查看更多>> 摘要： 钢铁工业是国民经济支柱性产业,同时也是能源消耗排放大户.随着"碳达峰""碳中和"等目标的提出,钢铁行业绿色化势在必行.而在生产工艺与核心设备相对完备、固定的前提下,能源管控优化成为节能降耗、低碳运行的主要手段,相关方法技术自然也成为了行业的研究应用热点.针对钢铁工业能源系统管控优化问题,综述状态感知与趋势预测、运行优化与设备控制、调度决策与系统优化、平台研发与工程应用4个方面的研究进展,覆盖机理建模、数据驱动、工业互联网、人工智能等多个理论技术体系.最后,基于行业现状、结合发展趋势,总结归纳了钢铁能源管控优化的难点挑战与未来发展方向.
关键词： 钢铁工业 能源管控 状态感知 调度优化 运行优化 先进过程控制 工程应用
查看更多>> 摘要： 在钢铁企业的生产过程中,实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要.本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregres-sive integrated moving average model,RNN-k-ARIMA)混合预测模型,并用该模型预测转炉煤气柜位.其主要研究思路为:首先,利用小波阈值去噪方法去除柜位数据中的干扰噪声;其次,运用RNN模型训练去噪后的柜位数据,计算RNN模型预测结果与实际值的残差;再次,使用k-ARIMA模型对残差进行修正;最后,将修正后的残差与RNN模型预测的初值求和得到最终的预测结果.通过测试两个数据集,得到均方根误差ERMS(root mean square error,RMSE)分别为 0.206 142 和 0.146 249,平均绝对百分比误差 EMAP(mean absolute percentage error,MAPE)分别为 0.941 101 和 0.720 312,方向精度AD(directional accuracy,DA)均为 0.833 333.综合对比发现,相比于单独应用RNN模型与ARIMA模型,使用RNN-k-ARIMA混合模型预测转炉煤气柜位的精度更高、性能更好,弥补了传统时间序列模型和单一网络预测模型的不足.该混合预测模型可以为钢铁企业转炉系统的管理与调度提供科学的理论依据.
关键词： 小波去噪 RNN模型 k-ARIMA模型 混合预测模型 转炉煤气
43,53,62,70,80,92,108,125,132页
查看更多>> 摘要： 原料配制是烧结工艺的关键环节,不仅影响烧结成本,而且还关系到烧结矿质量.针对现有烧结配料方案优化目标相对单一、模型更新不太及时的问题,提出了基于XGBoost和反向自适应粒子群优化(reverse adaptive population particle swarm optimization,RAPPSO)算法的烧结配料智能优化方法,以优化烧结矿的TFe含量和成本.首先,依托数字孪生数据库提供的实时数据,建立基于XGBoost的烧结矿TFe含量在线预测模型.然后,提出了一种RAPPSO算法,该算法可以根据迭代次数自动调整反向种群大小,经过标准测试函数验证,该算法具有良好的收敛性和搜索能力.最后,综合考虑烧结矿TFe含量和配料成本来构建优化模型的目标函数,建立烧结配料智能优化模型并使用RAPPSO算法进行求解.经烧结数字孪生系统验证,该方法使配料成本降低8.27元/t,烧结矿TFe质量分数提升0.57％,这表明所提配料优化方法具有良好的性能.
关键词： 烧结配料 TFe含量 配料成本 智能优化 XGBoost RAPPSO
NETL
NSTL
万方数据
维普