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。     

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。     

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

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。     

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。     

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。     

钢铁联合企业CO2排放影响因素与减排措施分析

以某钢铁联合企业的产品生命周期清单模型为平台,同时利用Tornado Chart工具,计算得到对企业CO2排放影响较大的因素,然后分析得到此种结果的原因,提出相应的减排措施.结果表明:转炉流程对于钢铁企业的影响要大于电炉流程;对该企业CO2排放有重大影响和相关影响的因素是高炉煤气(BFG)的CO2排放系数,炼钢的铁水比和连铸的钢水单耗.相应的可以采取脱除BFG中CO2,降低炼钢的铁水比和优化产品结构选取环境负荷小的生产线等措施.     

基于Xgboost的高炉透气性指数预测模型

高炉透气性指数是高炉监控指标的一项重要参数,及时掌控高炉透气性指数的变化趋势并对其进行准确预测,对辅助操作者保持高炉的稳定顺行十分必要。基于某高炉现场实际生产数据,对原始数据存在异常值、缺失值等问题进行处理。利用Spearman、MIC(最大信息系数)和随机森林特征消除等特征选择方法对标准化后的数据选取特征变量,选用Xgboost模型进行预测。结果表明,Xgboost相较于随机森林和线性回归模型具有较大优势,模型在误差±1.5%范围内的准确率达到94.27%,能够准确预测下一小时透气性指数,及时指导高炉生产,保证高炉稳定顺行。     

基于HP(2)-ENN模型的高炉煤气发生量预测

针对钢铁企业高炉煤气发生量频繁波动,且难以通过建立机理模型进行预测的问题,结合HP滤波、Elman神经网络各自性质,建立了HP(2)-ENN模型对高炉煤气发生量进行预测。根据企业实际数据应用模型,结果表明,所建模型预测效果良好,与其他常用模型相比,适合高炉煤气发生量的预测,并为合理调度副产煤气提供操作依据。     

基于相关向量机样本选择的钢铁企业副产煤气系统预测

针对副产煤气系统的运行数据冗余度高、噪声强等特点，提出了一种基于相关向量机算法(relevance vector machine, RVM)的训练样本选择的副产煤气系统预测算法。鉴于RVM算法具有相关样本自动选择的特点，提出采用此算法对原始训练集数据进行训练，以获取的相关向量作为基本训练集；之后利用K近邻算法(K nearest neighbor, KNN)实现对基本训练集合的样本增强，并以此作为新的训练集，从而实现样本的去冗余，提高训练样本质量，提升算法效率与预测准确度。采用国内某钢铁厂高炉煤气数据进行试验，试验效果表明，本文所提的方法可有效针对高炉煤气数据进行样本选择，并以较快的模型训练效率获得较高的煤气柜柜容预测精度，预测结果可为钢铁煤气系统的优化调度工作提供基础。     

基于双旋流形式的烧结燃烧器结构优化

纯烧高炉煤气烧结燃烧器存在燃烧不稳定和脱火现象,降低了高炉煤气的燃烧效率。为了解决上述问题,提出一种新型双旋流燃烧器,模拟了该燃烧器内部的燃烧流动规律,并分析了双旋流形式对燃烧性能的强化效果。结果表明,模型可准确预测烧结料面处的温度分布,与现场实测数据的平均误差为5.3%;双旋流燃烧器可有效提升高炉煤气的燃烧效率,相比同工况下的单旋流燃烧器,其料面温度提高140 ℃,CO未燃率降低15.9%。研究结果可为现有烧结设备的性能提升和节能改造提供一种有效途径。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数(公式)用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150％左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R2达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R2分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁水质量单变量进行预测,并可为高炉冶炼过程中所产生的其他波动较大数据的单变量准确、高效预测提供参考方案。基于预测模型进行预测系统功能应用开发,能使操高炉操作人员直观了解高炉出铁质量各参数状况,对高炉出铁质量数据进行提前掌握,促进高炉稳定顺行。     

钢铁企业煤气产出和消耗动态模型

分析了钢铁企业副产煤气发生和使用的特点,针对每种副产煤气的发生设备和使用用户,分别建立了煤气产出和消耗动态模型,并对一个钢铁企业煤气的产出和消耗进行了实例计算,实例仿真结果表明:利用煤气产出和消耗动态模型计算的结果基本与实际数据吻合.提出增设高炉煤气柜或将高炉煤气引入转炉煤气柜以解决高炉煤气大量放散问题的措施;指出该厂由于副产转炉煤气中氧气体积分数较高,造成回收率较低;同时说明作业计划的准确以及计量仪表的精确是煤气动态仿真的重要因素.     

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。     

利用钢铁企业煤气制备化工产品的研究

提出了以钢铁企业富含碳资源的高炉煤气、转炉煤气和富含氢资源的焦炉煤气制备化工产品的技术路线。以高炉煤气制备甲醇的资源化路线为例,构建了煤气资源化利用的环境—经济评价模型,并就普通高炉煤气和全氧高炉煤气资源化利用的减排效果和经济性进行了评价和分析。高效的资源化利用,不仅可实现CO2减排,还可廉价地获得高附加值化工产品。采用全氧高炉煤气制备甲醇,CO2减排效果更为明显。     

钢铁-化工联产系统构建及未来发展趋势

钢铁生产过程中伴随产生大量的副产煤气：焦炉煤气(COG)、高炉煤气(BFG)和转炉煤气(LDG),煤气中含有的一氧化碳、甲烷、氢气等气态碳资源和氢资源是化工生产的良好原材料,目前副产煤气普遍走燃料化的道路,但未来的利用趋势是走向资源化。通过有效地回收富余的焦炉煤气、高炉煤气和转炉煤气并用于化工产品的生产,可以实现钢铁和化工企业协同节能降耗、低碳减排以及绿色发展。概述了国内外钢铁-化工联产及煤气资源化利用的研究与应用现状,提出钢化联产系统构建及评价方法,并对钢化联产系统未来的发展趋势进行了分析,以期为决策者制定相关政策提供理论指导,推动钢铁-化工联产工作有序开展,助力中国实现碳达峰、碳中和目标。     

宝钢单高炉生产阶段煤气系统的安全运行

宝钢的煤气包括高炉煤气(BFG)、焦炉煤气(COG)和转炉煤气(LDG)三种。煤气系统的任务是:合理控制各种煤气输配管理设备,如煤气柜、加压站、混合站、能源中心等,以达到合理平衡煤气、稳定系统压力、减少煤气放散,确保煤气的安全供应。在一高     

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。