基于神经网络和遗传算法的炼焦单元能耗优化方法

硕士学位论文基于神经网络和遗传算法的炼焦单元能耗优化方法基于神经网络和遗传算法的炼焦单元能耗优化方法摘要炼焦单元是钢铁生产流程中的重要生产和耗能单元，利用智能方法对其能耗进行分析和优化，改变目前仅靠人工经验实现能源调配和过程状态参数设定状况，可为炼焦单元的科学用能提供指导，降低能耗。通过对炼焦单元能耗问题的分析，本文从能耗预测和COG、BFG配比对炼焦单元能耗影响两个方面展开研究。针对炼焦单元能耗预测问题：首先对炼焦单元的能耗影响因素进行分析，定性给出其原材料参数和过程状态参数；然后采用灰色关联度方法计算这些参数与炼焦单元总能耗的关联程度，选择与炼焦单元能耗关联度较大的因素进行能耗预测；最后利用人工神经网络挖掘出炼焦单元原材料参数、炼焦单元总能耗与炼焦单元能源产消量、关键过程状态参数的关联关系，利用该模型对炼焦单元的历史能耗进行检测，效果分析表明所建模型满足预测要求。针对COG和BFG配比对炼焦单元能耗影响分析问题：首先利用人工神经网络挖掘出炼焦单元中COG和BFG配比与能源产消量的关联关系；然后利用该关联关系建立炼焦单元能耗优化模型；最后通过遗传算法求解得到优化的工序能耗和相应的COG和BFG配比。关键词：炼焦单元，能耗影响因素，能耗预测，能源替换关系，能耗优化ABSTRACTThecokingunitisanimportantsectorinthesteelproductionprocessandisalsoanenergy-consumingunit,energyefficiencyisanalyzedandoptimizedusingintelligentmethods,thecurrentsituationinenergydeploymentandprocessparameterssettingcanbechangedforguidanceinenergydeploymentandlowingenergyconsumption.Throughtheanalysisofenergyefficiencyincokingunit,thisessayfocusedontwoaspects:oneisthepredictionofenergy;theotheroneisthedesignationofCOGandBFG;Tothepredictionofcokingunit:thecokingprocesswasfirstlyintroduced,andthemechanismanalyseswhichareinfluencingthecokingunitarediscussed.Thenthegrayincidencedegree(GID)betweentheseparametersandenergyconsumptionofcokingunitwascalculatedusinggrayrelationmethod.ThenumbersofGIDabove0.5areselectedastheinputandoutput.Finallytheparametersofwashedcoal,theenergyconsumptionofcokingunit,theconsumptionandproductionofdifferentkindsofenergyandthekeyprocessparametersareusedtosetaBPArtificialNeuralNetwork(ANN)modelandthemodelwasexaminedbyhistoricaldata,andtheresultwasmetupwiththedemands.TosolvetheanalysisofenergyconsumptionofcokingunitusingthereplacementofCOGandBFG:thesubstitutabilityofCOGandBFGtotheinfluenceofcokingunitwasanalyzedqualitatively;thentheBPANNwasusedtosetuptherelationbetweentheproportionofBFGandtheconsumptionandproductionofdifferentkindsofenergy.Thentheoptimalmodelwasestablishedusingthemodel;finallytheratioofBFGandtheoptimalcokingovenconsumptionwasattained.Keywords:cokingoven,thefactorsinenergyconsumption,thepredictionofenergy-consumption,thesubstitutabilityofdifferentkindsofenergy,theoptimizationofenergyefficiency

目录第1章引言 11.1研究背景及意义 11.2国内外研究现状 21.3研究内容 51.4论文组织 7第2章炼焦单元能耗优化问题描述 82.1焦化工序工艺介绍 82.2炼焦单元工艺介绍 102.3炼焦单元能耗影响因素定性分析 112.4COG和BFG的配比对炼焦单元能耗影响的定性分析 132.5研究思路 142.6小结 16第3章炼焦单元能耗影响因素分析 173.1灰色关联度方法 173.2原材料参数选择 193.3过程状态参数选择 193.4小结 20第4章炼焦单元能耗预测模型 214.1预测方法研究 214.2人工神经网络基础理论及BP学习算法 224.3基于BP人工神经网络的炼焦单元能耗预测模型 244.3.1BP人工神经网络模型的建模流程 244.3.2数据预处理 264.3.3基于BP人工神经网络建立炼焦单元能耗模型 284.3.4预测效果分析 314.4小结 36第5章COG和BFG配比对炼焦单元能耗影响分析 375.1COG和BFG配比与炼焦单元能耗的关系模型 375.1.1数据预处理 375.1.2基于BP神经网络的COG和BFG配比与炼焦单元能耗关联模型 375.2COG和BFG配比对炼焦单元能耗的优化 395.2.1遗传算法基础理论 395.2.2COG和BFG配比对炼焦单元能耗优化模型 425.2.3基于遗传算法的COG和BFG配比对炼焦单元能耗优化步骤 435.2.4实例计算及优化效果分析 445.3小结 45第6章总结与展望 466.1总结 466.2展望 46致谢 47参考文献 48个人简历、在读期间发表的学术论文与研究成果 52第1章引言钢铁工业是我国能源资源消耗和污染排放的重点行业。2009年，能源消耗约占全国总能耗的16.1%[1],在我国处于工业化、城镇化加速发展阶段，经济社会发展面临着严峻的资源和环境双重约束条件下，加速推进钢铁工业节能减排对于钢铁企业和国民经济意义重大。炼焦单元是钢铁生产流程中重要生产和耗能单元，随着信息和控制技术的发展，工业化和信息化的逐步融合，将信息和控制技术应用于炼焦单元的能耗优化成为一个有效途径。1.1研究背景及意义能源是人类赖以生存的重要物质基础，是经济发展和社会前进的必需资源。能源的开发和利用也是衡量一个国家经济发展和科学技术水平的标志之一。20世纪70年代以来，能源就与人口、粮食、环境和资源并称为世界上的五大问题。节约资源是我国的基本国策，节能优先成为应对能源问题的长期战略[2]。钢铁工业是国民经济的基础产业，也是我国能源资源消耗和污染排放的重点行业。2009年，全国粗钢产量突破5.6亿吨，占全球的46%，能源消耗约占全国总能耗的16.1%、工业总能耗的23%；新水消耗、废水、二氧化硫、固体废物排放量分别占工业的3%、8%、8%和16%左右[1]。近年来钢铁工业通过结构调整、技术进步、强化管理，能源利用水平取得较大进步，但与发达国家仍存在一定差距。钢铁工业“高消耗、高排放”粗放型发展模式，已成为制约钢铁工业健康发展的瓶颈，已不能适应国民经济发展要求。因此，作为耗能大户的钢铁企业，节能减排是我国钢铁工业从世界钢铁大国走向钢铁强国的必然选择。炼焦单元是钢铁制造流程的基础和关键单元,从钢铁制造流程整体考察，炼焦单元不但为炼铁工序提供所需的原料-焦炭，焦炭在高炉炼铁过程中焦炭起着发热剂、还原剂、渗碳剂和料柱骨架四大作用。炼焦单元也为烧结、炼钢和轧钢工序提供所需的燃料即焦炉煤气（Coke-OvenGas,COG），消耗炼铁工序回收的高炉煤气（BlastFurnaceGas,BFG）,图1.1所示为炼焦单元与钢铁生产流程中的各个工序的关系。炼焦单元能源消耗占钢铁企业能源总消耗的5%[3]左右，也始终是钢铁企业节能减排的重点。图1.1炼焦单元与钢铁生产流程中各工序间的关系炼焦单元消耗和产出能源种类众多，如表1.1所示，与钢铁流程中其他工序均存在能流的交叉使用、与自身工序也存在返流状况，能源调配十分复杂，如图1.1所示。由于炼焦生产过程复杂，操作环境恶劣，检测手段少，比起其它工业炉窑，焦炉的控制较难实施。一些关键过程状态参数主要依靠人工经验给定，难以根据工况变化进行实时调整,如煤料在炭化室内停留的时间-结焦时间，反映焦炉加热均匀程度的K均匀等。表1.1焦化工序消耗和产出的能源消耗能源洗精煤，BFG，COG，电，蒸汽，压缩空气，氮气，工业净水产出能源冶金焦，焦粉、焦丁，COG，焦油，粗苯，蒸汽煤气消耗是除洗精煤外炼焦单元中最主要的能源消耗。对于使用混合煤气加热的焦炉，BFG和COG的配合比例影响了所需煤气量、空气量及所产生的废气量，从而影响了炼焦单元的能源产消量和能耗。钢铁企业调整BFG和COG的配合比例时，通常仅根据整个钢铁企业的煤气平衡而设定，没有考虑配合比例对能耗的影响。针对以上两个问题，本文基于历史数据，利用灰色关联度方法、BP人工神经网络和遗传算法等智能方法，对炼焦单元的能耗进行预测和优化，为炼焦单元能源调配和过程控制提供决策支持，为炼焦单元能耗优化工作提供可行方向。1.2国内外研究现状我国钢铁企业节能工作大致走过了三个阶段[4-8]：技术节能、结构节能、管理节能。技术节能是起步最早、目前也最成熟的节能手段，相关的技术方法包括了干法熄焦技术（CDQ）、高炉炉顶煤气压差发电技术（TRT）、转炉负能炼钢技术、冶金炉窑高效燃烧技术、烧结矿余热回收技术等。通过调整钢铁工业生产工艺结构，用能结构，优化生产流程以实现节能目标，即结构节能。现有一些钢铁企业充分发挥钢铁制造流程具有的能源转换功能，采取降低铁钢比，发展短流程电炉[9]生产工序，提高高炉炼铁喷煤比，优化高炉炼铁炉料结构[10-11]，多使用球团矿等措施，优化用能结构，降低能源成本。采用连续铸钢工艺技术改进生产工艺结构和建设新一代钢铁生产新流程也是两个节能思路。管理节能是指控制、监视和改进能效[12-14]，实现节能目标，主要方法包括能效指标的度量和监视（单位产品能耗、能源平衡表等）、信息通信技术[14]（如MES、ERP、SCM、CRM、PLM等）和能源管理标准体系[7,15]（如ISO50001,EN16001等）。炼焦单元的节能工作主要集中在三个方面：能源回收利用、生产过程控制和能源管理,如图1.2所示。图1.2炼焦单元节能途径（一）.能源回收利用方面：（1）.余热回收设备、技术等：传统的湿法熄焦不但浪费了焦炭的显热，而且降低了焦炭的机械强度。为此开发的干熄焦装置采用惰性循环气体熄灭焦炭，并将余热回收发电，降低了炼焦单元能耗，并改善了焦炭的机械性能[16-17]。（2）.焦炉煤气综合利用技术等：文[16]研究了焦炉煤气的应用现状，可以作为焦化厂自用的燃气、轧钢用燃料、城市燃气和合成氨等。文[19-21]研究了焦炉煤气开发利用的问题和途径，提到焦炉煤气可以应用到发电、加热、制纯H2、生产甲醇以及生产直接还原铁等新用途。这些煤气利用技术提高了煤气的利用率，减少了煤气的放散，降低了炼焦单元能耗。（3）.焦炉煤气回收设备、技术：国内外研究人员开发了一些焦炉煤气集气管压力过程控制系统，如前苏联“国立焦化工业设计院焦化机械设计院”设计了一套集气管压力液压比例控制系统[22-23]。国内焦炉集气控制系统多采用电动单元仪表系统[24]，如上海浦东煤气厂采用的定阀位集气管调节系统，铁岭焦化厂的CRB集气管压力控制系统等[25]，提高了煤气回收率。（二）.生产过程控制方面：国内外研究人员开发了一些焦炉加热燃烧过程控制系统，相应的控制策略主要有两大类：以反馈控制为主、前馈控制为辅的控制系统和以前馈控制为主、反馈控制为辅的控制系统；前一类如法国的CRAPO系统[26]、荷兰的CETCO系统及其改进系统[27]等；后一类系统如日本钢管的CCCS系统[28]、日本钢铁公司的ACC系统[29]等。前者以稳定火道直行温度为目标，主要通过比较火道温度和目标温度来调节煤气流量与烟道吸力，实现加热控制；后者依据入炉煤的性状参数和焦炉的平均温度计算炼焦热，根据装煤量、生产任务或同时考虑废气带出热和炉体散热等，通过热平衡原理求得炼焦耗热量，实现加热控制。加热燃烧控制系统的应用提高焦炭的质量指标的同时也降低了燃料消耗，提高了能源回收水平。（三）.能源管理方面：（1）.能耗预测：能耗预测主要是根据企业中能源生产和消耗特性，利用相关预测方法对能源的发生量和消耗量进行提前预测，从而为制定合理的能源计划和设计能源动态调度方法提供支持，是钢铁企业能源规划的重要依据之一。通过能源产销预测系统，可以提前把握能源供需趋势，有效控制能源贮存量，提高能源利用效率，降低钢铁生产成本。如文[30]针对电力消耗和煤气柜柜位的情况，建立了线性回归预测模型；文[31]实现了对电力系统的中长期负荷预测，文[32]建立了基于时序的BP神经网络模型，利用该模型对能源产量进行了预测。文[33-35]实现了对焦炉煤气发生量和消耗量及煤气柜位的准确预测，为制定合理煤气调度方案提供科学指导，从而减少煤气放散损失，降低钢铁企业的能耗。（2）.能源优化调度能源优化调度是在确保关键生产部门能源稳定供给和保障安全生产的前提下，通过优化能源配给的结构，提高能源的综合利用率，同时最大限度的考虑二次能源的利用。如宝钢根据生产工序的不同，针对不同的物流和不同种类的能源，建立了基于物流方程和能流方程的能源系统优化模型，其目标函数为全企业的净能耗，约束条件包括能源供需平衡约束、物流平衡约束和缓冲系统的调节约束[36]。文[37]以各工序总能耗最小为目标函数，建立了能源优化分配静态数学模型，其中总能耗包括了不可替换和可替换能源的消耗之和并综合考虑了在生产过程中产生的二次能源量。国内外研究人员在炼焦单元的能源回收利用、生产过程控制和能源管理方面做了大量的工作，取得了积极的研究成果。然而在能耗优化工作中仍然存在以下不足：（1）在炼焦过程中，能耗随着原材料参数动态变化，关键过程状态参数与原材料参数和能耗也紧密相连。在炼焦单元能耗预测中，缺乏对于所有产消能源预测的研究，也缺少考虑能耗和过程状态参数关联的研究。（2）炼焦单元消耗的COG和BFG存在替换关系，且其配合比例影响着炼焦单元的生产条件和能耗水平，利用能源替换关系进行炼焦单元能耗分析和优化的工作尚未展开。1.3研究内容本文以安徽省钢铁产业技术创新规划研究项目（项目编号：09020203014）为课题背景，研究炼焦单元的能耗预测和优化，利用炼焦单元原材料参数和炼焦单元总能耗进行能耗预测，为炼焦生产的能源调配和过程控制提供决策支持；利用COG和BFG的替换关系进行炼焦单元能耗分析和优化，为炼焦生产的能源调配提供决策支持，为能耗优化工作提供可行方案。本文研究框架如图1.3所示。图1.3本文研究框架针对炼焦单元能耗预测问题，研究内容如下：(1).对炼焦单元能耗预测的影响因素进行分析，定性的给出影响能耗的入炉煤性能指标，炼焦生产的过程状态参数；(2).基于历史数据，计算炼焦单元能耗预测的影响因素与炼焦单元总能耗的关联程度，采用灰色关联度方法计算出其关联度，选择关联度较大的作为预测模型的输入和输出；(3).利用BP人工神经网络挖掘出焦炉入炉煤的参数、炼焦单元总能耗与炼焦单元能源产消量、关键过程状态参数的关联关系，并进行能耗预测。针对COG和BFG替换关系进行炼焦单元能耗分析和优化问题，研究内容如下：(1).对COG和BFG的可替换性进行分析，对炼焦单元的能耗影响进行定性分析；(2).利用BP人工神经网络挖掘出炼焦单元中COG和BFG配比与能源产消量的关联关系；(3).利用该关联关系建立炼焦单元能耗优化模型；通过遗传算法进行求解得到优化的能耗和相应的COG和BFG配比。1.4论文组织本论文的章节安排如下：第2章对焦化工序和炼焦单元的工艺进行介绍，在此基础上首先定性分析影响能耗预测的原材料参数和过程状态参数；然后定性分析COG和BFG配比对炼焦单元能耗的影响。本章研究从大量历史生产数据中定性确定出样本数据，为下一步的定量计算、分析和优化奠定基础。第3章基于定性分析获取的样本数据，应用灰色关联度方法对炼焦单元能耗影响因素进行定量计算，选择关联程度较大的因素作为炼焦单元能耗预测的输入和输出，为预测模型的准确性和有效性提供保证。第4章首先介绍预测方法及人工神经网络理论基础，然后给出炼焦单元人工神经网络模型的规范建模流程，基于此，通过数据预处理、隐含层单元数选择、误差分析等建立了炼焦单元能耗预测模型，并验证模型的精确性和泛化能力。第5章基于前文提出的人工神经网络模型的规范建模流程，首先建立了COG和BFG配比与炼焦单元能耗的关联模型，然后建立了能耗最优化模型，最后利用遗传算法进行了能耗优化，得出优化的炼焦单元能耗及相应的COG和BFG配比。第6章对总结全文，并指出今后需要进一步开展的研究工作。第2章炼焦单元能耗优化问题描述从系统工程、信息论、控制论角度考察：生产过程亦可视为“信息流”[38]。随时间变化的“信息流”依工艺流程分类为:原材料参数、设备参数、操作参数（生产过程动态可控参数）和过程状态参数（趋势可控参数）。本章基于对某大型钢铁企业的实地调研，首先介绍焦化工序和炼焦单元工艺，接着对影响炼焦单元能耗的原材料参数、过程状态参数进行定性分析，然后给出COG和BFG配比对炼焦单元能耗影响的定性分析，最后分别针对炼焦单元能耗优化的两个问题给出研究思路。2.1焦化工序工艺介绍图1.1给出了典型长流程钢铁企业的生产流程，其中焦化工序是洗精煤转换成焦炭、焦炉煤气以及各种化学产品的过程,或认为是碳素流转化为固态焦炭和气态碳—氢化合物、液态碳—氢化合物的过程。焦化工序是一个复杂的工业过程，一般地将焦化工序分为四个单元：备煤单元，炼焦单元，熄焦单元和化产单元，如图2.1所示。炼焦是煤炭转化最古老的方法，炼焦工业的发展与冶金工业的发展和技术进步有密切的关系，在一百多年的发展过程中，炼焦工业为冶金工业提供了焦炭这种特殊的燃料。在炼焦过程中，经回收精制得到的化学产品是化学、医药和国防等工业宝贵的原料。在我国，炼焦厂还是城市煤气的重要气源。下面分别对焦化工序的四个生产单元进行介绍[39-40]。图2.1焦化工序及各个生产单元间的关系备煤单元炼焦煤入炉前包括来煤接收、储存、倒运、粉碎、配合和混匀等工作。若来煤灰分较高，还应包括选煤、脱水工作；为扩大弱黏结性煤的用量，可采取干燥、预热、捣固、配型煤、配添加剂等预处理工作。这些处理过程统称为备煤工艺。备煤工艺对于节约优质炼焦煤，确保高炉用焦质量，在焦化工序中具有重要意义，其中配煤过程是其中的关键。冶金焦的质量要求是：灰分低、硫分少，强度高，各向异性程度大，要满足上述要求，在常规炼焦方法条件下，用单种煤炼焦是很难实现的。而且由于煤种的相对储量、分布和开采能力的制约，不可能进行大规模的单种煤炼焦生产，特别是优质炼焦煤源的逐渐减少，给配煤炼焦提出了更加严峻的课题。配合煤的意义在于使各种煤之间性质上取长补短，符合焦炉的生产要求，生产出满足质量要求的优质焦炭，并增产炼焦化学产品，实现煤炭资源的合理利用。炼焦单元在炼焦生产过程中，装煤车将一定量的配合煤装入炭化室内，再将一定量的加热煤气和相应比例的经蓄热室预热过的空气，送燃烧室混合后燃烧，加热煤气在燃烧室中进行燃烧产生热量使炭化室温度上升到1200℃熄焦单元熄焦从总体上讲就是焦化企业把刚刚出炉的焦碳冷却到常温的过程。炼焦终了时，焦炭的温度一般为950～1100℃，经过熄焦，焦炭冷却到250℃以下。熄焦方式一般分为湿法熄焦、压力熄焦、低水分熄焦和干法熄焦这四种。目前常用主要有干熄焦和湿熄焦两类方法。干法熄焦能回收焦炭显热、改善焦炭质量、对环境污染少，但投资较湿法为高。常规湿法熄焦工艺简单，投资少，但不能回收焦炭显热，对环境污染较大。在干法熄焦中，焦炭的显热借助于惰性气体回收并可用以生产水蒸汽，由惰性气体获得的焦炭显热也可通过换热器用于预热煤、空气、煤气和水等。在回收焦炭显热的同时，可减少大量熄焦水，消除含有焦粉的水汽和有害气体对附近构筑物和设备的腐蚀，从而改善环境。干法熄焦还避免了湿法熄焦时水对红焦的剧冷作用，故有利于焦炭质量的提高，也可适当提高配合煤中气煤或弱黏煤的配比。化产单元煤在炼焦时一般72%～78%转化为焦炭，22%～28%转化为荒煤气。荒煤气呈褐色或棕黄色，经回收后得到焦油、粗苯、硫铵（氨水）、硫氰化物等产品，这些产品都是重要的化工原料。通过洗油吸收回收焦炉煤气中的粗苯，粗苯通过精制加工后，可得到轻苯、重苯、精苯、甲苯、二甲苯等产品。煤焦油直接从焦炉煤气中冷凝下来，其中含有上万种有机化合物，95%为芳香族化合物。现在，全世界每年从焦油中提取500万吨化工产品，广泛应用于塑料、合成纤维、染料、合成橡胶、医药、农药，以及耐辐射、耐高温材料和国防工业等领域。焦炉煤气中所含的氨可用于支取硫铵、无水氨或脓氨水：其中所含的氢可用于制造合成氨，进一步制取尿素、硝氨和碳氨等产品。回收的硫化氢用于生产单斜硫和硫：氰化氢用于制取黄血盐纳或黄血盐等化工原料。同时，硫化氢和氰化氢的回收对减轻大气和水质污染，加强环境保护以及减轻设备腐蚀具有重要意义。经过回收化学产品后的焦炉气主要含有H2、CH4和CO等气体。净焦炉煤气是高热值的燃气可用作工业及民用燃料。2.2炼焦单元工艺介绍炼焦单元是焦化工序的关键生产单元和主要耗能单元，可分为三个过程：焦炉加热燃烧过程、集气管集气过程和推焦过程。（1）焦炉加热燃烧过程焦炉是热工炉窑中较为复杂的热工设备，焦炉主体由许多相互间隔的炭化室和燃烧室组成，炭化室和燃烧室仅一墙之隔。为使炭化室均匀加热，加热系统定时改变废气流向，同时，为充分利用废气余热，通过蓄热室来预热进入燃烧室的空气（煤气），因此焦炉每隔30分钟交换作为煤气和空气上升通道的蓄热室及作为废气下降通道的蓄热室，即进行换向。加热煤气和空气在燃烧室的火道内混合燃烧产生热量，将废气在高温下以辐射传热为主，并伴随有对流传热方式，将热量通过炉墙传导给煤料。煤料在整个结焦时间内，因煤料性质的变化及导热系数的不同，炉墙传给煤料的热量在结焦初期较大，以后就小些，即在整个结焦时间内的热流是变化的，其比热流在结焦的第一个小时内达到最高值，然后逐渐降低。煤料一次经过上述结焦过程的各阶段，逐渐炭化为焦炭。（2）集气管集气过程炭化室在高温下干馏，产生一定量的荒煤气，通过位于焦炉顶部的集气管对荒煤气进行收集。由于焦炉由多个炭化室组成，每个炭化室所处的结焦阶段不同，因此所有炭化室的荒煤气集于集气管之后，其组成成分基本是稳定的。收集到的荒煤气通过冷凝器以及鼓风机送至净化装置，净化后的焦炉煤气一部分外送到动力分厂的焦炉煤气柜供全厂使用，另一部分回炉，作为焦炉加热燃烧的燃料。（3）推焦过程推焦过程主要完成从配合煤到焦炭过程中的机械操作。在确定一个炭化室的焦炭已经成熟后，通过三大车（推焦车、拦焦车和熄焦车）的协调将焦炭取出进行熄焦，并运至储存地或冶炼现场。推焦车负责完成顶装焦炉平煤和推焦操作，在煤料泻入炭化室后，由平煤杆将煤料推平，在焦炭成熟后，由推焦杆将焦炭推到熄焦车上，同时还可以完成启闭机侧炉门、机械化清扫门和炉框等功能。拦焦车的作用是将从炭化室推出的炽热焦炭导入熄焦车内，同时还可以完成启闭焦侧炉门、机械化清扫门和炉框等功能。熄焦车的作用是接受推出的炽热焦炭，运往干熄焦装置用惰性气体将余热回收用于发电或补充管网蒸汽，然后卸在凉焦台上冷却。2.3炼焦单元能耗影响因素定性分析炼焦单元是一个复杂的工业过程，对能耗影响因素众多，本章基于对某大型钢铁企业的调研，定性地分析原材料参数和生产过程状态参数对炼焦单元能耗的影响，为建立能耗预测模型找出可行的建模因素。原材料参数分析：炼焦的原材料是配合煤，配合煤的质量技术指标众多，下面对炼焦单元能耗影响参数进行定性分析[39-40]。1）灰分灰分是惰性物质，是煤中的主要杂质。配煤的灰分，在炼焦时不熔融、不粘结也不收缩，能使煤的粘结性变差,焦炭的裂纹增多，机械强度和耐磨强度都会降低；另外配煤灰分将会全部转入焦炭，降低焦炭的等级,而且在高炉炼铁时会增高焦比，降低铁产量，增加排渣量。一般配合煤的成焦率为70%～80%，焦炭灰分为配合煤灰分的1.3～1.4倍。因此，炼焦用的原煤在配煤之前都应该进行洗选，洗选后的精煤可降低灰分，提高炼焦煤的粘结性。灰分可影响焦炭质量，含量高，会使高炉渣量增加，导致了焦比上升，产量下降。灰分还可影响成焦率，从而对炼焦能耗产生影响。2）水分在常规炼焦条件下，装炉煤的堆比重主要受煤料水分、细度以及加煤过程的影响，增加堆比重的有效途径是减少煤料的水分，但是若采用一般的装炉方法，在加煤时冒烟冒火严重，必须采用专门的装炉工艺。煤料的水分除影响堆比重外，还影响焦炉的结焦时间（或加热制度）、炼焦的耗热量和剩余氨水量，由于新装炉内的煤料与墙面直接接触，煤料中水分的蒸发使墙面温度急剧下降，对焦炉炉墙砌体很不利。因此，在炼焦生产中，控制煤料的水分是非常必要的。水分变化，相当于湿煤中的干煤被水分所取代，即水分变化带来湿煤耗热量变化，从而对炼焦能耗产生影响。煤中水分分为内在水分、外在水分、结晶水和分解水。现在我们常用的水份指标有两种：a、全水份（Mt），是煤中所有内在水份和外在水份的总和，也常用Mar表示。通常规定在8%以下。b、空气干燥基水份(Mad)，指煤炭在空气干燥状态下所含的水份。3）挥发分煤的挥发分对焦炭的质量影响很大，配合煤的挥发分偏低虽然有利于提高焦炭的机械强度和块度，但焦炭的耐磨性差；反之，挥发分偏高，在炼焦过程中就有较多的裂解产物逸出，产生一个非常大的应力作用于焦炭，使之从内向外发生崩裂，形成许多细小的裂纹结构，导致焦炭的强度降低。挥发分影响成焦率和产气率，从而对炼焦单元能耗产生影响。4）硫分硫是煤中有害元素，炼焦时煤中的硫分约70%～80%转入焦炭，炼铁时又转入生铁中。按成焦率75%左右计算，焦炭硫分约为配合煤硫分的80%～90%。用高硫生铁炼出的钢具有热脆性，钢材中的含硫量大于0.07%，受热后容易发生脆裂现象。煤中的硫，特别是硫铁矿硫还能加速煤的风化与自燃，煤经氧化后粘结性急剧下降。通常炼焦煤的硫分每增高0.1个百分点，就会使焦炭硫分增高0.08，焦比上升1.2%左右，高炉生产能力降低1.6%～2.0%，所以炼焦用配煤中的硫分最高不应超过1.2%，且硫分越低越好。为降低焦炭硫分，炼焦过程中往往通过提高炼焦终止温度，而这将增加煤气消耗，使炼焦单元能耗升高。5）煤料细度细度是指煤料粉碎后小于3mm的煤料重量占总重量的百分比。常规炼焦细度一般要求在80%左右，捣固炼焦细度一般要求大于85%。细度过低，配合煤混合不均匀，焦炭内部结构不均一，强度降低。细度过高，不仅粉碎设备动力消耗增大，设备的处理能力降低，更重要是细度过高时，装炉煤的堆比重下降，使焦炭质量和产量受影响，影响炼焦单元能耗。过程状态参数分析炼焦单元包括焦炉加热燃烧过程、集气管集气过程和推焦过程三个过程，下面将这些过程状态参数对炼焦单元能耗的影响进行定性分析[39-41]。1）装煤系数装煤系数是反映装煤均匀程度的指标，其计算公式为：(2.1)装煤系数可影响焦炭产量，从而影响到炼焦单元能耗。2）K均匀为保证全炉各燃烧室温度均匀，各测温火道温度与同侧直行温度的平均值相差不应超过±20℃，边炉相差不超过±30℃，超过此值的测温火道为温度不合格火道，并以均匀系数K均匀作为考核。K均匀3）K安定焦炉各燃烧室测温火道的温度值称直行温度。一般于换向后5min(或10min)在下降气流时测量，因为这时炉温的下降速度已趋平稳。为防止焦炉砌砖被烧熔，硅砖焦炉测温火道换向后的最高温度不得超过1450℃。硅砖荷重软化温度虽可达1620℃左右，由于火道内测温点与最高温度点（火焰燃烧点）相差100～150℃，火道温度在整个结焦期间尚有波动（波动值25～30℃），故火道的极限度对硅砖焦炉规定应不大于1450℃。直行温度不但要求均匀，还要求直行温度的平均值保持稳定，并用安定系数K安定考核。K安定也影响燃气燃烧量，从而影响到炼焦单元能耗。4）K2焦炉的出焦和装煤应严格按计划进行，保证各炭化室的焦饼按规定时间均匀成熟，做到安全、定时、准点。并定时进行机械和设备的预防性检修。为评定推焦操作的均衡性，要求各炭化室的结焦时间与规定相差不超过±5min，并以推焦执行系数K2评定。作为炼焦生产稳定性的度量，K2对焦炭质量和炼焦能耗均有影响。5）结焦时间结焦时间是指煤料在炭化室内停留的时间，通常是指从开始平煤（装煤时刻）在22h～24h时炼焦耗热量最低。以此为基准，缩短和延长结焦时间均使炼焦耗热量增高。结焦时间从22h～24h缩短至14～15h，每缩短1h，耗热量约增加40～55KJ/kg。结焦时间影响了焦炭质量、COG回收量及消耗量，因此对炼焦单元能耗有很大影响。综上所述，原料煤的灰分、水分、挥发分、硫分和煤料细度都将直接影响炼焦单元的能耗，装煤系数、K均匀、K安定、K2、结焦时间也对炼焦单元能耗有影响。为增加能耗预测模型的精度和泛化能力，我们下章对其关联程度进行计算，定量的选择影响较大的因素作为预测模型的输入和输出。2.4COG和BFG的配比对炼焦单元能耗影响的定性分析钢铁联合企业生产中产生的主要副产品气体燃料包括BFG、COG和转炉煤气(Linz-DonavitzprocessGas,LDG)，其中以BFG、COG应用最为广泛，它们在钢铁企业的燃料平衡中占有很重要的地位，BFG、COG所提供的热量通常占钢铁企业总热量收入的80%以上[42]。焦炉加热用煤气主要是COG和BFG，有的厂还采用转炉煤气。这些煤气的大致组成如表2.1所示[41]。表2.1各种煤气的组成和发热值煤煤气组成COGBFGLDGH255~601.5~35~6CO5~825~3080~86CH423~280.2~0.50.7~1.6CnHm2~410.3CO21.5~39~1510N23~555~603.5O20.4~0.80.2~0.40.5低发热值KJ/m316720~188103230~41805600~9218炼焦单元使用煤气主要是加热焦炉，对炭化室内洗精煤进行间接加热并发生干馏，加热煤气的热量使得炭化室内的洗精煤转化为焦炭、COG、焦油以及相应的显热和热损失。据对某大型钢铁企业计算，煤气燃烧热占焦炉热量总收入的70%以上。加热煤气的种类可以是单一的COG、BFG或COG、BFG混合煤气，由于发热值不同，提供相同的热量所需的煤气量、空气量及所产生的废气量亦不同，因此，用不同的煤气加热焦炉，其炼焦耗热量有所差异[44]。钢铁联合企业为了更合理利用煤气及平衡煤气，焦炉应尽量采用BFG加热，这样置换出高发热值COG供轧钢加热炉等用户使用。为了稳定煤气发热值，往往在高炉煤气中掺入一定量的COG，称为混合煤气加热。因此，COG和BFG配比对炼焦单元能耗是有影响的，在整个企业煤气平衡时，选择合适的COG和BFG配比，使得炼焦单元能耗较低，对于炼焦单元节能是一个新的思路和方向。2.5研究思路本文针对炼焦单元能耗预测问题，COG、BFG配比对能耗的影响问题展开研究，研究思路如下：基于2.3节分析得到影响炼焦单元能耗的原材料参数和过程状态参数，首先对这些影响因素进行关联度计算，找出关联程度较大的因素；然后利用原材料参数和炼焦单元总能耗，对炼焦单元的能源产消和过程状态参数进行预测，为能源调配和过程控制提供决策支持。研究的流程如图2.2所示。图2.2炼焦单元能耗预测流程（2）基于2.4节分析得到COG、BFG配比对炼焦单元能耗影响分析，首先建立炼焦单元COG、BFG配比与能源产消量的关系模型，以此为基础，并以炼焦单元能耗为优化目标，建立炼焦单元能耗优化模型，然后应用遗传算法求解最优值，给出炼焦单元能耗的最优值和相应的COG、BFG配比，为能源调配提供决策支持。研究的流程如图2.3所示。图2.3COG和BFG配比对炼焦单元能耗影响关系及其优化流程2.6小结本章首先介绍焦化工序和炼焦单元工艺，接着对影响炼焦单元能耗的原材料参数、过程状态参数进行定性分析，然后给出COG和BFG配比对炼焦单元能耗影响的定性分析，最后分别针对本章提出的两个炼焦单元能耗优化问题给出研究思路，为问题的进一步解决奠定了基础。第3章炼焦单元能耗影响因素分析本章基于灰色关联度方法，通过定量计算，对原材料参数和过程状态参数进行关联度计算，进行排序并选取较大的几个因素，为炼焦单元能源产消与过程参数预测做好准备。3.1灰色关联度方法影响综合生产目标的影响因素众多，对综合生产目标的主要影响因素的确定，只依据机理分析以及人工经验可靠性不高，并且缺乏理论依据。需要从理论上定量计算各因素对综合生产目标的影响程度，这称之为关联性分析。在关联性分析中，常用的定量计算方法是数理统计法，如回归分析、方差分析、主成分分析等[45]，它们要求大样本和典型的概率分布。另一种方法即为灰色系统理论提出的灰色关联分析方法[46-47]，它可在不完全的信息中，对所要分析研究的各因素，通过一定的数据处理，在随机的因素序列间找出它们的关联性，找到主要特性和主要影响因素。灰色关联分析是基于行为因子序列的微观或宏观几何接近，以分析和确定因子间的影响程度或因子对主行为的贡献度而进行的一种分析方法[48-49]。在炼焦单元中，由于数据之间的概率分布难以确定，并且信息存在不完全的情况，难以采用数理统计的方法进行关联度定量计算，所以在分析过程中采用灰色关联分析方法对影响炼焦单元能耗的因素进行关联性分析。灰色关联分析计算步骤如下：Step1：原始数据处理初值化处理设有原始（以炼焦过程状态参数关联分析为例，n=5）对x0作初值化处理得y0，则（3.1）(2)均值化处理设有原始（以炼焦过程状态参数关联分析为例，n=5），令其均值为，(3.2)则对x0作均值化处理，得y0为：（3.3）(3)归一化处理在非时间序列中，同一序列有许多不同的物理量，且数值大小相差过分悬殊，为避免造成非等权情况，对这些数列作归一化处理。Step2：计算灰色关联系数。若经数据处理后的母数列为(X0(t))，子数列为(xi(t))，在时刻t=k时，(x0(k)与(xi(k))的灰色关联系数为（3.4）式中为k时刻两个序列的绝对值，即，，分别为各个时刻的绝对值的最大值与最小值，为分辨系数，其作用在于提高灰色关联系数之间的差异显著性，，一般取0.5。Step3：求灰色关联度与灰色关联矩阵。其计算公式为：（3.5）式中为子序列与母序列0的灰色关联度。N为序列的长度即数据个数，(以炼焦单元过程状态参数关联分析为例，n=5)。若有n个母序列，m个子序列(以炼焦单元过程状态参数关联分析为例n=5)，各子序列j对母序列i的关联度为，则可得灰色关联矩阵为：(3.6)Step4：关联度排序以及优势分析对进行从大到小排序，根据排序结果判断子因素与母因素的关联性强弱，排序越靠前，则说明此子因素与母因素的关联性越强，反之越弱。3.2原材料参数选择由2.3节可知影响洗精煤质量指标的主要因素分别为灰分Ad、空气干燥基水分Mad、全水分Mt、挥发分Vdaf、硫分Sd,t和煤料细度。为保证模型的准确性和预测的可行性，须选取对炼焦单元能耗影响最大的几个参数。分别以炼焦单元总能耗x(0)作为参考序列，以灰分x(0)(1)，以空气干燥基水分x(0)(2)，以全水分x(0)(3)，以挥发分K2x(0)(4)，以硫分x(0)(5)，以煤料细度x(0)(6)作为比较序列。以某大型钢铁企业2010年10月和11月每天的炼焦单元总能耗作为参考序列，以过程状态参数作为比较序列，样本统计指标如表3.1所示，表3.1炼焦过程状态参数影响因素样本统计表统计指标X(0)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)X(0)(6)平均值120.02199.91080.978810.68827.92720.767675.304最小值87.79069.63000.61009.400026.46000.720073.6000最大值153.998610.28001.370011.800028.91000.83007.3000标准偏差13.66280.12840.22650.64570.57570.02891.2391按照灰色关联分析计算步骤：首先按式(3.3)进行均值化处理，然后按照式(3.4)求取灰色关联系数，最后按照式(3.5)求取到的灰色关联度如下所示。表3.2炼焦过程状态参数灰色关联度表各种参数X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)X(0)(6)灰色关联度0.76720.64110.73990.75670.74700.7632对灰色关联度进行排序为：X(0)(1)>X(0)(6)>X(0)(4)>X(0)(5)>X(0)(3)>X(0)(2)则可以确定灰分系数在原材料参数中对炼焦单元能耗影响最大，煤料细度和挥发分次之。其次是硫分、全水分和空气干燥基水分。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)、X(0)(6)与炼焦单元总能耗X(0)的灰色关联度都大于0.5，因此将灰分，空气干燥基水分，全水分，挥发分，硫分，煤料细度均作为模型的输入变量。3.3过程状态参数选择由2.3节分析可知，影响炼焦单元能耗的过程状态参数包括：指示反映装煤程度的指标K装煤，焦炉侧温火道平均温度的均匀系数K均匀，反映焦炉测温火道平均温度的稳定性指标K安定，反映焦炉推焦操作正常与否的指标K2以及焦炉的结焦时间等。为保证模型的准确性和预测的可行性，须选取对炼焦单元能耗影响最大的几个参数。分别以炼焦单元总能耗x(0)作为参考序列，以K装煤x(0)(1)，K均匀x(0)(2)，K安定x(0)(3)，K2x(0)(4)，结焦时间x(0)(5)作为比较序列。以某大型钢铁企业2010年10月和11月每天的炼焦单元总能耗及过程状态参数作为比较序列，样本统计指标如表3.3所示，表3.3炼焦过程状态参数影响因素样本统计表统计指标X(0)X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)平均值120.02190.99400.92960.99320.96521.0686最小值87.79060.97000.89000.83000.91001.0583最大值153.99861.00000.97001.00001.00001.0736标准偏差13.66280.00960.02210.0340.02220.0031按照灰色关联分析计算步骤：首先按式(3.3)进行均值化处理，然后按照式(3.4)求取灰色关联系数，最后按照式(3.5)求取到的灰色关联度如下所示。表3.4炼焦过程状态参数灰色关联度表各种参数X(0)(1)X(0)(2)X(0)(3)X(0)(4)X(0)(5)灰色关联度0.63480.63940.64500.63840.6362对灰色关联度进行排序为：X(0)(3)>X(0)(2)>X(0)(4)>X(0)(5)>X(0)(1)。则可以确定K安定系数是过程状态参数中对炼焦单元能耗影响最大，K均匀和K2次之。其次是K装煤和结焦时间。由于X(0)(1)、X(0)(2)、X(0)(3)、X(0)(4)、X(0)(5)与炼焦单元总能耗X(0)的灰色关联度都大于0.5，因此将K装煤，K均匀，K安定，K2，结焦时间均作为模型的输出变量。3.4小结本章利用灰色关联度方法，分别计算了原材料参数、过程状态参数与炼焦单元总能耗的关联度，依据其关联度进行排序后，选取了关联程度较大的几个作为预测模型的输入和输出。最终确定灰分，空气干燥基水分，全水分，挥发分，硫分，煤料细度均作为模型的输入变量；K装煤，K均匀，K安定，K2，结焦时间均作为模型的输出变量。为预测模型的精确性和合理性奠定了基础。第4章炼焦单元能耗预测模型本章首先对炼焦能耗预测模型的建模方法进行了讨论，指出BP人工神经网络在应用中存在的问题，并据此提出了基于BP人工神经网络进行能耗预测的建模流程；接着应用该流程进行建模，得到炼焦单元能耗预测模型，最后用检验数据验证所建炼焦单元能耗预测模型的精确性和泛化能力。4.1预测方法研究针对复杂工业过程中众多重要过程参数难以实时检测的问题，目前主要采用基于数据驱动的智能建模方法实现对这些参数的有效预测。这些基于数据驱动的智能建模方法主要有基于统计分析的预测建模方法、基于统计学习理论的预测建模方法、基于即时学习策略的预测建模方法和基于人工神经网络的预测建模方法。（1）基于统计分析的预测建模方法该方法以采集到的实际生产过程输入输出数据为基础，采用主元分析（PrincipalComponentAnalysis,PCA）[51-52]或部分最小二乘（PartialLeastSquares,PLS）[53-54]等方法对数据进行相关性分析，将对输出变量影响较大的输入变量构成辅助变量集，再利用优化后输入输出数据建立预测模型。该方法的实现过程需要大量的历史数据样本，并且模型结果对数据所包含的噪声比较敏感，同时模型的可理解性较差。（2）基于统计学习理论的预测建模方法该方法主要指支持向量机（SupportVectorMachine,SVM）[59-60]及其改进方法。SVM是一种小数据样本条件下有效的统计学习方法，在结构风险最小化原则下，能有效避免神经网络预测方法中的欠学习和过学习现象，使模型具有良好的泛化能力，特别适合解决非线性、小样本、局部极小点等问题。该方法在大数据样本集下训练数据较慢，同时算法中的正规化参数、不敏感系数以及和函数的类型和参数对预测模型的精度有较大影响，关于这些参数的优化选取目前还没有统一的方法，此外参数优化过程中如何集成过程先验知识也是一个值得研究的问题。（3）基于即时学习策略的预测建模方法基于数据驱动的智能建模方法多采用全局建模策略，建模过程中需要有能够覆盖整个过程对象运行工况的完备数据集。在模型建立后，模型自适应性根据新采集的数据样本通过离线训练的方式来体现，过程中需要消耗大量的时间和精力，不能随过程对象工况的偏移进行实时调整，降低了模型的在线自适应能力。基于即时学习策略的局部建模方法将过程对象的非线性估计转化成对当前数据点的数值估计，有效克服了全局建模方法不足[65-66]。该方法根据当前时刻输入数据，从历史数据库中找到与其相似度最好的一组数据样本，采用某种全局建模方法建立局部模型，进而获得该输入数据所对应的过程输出，之后将得到的局部模型丢弃。即时学习策略预测建模方法的主要缺点是建模过程计算开销较大，使得模型的实时性不强。（4）基于人工神经网络的预测建模方法该方法无需生产对象的先验知识，利用生产过程的输入输出数据，通过建立黑箱模型实现过程对象输入输出的映射，在不确定性非线性系统数据拟合方面具有良好的效果。目前，实际工业过程中常用的人工神经网络预测模型有反向传播神经网络（BackPropagation，BP）[55-56]和径向基神经网络（RadialBaseFunction，RBF）[55-56]两种模型以及多种相应的改进模型。该方法以大数定理和渐进理论为理论基础，在经验风险最小化原则下，算法的结论大都是在训练样本趋于无穷的假设下的得到的。工业应用是，模型训练过程需要有能够覆盖整个生产过程的大量数据，如果当前输入数据不在训练数据所覆盖的工况区域，则会出现较大的预测误差，同时该方法在线适应能力较差，当生产工况出现偏移时，需要根据新采集的数据采用人工离线训练的方式对模型参数进行校正。由2.3节可知，炼焦单元的原材料参数、生产过程状态参数与炼焦单元能耗之间存在关联关系，但其维数高、内部机理复杂，存在着很强的非线性。人工神经网络具有很强的自适应学习能力，较强的容错能力和鲁棒性，而且可以逼近任意非线性函数[67]，在钢铁企业生产过程的信息分析中获得了广泛的应用[68-69]，尤其以BP神经网络应用最为广泛。本文即以BP神经网络为研究方法，建立炼焦单元能耗预测模型。4.2人工神经网络基础理论及BP学习算法人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。BP算法是Rnmenhort在1986年提出的一种前馈阶层网络的学习算法。BP算法的基本思想[70]是：输入信息的正向传播和误差的反向传播。在正向传播中，对于一个训练样本，将其特征向量输入神经网络，经过神经网络的前向传播计算，得到一个实际输出，然后将该输出与期望的样本输出相比较，若有偏差，则转入反向传播过程，将该偏差由原来的联络通路返回，通过调整各层神经元的联系权值，使误差减小；然后，再转入正向传播过程，反复迭代，直到误差小于等于允许值，学习才结束。数学描述如下：输出层单元的输入为(4.1)输出层单元的实际输出为：(4.2)而隐含层单元的输入为：(4.3)输出层单元的的实际输出为(4.4)输出层单元的一般化误差为：(4.5)隐含层单元与输出层单元之间的连接权的变化率为：(4.6)输出层单元阈值的变化率为(4.7)隐含层单元的一般化误差为(4.8)输入层单元与隐含层单元之间的连接权的变化率为(4.9)隐含层单元阈值的变化率为(4.10)所以，最后我们得到神经元网络的权值、阈值调整公式分别：(4.11)(4.12)(4.13)(4.14)则，得到相应的误差修正公式为：(4.15)(4.16)(4.17)(4.18)式中：0<β<1为学习或收敛因子，0<α<1为动量因子。由此可知，BP算法是建立在函数梯度基础上的，按误差函数梯度下降的方向进行收敛的，这就不可避免面临下面的主要问题：①泛化问题。即能否逼近规律和对于大量未经学习过的输入矢量也能正确处理。②存在一些平坦区。即在此区域内，误差改变很小。③存在不少局部最小点。即在某些初值条件下，BP算法结果会陷入局部最小。④BP算法收敛速度很慢。⑤隐含层神经元的个数选取尚缺少统一而完整的理论指导。4.3基于BP人工神经网络的炼焦单元能耗预测模型4.3.1BP人工神经网络模型的建模流程针对BP人工神经网络在应用中存在的问题，在炼焦单元能耗预测模型中，我们提出BP人工神经网络的建模流程，如图4.1所示。通过灰色关联度方法计算能耗影响因素的关联度值，依据其关联度大小选择作为建模因素，得到样本数据。对样本数据进行孤立点检测和归一化处理，本文利用基于距离和的孤立点检测方法进行去噪，然后将数据归结到0.2～0.8之间，具体原因将在数据预处理中“归一化”部分给出。并将所得数据分为学习数据和检验数据。设定神经网络结构，利用BP算法和学习数据建立人工神经网络模型。利用检验数据和所建模型进行最小误差、最大误差和误差平方和计算。比较各个误差，若满足模型精度则输出模型；否则修改神经网络隐含层节点个数后，利用BP算法训练模型后，继续计算误差并修正隐含层节点个数，直至满足模型精度。图4.1BP人工神经网络的建模流程4.3.2数据预处理选取某钢铁公司2011年10月份的数据作为样本进行建模。首先进行数据预处理。数据预处理是进行神经网络建模前的准备工作，将很多不符合要求的数据剔除，以及进行必要的数据变化，有利于建模的精确性。只有当建模精度符合要求的时候，对于企业的决策评估才能起到真正的辅助决策的作用。（1）去噪处理“去噪”有很多的方法，包括离群点检测方法、死区处理法、算术平均值法、中值滤波法、低通滤波法、滑动滤波法等，本文采用基于距离的孤立点检测方法。孤立点检测用来发现数据集中小部分对象[71]，这些对象与数据中的一般行为或数据模型有着明显的不同。早期的孤立点检测研究多见于统计领域。基于统计的方法一般只适用于单变量的数据，虽然某些算法也可以检测多变量数据，但需要事先指定（假定）数据服从的分布模型，这两个缺点极大地限制了它的应用。近来，研究人员又提出了各种各样的方法，大致可以分为基于距离的方法、基于深度的方法、基于密度的方法和基于聚类的方法[72]。基于距离的孤立点的概念最早由E.M.Knorr和R.T.Ng[71]提出，S.Ramaswamyetal[73]和S.D.Bayetal[74]分别进行了改进。在这种方法里，一般根据数据对象的最近邻居来判断其是否为孤立点。基于距离的孤立点的优点在于不需知道数据的分布模型，因而可以应用于任何可以用某种距离机制量度的特征空间。孤立点的定义是数据集中到第k个最近邻居的距离最大的n个对象[72]；基于距离的孤立点与基于统计的方法相比有几个优点，首先，它不要求用户知道数据集服从哪种统计分布模型，同时，它克服了基于统计的孤立点检测仅能检测单个属性的缺点。这里的距离量度函数一般使用绝对距离或者欧氏距离。假定数据对象为区间标度变量类型，则绝对距离（又称曼哈顿距离）的定义如下：(4.19)而欧式距离为：(4.20)其中m为数据对象的维(属性)数,表示第个对象第属性的值。这两个距离可统一为：(4.21)这就是明考斯基距离。对其它变量类型的对象距离，也有相应的计算方法[75]。为减低孤立点检测对用户的要求，文献[24]提出基于距离和的孤立点定义，与前文介绍基于距离的孤立点检测方法相同，使用绝对距离或者欧氏距离，首先计算数据集中对象两两之间的距离，然后累计每个对象与其它对象的距离，设M为用户期望的孤立点个数，则距离之和最大的M个对象即为孤立点。基于距离和的孤立点检测可以描述如下：对原始数据集进行标准化后，计算n个对象两两之间的距离形成距离矩阵R:(4.22)令即为矩阵R中第i行的和，值越大，说明对象i与其他的对象距离越远，值最大的M个对象即为孤立点。通过上文孤立点的定义知道孤立点是通过与数据对象距离最大的k个对象来识别。此孤立点定义可以看作该定义的一种变形，因为它实际上是通过对象与数据集中所有其它对象的距离之和来判别异常，那么此时所挑选出的M个对象即为上文定义中的n值。在本文研究中，我们从31组数据中选取6组数据剔除，即k值取31，n取值为6，从图4.2中红色椭圆可以看出，经过处理得出31组数据集中距离和为7，20,14,19,30,12这6组数据。图4.231组样本距离和（2）归一化处理传统上归一化是将样本数据变换到[0,1]或[-1,1]，但是由于BP神经网络的隐含层神经元往往采用Sigmoid转移函数，-1和1是其极值，容易导致训练速度缓慢，甚至不收敛。文[74]提出利用式(4.23)进行数据归一化。(4.23)归一化后的数据范围是[0.2,0.8]，这样就避免了归一化到[0,1]的缺陷。因此本文也采用该方法归一化学习数据。4.3.3基于BP人工神经网络建立炼焦单元能耗模型选取BP神经网络模型的结构确定主要涉及到层数的确定、输入输出单元数的确定、隐含层数目的确定、激励函数的确定、训练方式的选择、训练终止条件等。(1)层数的确定Kolmogrov等人已经证明，基于BP算法的三层反向传播前馈网络模型可以表征任意的非线性关系[77]。基于此，本文采用三层前馈网络作为基本神经网络。它由输入层、隐含层和输出层组成，各层之间实行全连接，层内神经元之间无连接。(2)输入输出节点数的确定炼焦单元能耗预测模型输入层的神经元节点对应于输入变量(参数)即焦化工序能耗以及配合煤质量指标；输出层的神经元节点对应于输出变量(参数)即炼焦单元输入能源、输出能源以及过程状态参数。(3)激励函数激励函数是模型执行对该神经元所获得的网络输入的变换，也称激活函数或激发函数。BP算法学习过程中出现的“平台现象”是指网络在学习的过程中误差在一定的时间范围内，并不随学习次数的增加而减少，而过了这段时间后，误差明显下降的现象。导致“平台现象”的最直接的原因是由于神经元的总输入进入饱和区，而使神经元的饱和非线性作用函数的导数逼近于零，从而使权值、阈值的更新无效。激活函数的种类很多，本研究采用Sigmoid函数，其表达式为：(4.24)其导数为：(4.25)实践表明，该函数可以有效的消除“平台现象”加快收敛速度，具有良好的模型泛化能力。(4)训练终止条件学习过程中，使训练终止的收敛的方式有两种；一是限定训练次数，当训练的次数达到限定次数时，即终止；二是分别设置各输出量的收敛网络误差限定值，当样本的各输出量的绝对误差的平均值都小于设置值时，即终止。模型训练终止条件由用户的具体要求来决定。本研究系统默认训练次数为5000次，网络误差为0.01。(5)隐含层单元数的确定隐含层神经元作用机理到目前还没有非常明确的认识清楚。隐含层神经元的个数的选择是一个十分复杂的问题，尽管很多文献对隐含层单元数的选择提出了许多技巧，但还是没有很好的解析式来确定最佳的隐含层单元数。隐含层单元数太少，网络可能不能训练出来，这是因为使用隐含层单元数少时，局部极小就多；或者网络不“鲁棒”，不能识别以前未见过的样本，容错性差。隐含层单元数过多，将使学习时间过长，误差也不一定最小。本研究采用重复试验法[77]与经验公式法相结合来确定隐含层单元数．重复试验法是对同一批学习样本训练不同隐含层单元数的神经网络，然后用该网络来预报训练样本，计算得出实际值与预测值的最大相对误差、最小相对误差，误差平方和。将预报结果最佳的神经网络隐含层单元数确定为隐含层单元数．经验公式法是根据以下公式试算：(4.26)(4.27)(4.28)式中：n—输入神经元个数；m—输出神经元个数； a—为1-10之间的常数。结合法的思路是：首先利用经验公式法初步试算，然后利用重复试验法来确定。这样可以大大提高模型的正确识别率，减少盲目性。根据式(4.26)得出隐含层数目为15，根据式(4.27)得出隐含层数目为6～15,根据式(4.28)得出隐含层数目为3,选择3种答案的交集，在隐含层单元数范围是6～15的情况下讨论确定最佳取值。本研究的模型结构采用“输入层—隐含层—输出层”的形式，在7-P-13节点模型下，对隐含层单元数完成训练所需步数的研究结果如下表4.1所示。表4.1在7-P-13节点模型下，对隐含层节点数的研究结果隐含层单元数6789101112131415完成训练所需步数3327309428873134284117391468591888481从表4.1可见，在设定训练次数和训练精度要求下，隐含层个数从6到12完成训练所需迭代次数很大，当隐含层神经元的个数在[13,15]之间时，训练次数低于1000。为了确定隐含层单元数，对模型输出与实际输出进行误差计算，如表4.2所示为神经网络的13个输出变量的在隐含层单元数分别为13，14，15时的误差分析。表4.2神经网络13种输出变量在不同隐含层单元数下的误差分析隐含数层单元分析出输络网误差隐含数层单元分析出输络网误差131415焦炉煤气使用量最小相对误差0.00450.00840.0013最大相对误差0.17590.18790.2223误差平方和0.13900.17440.2509高炉煤气使用量最小相对误差0.00080.00060.0034最大相对误差0.29810.39750.3715误差平方和0.29940.38800.2934电使用量最小相对误差0.00110.01140.0012最大相对误差0.19860.24410.1842误差平方和0.15780.23360.1992低压蒸汽使用量最小相对误差0.00060.00100.0050最大相对误差0.23720.38960.3283误差平方和0.19420.25350.2830焦炉煤气发生量最小相对误差0.00170.00590.0067最大相对误差0.32580.12370.2173误差平方和0.34270.09790.1763焦炭最小相对误差0.00710.00650.0009最大相对误差0.21850.23520.3155误差平方和0.27560.32740.2960焦油最小相对误差0.00990.00040.0044最大相对误差0.18920.20620.2408误差平方和0.20200.23730.2561续表4.2神经网络13种输出变量在不同隐含层单元数下的误差分析隐含数层单元分析出输络网误差隐含数层单元分析出输络网误差131415粗苯最小相对误差0.00700.00140.0040最大相对误差0.22490.22570.2601误差平方和0.14070.21930.1974K均匀最小相对误差0.00690.01200.0035最大相对误差0.32120.18590.3047误差平方和0.32540.24630.2832K安定最小相对误差0.00420.00290.0030最大相对误差0.38500.38360.2430误差平方和0.20730.27830.1643K最小相对误差0.00970.00350.0019最大相对误差0.52450.44720.4346误差平方和0.60150.34580.4275装煤系数最小相对误差0.00390.00000.0046最大相对误差0.30060.28250.3689误差平方和0.27730.28760.2626结焦时间最小相对误差0.00400.00070.0023最大相对误差0.12640.27840.2539误差平方和0.08640.18970.1571从表4.2中可以看出，在隐含层单元数为13时，K2的最大相对误差，超过50%，在隐含层个数为14和15时，误差指标都在合理范围内，从降低神经网络复杂程度考虑，选择隐含层个数为14。4.3.4预测效果分析为检验预测模型的泛化性能，选取某钢铁公司焦化厂2010年11月份10组数据作为测试集，分别对过程状态参数和炼焦单元能源产消进行预测，过程状态参数，炼焦单元产消的预测值与实际值的对比数据，最小相对误差，最大相对误差以及相应的误差平方和如下表4.3-表4.7所示。表4.3神经网络输出变量实际值与输出值(1)网络输出样本编号号网络输出样本编号号焦炉煤气(消耗)高炉煤气(消耗)电(消耗)低压蒸汽(消耗)焦炉煤气(产出)焦炭(产出)焦油(产出)1实际值0.78650.60840.43150.65470.67130.79980.7999续表4.3神经网络输出变量实际值与输出值(1)输出网络编号样本输出网络编号样本焦炉煤气(消耗)高炉煤气(消耗)电(消耗)低压蒸汽(消耗)焦炉煤气(产出)焦炭(产出)焦油(产出)预测值0.78490.49640.43360.50440.60720.67060.87182实际值0.75680.79990.31390.45880.72360.79990.7385预测值0.61910.65600.36390.56660.69890.70150.82823实际值0.79990.76810.51970.79080.74960.56050.5847预测值0.73540.58560.46550.60680.62340.49860.56124实际值0.74520.64370.49230.79990.61640.26140.3169预测值0.73300.83010.40730.76130.69080.33740.35165实际值0.73550.59990.51560.65870.70190.38940.3792预测值0.60410.73790.47960.62050.72540.47690.43206实际值0.60450.63430.26230.74350.19990.19990.1999预测值0.71220.69470.31090.66030.19370.20610.15307实际值0.57500.29660.19990.74350.34960.69760.7918预测值0.73410.23010.21540.68710.40370.61260.88898实际值0.74070.19990.50830.44060.65510.73680.7984预测值0.70100.19340.57000.50540.72180.65330.71229实际值0.68730.49400.25430.49520.79990.79170.7957预测值0.62370.43460.28340.42970.61960.61730.756110实际值0.19990.27380.79990.19990.79720.60270.6748预测值0.14160.28040.70900.24550.64520.71390.7822表4.4神经网络输出变量实际值与输出值(2)样本编号网络输出样本编号网络输出粗苯(产出)K装煤K均匀K安定K结焦时间1实际值0.79750.73600.19990.79990.79990.6590预测值0.76640.67040.18290.79990.77520.62662实际值0.66410.77020.49590.79990.79990.7094预测值0.72550.79390.50100.79990.72230.70633实际值0.60620.69680.6824