CN114721263A - 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 - Google Patents
基于机器学习和智能优化算法的水泥分解炉智慧调控方法 Download PDFInfo
- Publication number
- CN114721263A CN114721263A CN202210256441.2A CN202210256441A CN114721263A CN 114721263 A CN114721263 A CN 114721263A CN 202210256441 A CN202210256441 A CN 202210256441A CN 114721263 A CN114721263 A CN 114721263A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- decomposing furnace
- intelligent
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 239000004568 cement Substances 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 239000002994 raw material Substances 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 235000012054 meals Nutrition 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 8
- 235000011114 ammonium hydroxide Nutrition 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000012821 model calculation Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 231100000719 pollutant Toxicity 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，步骤如下：从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；对历史运行数据进行一系列操作，建立分解炉NOx与生料分解率计算的训练集与测试集；使用机器学习方法对模型进行训练，建立分解炉内生料分解率与分解炉出口NOx排放量的计算模型，并通过测试集验证模型准确性；通过智能优化算法将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；根据模型性能变化自适应地更新模型，保证计算结果的准确性。本发明可以为水泥厂运行人员调控提供指导，弥补人工调节运行参数的不足。
Description
技术领域
本发明涉及水泥生产，特别是一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法。
背景技术
分解炉操作参数的调节对生料分解以及NOx排放有着重要影响，是生产调控的重要对象。在水泥生产过程中，分解炉的系统工况复杂多变，一方面受到炉内气固流动与燃烧机理的影响，另一方面也与预热器及回转窑的工作状态有很大关联，目前大多水泥厂对其燃烧控制采用人工操作为主，自动化控制为辅的方式，这种方式特别依赖运行人员的经验，存在能耗大、废气排放量高、温度波动大、熟料质量差等问题。因此，建立一套水泥分解炉智慧调控技术，具有十分重要的现实意义。
发明内容
发明目的：本发明的目的是提供一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，从而为水泥厂运行人员调控提供指导，弥补人工调节运行参数的不足。
技术方案：本发明所述的一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，包括以下步骤：
(1)从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；
(2)对历史运行数据进行数据清洗、特征选择、降维、数据标准化操作，建立分解炉NOx与生料分解率计算的训练集与测试集；
(3)使用机器学习方法对模型进行训练，建立衡量燃烧效率与污染物的关键变量计算模型，并通过测试集验证模型准确性；
(4)通过智能优化算法，将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；
(5)根据模型性能变化自适应地更新模型，保证计算结果的准确性。
步骤(2)所述的历史运行数据是指一个月以上的水泥厂窑炉历史运行原始数据，包括操作人员可调节的参数数据和不可调节的参数数据，所述可调节的参数数据包括水泥生产过程中的生料下料量、喷煤量、三次风量、氨水用量，所述不可调节的参数数据包括三次风温度、分解炉出口温度、分解炉出口压力、窑尾温度、窑尾压力、煤种性质。
步骤(2)所述的数据清洗指删除历史运行数据中由于传感器或其他设备故障产生的缺失值、异常值非稳态值；具体为：
(2.1)对数据中的缺失值，若仅存在间断时间点缺失，使用前后时间点的记录值进行线性插值填补；若存在连续缺失值，则从系统数据库中删去该段时间内的测量值；
(2.2)对数据中的异常值，根据拉伊达准则对数据中存在的异常值进行判断：
其中
为数据中某一变量的平均值，σ为某一变量的标准差；
(2.3)对数据中的非稳态值，由于动态过程波动较大，此时运行参数不能真实反映分解炉内运行状况，采用滑动窗口法进行稳态检测：首先选择合适的窗口长度N，确定窗口内运行数据的波动情况，然后将窗口向后移动以确定下一组数据直到检测所有数据为止；稳定工况判断标准如下：
其中xmax为该滑动窗口范围内的某一运行参数的最大值,xmin为该滑动窗口范围内某一运行参数的最小值，xr为额定工况下的额定值，vt是稳定阈值；
(2.4)对影响NOx排放量和生料分解率的因素进行特征选择，通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量；基于互信息相关性分析的方法，选取除生料下料量、喷煤量、三次风量、氨水用量等操作人员可调节的参数外与NOx排放量和生料分解率相关性最大的特征变量；
(2.5)对选择的数据降维，采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量；通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；
(2.6)通过数据标准化，将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用；使用min-max标准化的方法完成数据的处理，计算方法如下：
其中Xnorm是标准化后的值，Xmax、Xmin、Xmean分别为数据的最大值、最小值和平均值；
(2.7)计算各变量的迟滞性即需要多久才能对被控对象的变化产生影响；记各变量迟延时间为τi,i＝1,2,3...N，其中N为经前述步骤处理后得到的变量个数，通过计算各变量的迟延时间，选择出各变量迟延时间段内的数据，完成数据的时序匹配；x(t)为t时刻，模型对象计算所需要参数构成的数组：
x(t)＝[y(t-1),...,y(t-τy),u1(t),u1(t-1),...,u1(t-τ1),...,uN(t),uN(t-1),...,uN(t-τN)]T
上述公式中τi的值由粒子群算法进行求解，在粒子群算法中，将延迟时间(τ1,τ2,...,τp,τy)作为整数空间中需要优化的变量，0≤τi≤τmax,τmax为变量的最大迟延时间；将预测误差作为最小适应度函数，优化过程通过最小化适应度函数来搜索最佳延迟；
(2.8)由上述步骤(2.1)～(2.7)，构造NOx排放量和生料分解率计算的数据集，对于NOx排放量和生料分解率，由于影响因素不同，需要构造两个数据集，分别为{y1(t),x1(t)}与{y2(t),x2(t)}。
步骤(2)所述的特征选择指通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量，基于互信息相关性分析的方法，选取相关性最大的特征；所述的降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量，通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；所述的数据标准化是指将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用，使用min-max标准化的方法完成数据的处理。
步骤(3)所述的衡量燃烧效率与污染的参数指分解炉内生料分解率测量值与分解炉出口NOx排放量监测值。
所述步骤(3)具体为：
(3.1)利用LightGBM机器学习方法，在训练集上建立分解炉出口NOx排放量与各参数的关系模型以及分解炉内生料分解率与各参数的关系模型：
(3.2)采用粒子群算法对LightGBM模型中learning_rate、max_depth、num_leaves等重要参数进行寻优，从而实现较高的模型计算准确率；
(3.3)在使用粒子群算法对LightGBM模型参数寻优的过程中，以learning_rate、max_depth、num_leaves优化自变量，以对应的LightGBM模型计算的均方根误差为适应度函数，优化过程满足以下约束：max_depth与num_leaves为大于0的整数；计算得到的全局最优解即为模型的参数值，使用该组参数重新训练模型，分别建立NOx以及生料分解率的计算模型；
(3.4)在初始化种群后，对种群中每一粒子对应的learning_rate、max_depth、num_leaves构建模型，使用K折交叉验证(K-fold Cross Validation)的方法训练模型；以模型均方根误差作为目标函数，挑选出当前种群全局最优模型参数，并以当前全局最优参数为基准更新种群；在新的种群基础上训练模型，计算模型误差；判断算法是否收敛，若不收敛则继续更新种群，对新的模型进行训练；若算法收敛，则输出此时计算得到的模型最优参数。
所述步骤(4)具体为：
(4.1)水泥分解炉的生产调控为一多目标优化问题，需要在保证较高生料分解率的同时降低NOx的排放量；
(4.2)将生料分解率与NOx排放量进行加权求和，构造运行参数优化的目标函数，将多目标优化问题转变为单目标优化问题；
Fobj＝w1FNOx-w2Fη+w3ε
其中，w1,w2,w3为各项的权重；ε为分解炉出口温度超温惩罚项；FNOx与Fη由建立的LightGBM计算求得；优化的目标及约束为：
minFobj
xi,min≤xi≤xi,max(i＝1...m)
(4.3)使用粒子群智能优化算法，以构造的目标函数作为适应度函数，以生料下料量、喷煤量、三次风量、氨水用量作为粒子群算法的种群，迭代寻找最优的操作参数，作为运行人员进行调控的指导。
所述步骤(5)具体为：对于新加入数据库中的工况，当经过数据预处理后，若模型计算结果与实际值大于某一阈值，则选取最近若干组数据重复步骤(2)～(4)，重现建立新的模型直至模型误差满足条件。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法。
有益效果：与现有技术相比，本发明具有如下优点：本发明能够在保持水泥分解炉内生料分解率的同时降低NOx的排放量，为运行人员生产调控提供指导，弥补运行人员依赖经验调节参数的不足，助力水泥行业的高效低污染生产。
附图说明
图1为本发明的流程示意框图；
图2为本发明的数据预处理示意框图；
图3为本发明的模型建立示意框图；
图4为本发明的操作参数智能寻优示意框图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明的基于机器学习和智能优化算法的水泥分解炉智慧调控方法的包括DCS历史数据采集、数据预处理、生料分解率及NOx排放量预测模型建立、工况参数寻优等步骤。
步骤1：从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；
步骤2：对历史运行数据进行预处理，构建模型计算需要的数据集；
步骤3：使用LightGBM机器学习方法对模型进行训练，建立分解炉内生料分解率与分解炉出口NOx排放量的计算模型，并通过测试集验证模型准确性；
步骤4：对于实时工况数据，通过智能优化算法，将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值，并将其输出作为调节建议；
步骤5：对于实时工况数据，若根据所建立的模型计算得到的预测值与实际值误差大于设定的阈值ε，则重新从历史数据库中读取数据并重复上述步骤，建立新的模型，自适应地进行更新，以保证计算结果的准确性。
如图2所示，数据预处理的流程为：数据清洗、特征选择、数据降维、数据标准化、时序匹配、构建数据集。
数据清洗包括缺失值处理、异常值处理以及非稳态值处理。
对数据中的缺失值，使用前后时间点的记录值进行线性插值填补。
根据拉伊达准则对数据中存在的异常值进行判断：
其中
为数据中某一变量的平均值，σ为某一变量的标准差。对于异常值，使用前后时间点的记录值进行线性插值填补。
由于动态过程数据波动较大，此时运行参数不能真实反映分解炉内运行状况，采用滑动窗口法进行稳态检测：首先选择合适的窗口长度N，确定窗口内运行数据的波动情况，然后将窗口向后移动以确定下一组数据直到检测所有数据为止。稳定工况判断标准如下：
其中xmax为该滑动窗口范围内的某一运行参数的最大值,xmin为该滑动窗口范围内某一运行参数的最小值，xr为额定工况下的额定值，vt是稳定阈值。
基于互信息相关性分析(MI)的方法，选取除生料下料量、喷煤量、三次风量、氨水用量等操作人员可调节的参数外与NOx排放量和生料分解率相关性最大的特征变量。
使用主成分分析(PCA)的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分。
使用min-max标准化的方法完成数据的标准化处理，计算方法如下：
其中Xnorm是标准化后的值，Xmax、Xmin、Xmean分别为数据的最大值、最小值和平均值。
计算各变量的迟延时间，记各变量迟延时间为τi,i＝1,2,3...N,其中N为经前述步骤处理后得到的变量个数，通过计算各变量的迟延时间，选择出各变量迟延时间段内的数据，完成数据的时序匹配。x(t)为t时刻，模型对象计算所需要参数构成的数组：
x(t)＝[y(t-1),...,y(t-τy),u1(t),u1(t-1),...,u1(t-τ1),...,uN(t),uN(t-1),...,uN(t-τN)]T
如图3所示，采用粒子群算法计算各变量迟延时间。
将延迟时间(τ1,τ2,...,τp,τy)作为整数空间中需要优化的变量，0≤τi≤τmax,τmax为变量的最大迟延时间。将预测误差作为目标函数，优化过程通过最小化目标函数来搜索最佳延迟。
首先初始化种群参数，然后初始化迟延时间T＝[τ1,τ2,...τN,τy]。对种群中每一粒子对应的迟延时间构建不同数据集，并在此数据集上对LightGBM模型进行训练。以模型均方根误差作为目标函数，挑选出全局最优迟延时间T，并以当前全局最优迟延时间为基准更新种群。在新的种群基础上重新建立数据集并进行训练，计算模型误差。判断算法是否收敛，若不收敛则继续更新种群，建立数据集并训练；若算法收敛，则输出此时计算得到的全局最优迟延时间Topt＝[τ1,τ2,...τN,τy]opt。
构造NOx排放量和生料分解率计算的数据集，对于NOx排放量和生料分解率，由于影响因素不同，需要构造两个数据集，分别为{y1(t),x1(t)}与{y2(t),x2(t)}。
对于建立的数据集将其划分为训练集和测试集，训练集中的数据用于模型建立，测试集中的数据用于模型验证，训练集和测试集所占的比例分别为70％和30％。
图4为使用LightGBM机器学习方法建立NOx排放量与生料分解率预测模型的方法。
利用LightGBM机器学习方法，在训练集上建立分解炉出口NOx排放量与各参数的关系模型以及分解炉内生料分解率与各参数的关系模型：
为了使模型达到更高的准确性，需要对LightGBM的参数进行调整。采用粒子群算法对LightGBM模型中learning_rate、max_depth、num_leaves等重要参数进行寻优，从而实现较高的模型计算准确率。
在使用粒子群算法对LightGBM模型参数寻优的过程中，以learning_rate、max_depth、num_leaves优化自变量，以对应的LightGBM模型计算的均方根误差为适应度函数，优化过程满足以下约束：max_depth与num_leaves为大于0的整数。计算得到的全局最优解即为模型的参数值，使用该组参数重新训练模型，分别建立NOx以及生料分解率的计算模型。
在初始化种群后，对种群中每一粒子对应的learning_rate、max_depth、num_leaves构建模型，使用K折交叉验证(K-fold Cross Validation)的方法训练模型。以模型均方根误差作为目标函数，挑选出当前种群全局最优模型参数，并以当前全局最优参数为基准更新种群。在新的种群基础上训练模型，计算模型误差。判断算法是否收敛，若不收敛则继续更新种群，对新的模型进行训练；若算法收敛，则输出此时计算得到的模型最优参数。
水泥分解炉的生产调控为一多目标优化问题，需要在保证较高生料分解率的同时降低NOx的排放量。
将生料分解率与NOx排放量进行加权求和，构造运行参数优化的目标函数，将多目标优化问题转变为单目标优化问题。
Fobj＝w1FNOx-w2Fη+w3ε
其中：w1,w2,w3为各项的权重；ε为分解炉出口温度超温惩罚项；FNOx与Fη由建立的LightGBM计算求得。优化的目标及约束为：
minFobj
xi,min≤xi≤xi,max(i＝1...m)
使用粒子群智能优化算法，以构造的目标函数作为适应度函数，以生料下料量、喷煤量、三次风量、氨水用量作为粒子群算法的种群，迭代寻找最优的操作参数，作为运行人员进行调控的指导。
Claims (10)
1.一种基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，包括以下步骤：
(1)从DCS系统中实时采集分解炉运行工况数据并将其传输到专用服务器数据库中存储；
(2)对历史运行数据进行数据清洗、特征选择、降维、数据标准化操作，建立分解炉NOx与生料分解率计算的训练集与测试集；
(3)使用机器学习方法对模型进行训练，建立衡量燃烧效率与污染物的关键变量计算模型，并通过测试集验证模型准确性；
(4)通过智能优化算法，将基于机器学习方法建立的分解炉关键变量计算模型的输出构造为目标函数，进行参数寻优，得到目标工况下可调操作量的较优参考值；
(5)根据模型性能变化自适应地更新模型，保证计算结果的准确性。
2.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(2)所述的历史运行数据是指一个月以上的水泥厂窑炉历史运行原始数据，包括操作人员可调节的参数数据和不可调节的参数数据，所述可调节的参数数据包括水泥生产过程中的生料下料量、喷煤量、三次风量、氨水用量，所述不可调节的参数数据包括三次风温度、分解炉出口温度、分解炉出口压力、窑尾温度、窑尾压力、煤种性质。
3.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(2)所述的数据清洗指删除历史运行数据中由于传感器或其他设备故障产生的缺失值、异常值非稳态值；具体为：
(2.1)对数据中的缺失值，若仅存在间断时间点缺失，使用前后时间点的记录值进行线性插值填补；若存在连续缺失值，则从系统数据库中删去该段时间内的测量值；
(2.2)对数据中的异常值，根据拉伊达准则对数据中存在的异常值进行判断：
其中
为数据中某一变量的平均值，σ为某一变量的标准差；
(2.3)对数据中的非稳态值，由于动态过程波动较大，此时运行参数不能真实反映分解炉内运行状况，采用滑动窗口法进行稳态检测：首先选择合适的窗口长度N，确定窗口内运行数据的波动情况，然后将窗口向后移动以确定下一组数据直到检测所有数据为止；稳定工况判断标准如下：
其中xmax为该滑动窗口范围内的某一运行参数的最大值,xmin为该滑动窗口范围内某一运行参数的最小值，xr为额定工况下的额定值，vt是稳定阈值；
(2.4)对影响NOx排放量和生料分解率的因素进行特征选择，通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量；基于互信息相关性分析的方法，选取除生料下料量、喷煤量、三次风量、氨水用量等操作人员可调节的参数外与NOx排放量和生料分解率相关性最大的特征变量；
(2.5)对选择的数据降维，采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量；通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；
(2.6)通过数据标准化，将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用；使用min-max标准化的方法完成数据的处理，计算方法如下：
其中Xnorm是标准化后的值，Xmax、Xmin、Xmean分别为数据的最大值、最小值和平均值；
(2.7)计算各变量的迟滞性即需要多久才能对被控对象的变化产生影响；记各变量迟延时间为τi,i＝1,2,3…N，其中N为经前述步骤处理后得到的变量个数，通过计算各变量的迟延时间，选择出各变量迟延时间段内的数据，完成数据的时序匹配；x(t)为t时刻，模型对象计算所需要参数构成的数组：
x(t)＝[y(t-1),…,y(t-τy),u1(t),u1(t-1),…,u1(t-τ1),…,uN(t),uN(t-1),…,uN(t-τN)]T
上述公式中τi的值由粒子群算法进行求解，在粒子群算法中，将延迟时间(τ1,τ2,…,τp,τy)作为整数空间中需要优化的变量，0≤τi≤τmax,τmax为变量的最大迟延时间；将预测误差作为最小适应度函数，优化过程通过最小化适应度函数来搜索最佳延迟；
(2.8)由上述步骤(2.1)～(2.7)，构造NOx排放量和生料分解率计算的数据集，对于NOx排放量和生料分解率，由于影响因素不同，需要构造两个数据集，分别为{y1(t),x1(t)}与{y2(t),x2(t)}。
4.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(2)所述的特征选择指通过相关性分析，计算各参数与目标值之间的相互依赖的程度，排除相关性较低的参数的影响，减少模型计算量，基于互信息相关性分析的方法，选取相关性最大的特征；所述的降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，减少数据中的冗余信息与噪声，进一步减少模型计算量，通过主成分分析的方法，对数据进行降维处理，选取对目标变量贡献度大于90％的主成分；所述的数据标准化是指将数据按比例缩放，使之落入特定的区间，从而避免由于各数据间量纲和数量级不同而削弱综合分析过程中数值较小参数的作用，使用min-max标准化的方法完成数据的处理。
5.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，步骤(3)所述的衡量燃烧效率与污染的参数指分解炉内生料分解率测量值与分解炉出口NOx排放量监测值。
6.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，所述步骤(3)具体为：
(3.1)利用LightGBM机器学习方法，在训练集上建立分解炉出口NOx排放量与各参数的关系模型以及分解炉内生料分解率与各参数的关系模型：
(3.2)采用粒子群算法对LightGBM模型中learning_rate、max_depth、num_leaves等重要参数进行寻优，从而实现较高的模型计算准确率；
(3.3)在使用粒子群算法对LightGBM模型参数寻优的过程中，以learning_rate、max_depth、num_leaves优化自变量，以对应的LightGBM模型计算的均方根误差为适应度函数，优化过程满足以下约束：max_depth与num_leaves为大于0的整数；计算得到的全局最优解即为模型的参数值，使用该组参数重新训练模型，分别建立NOx以及生料分解率的计算模型；
7.(3.4)在初始化种群后，对种群中每一粒子对应的learning_rate、max_depth、num_leaves构建模型，使用K折交叉验证(K-fold Cross Validation)的方法训练模型；以模型均方根误差作为目标函数，挑选出当前种群全局最优模型参数，并以当前全局最优参数为基准更新种群；在新的种群基础上训练模型，计算模型误差；判断算法是否收敛，若不收敛则继续更新种群，对新的模型进行训练；若算法收敛，则输出此时计算得到的模型最优参数。根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，所述步骤(4)具体为：
(4.1)水泥分解炉的生产调控为一多目标优化问题，需要在保证较高生料分解率的同时降低NOx的排放量；
(4.2)将生料分解率与NOx排放量进行加权求和，构造运行参数优化的目标函数，将多目标优化问题转变为单目标优化问题；
Fobj＝w1FNOx-w2Fη+w3ε
其中，w1,w2,w3为各项的权重；ε为分解炉出口温度超温惩罚项；FNOx与Fη由建立的LightGBM计算求得；优化的目标及约束为：
minFobj
xi,min≤xi≤xi,max(i＝1…m)
(4.3)使用粒子群智能优化算法，以构造的目标函数作为适应度函数，以生料下料量、喷煤量、三次风量、氨水用量作为粒子群算法的种群，迭代寻找最优的操作参数，作为运行人员进行调控的指导。
8.根据权利要求1所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法，其特征在于，所述步骤(5)具体为：对于新加入数据库中的工况，当经过数据预处理后，若模型计算结果与实际值大于某一阈值，则选取最近若干组数据重复步骤(2)～(4)，重现建立新的模型直至模型误差满足条件。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法。
10.一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的基于机器学习和智能优化算法的水泥分解炉智慧调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210256441.2A CN114721263B (zh) | 2022-03-16 | 2022-03-16 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210256441.2A CN114721263B (zh) | 2022-03-16 | 2022-03-16 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114721263A true CN114721263A (zh) | 2022-07-08 |
| CN114721263B CN114721263B (zh) | 2024-01-23 |
Family
ID=82238050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210256441.2A Active CN114721263B (zh) | 2022-03-16 | 2022-03-16 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114721263B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879369A (zh) * | 2022-11-10 | 2023-03-31 | 国能神华九江发电有限责任公司 | 一种基于优化LightGBM算法的磨煤机故障预警方法 |
| CN116224795A (zh) * | 2023-03-06 | 2023-06-06 | 北京全应科技有限公司 | 一种基于机器学习模型的热电生产设备控制方法 |
| CN116629316A (zh) * | 2023-07-26 | 2023-08-22 | 无锡雪浪数制科技有限公司 | 对象生产模型训练方法、装置、电子设备以及存储介质 |
| CN118332911A (zh) * | 2024-04-24 | 2024-07-12 | 江苏大学流体机械温岭研究院 | 一种可即时降维的管道泵多目标协同优化方法及系统 |
| CN118859888A (zh) * | 2024-09-27 | 2024-10-29 | 浙江大维高新技术股份有限公司 | 一种dcs人工智能模块及其优化方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104536396A (zh) * | 2014-12-08 | 2015-04-22 | 沈阳工业大学 | 一种水泥生料在分解炉内分解过程的软测量建模方法 |
| CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 |
| CN105574264A (zh) * | 2015-12-16 | 2016-05-11 | 长春工业大学 | 一种水泥分解炉窑尾分解率svr软测量方法 |
| CN111833970A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥熟料质量表征参数预测模型构建方法及其应用 |
| CN112085196A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 |
| CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
| CN113589693A (zh) * | 2021-07-22 | 2021-11-02 | 燕山大学 | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 |
-
2022
- 2022-03-16 CN CN202210256441.2A patent/CN114721263B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104536396A (zh) * | 2014-12-08 | 2015-04-22 | 沈阳工业大学 | 一种水泥生料在分解炉内分解过程的软测量建模方法 |
| CN104765350A (zh) * | 2015-04-03 | 2015-07-08 | 燕山大学 | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 |
| CN105574264A (zh) * | 2015-12-16 | 2016-05-11 | 长春工业大学 | 一种水泥分解炉窑尾分解率svr软测量方法 |
| CN111833970A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥熟料质量表征参数预测模型构建方法及其应用 |
| CN112085196A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 |
| CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
| CN113589693A (zh) * | 2021-07-22 | 2021-11-02 | 燕山大学 | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOCHEN HAO等: "Prediction of f-CaO content in cement clinker: A novel prediction method based on LightGBM and Bayesian optimization", 《ES》, pages 1 - 11 * |
| 王沼钧: "基于动态数据维数约简和半监督学习的水泥分解炉生料分解率预报建模", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 3, pages 21 - 24 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879369A (zh) * | 2022-11-10 | 2023-03-31 | 国能神华九江发电有限责任公司 | 一种基于优化LightGBM算法的磨煤机故障预警方法 |
| CN115879369B (zh) * | 2022-11-10 | 2024-09-27 | 国能神华九江发电有限责任公司 | 基于优化LightGBM算法的磨煤机故障预警方法 |
| CN116224795A (zh) * | 2023-03-06 | 2023-06-06 | 北京全应科技有限公司 | 一种基于机器学习模型的热电生产设备控制方法 |
| CN116224795B (zh) * | 2023-03-06 | 2023-11-17 | 北京全应科技有限公司 | 一种基于机器学习模型的热电生产设备控制方法 |
| CN116629316A (zh) * | 2023-07-26 | 2023-08-22 | 无锡雪浪数制科技有限公司 | 对象生产模型训练方法、装置、电子设备以及存储介质 |
| CN116629316B (zh) * | 2023-07-26 | 2024-03-08 | 无锡雪浪数制科技有限公司 | 对象生产模型训练方法、装置、电子设备以及存储介质 |
| CN118332911A (zh) * | 2024-04-24 | 2024-07-12 | 江苏大学流体机械温岭研究院 | 一种可即时降维的管道泵多目标协同优化方法及系统 |
| CN118859888A (zh) * | 2024-09-27 | 2024-10-29 | 浙江大维高新技术股份有限公司 | 一种dcs人工智能模块及其优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114721263B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN104776446B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
| US8554706B2 (en) | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal | |
| CN104765350B (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 | |
| CN111829003B (zh) | 一种电厂燃烧控制系统及控制方法 | |
| CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
| CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN112066355B (zh) | 基于数据驱动的余热锅炉阀门自适应调节方法 | |
| CN113433911A (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
| CN109325313A (zh) | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 | |
| CN112308311B (zh) | 火电厂烟气含氧量在线预测系统及其预测方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN106934209A (zh) | 一种燃煤电站烟气含氧量在线预测方法 | |
| CN117290752A (zh) | 一种磨煤机煤粉细度的预测方法 | |
| CN115656439B (zh) | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 | |
| CN113589693A (zh) | 基于邻域优化的水泥工业分解炉温度模型预测控制方法 | |
| CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
| CN104729888A (zh) | 一种烟道飞灰等速取样器及基于bp神经网络的烟道飞灰等速取样系统和控制方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN113887116A (zh) | 一种电站锅炉动态运行主汽温延迟特性建模方法 | |
| CN113608443A (zh) | 基于增强pi控制的污水处理控制方法 | |
| CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
| CN111336828A (zh) | 一种基于fcm模糊时间序列的加热炉炉温控制器 | |
| CN113836819B (zh) | 一种基于时序关注的床温预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |