前言

高炉煤气（简称BFG）是钢铁企业中最重要的二次能源之一，其回收利用水平与供需平衡程度对企业节能降耗有重要意义。近年来，‚随着节能、减排工作的推进及节能技术的普及，钢铁企业高炉煤气得到了有效利用，但由于煤气的生产与使用随时都在发生着变化，供需之间的不平衡现象总在发生。如何有效地预测煤气的供需变化关系，‚合理利用煤气、减少煤气放散，成为近年来研究的热点。

1. 高炉煤气（BFG）

高炉煤气是高炉生产中焦炭经气化后转变而得的‚是高炉炼铁的副产品。每炼一吨生铁可产生热值为 3300～4100kJ/m33300～4100kJ/m^33300～4100kJ/m3的高炉煤气1300～1600m31300～1600m^31300～1600m3¹。虽然高炉煤气是一种低热值的燃料，但由于钢铁企业巨大的发生，因此产生的能源价值是相当可观的。同时由于煤气的放散产生大量有害气体和粉尘，将对大气造成污染。而热风炉换炉送风可使高炉煤气的发生量和压力大幅度波动，突发的大量煤气过剩或紧缺容易导致设备熄火和用户停产。所以‚高炉煤气供应量与需求量之间的平衡以及优化调度，对科学合理地分析钢铁企业的能源消耗，完善制定高炉煤气生产计划，维护系统安全，实现节能减排，从而提高企业的综合实力具有重要的意义²。

高炉煤气是钢铁企业煤气量最大的一种宝贵能源。高炉煤气的主要可燃成分为COCOCO，约占30%30\%30%，还有少量的H2H_2H2和CH4CH_4CH4，其余为不可燃的N2N_2N2及CO2CO_2CO2，故其发热值较低。高炉煤气是一种无色、无味、有毒的低热值气体燃料，加热高炉煤气的设备必须保持严密。高炉煤气的高温气体易于充满炉膛，温度分布均匀，可以用于冶金企业的自用燃气，如加热热轧的钢锭、预热钢水包等。也可以供给民用，如果能够加入焦炉煤气，就叫“混合煤气”，这样可以提高热值。高炉煤气从高炉出来时含有大量的粉尘，约为15～80g/m315 ～80g/m^315～80g/m3。

2. 高炉煤气产量

2.1 直接计算方法

高炉煤气的发生量一般是根据高炉中碳的平衡来计算的，公式如下³：

V煤气=C焦+C油+C煤+C熔+C料−C铁−C尘1222.4(CO2+CO+CH4)(1)V_{煤气}=\frac{C_焦+C_油+C_煤+C_熔+C_料-C_铁-C_尘}{\frac{12}{22.4}(CO_2+CO+CH_4)} \tag{1} V煤气=22.412(CO2+CO+CH4)C焦+C油+C煤+C熔+C料−C铁−C尘(1)
式中：
V煤气V_{煤气}V煤气——每吨生铁发生的高炉煤气量，m3/t生铁m^3/t_{生铁}m3/t生铁；
C焦、C油、C煤C_焦、C_油、C_煤C焦、C油、C煤——分别为每吨生铁消耗的焦炭、油、煤中的固定碳，kg/t生铁kg/t_{生铁}kg/t生铁；
C熔C_熔C熔——每吨生铁消耗的溶剂中的固定碳，kg/t生铁kg/t_{生铁}kg/t生铁；
C料C_料C料——炉料（废铁、烧结矿等）中的含碳量，kg/t生铁kg/t_{生铁}kg/t生铁；
C铁C_铁C铁——生铁中的含碳量，kg/t生铁kg/t_{生铁}kg/t生铁；
C尘C_尘C尘——炉尘中的含碳量，kg/t生铁kg/t_{生铁}kg/t生铁；
CO2、CO、CH4CO_2、CO、CH_4CO2、CO、CH4——煤气中这些成分的相应的体积百分数；
高炉煤气的总产量 = 生铁产量 x 高炉煤气吨钢铁产量

2.2 预测法

高炉煤气的产耗涉及很多因素，经过研究历史数据发现煤气量与相关因素的线性关系并不明显。基于此特点，采用非线性的预测方法，能较为有效地描述系统的特征，得到相对准确的预测结果。在众多的预测方法中，人工神经网络算法有其独特的优越性‚，非线性是神经网络的一个非常重要的性质，除此之外，神经网络还有非常强的容错性及大规模并行分布式结构，自学习、自组织、自适应能力（智能处理能力较强）。

高炉冶炼过程是个复杂的物理、化学反应过程，从炉顶装入的铁矿石、焦炭和石灰石等物料经过与预热的空气（常伴随喷吹物如富氧、煤粉等）在高炉内部发生还原反应，最终生成铁水和炉渣，并从炉顶放出煤气。可见，高炉煤气生产过程受多种因素制约，为了准确预测高炉煤气发生量，这里以某钢铁企业1#高炉10月份实际生产数据为统计样本，经过灰色关联度分析得到各因素与煤气量的关系，见表1。由表1可见，影响高炉煤气发生量的主要因素为鼓风量、焦比、风压和煤比等，将关联度大于0.6的影响因素作为预测模型的输入值，建立人工神经网络模型，选择其中的模拟人脑神经元输入输出型多层前馈网络模型（即 BP网络模型）。

如果BP网络的输入层、隐含层和输出层的单元个数分别为 n、q、mn、q、mn、q、m。则该三层网络可表示为BP(n，q,m)BP(n，q, m)BP(n，q,m)，利用该网络可实现nnn维输入向量Xn=(X1,...,Xn)TX^n=(X_1,...,X_n)^TXn=(X1,...,Xn)T到mmm维输出向量Zm=(Zi,...,Zm)TZ^m=(Z_i,...,Z_m)^TZm=(Zi,...,Zm)T的非线性映射关系。在煤气产量预测模型中，有三层BP网络，输入节点xix_ixi，隐含层节点yjy_jyj，输出层节点zlz_lzl。输入节点与隐含层节点的网络权值为wijw_{ij}wij，隐含层节点与输出节点的网络权值为vjlv_{jl}vjl，θj\theta_jθj隐含层第j单元的激活阈值，θl\theta_lθl输出层第kkk单元的激活阈值，激活函数f(x)=11+e−xf(x)=\frac{1}{1+e^{-x}}f(x)=1+e−x1。当输出节点的期望值为时tlt_ltl,模型的计算公式如下⁴:

隐含层节点的计算输出：
yj=f(∑iwijxi−θj)=f(netj)(2)y_j=f(\sum_{i}w_{ij}x_i-\theta_j)=f(net_j)\tag{2} yj=f(i∑wijxi−θj)=f(netj)(2)
输出层节点的计算输出：
zl=f(∑jvjlyj−θl)=f(netl)(3)z_l=f(\sum_{j}v_{jl}y_j-\theta_l)=f(net_l)\tag{3} zl=f(j∑vjlyj−θl)=f(netl)(3)
输出节点的误差：
E=12∑l(tl−zl)2=12∑l(tl−f(∑jvjlf(∑iwijxi−θj)−θl))2(4)E=\frac{1}{2}\sum_{l}(t_l-z_l)^2=\frac{1}{2}\sum_{l}(t_l-f(\sum_{j}v_{jl}f(\sum_{i}w_{ij}x_i-\theta_j)-\theta_l))^2\tag{4} E=21l∑(tl−zl)2=21l∑(tl−f(j∑vjlf(i∑wijxi−θj)−θl))2(4)
所建立的高炉煤气发生量BP网络模型输入层节点为666，输出层节点为111，经计算得隐层节点为101010，中间层采用双曲正切函数（tansigtansigtansig型函数），输出层采用了线性函数（purelinpurelinpurelin函数）。结果见下图1，将预测结果与实际值相比较，可得最大误差为7.9%7.9\%7.9%，平均误差为3.1%3.1\%3.1%，误差绝对值在3%3\%3%以内的观测点占综述的54.5%54.5\%54.5%，可见模型精度较高，可用于实际工程分析。

3. 高炉煤气耗量

在钢铁企业中，高炉煤气大部分作为工业炉窑的燃料使用，主要的用户有高炉热风炉，其煤气消耗约占高炉煤气回收总量的40%40\%40%，其次是焦炉、轧钢加热炉和烧结等用户。
高炉热风炉的工作周期包括燃烧期、送风期和换炉三个阶段，只有燃烧期才消耗煤气。因其工作周期短、工作周期内三个阶段互换频繁，导致煤气消耗量波动频繁，且波动幅度大。本文根据建立的预测模型，对热风炉煤气消耗量进行预测，结果如图2。经与实际值比较，可得最大误差为9.6%9.6\%9.6%，平均误差为5.8%5.8\%5.8%。
对于焦炉、轧钢加热炉及烧结等用户，由于煤气消耗量与相应的影响因素关系相似，因此，本文建立神经网络模型对高炉煤气消耗量进行预测，并以焦炉为例进行说明。焦炉在冶炼周期内煤气消耗量基本稳定，只是在检修时，会出现小幅度波动，这里选取焦炭产量，配合煤消耗量作为高炉煤气消耗的影响因素（因素是否选得太少了？），建立BP神经网络模型,输入层节点为⒉⒉⒉，输出层节点为111，计算得隐层节点为5,对此模型进行检验训练后，预测结果见图3。将预测结果与实际值相比较，可得最大误差为6.99%6.99\%6.99%，平均误差为2.87%2.87\%2.87%，结果可信。

4. 高炉煤气系统

4.1 高炉煤气系统产耗预测

高炉煤气系统产耗预测模型如下：
∑inQp=∑ikQc+∑iζQb+∑iγQe(5)\sum_{i}^nQ_p=\sum_{i}^kQ_c+\sum_{i}^\zeta Q_b+\sum_{i}^\gamma Q_e \tag{5} i∑nQp=i∑kQc+i∑ζQb+i∑γQe(5)
其中，∑inQp、∑ikQc、∑iζQb、∑iγQe\sum_{i}^nQ_p、\sum_{i}^kQ_c、\sum_{i}^\zeta Q_b、\sum_{i}^\gamma Q_e∑inQp、∑ikQc、∑iζQb、∑iγQe分别表示高炉煤气系统总发生量、总消耗量、煤气系统调节与缓冲总量、系统总放散量，km3/hkm^3/hkm3/h。
模型以一个月为时间周期，各工序设备预测模型以企业实际运行数据、生产计划以及检修计划为依据，预测结果如图4。
从图4可见，在高炉计划检修导致煤气减产情况下，煤气用户满负荷生产，导致煤气出现不足；而在高炉煤气供应较多时段，热轧厂却进行了计划检修，导致煤气出现大量富余。可通过调整生产计划，调节高炉的修风时间与热轧用户的检修时间等，合理制定煤气利用策略，进而最大限度地节约能源。同时，也为有效利用富余煤气，选择合适的缓冲用户，如煤气柜、CCPP、燃气锅炉或自备电站锅炉等创造了调节。因此，煤气产耗的科学预测是实现煤气在线调度、优化分配的基础，是完善钢铁企业能源管理中心预测功能、优化功能的重要部分，必将发挥重要作用。

4.2 高炉煤气的综合优化

（1）综合分析高炉煤气的静态平衡和动态平衡
钢铁企业高炉煤气综合平衡主要分为静态平衡和动态平衡。静态平衡是以计划或规划为主，对一段时间内的高炉煤气供、求量，如年、月、周、日平衡，结合期间生产计划、检修计划或技改项目等影响因素，进行预测性地平衡；动态平衡则是指高炉煤气压力、流量、热值随着生产过程波动而波动，需要采取的即时平衡。静态平衡是宏观指导，动态平衡随生产状况而变动。使高炉煤气的产出和使用达到动态平衡，减少或消除煤气放散，是高炉煤气平衡的目的，只有综合分析影响平衡的各要素，并在实践中不断积累，将生产管理、技术改造等各环节密切配合，才能达到好的效果。

（2）设置煤气柜及高炉煤气缓冲用户
高炉煤气系统缓冲量的确定通常根据高炉煤气的产量和储气柜容量大小而定，一般不应低于总产量的5%～10%5\%～10\%5%～10%。高炉煤气发生量和用户消耗量之间的平衡始终是变化的，高炉煤气缓冲用户和煤气储气柜是具有消化和补充能力的装备。高炉煤气缓冲用户就是在最佳的高炉煤气平衡模式即高炉煤气充足时利用高炉煤气；而当气源厂检修或高炉煤气不足时，缓冲用户可燃用其它燃料。煤气柜在管网中的作用是补偿因高炉煤气产耗波动造成的不平衡，一方面它可以储存系统中的过剩高炉煤气，另一方面当系统中的高炉煤气不足时，为保证生产线的正常运行，将柜中煤气补充到管网中。应建立与高炉煤气管网中小时流量相一致的大容量煤气柜，使其发挥自动削峰填谷的作用。
建立吞吐量较大的高炉煤气缓冲用户和煤气储气柜，对高炉煤气系统供应的不足或过剩有较强的吐纳能力，可以充分有效地利用已有资源，将高炉煤气波动减小到最低限度。

（3）建立高炉煤气调控中心
煤气调度中心是企业煤气生产、输送、分配和动态调控强有力的机构。高炉煤气集中控制系统的建立，实现了对检测点进行采样，通过计算机网络将采集的信息传输到能源管理中心进行集中处理、显示、累计和打印。另外对全厂的高炉煤气用量进行预测，并与煤气的回收情况结合起来进行合理调度和控制，从而有效地利用高炉煤气，减少放散，可以最大限度地节约能源。
煤气调度中心不仅能对全厂各个时期的煤气供需情况加以分析和整理，对全场的煤气调度起到指导作用，而且能在某时段煤气供应出现问题时，依照获得最大效益的原则，分出轻重缓急进行调控。从而保证了高炉煤气的安全生产和合理分配使用。
1）用户流量分配原则。高炉煤气的用户较多，主要有高炉、焦炉、轧钢、电厂、燃气轮机、低压锅炉等。根据生产工艺和设备特点，高炉煤气用户分为固定用户和调整用户，固定用户主要是轧钢、高炉等用户。高炉系统消耗量较大，所以在热风炉换向时它的波动对高炉煤气平衡有重要影响，燃气轮机只消耗高炉煤气，低压锅炉具有多种燃料组合模式，调节比较灵活；电厂是最重要的调整用户，吞吐能力约0～80万m3/h0～80万m^3/h0～80万m3/h ，这给煤气调配创造了极其有利的条件。
2）高炉煤气失衡调整。对于热风炉换炉、轧钢生产节奏变化、轧钢机组故障引起的波动，可以改变电厂使用量，改变低压锅炉的燃料组合模式；对于高炉临时减风或休风引起的煤气大量不足，一般可以减少或停止电厂使用量取得平衡。
3）煤气平衡预调整。物流对能耗的影响很大，生产节奏的变动，不仅影响到生产单元的能耗，还可能影响整个煤气系统的平衡。应与生产、炼钢、炼铁、轧钢等调度保持密切联系，主动把握炼钢的吹炼、轧钢的轧制等生产计划,预测其对高炉煤气系统造成的影响。
4）燃气一热力一电力综合平衡。在蒸汽发生设备中，有许多可以发电，而且发电量与蒸汽发生量可以相互调节，这给燃料最优配置提供了条件。煤气紧张时，可指令CDQ少发电多产蒸汽、电厂产蒸汽来降低低压锅炉的负荷，从而减少其煤气耗量。

总结

本文主要是对下面几篇文献的汇总。
邱东, 陈爽, 仝彩霞,等. 钢铁企业高炉煤气平衡与综合优化[J]. 计算机技术与发展, 2009, 19(3):196-199.
张琦,谷延良,提威,等. 钢铁企业高炉煤气供需预测模型及应用[J]. 东北大学学报（自然科学版）,2010,31(12):1737-1740.

顾洁, 王少军. 高炉煤气利用的研究[J]. 冶金能源, 2006, 25(1):32-34. ↩︎
邓万里,陈伟昌. 宝钢高炉煤气系统平衡实践[J]. 宝钢技术, 2003(2):31-33. ↩︎
吕佐周．冶金燃气[M]．北京：冶金工业出版社,1985:25-26． ↩︎
董长虹．Matlab 神经网络与应用[M]．北京：国防工业出版社‚,2005:68-71． ↩︎

高炉煤气的产耗预测研究相关推荐

基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文
基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文摘要研究背景研究现状研究意义与所作工作: 第二章生物学应用背景模体的概念模体的表示方法模体序列特异性的评价方法第三章深 ...
径向基函数神经网络_基于RBF神经网络的网络安全态势感知预测研究
点击上方"网络空间安全学术期刊"关注我们基于RBF神经网络的网络安全态势感知预测研究钱建, 李思宇摘要针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章 ...
基于深度学习的视频预测研究综述
原址:http://html.rhhz.net/tis/html/201707032.htm (收集材料ing,为论文做准备)[综述性文章,,,可以做背景资料] 莫凌飞, 蒋红亮, 李煊鹏摘要:近年 ...
基于SARIMA-LSTM的门诊量预测研究
基于SARIMA-LSTM的门诊量预测研究卢鹏飞1, 须成杰2, 张敬谊1, 韩侣3, 李静1 1 万达信息股份有限公司,上海 201112 2 复旦大学附属妇产科医院,上海 200090 3 长春 ...
航空器滑行时间预测研究（一）---定义及影响因素
写在前面:hello everybody, welcome back to my channel!!!哈哈哈又来写博客了,其实距离上一篇博客的发布已经快一年的时间了,本来这篇博客是想跟大家介绍一下宏观 ...
matlab能输入铁心参数,变压器铁心剩磁预测研究
变压器铁心剩磁预测研究 [摘要]:变压器合闸时,因为铁心剩磁及合闸偏磁的共同作用,使铁心半周饱和,进而导致励磁涌流的产生,其幅值可达变压器稳态运行电流的6-8倍甚至更多,并会对继电保护装置以及一次设备 ...
基于BP-Adaboost神经网络的高斯函数模型预测研究-含Matlab代码
目录一.引言二. 预测建模及原理 2.1 BP 神经网络模型 2.2 BP-Adaboost 模型三.模型预测结果对比 3.1 数据模拟 3.2 预测结果对比四.参考文献五.Matlab代码 ...
【ML】基于机器学习的心脏病预测研究(附代码,lightgbm模型)
Hello,大家好,我是augustqi.今天手把手带大家做一个机器学习实战项目:基于机器学习的心脏病预测研究.多的不说,少的不唠,下面开始今天的教程. 以下内容,完全是我根据参考资料和个人理 ...
【ML】基于机器学习的心脏病预测研究(附代码和数据集，多层感知机模型)
写在前面: 首先感谢兄弟们的订阅,让我有创作的动力,在创作过程我会尽最大努力,保证作品的质量,如果有问题,可以私信我,让我们携手共进,共创辉煌. 之前创作过心脏病预测研究文章如下: [ML]基于机器学 ...

高炉煤气的产耗预测研究

前言