ENERGY FOR METALLURGICAL INDUSTRY
May. 2021
22
2018年全球共生产生铁12. 65亿t L1J 。高炉
*国家自然科学基金(51704069)收稿日期=2020-07 -28
赖 «(1999 -)，本科生;110819辽宁省沈阳市。
通讯作者：孙文强，副教授;E - mail ：sunwq@ mail. neu.
edu. cn.
*赖茜1王子豪V 孙文强2
(1.东北大学冶金学院热能工程系，2.中国科学技术大学纳米科学技术学院，
3.国家环境保护生态工业重点实验室)
摘 要 为了对比回归分析法、移动平均法和人工神经网络法(ANN)对高炉煤气产生量的 预测效果，采用某企业实际数据，探讨了不同工况下各种预测方法的预测误差。研究表明： 回归分析法能保持较高的预测精度和稳定性，但是对鼓风量的精度要求较高；移动平均法在 平稳运行期和过渡期的性能优于ANN，平稳运行期和过渡期的预测误差分别为44. 47m 3/min 和69. 30m 3/min ； ANN 在工况转换期的性能优于移动平均法，在减风期和休风期的预测误差
分别为 1442. 93m 3/min 和 1220. 57 m 3/min o
关键词高炉煤气预测回归分析移动平均人工神经网络 文献标识码：A 文章编号：1001 -1617 ( 2021) 03 - 0022 - 05
Comparison of different methods
for predicting the generation of blast furnace gas
Lai Xi 1 Wang Zihao 1,2 Sun Wenqiang 1,3
(1. Department of Thermal Engineering , School of Metallurgy , Northeastern University ,2. Nano Science and Technology Institute , University of Science and Technology
of China,3. State Environmental Protection Key Laboratory of Eco - industry)
Abstract In order to compare the performances of different methods , including regression analysis ,
moving average method and artificial neural network ( ANN ) , for predicting the generation of blast fur
nace gas , the prediction errors under various working conditions were investigated based on real data. Results show that the regression analysis is more accurate and robust , however , it requires even more accurate input of the volume of blast. Regarding the moving average method and ANN , the average
moving method is better than ANN during the smooth operation and transition periods , with the predic
tion error values of 44. 47 and 69. 30 m 3/min , respectively. ANN performs better than moving
average
method during the switch period , with errors of 1442. 93 and 1220. 57 m 3/min, respectively , during blast attenuation and blowdown periods.
Keywords blast furnace gas prediction regression analysis moving average artificial neural
network (ANN)
煤气是高炉炼铁过程中的副产能源S3】，产生量 约为1500 ~ 2000 m 3/t，且波动频繁⑷，给高炉 煤气的智能化调度造成了困难[5_6]，导致能源浪
费与环境污染，甚至威胁整个煤气管网和设备的
安全运行因此，高炉煤气的预测研究吸引 了很多学者的兴趣。姜曙光用回归分析法建立煤
ENERGY FOR METALLURGICAL INDUSTRY
May.202123
气平衡预测模型⑷，有效解决了主观因素多、缺乏科学性和自动化程度低等问题。邱东等使用
BP神经网络对高炉煤气用量进行预测，预测精度比较理想⑼。高炉煤气产生量预测方法有很
多，但是各种方法的适用性有所不同，且到底哪
种方法更为精确依然众说纷纭。笔者采用回归分
析法、移动平均法和人工神经网络法（ANN）
分别对高炉煤气产生量进行了预测，通过对各种
方法的预测结果进行分析，研究各方法的适用
性。
1预测方法
回归分析法［创是一种处理变量之间相关关系的数理统计方法，在工程技术领域常使用回归分析技术分析变量间的数量变化关系。如果变量x与预测对象丫之间呈线性关系，那么就可以利用一元线性回归分析对预测对象进行预测O 移动平均法g是根据时间序列逐渐推移，依次计算包含一定项数的时序平均数，以反映变化趋势的方法。当时间序列的数值由于不规则变动的影响而不易显示出发展趋势时，可用移动平均法消除这些影响，分析、预测序列的变化趋势。
ANN［12］是广泛使用的预测模型之一，BP-
ANN为神经网络中应用较为广泛的一种。BP-ANN处理信息的基本原理是：输入信号X；通过中间隐藏节点作用于输出节点，经过非线性变换，产生输出信号Y k0网络训练的每个样本包括输入向量X和期望输出量t之间的偏差，通过调整输入节点与隐藏层节点的联接强度比?和隐藏层节点与输出节点之间的联接强度亏以及阈值，使误差沿梯度方向下降。经过反复学习训练，确定与最小误差相对应的网络参数（权值与阈值），训练即告停止。此时，经过训练的神经网络可以对类似样本的输入信息自行处理，输出误差最小的经过非线性转换的信息。
2高炉煤气产生量预测结果
针对某企业3200n?高炉，其高炉煤气产生
量与鼓风量之间存在线性回归关系：
y BFG=1.4018^+11.494
式中：卩BFC和V分别为高炉煤气产生量和鼓风量,m3/min o
基于鼓风量的回归分析预测结果如图1所示。当系统处于平稳运行期，预测误差基本控制在±2%以内。
当系统处于工况转换期，减风期的预测误差会突然上升到4%左右。该方法高炉煤气量预测值与真实值较为接近，预测效果良好，局限性是需要提前获取或精准预测鼓风量。
9000
8500
8000
7500
7000
100200300400500600700
时间/h
M
U
I.
*
、
*
划
K
虻
峡
藝*
2000
1000
°0
图1回归分析法预测结果
移动平均法的预测结果如图2所示。当系统处于平稳运行期时，预测值与真实值较为接近，预测误差基本控制在1.5%以内。然而当系统处于工况转换期时，预测误差会增大。其中，减风期的预测误差会增大至30%~60%。这种现象在时间序列剧烈波动的情况下尤为明显。该方法在煤气系统运行较为平稳的工况下能够精确预测下_小时的煤气产生量，然而在煤气系统的工况转换期具有严重的滞后性。所以，该方法适合在数据波动较为平稳的工况下使用。
建立BP神经网络，取训练集和测试集数目
0100200300400500600700
时间/h
图2
移动平均法预测结果
ENERGY FOR METALLURGICAL INDUSTRY May.2021 24
各为50%o经过神经网络训练后，得到的预测
结果如图3所示。当系统处于平稳运行期时，预
测值与真实值之间的误差基本控制在5%以内。
其中，当煤气系统长期处于稳定运行期时，预测
误差基本控制在1%以内；接近工况转换期的一
段平稳运行期，预测误差基本控制在5%左右;
而后随着系统的继续平稳运行，预测误差会逐渐
缩小到1%；当系统处于工况转换期时，预测误
差会增大。工况转换过程中，当系统处于减风期
时，预测误差会突然增大至30%〜80%，但是
随着工况转换继续进行，预测误差会迅速缩小到
5%。该方法能很快适应时间序列的快速波动。
图4减风期预测结果对比
3不同高炉操作工况下的预测结果对比
为了对比不同高炉操作工况下的预测方法性能优劣，将高炉操作工况分为工况转换期、平稳运行期和过渡期，分别探讨三种预测方法的预测误差。
3.1工况转换期
工况转换期有休风与减风两种情况。当高炉处于减风期时，各种方法的预测结果如图4所 示。可以看出，回归分析法与真实值最为接近，预测效果很好。其余两种方法预测结果会出现预测滞后现象。在第288h，移动平均法和ANN都出现了滞后现象，神经网络的法的预测结果在第291h便可将预测误差保持在1000m3/min以内，而移动平均法在第295h预测误差才回到1000m3/min以内，可见移动平均法的滞后现象较ANN更为严重。当高炉处于休风期，预测效果如图5所示。线性回归方法依旧能够很好地对煤气产量进行预测，然而ANN以及移动平均法都出现了不同程度地滞后。在煤气产量迅速减到0时，ANN的预测误差在第47h时回到1000以内，而移动平均法在第49h才回到1000m3/min以内。在煤气产
量由0迅速增长到8000m3/min时，ANN预测误差在第58h时回到1000m3/min以内，而移动平均法在第62h 时才回到1000m3/min以内。
表1为工况转换期各种预测方法的总体性能。回归分析法预测效果最好。考虑到前面叙述的该方法的局限性，该研究重点讨论移动平均法和ANN的预测效果。无论减风期还是休风期, ANN的预测误差都小于移动平均法，约为移动平均法的一半。可见，ANN在工况转换期的预测性能优于移动平均法。移动平均法的滞后性较强，而ANN在数据剧烈波动的情况下能够更快地实现准确预测
。
ENERGY FOR METALLURGICAL INDUSTRY
May.202125
表1工况转换期的预测误差mVmin 工况回归分析法移动平均法ANN
减风期79.732116.901442.93
休风期32.182530.721220.57
3.2平稳运行期
某段平稳运行时期(451〜500h)的预测结果如图6所示。平稳运行期的高炉煤气产生量波动较小，各种预测方法的滞后现象在这一时期并不明显。与工况转换期相比，ANN和移动平均法的预测效果在平稳运行期都有所提升。由表2可见，平稳运行期三种预测方法的预测误差较工况转换期均有所改善。其中，移动平均法在平稳运行期的预测精度最高，甚至高于回归分析法，预测误差仅为44.47m3/min o ANN在平稳运行期的预测误差为67.35m3/min，略低于移动平
时间/h
图6平稳运行期预测结果对比
心理月刊在线阅读表2平稳运行期的预测误差mVmin 回归分析法移动平均法ANN
59.6844.4767.35
3.3过渡期
过渡期(70〜150h)的预测情况如图7所 示。可以看出，在过渡期ANN的预测数据波动情况明显大于其余的方法，这是由于神经网络输入层的数据波动较为剧烈导致的。表3为过渡期各种预测方法的预测性能。与平稳运行期相比，ANN的预测效果大大降低，ANN的预测误差比平稳运行期增加了181.99m3/min o与同时期的其他方法相比，ANN的预测误差分别为回归分析法和移动平均法的3.44倍和3.60倍。在过渡期内，回归分析法和移动平均法的预测结果都能保持较高的精度和稳定性。其中，移动平均法的预测误差最小，为69.30m3/min o
4结论
表3过渡期的预测误差m3/min 回归分析法移动平均法ANN
72.5069.30249.35
(1)回归分析法预测效果良好，与真实值较为接近。在不同高炉操作工况下，回归分析法都能保持较高的预测精度，但对鼓风量精度的要求较高。
(2)移动平均法适合在数据波动较为平稳的工况下使用。其在平稳运行期和过渡期的预测精度较高，在工况转换期的预测精度则逊很多。在平稳运行期和过渡期，移动平均法的预测误差分别为44.47m3/min和69.30m3/min o
(3)ANN能很快适应时间序列的快速波动。在工况转换期，神经网络法的预测效果要优于移动平均法。在减风期和休风期，ANN的预测误差分别为1442.93m3/min和1220.57m3/min，约为移动平均法误差的一半。
参考文献
[1]Sun W,Wang Z,Wang Q.Hybrid event-，mecha
nism一and data一driven prediction of blast furnace gas generation[J].Energy,2020,199：
117497.
ENERGY FOR METALLURGICAL INDUSTRY
May. 2021
26混凝土裂缝论文
[2] 陈丽云，周继程，上官方钦等.某钢铁企业能源利用 效率探讨[J].冶金能源,2020,39(2) ：3-7,
[3] 上官方钦，干磊，周继程等.钢铁工业副产煤气
资源化利用分析及案例[J]-钢铁，2019, 54
(7) : 114-120.
[4] 王小军.基于HP (2) -ENN 模型的高炉煤气发生
量预测[J].冶金能源，2015, 34 (2)： 25 - 29.
[5] 张 琦，王小壮，许立松.钢铁流程资源-能源-
碳排放耦合关系及分析[J].钢铁，2020 , 55
(10): 103-114.
[6] 王彦辉.钢铁企业副产煤气产耗预测方法研究进展
[J].冶金能源，2017, 36 (S2)： 54-55.
[7] Larsson M, Wang C, Dahl J. Development of a method
试用目录for analyzing energy , environmental and economic effi
ciency for an integrated steel plant [ J]. Applied Ther
mal Engineering, 2016, 26 (13) : 1353 -1361.[8] 姜曙光.济钢能源中心煤气平衡预测模型研究
[D]，济南：山东大学，2009.
[9] 邱 东，陈 爽，仝彩霞等.钢铁企业高炉煤气平
衡与综合优化[J]-计算机技术与发展，2009, 19
(3): 196 -199.
[10] 刘 渺.钢铁企业主工序分厂煤气量预测方法研
究[D].长沙：中南大学，2006.
[11] 顾玉顺.钢铁企业副产煤气多目标优化调度研究
[D].南京：东南大学，2016.
[12] 卞和营，李宏伟.基于神经网络的煤气回收系统
预测控制[J].工矿自动化，2009, 35 (8)： 69
-71.
赵艳编辑
(上接第7页)
根据地热能发展情况(表5)可知，最近五
年地热能利用占一次能源消耗比例虽增长了两
倍，但绝对数值不高，主要是因为目前常规的地 热利用方式不能在全国范围内推广，这就更加凸
显出无干扰地热供热在地热能利用方面的重要
两房退市性。
表5地热能发展情况
地热能利用占一次能源消耗比例约0.5%约1.5% 1个百分点
数理统计法指标
2015 年2020 年
增长量
地热能年利用量/万tee
200072105210直接利用/亿m?5
1611地热发电/MW 30530500
矛盾农村三部曲
一次能源消耗/亿tee
43
48
5
针对无干扰地热供热产业所存在的问题，提 出几点政策发展建议：
(1)加强无干扰地热尾热的综合利用，这
既是未来其发展方向，也是目前存在的问题。综
合利用、梯级利用既可以提升经济效益，又可以
减少污染，还能改变各个方向各自为政的分散状
O
(2) 加大无干扰地热供热的政策支持力度。
由于无干扰地热供热可以在全国范围内推广，存
在巨大的市场需求，在未形成规模效益的情况
下，投资回收期长的问题需要通过一定的政府补
助来缓和。
(3) 创新技术及方法，在中国地热直接利
用的例子可以追溯到公元前，浅层地源热泵的例 子已经有了较为系统的研究，而中深层无干扰地
热取热技术目前发展还不全面，需要进一步创新
和优化技术，从而获得更大的成本优势和环境效
益，使无干扰地热供热产业更好地发展。
参考文献
[1]杜立新.河北昌黎县沿海地区地热资源评价和开发
利用研究[D].北京：中国地质大学，2014.
万雪编辑
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议