电弧炉炼钢厂能源管理新方法

《steel research international》：A Novel Approach to Energy Management in Electric Steelworks

　　

摘要：电弧炉（EAF）炼钢路线因依托循环经济理念、直接使用还原铁（DRI）及灵活调节能源需求等优势，被视为钢铁行业脱碳的关键熔炼技术。然而，该工艺仍面临废钢质量波动大、电力消耗巨大且能源供应来源单一等挑战，尤其在可再生能源占比提升导致电网稳定性下降的背景下，亟需协调能源价格、生产计划与智能能源管理之间的关系。本文提出一种新型能源管理系统，基于灵活的基础设施与创新组件，结合机器学习（ML）与优化算法，通过匹配智能生产计划与电网电价供给，实现最小化电力消耗并平抑能耗趋势的目标。研究人员开发了基于神经网络（NN）的能耗预测模型，可依据生产信息估算EAF与钢包炉（LF）的电力消耗，模型利用真实钢厂的生产与过程数据进行训练验证，为降低生产成本、适应电网动态行为提供了数字化工具支撑。

论文解读

研究背景与意义

钢铁行业脱碳是欧盟绿色协议的核心目标之一，电弧炉（EAF）炼钢因采用报废钢材作为主要原料，成为循环经济的典型代表。尽管EAF路线具备操作灵活性高、可快速启停以适应市场需求波动的优势，但其能源供应结构仍较为单一，且电力消耗巨大，易受废钢质量波动影响。随着可再生能源在电力结构中占比提升，电网稳定性下降，电价时段差异扩大，传统固定能耗假设下的生产调度方法已无法满足经济性需求。现有研究多采用资源任务网络（RTN）或混合整数规划模型，但普遍忽略钢种差异与工艺参数对能耗的动态影响，且模型可解释性与定制化能力不足。为此，研究人员在《steel research international》发表研究，提出一种基于数据驱动的电弧炉钢厂能源管理新方法，旨在通过精准能耗预测与智能调度降低生产成本，同时提升电网适应性。

关键技术方法

研究采用1789炉真实工业数据，覆盖EAF与LF工序，数据以炉次为单位记录物料流、工艺参数与能耗信息。针对EAF输入变量（共19个有效特征，含废钢类型、气体/氧气/碳消耗、钢种等），采用模糊推理系统（FIS）结合模糊C均值聚类（FCM）进行异常值检测，通过主导集算法（DSA）消除冗余变量（相关系数ρ>0.95且p<0.05），并对比过滤式（线性相关性、RReliefF）、包裹式（序列前向选择SFS）与嵌入式（回归决策树DT）三种变量选择方法，最终确定各目标变量的最优输入子集。模型构建阶段对比多层前馈神经网络（FFNN）与深度回声状态网络（DESN），通过网格搜索与随机搜索优化超参数，选定FFNN为最终架构，采用Levenberg-Marquardt（LM）反向传播算法训练。优化框架将生产调度视为离散排列问题，以能耗成本最小化为目标，考虑连铸（CC）连续性约束、交货期限与维护计划，采用暴力枚举法搜索最优炉次块排序，并通过现场验收测试（SAT）验证效果。

研究结果

3.1 模型性能

变量选择后，EAF平均功率、能耗与加热时间的输入变量分别降至11、9与7个，钢种、总气体/氧气消耗、废钢装入量及特定废钢类型为核心影响因素，与实际冶金逻辑一致。FFNN隐藏层神经元数经网格搜索确定为：EAF平均功率32个、能耗13个、通电时间10个、加热时间15个；LF对应为5、5、10、5个。模型性能以归一化均方根误差（NSRMSE）评估，EAF平均功率与能耗预测表现最优，加热时间因受人工操作干扰预测精度略低，但仍满足优化需求。

3.2 优化框架应用

优化工具以初始人工调度为基准，通过重排炉次块顺序，将高能耗钢种调整至电价低谷时段。在4个为期1天的工业测试中，电费降低幅度为1%至7%，具体收益取决于生产组合差异、初始调度灵活性与操作人员经验。系统通过定制化物联网（IoT）平台集成至现有软件套件，配备人机界面（HMI），可直观对比原始与优化调度的累积成本曲线，实现无需硬件改造的降本增效。

讨论与结论

研究证实，基于历史数据的机器学习模型可有效捕捉钢种与工艺参数对能耗的影响，克服传统物理模型泛化性差的局限。暴力枚举优化虽计算简单，但结合工业实际约束（如炉次块不可拆分、强制停机时段）后，可在可接受时间内获得最优解，且易为操作人员理解信任。该方法无需新增传感器或改造设备，资本投入低，适用于不同数字化水平的棕地钢厂，并为未来集成更复杂的进化算法或实时数据预留接口。研究由欧盟煤炭与钢铁研究基金（RFCS）资助，成果为电弧炉钢厂提供了兼顾经济与环境效益的数字化能源管理范式，助力钢铁行业脱碳目标实现。