本技术涉及选煤厂智能化，尤其涉及一种选煤厂供风系统的运行参数优化控制方法及系统。
背景技术：
1、从目前实际发展情况，大部分选煤厂对用风量不做计算，运行足够多台空压机设备保证压滤、除尘等系统有足够的动力源，造成了电能浪费，增加了设备维护成本和劳动强度，部分选煤厂做了粗略的预测，由于数据源波动较大，预测数据浮动大，造成设备频繁启停，影响设备寿命，空压机的相应滞后，造成困扰。因此，需要开发一套智能控制算法可以根据生产需求自动调整风机运行参数的方案。
技术实现思路
1、本技术提供一种选煤厂供风系统的运行参数优化控制方法及系统，以至少解决缺乏智能控制算法和安全保障措施，系统运行可靠性不足，难以满足现代化生产的需求的技术问题。
2、本技术第一方面实施例提出一种选煤厂供风系统的运行参数优化控制方法，所述方法包括：
3、获取待优化时段选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中末端系统风速、压力、温度、空压机运行台套数；
4、对所述供风系统在待优化时段的末端系统风速进行校正，得到校正后的末端系统风速；
5、将所述选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和所述供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数输入到预先训练好的运行参数优化模型中，得到所述待优化时段的供风系统运行参数参考值；
6、基于所述供风系统运行参数参考值对所述供风系统的运行参数进行优化控制；
7、其中，所述运行参数优化模型为bp神经网络模型，所述bp神经网络模型是基于历史时长内各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数及所述各时段的供风系统运行参数实际优化值对初始的bp神经网络进行训练得到的。
8、优选的，所述末端系统风速是利用风速仪采集得到的；
9、所述运行参数包括：空压机启动台数、空压机运行频率、风阀的开度。
10、进一步的，所述校正后的末端系统风速的计算式如下：
11、 b
12、式中，为校正后的末端系统风速，为n阶次的末端系统风速值对应的多项式系数，为n阶次的末端系统风速值, b为偏移量。
13、进一步的，所述bp神经网络模型包括：输入层、隐藏层和输出层；
14、其中，所述输入层包含7个神经元；
15、所述隐藏层包含4个神经元；
16、所述输出层包含1个神经元。
17、进一步的，所述运行参数优化模型的训练过程包括：
18、步骤f1:获取历史时长内各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数及所述各时段的供风系统运行参数实际优化值，并构建训练集和测试集，其中，所述运行参数实际优化值包括：空压机启动台数、空压机运行频率、风阀的开度；
19、步骤f2:利用将所述训练集中的各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数作为输入，将所述各时段的供风系统运行参数实际优化值作为输出，并利用遗传算法优化初始的bp神经网络参数,得到所述神经网络的最优初始阈值、权值，其中将均方误差作为遗传算法的适应度函数；
20、步骤f3:将所述测试集中各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数输入到所述最优初始阈值、权值的bp神经网络中，得到所述bp神经网络输出的各时段的供风系统运行参数预测值；
21、步骤f4:判断所述bp神经网络输出的各时段的供风系统运行参数预测值与所述测试集中的各时段的供风系统运行参数实际优化值的误差是否小于第一阈值，若小于，则将所述最优初始阈值、权值作为所述bp神经网络的最优参数，得到优化后的bp神经网络，并将所述优化后的bp神经网络作为初始的运行参数优化模型,并进入步骤f5，否则更新所述最优初始阈值、权值，并返回步骤f3；
22、步骤f5:对所述初始的运行参数优化模型进行模糊校正，得到所述运行参数优化模型。
23、进一步的，所述对所述初始的运行参数优化模型进行模糊校正，得到所述运行参数优化模型，包括：
24、步骤e1:确定所述训练集中各样本的拉格朗日乘子;
25、步骤e2:第次剔除预设比例的所述训练集中拉格朗日乘子小于第一阈值的样本数据，得到第次剔除后的训练集，其中；
26、步骤e3:基于所述第次剔除后的训练集对所述初始的运行参数优化模型进行训练，得到第次校正后的运行参数优化模型；
27、步骤e4:判断是否等于3，若是，将第次校正后的运行参数优化模型作为所述运行参数优化模型，否则，令=+1，并返回步骤e2。
28、本技术第二方面实施例提出一种选煤厂供风系统的运行参数优化控制系统，包括：
29、获取模块，用于获取待优化时段选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中末端系统风速、压力、温度、空压机运行台套数；
30、校正模块，用于对所述供风系统在待优化时段的末端系统风速进行校正，得到校正后的末端系统风速；
31、确定模块，用于将所述选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和所述供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数输入到预先训练好的运行参数优化模型中，得到所述待优化时段的供风系统运行参数参考值；
32、优化控制模块，用于基于所述供风系统运行参数参考值对所述供风系统的运行参数进行优化控制；
33、其中，所述运行参数优化模型为bp神经网络模型，所述bp神经网络模型是基于历史时长内各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数及所述各时段的供风系统运行参数实际优化值对初始的bp神经网络进行训练得到的。
34、优选的，所述末端系统风速是利用风速仪采集得到的；
35、所述运行参数包括：空压机启动台数、空压机运行频率、风阀的开度。
36、本技术第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
37、本技术第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。
38、本技术的实施例提供的技术方案至少带来以下有益效果：
39、本技术提出了一种选煤厂供风系统的运行参数优化控制方法及系统，其中所述方法包括：获取待优化时段选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中末端系统风速、压力、温度、空压机运行台套数；对所述供风系统在待优化时段的末端系统风速进行校正，得到校正后的末端系统风速；将所述选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和所述供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数输入到预先训练好的运行参数优化模型中，得到所述待优化时段的供风系统运行参数参考值；基于所述供风系统的运行参数参考值对所述供风系统运行参数进行优化控制；其中，所述运行参数优化模型为bp神经网络模型，所述bp神经网络模型是基于历史时长内各时段的选煤厂用风系统中压滤机运行台套、除尘系统运行参数、空压过滤机运行台套和供风系统中校正后的末端系统风速、压力、温度、空压机运行台套数及所述各时段的供风系统运行参数实际优化值对初始的bp神经网络进行训练得到的。本技术提出的技术方案，可以精确的计算出供风系统的运行参数，解决了电能无效消耗的问题，且降低了工作人员的劳动强度。
40、本技术附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种选煤厂供风系统的运行参数优化控制方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述末端系统风速是利用风速仪采集得到的；
3.如权利要求2所述的方法，其特征在于，所述校正后的末端系统风速的计算式如下：
4.如权利要求3所述的方法，其特征在于，所述bp神经网络模型包括：输入层、隐藏层和输出层；
5.如权利要求4所述的方法，其特征在于，所述运行参数优化模型的训练过程包括：
6.如权利要求5所述的方法，其特征在于，所述对所述初始的运行参数优化模型进行模糊校正，得到所述运行参数优化模型，包括：
7.一种选煤厂供风系统的运行参数优化控制系统，其特征在于，所述系统包括：
8.如权利要求7所述的系统，其特征在于，所述末端系统风速是利用风速仪采集得到的；
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的方法。
