数在约束条件定义域内的最优解。优选地，所述特定算法包括但不限于遗传算法、粒子群算法以及分支界定算法。
进一步地，根据最优解获取对应的配煤质量指标，根据该配煤质量指标得到配煤最优配置，以在满足质量的前提下，根据配煤经济性和最佳配比需求优化煤的配置。
实施例二
如图2所示，一种自动配煤系统，包括：
指标预测模块：用于获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
约束构建模块：用于获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
优化配煤模块：用于对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。
进一步地，还包括预测模型构建模块，所述预测模型构建模块用于：
获取历史煤质参数，将所述历史煤质参数划分为训练集和测试集；
构建初始神经网络模型，将所述训练集输入至初始神经网络模型中进行一次训练，得到初始神经网络模型的训练适应度；
对所述初始神经网络模型进行算法优化，以更新所述训练适应度，直至得到最优训练适应度，并获取所述最优训练适应度对应的优化神经网络模型；
将所述训练集和测试集输入至优化神经网络模型中进行二次训练，得到预测正确率，并根据所述预测正确率获取最佳训练权重，将所述最佳训练权重对应的优化神经网络模型作为配煤质量预测模型输出。
进一步地，所述指标预测模块具体用于：
获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数；
对所述配煤质量指标进行数据筛选和归一处理，得到配煤质量增强指标；
将所述配煤质量增强指标输入至配煤质量预测模型中，并输出配煤质量预测值。
进一步地，所述约束构建模块具体用于：
获取配煤目标，所述配煤目标包括成本目标和配煤质量目标；
根据所述配煤目标构建约束目标函数，所述约束目标函数为：
其中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例；
获取配煤指标阈值，根据所述配煤指标阈值和配煤质量预测值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
其中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
进一步地，所述优化配煤模块具体用于：
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件下的最优解；
根据所述最优解获取对应的配煤质量指标，根据所述配煤质量指标得到配煤最优配置。
需要说明的是，关于本实施例中自动配煤系统更为具体的工作流程，请参考前述方法实施例，在此不再赘述。
本发明利用神经网络模型对配煤质量指标进行预测，并通过对神经网络模型进行算法优化提高模型预测精度，能对配煤过程中的非线性数据和线性数据等综合指标均进行预测，得到配煤质量预测值；根据配煤质量预测值构建配煤优化模型，将配煤问题集成至一个约束模型内，结合配煤成本、配煤质量等因素，在可行域全局获取最优解，在满足质量的前提下，以经济性和最佳配比需求优化煤的配置，得到配煤最优配置，配煤效率高，配煤结果合理可靠。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种自动配煤方法，其特征在于，包括：
获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。
2.根据权利要求1所述的一种自动配煤方法，其特征在于，在获取配煤质量指标之前，还包括预先构建配煤质量预测模型，具体为：
获取历史煤质参数，将所述历史煤质参数划分为训练集和测试集；
构建初始神经网络模型，将所述训练集输入至初始神经网络模型中进行一次训练，得到初始神经网络模型的训练适应度；
对所述初始神经网络模型进行算法优化，以更新所述训练适应度，直至得到最优训练适应度，并获取所述最优训练适应度对应的优化神经网络模型；
将所述训练集和测试集输入至优化神经网络模型中进行二次训练，得到预测正确率，并根据所述预测正确率获取最佳训练权重，将所述最佳训练权重对应的优化神经网络模型作为配煤质量预测模型输出。
3.根据权利要求2所述的一种自动配煤方法，其特征在于，所述获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值，具体为：
获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数；
对所述配煤质量指标进行数据筛选和归一处理，得到配煤质量增强指标；
将所述配煤质量增强指标输入至配煤质量预测模型中，并输出配煤质量预测值。
4.根据权利要求3所述的一种自动配煤方法，其特征在于，所述获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件，包括：
获取配煤目标，所述配煤目标包括成本目标和配煤质量目标；
根据所述配煤目标构建约束目标函数，所述约束目标函数为：
其中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例；
获取配煤指标阈值，根据所述配煤指标阈值和配煤质量预测值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
其中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
5.根据权利要求4所述的一种自动配煤方法，其特征在于，所述对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置，具体为：
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件下的最优解；
根据所述最优解获取对应的配煤质量指标，根据所述配煤质量指标得到配煤最优配置。
6.一种自动配煤系统，其特征在于，包括：
指标预测模块：用于获取配煤质量指标，根据所述配煤质量指标获取配煤质量预测值；
约束构建模块：用于获取配煤目标，根据所述配煤目标和配煤质量预测值构建配煤优化模型，所述配煤优化模型包括约束目标函数和约束条件；
优化配煤模块：用于对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件定义域内的最优解，以获取配煤最优配置。
7.根据权利要求6所述的一种自动配煤系统，其特征在于，还包括预测模型构建模块，所述预测模型构建模块用于：
获取历史煤质参数，将所述历史煤质参数划分为训练集和测试集；
构建初始神经网络模型，将所述训练集输入至初始神经网络模型中进行一次训练，得到初始神经网络模型的训练适应度；
对所述初始神经网络模型进行算法优化，以更新所述训练适应度，直至得到最优训练适应度，并获取所述最优训练适应度对应的优化神经网络模型；
将所述训练集和测试集输入至优化神经网络模型中进行二次训练，得到预测正确率，并根据所述预测正确率获取最佳训练权重，将所述最佳训练权重对应的优化神经网络模型作为配煤质量预测模型输出。
8.根据权利要求7所述的一种自动配煤系统，其特征在于，所述指标预测模块具体用于：
获取配煤质量指标，所述配煤质量指标包括但不限于配合煤的灰分、挥发分、硫分、水分以及粘结指数；
对所述配煤质量指标进行数据筛选和归一处理，得到配煤质量增强指标；
将所述配煤质量增强指标输入至配煤质量预测模型中，并输出配煤质量预测值。
9.根据权利要求8所述的一种自动配煤系统，其特征在于，所述约束构建模块具体用于：
获取配煤目标，所述配煤目标包括成本目标和配煤质量目标；
根据所述配煤目标构建约束目标函数，所述约束目标函数为：
其中，Ci为第i个单种煤的成本价，Pi为第i个单种煤的混配比例，Pj为第j个单种煤为优质煤时对应的配入比例，Pk为第k个单种煤为劣质煤时对应的配入比例；
获取配煤指标阈值，根据所述配煤指标阈值和配煤质量预测值构建每个配煤质量指标对应的约束条件，所述约束条件为：
Smin≤S(i,p)≤Smax
其中，S(i,j)为配合煤中第i个单种煤第p种配煤质量指标预测值，Smin和Smax分别为配合煤中第i个单种煤第p种配煤质量指标对应的配煤指标下限阈值和配煤指标上限阈值。
10.根据权利要求9所述的一种自动配煤系统，其特征在于，所述优化配煤模块具体用于：
对所述配煤优化模型进行算法求解，得到约束目标函数在约束条件下的最优解；
根据所述最优解获取对应的配煤质量指标，根据所述配煤质量指标得到配煤最优配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310366495.9A CN116307245A (zh) | 2023-04-07 | 2023-04-07 | 一种自动配煤方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310366495.9A CN116307245A (zh) | 2023-04-07 | 2023-04-07 | 一种自动配煤方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307245A true CN116307245A (zh) | 2023-06-23 |
Family
ID=86783461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310366495.9A Pending CN116307245A (zh) | 2023-04-07 | 2023-04-07 | 一种自动配煤方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307245A (zh) |
-
2023
- 2023-04-07 CN CN202310366495.9A patent/CN116307245A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Learning to solve network flow problems via neural decoding | |
| CN110766212A (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
| CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN114757104B (zh) | 一种串联闸群调水工程水力实时调控模型的构建方法 | |
| CN111680786A (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| Guo et al. | Applying gated recurrent units pproaches for workload prediction | |
| CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
| CN116029879A (zh) | 一种基于多维度的全行业最优减排策略的生成方法及系统 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN114707692A (zh) | 基于混合神经网络的湿地出水氨氮浓度预测方法及系统 | |
| Zhou et al. | Deep learning-based intelligent multilevel predictive maintenance framework considering comprehensive cost | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| CN116307245A (zh) | 一种自动配煤方法及系统 | |
| CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 | |
| CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
| CN110543942A (zh) | 一种多时空长短记忆深度网络精准预测方法 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| Kang et al. | Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN | |
| Jia et al. | A reliable small sample classification algorithm by Elman neural network based on PLS and GA | |
| CN117313958B (zh) | 基于迁移学习的低压分布式光伏功率预测方法及系统 | |
| CN117709524A (zh) | 一种基于贝叶斯优化的钢铁行业碳排放预测方法及系统 |
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 |