一种基于工业大数据的高炉能耗与碳排放分析方法及系统技术方案

本发明专利技术涉及一种基于工业大数据的高炉能耗与碳排放分析方法，包括以下步骤：S1、获取高炉生产过程中的历史数据集合，构建高炉生产数据库；S2、基于高炉生产数据库，进行数据处理与高炉指标计算，对采集的高炉原始数据进行缺失值与异常值处理；计算相应时刻的高炉能耗与碳排放量，组成新的数据内容，并与处理后的数据组成高炉能耗与碳排放应用数据集；S3、基于高炉能耗与碳排放应用数据集，结合数据挖掘技术构建高炉能耗与碳排放影响因素评价模。本发明专利技术提供的分析方法能直观地从数据本身反映当前的能耗与碳排放影响因素，结合机器学习算法建立影响因素寻优模型，在高炉节能减排的目标下，挖掘影响参数的最佳范围。挖掘影响参数的最佳范围。挖掘影响参数的最佳范围。

【技术实现步骤摘要】
一种基于工业大数据的高炉能耗与碳排放分析方法及系统


[0001]本专利技术属于高炉炼铁过程能耗与碳排放分析、评价与优化
，尤其涉及一种工业大数据的高炉能耗与碳排放分析方法及系统。

技术介绍

[0002]钢铁工业是国民经济发展的重要支柱型行业，同时也是高耗能和高排放大户。根据数据统计，钢铁工业能耗约占全国总能耗的15％，碳排放量占全国碳排放总量的13％
‑
15％。钢铁工业节能低碳转型任务严峻。高炉炼铁工序是钢铁长流程生产中最主要的组成部分，在其生产过程消耗大量化石能源并伴随排放大量CO2，根据资料显示，高炉炼铁工序的能耗占钢铁全流程生产能耗的47％左右，CO2排放占全厂排放的40％左右，由此可见，钢铁工业的节能减排矛头是降低高炉炼铁工序能耗和CO2排放量。
[0003]目前，高炉工序能耗与碳排放的计算方法已经较为成熟，在高炉炼铁能耗计算上，2014年10月1日实施的《粗钢生产主要工序单位产品能源消耗限额》(GB 21256
‑
2013)中对高炉工序能耗的统计范围进行定义，规定了高炉工序能耗计算的内容和方法，提供了各种能源折标准煤系数推荐值用于计算高炉能耗。针对于钢铁工业碳排放的计算方法，国内形成了多个版本，目前推广时间最新、应用最广泛的方法为《温室气体排放核算与报告要求第5部分：钢铁生产企业》(GB/T 32151.5
‑
2015)，其中规定了钢铁生产过程中的核算边界、核算内容和具体方法，详细地阐述了针对钢铁工业全流程和各生产工序的碳排放计算方式，提供了碳排放报告模板和一些常用化石燃料和生产过程物质的排放因子推荐值，为钢铁生产计算碳排放提供了标准。
[0004]就目前来说，探索高炉能耗与碳排放的分析方法存在一定实施难度和局限性，例如高炉生产中机理不清晰，存在着大量不确定化学反应过程，当高炉炉况发生波动时，导致基于高炉机理的分析结果较实际情况符合性较差。对于高炉能耗与碳排放分析难以从机理上直接量化各生产参数的影响程度。
[0005]目前针对高炉能耗与碳排放分析主要关注了生产指标计算中的投入产出情况，对于高炉其他生产参数的影响发现不足。高炉生产可视为一个“黑箱模型”，其生产参数繁多且杂乱，针对高炉能耗与碳排放分析判断中，难以直接从机理侧量化分析各生产因素对高炉能耗与碳排放带来的影响程度，在影响因素过多的前提下难以直接抓取影响高炉能耗与碳排放的主要因素。随着高炉日常生产，其能耗与碳排放影响因素也会随着生产情况发生实质性变化，如何准确、及时、迅速地分析高炉能耗与碳排放成为如今高炉节能降碳的主要发展方向。

技术实现思路

[0006](一)要解决的技术问题
[0007]为了解决现有技术的上述问题，本专利技术提供一种工业大数据的高炉能耗与碳排放分析方法及系统，能直观地从数据本身反映当前的能耗与碳排放影响因素，结合机器学习
算法建立影响因素寻优模型，在高炉节能减排的目标下，挖掘影响参数的最佳范围，解决了现有分析方法难以实施、局限性大且无法准确、及时、迅速地分析高炉能耗与碳排放关系的技术问题。
[0008](二)技术方案
[0009]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0010]一种基于工业大数据的高炉能耗与碳排放分析方法，包括以下S：
[0011]S1、获取高炉生产过程中的历史数据集合，构建高炉生产数据库；
[0012]历史数据包括高炉运行生产中的原料参数、操作参数、炉况参数和渣铁参数；
[0013]S2、基于高炉生产数据库，进行数据处理与高炉指标计算，对采集的高炉原始数据进行缺失值与异常值处理；
[0014]计算相应时刻的高炉能耗与碳排放量，组成新的数据内容，并与处理后的数据组成高炉能耗与碳排放应用数据集；
[0015]S3、基于高炉能耗与碳排放应用数据集，结合数据挖掘技术构建高炉能耗与碳排放影响因素评价模型，将高炉能耗与碳排放影响因素评价模型参数进行影响关联度分析并进行影响贡献等级划分；
[0016]S4、基于影响因素评价模型获取高炉能耗与碳排放的主要影响参数，结合机器学习算法构建高炉能耗与碳排放影响因素分析模型，得到主要影响因素变化对高炉能耗与碳排放的影响量及数据可视化关系；
[0017]S5、基于高炉能耗与碳排放应用数据、高炉能耗与碳排放影响因素评价模型和高炉能耗与碳排放影响因素分析模型，通过机器学习建立高炉能耗与碳排放影响因素寻优模型；
[0018]基于高炉能耗与碳排放影响因素寻优模型对高炉生产数据进行无监督学习，归类高炉最低能耗与碳排放的情况，得到主要影响因子的最佳操作范围。
[0019]优选地，所述S1还包括：基于高炉生产数据库，调用高炉生产相关参数数据；
[0020]高炉生产相关参数数据主要包括原料成分、燃料物性成分、高炉鼓风参数、高炉产出渣铁煤气参数。
[0021]优选地，所述S2还包括：对高炉生产数据库中的数据进行数据处理；
[0022]数据处理主要对数据缺失值、数据异常值处理；
[0023]对于缺失值，采用中位数填补法补全缺失值；
[0024]对于异常值使用箱形图法进行剔除处理。
[0025]优选地，所述S3还包括：基于形成的高炉能耗与碳排放应用数据集，采用主成分分析和灰分关联分析相结合的算法筛选高炉能耗与碳排放指标的关键影响因素，根据各影响因素关联度排序，得到当前数据参数中影响高炉能耗与碳排放程度大的关联序。
[0026]优选地，所述主成分分析和灰分关联分析相结合的算法包括：确定分析数列及关联系数；
[0027]确定参考数列与比较数列，选取高炉的能耗与碳排放值为参考序列，表示为y＝(y1,y2,...,y
n
)，比较数列为高炉的参数；
[0028]其中，焦炭碳含量、煤粉灰分、鼓风风温、鼓风富氧率、鼓风压力、铁水温度等表示为x
i
＝(x
i
(1),x
i
(2),...,x
i
(n)(i＝1,2,...n)，
[0029]则x
i
＝(x
i
(1),x
i
(2),
…
,x
i
(n))(i＝1,2,
…
,n2)与y＝(y1,y2,
…
,y
n
)的关联系数为：
[0030][0031]其中，ρ∈(0,+∞)为分辨系数，作用是在于提高关联系数之间的显著性；一般取ρ∈(0,1)，通常取ρ＝0.5。
[0032]优选地，所述主成分分析和灰分关联分析相结合的算法还包括：关联度计算；
[0033]关联度的计算方法常采用平均值法：
[0034][0035]其中，ξ
i
(k),(k＝1,2,
…
,N)为关联序列。
[0036]优选地，所述主成分分析和灰分关联分析相结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业大数据的高炉能耗与碳排放分析方法，其特征在于，包括以下步骤：S1、获取高炉生产过程中的历史数据集合，构建高炉生产数据库；历史数据包括高炉运行生产中的原料参数、操作参数、炉况参数和渣铁参数；S2、基于高炉生产数据库，进行数据处理与高炉指标计算，对采集的高炉原始数据进行缺失值与异常值处理；计算相应时刻的高炉能耗与碳排放量，组成新的数据内容，并与处理后的数据组成高炉能耗与碳排放应用数据集；S3、基于高炉能耗与碳排放应用数据集，结合数据挖掘技术构建高炉能耗与碳排放影响因素评价模型，将高炉能耗与碳排放影响因素评价模型参数进行影响关联度分析并进行影响贡献等级划分；S4、基于高炉能耗与碳排放影响因素评价模型获取高炉能耗与碳排放的主要影响参数，结合机器学习算法构建高炉能耗与碳排放影响因素分析模型，得到主要影响因素变化对高炉能耗与碳排放的影响量及数据可视化关系；S5、基于高炉能耗与碳排放应用数据、高炉能耗与碳排放影响因素评价模型和高炉能耗与碳排放影响因素分析模型，通过机器学习建立高炉能耗与碳排放影响因素寻优模型；基于高炉能耗与碳排放影响因素寻优模型对高炉生产数据进行无监督学习，归类高炉最低能耗与碳排放的情况，得到主要影响因子的最佳操作范围。2.根据权利要求1所述的方法，其特征在于，所述S1还包括：基于高炉生产数据库，调用高炉生产相关参数数据；高炉生产相关参数数据主要包括原料成分、燃料物性成分、高炉鼓风参数、高炉产出渣铁煤气参数。3.根据权利要求2所述的方法，其特征在于，所述S2还包括：对高炉生产数据库中的数据进行数据处理；数据处理主要对数据缺失值、数据异常值处理；对于缺失值，采用中位数填补法补全缺失值；对于异常值使用箱形图法进行剔除处理。4.根据权利要求3所述的方法，其特征在于，所述S3还包括：基于形成的高炉能耗与碳排放应用数据集，采用主成分分析和灰分关联分析相结合的算法筛选高炉能耗与碳排放指标的关键影响因素，根据各影响因素关联度排序，得到当前数据参数中影响高炉能耗与碳排放程度大的关联序。5.根据权利要求4所述的方法，其特征在于，所述主成分分析和灰分关联分析相结合的算法包括：确定分析数列及关联系数；确定参考数列与比较数列，选取高炉的能耗与碳排放值为参考序列，表示为y＝(y1,y2,...,y
n
)，比较数列为高炉的参数；其中，焦炭碳含量、煤粉灰分、鼓风风温、...

【专利技术属性】
技术研发人员：张琦，夏海鹏，
申请(专利权)人：东北大学，
类型：发明
国别省市：