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。     

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。     

基于HP-Elman-LSSVM模型钢铁企业自备电厂煤气供入量预测及优化调度

 钢铁企业自备电厂是副产煤气的主要缓冲用户,在消纳富余煤气、减少煤气放散、实现煤气平衡方面发挥着极为重要的作用。充分考虑自备电厂煤气供入量特点,建立了HP-Elman-LSSVM预测模型,并根据自备电厂能源利用的特点,建立拟合模型求解自备电厂锅炉的经济运行负荷,在此基础上对供入自备电厂的煤气进行优化调度。将该模型应用于具体企业,实现了钢铁企业自备电厂煤气预测和优化调度。模型应用表明：所建模型对自备电厂煤气供入量30、45、60个点的预测平均相对误差分别为1.9%、1.4%、1.4%,能有效解决实际生产中自备电厂煤气供入量预测不准问题。并通过煤气优化调度,自备电厂可大幅度提升蒸汽产率,应用企业每年可多产蒸汽约8.1322万t,折合节约标煤9443.955t。     

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。     

基于大系统思想的钢铁企业煤气优化调度问题探讨

能源优化调度问题比较复杂,各方研究者往往是根据具体课题和具体厂家、在各自有限的范围内建模分析.本文以钢铁企业的主要副产能源煤气作为考察对象,归纳总结煤气优化调度规律,并结合钢厂实际和生产工艺建立了数学规划模型.最后以某钢铁企业为背景,用实验证明了该模型能很好地按照目标函数对煤气进行有效调度,实现煤气放散量最少和能源成本最小.     

钢铁企业冶金煤气动态预测与优化调度技术项目通过技术鉴定

2009年2月6日，钢铁企业冶金煤气动态预测与优化调度技术项目通过了由中国金属学会组织的技术专家评价会鉴定。     

钢铁企业副产煤气短周期优化调度模型

 在钢铁生产过程中,消耗的煤炭大约34%会转化为副产煤气。为了提高副产煤气能源利用率,以钢铁企业副产煤气系统为研究对象,利用混合整数线性规划法（mixed integer linear programming,MILP）,以操作成本最小化为目标函数,以物料平衡、能量平衡、设备操作参数限制等为约束条件建立富余煤气优化调度模型。与前人的模型相比,对锅炉模型进行改进,不仅提高锅炉模型的调节精度,而且更接近实际情况。此外,为了研究煤气柜和锅炉稳定性,引入煤气柜总标准偏移量（sum of standard deviation volume,[SSDV）]惩罚因子和锅炉总改变量（sum of switching percentage,[SSP）]惩罚因子,并用帕雷托最优法理论确定出最佳的[SSDV]和[SSP。]结果表明,新的优化模型能很好地降低煤气柜和锅炉的波动,维持煤气系统的平稳运行。     

钢铁企业能源管理系统智能优化调度解析

近些年,在两化融合的战略目标下,以信息化带动工业化,钢铁工业在生产过程自动化、智能化、管理信息化和管控一体化等方面都取得了长足进步。利用最前沿新兴的信息技术改造传统产业,钢铁冶金行业起步得较早。同时,也通过新技术持续引进和转移,增强了钢铁行业的自动化技术和水平,走向世界。在冶金工业自动化过程中,传统的电控、仪控和通讯系统正被先进的一体化系统所取代。这些一体化系统集回路调节、顺序控制、传统控制、多媒体应用为一体,以现代控制理论为依据而建立。仿真技术、人工智能技术等,在钢铁工艺各个环节的应用中已取得重大突破,能源监管系统和可视化监控系统在企业生产,经营活动中发挥高效作用,过程控制系统（PCS）、企业资源规划系统（ERP）、能源管控系统（EMS）等系统广泛应用于钢铁企业管理中。因此,文章主要对钢铁企业能源管理系统智能优化调度进行认真思考,以作参考。     

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Rounding off,PPR)的粒子表示法和基于PPS PPR的混合粒子表示法;讨论了PPS PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。     

考虑管网约束的钢铁企业煤气多周期优化调度模型(待续)

在已有钢铁企业煤气优化调度模型的基础上,引入参数矩阵表征设备间的连接关系,以此构建煤气网络拓扑;针对混合煤气用户,建立了比较接近实际的煤气系统优化调度模型。某钢铁企业的简化煤气管网系统计算结果表明,所建模型可以比较全面地反映煤气产生、分配、混合与消耗等环节,能同时对多种煤气在多个调度周期内进行优化调度,保障生产用户能量供应和热值要求,避免混合煤气用户的热值波动,充分利用缓冲用户的缓冲能力,减小煤气放散。     

VD炉钢水温度预报模型

在建立VD炉温度预报神经网络模型过程中 ,考察了影响目标温度的因素 ,并应用模式识别方法对各因素进行特征分析与筛选 ,删除了其中三个不必要的变量 :吹氩量、VD罐冷却时间以及VD罐上炉使用时间 .用筛选后的样本训练神经网络 ,预报精度有 1 5 %左右的提高 .模型在线连续预报了 76炉次 ,预报温度与实际测量温度之差在± 4℃、± 5℃之内的炉次分别占 67 1 %与80 3 % .     

用人工神经元方法预报IF钢性能

用人工神经元方法分析IF钢性能与成分、加工工艺之间关系.通过实验与现场数据训练1个前向网络的考核结果表明,该方法是用于大生产中IF钢成分与工艺设计的有效方法.     

钢铁企业能耗预测系统的设计

基于湘钢历年每月总能耗数据,运用BP神经网络算法建立数学模型,用M ATLAB作为后台数据处理工具,用VB与M ATLAB的混合编程开发了钢铁企业能耗预测系统。预测值与实际能耗量的相对误差很小:最大相对误差为3.016%,最小相对误差仅为0.084%,平均相对误差为1.336%,系统具有较好的预测效果。     

基于特征量和神经网络的钢管缺陷预测模型

分析了钢管缺陷几何大小与缺陷漏磁信号(MFL)特征量之间关系，建立了一组全方位的钢管缺陷信号特征量，并将人工神经网络理论和算法应用于钢管缺陷预测。通过实验取得样本，在对网络进行训练的基础上，建立了基于钢管缺陷漏磁信号特征量和神经网络的缺陷预测模型，继而根据漏磁信号对缺陷进行定量预测。给出了实验结果，结果表明采用这种方法能够较好地实现管道缺陷的定量识别。     

动力配煤线性预测与非线性预测方法研究

分别采用线性加权平均、线性拟合、BP神经网络和Elman神经网络方法建立煤质特性预测模型,对混煤煤质特性进行预测.将四种方法的预测结果进行分析比较,辨别混煤煤质特性与各单煤煤质特性间的线性与非线性关系.分析表明:混煤的发热量、水分、灰分和硫分与各单煤相应煤质特性具有简单的线性关系.其中,发热量、水分和硫分的线性拟合预测结果优于线性加权平均预测结果;混煤挥发分与各单煤挥发分之间呈非线性关系,Elman神经网络预测效果最佳.     

气瓶钢性能预测的研究

紧密结合宝钢的生产实际，根据现场的实绩数据，应用ANN理论建立了气瓶钢性能预测模型，该系统的建立，可以减少生产作业工序和金属损耗，降低生产成本，增加经济效益。     

辊底式热处理炉钢板温度预报模型的研究及应用

 为了提高辊底式热处理炉的钢板温度预报精度,采用了遗传神经网络的方法,运用大量的现场实际数据进行训练和仿真,建立了钢板温度预报模型,并将结果应用于计算辊底式热处理炉钢板温度的数学模型中。结果表明,所建立的模型简单、精度高,能够满足在线应用的要求。     

基于PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于Elman神经网络的炉卷轧机的轧制力预报

为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。