【技术实现步骤摘要】
本专利技术涉及煤炭混配，尤其涉及一种基于智能算法的焦炭生产多目标配煤优化方法及系统。
技术介绍
1、煤炭作为焦化生产的主要原料，其品质对焦炭的质量和生产成本具有决定性影响。传统的配煤过程依赖于经验和试验，不仅效率低下，而且很难准确应对煤质波动和市场需求的变化。随着信息技术和人工智能的发展，尝试通过算法优化配煤过程，以提升焦炭质量和降低成本已成为行业发展的趋势。
2、在当前的技术背景中，针对炼焦过程中的配煤优化问题，已经发展了一系列算法和技术，主要包括遗传算法、粒子群优化算法以及神经网络。这些技术主要侧重于从给定的煤种特性中寻找到最佳的配比方案，以达到提升焦炭质量和降低成本的目的。例如，firlyrachmadiyabaskoro在文献《mult i-objective optimization on total cost andcarbon dioxide emissio n of coal supply for coal-fired power plants inindonesia》中提出采用混合整数线性规划进行配煤比例优化，针对降低总成本和二氧化碳排放进行多目标优化。yan yuan在文献《modeling and optimization of coal blendingand coking costs using coal petrography》中采用高斯函数和xgboost来提高焦炭质量预测的准确性。这些方法通常依赖于大量历史数据，通过复杂的计算来优化焦炭产出质量和成本。
3、然而，这些方法也
4、由此看来，现有技术虽然在某些方面表现出色，但在适应性、计算效率和处理多变场景的能力上仍有提升空间。
技术实现思路
1、为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种基于智能算法的焦炭生产多目标配煤优化方法及系统，通过利用深度神经网络对煤种的化学成分、物理特性及相关成本数据进行分析，预测不同配煤方案的焦炭质量、成本和环保指标；采用自适应遗传算法则基于神经网络的预测结果，动态调整配比，寻找最优化的配煤方案；本专利技术还在于提供一种相应的多目标配煤优化系统，该系统集成了数据预处理、特征提取、模型训练、优化决策模块，使得整个优化过程更加高效。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于智能算法的焦炭生产多目标配煤优化方法，包括以下步骤：
4、s1、收集单煤特性、各煤种单价、配比信息以及相应焦炭的质量指标数据；
5、s2、对数据进行预处理，划分为训练集、验证集和测试集；
6、s3、利用预处理后的训练集训练深度神经网络模型，以预测不同配煤方案对碳质量、成本、环保排放的影响，并通过验证集进行优化调整；
7、s4、使用测试集对深度神经网络模型进行性能评估；
8、s5、利用自适应遗传算法根据深度神经网络模型的预测结果评估配煤方案的适应度，并调整搜索策略，寻找成本、质量和环保方面的最佳平衡；
9、s6、在生产过程中应用训练并验证好的模型和自适应遗传算法，当煤质数据和生产需求信息变化时，使用深度神经网络模型预测不同配比方案的质量、成本和环保指标，然后通过自适应遗传算法动态调整配比，寻找最佳配煤方案。
10、所述步骤s1中的单煤特性包括：硫分、挥发分、灰分、粘结指数、胶质指数、胶质厚度；所述配比信息指各种煤在配煤过程中的比例；焦炭的质量指标数据包括：灰分、硫分、挥发分、抗碎强度、耐磨性、反应性、反应后强度。
11、所述步骤s2中，对采集数据进行预处理,并按照训练集60％，验证集20％，测试集20％的比例划分。
12、所述步骤s3中利用预处理后的训练集数据训练深度神经网络模型，并通过验证集对模型进行优化调整，具体的训练和调优过程如下：
13、s3-1、构建深度神经网络模型，包括两层共享全连接层和专用于焦炭质量及成本预测的三个任务特定分支，实现多任务学习；共享全连接层使用relu激活函数，任务特定分支使用线性输出层；该深度神经网络模型采用多目标复合损失函数，为每个任务定制损失函数，公式如下：
14、l(θ)＝ωq·lquality(θquality)+ωc·lcost(θcost)+ωe·lemission(θemission)
15、其中，l(θ)是总损失函数，θ表示模型参数，ωq、ωc、ωe是权重，用于平衡焦炭质量、生产成本和环保排放在总损失函数中的贡献；lquality(θquality)是质量损失函数，lcost(θcost)是成本损失函数，lemission(θemission)是环保排放损失函数，公式分别如下：
16、
17、其中，msei(θquality)表示第i个样本中焦炭质量相关属性的均方误差，αi是该属性在焦炭质量中对应的权重，tcosti是第i个样本的实际总成本，priceik是第i个样本的第k种单煤的单价，proportionik是第i个样本的第k种单煤的配比比例，n是样本数量，环保排放损失函数选择使用焦炭的灰分和硫分属性作为环保排放的预测指标代理变量，yi为实际值，为预测值，βi为对该属性环保影响的权重；
18、s3-2、定义深度神经网络模型的输入特征以及输出标签，并初始化深度神经网络模型超参数；输入特征包括：煤种特性、单价、配比；输出标签包括：焦炭质量数据、供应成本、环保排放；
19、s3-3、使用adam优化器进行深度神经网络模型训练，通过多次迭代逐步优化模型参数；在每个训练周期结束时，利用验证集评估模型性能，根据验证集的反馈，结合自适应权重调整机制，动态调整各任务损失函数的权重，权重调整公式如下：
20、
21、其中，是第t次迭代的权重，η是学习率，是损失函数关于权重ωi梯度的；
22、s3-4、当验证集评估结果达到预期后，保存深度神经网络模型的最优状态。
23、所述步骤s5中所述自适应遗传算法，具体的训练和调优过程如下：
24、s5-1、初始化遗传算法的种群，采用半随机方式，结合已知的优秀配比方案和随机生成新方案，确保种群的多样性和探索性；
25、s5-2、评估适应度：利用训练好的深度神经网络模型预测每个配比方案的焦炭质量、生产成本，根据这些指标计算每个方案的适应度，适应度计算公式如下：
26、fitness＝ωq·q+ωc·c+ωe·e
27、其中，q、c、e和ωq、ωc、ωe分别为质量得分、成本得分和环保得分以及三者对应的权重，每项得分计算公式如下：
28、
29、其中，ωi是质量内部各指本文档来自技高网...
【技术保护点】
1.一种基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤S1中的单煤特性包括：硫分、挥发分、灰分、粘结指数、胶质指数、胶质厚度；所述配比信息指各种煤在配煤过程中的比例；焦炭的质量指标数据包括：灰分、硫分、挥发分、抗碎强度、耐磨性、反应性、反应后强度。
3.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤S2中，对采集数据进行预处理,并按照训练集60％，验证集20％，测试集20％的比例划分。
4.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤S3中利用预处理后的训练集数据训练一个深度神经网络模型，并通过验证集对模型进行优化调整，具体的训练和调优过程如下：
5.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤S5中所述自适应遗传算法，具体的训练和调优过程如下：
6.一种基于智能算法的焦炭生产多目标配煤优化系统，用于运
...【技术特征摘要】
1.一种基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤s1中的单煤特性包括：硫分、挥发分、灰分、粘结指数、胶质指数、胶质厚度；所述配比信息指各种煤在配煤过程中的比例；焦炭的质量指标数据包括：灰分、硫分、挥发分、抗碎强度、耐磨性、反应性、反应后强度。
3.根据权利要求1所述的基于智能算法的焦炭生产多目标配煤优化方法，其特征在于，所述步骤s2中，对采集数据进行预处理,并按照训练集60％，验证集20％，测试集20％的比例划分。
4...
【专利技术属性】
技术研发人员：叶锋，陈赞，李明培，弋俊辉，
申请(专利权)人：陕西投资集团创新技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。