(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111281608.2 (22)申请日 2021.11.01 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 孔丽媛　杨春节　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 林松海 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/00(2006.01) G06Q 50/04(2012.01) G06Q 50/26(2012.01)G06F 111/06(2020.01) G06F 119/08(2020.01) (54)发明名称 基于分解的高炉炼铁多目标碳减排方法 (57)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。 权利要求书1页 说明书4页 附图2页 CN 114036827 A 2022.02.11 CN 114036827 A 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。 2.根据权利要求1所述的方法， 其特征在于： 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， 实现在硅含量所代表的的炉况稳定的情况下， 二氧化碳排放量尽可能降低， 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。 3.根据权利要求1所述的方法， 其特征在于： 步骤2所述的建模方法为具有时序特征提 取能力的长短时记忆网络LSTM， 工艺参数作为LSTM的输入， 优化目标作为LSTM的输出， 实现 工艺参数至优化目标的映射。 4.根据权利 要求1所述的方法， 其特征在于： 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 MOEA/D， 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。 5.根据权利要求1所述的方法， 其特征在于： 步骤4中所述的多目标优化算法MOEA/D可 以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。权　利　要　求　书 1/1 页 2 CN 114036827 A 2基于分解的高炉炼铁多目标碳减 排方法 技术领域 [0001]本发明属于工业过程建模和优化领域， 特别涉及一种在LSTM模型基础上， 利用 MOEA/D算法实现高炉炼铁过程多目标优化的方法。 背景技术 [0002]钢铁工业是国家的基础工业， 而高炉炼铁处在钢铁生产的上游， 在整个钢铁生产 过程中占据着极其重要的地位。 此外， 高炉炼铁也是钢铁工业中温室气体排放及能耗的主 要来源， 其中整个钢铁工业总能耗的70%， 二氧化碳总排放量的90%都来源于高炉炼铁。 因 此， 优化高炉炼铁过程中的碳 排放在实现钢铁行业的进步与发展方面发挥着重要作用。 [0003]但是， 高炉是一个极度复杂的反应装置， 属于流程工业的范畴， 在复杂的时空内涉 及液态、 气态、 固态 三相之间的反应， 据不完全统计， 炉内发生主要的化学反应就多达百种。 此外， 炼铁过程中的各个参数之 间关系复杂， 相互干扰， 炉况的变化波动也往往 是多个工艺 参数综合作用的结果。 高炉的复杂性， 耦合性及非线性等原因， 为高炉炼铁的研究及 控制带 来了很大 的难度。 目前高炉的控制主要依靠操作人员的经验， 这种情况下可以保证高炉正 常运转， 但是无法实现精准控制， 具有不确定及模糊的特点， 因而也无法达到最优的运行状 态。 [0004]随着数据挖掘技术的发展， 基于数据驱动的工艺参数优化逐渐引起研究者的注 意。 对生产中测得的数据进 行分析挖掘， 使研究者可以将复杂的工业过程视作 “黑盒子”， 而 不必再深究炼铁过程中具体的化学变化或物理变化， 因此， 数据驱动的方法在高炉工艺参 数优化方面具有很大的潜力。 发明内容 [0005]为了克服现有技术的不足， 本发明的目的在于提供一种基于分解的高炉炼铁多目 标碳减排方法。 [0006]选取工艺参数作为LSTM的输入变量， 硅含量及二氧化碳排放量作为LSTM的输出变 量， 通过LSTM建立输入与输出的映射模 型， 该模型作为MOEA/D算法的评价函数， 逐次迭代 寻 优， 直至满足结束条件。 优化算法求得 的工艺参数值能使得硅含量及二氧化碳排放量都处 在一个较优的状态下， 从而可以为实际的工业 生产提供指导， 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， 指导现场工作人员的操作。 [0007]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，说　明　书 1/4 页 3 CN 114036827 A 3