基于神经网络的高炉煤气消耗预测模型研究.docVIP

基于神经网络的高炉煤气消耗预测模型研究 　　【摘 要】钢铁企业副产煤气是很重要的二次能源，合理的利用副产煤气，可以有效的提高企业的能源使用率，为企业节约成本。高炉煤气是副产煤气的重要一环，针对高炉煤气的生产工艺，建立了基于BP神经网络的高炉煤气消耗预测模型，并进行了Matlab仿真，模型的预测误差达到设计精度的要求，可以作为煤气调度和煤气平衡的参考依据，实现煤气的优化调度。 　　【关键词】副产煤气；高炉煤气；神经网络；预测模型；优化调度 　　引言 　　高炉煤气是高炉炼铁过程中产生的副产品，每炼一吨生铁产生热值3300～4100kJ/m3的高炉煤气1300～1600m3[1]。伴随着钢铁的大量生产，所产生的高炉煤气的量是十分可观的，因此合理把握高炉煤气的产耗对于有效的提高煤气的的使用率以及优化调度有着重要的意义，从而降低企业的生产成本，提高企业的市场竞争力。 　　1.高炉煤气的特点 　　高炉煤气主要特点有三个：成分复杂；热值低；产量大。 　　高炉煤气的成分复杂，包含可燃部分与不可燃部分。其中可燃部分成分主要是CO，含量约为25%左右，其余包含约为5%少量的CH4、H2；不可燃部分主要是CO2与N2，其含量分别占15%、55%。根据高炉生成过程的所用的燃料、所生产的铁的品种以及工艺水平的不同，其所产生的高炉煤气的成分比例不同，从而造成热值的不同。当前炼铁过程中为了充分降低能耗，普通采用先进的设备与技术，比如采用高容积、高煤粉喷入量、高风温等措施，一方面提高了能源利用率，一方面却造成副产的高炉煤气的热值降低，增添了二次利用的难度。 　　2.高炉煤气产量的计算 　　高炉煤气的产量，根据高炉生产过程中各个要素的不同，其产量是不同的，根据高炉中碳的平衡可以有效的计算得出，其计算公式如下[2]： 　　式中： 　　V煤气为每吨生铁所所产生的高炉煤气量，其单位为m3； 　　C焦、C油、C煤分别为每吨生铁消耗的焦炭、油、煤中的固定碳，其单位为kg/t； 　　C熔为每吨生铁消耗的溶剂中的固定碳，其单位为kg/t； 　　C料、C铁、C尘分别为炉料（废铁、烧结矿等）、生铁、炉尘中的含碳量，其单位为kg/t； 　　CO2、CO、CH4为煤气中该成分所对应的体积百分数； 　　根据计算得到的吨铁高炉煤气量V煤气，就可以计算得到： 　　高炉煤气总产量=生铁产量*V煤气。 　　3.高炉煤气消耗的预测--基于神经网络 　　通过研究高炉煤气消耗的历史数据，可以看出这些数据之间没有明显的线性关系，这说明高炉煤气的消耗因素复杂，不确定性很多。因此要想对高炉煤气的消耗进行精确的预测，必须采取一种非线性的预测方法。在众多的非线性预测算法中，人工神经网络基于其并行分布式结构，使得其具有很强的学习自适应能力、自存储能力、快速寻优的能力。人工神经网络分为前向网络及反馈网络。前向网络结构简单，没有反馈，它通过简单的非线性函数的多次复合来处理信息。BP网络是目前应用最广的前向型网络。针对高炉煤气的消耗特点，在此我们使用BP网络进行前向消耗预测。 　　3.1 BP（Back Propagation）神经网络 　　BP网络于1986年提出，是目前应用最为广泛的神经网络模型之一。它采用误差逆向传播算法，是一种多层前馈网络。它的采用最速下降法学习规则，因此针对大量的输入输出映射关系，在无需知道这种映射关系的数学描述的情况下可以快速的进行最佳匹配。通常情况下采用LMS最小均方算法。其网络结构主要有三层：输入层、隐层和输出层[3]。其中输入和输出层都是单一的，隐层可以多层的。 　　图1为一最简单的三层BP网络。 　　3.2 基于加动量BP网络的高炉煤气消耗预测 　　定义目标函数： 　　（1） 　　式中m为输出变量的维数，n为输入样本的个数，ykp为在第k个样本作用下第k个节点的目标输出值，okp为输出节点k在第p个样本作用时的实际输出值。 　　BP网络的训练步骤如下[4]： 　　1）初始化网络，确定网络的参数。确定输入层节点数n，输出层节点数m，隐含层节点数L，输入层与隐含层连接权值vij，输出层与隐含层之间的连接权值wkj，隐含层阀值θ=[θ1θ2...θL]，输出层阀值b=[b1b2...bm]。 　　2）隐含层的输出hj的计算公式如下： 　　（2） 　　其中xi为第i个输入节点的变量值，f表示隐含层激励函数。 　　3）输出层的输出ok计算公式如下： 　　（3） 　　4）权值更新 　　i=1，2...n （4） 　　k=1，2...m （5） 　　其中η为学习效率，一般要求范围为[0 1]，但在实际仿真中发现，有时候η大于1很多可以很快的完成训练，但同时也有可能造成无解的情况，所以其值的设定比较灵活。，β为加动