一种节能降耗的环冷机分布式智能协调控制方法

技术领域

本发明涉及烧结环冷机领域，特别涉及一种节能降耗的环冷机分布式智能协调控制方法。

背景技术

我国钢铁企业年均用能约占全国总能耗的15％，烧结矿生产中能耗在钢铁企业总能耗中占比较大，其环冷烟气排放温度较高，具有较好的烟气余热回收潜力。传统环冷机在智能控制方面的研究尚不成熟，基本只实现机械化，但尚未实现智能化，现有环冷机存在样本数据极度匮乏、样本数据非线性处理能力弱、对料渣温控不准确，生产效率低等问题；余热回收系统水平轨道固定方式不合理使轨道产生移动，造成环冷机台车运行不稳定；密封罩变形和漏风，造成余热回收废气温度低。

发明内容

为此，本发明提供一种节能降耗的环冷机分布式智能协调控制方法，用以克服现有技术中密封罩变形和漏风，造成余热回收废气温度低的问题。

为实现上述目的，本发明提供一种节能降耗的环冷机分布式智能协调控制方法，包括以下步骤：

步骤S1、收集并整理料渣特征数据及环冷区各部件控制数据形成原始数据样本集，并划分为训练样本集和测试样本集；

步骤S2、利用训练样本集构建改进的PLSR多激活函数极限学习机集成网络模型，得到所需模型参数，用以计算虚拟样本输出，并利用测试样本集对构建好的模型进行测试，以确认模型参数是否合理；

步骤S3、采用基于流形学习的虚拟样本生成方法对原始样本集扩充，将原始样本集和虚拟样本集合并为新数据样本集，利用新数据样本集优化更新模型参数；

步骤S4、利用强化学习在线调整所述改进的PLSR多激活函数极限学习机集成网络模型在实时工况环境下的模型参数，输出实时料渣对应的输出控制结果，即环冷区风机及运输带的控制结果；

步骤S5、采用烧结环冷机烟气余热发电双压锅炉系统对环冷烟气进行热能回收。

进一步地，在所述步骤S1中，当收集并整理料渣特征数据及环冷区各部件控制数据形成原始数据样本集，并划分为训练样本集和测试样本集时，所述收集料渣的温度、形状及大小作为原始输入样本的各个属性以生成输入样本，收集不同料渣所对应的运输带速度、风机的转速作为原始输出样本的各个属性以生成输出样本，将输入样本和输出样本形成多维原始数据样本集，并用留出法划分为训练样本集和测试样本集。

进一步地，在所述步骤S2中，采用训练样本集对改进的PLSR多激活函数极限学习机集成网络模型进行训练，得到所需模型参数，并利用测试样本集测试该模型的性能，以检测是否得到合理的模型参数。

进一步地，在所述步骤S3中，当采用基于流形学习的虚拟样本生成方法对样本集扩充时，首先采用等度量映射的流形学习方法实现数据的维数约简，然后利用插值法生成有效虚拟样本输入值，利用步骤S2训练好的改进的PLSR多激活函数极限学习机集成网络模型生成有效虚拟样本输出值，利用生成的虚拟样本输入以及虚拟样本输出结合成虚拟样本集根据数据属性特征构建三角隶属函数，找到样本的非对称可扩展区域进行样本筛选，将得到的虚拟样本集和原始数据样本集进行合并得到新数据样本集，最后利用新数据样本集中的大量样本集优化更新模型参数。

进一步地，步骤S4中，利用强化学习在线调整步骤S2所建立模型在实时工况环境下的参数，输出所实时料渣所对应的输出控制结果，即环冷区风机及运输带等控制结果。

进一步地，采用强化学习技术实现各实际环境下的在线学习，对模型参数进行在线调整，使步骤S2所构建的模型能自适应匹配不同的工况，输出对应的输出控制结果。

进一步地，步骤S5中，采用烧结环冷机烟气余热发电双压锅炉系统对环冷烟气的热能回收。

进一步地，通过对环冷区高温烟气回收，产生两种不同参数的蒸汽，即高压主蒸汽和低压补蒸汽，双压锅炉系统下的烧结环冷机烟气体出口温度比较低，将仍含有一定热量的废烟气用以烧结料层的预热干燥，进而继续提高烟气余热利用。

与现有技术相比，本发明的有益效果在于，本发明采用改进的PLSR多激活函数极限学习机集成网络模型，解决对高度非线性处理难度大、对样本函数逼近难等问题，该模型泛化能力强、训练速度快且具有高鲁棒性，采用基于流形学习的虚拟样本生成方法对原始样本集进行扩充，解决样本数据匮乏的问题，采用强化学习技术实现控制结果的在线调整，采用烧结环冷机烟气余热发电双压锅炉系统对环冷烟气的热能回收，并提高了余热利用率及余热回收效率。

附图说明

图1为本发明方法整体流程图；

图2为本发明改进的PLSR多激活函数极限学习机集成网络模型结构图；

图3为本发明基于流行学习的虚拟样本生成方法流程图；

图4为本发明的环冷机烟气余热发电双压系统图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述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，还需要说明的是，在本发明的描述中，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，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1-图4所示，图1为本发明方法整体流程图；图2为本发明改进的PLSR多激活函数极限学习机集成网络模型结构图；图3为本发明基于流行学习的虚拟样本生成方法流程图；图4为本发明的环冷机烟气余热发电双压系统图。

如图1所示，本实施例所提供的一种节能降耗的环冷机分布式智能协调控制方法，具体实施步骤如下：

步骤S1，收集料渣的温度、形状及大小等因素作为原始输入样本的各个属性，收集不同料渣所对应的运输带速度、风机的转速等因素作为原始输出样本的各个属性，将以上两个数据形成多维原始数据样本集{(X

步骤S2，利用训练样本集构建改进的PLSR多激活函数极限学习机集成网络模型，得到所需模型参数，用于步骤三中计算虚拟样本输出，并利用测试样本集对构建好的模型进行测试，以确认模型参数是否合理。

如图2所示，首先对数据进行归一化，采用五个ELM模型集成的方式构建网络模型，通过随机获取五个ELM模型的输入权重，计算出五个ELM模型的隐含层输入，将隐含层输入结果输入到五个不同的激活函数当中，计算出隐含层的输出，根据样本的实际输出计算出输出权重，将每个极限学习机输出的结果分别进行偏最小二乘回归，得到多维输出结果，实现多输入多输出模型的构建，而后利用划分好的训练样本集对改进的PLUS多激活函数极限学习机集成网络模型进行训练，得到所需模型参数，并利用测试样本集测试该模型的性能，以检测所得模型参数是否合理。

步骤S3，采用基于流形学习的虚拟样本生成方法对原始样本集扩充，将原始样本集和虚拟样本集合并为新数据样本集，利用新数据样本集优化更新模型参数，解决数据样本匮乏的问题。

如图3所示，首先采用等度量映射的流形学习方法实现数据的维数约简，然后利用插值法生成有效虚拟样本输入值，利用步骤二训练好的改进的PLSR多激活函数极限学习机集成网络模型生成有效虚拟样本输出值，利用生成的虚拟样本输入以及虚拟样本输出结合成虚拟样本集根据数据属性特征构建三角隶属函数，找到样本的非对称可扩展区域进行样本筛选，将得到的虚拟样本集和原始数据样本集进行合并得到新数据样本集，最后利用新数据样本集中的大量样本集优化更新模型参数。

步骤S4，利用强化学习在线调整步骤二所建立模型在实时工况环境下的模型参数，输出所实时料渣所对应的输出控制结果，即环冷区风机及运输带等控制结果。

利用强化学习在线调整步骤二所建立模型在实时工况环境下的参数，输出所实时料渣所对应的输出控制结果，即环冷区风机及运输带等控制结果；由于环冷区的工况受烧结机和外部环境影响难以稳定运行，模型参数会随工况变化而变化，故采用强化学习技术实现各实际环境下的在线学习，对模型参数进行在线调整，使步骤二所构建的模型能自适应匹配不同的工况，输出对应的输出控制结果。

步骤S5，采用烧结环冷机烟气余热发电双压锅炉系统对环冷烟气进行热能回收。

如图4所示，双压锅炉系统是由高压省煤器、高压蒸发器、高压过热器、低压省煤器、低压蒸发器等换热面组成；通过对环冷区高温烟气回收，产生两种不同参数的蒸汽，即高压主蒸汽和低压补蒸汽，双压锅炉系统下的烧结环冷机烟气体出口温度比较低，将仍含有一定热量的废烟气用以烧结料层的预热干燥，进而继续提高烟气余热利用。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。