|
引用本文
杨杰, 柴天佑, 张亚军, 吴志伟. 数据与模型驱动的电熔镁群炉需量预报方法. 自动化学报, 2018, 44(8): 1460-1474. doi: 10.16383/j.aas.2017.c160597
YANG Jie, CHAI Tian-You, ZHANG Ya-Jun, WU Zhi-Wei. Data and Model Driven Demand Forecasting Method for Fused Magnesium Furnace Group. ACTA AUTOMATICA SINICA, 2018, 44(8): 1460-1474. doi: 10.16383/j.aas.2017.c160597
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160597
关键词
需量预报,电熔镁群炉,数据与模型驱动,径向基函数神经网络
摘要
电熔镁群炉需量指当前时刻k和(k-1),…,(k-n+1)时刻群炉功率的平均值,用于度量高耗能电熔镁群炉用电量.(k+1)时刻群炉需量取决于功率变化率.本文建立了功率变化率与电流控制系统输出电流之间由线性项与未知非线性项组成的动态模型,其中线性项通过电流被控对象的参数和控制器的参数计算,未知非线性项采用基于偏自相关函数(Partial autocorrelation function,PACF)输入变量决策的径向基函数神经网络(Radial basis function neural network,RBFNN)来估计.本文提出了由当前k时刻的需量和功率,(k-n+1)时刻功率及k时刻功率变化率的估计组成的(k+1)时刻需量的计算模型.通过某电熔镁砂厂实际数据的仿真实验和工业实验表明所提方法可准确预报需量变化趋势,可以防止因原料变化引起需量尖峰导致错误切断电熔镁炉供电造成电熔镁砂质量降低.
文章导读
电熔镁炉是一种以菱镁矿为原料, 由电流控制器控制熔炼电流来生产电熔镁砂的重要设备.产品电熔镁砂是一种应用于冶金、化工等领域的重要高级耐火材料.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, 用于度量高耗能电熔镁群炉的用电量.在生产过程中需量不得超过规定的最大需量即需量峰值, 以限制电熔镁群炉的用电量.需量监控系统对群炉需量进行实时监控, 当需量超过需量峰值的限幅值时会切断某台炉供电, 以保证群炉需量不超过需量峰值; 当需量低于限幅值时再恢复该台炉供电, 使该炉继续生产.为了保证电熔镁砂质量, 需要电流控制器将电流控制在工艺设定值附近.在电流控制器的调节作用下, 熔炼过程中原料杂质成分含量增大和颗粒长度变大可能会导致需量尖峰, 即需量先增大超过限幅值而后下降低于限幅值.而需量尖峰会造成切断电熔镁炉的供电.然而, 切断供电会破坏炉内温度场吸热和放热平衡, 降低电熔镁砂质量, 因此对需量进行准确的预报对于避免尖峰时刻的错误拉闸显得十分重要.
近年来, 针对电力系统的功率预报问题相关学者开展了一系列研究, 多采用时间序列方法[1]、支持向量回归机[2]、神经网络[3]和混合方法[4]等.例如, 文献[1]为了制定某地区的发电量的日计划, 基于该地区过去14天用电总功率的数据(采样周期为15分钟), 采用相似形时间序列法先得到参考基准曲线, 然后预报未来一天用电总功率的曲线.文献[2]为了提高某地电力系统的可靠性, 使用该地过去7天用电总功率的数据(采样周期为1小时), 采用支持向量回归机的方法预报未来一天用电总功率曲线.文献[3]为了合理调度某地电力系统, 用该地过去7天风力发电总功率的数据(采样周期为0.5小时), 采用前馈神经网络和上下限估计的方法预报未来一天风力发电总功率的上下限.文献[4]为了降低某地电力市场的经济损失风险, 基于昨天和一周前的一天的用电功率数据和温度数据(采样周期为1小时), 采用遗传算法-径向基函数神经网络(Genetic algorithm --- radial basis function neural network, GA-RBFNN)方法预报未来一天的用电功率.文献[5]为了准确预报群炉需量变化趋势减少不必要的切断供电, 使用某电熔镁砂厂过去时刻的群炉功率数据(采样周期为7秒), 采用RBFNN方法预报下一时刻的群炉需量.
在电熔镁炉生产过程中, 控制系统通过调节电极位置, 改变电弧弧长, 进而控制熔炼电流稳定在电流设定值附近, 从而实现在满足产量约束的条件下尽量降低产品单吨能耗的控制目标[6].电熔镁炉的熔炼电流通常在15 000 A左右, 电能消耗巨大.熔炼过程中, 当原料杂质成分含量增大和颗粒长度变大时, 工作电阻减小, 电流变大, 需量上升.此时电流控制器会调节弧长使工作电阻变大, 降低电流, 需量又随之下降, 这样就会出现需量先升高后下降的尖峰现象.因此根据功率变化特性建立需量的动态模型才能更准确地预报需量.而文献[1-4]预报的对象采样周期时间尺度较大, 与电熔镁群炉的功率变化特性不同, 而且只单纯依据过去功率的数据进行预报, 没有研究对象的动态特性分析.因此上述文献难以直接适用预报电熔镁群炉需量.文献[5]虽然对电熔镁群炉需量进行了预报, 但只是将历史功率数据和功率变化率整体视为非线性函数关系进行处理, 预报精度有待提高.
本文首先建立和分析需量动态模型, 提出由功率变化率的线性项、基于PACF输入变量决策的RBFNN未知非线性项估计和需量计算模型组成的需量预报方法, 通过某电熔镁砂厂实际数据的仿真实验和工业实验表明所提方法能够准确预报需量的变化趋势.
图 1 电熔镁群炉需量监控原理图
图 2 电熔镁群炉需量预报方法结构框图
图 3 隐层节点数的交叉验证
本文建立了(k+1)时刻电熔镁群炉需量模型, 利用(k+1)时刻需量P¯(k)取决于功率变化率Δp(k), 以及Δp(k)取决于电流控制系统输出电流的特点, 提出了电熔镁群炉需量预报方法.该方法由线性模型、基于PACF输入变量个数决策的RBFNN未知非线性函数估计和(k+1)时刻需量P¯(k+1)计算模型组成.通过某电熔镁砂厂实际数据的仿真实验和工业实验表明, 该方法可准确预报需量变化趋势, 不仅对预报需量尖峰防止不必要拉闸有实际意义, 而且对于工业过程控制系统的运行指标的预报具有一定参考价值.
作者简介
柴天佑
中国工程院院士, 东北大学教授, IEEE Fellow, IFAC Fellow, 欧亚科学院院士.1985年获得东北大学博士学位.主要研究方向为自适应控制, 智能解耦控制, 流程工业综合自动化理论、方法与技术.E-mail:tychai@mail.neu.edu.cn
张亚军
东北大学博士后.主要研究方向为非线性模糊自适应控制理论, 广义预测控制, 多模型切换控制, 智能解耦控制, 数据驱动控制, 智能控制系统的大数据建模, 工业过程大数据建模及其应用.E-mail:zhangyajun79@gmail.com
吴志伟
东北大学讲师.2015年获得东北大学博士学位.主要研究方向为复杂工业过程的运行控制和工业嵌入式控制系统开发.E-mail:wuzhiwei_2006@163.com
杨杰
东北大学流程工业综合自动化国家重点实验室博士研究生.主要研究方向为工业过程数据驱动建模技术及应用.本文通信作者.E-mail:yjercou@126.com
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-4-28 13:30
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社