一种机制-数据协同方法，用于分析和优化烧结过程中影响能量效率的参数

《Sustainable Energy Technologies and Assessments》：A mechanism–data synergistic approach for analyzing and optimizing energy-influencing parameters in the sintering process

本文针对钢铁烧结能耗管理问题，构建机理-数据协同能耗模型，基于一年生产数据开展单/多参数敏感性分析，结合k-means聚类识别典型工况，定量评估11项节能技术潜力，预测误差低于5%，揭示参数耦合效应及最优节能路径。

　　

罗刚刚|张琪|卢东|刘慧敏|于帅杰|胡洪云|胡洪尧

中国华中科技大学深圳研究院，深圳518000

摘要

中国的钢铁行业是一个典型的资源密集型和能源密集型产业，对原材料供应的依赖性很高。烧结过程是钢铁生产中的关键阶段，每年的能源消耗量超过4500万吨标准煤。随着能源政策的日益严格，提高能源效率变得十分紧迫。然而，生产条件的复杂性和缺乏有效的监测工具导致能源管理在很大程度上依赖于人工经验，从而限制了能源节约的深度。为了解决这个问题，本研究聚焦于一家钢铁厂的烧结生产线，并利用一年的生产数据开发了一个基于机制与数据协同的能源消耗模型。基于该模型，在不同的需求情景下进行了单参数和多参数分析以优化参数。通过k均值聚类方法识别了动态生产中的典型运行条件，并对11项先进的节能技术进行了定量评估。结果显示，该模型的预测误差小于5%，其中单参数能源敏感性排序为R > W_water > W_loss > M_lime > W_fk。多参数之间的耦合最强的是W_fk和W_loss。技术评估表明，废热回收是薄弱环节，单项技术的最大潜力为2.37 kgce/t，多项技术组合的最大潜力为3.63 kgce/t。

引言

钢铁行业是一个典型的能源和资源密集型产业。2024年，中国的粗钢产量达到了10.05亿吨，占全球产量的53.33%[1]，其能源消耗量超过了全国总量的10%[1]。作为长流程钢铁生产中的关键阶段，烧结过程生产的烧结矿占高炉负荷的70%以上[2]，同时消耗了钢铁生产总能耗的约8%[3]。近年来，在“双碳”目标和“极端能效”政策的推动下，全球钢铁企业加快了绿色转型，数字化、智能运营和技术流程优化成为主要的发展方向[4]。然而，烧结过程涉及复杂的机制和相对粗放的运营方式，这些因素导致能源消耗出现显著波动，给实现绿色和高效生产带来了巨大挑战。

近年来，为了揭示烧结过程的能源消耗特征并探索其节能潜力，许多学者进行了广泛的研究。表1总结了常用的建模方法，这些方法大致可以分为基于机制的方法和数据驱动的方法。基于机制的建模主要依赖于热力学理论和物质-能量流动分析。一些研究应用热力学原理来研究载体的能源消耗[5]、[6]以及烧结过程的最小理论能耗[7]，为评估节能潜力提供了理论基础。同时考虑物质和能量流动的研究[8]、[9]、[10]模拟并评估了能量结构对过程能耗的影响。相比之下，数据驱动的方法更擅长捕捉复杂反应中的变量耦合和能源消耗波动。常见的模型包括极端学习机（ELM）[11]、神经网络（BPNN、RNN等）[12]、[13]、多元线性回归（MLR）[14]和支持向量回归（SVR）[15]。这些模型在预测能源消耗和分析烧结过程方面发挥了关键作用。然而，基于机制的模型往往无法准确捕捉烧结反应的复杂性，而数据驱动的模型则因其“黑箱”特性和缺乏可解释性而受到批评。因此，将基于机制的模型的理论基础与数据驱动方法的预测准确性相结合，并从协同的角度分析烧结能耗，已成为一个新兴的研究焦点。

除了能源消耗建模的进步外，关于烧结过程能源消耗指标的研究也受到了关注。这些研究主要集中在从参数角度对能源消耗进行微观分析。常见的方法包括使用智能算法开发过程能耗模型[16]、[17]，以及基于能量质量分析构建能源载体模型[18]、[19]。这些研究旨在探索关键参数（如孔隙率、粒径、入口气体速度）对能源消耗的影响，并明确参数与能源使用之间的关系。然而，大多数研究仍处于定性阶段，或者仅使用SHAP等全局方法进行单参数定量分析，忽略了参数之间的耦合效应，也缺乏实时优化策略来指导复杂的现场生产情景。

基于近期进展，当前关于烧结能耗建模的研究可以分为三个主要方向：(i) 高精度预测模型，如基于物理知识的神经网络，虽然具有出色的拟合性能，但提供的运营指导有限；(ii) 使用Sobol或SHAP等全局方法进行敏感性研究以量化参数的影响，但通常假设单一的代表性运行条件，缺乏对不同情景的适应性洞察；(iii) 系统级能源集成方法，如废热回收系统的多目标优化，这些方法强调稳定的排气气体分布，但未能将不稳定性与上游过程参数联系起来。相比之下，本研究提出了一个综合的参数优化框架，通过基于机制的敏感性分析保持可解释性，引入了不同运营情景下的需求驱动优先级，并明确将过程级参数控制与下游能源回收系统所需的稳定性联系起来。

同时，评估钢铁生产中的节能潜力已成为一个研究热点。一些研究分析了整个钢铁生产过程中的节能潜力，包括在未来情景下的行业范围预测[21]、[22]以及在不同发展路径下的比较研究[23]、[24]。其他研究则专注于个别过程，如焦化过程中的技术转型[25]、炼铁过程中的最小能耗[26]以及炼钢过程中的最终节能潜力[27]。然而，关于烧结过程的技术转型研究仍然有限，实际改造迫切需要数据支持。

为了解决上述问题，本研究基于机制-数据混合方法开发了一个烧结过程的综合能耗分析框架，为精细的能源管理提供了支持。该框架的主要架构如下：

1) 使用单参数线性回归和多参数正交实验设计方法，对影响烧结过程能耗的多源参数进行了敏感性和耦合分析；

2) 基于参数分析结果，提出了一种需求驱动的参数优化优先级方法，该方法根据不同的生产情景定制参数干预策略；

3) 此外，引入了一种基于K均值聚类分析选择典型运行条件的方法，从而能够对烧结过程中的11项先进节能技术进行定量评估和节能潜力评估。

方法论

烧结方法是聚集和富集铁矿石的主要工艺之一，其典型流程图如图1所示。在此过程中，含铁原料、燃料、助熔剂和返料按比例混合后通过分配器送入烧结机。混合物在点火炉中通过燃烧气体被点燃，引发烧结反应，生成热烧结矿饼。这些热烧结矿饼随后进行废热回收和冷却。

案例研究公司介绍

本研究中的案例公司年烧结矿产量为1700万吨。烧结生产连续运行24小时，分为三个班次。所有选定的数据都是基于班次的，模型使用烧结生产线一年的生产数据进行训练和校准。为了验证模型，将训练好的模型应用于实际生产数据，基于连续稳定生产一个月的数据来监测和预测能耗。

结论

为了明确烧结过程的能源消耗特征并探索节能潜力，本研究构建了一个结合冶金机制和LSTM方法的能耗模拟模型，使用了钢铁厂烧结生产线一年的生产数据。在不同优化情景下进行了单参数和多参数分析，并对11项先进节能技术进行了定量评估。主要结论如下：

CRediT作者贡献声明

罗刚刚：撰写 – 审稿与编辑，撰写 – 原稿，资源获取，方法论，正式分析。张琪：监督，正式分析。卢东：撰写 – 审稿与编辑，监督，正式分析。刘慧敏：撰写 – 审稿与编辑，监督，正式分析。于帅杰：撰写 – 审稿与编辑。胡洪云：撰写 – 审稿与编辑，监督，正式分析。胡洪尧：撰写 – 审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者衷心感谢中国政府提供的地方科学技术发展专项资金（湖北，2024CSA088）和华中科技大学“基础研究支持计划”（2025BRB005）的财政支持。此外，本工作还得到了东北大学生态工业国家重点实验室的支持。