钢铁企业高炉煤气产耗及柜位预测方法研究.pdf

摘要

摘要

高炉煤气是高炉炼铁工序的副产品，是钢铁企业重要的二次能源。对高炉煤气产耗

流量以及煤气柜柜位的准确预测，可以有效指导高炉煤气的调度和分配，提高煤气利用

率，减小因煤气放散而导致的环境污染和资源浪费。本课题针对高炉煤气受入流量、消

耗流量和煤气柜柜位的预测问题，进行了如下研究：

首先，梳理了钢铁生产工艺流程，从高炉煤气系统中各类产耗单元和煤气柜的特性

入手，深入分析了在正常生产场景和异常工况发生时，高炉煤气受入流量、消耗流量以

及煤气柜柜位的特点和预测难点，为高炉煤气产耗及柜位预测模型的建立奠定了理论基

础。

其次，针对高炉煤气受入流量和消耗流量受生产工况影响较大，单一模型难以准确

预测的问题，提出了一种基于特征聚类与XGBoost的高炉煤气产耗分类预测方法。首先，

提取历史时序数据的统计特征和样本熵特征构造多维特征集；其次，综合自组织映射

(SOM)神经网络和K-means算法的优点，提出一种SOM-K-means双重聚类方法对特征

集进行聚类；然后，基于聚类结果，针对每一类别的样本训练XGBoost分类-回归预测

模型；对于待预测数据，先使用XGBoost分类预测模型确定其所属类别，然后调用对应

类别的XGBoost回归预测模型进行预测。实例仿真结果验证了本文所提方法对高炉煤气

受入流量和消耗流量预测的准确性，4组测试样本的平均预测精度为93.45%。

再次，针对高炉煤气柜柜位影响因素繁多且非平稳性明显的特点，提出了一种基于

IJaya算法优化双重注意力Elman神经网络的高炉煤气柜柜位预测方法。使用特征和时

间双重注意力机制动态挖掘各个时间步的各个特征对煤气柜柜位预测的重要程度，为不

同时刻的各个输入特征动态分配注意力权重，进而构建双重注意力Elman神经网络预测

模型；使用反向学习策略和步长因子非线性衰减策略对Jaya算法进行改进，并使用改进

的Jaya算法(IJaya)对双重注意力Elman神经网络模型的初始权值、初始阈值以及初始注

意力权重矩阵进行优化。实例仿真结果验证了所提方法对高炉煤气柜柜位预测的有效

性，其5步、15步和30步预测的精度分别为97.6%、94.13%和90.51%。

最后，基于上述研究开发了高炉煤气产耗及柜位预测系统。首先分析系统的实际需

求，然后基于前后端分离的开发模式，利用React前端开发框架、Flask后端开发框架、

DB2数据库以及PyTorch深度学习框架等工具开发了B/S架构的高炉煤气产耗及柜位预

测系统，实现了信息管理、系统监测、煤气预测、模型在线更新等功能，为钢铁企业高

炉煤气的优化调度提供参考。

关键词：钢铁企业；高炉煤气；预测；XGBoost；Elman神经网络

Abstract

Abstract

BlastFurnaceGas(BFG)istheby-productofblastfurnaceiron-makingprocess,anditis

animportantsecondaryenergyinironandsteelenterprises.Theaccuratepredictionofthe

outputandconsumptionflowofBFGandthegasholderlevelcanguidetheschedulingand

distributionofBFGeffectively,andimprovetheutilizationrateofgas,andreducethe

environmentalpollutionandresourcewastecausedbygasemission.Inthispaper,the

followingresearchiscarriedoutonthe