第一章 緒論

1.1 課題的研究背景與意義

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

在這種情況下，鋼鐵企業作為耗能大戶，實行優化生產、節能降耗已經到了刻不容緩的地步。我國政府在“十三五規劃”中也明確提出：節能減排既是本階段工業發展的中心任務，也是可持續發展的必然要求。鋼鐵行業作為整個國民經濟中能源消耗較大的產業,節能減排的潛力較大,尤其是高爐煉鐵過程作為鋼鐵工業最主要的能源消耗工序,更是承擔了節能減排的重大任務[2]。在鋼鐵企業中，整個鐵前系統能耗約占鋼鐵企業能耗總量的 70% ，而高爐煉鐵在鐵前系統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能耗中所占比例非常之大，因此，鋼鐵企業的節能降耗工作重點從高爐入手最為有效。針對高爐煉鐵參數預測和優化控制模型的研究,首先對高爐煉鐵過程中的入爐焦比、鐵水溫度和鐵水產量等關鍵參數進行合理預測，其次是在關鍵參數的預測模型的基礎上來建立高爐煉鐵多目標優化控制模型，合理進行能源管理和優化調度，最終實現鋼鐵企業節能減排的目的。

.........

1.2 國內外研究現狀及存在問題

針對高爐煉鐵焦比預測問題，近年來，相關學者開展了各種分析和研究。從機理模型構建到人工智能算法應用，都體現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數據進行處理,在給定的高爐系統的諸多變量中,利用最小剩余通徑系數確定影響目標函數的主要變量因素。然后將諸因素關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:焦比的主要直接通徑和間接通徑。胡蒙均[5]以某鋼鐵企業數據為基礎,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，灰色系統分析及預測以和 BP 神經網絡。通過三種方法的比較，BP 神經網絡模型預測的結果相對準確。范志剛[6]首先對 BP 神經網絡算法進行改進研究，主要是添加了慣性項和動態調整步長，然后利用改進后的 BP 神經網絡建立高爐煉鐵焦比預測模型，實驗結果證明,經過訓練的 BP 神經網絡對高爐焦比有良好的預測效果,其預測誤差小于 2%。并根據生產實際探討了將神經網絡和專家系統相結合,實現在線預報的可能性。周洋[7]基于聚類分析和神經網絡結合的焦比預測模型。

首先，通過聚類分析將高爐數據集聚劃分為幾類,分類訓練相應的神經網絡模型,實現高爐焦比的預測。結果表明,加入聚類分析的神經網絡模型在平均絕對誤差和平均相對誤差都低于普通神經網絡。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，提出了一種網絡結構為16-20-1 的改進 BP 神經網絡高爐預測模型。仿真表明，該模型在對高爐生產數據進行學習后，其預測誤差率相對較低，具有一定的準確性和有效性。

.......