《Fuel Communications》:Energy consumption simulation and diagnosis in the sintering process: A mechanism and data-driven approach
编辑推荐:
钢铁工业是中国国民经济的支柱,其能耗占全国总能耗10%以上,作为炼铁关键工序的烧结过程占总能耗约8%。在"双碳"目标下提升烧结能效已成迫切课题,然而现有预测模型误差常超10%,制约节能研究。为此,研究人员利用某钢厂一年连续生产数据,融合机理分析与遗传算法优化长
钢铁工业是中国国民经济的支柱,其能耗占全国总能耗10%以上,作为炼铁关键工序的烧结过程占总能耗约8%。在"双碳"目标下提升烧结能效已成迫切课题,然而现有预测模型误差常超10%,制约节能研究。为此,研究人员利用某钢厂一年连续生产数据,融合机理分析与遗传算法优化长短期记忆网络(GA-LSTM, Genetic Algorithm-optimized Long Short-Term Memory network)建立烧结能耗模型,连续30天预测误差低于5%;并提出基于层次分析法(AHP, Analytic Hierarchy Process)的能耗诊断框架,从"过程能耗–载能体–操作参数"三个层级分析影响因素。结果表明:固体燃料为主导载能体,贡献达73.36%,烧结碱度(sinter basicity)等操作参数对燃料消耗影响显著,合理调整可使固体燃料单耗降低2.6 kg/t。考虑工艺稳定性与参数耦合,提出未校正(uncorrected)与校正(corrected)两种优化策略,分别实现能耗降低1.85 kgce/t与1.25 kgce/t。
《烧结过程能耗仿真与诊断:机理与数据驱动方法(Energy consumption simulation and diagnosis in the sintering process: A mechanism and data-driven approach)》论文解读
一、研究背景与意义
钢铁工业属典型高能耗密集型产业,2024年中国粗钢产量达10.05亿吨,占全球53.33%,行业总能耗占全国10%以上,煤与焦炭为主要用能形式。烧结过程是炼铁前置关键工序,能耗约占钢铁全流程8%,在碳达峰与碳中和战略下亟需挖掘节能潜力。构建能耗模型是实现精细化能源管理的可行途径,可揭示各载能体消耗规律,为精准控制提供理论支撑。现有研究分为三类:①基于机理的物料流与热平衡模型能解释反应过程,但因烧结反应复杂难以完全刻画实际物理化学交互,预测精度受限;②纯数据驱动模型(BP神经网络、SVR等)不依赖反应机理且精度较高,但呈"黑箱"缺乏可解释性;③现有混合模型多用单一RNN或CNN,难捕捉钢铁生产时序数据的长期依赖与动态变化,且钢铁行业专用能耗诊断方法稀缺。该文由Luo Ganggang、Zhang Qi、Dong Lu等发表于《Fuel Communications》,提出耦合冶金机理与GA-LSTM的混合建模与三级诊断优化方法,旨在提高烧结能耗预测精度并定位耗能症结。
二、主要关键技术方法
研究人员采集某钢厂烧结产线一年连续生产数据,将烧结净能耗Esinter定义为统计期内吨烧结矿扣除余热回收后的各类载能体净消耗(kgce/t)。针对占比最大的固体燃料(焦炭与煤粉)采用基于热平衡与物料平衡的机理模型计算;点火煤气与电耗因机理复杂采用灰色关联分析筛选关键影响因子后建GA-LSTM数据驱动模型;余热回收按温度分段拟合回收效率建立耦合模型;其余微量载能体取现场经验值。整体能耗由各载能体子模型协同耦合得到。诊断采用三层层次分析法框架——一级比过程能耗、二级析各载能体贡献度、三级通过灵敏度分析与贡献度评估定位关键操作参数。优化以最小化Esinter为目标函数,计入铁品位、MgO含量及碱度物料平衡约束与各参数历史波动区间,分别实施未校正(宽松约束,参考长期改造)与校正(严格约束,适于现场短周期调整)两种参数寻优策略。
三、研究结果
3.1 能耗仿真结果分析(Analysis of energy consumption simulation results)
取案例企业30天生产数据验证,烧结过程总能耗预测值与实际值趋势高度吻合,所有样本相对误差低于5%。其中点火煤气消耗预测MAE为5.16%,电耗预测MAE为3.86%,均满足现场精度要求,证明GA-LSTM混合模型可有效捕捉烧结能耗波动特征并具有较高可靠性。
3.2 能耗诊断分析(Diagnostic analysis of energy consumption)
对30天连续数据三级诊断显示:基准能耗较最优值高出3.93 kgce/t。二级诊断中固体燃料贡献能耗波动的73.36%(基准48.40 kgce/t,较最优高4.04 kgce/t),余热回收贡献-14.28%(即回收不足使净能耗上升),电与煤气分别贡献8.65%与3.67%。三级参数贡献度排序表明固体燃料关键影响参数为烧结碱度(贡献65.14%)>热损失率(17.23%)>MgO含量(10.55%),合理将其调至碱度1.9、热损率9.94%、MgO 1.66%可预期降固体燃料2.6 kg/t;余热回收关键参数为返矿率、铺底料量与烧结温度,调整后可提升余热回收1.28 kgce/t。
3.3 能耗优化方法(Energy consumption optimization methods)
基于诊断结果实施两类优化:未校正策略(宽松约束,面向长期目标)使总能耗降1.85 kgce/t,固体燃料降2.57 kg/t,烧结反应热需求降83.37 MJ/t,固体燃料供热占比降0.44%;校正策略(严格约束,适于现场操作)使总能耗降1.25 kgce/t,固体燃料降1.66 kg/t,热需求降52.85 MJ/t,固体燃料占比降0.31%。校正方案虽节能量略低但现场可行性更强。
四、讨论与结论(Conclusions)
研究人员得出以下结论:(1)所建机理与GA-LSTM耦合模型在30天连续仿真中相对误差低于5%,能有效表征烧结过程能耗波动规律;(2)30天生产中最优能耗为43.21 kgce/t,较基准低3.93 kgce/t,能耗差距主要来自固体燃料过量消耗(占73.36%),烧结碱度、热损失率及MgO含量是主导影响因素,合理调整预计降固体燃料约2.6 kg/t;(3)考虑工艺稳定性和参数耦合提出两种优化策略——未校正优化降能耗1.85 kgce/t(固体燃料降2.57 kg/t,热需求降0.44%),校正优化降能耗1.25 kgce/t(固体燃料降1.66 kg/t,热需求降0.31%)。该研究为钢铁烧结过程精细化能效管理与低碳运行提供了可量化诊断工具和分层优化策略。