高炉生产多目标优化模型及高炉煤气预测研究

发布时间：2020-06-29 15:57

【摘要】：炼铁工序是钢铁企业重要的生产工序,该工序能耗约占钢铁企业总能耗的70%,其中高炉能耗约占炼铁工序能耗的50%,因此,高炉的节能降耗是钢铁企业节能降耗的重点。高炉节能降耗的前提是建立相应的能耗模型和二次能源生成量模型。本研究在对现有高炉能耗模型和高炉煤气发生量模型综述的基础上,本着建立可靠、易更新、具有普适性的模型为目的,提出了基于支持向量机的高炉生产多目标优化模型和基于小波分析的高炉煤气组合预测方法,从操作变量出发对高炉能耗进行综合优化并对高炉煤气生成量准确预测,为高炉炼铁生产过程综合优化及钢铁企业煤气系统资源优化调度奠定基础。本文在对高炉炼铁工艺过程及原理详细分析的基础上,首先研究钢铁企业综合生产目标,分析高炉炼铁过程,确定影响生产目标的操作变量和状态变量;然后利用灰色关联分析法,定量计算确定目标的主要影响因素,建立生产目标的基于支持向量机的预测模型;以此为基础,研究高炉生产多目标优化模型的建立方法,在优化模型综合最优的情况下,得到各操作变量和状态变量的最优参数值,对高炉生产进行指导;对高炉炼铁过程中产生的高炉煤气,采用基于小波分析的组合预测方法进行预测,经小波分析,根据得到的煤气变化趋势序列和波动序列,分别采用最小二乘支持向量机和时间序列分析方法进行预测。结果表明,建立的能耗预测模型和高炉煤气预测模型准确度高,为实现高炉生产多目标综合优化和钢铁企业煤气系统优化调度奠定了基础。
【学位授予单位】：天津理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TF53;TP181
【图文】：

第四章 高炉生产多目标优化模型行比较得到对应的误差。算法训练后支持向量机的最佳参数为 c=31.33、g=0.52，迭代寻优曲线如遗传算法寻优后的 c g 建立焦比模型，并将模型在训练集上验证，结果如练得到的模型在测试集上进行预测，并将预测结果和真实值进行比较。为测精度，分别以基于粒子群优化的支持向量机和基于网格寻优的支持向量型并在测试集上进行预测，各预测结果如图 4-4 所示，各模型预测误差表明基于遗传算法寻优的支持向量机焦比模型在小样本中精度较高。

训练集上预测输出值与实际值拟图

【参考文献】

相关期刊论文 前10条

1 郭天永;车玉满;孙鹏;李连成;孙波;;基于偏最小二乘回归的高炉焦比影响因素分析[J];鞍钢技术;2009年05期

2 周洋;余文武;董相娟;张军红;;基于聚类分析和神经网络的高炉焦比预测模型[J];辽宁科技大学学报;2010年03期

3 张琦;姚彤辉;蔡九菊;沈峰满;;高炉炼铁过程多目标优化模型的研究及应用[J];东北大学学报(自然科学版);2011年02期

4 王晓兰;王明伟;;基于小波分解和最小二乘支持向量机的短期风速预测[J];电网技术;2010年01期

5 范志刚,邱贵宝,贾娟鱼,白晨光;基于BP神经网络的高炉焦比预测方法[J];重庆大学学报(自然科学版);2002年06期

6 秦民生;张郁亭;卢虎生;张建良;;高炉炼铁过程综合数学模型[J];钢铁;1990年10期

7 汪政富;徐业鹏;李君慧;;炼铁生产多目标优化模型的研究[J];钢铁;1993年01期

8 经文波,王国娟,魏顺,王文忠;高炉操作参数的优化[J];钢铁;1998年12期

9 王希勇,张家彬,袁宗明;城市燃气长期负荷预测模型的灰色方法[J];管道技术与设备;2004年06期

10 韩宏亮;阎小林;;人工神经网络与遗传算法在高炉焦比预报中的应用[J];河北理工学院学报;2006年02期

相关博士学位论文 前2条

1 聂秋平;钢铁企业能源实绩平衡与优化调度策略及应用研究[D];中南大学;2011年

2 孔海宁;钢铁企业副产煤气系统优化调度研究[D];天津大学;2011年

相关硕士学位论文 前5条

1 杨茜;钢铁企业球团工序能耗分析方法研究[D];山东大学;2011年

2 吴玉杰;钢铁企业煤气预测与调度建模[D];天津大学;2010年

3 汤振兴;钢铁焦炉煤气产消及柜位预测方法与应用[D];大连理工大学;2009年

4 孙飞飞;钢铁企业多级投入产出模型的研究[D];东北大学;2008年

5 冯朝辉;基于辅料资源运行特性的高炉炼铁系统优化运行研究[D];武汉科技大学;2013年

本文编号：2734056