本發(fā)明涉及水泥工業(yè)生產(chǎn)控制。更具體地，本發(fā)明涉及一種基于大數(shù)據(jù)的智能減排方法及系統(tǒng)。

背景技術：

1、隨著全球對環(huán)境保護意識的不斷提高和可持續(xù)發(fā)展目標的推進，水泥的生產(chǎn)過程中產(chǎn)生的污染氣體在全球排放量占據(jù)著一定比例，因此，水泥的智能減排是尤為重要的。

2、目前，水泥的智能減排主要是通過改進和優(yōu)化水泥生產(chǎn)工藝流程，以達到減少能源消耗、降低污染物排放的目的。其中，在水泥生產(chǎn)工藝流程中，分解爐正常運轉是水泥生產(chǎn)流程中的關鍵步驟，分解爐溫度是影響水泥生料分解率的關鍵指標，因此，分解爐溫度的正常、穩(wěn)定是保證水泥質量的關鍵，因此如何穩(wěn)定、準確地控制分解爐溫度，使得分解爐能夠正常運轉是尤為重要的。

3、相關技術中，如公開號為cn117406601a的專利申請文件公開了一種節(jié)能減排的水泥分解爐替代燃料燃燒優(yōu)化控制方法，該方法通過多目標粒子群算法求解分解爐最優(yōu)溫度，維持分解爐增加垃圾喂料量條件下分解爐的正常運行并限制nox排放實現(xiàn)節(jié)能減排。

4、然而，上述方法采用的多目標粒子群算法求解，容易產(chǎn)生局部最優(yōu)問題和解集多樣性低的問題，即沒有考慮到多目標優(yōu)化中粒子群可能會快速收斂到一個小區(qū)域導致解集中缺乏多樣性，最終將得到一組局部非劣相似解集，使得在進行水泥分解爐溫度控制時，無法達到最優(yōu)設定溫度值。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提出一種基于大數(shù)據(jù)的智能減排方法及系統(tǒng)，用以解決現(xiàn)有技術無法進行水泥生產(chǎn)過程中溫度的準確控制，不能達到智能減排的目的的問題；為此，本發(fā)明在如下的兩個方面中提供方案。

2、在第一方面中，一種基于大數(shù)據(jù)的智能減排方法，包括：

3、獲取當前時間段內(nèi)水泥生產(chǎn)過程中的參數(shù)數(shù)據(jù)；其中參數(shù)數(shù)據(jù)包括但不限于煅燒溫度、氧氣含量、二次風風溫以及回轉窯轉速；

4、將參數(shù)數(shù)據(jù)輸入預先構建的生料煅燒溫度預測模型，得到預測溫度值；

5、計算預測溫度值與預先獲取的最優(yōu)溫度的誤差，通過反饋校正將誤差輸入到下一時間段的最優(yōu)溫度，進行水泥生產(chǎn)過程中的溫度控制；

6、其中，所述最優(yōu)溫度的獲取過程為：

7、利用水泥生產(chǎn)過程中的歷史參數(shù)數(shù)據(jù)，分別構建污染氣體濃度模型以及燃料利用熱效率模型；

8、根據(jù)污染氣體濃度模型和燃料利用熱效率模型構建多目標函數(shù)；采用改進的多目標混合遺傳粒子群算法對多目標函數(shù)進行優(yōu)化求解，得出最優(yōu)解集；

9、根據(jù)所述最優(yōu)解集以及所述生料煅燒溫度預測模型建立控制目標函數(shù)，獲取控制目標函數(shù)最小值時對應的最優(yōu)溫度。

10、上述方案通過構建多目標函數(shù)，并采用改進的多目標混合遺傳粒子群算法對多目標函數(shù)進行優(yōu)化求解能夠得到水泥生產(chǎn)過程中的最優(yōu)解集，并在后續(xù)通過構建溫度預測模型，以獲取預測溫度與最優(yōu)溫度(控制溫度)的誤差，進行水泥生產(chǎn)的下一時間段的溫度控制，實現(xiàn)了精準的溫度控制，達到了水泥生產(chǎn)過程的智能減排的目的。

11、可選地，所述采用改進的多目標混合遺傳粒子群算法對多目標函數(shù)進行優(yōu)化求解，得出最優(yōu)解集的過程為：

12、步驟1，設定粒子群與遺傳混合算法的關鍵參數(shù)，包括最大迭代次數(shù)、變異概率、交叉概率、粒子群大小和種群的大??；令種群中的每個粒子代表一個數(shù)據(jù)樣本，其中數(shù)據(jù)樣本包括熱效率，污染氣體濃度，煅燒溫度，氧氣含量、燃料的輸入總量、燃料比例、燃燒時間，二次風風溫，回轉窯轉速；初始化種群中粒子的位置、速度、個體極值和群體極值；

13、步驟2，在空間大小為n的搜索空間中，基于粒子的位置進行劃分，產(chǎn)生n個初始子種群，初始子種群大小為

14、步驟3，計算每個初始子種群的多目標支配度，對每個初始子種群內(nèi)的個體分層，并對各個個體進行選擇、交叉和變異操作，根據(jù)粒子群優(yōu)化算法的速度和位置更新公式，更新每個個體的速度和位置；并進行多次迭代，若達到最大迭代次數(shù)，則尋優(yōu)結束，輸出多次迭代的最優(yōu)解；

15、步驟4，選擇其中任一個初始子種群與其最近鄰的初始子種群，基于最優(yōu)解判斷兩初始子種群的多樣性匱乏情況，若至少一個初始子種群存在多樣性匱乏，則計算兩初始子種群內(nèi)各個體的個體遷移率，響應于所述個體遷移率大于設定閾值，則將對應的個體遷移到另一個初始子種群，得到更新后的兩個種群，進而得到所有更新后的種群；

16、步驟5，對于所有更新后的種群，重復步驟3和步驟4，最終得到由n個種群的最優(yōu)解組成的最優(yōu)解集。

17、上述方案，通過在種群迭代過程中的種群的多樣性，以進行種群中個體的遷移，使得不同種群之間的多樣性滿足需求，避免獲取單個或幾個局部最優(yōu)解的問題。

18、可選地，所述個體遷移率pi為：

19、

20、其中，是種群的大小，α和β為權重，di為個體i的平均多目標支配度值，ds為種群內(nèi)所有個體的平均多目標支配度的總和，表示輪盤賭選擇算子中個體i的選擇概率，fi為個體i對種群多樣性的個體貢獻得分，fs為種群內(nèi)所有個體的貢獻得分的總和，表示種群中個體i的重要程度。

21、上述方案給出了一種精確計算個體遷移率的方式。

22、可選地，所述個體貢獻得分為：

23、

24、其中，是種群的大小，xi是種群中的第i個個體的解，xj是種群中的第j個個體的解，d(xi,xj)是xi和xj之間的距離，d(xi,xj)是xi和xj之間的多目標支配度，μ是調(diào)節(jié)指數(shù)衰減速度的參數(shù)，σ是種群中個體間距離的標準差；

25、所述多目標支配度d(xi,xj)為：

26、

27、其中，wm是第m個目標函數(shù)的權重，dm(xi,xj)是第m個目標函數(shù)上xi相對于xj的目標支配度貢獻，fm(xi)是目標函數(shù)值，對于每個目標函數(shù)fm(x)<fm(xj)時代表解xi在目標上優(yōu)于xj。

28、通過對種群的多樣性進行評價，以及獲取最優(yōu)解的分析，能夠為后續(xù)的個體遷移率提供數(shù)據(jù)支撐。

29、可選地，所述多目標函數(shù)為：：

30、其中，f1是燃料利用熱效率的目標函數(shù)，ymax為利用熱效率第t次迭代結束時的最大預測值，y0為利用熱效率最優(yōu)值，ni為燃料利用熱效率預測時的第一輸入變量；f2是污染氣體濃度的目標函數(shù)，y′min為污染氣體第t次迭代結束最低的預測值，y0′為污染氣體排放標準值，ui為污染氣體濃度預測時的第二輸入變量；其中第一輸入變量為當前時間段內(nèi)的煅燒溫度，氧氣含量，二次風風溫，回轉窯轉速；第二輸入變量為當前時間段內(nèi)的煅燒溫度、氧氣含量、燃料的輸入總量、燃料比例、燃燒時間。

31、通過多角度的綜合分析水泥生產(chǎn)過程中的目標函數(shù)，有利于后續(xù)獲取最優(yōu)解，以實現(xiàn)智能減排的目的。

32、可選地，所述污染氣體濃度模型為采用rnn網(wǎng)絡模型；所述燃料利用熱效率模型為lstm網(wǎng)絡模型。

33、可選地，所述生料煅燒溫度預測模型為基于高斯核函數(shù)的支持向量機模型。

34、可選地，所述控制目標函數(shù)為：溫度預測值與最優(yōu)解集中最優(yōu)溫度的最小平方誤差。

35、可選地，所述最優(yōu)溫度值為：y′(k+1)＝y(tǒng)(k+1)+rδ(k)；其中，y′(k+1)為k+1時刻的調(diào)整后的最優(yōu)溫度值；y(k+1)為優(yōu)化控制算法得到的k+1時刻的最優(yōu)溫度，δ(k)為誤差，r為反饋系數(shù)，取值范圍為(0，1)。

36、在第二方面中，本發(fā)明提供的一種基于大數(shù)據(jù)的智能減排系統(tǒng)，其特征在于，包括：

37、處理器；

38、存儲器，其存儲有基于大數(shù)據(jù)的智能減排的計算機指令，當所述計算機指令由所述處理器運行時，使得系統(tǒng)執(zhí)行上述的一種基于大數(shù)據(jù)的智能減排方法。

39、本發(fā)明的有益效果為：

40、本發(fā)明的方案能夠通過對多目標混合遺傳粒子群算法進行改進，能夠在優(yōu)化水泥生產(chǎn)過程中各參數(shù)，使其達到最優(yōu)解集，避免了多目標粒子群優(yōu)化算法通過多個粒子在搜索空間中移動探索非線性關系的空間，依靠增加粒子數(shù)量減緩局部收斂的趨勢同時會導致過擬合和降低尋找全局最優(yōu)解的能力的問題，獲取了水泥生產(chǎn)過程中的最優(yōu)參數(shù)，以達到智能減排的目的。