CN115115141B - 一种基于贪心思想和时序分类的回转窑能耗优化方法 - Google Patents

一种基于贪心思想和时序分类的回转窑能耗优化方法 Download PDF

Info

Publication number
CN115115141B
CN115115141B CN202211002517.5A CN202211002517A CN115115141B CN 115115141 B CN115115141 B CN 115115141B CN 202211002517 A CN202211002517 A CN 202211002517A CN 115115141 B CN115115141 B CN 115115141B
Authority
CN
China
Prior art keywords
energy consumption
data
rotary kiln
time sequence
kiln
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.)
Active
Application number
CN202211002517.5A
Other languages
English (en)
Other versions
CN115115141A (zh
Inventor
张翔
谢天
曹健
卞志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luculent Smart Technologies Co ltd
Original Assignee
Luculent Smart Technologies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luculent Smart Technologies Co ltd filed Critical Luculent Smart Technologies Co ltd
Priority to CN202211002517.5A priority Critical patent/CN115115141B/zh
Publication of CN115115141A publication Critical patent/CN115115141A/zh
Application granted granted Critical
Publication of CN115115141B publication Critical patent/CN115115141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Curing Cements, Concrete, And Artificial Stone (AREA)

Abstract

本发明公开了一种基于贪心思想和时序分类的回转窑能耗优化方法包括：采集水泥回转窑设备稳定运行工况下的工艺参数数据，并对数据进行预处理；将预处理后的数据按规则进行标注，利用标注的数据标签构建数据集；利用数据集来建立回转窑能耗升降时序分类模型；采用麻雀优化算法寻找并执行下一时刻影响变量推荐值，基于贪心思想重复在推荐值中寻找能够使能耗在下一时刻下降的推荐值，实现回转窑的能耗优化。本发明提出的回转窑能耗优化方法充分利用回转窑历史运行的数据，相比于现有方法，能够有效应对水泥生产过程复杂多变的场景，同时本发明有效地避免水泥回转窑慢时变、非线性、大时滞、强耦合等因素对模型效果的影响，方法实现简单，灵活性高。

Description

一种基于贪心思想和时序分类的回转窑能耗优化方法
技术领域
本发明涉及能耗优化技术领域，具体为一种基于贪心思想和时序分类的回转窑能耗优化方法。
背景技术
随着工业物联网技术的快速发展，越来越多的水泥厂设备通过各种传感器接入物联网。水泥产业属于高能耗产业，该产业能源利用率偏低的状况尤为显著，利用设备的传感器数据，对水泥生产过程进行建模分析，更好地调节水泥生产过程，对节能减排和提高产量质量都有重要意义。
目前大多数水泥回转窑能耗优化方法包括：设备机理模型、构建回归模型预测能耗等方法。设备机理模型主要是分析窑煅烧过程的物理和化学反应，基于能量和质量守恒，建立水泥窑主要参数和能耗的数学表达式。但是水泥窑的煅烧过程涉及到许多环节、设备和参数，许多参数都有很强的相关性，机理模型并不能准确地描述回转窑***主要参数和能耗之间的关系。回归模型方法包括支持向量机、人工神经网络、统计回归等，但是水泥回转窑***生产中运行条件不断变化，使得工艺参数和能耗之间的时间延迟不断变化，导致回归模型无法在该***上建立准确率高的模型。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有回转窑能耗优化方法中，由于建模困难、求解难度大、预测准确率低和灵活性差的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于贪心思想和时序分类的回转窑能耗优化方法，包括：采集水泥回转窑设备稳定运行工况下的工艺参数数据，并对所述工艺参数数据进行预处理；将预处理后的数据按规则进行标注，利用标注的数据标签构建数据集；利用所述数据集来建立回转窑能耗升降时序分类模型；采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值，基于贪心思想重复在所述推荐值中寻找能够使能耗在下一时刻下降的推荐值，并用于实时生产，实现回转窑的能耗优化。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述水泥回转窑设备稳定运行工况包括，
若水泥回转窑生料量大于380t、分解炉温度大于800℃、主电机电流在750A～950A，且不包含所述水泥回转窑设备在启动一小时内、停机一小时前、劣化或故障下的情况时，所述水泥回转窑设备运行工况稳定。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述工艺参数数据包括影响变量和能耗相关变量；
所述影响变量包括分解炉内温度、二次风温度、O2浓度、CO浓度、窑头罩负压、窑尾负压、一级筒温度、三次风温度；
所述能耗相关变量包括熟料电耗和熟料煤耗。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述工艺参数数据的预处理包括，
对所述工艺参数数据使用拉依达准则进行异常值处理、缺失值填充和数据归一化；
计算每一个时刻的能耗P，将所述影响变量和能耗P作为原始数据集；
所述能耗P的计算包括，
Figure 60116DEST_PATH_IMAGE001
对所述原始数据集进行聚合和分割处理。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述原始数据集的聚合和分割处理包括，
对原始数据集以半个小时为单位做聚合操作，即对每个测点的30条数据求平均值 作为新数据，其中原始数据集维度为
Figure 508415DEST_PATH_IMAGE002
，聚合后的数据集维度为
Figure 22573DEST_PATH_IMAGE003
，
Figure 214520DEST_PATH_IMAGE004
指采集到的 样本个数，
Figure 560050DEST_PATH_IMAGE005
是特征维度；
对聚合后的数据做分割操作，根据固定3小时时间间隔将数据划分为多份多维时 间序列，分割后的数据维度为：
Figure 116934DEST_PATH_IMAGE006
，令
Figure 180705DEST_PATH_IMAGE007
，则一共有
Figure 114026DEST_PATH_IMAGE008
条数据，单条数据样本维 度为
Figure 579642DEST_PATH_IMAGE009
。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述将预处理后的数据按规则进行标注包括，
若
Figure 307427DEST_PATH_IMAGE010
，则第
Figure 858494DEST_PATH_IMAGE011
条数据标签为-1，能耗下降；
若
Figure 329926DEST_PATH_IMAGE012
，则第
Figure 650049DEST_PATH_IMAGE011
条数据标签为1，能耗上升；
若
Figure 814314DEST_PATH_IMAGE013
，则第
Figure 852677DEST_PATH_IMAGE011
条数据标签为0，能耗基本不变；
其中，
Figure 862222DEST_PATH_IMAGE014
表示第
Figure 302430DEST_PATH_IMAGE011
条数据3个小时能耗的平均值，
Figure 637597DEST_PATH_IMAGE015
表示第
Figure 100939DEST_PATH_IMAGE011
条数据之后半个 小时能耗的平均值，
Figure 976491DEST_PATH_IMAGE016
表示阈值，在标注标签时判断能耗的变化幅度。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述数据集的计算包括，
Figure 208889DEST_PATH_IMAGE017
其中，D表示数据集，
Figure 777274DEST_PATH_IMAGE018
表示数据集中的第
Figure 462333DEST_PATH_IMAGE011
条数据（满足：
Figure 141576DEST_PATH_IMAGE019
），
Figure 25219DEST_PATH_IMAGE020
表示
Figure 702188DEST_PATH_IMAGE008
条数据的标签集合（满足：
Figure 140122DEST_PATH_IMAGE021
）。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述回转窑能耗升降时序分类模型的构建包括，
将所述数据集划分为训练集和测试集；
利用ResNet构建所述回转窑能耗升降时序分类模型，其中模型的输入为
Figure 91898DEST_PATH_IMAGE018
，输出 为
Figure 361205DEST_PATH_IMAGE020
；
使用交叉验证方法在所述训练集训练所述回转窑能耗升降时序分类模型；
使用
Figure 209075DEST_PATH_IMAGE022
在所述测试集评估所述回转窑能耗升降时序分类模型，当
Figure 931044DEST_PATH_IMAGE023
时，回转窑能耗升降时序分类模型建立完成；
所述
Figure 889772DEST_PATH_IMAGE022
的计算包括，
Figure 748007DEST_PATH_IMAGE024
其中，
Figure 32358DEST_PATH_IMAGE025
表示精确率，
Figure 976043DEST_PATH_IMAGE026
表示召回率。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值包括，
采集回转窑当前时刻数据
Figure 738463DEST_PATH_IMAGE027
及其最近2.5小时的工艺参数数据；
对所述最近2.5小时的工艺参数数据进行所述预处理操作，再将
Figure 716783DEST_PATH_IMAGE027
添加到所述 预处理后的数据中生成当前时刻的数据集
Figure 640877DEST_PATH_IMAGE028
；
将
Figure 337437DEST_PATH_IMAGE028
输入所述回转窑能耗升降时序分类模型，通过麻雀算法来搜索下一时刻
Figure 637969DEST_PATH_IMAGE029
的影响变量的推荐值，初始化
Figure 736375DEST_PATH_IMAGE030
，当预测值是-1时，所述当前推荐值 会使能耗下降，输出推荐值；当预测值是1或0时，所述当前推荐值会使能耗上升或基本不 变，需要调整
Figure 831370DEST_PATH_IMAGE030
的值使能耗下降，即使用麻雀算法重复搜索
Figure 15226DEST_PATH_IMAGE030
的值，并且基于贪心思 想，总是寻找能使能耗下降的推荐值，直到预测值变为-1时输出影响变量推荐值，并将推荐 值用于实时生产。
作为本发明所述的基于贪心思想和时序分类的回转窑能耗优化方法的一种优选方案，其中：所述贪心思想包括在优化能耗时，总是寻找能够使得能耗在下一时刻下降的影响变量的推荐值。
本发明的有益效果：本发明提出的基于贪心思想和时序分类的回转窑能耗优化方法充分利用了回转窑历史运行的数据，相比于现有的回归预测及优化方法，能够有效应对水泥生产过程复杂多变的场景，通过对数据的合理处理，建立了模型，具有较高的准确率，同时本发明基于贪心思想将寻找最优解转化为寻找能使得能耗在下一时刻下降的影响变量的推荐值，降低了求解难度，有效地避免了水泥回转窑慢时变、非线性、大时滞、强耦合等因素对模型效果的影响，且方法实现简单，灵活性高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于贪心思想和时序分类的回转窑能耗优化方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于贪心思想和时序分类的回转窑能耗优化方法，包括：
S1：采集水泥回转窑设备稳定运行工况下的工艺参数数据，并对工艺参数数据进行预处理。需要说明的是：
水泥回转窑设备稳定运行工况包括，
若水泥回转窑生料量大于380t、分解炉温度大于800℃、主电机电流在750A～950A，且不包含水泥回转窑设备在启动一小时内、停机一小时前、劣化或故障下的情况时，水泥回转窑设备运行工况稳定；
工艺参数数据包括影响变量（分解炉内温度、二次风温度、O2浓度、CO浓度、窑头罩负压、窑尾负压、一级筒温度、三次风温度）和能耗相关变量（熟料电耗和熟料煤耗）；
工艺参数数据的预处理包括，
对工艺参数数据使用拉依达准则进行异常值处理、缺失值填充和数据归一化；
需要说明的是，
1)异常值处理：使用拉依达准则搜索异常值并进行填充，拉依达准则认为正态分 布的正常数据分布于数值分布在
Figure 385028DEST_PATH_IMAGE031
中的概率为0.9973，其中
Figure 806782DEST_PATH_IMAGE032
为平均值，
Figure 338257DEST_PATH_IMAGE033
为 标准差。因此对于每个特征，计算在该特征上的均值
Figure 947093DEST_PATH_IMAGE032
和标准差
Figure 917323DEST_PATH_IMAGE033
，根据拉依达准则，特征值 大于
Figure 662425DEST_PATH_IMAGE034
或小于
Figure 427119DEST_PATH_IMAGE035
的数据使用上一时刻值进行填充；
2)缺失值填充：对于因传感器损坏、网络异常等原因导致的数据缺失，采用上一时刻值进行填充；
3) 数据归一化：为消除不同特征数据具有不同量纲带给模型精度的影响，对数 据进行归一化操作，使数据的变化范围映射到
Figure 257672DEST_PATH_IMAGE036
，归一化的计算包括，
Figure 500434DEST_PATH_IMAGE037
其中，
Figure 162360DEST_PATH_IMAGE038
表示第
Figure 35638DEST_PATH_IMAGE039
个特征的归一化结果，
Figure 415803DEST_PATH_IMAGE040
表示第
Figure 399940DEST_PATH_IMAGE039
个特征原始值，
Figure 181951DEST_PATH_IMAGE041
表示第
Figure 226131DEST_PATH_IMAGE039
个 特征的最大值，
Figure 93592DEST_PATH_IMAGE042
表示第
Figure 881420DEST_PATH_IMAGE039
个特征的最小值；
计算每一个时刻的能耗P，将所述影响变量和能耗P作为原始数据集；
能耗P的计算包括，
Figure 517938DEST_PATH_IMAGE001
对原始数据集进行聚合和分割处理；
需要说明的是，对原始数据集以半个小时为单位做聚合操作，即对每个测点的30 条数据求平均值作为新数据，其中原始数据集维度为
Figure 733018DEST_PATH_IMAGE043
，聚合后的数据集维度为
Figure 822197DEST_PATH_IMAGE044
，
Figure 413715DEST_PATH_IMAGE045
指采集到的样本个数，
Figure 904740DEST_PATH_IMAGE046
是特征维度；
进一步的，对聚合后的数据做分割操作，根据固定3小时时间间隔将数据划分为多 份多维时间序列，分割后的数据维度为：
Figure 290722DEST_PATH_IMAGE047
，令
Figure 132776DEST_PATH_IMAGE048
，则一共有
Figure 262406DEST_PATH_IMAGE049
条数据，单条数 据样本维度为
Figure 607936DEST_PATH_IMAGE050
。
S2：将预处理后的数据按规则进行标注，利用标注的数据标签构建数据集。需要说明的是：
将预处理后的数据按规则进行标注包括，
若
Figure 430399DEST_PATH_IMAGE051
，则第
Figure 494170DEST_PATH_IMAGE052
条数据标签为-1，能耗下降；
若
Figure 427491DEST_PATH_IMAGE053
，则第
Figure 627528DEST_PATH_IMAGE052
条数据标签为1，能耗上升；
若
Figure 620892DEST_PATH_IMAGE054
，则第
Figure 171959DEST_PATH_IMAGE052
条数据标签为0，能耗基本不变；
其中，
Figure 643391DEST_PATH_IMAGE055
表示第
Figure 963514DEST_PATH_IMAGE052
条数据3个小时能耗的平均值，
Figure 127779DEST_PATH_IMAGE056
表示第
Figure 900563DEST_PATH_IMAGE052
条数据之后半个 小时能耗的平均值，
Figure 175687DEST_PATH_IMAGE057
表示阈值，在标注标签时判断能耗的变化幅度。
数据集的计算包括，
Figure 615895DEST_PATH_IMAGE017
其中，D表示数据集，
Figure 685483DEST_PATH_IMAGE018
表示数据集中的第
Figure 211142DEST_PATH_IMAGE052
条数据（满足：
Figure 24377DEST_PATH_IMAGE019
），
Figure 319092DEST_PATH_IMAGE020
表示
Figure 559581DEST_PATH_IMAGE008
条数据的标签集合（满足：
Figure 572536DEST_PATH_IMAGE021
）。
S3：利用构建的数据集来建立回转窑能耗升降时序分类模型。需要说明的是：
回转窑能耗升降时序分类模型的构建包括，
将数据集划分为训练集和测试集；
利用ResNet构建回转窑能耗升降时序分类模型，其中模型的输入为
Figure 189462DEST_PATH_IMAGE018
，输出为
Figure 338684DEST_PATH_IMAGE020
；
使用交叉验证方法在训练集训练回转窑能耗升降时序分类模型；
使用
Figure 15653DEST_PATH_IMAGE022
在测试集评估回转窑能耗升降时序分类模型，当
Figure 250325DEST_PATH_IMAGE023
时，回 转窑能耗升降时序分类模型建立完成；
Figure 670942DEST_PATH_IMAGE022
的计算包括，
Figure 877932DEST_PATH_IMAGE024
其中，
Figure 522540DEST_PATH_IMAGE025
表示精确率，
Figure 182192DEST_PATH_IMAGE026
表示召回率。
S4：采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值，基于贪心思想重复在这些推荐值中寻找能够使能耗在下一时刻下降的推荐值，并用于实时生产，实现回转窑的能耗优化。需要说明的是：
采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值包括，
采集回转窑当前时刻数据
Figure 203238DEST_PATH_IMAGE027
及其最近2.5小时的工艺参数数据；
对最近2.5小时的工艺参数数据进行预处理操作，再将
Figure 264734DEST_PATH_IMAGE027
添加到预处理后的数 据中生成当前时刻的数据集
Figure 345823DEST_PATH_IMAGE028
；
将
Figure 492770DEST_PATH_IMAGE028
输入回转窑能耗升降时序分类模型，通过麻雀算法来搜索下一时刻
Figure 51928DEST_PATH_IMAGE029
的影响变量的推荐值，初始化
Figure 967931DEST_PATH_IMAGE030
，当预测值是-1时，当前推荐值会使 能耗下降，输出推荐值；当预测值是1或0时，当前推荐值会使能耗上升或基本不变，需要调 整
Figure 219921DEST_PATH_IMAGE030
的值使能耗下降，即使用麻雀算法重复搜索
Figure 854165DEST_PATH_IMAGE030
的值，并且基于贪心思想在优化能耗 时，总是寻找能使能耗下降的推荐值，直到预测值变为-1时输出影响变量推荐值，并将推荐 值用于实时生产。
需要说明的是，现有的技术在优化能耗时，基本上都是采用建立回归模型来预测能耗的，但由于回转窑***复杂且受外部影响因素较大，建立的模型效果较差。本发明通过对数据的合理处理，建立的回转窑能耗升降时序分类模型，具有较高的准确率，并且处理数据输入到模型，通过优化算法寻找下一时刻的推荐值使能耗下降，而不是寻找最优值，大大降低了实现难度。
本发明提出的基于贪心思想和时序分类的回转窑能耗优化方法充分利用了回转窑历史运行的数据，相比于现有的回归预测及优化方法，能够有效应对水泥生产过程复杂多变的场景，通过对数据的合理处理，建立了模型，具有较高的准确率，同时本发明基于贪心思想将寻找最优解转化为寻找能使得能耗在下一时刻下降的影响变量的推荐值，降低了求解难度，有效地避免了水泥回转窑慢时变、非线性、大时滞、强耦合等因素对模型效果的影响，且方法实现简单，灵活性高。
实施例2
该实施例不同于第一个实施例的是，提供了一种基于贪心思想和时序分类的回转窑能耗优化方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
以太原市太钢基地水泥厂为例，回转窑设备的工艺参数包括分解炉内温度、二次风温度、O2浓度、CO浓度、窑头罩负压、窑尾负压、一级筒温度、三次风温度、熟料电耗、熟料煤耗10个测点，采集这10个测点在稳定运行工况下的部分数据如表1所示，采样间隔为1分钟，其历史数据为多元时间序列数据。
表1：一份回转窑设备稳定运行工况下的工艺参数数据。
Figure 217013DEST_PATH_IMAGE058
然后对工艺参数数据进行预处理操作，并计算能耗指标
Figure 987523DEST_PATH_IMAGE059
，通过公式计算每一个 时刻的能耗
Figure 410414DEST_PATH_IMAGE059
，将影响变量和能耗
Figure 531954DEST_PATH_IMAGE059
一起作为原始数据集，则原始数据集一共有8个特征。对 原始数据集以半个小时为单位做聚合操作，聚合后的数据维度为
Figure 432914DEST_PATH_IMAGE060
。根据固定3小时 时间间隔将数据划分为多份多维时间序列，分割后的数据维度为
Figure 323509DEST_PATH_IMAGE061
，则数据集一共 有10000条数据，每条数据有8个特征。
设置阈值
Figure 917302DEST_PATH_IMAGE062
，对数据标注分类标签，利用标注的数据标签构建数据集。将处理 后的数据集划分为训练集和测试集：将数据集以0.8:0.2的比例分为两份，0.8比例数据集 为训练集，0.2比例数据为测试集。
使用ResNet构建多维时序数据多分类模型，该模型有11层、前9层是卷积层（3个卷积层构成一个残差块）、然后是一个GAP层、最后是一个softmax分类器、所有卷积层过滤器数量都为64、在ReLU激活函数之前有一个批处理归一化操作、在每个残差块中，对于第一、第二和第三卷积，滤波器的长度分别设置为3、2和1、随机初始化权重、dropout为0.3、批处理样本数量1个、训练循环次数100、初始学习率0.001、学习率衰减步长1000、衰减率0.2。采用不同的模型对不同数量的数据集进行测试，保持模型结构和参数不变，结果如表2所示。
表2：各分类模型评价指标。
Figure 260558DEST_PATH_IMAGE063
由表2可看出在不同数量的数据集下，ResNet相比于Time-CNN、FCN、Encoder都有更好的分类效果。
采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值，基于贪心思想重复在这些推荐值中寻找能够使能耗在下一时刻下降的推荐值，并用于实时生产，实现回转窑的能耗优化。
麻雀算法的参数设置如下：麻雀种群规模20、发现者个数14、追随者个数2，警戒者 个数4、最大迭代次数50、影响变量的上界
Figure 965209DEST_PATH_IMAGE064
、影响变量的下界
Figure 772628DEST_PATH_IMAGE065
，不同类别样本在优化前后的能耗情况如表3所示。
表3：麻雀算法优化结果。
Figure 475005DEST_PATH_IMAGE067
由表3 可知，使用麻雀优化算法后回转窑能耗降低的样本数明显增多，说明本发明基于贪心思想和麻雀优化算法能够寻找使得能耗在下一时刻下降的影响变量的推荐值，降低了求解难度，且方法实现简单，灵活性高。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于，包括：
采集水泥回转窑设备稳定运行工况下的工艺参数数据，并对所述工艺参数数据进行预处理；
若水泥回转窑生料量大于380t、分解炉温度大于800℃、主电机电流在750A～950A，且不包含所述水泥回转窑设备在启动一小时内、停机一小时前、劣化或故障下的情况时，所述水泥回转窑设备的运行工况稳定；
将预处理后的数据按规则进行标注，利用标注的数据标签构建数据集；
若
Figure FDA0003895072030000011
则第k条数据标签为-1，能耗下降；
若
Figure FDA0003895072030000012
则第k条数据标签为1，能耗上升；
若
Figure FDA0003895072030000013
则第k条数据标签为0，能耗基本不变；
其中，
Figure FDA0003895072030000014
表示第k条数据3个小时能耗的平均值，
Figure FDA0003895072030000015
表示第k条数据之后半个小时能耗的平均值，ε表示阈值；
利用所述数据集来建立回转窑能耗升降时序分类模型；
采用麻雀优化算法寻找并执行下一时刻影响变量的推荐值，基于贪心思想重复在所述推荐值中寻找能够使能耗在下一时刻下降的推荐值，并用于实时生产，实现回转窑的能耗优化；
采集回转窑当前时刻数据xnew及其最近2.5小时的工艺参数数据；
对所述最近2.5小时的工艺参数数据进行预处理操作，再将xnew添加到所述预处理后的数据中生成当前时刻的数据集Xnew；
将Xnew输入所述回转窑能耗升降时序分类模型，通过麻雀算法来搜索下一时刻
Figure FDA0003895072030000016
的影响变量推荐值，初始化
Figure FDA0003895072030000017
当预测值是-1时，当前推荐值会使能耗下降，输出推荐值；当预测值是1或0时，当前推荐值会使能耗上升或基本不变，需要调整
Figure FDA0003895072030000018
的值使能耗下降，即使用麻雀算法重复搜索
Figure FDA0003895072030000019
的值，并且基于贪心思想，总是寻找能使能耗下降的推荐值，直到预测值变为-1时输出影响变量推荐值，并将推荐值用于实时生产。
2.如权利要求1所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述工艺参数数据包括影响变量和能耗相关变量；
所述影响变量包括分解炉内温度、二次风温度、O2浓度、CO浓度、窑头罩负压、窑尾负压、一级筒温度、三次风温度；
所述能耗相关变量包括熟料电耗和熟料煤耗。
3.如权利要求1～2任一所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述工艺参数数据的预处理包括，
对所述工艺参数数据使用拉依达准则进行异常值处理、缺失值填充和数据归一化；
计算每一个时刻的能耗P，将所述影响变量和能耗P作为原始数据集；
所述能耗P的计算包括，
P＝(0.5×熟料电耗+0.5×熟料煤耗)÷(生料量÷1.6)
对所述原始数据集进行聚合和分割处理。
4.如权利要求3所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述原始数据集的聚合和分割处理包括，
对原始数据集以半个小时为单位做聚合操作，即对每个测点的30条数据求平均值作为新数据，其中原始数据集维度为m×n，聚合后的数据集维度为
Figure FDA0003895072030000021
m指采集到的样本个数，n是特征维度；
对聚合后的数据做分割操作，根据固定3小时时间间隔将数据划分为多份多维时间序列，分割后的数据维度为：
Figure FDA0003895072030000022
令
Figure FDA0003895072030000023
则一共有s条数据，单条数据样本维度为6×n。
5.如权利要求4所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述数据集的计算包括，
Figure FDA0003895072030000024
其中，D表示数据集，Xk表示数据集中的第k条数据，yk表示s条数据的标签集合。
6.如权利要求5所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述回转窑能耗升降时序分类模型的构建包括，
将所述数据集划分为训练集和测试集；
利用ResNet构建所述回转窑能耗升降时序分类模型，其中模型的输入为Xk，输出为yk；
使用交叉验证方法在所述训练集训练所述回转窑能耗升降时序分类模型；
使用F1_score在所述测试集评估所述回转窑能耗升降时序分类模型，当F1_score≥0.8时，回转窑能耗升降时序分类模型建立完成；
所述F1_score的计算包括，
Figure FDA0003895072030000031
其中，Precision表示精确率，Recall表示召回率。
7.如权利要求6所述的基于贪心思想和时序分类的回转窑能耗优化方法，其特征在于：所述贪心思想包括在优化能耗时，总是寻找能够使得能耗在下一时刻下降的影响变量的推荐值。
CN202211002517.5A 2022-08-22 2022-08-22 一种基于贪心思想和时序分类的回转窑能耗优化方法 Active CN115115141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002517.5A CN115115141B (zh) 2022-08-22 2022-08-22 一种基于贪心思想和时序分类的回转窑能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002517.5A CN115115141B (zh) 2022-08-22 2022-08-22 一种基于贪心思想和时序分类的回转窑能耗优化方法

Publications (2)

Publication Number Publication Date
CN115115141A CN115115141A (zh) 2022-09-27
CN115115141B true CN115115141B (zh) 2022-12-06

Family

ID=83335909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002517.5A Active CN115115141B (zh) 2022-08-22 2022-08-22 一种基于贪心思想和时序分类的回转窑能耗优化方法

Country Status (1)

Country Link
CN (1) CN115115141B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7987144B1 (en) * 2000-11-14 2011-07-26 International Business Machines Corporation Methods and apparatus for generating a data classification model using an adaptive learning algorithm
CN104019661B (zh) * 2014-05-26 2015-10-28 北方工业大学 回转窑控制***
CN113744017A (zh) * 2020-11-13 2021-12-03 北京沃东天骏信息技术有限公司 电商搜索的推荐方法及装置、设备、存储介质
CN114218426A (zh) * 2021-12-16 2022-03-22 广州酷狗计算机科技有限公司 音乐视频推荐方法及其装置、设备、介质、产品
CN114399018B (zh) * 2021-12-17 2023-10-10 西北大学 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法

Also Published As

Publication number Publication date
CN115115141A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN113107626B (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN112749840B (zh) 一种火电机组能效特征指标基准值的获取方法
CN110189800A (zh) 基于多粒度级联循环神经网络的炉氧含量软测量建模方法
CN102621953B (zh) 一种橡胶硬度的在线自动质量监控和预测模型更新的方法
CN115115141B (zh) 一种基于贪心思想和时序分类的回转窑能耗优化方法
CN116825253B (zh) 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN113808681A (zh) 基于SHAP-CatBoost快速预测ABO3型钙钛矿材料比表面积的方法及其***
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN112348236A (zh) 用于智能用电监测终端的异常日负荷需求预测***与方法
CN115201394B (zh) 一种多组分变压器油色谱在线监测方法及相关装置
CN116861224A (zh) 基于间歇过程软测量建模方法的间歇过程软测量建模***
CN111178627B (zh) 一种基于spca的神经网络混合优化预测方法
CN114186739A (zh) 基于深度学习的台区短期负荷预测方法
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与***
CN113326665A (zh) 一种基于遗传规划的酸性天然气水合物生成温度预测方法
CN117252310B (zh) 一种钛石膏生产工艺参数调节优化方法及***
Jiang et al. A trend prediction method based on fusion model and its application
CN115901677B (zh) 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法
CN117732886B (zh) 一种基于级联智能诊断的热轧质量预控制方法
CN116756531B (zh) 一种面向模型交互联动的带钢热连轧过程监控方法和装置
CN117574215B (zh) 一种热轧带钢板形预测控制方法及装置
CN107491723A (zh) 一种缝洞型油藏生产数据的预测方法及***
Ren et al. Self-attention convolutional neural network based fault diagnosis algorithm for chemical process
CN118260632A (zh) 一种基于Stacking-SSA模型的烧结矿转鼓指数预测方法
CN116842391A (zh) 一种长时间生态观测数据异常检测方法及***

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