[发明专利]一种高炉配料与操作的协同多目标优化方法

权利要求书

1.一种高炉配料与操作的协同多目标优化方法，其特征在于，包括以下步骤：

步骤1：以高炉铁水的Si含量、P含量、S含量、Mn含量和C含量这5个铁水质量指标作为反映高炉运行的基本情况的中间参数；

步骤2：根据高炉生产的实际情况确定多目标优化模型的优化目标和决策变量；

步骤3：以所述决策变量作为输入，所述中间参数为输出，构建神经网络模型；

步骤4：根据所述神经网络模型和元素平衡、物料平衡，对所述优化目标进行计算，得到所述优化目标的目标函数；

步骤5：根据元素平衡、物料平衡和冶炼机理，确定所述多目标优化模型的约束条件；

步骤6：利用NSGA-Ⅱ算法求解所述多目标优化模型，得到帕累托最优解集。

2.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述优化目标分别为燃料比、吨铁CO₂排放和吨铁成本；所述决策变量包括配料参数和操作参数，配料参数分别为：烧结矿用量、球团矿用量、块矿用量、锰矿用量和焦炭用量，操作参数分别为：煤粉用量、鼓风量、吨铁氧耗、热风温度、压差和湿度。

3.如权利要求2所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述决策变量的确定方法如下：

根据高炉实际运行数据，通过主成分分析法对高炉操作参数进行筛选，对筛选出的高炉操作参数，选取其中对所述中间参数影响大且在高炉炼铁过程中可以主动调节的作为决策变量中的操作参数，并选取若干个对所述中间参数影响较大的原料作为决策变量中的配料参数。

4.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述神经网络模型的构建方法如下：

以所述决策变量为作为神经网络模型的输入，以5个中间参数为输出，结合经验公式和数据测试，确定隐藏层节点个数，考虑静态优化的需求，采用高炉近期运行数据的日平均值，并进行数据剔除和预处理，对神经网络进行训练，最终确定与误差最小时的权值和阈值，构成三层BP神经网络模型，描述从所述决策变量到所述中间参数的映射关系。

5.权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，在进行目标函数和约束条件的计算前，先进行高炉中间参数和高炉产物的估算，其计算方法如下：

先通过所述神经网络对中间参数进行估计，进而根据元素平衡，由炉渣中各成分的主要元素在原料和铁水中的含量之差推算出炉渣中各成分的含量，对各成分求和即得到炉渣生成量，再根据高炉输入输出的物料平衡，得到排出煤气量。

6.如权利要求2所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述目标函数的计算方法如下：

所述燃料比即为吨铁焦炭和煤粉的消耗量之和，所述吨铁CO₂排放＝输入直接排放+输入间接排放-输出排放抵扣，所述吨铁成本为吨铁所消耗原料的成本之和。

7.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述约束条件包括铁水质量约束、工艺约束、元素平衡约束、质量平衡约束和热平衡约束。

8.如权利要求1所述的高炉配料与操作的协同多目标优化方法，其特征在于，所述步骤6中，以所述目标函数作为所述NSGA-II算法的适应度函数，来确定各个可行解之间的支配关系；将形如J(X)＝K(X)的等式约束转化为不等式约束g'(x)＝(|J(X)-K(X)|)/(J(X))-ε≤0，这样将约束条件统一为g(X)≤0的形式，并定义约束违反程度c＝Max{g(X),0}，将各个约束条件的约束违法程度进行归一化处理，求和获得总的约束违反程度；在非支配排序过程中，优先考虑约束违反程度在设定范围内的解。

9.一种应用如权利要求1-8中任一项所述的方法建立的高炉多目标优化系统，其特征在于，包括参数设置模块、历史数据更新模块、神经网络训练模块、约定条件设定模块和多目标优化求解模块。

10.如权利要求9所述的高炉多目标优化系统，其特征在于，所述系统在MATLAB中编辑。