第一章 緒論

1.1 課題的研究背景與意義

進入 21 世紀以來，特別是在世界大環(huán)境和全球金融危機的影響下，我國鋼鐵行業(yè)也發(fā)生了巨大的變化。2015 年，我國粗鋼產(chǎn)量為 8.04 億噸，改革開放以來首次出現(xiàn)負增長，比 2014 年下降 2.3 個百分點。其中，我國北方地區(qū)的粗鋼產(chǎn)量都有所下降，山東、河南等地區(qū)粗鋼產(chǎn)量緩慢增長。進入 2016 年，隨著結(jié)構(gòu)性改革加快，國民經(jīng)濟增長緩慢，鋼鐵消費需求預計將會持續(xù)收縮[1]。

在這種情況下，鋼鐵企業(yè)作為耗能大戶，實行優(yōu)化生產(chǎn)、節(jié)能降耗已經(jīng)到了刻不容緩的地步。我國政府在“十三五規(guī)劃”中也明確提出：節(jié)能減排既是本階段工業(yè)發(fā)展的中心任務(wù)，也是可持續(xù)發(fā)展的必然要求。鋼鐵行業(yè)作為整個國民經(jīng)濟中能源消耗較大的產(chǎn)業(yè),節(jié)能減排的潛力較大,尤其是高爐煉鐵過程作為鋼鐵工業(yè)最主要的能源消耗工序,更是承擔了節(jié)能減排的重大任務(wù)[2]。在鋼鐵企業(yè)中，整個鐵前系統(tǒng)能耗約占鋼鐵企業(yè)能耗總量的 70% ，而高爐煉鐵在鐵前系統(tǒng)中的能耗占煉鐵工序能耗的 60%左右。

由此可知，高爐煉鐵在鋼鐵企業(yè)能耗中所占比例非常之大，因此，鋼鐵企業(yè)的節(jié)能降耗工作重點從高爐入手最為有效。針對高爐煉鐵參數(shù)預測和優(yōu)化控制模型的研究,首先對高爐煉鐵過程中的入爐焦比、鐵水溫度和鐵水產(chǎn)量等關(guān)鍵參數(shù)進行合理預測，其次是在關(guān)鍵參數(shù)的預測模型的基礎(chǔ)上來建立高爐煉鐵多目標優(yōu)化控制模型，合理進行能源管理和優(yōu)化調(diào)度，最終實現(xiàn)鋼鐵企業(yè)節(jié)能減排的目的。

.........

1.2 國內(nèi)外研究現(xiàn)狀及存在問題

針對高爐煉鐵焦比預測問題，近年來，相關(guān)學者開展了各種分析和研究。從機理模型構(gòu)建到人工智能算法應用，都體現(xiàn)對高爐煉鐵入爐焦比預測的重視。郝曉靜[4]提出了一種確定影響焦比關(guān)鍵因素的方法。該方法首先利用通徑分析,對某鋼鐵廠實際生產(chǎn)數(shù)據(jù)進行處理,在給定的高爐系統(tǒng)的諸多變量中,利用最小剩余通徑系數(shù)確定影響目標函數(shù)的主要變量因素。然后將諸因素關(guān)系處理為直接通徑和間接通徑,并對其進行了排序,最后，找出了影響指定目標函數(shù):焦比的主要直接通徑和間接通徑。胡蒙均[5]以某鋼鐵企業(yè)數(shù)據(jù)為基礎(chǔ),運用三種不同的方法對入爐焦比進行了預測。

分別為：ARMA 模型預測方法，灰色系統(tǒng)分析及預測以和 BP 神經(jīng)網(wǎng)絡(luò)。通過三種方法的比較，BP 神經(jīng)網(wǎng)絡(luò)模型預測的結(jié)果相對準確。范志剛[6]首先對 BP 神經(jīng)網(wǎng)絡(luò)算法進行改進研究，主要是添加了慣性項和動態(tài)調(diào)整步長，然后利用改進后的 BP 神經(jīng)網(wǎng)絡(luò)建立高爐煉鐵焦比預測模型，實驗結(jié)果證明,經(jīng)過訓練的 BP 神經(jīng)網(wǎng)絡(luò)對高爐焦比有良好的預測效果,其預測誤差小于 2%。并根據(jù)生產(chǎn)實際探討了將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合,實現(xiàn)在線預報的可能性。周洋[7]基于聚類分析和神經(jīng)網(wǎng)絡(luò)結(jié)合的焦比預測模型。

首先，通過聚類分析將高爐數(shù)據(jù)集聚劃分為幾類,分類訓練相應的神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)高爐焦比的預測。結(jié)果表明,加入聚類分析的神經(jīng)網(wǎng)絡(luò)模型在平均絕對誤差和平均相對誤差都低于普通神經(jīng)網(wǎng)絡(luò)。王艷紅[8]基于輔料資源運行原理對高爐綜合焦比進行分析，提出了一種網(wǎng)絡(luò)結(jié)構(gòu)為16-20-1 的改進 BP 神經(jīng)網(wǎng)絡(luò)高爐預測模型。仿真表明，該模型在對高爐生產(chǎn)數(shù)據(jù)進行學習后，其預測誤差率相對較低，具有一定的準確性和有效性。

.......