高爐煤氣發生量軟測量方法與流程

本發明涉及到一種軟測量建模方法，特別涉及鋼鐵企業高爐煤氣發生量的軟測量方法，用于軟測量技術領域。

背景技術：
鋼鐵行業總能耗約占全國工業總能耗的10％。副產煤氣是鋼鐵聯合企業中重要的二次能源，其中高爐煤氣占到45％，對于整個鋼鐵企業的生產工藝有重要影響。高爐煤氣可以為生產工藝提供加熱能源燃料，為電廠發電和燃氣輪機一蒸汽輪機聯合循環發電提供重要的發電能源，在鋼鐵企業高爐冶煉生鐵的過程中，高爐煤氣系統為其提供重要的煤氣燃料。總之，高爐煤氣系統為鋼鐵企業的生產工藝提供重要的燃料能源，供給各個生產流程作為加熱燃料，高爐煤氣系統對于保障鋼鐵企業的能源平衡具有重要地位。同時高爐作為高爐煤氣的發生單元，又是高爐煤氣管網系統的源端，在高爐煤氣平衡調度上起著舉足輕重的作用。高爐煤氣發生量會受到鼓風量、燃料、以及富氧等爐況因素變化的影響，同時煤氣儀表在小量程或者含有焦油等其他雜質的時候，精度比較差，導致煤氣發生量計量不準確，這些現象的發生造成了測量誤差的累積，從而造成了高爐煤氣的實際發生量與其儀表計量值不一致，從而導致整個高爐煤氣管網的不平衡。這些都成為鋼鐵企業所普遍存在的問題，對企業的能源調度、成本核算等帶來了不利影響，與企業的經濟效益直接相關。通過以上分析，如何科學的評估高爐煤氣發生量的計量值，并保證總發生量與總消耗量的平衡，對于鋼鐵企業能源的合理分配，節能降耗具有重要意義。

技術實現要素：
本發明的目的是：提供一種高爐煤氣發生量軟測量方法，能保證在不同高爐運行狀態下準確計算高爐煤氣發生量。同時使得能源調度人員實時掌握高爐的運行狀態，及時調度煤氣系統的供需及平衡狀態。對現場缺失或者故障的高爐煤氣儀表進行在線軟測量，實現煤氣管網數據的完備性，為調度人員提供準確的數據支撐。為了達成上述目的，本發明的技術方案是：高爐煤氣發生量軟測量方法，包含如下步驟：(1)高爐工藝狀態計算將高爐工藝狀態劃分為休風、減風、正常三個類別，從能源管控系統中采集高爐運行歷史數據，選擇表征高爐運行狀態的評估指標，建立基于模糊模式識別的高爐狀態計算模型，計算高爐的工藝狀態。(2)高爐煤氣發生量軟測量特征變量選擇選取影響高爐煤氣發生量的指標，從能源管控系統中采集各個指標和高爐煤氣發生量的歷史運行數據作為建模樣本，進行歸一化和無量綱處理，建立基于互信息理論的特征變量選擇模型，去除無關和冗余的指標，其余的作為特征變量。(3)針對不同工藝狀態建立高爐煤氣發生量在線軟測量模型(a)針對休風和正常狀態，根據高爐煤氣發生機理公式建立軟測量模型；(b)針對減風狀態，根據步驟(2)互信息分析得到的特征變量，建立基于智能參數優化回歸分析方法的高爐發生量在線軟測量模型。上述方案中：所述的步驟(1)中高爐工藝狀態計算，具體包含以下步驟：第一步：獲取高爐運行的歷史數據，選擇爐頂煤氣溫度、鼓風量、壓差作為表征高爐運行狀態的評估指標，對高爐運行狀態進行評估。因此，可以得到狀態向量：U＝{X、Y、Z}式中：X為爐頂煤氣溫度；Y為鼓風量；Z為壓差。第二步：基于狀態樣本集的數據聚類確定高爐運行的分類準則，通過分類準則得到狀態集；將高爐運行狀態分為休風、減風、正常三類狀態。S＝{s1，s2，s3}式中：s1，s2，s3為三類狀態的特征狀態向量。第三步：通過模糊模式識別，求出狀態向量與狀態集的模糊隸屬度關系矩陣，具體如下：式中：rij＝λR{ui,sj}0≤rij≤1，它表征的狀態向量中的ui維度指標被評為sj狀態類的概率。rj＝r1j+r2j+r3j，它表征的是該狀態屬于sj類狀態的概率，通過比較rj的大小，就可以得出最終的評估結果。上述方案中：所述的步驟(2)中高爐煤氣發生量軟測量特征變量選擇，包含以下步驟：第一步：選取高爐鐵水產量、鼓風量、焦比、富氧、風溫、風壓等輔助變量作為可能影響主導變量高爐煤氣發生量的指標。并將高爐煤氣發生量定義為母序列，記為{x0(i)},i＝1,2,…,N，其中x0(1)表示第一時刻的值，x0(i)表示第i個時刻的值。將高爐鐵水量、鼓風量等影響指標的數據序列定義為子序列，記為{xk(i)},k＝1,2,…,m,i＝1,2,…,N，表示第k個影響指標第i個時刻的值。第二步：對主導變量和各輔助變量進行歸一化處理。采用均值化方法來預處理原始數據，即統一數據列的所有數據，均除以該數據列的平均值，得到一個新的數據列。令x0的平均值為xk的平均值為則有：第三步：由互信息定義求解各個變量互信息。具體公式如下：其中：表示第k個變量的最大熵的概率密度函數；表示主導變量的最大熵的概率密度函數；表示主導變量和第k個變量的最大熵聯合概率密度函數；第四步：確定主要影響因素：將計算出的煤氣量與各影響指標數據列的互信息從大到小進行排序，選取互信息大于指定閾值的指標作為高爐煤氣發生量的特征變量。上述方案中：所述的步驟(3)中根據機理公式建立其煤氣量在線軟測量模型，具體包含以下步驟：第一步：根據步驟(1)計算的高爐實時工藝狀態，當高爐處于“正常”和“休風”運行狀態時建立高爐煤氣發生量機理模型。第二步：根據采集的高爐運行數據的不同，提供兩種高爐煤氣發生量軟測量方法，具體如下：方法一：基于經驗公式根據高爐鼓風量計算高爐煤氣單位產氣量，具體如下：VG＝1.35～1.40F式中：VG表示高爐煤氣的單位發生量，m3/h；F表示高爐單位鼓風量，m3/h；1.35～1.40—比例系數，由經驗取得。方法二：當原料、焦炭、噴吹物中的含氮量很少，可以忽略不計時，認為進出高爐的氣體保持氮平衡，方法一中的比例系數可以用煤氣的氮含量和鼓風中的氮含量之比來計算，則高爐煤氣的單位發生量計算公式為：式中：VG表示高爐煤氣的單位發生量，m3/h；表示鼓風中氮氣含量(體積分數)(％)；表示煤氣中氮氣含量(體積分數)(％)。第三步：利用基于高爐煤氣發生機理的軟測量方法對高爐處于休風和正常狀態時進行軟測量，并將測量結果記錄到運行信息。上述方案中：所述的步驟(3)中基于智能參數優化回歸分析方法的高爐煤氣發生量軟測量模型，具體包含以下步驟：第一步：根據步驟(2)互信息分析的特征變量，采集歷史數據作為回歸分析樣本。同時根據結構風險最小的原則，綜合考慮模型復雜度與經驗風險，高爐煤氣發生量軟測量模型選用支持向量回歸機(SVR)方法建模，問題可歸納為：對于訓練樣本集(xi，yi)(其中i＝1,2,...l；xi∈Rm，為輸入變量；yi∈R，為對應的輸出值)，尋找一個輸入空間到輸出空間的非線性映射通過這個非線性映射，將數據x映射到一個高維特征空間F，并在特征空間中用下列估計函數進行線性回歸：其中b為閾值。根據統計學理論，支持向量機通過對下列目標函數極小化來取得回歸函數：約束條件為：其中：常數C>0，表示對超出誤差ε的樣本的懲罰程度；參數ξi與為松弛因子；ε為不敏感損失函數。第二步：選擇高斯徑向基作為核函數，其參數σ對SVR性能的優劣影響很大,需要確定最優核參數σ。首先將預處理后的訓練樣本導入SVR模型進行訓練，同時結合遺傳算法對SVR參數進行優化，得到最佳回歸模型。具體如下：(a)確定C，ε和σ在實際應用中的可能取值范圍；(b)隨機選擇各參數的初始值，并采用某種編碼構造初始種群P(t)；(c)將P(t)中的個體輸入SVR模型進行訓練，并計算個體適應度函數值；(d)判斷種群中最優個體的適應度函數值是否滿足要求或者達到最大遺傳代數，若滿足則轉至(f)，否則轉入下一步(e)；(e)應用選擇、交叉以及變異算子產生新的種群，之后返回到(c)進行迭代；(f)輸出最佳SVR參數，并通過對訓練樣本進行訓練以獲得最佳回歸模型；第三步：基于遺傳算法參數優化的支持向量機模型(GA-SVR)對高爐處于減風狀態時進行軟測量，并將測量結果記錄到運行信息。本發明的優點在于：(1)提出高爐工藝狀態計算的方法，將高爐運行狀態劃分為三類，直觀地幫助調度人員實時掌握高爐的運行狀態。(2)互信息方法有效地剔除無用或者冗余的輔助變量，實現了非線性提取特征向量，為軟測量模型的建立提供了前提條件。(3)針對高爐不同的運行狀態，根據各自特點提出不同的軟測量模型，適應性好，計算結果更精確。(4)本發明提供了一種高爐煤氣發生量的軟測量手段，可用于驗證高爐煤氣發生量表計的準確性，支持煤氣系統平衡調度和管理考核等工作。附圖說明圖1是本發明所建立的高爐煤氣軟測量模型的計算框圖。圖2是本發明實施高爐工藝狀態計算的流程圖。圖3是本發明實施智能參數優化回歸分析計算的流程圖。圖4是參數尋優過程適應度變化趨勢圖。圖5是高爐處于正常狀態時，高爐煤氣發生量實際值與軟測量值的對比圖。圖6是高爐處于減風狀態時，高爐煤氣發生量實際值與軟測量值的對比圖。具體實施方式以下結合附圖，對本發明的技術方案進行詳細說明。實施例1參見圖1，圖2和圖3，本發明提供一種高爐煤氣發生量軟測量方法，包含以下三個步驟：(1)高爐工藝狀態計算將高爐工藝狀態劃分為休風、減風、正常三個類別，從能源管控系統中采集高爐運行歷史數據，選擇表征高爐運行狀態的評估指標，建立基于模糊模式識別的高爐狀態計算模型，計算高爐的工藝狀態。(2)高爐煤氣發生量軟測量特征變量選擇選取影響高爐煤氣發生量的指標，從能源管控系統中采集各個指標和高爐煤氣發生量的歷史運行數據作為建模樣本，進行歸一化和無量綱處理，建立基于互信息理論的特征變量選擇模型，去除無關和冗余的指標，其余的作為特征變量。(3)針對不同工藝狀態建立高爐煤氣發生量在線軟測量模型(a)針對休風和正常狀態，根據高爐煤氣發生量機理公式建立軟測量模型；(b)針對減風狀態，根據步驟(2)互信息分析得到的特征變量，建立基于智能參數優化回歸分析方法的高爐發生量在線軟測量模型。上述步驟(1)具體包含以下步驟：第一步：獲取高爐運行的歷史數據，選擇爐頂煤氣溫度、鼓風量、壓差作為表征高爐運行狀態的評估指標，對高爐運行狀態進行評估。因此，可以得到狀態向量：U＝{X、Y、Z}式中：X為爐頂煤氣溫度；Y為鼓風量；Z為壓差。第二步：基于狀態樣本集的數據聚類確定高爐運行的分類準則，通過分類準則得到狀態集；將高爐運行狀態分為休風、減風、正常三類狀態。S＝{s1，s2，s3}式中：s1，s2，s3為三類狀態的特征狀態向量。第三步：通過模糊模式識別，求出狀態向量與狀態集的模糊隸屬度關系矩陣，具體如下：式中：rij＝λR{ui,sj}0≤rij≤1，它表征的狀態向量中的ui維度指標被評為sj狀態類的概率。rj＝r1j+r2j+r3j，它表征的是該狀態屬于sj類狀態的概率，通過比較rj的大小，就可以得出最終的評估結果。上述步驟(2)具體包含以下步驟：第一步：選取高爐鐵水產量、鼓風量、焦比、富氧、風溫、風壓等輔助變量作為可能影響主導變量高爐煤氣發生量的指標。并將高爐煤氣發生量定義為母序列，記為{x0(i)},i＝1,2,…,N，其中x0(1)表示第一時刻的值，x0(i)表示第i個時刻的值。將高爐鐵水量、鼓風量等影響指標的數據序列定義為子序列，記為{xk(i)},k＝1,2,…,m,i＝1,2,…,N，表示第k個影響指標第i個時刻的值。第二步：對主導變量和各輔助變量進行歸一化處理。采用均值化方法來預處理原始數據，即統一數據列的所有數據，均除以該數據列的平均值，得到一個新的數據列。令x0的平均值為xk的平均值為則有：第三步：由互信息定義求解各個變量互信息。具體公式如下：其中：表示第k個變量的最大熵的概率密度函數；表示主導變量的最大熵的概率密度函數；表示主導變量和第k個變量的最大熵聯合概率密度函數；第四步：確定主要影響因素：將計算出的煤氣量與各影響指標數據列的互信息從大到小進行排序，選取互信息大于指定閾值的指標作為高爐煤氣發生量的特征變量。上述步驟(3)中的建立高爐煤氣發生量機理模型具體包含以下步驟：第一步：根據步驟(1)計算的高爐實時工藝狀態，當高爐處于“正常”和“休風”運行狀態時建立高爐煤氣發生量機理模型。第二步：根據采集的高爐運行數據的不同，提供兩種軟測量方法，具體如下：方法一：基于經驗公式根據高爐鼓風量計算高爐煤氣單位產氣量，具體如下：VG＝1.35～1.40F式中：VG表示高爐煤氣的單位發生量，m3/h；F表示高爐單位鼓風量，m3/h；1.35～1.40—比例系數，由經驗取得。方法二：當原料、焦炭、噴吹物中的含氮量很少，可以忽略不計時，認為進出高爐的氣體保持氮平衡，方法一中的比例系數可以用煤氣的氮含量和鼓風中的氮含量之比來計算，則高爐煤氣的單位發生量計算公式為：式中：VG表示高爐煤氣的單位發生量，m3/h；表示鼓風中氮氣含量(體積分數)(％)；表示煤氣中氮氣含量(體積分數)(％)。第三步：利用基于高爐煤氣發生機理的軟測量方法對高爐處于休風和正常狀態時進行軟測量，并將測量結果記錄到運行信息。上述步驟(3)中的基于智能參數優化回歸分析方法的高爐煤氣發生量軟測量模型具體包含以下步驟：第一步：根據步驟(2)互信息分析的特征變量，采集歷史數據作為回歸分析樣本。同時根據結構風險最小的原則，綜合考慮模型復雜度與經驗風險，高爐煤氣發生量軟測量模型選用支持向量回歸機(SVR)方法建模，問題可歸納為：對于訓練樣本集(xi，yi)(其中i＝1,2,...l；xi∈Rm，為輸入變量；yi∈R，為對應的輸出值)，尋找一個輸入空間到輸出空間的非線性映射通過這個非線性映射，將數據x映射到一個高維特征空間F，并在特征空間中用下列估計函數進行線性回歸：其中b為閾值。根據統計學理論，支持向量機通過對下列目標函數極小化來取得回歸函數：約束條件為：其中：常數C>0，表示對超出誤差ε的樣本的懲罰程度；參數ξi與為松弛因子；ε為不敏感損失函數。第二步：選擇高斯徑向基作為核函數，其參數σ對SVR性能的優劣影響很大,需要確定最優核參數σ。首先將預處理后的訓練樣本導入SVR模型進行訓練，同時結合遺傳算法對SVR參數進行優化，得到最佳回歸模型。具體如下：(a)確定C，ε和σ在實際應用中的可能取值范圍；(b)隨機選擇各參數的初始值，并采用某種編碼構造初始種群P(t)；(c)將P(t)中的個體輸入SVR模型進行訓練，并計算個體適應度函數值；(d)判斷種群中最優個體的適應度函數值是否滿足要求或者達到最大遺傳代數，若滿足則轉至(f)，否則轉入下一步(e)；(e)應用選擇、交叉以及變異算子產生新的種群，之后返回到(c)進行迭代；(f)輸出最佳SVR參數，并通過對訓練樣本進行訓練以獲得最佳回歸模型；第三步：基于遺傳算法參數優化的支持向量機模型(GA-SVR)對高爐處于減風狀態時進行軟測量，并將測量結果記錄到運行信息。以下提供具體的實施例，對本發明技術方案作進一步說明：以昆鋼新區高爐為例來討論高爐煤氣發生量的軟測量應用效果，具體如下：第一步：從能源管控系統中選取(2014.11.7)的數據作為總樣本，根據爐頂溫度、鼓風量、壓差判斷高爐的運行狀態，具體流程如圖2所示。第二步：當高爐處于休風狀態時，根據機理模型因為鼓風量為0，所以煤氣發生量也為0；當高爐處于正常狀態時，時間間隔為1分鐘，根據經驗公式高爐煤氣發生量的變化與軟測量結果的比較如圖5所示(選取24個點時間間隔為1分鐘)。第三步：當高爐處于減風狀態時，從能源管控系統中提取(2014.11.7)減風狀態持續時間約為2個小時，根據采集的特征變量數據，選取其中60％作為訓練集，其余作為測試集，具體流程如圖3所示。采用多次交叉驗證尋優方法，經過20代進化以后，如圖4所示，得到SVR模型的最佳參數：C＝69.0355，σ＝17.1837，ε＝0.022，從而得到基于GA-SVR的高爐煤氣發生量軟測量結果。實際值與軟測量結果值如圖6所示(選取20個點時間間隔為1分鐘)。從圖5和圖6的曲線可以看出軟測量曲線和實際曲線十分接近，達到了較高的軟測量精度，從而反映了該方法應用于高爐煤氣軟測量模型的優異性能。以上通過具體實施例對本發明進行了說明，但應當認識到上述的描述不應該認為是本發明的限制。在本領域技術人員閱讀了上述內容后，對于本發明的多種修改和替代都將顯而易見。因此，本發明的保護范圍應有所附的權利要求來規定。