[发明专利]一种高炉配料与操作的协同多目标优化方法

说明书

本发明公开了一种多目标高炉配料与操作协同优化方法，由于难以从机理的角度描述决策变量与目标函数之间的函数关系，因此从数据驱动的角度使用人工神经网络方法对其进行建模并预测；同时根据质量守恒、热平衡原理及高炉冶炼机理建立高炉多目标优化模型的约束条件和目标函数，保证了所提方法的有效性。上述建模过程充分考虑了配料和高炉操作对炉况的影响，包括原本相对独立的高炉上部间歇式布料控制和下部连续式的喷煤鼓风等控制，因此可以有效地协调优化高炉上下部操作。

技术领域

本发明属于工业过程建模、控制领域，特别涉及基于机理和数据的高炉配料与操作的多目标优化方法。

背景技术

高炉炼铁过程具有典型的高能耗高排放特征，高炉上下部生产过程的规划协调是节能减排的必要手段。当前对炼铁高炉的下部调节主要为对煤粉喷吹、鼓风、富氧等操作参数进行调节，而上部调节主要为布料过程中，预先通过机理公式根据原料成分进行配料计算，仅当高炉炉况发生稳态偏差时才进行焦炭或者矿石比例的调整。上部配料参数和下部操作参数分开进行调节，二者间的联系不够紧密，难以避免地造成了额外的燃料损失和污染排放。

当高炉的配料发生改变时，将引起炉况的波动并影响铁水质量，模型也该随之发生改变。在对高炉配料的优化过程中，结合操作参数进行炉料对炉况波动的影响分析，有利于提高模型的精度。同样，结合炉料变化进行操作参数设定值的大致确定，有利于减少系统的震荡，并提高控制的响应速度。

限于高炉的多时空尺度、多耦合和大时滞特性，数据建模往往集中于局部过程，较难对高炉整体过程进行描述。机理建模能更宏观的描述高炉炼铁过程,但难以定量描述和实时跟踪。对高炉上部的配料和下部的煤粉喷出、鼓风控制的协调优化是亟待解决的问题。

公开号CN102722652A的专利申请公开了“一种高炉冶炼成本计算及优化方法”，应用元素守恒和经验公式，经过反推计算得到成本较低的铁矿石配比，用于指导生产，并在计算过程中涉及了对铁产量和焦比的回归预测。

公开号为CN106681146A的专利申请公开了“基于BP神经网络和遗传算法的高炉多目标优化控制算法”，通过神经网络对高炉整体过程建模，构造高炉主要参数与铁水硫含量、二氧化碳排放量和焦比这3个目标参数之间的关系，并用遗传算法进行求解。

上述专利以及其相关方法中，或在计算过程中以元素平衡和机理公式为主，通过回归模型进行了炉况波动的估算，仅涉及以成本为目标的配料优化；或对复杂的高炉炼铁过程，仅采用神经网络的方法建模，未结合机理分析和元素平衡。

发明内容

有鉴于现有技术的上述缺陷，本发明提出综合数据驱动建模与机理模型的集成优化框架，如图1所示。以高炉铁水的Si、P、S、Mn和C含量5个铁水质量指标作为反映高炉运行的基本情况的典型中间观测参数(即中间参数)，用神经网络模型进行预测。得到中间参数的预测后，便可以将高炉视为黑箱模型，以进入高炉的炉料、鼓风等为输入，以铁水、炉渣生成量和排出煤气量为输出，通过物质守恒、能量守恒对高炉的成本和排放目标进行计算。再结合炼铁全过程的配料、操作参数和中间参数之间的机理约束模型，特别把铁水质量指标作为有界约束，建立以燃料比、二氧化碳排放和吨铁成本为优化目标，以高炉配料及操作参数作为决策变量的多目标优化模型，实现高炉上下部操作变量的协同优化。

为实现上述目的，本发明提供的技术方案如下：

首先对于高炉主参数，通过主成分分析法(Principal Components Analysis,PCA)进行筛选，即对多维输入变量数据，借助正交变换的方法分解为若干个不相干的新变量，并根据累计贡献率筛选主成分。再对选取的每个主成分，选择对其影响较大的原变量，从而选择出对典型中间观测参数影响最大，且在高炉炼铁过程中可以主动调节的如冷风流量、热风温度、喷煤量等若干个高炉主参数变量。加上若干个原料变量，将这些在高炉生产过程中可以主动调节，且对炼铁过程有明显影响的高炉上下部参数共同作为优化模型的决策变量。