一种基于数据驱动的矿热炉节能优化方法及其装置制造方法及图纸

本发明专利技术公开了一种基于数据驱动的矿热炉节能优化方法及其装置，涉及矿热炉节能优化技术领域。针对待预测矿热炉，获取矿热炉的历史生产数据，包括原料的重量、杂质含量和所对应单位能耗；对历史生产数据进行预处理，得到矿热炉的能耗向量；将矿热炉能耗特征向量输入随机森林算法，计算得到矿热炉能耗模型；在当前杂质含量的原料生产下，利用遗传算法对各个原料的重量进行编码，将矿热炉能耗模型作为适应度函数，将原料重量和当前原料的杂质含量输入能耗模型，计算得到所预测的矿热炉能耗，进行遗传操作的迭代循环，得到最低能耗和最优重量。应用本发明专利技术，能实现在不同杂质含量原料的生产下对矿热炉能耗的准确预测并对重量进行寻优。寻优。

【技术实现步骤摘要】
一种基于数据驱动的矿热炉节能优化方法及其装置


[0001]本专利技术涉及矿热炉节能优化
，具体涉及一种基于数据驱动的矿热炉节能优化方法及其装置。

技术介绍

[0002]矿热炉是铁合金生产的核心设备，在冶炼过程中矿热炉的能耗占用了冶炼工艺中的大部分电能。随着冶炼规模的扩大，不可避免地会消耗更多的电能。能耗水平是矿热炉运行控制的关键指标之一，矿热炉工厂往往会制定年度、季度或者月度的能耗计划目标，该目标的制定既考虑到矿热炉冶炼流程的特点、运行条件以及以往的能耗水平，也考虑到对能耗提升的管理、设备系统的技改等因素。矿热炉生产过程中，除了电极升降会影响能耗，配料时原料的重量对能耗也有一定的影响。原料重量对能耗的影响分析，通常是通过人工经验来判断，如果能基于原料重量与单耗的关系，对矿热炉能耗进行预测，就能得到最优的原料重量和矿热炉能耗，以达到降低生产成本、提高生产效率的目的，因此亟需开发一种矿热炉节能优化的方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于数据驱动的矿热炉节能优化方法及其装置，基于原料重量与单耗的关系，对矿热炉能耗进行预测，实现对矿热炉的节能优化。
[0004]为解决上述的技术问题，本专利技术采用以下技术方案：一种基于数据驱动的矿热炉节能优化方法，其特征在于包括如下步骤：
[0005]S1、获取待预测矿热炉的历史生产数据：
[0006]S1
‑
1、获取矿热炉中原料的重量x
i
、杂质含量y
i
以及所对应的单位能耗e；
[0007]S1
‑
2、使用数据获取模块按照炉次将第S1
‑
1步骤中获取的数据收集汇总；
[0008]S1
‑
3、数据存储模块将数据以炉次为主键存储在数据库中；
[0009]S2、数据预处理模块对历史生产数据进行预处理，得到矿热炉能耗特征向量v，对矿热炉能耗特征向量v进行预处理后，存储在数据库中；
[0010]S3、将经过数据处理的矿热炉能耗特征向量v输入到随机森林算法中，训练出矿热炉的能耗模型，利用平均绝对百分比误差MAPE和拟合优度R2来衡量模型的准确性；
[0011]S4、将原料的重量x
i
作为遗传算法的变量进行编码并设定范围，经过初始化种群，将原料重量和当前杂质含量输入矿热炉能耗模型得到的单位能耗作为适应度评估值，然后进行选择，交叉和变异的迭代循环，直至寻找到在当前原料的杂质含量y
i
生产下的最低能耗e的原料重量x
i
。
[0012]更进一步的技术方案是步骤S1所述原料重量x
i
为配料时第i种原料的重量，杂质含量y
i
为第i种原料的杂质含量，其中杂质含量为实验室检测数据。
[0013]更进一步的技术方案是所述步骤S2的具体过程如下，
[0014]S2
‑
1、将历史生产数据以炉次为主键，转换为矿热炉能耗特征向量v：
[0015]v＝(x1，x2，
…
，x
n
，y1，y2，
…
，y
n
)
[0016]其中，x
i
为配料时第i种原料的重量，y
i
为配料时第i种原料的杂质含量；
[0017]S2
‑
2、对矿热炉能耗特征向量进行数据预处理；
[0018]S2
‑
3、将矿热炉能耗特征向量存储在数据库中。
[0019]更进一步的技术方案是所述步骤S3的具体过程如下，
[0020]S3
‑
1、从数据库中读取全部的矿热炉能耗特征向量v；
[0021]S3
‑
2、将矿热炉能耗特征向量v输入能耗模型训练模块中的随机森林算法，算法回归模型为：
[0022]e＝f(x1，x2，
…
，x
n
，y1，y2，
…
，y
n
)
[0023]其中，x
i
为配料时第i种原料的重量，y
i
为配料时第i种原料的杂质含量，n为原料的种类数，e为所对应的单位能耗；
[0024]S3
‑
3、随机森林算法结果保存为模型文件。
[0025]更进一步的技术方案是所述步骤S4的具体过程如下，
[0026]S4
‑
1、在保证安全的前提下，根据实际经验设定各种原料的重量x
i
的变化范围；
[0027]S4
‑
2、经过初始化种群，再进行适应度评估，选择，交叉和变异的迭代循环，其中，适应度获取待预测矿热炉各原料的重量x
i
，对数据进行预处理后，得到能耗预测特征向量数据v，将能耗预测特征向量数据v输入能耗预测模型中，得到所对应的单位能耗e作为适应度大小，适应度评估函数为e＝f
model
{x
i
，y
i
}，其中，x
i
为第i个原料重量，y
i
为第i个原料杂质含量；
[0028]其中，选择采用随机竞争选择，其方法为每次按照轮盘赌选择机制选取两个个体，然后让其进行竞争，选择适应度高的个体进入下一代；
[0029]交叉采用两点交叉，其方法为在个体中随机设置两个交叉点，然后对交叉点中间的基因进行交换；
[0030]变异采用均匀变异，其方法为在基因范围内小概率的对各个基因进行替换；
[0031]S4
‑
3、经过S4
‑
2中遗传操作的迭代循环后，寻找到在当前原料的杂质含量y
i
的生产下，最低单位能耗e所对应的最优原料重量x
i
。
[0032]更进一步的技术方案是所述数据预处理模块通过主成分分析，对数据进行降维，具体步骤为：1)对原始数据矩阵中的每一个特征字段进行零均值化；2)求协方差矩阵，特征值和特征向量；3)将特征向量按其对应的特征值大小从大到小排列，取前k个特征向量，组成降维后的数据矩阵；其中，k表示降维后的维度。
[0033]本专利技术还可以是一种基于数据驱动的矿热炉节能优化装置，其特征在于：包括数据获取模块、数据存储模块、数据预处理模块、能耗模型训练模块、能耗预测模块、节能优化模块，其中，
[0034]数据获取模块，用于通过DCS获取矿热炉生产过程中各种原料的重量和杂质含量，并获取矿热炉单位能耗；
[0035]数据存储模块，用于将数据以炉次为主键存储在数据库中；
[0036]数据预处理模块，用于对矿热炉能耗特征向量v及实时数据进行数据预处理；
[0037]能耗模型训练模块，用于将矿热炉能耗特征向量v输入随机森林算法，计算得到矿热炉能耗模型；
[0038]能耗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的矿热炉节能优化方法，其特征在于包括如下步骤：S1、获取待预测矿热炉的历史生产数据：S1
‑
1、获取矿热炉中原料的重量x
i
、杂质含量y
i
以及所对应的单位能耗e；S1
‑
2、使用数据获取模块按照炉次将第S1
‑
1步骤中获取的数据收集汇总；S1
‑
3、数据存储模块将数据以炉次为主键存储在数据库中；S2、数据预处理模块对历史生产数据进行预处理，得到矿热炉能耗特征向量v，对矿热炉能耗特征向量v进行预处理后，存储在数据库中；S3、将经过数据处理的矿热炉能耗特征向量v输入到随机森林算法中，训练出矿热炉的能耗模型，利用平均绝对百分比误差MAPE和拟合优度R2来衡量模型的准确性；S4、将原料的重量x
i
作为遗传算法的变量进行编码并设定范围，经过初始化种群，将原料重量和当前杂质含量输入矿热炉能耗模型得到的单位能耗作为适应度评估值，然后进行选择，交叉和变异的迭代循环，直至寻找到在当前原料杂质含量y
i
生产下的最低能耗e的原料重量x
i
。2.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：步骤S1所述原料的重量x
i
为配料时第i种原料的重量，杂质含量y
i
为第i种原料的杂质含量，其中杂质含量为实验室检测数据。3.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述步骤S2的具体过程如下，S2
‑
1、将历史生产数据以炉次为主键，转换为矿热炉能耗特征向量v：v＝(x1,x2,
…
,x
n
,y1,y2,
…
,y
n
)其中，x
i
为配料时第i种原料的重量，y
i
为配料时第i种原料的杂质含量；S2
‑
2、对矿热炉能耗特征向量进行数据预处理；S2
‑
3、将矿热炉能耗特征向量存储在数据库中。4.根据权利要求1所述的一种基于数据驱动的矿热炉节能优化方法，其特征在于：所述步骤S3的具体过程如下，S3
‑
1、从数据库中读取全部的矿热炉能耗特征向量v；S3
‑
2、将矿热炉能耗特征向量v输入能耗模型训练模块中的随机森林算法，算法回归模型为：e＝f(x1,x2,
…
,x
n
,y1,y2,
…
,y
n
)其中，x
i

【专利技术属性】
技术研发人员：李唯特，寇腾跃，孙延贞，于忠清，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
类型：发明
国别省市：