申请/专利权人：浙江大学

申请日：2021-11-01

公开（公告）日：2024-06-21

公开（公告）号：CN114036827B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0442;G06N3/049;G06N3/08;G06Q50/04;G06Q50/26;G06F111/06;G06F119/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明公开了一种基于分解的高炉炼铁多目标碳减排方法，步骤包括对高炉炼铁的数据进行预处理，对数据的采样率进行统一，处理数据中包含的异常值，选取与优化目标硅含量及二氧化碳相关的工艺参数，通过相关性分析确定用于建模的变量；对高炉炼铁过程进行建模，实现工艺参数至优化目标的映射；将建立的模型作为多目标优化算法的评价函数，用于评价种群中解的优劣；利用多目标优化算法对模型寻找最优解，得到最优解对应的工艺参数值，将求解得到的工艺参数值作为参考。本发明实现了基于数据驱动的高炉炼铁建模方法与多目标优化算法的融合，实现了维持铁水中硅含量稳定的情况下，减少高炉煤气中的碳排放。

主权项：1.一种基于分解的高炉炼铁多目标碳减排方法，其特征在于：步骤如下：步骤1：对高炉炼铁的数据进行预处理，对数据的采样率进行统一，处理数据中包含的异常值，选取与优化目标硅含量及二氧化碳相关的工艺参数，通过相关性分析确定用于建模的变量；步骤2：对高炉炼铁过程进行建模，实现工艺参数至优化目标的映射；步骤3：将建立的模型作为多目标优化算法的评价函数，用于评价种群中解的优劣；步骤4：利用多目标优化算法对模型寻找最优解，得到最优解对应的工艺参数值，将求解得到的工艺参数值作为参考，指导现场操作；步骤1中所述的采样率统一是指高炉炼铁过程中不同类型变量的数据来源不同，造成了数据的多采样率问题，通过取平均的方式，对采样率高的变量降采样，实现不同变量的采样率一致；异常值处理采取的方法为箱体图，将超出3σ范围的数据点视为异常值，并将其剔除；该步骤所述的优化目标为硅含量与二氧化碳，采用的相关性分析方法为皮尔逊相关系数分析法，选取的工艺参数变量为：热风温度、顶压、炉腹煤气量、顶温东南、阻力系数、设定喷煤量、上一时刻的硅含量以及上一时刻二氧化碳；步骤3中，将LSTM模型作为多目标算法的评价函数，构建多目标优化算法的架构，其中多目标优化算法为基于分解的多目标优化算法MOEAD，将交叉变异得到的新种群送入LSTM模型中，得到与新的工艺参数值相对应的输出值，根据输出值对新种群进行评估；步骤4中所述的多目标优化算法MOEAD将多个目标的优化问题拆解为多个单目标问题，然后通过聚合函数完成单个目标的优化；每个单目标子问题与一个个体为一组，个体沿权重向量向参考点聚合，最终，每个权重向量将搜索到Pareto前沿上的一个解，得到的Pareto解集就是当前迭代次数中求得的最优解，如此循环往复，直至满足停止搜索条件。

全文数据：

权利要求：

百度查询： 浙江大学 基于分解的高炉炼铁多目标碳减排方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD