一种热连轧层流冷却供水泵站优化调度方法及装置制造方法及图纸

本发明专利技术公开了一种热连轧层流冷却供水泵站优化调度方法及装置，该方法包括：获取层流冷却用水量相关轧制工艺数据和层流冷却用水量，对获取的数据进行预处理，生成训练样本；利用训练样本训练层流冷却用水量预测模型，计算单块带钢层流冷却用水量，并根据轧制节奏时间预测单位轧制周期的层流冷却用水趋势；根据层流冷却用水趋势和层流冷却用水工艺需求对泵站调度指令进行实时反馈优化，稳定冷却水压力的同时减少冷却水溢流；根据优化后的调度指令，以泵站总轴功率最小为目标优化单位轧制周期的泵站运行方案。本发明专利技术在使系统保持供需平衡的同时，保证了带钢冷却质量并有效减少资源浪费。浪费。浪费。

【技术实现步骤摘要】
一种热连轧层流冷却供水泵站优化调度方法及装置


[0001]本专利技术涉及热连轧
，特别涉及一种热连轧层流冷却供水泵站优化调度方法及装置。

技术介绍

[0002]热连轧层流冷却系统为带钢提供符合生产工艺的冷却以保证带钢产品质量，但由于产品规格的多样性以及间歇生产工况的复杂性，泵站难以满足频繁变化的用水需求。而现场一般采用将高位水箱处于长期注满状态的方式以确保带钢的冷却质量，这种调度方式增加了泵站无效提升电耗以及车间的污水处理成本，降低了资源的有效利用率。因此对层流冷却供水泵站优化调度具有很高的应用价值。
[0003]当前层流冷却供水泵站优化调度存在以下技术难点：
[0004]1.层流冷却采用分段反馈控制机制，各段带钢冷却用水处于实时变化状态，传统机理模型难以准确预测整块带钢的用水量。
[0005]2.带钢轧制节奏较快，工业现场难以根据冷却特性以及轧制节奏时间为泵站实时更新调度指令。
[0006]3.在间歇生产工况下难以保证水泵的运行效率，同时，水泵运行方案优化模型的求解精度与时间也是制约该系统能效提升的一个主要因素。
[0007]因此为了提升层流冷却供水泵站能效，首先要考虑的如何根据层流冷却特性与轧制节奏时间制定一套灵活高效的层流冷却供水泵站优化调度技术方案。

技术实现思路

[0008]本专利技术提供了一种热连轧层流冷却供水泵站优化调度方法及装置，以解决现有层流冷却系统的资源浪费问题，同时保证带钢的冷却质量。
[0009]为解决上述技术问题，本专利技术提供了如下技术方案：
[0010]一方面，本专利技术提供了一种热连轧层流冷却供水泵站优化调度方法，包括：
[0011]获取单块带钢的层流冷却用水量相关轧制工艺数据和层流冷却用水量，并对获取的轧制工艺数据和层流冷却用水量进行预处理，生成训练样本；
[0012]利用所述训练样本训练预设的层流冷却用水量预测模型；其中，所述层流冷却用水量预测模型的输入为轧制工艺数据，输出为单块带钢层流冷却用水量；
[0013]利用训练好的层流冷却用水量预测模型计算单块带钢层流冷却用水量预测值，并根据轧制节奏时间，预测单位轧制周期的层流冷却用水趋势；
[0014]根据预测出的层流冷却用水趋势和层流冷却用水工艺需求，对泵站调度指令进行实时反馈优化，以在稳定冷却水压力的同时，减少冷却水溢流；
[0015]根据优化后的泵站调度指令，以泵站总轴功率最小为目标，优化单位轧制周期的泵站运行方案，得到最优的单位轧制周期的泵站运行方案。
[0016]进一步地，所述获取单块带钢的层流冷却用水量相关轧制工艺数据和层流冷却用
水量，并对获取的轧制工艺数据和层流冷却用水量进行预处理，生成训练样本，包括：
[0017]提取单块带钢层流冷却分段反馈控制记录集中全部相关轧制工艺数据和层流冷却信息，对提取到的数据取平均值，并基于取平均值后的层流冷却信息计算出单块带钢层流冷却用水量，以取平均值后的轧制工艺数据和层流冷却用水量构成初始训练样本；其中，所述轧制工艺数据包括：带钢规格、轧制节奏时间和轧制工艺参数，所述带钢规格包括：带钢厚度、宽度以及钢种；所述轧制工艺参数包括：轧制力、轧制速度、带钢终轧温度以及卷取温度；所述层流冷却信息是指层流冷却集管开关设定值、冷却水温以及集管额定流量；
[0018]对所述初始样本进行预处理，生成预处理后的样本数据；其中，所述预处理包括：异常值检测处理以及标准化处理；
[0019]根据带钢规格对预处理后的样本数据进行均匀抽样，生成最终的训练样本。进一步地，所述单块带钢层流冷却用水量的计算公式为：
[0020]C
w
＝(R
mean
V
R
+F
mean
V
F
)t
C
[0021]其中，C
W
表示单块带钢层流冷却用水量，R
mean
表示粗调区的集管开关平均数，V
R
表示粗调区的单位集管流量，F
mean
表示精调区的集管开关平均数，V
F
表示精调区的单位集管流量，t
C
表示冷却时间。
[0022]进一步地，对所述初始样本进行预处理，包括：
[0023]根据3σ法则对所述初始样本进行异常值检测，将不符合规定的数据剔除，随后对完成数据剔除的样本进行Max
‑
Min标准化处理。
[0024]进一步地，所述预设的层流冷却用水量预测模型为OS
‑
ELM模型；
[0025]所述利用训练好的层流冷却用水量预测模型计算单块带钢层流冷却用水量预测值，并根据轧制节奏时间，预测单位轧制周期的层流冷却用水趋势，包括：
[0026]利用训练好的层流冷却用水量预测模型，根据当前轧制工艺数据，生成当前轧制周期各带钢层流冷却用水量预测值；
[0027]获取当前轧制周期轧制节奏时间信息；其中，轧制节奏时间信息包括：相邻带钢的冷却时间以及冷却间隔时间；
[0028]基于单块带钢的冷却用水量预测值，根据当前轧制周期轧制节奏时间信息，计算出当前轧制周期层流冷却用水量变化趋势。
[0029]进一步地，根据预测出的层流冷却用水趋势和层流冷却用水工艺需求，对泵站调度指令进行实时反馈优化，以在稳定冷却水压力的同时，减少冷却水溢流，包括：
[0030]根据轧制节奏选取水位特征点；其中，所述水位特征点为带钢冷却开始时的高位水箱水位和带钢冷却结束时的高位水箱水位；
[0031]确定泵站调度指令优化目标函数与约束条件；其中，所述约束条件为高位水箱水位上下限以及冷却水溢流量；所述泵站调度指令优化目标函数为：
[0032]min{β[θ(C1+C2)]+(1
‑
β)(YL1+YL2)}
[0033]其中，C1表示轧制周期高位水箱水位变化量总和，YL1表示运行期间高位水箱总溢流量，C2表示高位水箱下极限水位约束条件惩罚项；YL2表示溢流量约束条件惩罚项，β表示偏置系数，θ表示水位
‑
溢流量转化系数；
[0034]对所述泵站调度指令优化目标函数进行求解，输出本轧制周期泵站优化后的调度指令；
[0035]基于优化后的调度指令，根据预测出的层流冷却用水趋势、层流冷却用水工艺需求以及水位实测值，对泵站调度指令进行实时更新调整。
[0036]进一步地，高位水箱下极限水位约束条件惩罚项C2为：
[0037][0038][0039]其中，表示惩罚系数，i表示带钢编号，m表示带钢数目，h
1,i
表示带钢冷却结束时的高位水箱水位，h
min
表示高位水箱水位下限；
[0040]溢流量约束条件惩罚项YL2为：
[0041][0042]其中，γ表示惩罚系数，Y
i
表示第i块带钢冷却时的高位水箱溢流量。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种热连轧层流冷却供水泵站优化调度方法，其特征在于，包括：获取单块带钢的层流冷却用水量相关轧制工艺数据和层流冷却用水量，并对获取的轧制工艺数据和层流冷却用水量进行预处理，生成训练样本；利用所述训练样本训练预设的层流冷却用水量预测模型；其中，所述层流冷却用水量预测模型的输入为轧制工艺数据，输出为单块带钢层流冷却用水量；利用训练好的层流冷却用水量预测模型计算单块带钢层流冷却用水量预测值，并根据轧制节奏时间，预测单位轧制周期的层流冷却用水趋势；根据预测出的层流冷却用水趋势和层流冷却用水工艺需求，对泵站调度指令进行实时反馈优化，以在稳定冷却水压力的同时，减少冷却水溢流；根据优化后的泵站调度指令，以泵站总轴功率最小为目标，优化单位轧制周期的泵站运行方案，得到最优的单位轧制周期的泵站运行方案。2.如权利要求1所述的热连轧层流冷却供水泵站优化调度方法，其特征在于，所述获取单块带钢的层流冷却用水量相关轧制工艺数据和层流冷却用水量，并对获取的轧制工艺数据和层流冷却用水量进行预处理，生成训练样本，包括：提取单块带钢层流冷却分段反馈控制记录集中全部相关轧制工艺数据和层流冷却信息，对提取到的数据取平均值，并基于取平均值后的层流冷却信息计算出单块带钢层流冷却用水量，以取平均值后的轧制工艺数据和层流冷却用水量构成初始训练样本；其中，所述轧制工艺数据包括：带钢规格、轧制节奏时间和轧制工艺参数，所述带钢规格包括：带钢厚度、宽度以及钢种；所述轧制工艺参数包括：轧制力、轧制速度、带钢终轧温度以及卷取温度；所述层流冷却信息是指层流冷却集管开关设定值、冷却水温以及集管额定流量；对所述初始样本进行预处理，生成预处理后的样本数据；其中，所述预处理包括：异常值检测处理以及标准化处理；根据带钢规格对预处理后的样本数据进行均匀抽样，生成最终的训练样本。3.如权利要求2所述的热连轧层流冷却供水泵站优化调度方法，其特征在于，所述单块带钢层流冷却用水量的计算公式为：C
w
＝(R
mean
V
R
+F
mean
V
F
)t
C
其中，C
W
表示单块带钢层流冷却用水量，R
mean
表示粗调区的集管开关平均数，V
R
表示粗调区的单位集管流量，F
mean
表示精调区的集管开关平均数，V
F
表示精调区的单位集管流量，t
C
表示冷却时间。4.如权利要求2所述的热连轧层流冷却供水泵站优化调度方法，其特征在于，对所述初始样本进行预处理，包括：根据3σ法则对所述初始样本进行异常值检测，将不符合规定的数据剔除，随后对完成数据剔除的样本进行Max
‑
Min标准化处理。5.如权利要求1所述的热连轧层流冷却供水泵站优化调度方法，其特征在于，所述预设的层流冷却用水量预测模型为OS
‑
ELM模型；所述利用训练好的层流冷却用水量预测模型计算单块带钢层流冷却用水量预测值，并根据轧制节奏时间，预测单位轧制周期的层流冷却用水趋势，包括：利用训练好的层流冷却用水量预测模型，根据当前轧制工艺数据，生成当前轧制周期各带钢层流冷却用水量预测值；
获取当前轧制周期轧制节奏时间信息；其中，轧制节奏时间信息包括：相邻带钢的冷却时间以及冷却间隔时间；基于单块带钢的冷却用水量预测值，根据当前轧制周期轧制节奏时间信息，计算出当前轧制周期层流冷却用水量变化趋势。6.如权利要求1所述的热连轧层流冷却供水泵站优化调度方法，其特征在于，根据预测出的层流冷却用水趋势和层流冷却用水工艺需求，对泵站调度指令进行实时反馈优化，以在稳定冷却水压力的同时，减少冷却水溢流，包括：根据轧制节奏选取水位特征点；其中，所述水位特征点为带钢冷却开始时的高位水箱水位和带钢冷却结束时的高位水箱水位；确定泵站调度指令优化目标函数与约束条件；其中，所述约束条件为高位水箱水位上下限以及冷却水溢流量；所述泵站调度指令...

【专利技术属性】
技术研发人员：宋勇，王奋嘉，何安瑞，荆丰伟，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：