基于工艺状态计算的高炉煤气发生量软测量方法

描述了一种高炉煤气发生量软测量方法,通过冶金企业能源管控系统采集高炉运行数据对高炉运行状态进行计算,将状态分为休风、减风和正常三类,当高炉处于休风和正常状态时,建立基于高炉煤气产生机理的发生量软测量模型;当高炉处于减风状态时,通过互信息分析提取非线性特征向量,建立基于智能参数优化回归分析的高炉煤气发生量软测量模型。以某钢铁企业1号高炉为例对高炉煤气发生量软测量应用效果进行分析,结果表明该方法有效结合了高炉工艺状态和高炉炉况信息,软测量灵敏度高,结果准确,为煤气调度提供了很好的数据支撑。     

高炉煤气发生量时间序列预测模型的开发

采用时间序列预测模型建模方法,包括时间序列模型阶次判定、参数估计、模型检验,对莱钢高炉煤气总发生量进行预测。结果表明,模型预测准确,平均误差为1.8748%,对煤气发生量的短期趋势预报有一定参考价值,能够为制定合理的煤气使用计划提供依据,可提高钢铁企业节能降耗水平。     

基于HP(2)-Elman模型的钢铁企业富余煤气预测及优化调度

针对钢铁企业富余煤气的频繁波动对自备电厂能耗及煤气平衡影响严重,且难以通过建立机制模型进行预测的问题,依据HP滤波和Elman神经网络性质建立了HP(2)-Elman预测模型.并根据自备电厂能源利用的特点,建立拟合模型求解锅炉的经济运行负荷,在此基础上对富余煤气进行优化调度.模型应用表明:所建预测模型对煤气柜位预测平均相对误差小于2.8％,自备电厂煤气供入量30、45、60个点预测平均相对误差分别为1.7％、1.6％、1.6％.根据预测结果进行的优化调度可为煤气柜位调整及自备电厂锅炉负荷分配提供操作依据,一年按照330天计算,可多产蒸汽约100495t,节能约11670481kg标煤.     

基于时序模型的高炉煤气发生量多步预测对比

 为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.057 0,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.042 8,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.069 4,LSTM模型为0.094 0。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.060 1,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。     

钢铁企业煤气预测及优化调度系统开发

为了实现钢铁企业高炉煤气、焦炉煤气、转炉煤气的发生量及消耗量预测和优化调度两大功能,采用数据库和模块化设计方法开发了煤气预测及优化调度系统,实现了高炉煤气、焦炉煤气、转炉煤气的日平衡,解决了钢铁企业冬、夏季节性煤气平衡矛盾突出的问题,降低了煤气的放散率,提高了煤气预测精度,为煤气管理提供指导和依据。     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测，可以为煤气的合理调度提供依据，对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题，依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划，对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集，利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试，该模型能够结合设备的实际生产工况变化，实现煤气的准确预测。结果表明，该模型平均绝对百分比误差小于4.95%，对变工况煤气系统有较好的预测效果。     

基于支持向量机的高炉煤气利用率预测建模

煤气利用率是反映高炉能耗和平稳运行的重要指标。为了实现对高炉煤气利用率的准确预测,首先依据最大信息系数选择合适的输入参数,分别选取次于该状态参数时刻1 和2 h后的煤气利用率作为输出参数,并在建模之前对数据进行标准化处理。在此基础上建立基于支持向量回归(SVR)的高炉煤气利用率预测模型,并利用高炉的部分生产数据将该模型的预测结果与多层感知器(MLP)模型进行对比。最终预测结果表明,SVR模型在预测1和2 h后的煤气利用率时精确度更高,达到了更好的预测效果。     

基于参数优化SVR方法预测高炉煤气利用率

摘要：高炉煤气利用率是反映高炉能耗的重要指标,其预测控制对炼铁过程的节能降耗具有重要意义。利用某高炉在线采集的数据对煤气流温度分布和高炉煤气利用率的关系进行研究。首先,对高炉煤气利用率数据和能够实时反映煤气流分布的炉喉十字测温数据中的缺失值进行多重插补填充,并利用分位点计算煤气流分布的经验分布函数,得到测温数据的小时分布概率。再运用灰狼算法优化支持向量回归（Support Vector Regression,SVR）模型的样本量和核参数,建立高炉煤气利用率预测模型。结果表明,在优化建模样本量和模型核参数的情况下,支持向量回归模型的预测精度更高,能够为高炉的优化控制和节能降耗提供有力支持。     

炼铁系统优化模型

本文利用治金工厂内部物料累计能耗的观点,建立了炼铁系统的多目标优化模型。模型利用A·理斯特的操作线得出了最优配料及操作参数下的高炉煤气的发生量及成份,找出了燃料比对高炉煤气及其热值的影响规律。这些数据及规律可为治金企业二次能源的利用与分配提供可靠依据。     

高炉煤气碳捕获技术浅析

高炉煤气是长流程钢铁企业中发生量最大的气态副产品。高炉煤气二氧化碳含量高,加之发生量巨大,是二氧化碳排放的主要源头。为了提升高炉煤气的利用价值,同时为钢铁企业的碳减排探索可持续发展路径,以高炉煤气为研究对象,对比研究不同气体分离技术在高炉煤气碳捕获领域应用的优缺点,并对分离后得到的不同气体产品提出了综合利用技术路径设想,提出了BAO-CCU(Baosteel Carbon Capture and Utilization)概念。     

基于参数优化SVR方法预测高炉煤气利用率

高炉煤气利用率是反映高炉能耗的重要指标,其预测控制对炼铁过程的节能降耗具有重要意义。利用某高炉在线采集的数据对煤气流温度分布和高炉煤气利用率的关系进行研究。首先,对高炉煤气利用率数据和能够实时反映煤气流分布的炉喉十字测温数据中的缺失值进行多重插补填充,并利用分位点计算煤气流分布的经验分布函数,得到测温数据的小时分布概率。再运用灰狼算法优化支持向量回归(Support Vector Regression, SVR)模型的样本量和核参数,建立高炉煤气利用率预测模型。结果表明,在优化建模样本量和模型核参数的情况下,支持向量回归模型的预测精度更高,能够为高炉的优化控制和节能降耗提供有力支持。     

关于计算高炉煤气发生量经验公式与数据的探讨

在有高炉的冶金工厂进行企业能源平衡时,需要计算高炉煤气的发生量及回收量.在装有高炉煤气流量计的工厂,可以根据仪表的累计平均指数来确定高炉煤气的回收量,对于未装计量仪表的工厂,可以酌情取理论计算值或经验数据.如果有完整正确的原始数据,用物料平衡的方法计算高炉煤气理论发生量是要准确些,但因计算过程较复杂,需要的原始数据较多,所以一般厂矿的能源管理部门很少采用.另一种简单的计算办法是采用经验公式,这种方法比较简单,常为各厂所采纳.但现有的经验数据过于粗略,有的工厂采用这些数据算出的结果与理论计算值相差较大,这就不利于正确地估计这些工厂的高炉煤气发生量,在进行高炉煤气利用规划时就会有一定的偏差.因此本文     

基于智能模型的高炉煤气利用率预测

煤气利用率是影响高炉能量利用的关键参数,对高炉的稳定顺行有重要影响。在进行高炉生产参数时间间隔分析后,利用多种预测模型(自适应增强学习(Adaptive Boosting,AB)、随机森林(Random Forest,RF)、神经网络(Neural Network,NN))完成对煤气利用率的预测。首先,对高炉生产的历史数据进行收集整理;其次,在考虑高炉生产异常状态(如检修休风)下对特征参数完成预处理工作;最后,利用高炉参数间的时滞关系对煤气利用率建立预测模型,通过对预测模型的调参优化及评价,确定适合煤气利用率的预测模型,实现煤气利用率的提前预测,同时利用相同模型参数对原始数据集和预处理数据集进行预测并比较结果。结果表明,数据预处理对于预测结果的影响巨大,随机森林模型对煤气利用率的预测效果更好,可以用来指导高炉的实际生产。     

热风炉煤气消耗量灰色预测模型的开发

针对热风炉系统非线性、大滞后、大惯性,煤气消耗量难以有效预测的问题,以某高炉热风炉为研究对象,采用灰色模型对煤气消耗量进行预测。介绍了预测模型的建模方法、系统软件结构、预测模型的建立步骤,通过粒子群算法优化了模型参数,最后使用灰色模型对该高炉热风炉煤气消耗量进行预测,结果说明该方法预测准确,具有较强的实践意义,为调度人员准确把握煤气资源的波动趋势,进行优化调配提供了可靠依据,降低了能耗。     

莱钢2号高炉全干法布袋除尘降料线实践

对莱钢2号高炉全干法布袋除尘降料线实践进行了总结.根据布袋除尘的特点,分析了影响炉顶温度和煤气发生量的因素,合理控制降料线过程中的操作参数,使炉顶温度、煤气发生量、煤气压力控制在安全范围内,解决了全干法布袋除尘高炉降料线的技术问题.     

高炉内部气体流动与传热的模拟分析

分别建立了高炉内气体流动、传热的二维和一维数理模型,对高炉煤气流的流场、压力场和温度场进行了数值模拟,基于一维模拟温度结果预测了炉内气体成分变化,并分析了燃烧温度和鼓风速率对煤气流动及温度的影响。研究结果表明：简化的一维模型可适用于高炉煤气温度轴向变化的预测：鼓风速率和燃烧温度的变化影响软熔带的位置、炉内压力损失及炉顶煤气温度。在高炉实际操作中,合理的鼓风速率和燃烧温度是高炉炉况顺行的保障。     

基于分类和ARIMA-WT-LSTM模型的高炉煤气产生量预测

钢铁企业的高炉煤气产生量因工况变化和各种复杂因素的影响,存在波动周期幅度较大和大量随机扰动的现象,使得高炉煤气产生量精准预测困难。为解决该问题,通过分析高炉煤气产生量特点,利用数据的波动特性对历史数据进行分类,并利用整合滑动平均自回归模型(autoregressive integrated moving average model, ARIMA)、长短期记忆网络模型(long short-term memory, LSTM)和小波变换(wavelet transform, WT)建立了ARIMA-WT-LSTM模型,对高炉煤气产生量进行实时动态分类和预测。以某钢厂1号高炉实际数据为例进行了验证,结果表明,本文提出的混合模型预测的均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和平均绝对误差(mean absolute error, MAE)比未进行数据分类的ARIMA-WT-LSTM模型分别降低了12.86、2.88和10.91,验证了模型的有效性。     

钢铁企业副产煤气预测及优化调度

针对钢铁企业副产煤气系统产消量频繁波动,不平衡现象比较严重,供需之间的平衡程度对钢铁企业的生产成本、能源消耗情况影响较大,并且钢铁企业中工序、设备繁多,每道工序都涉及多种能源介质的问题,利用HP滤波、支持向量机分类（SVC）、最小二乘支持向量机(LSSVM)和Elman神经网络的特性建立了SVC-HP-ENN-LSSVM模型,并根据用能设备的能源利用特点和预测结果对副产煤气进行优化调度。模型应用表明：所建预测模型对煤气系统的预测平均相对误差小于4%,满足工业生产需要。根据预测结果进行的优化调度解决了煤气系统的不平衡问题,应用于钢铁企业典型工况,主工序可降低10%左右能耗,应用其自备电厂（一年按照330天计算）,可多产蒸汽约104148 t,节能约9998208 kg标煤。     

高炉煤气动态平衡法的提出与应用

提出采用动态平衡法，重新核算高炉煤气的发生量与使用量：随着炼铁生产力水平的提高，高炉煤气发生量增加，不同用户的用量在不同季节依照一定规律变化；使用煤气设备按能源平衡核定的不同工序消耗。以此为依据，建成缓冲用户3×35t/h锅炉掺烧煤气工程，效益显著。     

高炉煤气的综合利用与节能

一、概况我厂100米~3锰铁高炉,日产锰铁40—50吨,煤气发生量为40—50万米~3/天。过去由于文氏管处理能力低,只能回收45％的高炉煤气,造成大量荒煤气放散,严重污染环境,影响职工健康和农作物生长。按厂内定高炉