基于时序注意力网络的高炉煤气预测方法

现场充分利用高炉煤气(BFG)可有效降低一次能源的消耗,但高炉现场工况不断变化,煤气供需关系时刻处于不平衡状态,导致煤气放散现象仍然存在。为了提高煤气利用率,提出一种基于时序注意力(T-Attention)网络的BFG预测方法。该方法首先结合高炉冶炼机理和最大互信息系数(MIC)选取影响BFG含量的关键因素;然后针对采集数据中存在随机扰动,利用小波分析去除数据中的噪声;且在建模过程中,利用门控循环单元(GRU)捕捉多变量数据中周期性波动规律,同时融入注意力机制实时计算每个样本中各变量与预测值之间耦合关系并进行权重分配,提高模型动态自适应能力和解读性;最后利用某钢铁厂高炉现场数据进行验证。结果表明,T-Attention网络模型预测效果优于传统方法,能够准确预测BFG中的指标,为后期BFG调度以及节能减排提供及时准确的决策参考。     

焦化换向过程烟气脱硝扰动建模与前馈控制

焦化烟气脱硫脱硝一体化装置在炼焦换向过程中存在大量能源浪费,为了解决这一问题,针对焦化独有的换向过程,深入分析此过程中NO_x浓度变化的原因;提出一种利用数据驱动辨识对换向过程入口和出口NO_x浓度的扰动进行建模的方法,基于某焦化厂2座55孔6 m顶装焦炉废气的实测数据进行了验证,并得到入口、出口NO_x浓度损失的关系模型;基于所建NO_x扰动模型,针对不同的NO_x浓度设定值,设计前馈控制系统并分别求取换向过程臭氧的前馈控制率,通过仿真计算得出节省的电耗成本,表明了工作的必要性。