增刊1 张海宁等：炼钢过程中煤气预测及优化系统 17 需不平衡调度情况. 素有铁水消耗量、炼钢产量、氧气消耗量和废钢消 耗量. 2石钢煤气预测模型 表1、表2分别为高炉煤气、转炉煤气发生量预 2.1模型所运用的数学思想 测模型中的各个分量 (1)灰色关联分析法.在对钢铁企业煤气发生 表1高炉煤气发生量预测模型各分量 量与消耗量进行预测时，由于工艺复杂性影响因素 Table 1 Components in the volume prediction model of gas produced by 众多难以获得充分全面的与之相关的信息，因此采 BF 用灰色关联分析方法对其进行相关因素分析，找出 参量 含义 主要影响因子. L1 炼铁厂产量 灰色关联分析，是一种用灰色关联度顺序来描 12 焦炭消耗量 输入向量 述因素间关系的强弱、大小和次序的多因素分析技 13 烧结矿消耗量 14 术，基本思想是根据系统动态过程发展态势，即系统 球团矿消耗量 输出变量 N 高炉煤气发生量 历年有关统计数据的几何关系及其相似程度，来判 断其关联程度 表2转炉煤气发生量预测模型各分量 (2)回归分析.回归分析是一种应用广泛、理论 Table 2 Components in the volume prediction model of gas produced by 性较强的定量预测方法.它的基本思路是分析预测 BOF 对象与有关因素的相互联系，用适当的回归方程表 参数 含义 达出来，然后再根据数学模型预测其未来状态，有较 LI 铁水消耗量 严密的理论基础和较成熟的计算分析方法) 12 炼钢产量 输入向量 13 氧气消耗量 (3)人工神经网络.煤气用户用气需求量的随 14 废钢消耗量 机性、多样性和时变性同时存在，而传统预测方法的 输出变量 nI 转炉煤气发生量 数学模型往往无法精确地描述用气量与影响因素之 间错综复杂的关系，在解决这方面的问题上，人工神 2.3 煤气消耗预测模型 经网络中的前向网络模型(BP网络模型)具有独到 该模型结合生产计划、检修计划等影响因素，对 的优势 一 段时期的煤气消耗量进行预测.预测对象：烧结 BP算法的基本思想是，学习过程由信号的正向 厂、炼铁厂、燃烧炉、转炉炼钢车间、电炉炼钢车间、 传播与误差的反向传播两个过程组成的.正向传播 轧钢厂、白灰窑和热电联产等 时，输入样本从输入层传入，经各隐层逐层处理后， 由灰色关联分析方法可知烧结厂煤气消耗量的 传向输出层.若输出层的实际输出与期望的输出不 主要因素有烧结矿产量、铁矿石消耗量、白灰消耗量 符，则转入误差的反向传播阶段.误差反传是将输 和焦丁粉消耗量：炼钢厂煤气消耗量的主要因素有 出误差以某种形式通过隐层向输入层逐层反传，并 钢水产量、钢铁料消耗量. 将误差分摊给各层的所有的单元，从而获得各层单 表3、表4分别为烧结厂、炼钢区煤气消耗量预 元的误差信号，此误差信号即作为修正各单元权值 测模型中的各个分量. 的依据.这种信号正向传播与误差反向传播的各层 表3烧结厂煤气消耗量预测模型各分量 权值调整过程，是周而复始进行的.权值不断调整 Table 3 Components in the gas consumption volume prediction model of 的过程，也是网络的学习训练的过程.此过程一直 the sintering plant 进行到网络输出的误差减少到可以接受的程度，或 参量 含义 预先设定的学习次数为止[6 L1 烧结矿产量 2.2煤气发生预测模型 12 铁矿石消耗量 输入向量 13 白灰消耗量 该模型结合生产计划、检修计划等影响因素，对 L4 焦丁粉消耗量 一段时期的煤气发生量进行预测.预测对象：高炉 输出变量 NI 烧结厂煤气消耗量 煤气、转炉煤气 由灰色关联分析方法可知影响高炉煤气发生量 由灰色关联度分析方法得知热风炉煤气消耗量 的主要因素有炼铁厂产量、焦炭消耗量、烧结矿消耗 的主要因素是鼓风量；燃烧炉、白灰窑煤气消耗量的 量和球团矿消耗量：影响转炉煤气发生量的主要因 主要因素都是产量.由于影响因素单一，且煤气消增刊 1 张海宁等: 炼钢过程中煤气预测及优化系统 需不平衡调度情况． 2 石钢煤气预测模型 2. 1 模型所运用的数学思想 ( 1) 灰色关联分析法． 在对钢铁企业煤气发生 量与消耗量进行预测时，由于工艺复杂性影响因素 众多难以获得充分全面的与之相关的信息，因此采 用灰色关联分析方法对其进行相关因素分析，找出 主要影响因子． 灰色关联分析，是一种用灰色关联度顺序来描 述因素间关系的强弱、大小和次序的多因素分析技 术，基本思想是根据系统动态过程发展态势，即系统 历年有关统计数据的几何关系及其相似程度，来判 断其关联程度［4］． ( 2) 回归分析． 回归分析是一种应用广泛、理论 性较强的定量预测方法． 它的基本思路是分析预测 对象与有关因素的相互联系，用适当的回归方程表 达出来，然后再根据数学模型预测其未来状态，有较 严密的理论基础和较成熟的计算分析方法［5］． ( 3) 人工神经网络． 煤气用户用气需求量的随 机性、多样性和时变性同时存在，而传统预测方法的 数学模型往往无法精确地描述用气量与影响因素之 间错综复杂的关系，在解决这方面的问题上，人工神 经网络中的前向网络模型( BP 网络模型) 具有独到 的优势． BP 算法的基本思想是，学习过程由信号的正向 传播与误差的反向传播两个过程组成的． 正向传播 时，输入样本从输入层传入，经各隐层逐层处理后， 传向输出层． 若输出层的实际输出与期望的输出不 符，则转入误差的反向传播阶段． 误差反传是将输 出误差以某种形式通过隐层向输入层逐层反传，并 将误差分摊给各层的所有的单元，从而获得各层单 元的误差信号，此误差信号即作为修正各单元权值 的依据． 这种信号正向传播与误差反向传播的各层 权值调整过程，是周而复始进行的． 权值不断调整 的过程，也是网络的学习训练的过程． 此过程一直 进行到网络输出的误差减少到可以接受的程度，或 预先设定的学习次数为止［6］． 2. 2 煤气发生预测模型 该模型结合生产计划、检修计划等影响因素，对 一段时期的煤气发生量进行预测． 预测对象: 高炉 煤气、转炉煤气． 由灰色关联分析方法可知影响高炉煤气发生量 的主要因素有炼铁厂产量、焦炭消耗量、烧结矿消耗 量和球团矿消耗量; 影响转炉煤气发生量的主要因 素有铁水消耗量、炼钢产量、氧气消耗量和废钢消 耗量． 表 1、表 2 分别为高炉煤气、转炉煤气发生量预 测模型中的各个分量． 表 1 高炉煤气发生量预测模型各分量 Table 1 Components in the volume prediction model of gas produced by BF 参量 含义 L1 炼铁厂产量 输入向量 L2 焦炭消耗量 L3 烧结矿消耗量 L4 球团矿消耗量 输出变量 N1 高炉煤气发生量 表 2 转炉煤气发生量预测模型各分量 Table 2 Components in the volume prediction model of gas produced by BOF 参数 含义 L1 铁水消耗量 输入向量 L2 炼钢产量 L3 氧气消耗量 L4 废钢消耗量 输出变量 N1 转炉煤气发生量 2. 3 煤气消耗预测模型 该模型结合生产计划、检修计划等影响因素，对 一段时期的煤气消耗量进行预测． 预测对象: 烧结 厂、炼铁厂、燃烧炉、转炉炼钢车间、电炉炼钢车间、 轧钢厂、白灰窑和热电联产等． 由灰色关联分析方法可知烧结厂煤气消耗量的 主要因素有烧结矿产量、铁矿石消耗量、白灰消耗量 和焦丁粉消耗量; 炼钢厂煤气消耗量的主要因素有 钢水产量、钢铁料消耗量． 表 3、表 4 分别为烧结厂、炼钢区煤气消耗量预 测模型中的各个分量． 表 3 烧结厂煤气消耗量预测模型各分量 Table 3 Components in the gas consumption volume prediction model of the sintering plant 参量 含义 L1 烧结矿产量 输入向量 L2 铁矿石消耗量 L3 白灰消耗量 L4 焦丁粉消耗量 输出变量 N1 烧结厂煤气消耗量 由灰色关联度分析方法得知热风炉煤气消耗量 的主要因素是鼓风量; 燃烧炉、白灰窑煤气消耗量的 主要因素都是产量． 由于影响因素单一，且煤气消 ·17·