论文部分内容阅读
电熔镁炉是将菱镁矿通过复杂的物理化学过程转化为电熔镁砂的高耗能设备。电熔镁砂是制造工业和航空领域中高级耐火材料的原料。电熔镁群炉需量指当前时刻和当前时刻之前一定时间内群炉功率的平均值，用于度量电熔镁群炉的用电量。为了节约电能，群炉需量不得超过电力部门规定的需量峰值。电熔镁砂生产企业为了不超过需量峰值设置限幅值。当群炉需量超过限幅值时会切断某台炉的供电。切断供电会破坏炉内温度场吸热与放热之间的平衡，造成电熔镁砂品位降低和产量减少。电流控制系统控制电熔镁炉电流使其与设定的熔化电流的误差尽可能小，来保证炉内菱镁矿全部转化为电熔镁砂并使消耗的电能尽可能小。当菱镁矿杂质成分含量增大和颗粒长度变大时，则阻抗减小，导致电流变大，使需量上升，从而超过限幅值。此时，电流控制系统控制电流跟踪设定的熔化电流，因此电流减小，使需量下降，从而低于限幅值，最终出现需量先增大超过限幅值而后下降低于限幅值的需量尖峰。需量尖峰超过限幅值时会造成不必要的切断供电。准确的需量预报对防止需量尖峰造成的不必要切断供电具有重要意义，而且对工业过程运行指标的预报还具有实际参考价值。
本文依托国家973计划项目“复杂生产制造全流程一体化控制系统整体控制策略与运行控制方法(2009CB320601)”和国家自然科学基金项目“基于数据与模型的复杂工业过程的整体优化控制研究(61020106003)”，以辽宁省大石桥市新发展耐火材料集团有限公司的电熔镁群炉熔炼过程为背景，开展了电熔镁群炉需量智能预报方法及其应用的研究，主要成果如下:
1)通过对电熔镁炉熔炼过程的机理分析和电流控制系统的动态特性分析，建立了单台电熔镁炉的功率变化率模型，进而得到群炉功率变化率模型。在此基础上建立了群炉需量预报模型结构，分析了采用该群炉需量预报模型结构进行群炉需量预报的挑战性难题。
2)将电熔镁炉熔炼过程机理建模、系统辨识方法和神经网络相结合，提出了如下三种群炉需量预报方法:基于径向基函数(Radial Basis Function，RBF)神经网络的数据驱动的预报方法、基于离线辨识的机理模型与数据驱动的预报方法、基于在线交替辨识的机理模型与数据驱动相结合的智能预报方法。对所提出的三种需量预报方法采用电熔镁群炉熔炼过程的实际数据进行了仿真实验，实验结果表明所提出的基于在线交替辨识的机理模型与数据驱动相结合的智能预报方法的平均绝对误差、均方根误差、需量上升趋势预报准确率和需量下降趋势预报准确率均明显优于前两种预报方法。上述三种群炉需量预报方法具体如下。
①分析了群炉需量预报的关键在于求取群炉功率变化率，针对群炉功率变化率是与以前时刻群炉功率相关的阶次未知的非线性函数这一特点，提出了基于偏自相关函数(Partial Autocorrelation Function，PACF)的该未知非线性函数的阶次辨识方法。在此基础上提出了由基于PACF的非线性函数阶次辨识模块、基于RBF神经网络的群炉功率变化率预报模型和需量预报模型组成的数据驱动的需量预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明，平均绝对误差为19.0950，均方根误差为39.1921，需量上升趋势预报准确率为80.34％，需量下降趋势预报准确率为80.48％。
②为了进一步提高需量预报精度，针对第一种预报方法没有充分利用电熔镁炉熔化过程机理模型的信息的问题，利用电熔镁炉电流控制闭环系统的动态特性，建立了由线性模型和未知非线性项组成的群炉功率变化率模型。采用离线辨识方法求取线性模型参数，采用基于PACF阶次辨识的RBF神经网络来估计未知非线性项。在此基础上提出了由当前时刻的需量和群炉功率、过去时刻的群炉功率、当前时刻的群炉功率变化率的估计组成的基于离线辨识的机理模型与数据驱动的预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明，虽然该方法比前一种预报方法的平均绝对误差有所提高，但均方根误差减少了8.88％，需量上升趋势预报准确率提高了0.44％，需量下降趋势预报准确率提高了0.86％。
③针对群炉功率变化率的线性模型参数和未知非线性项随熔化与加料过程及原料的变化而发生未知变化，且线性模型与非线性项之间相互影响的问题，采用大数据分析的最大信息系数(Maximal Information Coefficient，MIC)和规则推理相结合，改进了未知非线性项的阶次辨识算法;采用饱和函数改进传统交替辨识算法，使线性模型和非线性项按建模误差减小的方向交替切换。在此基础上提出了由非线性项阶次辨识、群炉功率变化率模型交替辨识和需量预报模型组成的智能预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明该方法比前两种方法的预报精度明显提高，与第一种方法相比平均绝对误差减少了4.66％;与第二种方法相比均方根误差减少了4.93％，需量上升趋势预报准确率提高了7.61％，需量下降趋势预报准确率提高了4.52％。
3)设计和开发了需量预报仿真实验系统，实验系统由硬件平台和软件系统组成。硬件平台由云端预报模型训练服务器、数据采集处理计算机、需量预报计算机和移动Android终端组成;软件系统由预报模型训练软件、数据采集与处理软件、群炉需量预报软件和移动监视软件组成。其中，预报模型训练软件包括预报精度设定、预报算法参数与权重校正和下传、预报算法评价、远程Web监视等模块。数据采集与处理软件包括群炉功率数据采集、数据预处理、数据通信上传等模块。群炉需量预报软件包括模型与数据驱动相结合的智能预报算法、参数校正、群炉需量实时预报、结果显示与上传等模块。移动监视软件包括群炉需量监视、预报精度显示等模块。预报模型训练软件运行在云端的服务器上，通过训练模型与数据驱动相结合的智能预报算法来选择参数初始值，通过仿真实验来决策是否下传校正的权重参数;数据采集与处理软件运行在数据采集处理计算机上，采集与处理群炉功率数据;群炉需量预报软件运行在需量预报计算机上，实现模型与数据驱动相结合的智能预报算法;移动监视软件运行在Android手机终端上，实现对群炉需量的移动监视。采用电熔镁群炉熔炼过程的实际数据，使用该仿真实验系统对所提出的预报方法进行仿真实验，验证了所提方法和所研制的仿真实验系统的有效性。
4)针对新发展耐火材料集团有限公司的由1号电力变压器负载4台电熔镁炉构成的电熔镁群炉熔炼过程，采用模型与数据驱动相结合的智能预报算法开发了群炉需量预报应用软件并进行工业实验。实验结果表明，其平均绝对误差为14.2372，均方根误差为22.9244，需量上升趋势预报准确率为84.61％，需量下降趋势预报准确率为85.20％。
本文依托国家973计划项目“复杂生产制造全流程一体化控制系统整体控制策略与运行控制方法(2009CB320601)”和国家自然科学基金项目“基于数据与模型的复杂工业过程的整体优化控制研究(61020106003)”，以辽宁省大石桥市新发展耐火材料集团有限公司的电熔镁群炉熔炼过程为背景，开展了电熔镁群炉需量智能预报方法及其应用的研究，主要成果如下:
1)通过对电熔镁炉熔炼过程的机理分析和电流控制系统的动态特性分析，建立了单台电熔镁炉的功率变化率模型，进而得到群炉功率变化率模型。在此基础上建立了群炉需量预报模型结构，分析了采用该群炉需量预报模型结构进行群炉需量预报的挑战性难题。
2)将电熔镁炉熔炼过程机理建模、系统辨识方法和神经网络相结合，提出了如下三种群炉需量预报方法:基于径向基函数(Radial Basis Function，RBF)神经网络的数据驱动的预报方法、基于离线辨识的机理模型与数据驱动的预报方法、基于在线交替辨识的机理模型与数据驱动相结合的智能预报方法。对所提出的三种需量预报方法采用电熔镁群炉熔炼过程的实际数据进行了仿真实验，实验结果表明所提出的基于在线交替辨识的机理模型与数据驱动相结合的智能预报方法的平均绝对误差、均方根误差、需量上升趋势预报准确率和需量下降趋势预报准确率均明显优于前两种预报方法。上述三种群炉需量预报方法具体如下。
①分析了群炉需量预报的关键在于求取群炉功率变化率，针对群炉功率变化率是与以前时刻群炉功率相关的阶次未知的非线性函数这一特点，提出了基于偏自相关函数(Partial Autocorrelation Function，PACF)的该未知非线性函数的阶次辨识方法。在此基础上提出了由基于PACF的非线性函数阶次辨识模块、基于RBF神经网络的群炉功率变化率预报模型和需量预报模型组成的数据驱动的需量预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明，平均绝对误差为19.0950，均方根误差为39.1921，需量上升趋势预报准确率为80.34％，需量下降趋势预报准确率为80.48％。
②为了进一步提高需量预报精度，针对第一种预报方法没有充分利用电熔镁炉熔化过程机理模型的信息的问题，利用电熔镁炉电流控制闭环系统的动态特性，建立了由线性模型和未知非线性项组成的群炉功率变化率模型。采用离线辨识方法求取线性模型参数，采用基于PACF阶次辨识的RBF神经网络来估计未知非线性项。在此基础上提出了由当前时刻的需量和群炉功率、过去时刻的群炉功率、当前时刻的群炉功率变化率的估计组成的基于离线辨识的机理模型与数据驱动的预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明，虽然该方法比前一种预报方法的平均绝对误差有所提高，但均方根误差减少了8.88％，需量上升趋势预报准确率提高了0.44％，需量下降趋势预报准确率提高了0.86％。
③针对群炉功率变化率的线性模型参数和未知非线性项随熔化与加料过程及原料的变化而发生未知变化，且线性模型与非线性项之间相互影响的问题，采用大数据分析的最大信息系数(Maximal Information Coefficient，MIC)和规则推理相结合，改进了未知非线性项的阶次辨识算法;采用饱和函数改进传统交替辨识算法，使线性模型和非线性项按建模误差减小的方向交替切换。在此基础上提出了由非线性项阶次辨识、群炉功率变化率模型交替辨识和需量预报模型组成的智能预报方法。通过电熔镁群炉熔炼过程实际数据进行仿真实验，仿真实验结果表明该方法比前两种方法的预报精度明显提高，与第一种方法相比平均绝对误差减少了4.66％;与第二种方法相比均方根误差减少了4.93％，需量上升趋势预报准确率提高了7.61％，需量下降趋势预报准确率提高了4.52％。
3)设计和开发了需量预报仿真实验系统，实验系统由硬件平台和软件系统组成。硬件平台由云端预报模型训练服务器、数据采集处理计算机、需量预报计算机和移动Android终端组成;软件系统由预报模型训练软件、数据采集与处理软件、群炉需量预报软件和移动监视软件组成。其中，预报模型训练软件包括预报精度设定、预报算法参数与权重校正和下传、预报算法评价、远程Web监视等模块。数据采集与处理软件包括群炉功率数据采集、数据预处理、数据通信上传等模块。群炉需量预报软件包括模型与数据驱动相结合的智能预报算法、参数校正、群炉需量实时预报、结果显示与上传等模块。移动监视软件包括群炉需量监视、预报精度显示等模块。预报模型训练软件运行在云端的服务器上，通过训练模型与数据驱动相结合的智能预报算法来选择参数初始值，通过仿真实验来决策是否下传校正的权重参数;数据采集与处理软件运行在数据采集处理计算机上，采集与处理群炉功率数据;群炉需量预报软件运行在需量预报计算机上，实现模型与数据驱动相结合的智能预报算法;移动监视软件运行在Android手机终端上，实现对群炉需量的移动监视。采用电熔镁群炉熔炼过程的实际数据，使用该仿真实验系统对所提出的预报方法进行仿真实验，验证了所提方法和所研制的仿真实验系统的有效性。
4)针对新发展耐火材料集团有限公司的由1号电力变压器负载4台电熔镁炉构成的电熔镁群炉熔炼过程，采用模型与数据驱动相结合的智能预报算法开发了群炉需量预报应用软件并进行工业实验。实验结果表明，其平均绝对误差为14.2372，均方根误差为22.9244，需量上升趋势预报准确率为84.61％，需量下降趋势预报准确率为85.20％。