CN118092169A - 一种基于机器学习的高炉喷吹调控系统 - Google Patents

一种基于机器学习的高炉喷吹调控系统 Download PDF

Info

Publication number
CN118092169A
CN118092169A CN202410192244.8A CN202410192244A CN118092169A CN 118092169 A CN118092169 A CN 118092169A CN 202410192244 A CN202410192244 A CN 202410192244A CN 118092169 A CN118092169 A CN 118092169A
Authority
CN
China
Prior art keywords
decision
evaluation value
feature
blast furnace
preset
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
Application number
CN202410192244.8A
Other languages
English (en)
Inventor
徐倩霏
徐利
吕纪永
武建荣
邢峰
苏存平
艾志明
丁传伟
张上杰
陈小江
张海
曲猛
付加会
何贵驰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Longteng Special Steel Group Co ltd
Changshu Longteng Special Steel Co Ltd
Original Assignee
Jiangsu Longteng Special Steel Group Co ltd
Changshu Longteng Special Steel Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Longteng Special Steel Group Co ltd, Changshu Longteng Special Steel Co Ltd filed Critical Jiangsu Longteng Special Steel Group Co ltd
Priority to CN202410192244.8A priority Critical patent/CN118092169A/zh
Publication of CN118092169A publication Critical patent/CN118092169A/zh
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B7/00—Blast furnaces
    • C21B7/24—Test rods or other checking devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本申请涉及高炉喷吹调控技术领域，特别是涉及一种基于机器学习的高炉喷吹调控系统。包括：决策单元，根据高炉设备参数建立决策树模型，并根据决策树模型多个决策特征；监测单元，包括多个监测子模块，监测子模块用于采集各个决策特征的实时参数；中控单元，根据各个决策特征的实时参数和决策树模型判断是否生成调节指令；增设决策单元，通过决策单元构建决策树模型和多个决策特征，并通过监测单元采集各个决策特征的实时参数生成决策特征的波动量，并根据决策树模型判断是否需要对高炉设备的喷吹参数进行调节，从而降低调节次数，提高调节效率和精准度，避免因监测值的小波动而对设备的运行参数进行频繁调节的问题，降低设备的运行成本。

Description

一种基于机器学习的高炉喷吹调控系统
技术领域
本申请涉及高炉喷吹调控技术领域，特别是涉及一种基于机器学习的高炉喷吹调控系统。
背景技术
为确保高炉生产炉料顺行稳定，要求煤粉喷吹系统一方面要保证高炉持续供热的稳定性，另一方面要保证进入高炉内的煤粉燃烧充分性，从而提高钢铁冶炼过程中的经济性和环保性。目前对煤粉的喷吹主要是通过喷粉控制系统进行。
但在实际工作中发现，煤粉喷吹的控制主要有两种，一是制定煤粉供给方案后不进行调控，存在着控制精确性差、喷煤效率低的不足的问题，第二种是通过建立控制模型，根据监测值的实时变动进行快速调节，存在着调节频率高，监测值的轻微变动也会触发调节指令，增加高炉设备的运行成本，无法提高高炉冶炼效率和经济性。
发明内容
本申请的目的是：为解决上述技术问题，本申请提供了一种基于机器学习的高炉喷吹调控系统，旨在高效精准的调节高炉喷吹系统，提高高炉冶炼效率和经济性。
本申请的一些实施例中，增设决策单元，通过决策单元构建决策树模型和多个决策特征，并通过监测单元采集各个决策特征的实时参数生成决策特征的波动量，并根据决策树模型判断是否需要对高炉设备的喷吹参数进行调节，从而降低调节次数，提高调节效率和精准度，避免因监测值的小波动而对设备的运行参数进行频繁调节的问题，降低设备的运行成本。
本申请的一些实施例中，通过设定各个决策特征的反馈周期时长，对高炉设备的运行进行实时监测，及时对各种故障风险进行预警，同时可以实现对于高炉设备的快速调节，使得设备始终处于最优运行状态，提高高炉冶炼效率和经济性。
本申请的一些实施例中，提供了一种基于机器学习的高炉喷吹调控系统，包括：
决策单元，根据高炉设备参数建立决策树模型，并根据决策树模型多个决策特征；
监测单元，包括多个监测子模块，所述监测子模块用于采集各个决策特征的实时参数；
中控单元，根据各个决策特征的实时参数和所述决策树模型判断是否生成调节指令；
所述中控单元包括：
第一处理模块，用于建立调控模型，根据决策特征的实时参数和调控模型修正高炉设备喷吹参数。
本申请的一些实施例中，所述决策单元包括：
第一决策模块，用于根据高炉设备历史参数建立决策特征数列A，A＝(a1，a2…an)，其中，n为决策特征数量，ai为第i个决策特征；
第二决策模块，用于设定各个决策特征的影响比重值，并建立影响比重值数列B，B＝(b1，b2…bn)，其中，bi为第i个决策特征的影响比重值；
第三决策模块，用于设定全部决策特征的决策等级，并建立决策树模型。
本申请的一些实施例中，所述第三决策模块还用于：
预设第一影响比重值区间(B1，B2)，第二影响比重值区间(B2，B3)和第三影响比重值区间(B3，B4)；
若bi处于预设第一影响比重值区间时，所述第三决策模块设定第i个决策特征ai为一级决策特征；
若bi处于预设第二影响比重值区间时，所述第三决策模块设定第i个决策特征ai为二级决策特征；
若bi处于预设第三影响比重值区间时，所述第三决策模块设定第i个决策特征ai为三级决策特征。
本申请的一些实施例中，所述监测单元还包括：
第一工作模块，用于设定各个决策特征的监测评价值，并建立监测评价值数列C，C＝(c1，c2…cn)，其中，ci为第i个决策特征的监测评价值；
第二工作模块，用于根据监测评价值数列C，设定各个决策特征的反馈周期时长。
本申请的一些实施例中，所述设定各个决策特征的反馈周期时长时，包括：
预设第一监测评价值区间(C1，C2)，第二监测评价值区间(C2，C3)和第三监测评价值区间(C3，C4)
若ci处于预设第一监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第一反馈周期时长T1，即t＝T1；
若ci处于预设第二监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第二反馈周期时长T2，即t＝T2；
若ci处于预设第三监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第三反馈周期时长T3，即t＝T3；且T1＞T2＞T3。
本申请的一些实施例中，所述中控单元包括：
第二处理模块，用于根据各个决策特征的实时参数，生成各个决策特征的波动量；
所述第二处理模块还用于建立波动评价值数列D，D＝(d1，d2…dn)，其中，di为第i个决策特征的波动评价值；
第三处理模块，用于根据波动评价数列生成决策评价值f，当决策评价值f大于预设第一波动评价值阈值F1时，生成调节指令。
本申请的一些实施例中，生成决策评价值f时，包括：
根据影响比重值数列B生成决策权重系数数列E，E＝(e1，e2…en)，其中，ei为第i个决策特征的决策权重系数；
生成决策评价值f，
本申请的一些实施例中，生成调节指令时，包括：
获取当前时间节点全部决策特征的实时参数；
根据实时参数和调控模型生成高炉设备喷吹参数。
本申请的一些实施例中，建立波动评价值数列时，包括：
根据决策特征数列A，依次选取目标决策特征；
根据目标决策特征的反馈周期时长生成目标决策特征的反馈时间节点；
根据反馈时间节点获取目标决策特征的实时参数并生成目标决策特征的实时波动量；
建立目标决策特征的波动量－波动评价值映射表，并生成目标决策特征在当前反馈时间节点的波动评价值；
根据预设的反馈时间节点循环更新目标决策特征的波动评价值。
本申请的一些实施例中，所述中控单元还包括：
第一修正模块，用于根据目标决策特征当前反馈时间节点的波动评价值设定修正系数m，根据修正系数m修正下一反馈周期时长；
预设第一波动评价值区间(D1，D2)，第二波动评价值区间(D2，D3)和第三波动评价值区间(D3，D4)
若当前反馈时间节点的波动评价值处于预设第一波动评价值区间时，设定修正系数m为预设第一修正系数m1，即m＝m1；
若当前反馈时间节点的波动评价值处于预设第二波动评价值区间时，设定修正系数m为预设第二修正系数m2，即m＝m2；
若当前反馈时间节点的波动评价值处于预设第三波动评价值区间时，设定修正系数m为预设第三修正系数m3，即m＝m3；且m3＜m2＜m1＜1。
本申请实施例一种基于机器学习的高炉喷吹调控系统与现有技术相比，其有益效果在于：
增设决策单元，通过决策单元构建决策树模型和多个决策特征，并通过监测单元采集各个决策特征的实时参数生成决策特征的波动量，并根据决策树模型判断是否需要对高炉设备的喷吹参数进行调节，从而降低调节次数，提高调节效率和精准度，避免因监测值的小波动而对设备的运行参数进行频繁调节的问题，降低设备的运行成本。
通过设定各个决策特征的反馈周期时长，对高炉设备的运行进行实时监测，及时对各种故障风险进行预警，同时可以实现对于高炉设备的快速调节，使得设备始终处于最优运行状态，提高高炉冶炼效率和经济性。
附图说明
图1是本申请实施例优选实施例中一种基于机器学习的高炉喷吹调控系统的结构示意图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
如图1所示，本申请实施例优选实施例的一种基于机器学习的高炉喷吹调控系统，包括：
决策单元，根据高炉设备参数建立决策树模型，并根据决策树模型多个决策特征；
监测单元，包括多个监测子模块，监测子模块用于采集各个决策特征的实时参数；
中控单元，根据各个决策特征的实时参数和决策树模型判断是否生成调节指令；
中控单元包括：
第一处理模块，用于建立调控模型，根据决策特征的实时参数和调控模型修正高炉设备喷吹参数。
具体而言，第一决策模块，用于根据高炉设备历史参数建立决策特征数列A，A＝(a1，a2…an)，其中，n为决策特征数量，ai为第i个决策特征；
第二决策模块，用于设定各个决策特征的影响比重值，并建立影响比重值数列B，B＝(b1，b2…bn)，其中，bi为第i个决策特征的影响比重值；
第三决策模块，用于设定全部决策特征的决策等级，并建立决策树模型。
具体而言，第三决策模块还用于：
预设第一影响比重值区间(B1，B2)，第二影响比重值区间(B2，B3)和第三影响比重值区间(B3，B4)；
若bi处于预设第一影响比重值区间时，第三决策模块设定第i个决策特征ai为一级决策特征；
若bi处于预设第二影响比重值区间时，第三决策模块设定第i个决策特征ai为二级决策特征；
若bi处于预设第三影响比重值区间时，第三决策模块设定第i个决策特征ai为三级决策特征。
具体而言，决策特征包括高炉设备的各个运行参数和外界参数，包括但不限于煤粉的直径，煤粉的温度湿度，外界环境温度，高炉温度，风速等，根据各个运行参数的类型，历史数据和产生波动时对高炉设备的影响生成对应的影响比重值，其影响比重值越大，说明对应的决策特征在发生波动时，对高炉设备的整体运行的影响越大。
具体而言，根据决策特征的重要性其三级决策特征高于二级决策特征高于一级决策特征。
具体而言，可根据历史数据设定各个影响比重值区间。
具体而言，根据全部的决策特征建立决策树模型，通过各个决策特征的变动值判断是否对实时的高炉设备的喷吹参数进行调节。从而保证高炉设备的运行效率。
本申请实施例优选实施例中，监测单元还包括：
第一工作模块，用于设定各个决策特征的监测评价值，并建立监测评价值数列C，C＝(c1，c2…cn)，其中，ci为第i个决策特征的监测评价值；
第二工作模块，用于根据监测评价值数列C，设定各个决策特征的反馈周期时长。
具体而言，设定各个决策特征的反馈周期时长时，包括：
预设第一监测评价值区间(C1，C2)，第二监测评价值区间(C2，C3)和第三监测评价值区间(C3，C4)
若ci处于预设第一监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第一反馈周期时长T1，即t＝T1；
若ci处于预设第二监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第二反馈周期时长T2，即t＝T2；
若ci处于预设第三监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第三反馈周期时长T3，即t＝T3；且T1＞T2＞T3。
具体而言，决策特征的影响比重值越大，对应的监测评价值就越高，其监测评价值越高，对应的单个反馈监测周期时长就越短。根据反馈监测周期时长设定多个反馈时间节点，当到达反馈时间节点时，获取对应的决策特征的实时参数。
具体而言，上述实施例中，通过建立监测评价值区间，根据各个不同的决策特征的监测评价值动态调节对应的反馈周期时长，从而提高对于高炉设备的监测效率，及时对各种故障风险进行预警，同时可以实现对于高炉设备的快速调节，使得设备始终处于最优运行状态，提高高炉冶炼效率和经济性。
本申请实施例优选实施例中，中控单元包括：
第二处理模块，用于根据各个决策特征的实时参数，生成各个决策特征的波动量；
第二处理模块还用于建立波动评价值数列D，D＝(d1，d2…dn)，其中，di为第i个决策特征的波动评价值；
第三处理模块，用于根据波动评价数列生成决策评价值f，当决策评价值f大于预设第一波动评价值阈值F1时，生成调节指令。
具体而言，生成决策评价值f时，包括：
根据影响比重值数列B生成决策权重系数数列E，E＝(e1，e2…en)，其中，ei为第i个决策特征的决策权重系数；
生成决策评价值f，
具体而言，影响比重值越大对应的决策权重系数就越高，通过增加决策权重系数使得决策评价值更加精准，同时根据历史运行数据设定第一波动评价值阈值F1，当达到预设的条件时，才会生成调节指令，从而降低调节次数，提高调节效率和精准度，避免因监测值的小波动而对设备的运行参数进行频繁调节的问题，降低设备的运行成本。
具体而言，生成调节指令时，包括：
获取当前时间节点全部决策特征的实时参数；
根据实时参数和调控模型生成高炉设备喷吹参数。
具体而言，由于各个决策特征的反馈时间节点并不相同，因此当每个决策特征的波动评价值发生变化时，均会更新决策评价值f，当决策评价值f大于预设第一波动评价值阈值F1时，获取全部决策特征的实时参数，并重新生成最优的喷吹参数。
本申请实施例优选实施例中，建立波动评价值数列时，包括：
根据决策特征数列A，依次选取目标决策特征；
根据目标决策特征的反馈周期时长生成目标决策特征的反馈时间节点；
根据反馈时间节点获取目标决策特征的实时参数并生成目标决策特征的实时波动量；
建立目标决策特征的波动量－波动评价值映射表，并生成目标决策特征在当前反馈时间节点的波动评价值；
根据预设的反馈时间节点循环更新目标决策特征的波动评价值。
具体而言，实时波动量是指当前反馈时间节点和上一反馈时间节点的目标决策特征的实时参数之间的差值。
具体而言，中控单元还包括：
第一修正模块，用于根据目标决策特征当前反馈时间节点的波动评价值设定修正系数m，根据修正系数m修正下一反馈周期时长；
预设第一波动评价值区间(D1，D2)，第二波动评价值区间(D2，D3)和第三波动评价值区间(D3，D4)
若当前反馈时间节点的波动评价值处于预设第一波动评价值区间时，设定修正系数m为预设第一修正系数m1，即m＝m1；
若当前反馈时间节点的波动评价值处于预设第二波动评价值区间时，设定修正系数m为预设第二修正系数m2，即m＝m2；
若当前反馈时间节点的波动评价值处于预设第三波动评价值区间时，设定修正系数m为预设第三修正系数m3，即m＝m3；且m3＜m2＜m1＜1。
具体而言，修正后的反馈周期时长ti＝m＊Ti，其中，Ti为T1，T2，T3。
具体而言，通过设定修正系数，动态调节反馈周期时长，从而提高对于各个决策特征的监测效率。及时对各种故障风险进行预警，同时可以实现对于高炉设备的快速调节。
根据本申请的第一构思，增设决策单元，通过决策单元构建决策树模型和多个决策特征，并通过监测单元采集各个决策特征的实时参数生成决策特征的波动量，并根据决策树模型判断是否需要对高炉设备的喷吹参数进行调节，从而降低调节次数，提高调节效率和精准度，避免因监测值的小波动而对设备的运行参数进行频繁调节的问题，降低设备的运行成本。
根据本申请的第二构思，通过设定各个决策特征的反馈周期时长，对高炉设备的运行进行实时监测，及时对各种故障风险进行预警，同时可以实现对于高炉设备的快速调节，使得设备始终处于最优运行状态，提高高炉冶炼效率和经济性。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。

Claims (10)

1.一种基于机器学习的高炉喷吹调控系统，其特征在于，包括：
决策单元，根据高炉设备参数建立决策树模型，并根据决策树模型多个决策特征；
监测单元，包括多个监测子模块，所述监测子模块用于采集各个决策特征的实时参数；
中控单元，根据各个决策特征的实时参数和所述决策树模型判断是否生成调节指令；
所述中控单元包括：
第一处理模块，用于建立调控模型，根据决策特征的实时参数和调控模型修正高炉设备喷吹参数。
2.如权利要求1所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述决策单元包括：
第一决策模块，用于根据高炉设备历史参数建立决策特征数列A，A＝(a1，a2…an)，其中，n为决策特征数量，ai为第i个决策特征；
第二决策模块，用于设定各个决策特征的影响比重值，并建立影响比重值数列B，B＝(b1，b2…bn)，其中，bi为第i个决策特征的影响比重值；
第三决策模块，用于设定全部决策特征的决策等级，并建立决策树模型。
3.如权利要求2所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述第三决策模块还用于：
预设第一影响比重值区间(B1，B2)，第二影响比重值区间(B2，B3)和第三影响比重值区间(B3，B4)；
若bi处于预设第一影响比重值区间时，所述第三决策模块设定第i个决策特征ai为一级决策特征；
若bi处于预设第二影响比重值区间时，所述第三决策模块设定第i个决策特征ai为二级决策特征；
若bi处于预设第三影响比重值区间时，所述第三决策模块设定第i个决策特征ai为三级决策特征。
4.如权利要求3所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述监测单元还包括：
第一工作模块，用于设定各个决策特征的监测评价值，并建立监测评价值数列C，C＝(c1，c2…cn)，其中，ci为第i个决策特征的监测评价值；
第二工作模块，用于根据监测评价值数列C，设定各个决策特征的反馈周期时长。
5.如权利要求4所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述设定各个决策特征的反馈周期时长时，包括：
预设第一监测评价值区间(C1，C2)，第二监测评价值区间(C2，C3)和第三监测评价值区间(C3，C4)
若ci处于预设第一监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第一反馈周期时长T1，即t＝T1；
若ci处于预设第二监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第二反馈周期时长T2，即t＝T2；
若ci处于预设第三监测评价值区间时，设定第i个决策特征的反馈周期时长ti为预设第三反馈周期时长T3，即t＝T3；且T1＞T2＞T3。
6.如权利要求4所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述中控单元包括：
第二处理模块，用于根据各个决策特征的实时参数，生成各个决策特征的波动量；
所述第二处理模块还用于建立波动评价值数列D，D＝(d1，d2…dn)，其中，di为第i个决策特征的波动评价值；
第三处理模块，用于根据波动评价数列生成决策评价值f，当决策评价值f大于预设第一波动评价值阈值F1时，生成调节指令。
7.如权利要求6所述的基于机器学习的高炉喷吹调控系统，其特征在于，生成决策评价值f时，包括：
根据影响比重值数列B生成决策权重系数数列E，E＝(e1，e2…en)，其中，ei为第i个决策特征的决策权重系数；
生成决策评价值f，
8.如权利要求7所述的基于机器学习的高炉喷吹调控系统，其特征在于，生成调节指令时，包括：
获取当前时间节点全部决策特征的实时参数；
根据实时参数和调控模型生成高炉设备喷吹参数。
9.如权利要求6所述的基于机器学习的高炉喷吹调控系统，其特征在于，建立波动评价值数列时，包括：
根据决策特征数列A，依次选取目标决策特征；
根据目标决策特征的反馈周期时长生成目标决策特征的反馈时间节点；
根据反馈时间节点获取目标决策特征的实时参数并生成目标决策特征的实时波动量；
建立目标决策特征的波动量－波动评价值映射表，并生成目标决策特征在当前反馈时间节点的波动评价值；
根据预设的反馈时间节点循环更新目标决策特征的波动评价值。
10.如权利要求9所述的基于机器学习的高炉喷吹调控系统，其特征在于，所述中控单元还包括：
第一修正模块，用于根据目标决策特征当前反馈时间节点的波动评价值设定修正系数m，根据修正系数m修正下一反馈周期时长；
预设第一波动评价值区间(D1，D2)，第二波动评价值区间(D2，D3)和第三波动评价值区间(D3，D4)
若当前反馈时间节点的波动评价值处于预设第一波动评价值区间时，设定修正系数m为预设第一修正系数m1，即m＝m1；
若当前反馈时间节点的波动评价值处于预设第二波动评价值区间时，设定修正系数m为预设第二修正系数m2，即m＝m2；
若当前反馈时间节点的波动评价值处于预设第三波动评价值区间时，设定修正系数m为预设第三修正系数m3，即m＝m3；且m3＜m2＜m1＜1。
CN202410192244.8A 2024-02-21 2024-02-21 一种基于机器学习的高炉喷吹调控系统 Pending CN118092169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410192244.8A CN118092169A (zh) 2024-02-21 2024-02-21 一种基于机器学习的高炉喷吹调控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410192244.8A CN118092169A (zh) 2024-02-21 2024-02-21 一种基于机器学习的高炉喷吹调控系统

Publications (1)

Publication Number Publication Date
CN118092169A true CN118092169A (zh) 2024-05-28

Family

ID=91148896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410192244.8A Pending CN118092169A (zh) 2024-02-21 2024-02-21 一种基于机器学习的高炉喷吹调控系统

Country Status (1)

Country Link
CN (1) CN118092169A (zh)

Similar Documents

Publication Publication Date Title
EP2223406B1 (en) Event-based control system for wind turbine generators
CN112000075A (zh) 干熄焦优化控制方法及系统
CN113098022B (zh) 风电场并网点无功调节方法、装置、设备及存储介质
CN100595954C (zh) 一种燃料电池控制系统及控制方法
CN117895579A (zh) 电网设备的协同运行控制方法、装置、设备及存储介质
CN118092169A (zh) 一种基于机器学习的高炉喷吹调控系统
CN111049195B (zh) 一种agc参数优化方法及装置
CN110635504A (zh) 基于改进花粉算法的配电网分布式光伏消纳能力评估方法
CN112505482A (zh) 一种基于智能化故障定位的电网自愈方法及实现该方法的系统
CN116596371A (zh) 一种基于数据分析的锂电池生产质量追溯管理系统
CN114421531B (zh) 一种计及全局灵敏度的主动配电网分布式电压控制方法
CN113922384B (zh) 一种风电场分散式无功电压优化协调控制方法
CN113285461B (zh) 基于不完全量测的配电网分散控制方法、系统
CN115271384A (zh) 基于蝠鲼觅食优化算法的配电网新能源承载力评估方法
CN117526443B (zh) 一种基于电力系统的配电网优化调控方法及系统
CN113178883B (zh) 一种联合储能系统的储能配置方法
CN112467805A (zh) 一种双异步反馈火力发电一次和二次调频综合优化系统
CN117977713B (zh) 基于网源信号处理的电网机组智能调控方法及系统
CN117220411A (zh) 一种基于风电scada系统的发电控制方法
KR102266098B1 (ko) Ess 충방전스케줄 생성방법 및 시스템
CN118502229B (zh) 一种基于自整定pid的纠偏控制系统
CN117767320A (zh) 一种源网荷储快速调压方法及系统
CN118630727A (zh) 一种基于季节和气候变化的风电功率预测系统和方法
CN114400684A (zh) 一种供热机组调频优化方法及系统
CN117748528A (zh) 一种用于35kV无功补偿装置的控制方法

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