CN109710976A - 一种轧钢加热炉煤气消耗量预测方法 - Google Patents
一种轧钢加热炉煤气消耗量预测方法 Download PDFInfo
- Publication number
- CN109710976A CN109710976A CN201811430627.5A CN201811430627A CN109710976A CN 109710976 A CN109710976 A CN 109710976A CN 201811430627 A CN201811430627 A CN 201811430627A CN 109710976 A CN109710976 A CN 109710976A
- Authority
- CN
- China
- Prior art keywords
- heating furnace
- gas
- consumption amount
- gas consumption
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Control Of Heat Treatment Processes (AREA)
Abstract
一种轧钢加热炉煤气消耗量预测方法,以轧钢系统生产计划、设备检修计划、加热炉近年的生产数据、煤气消耗指标及热平衡测试数据为基本参数,以当日加热钢种计划、加热炉小时产量计划、钢坯入炉及出炉平均温度、空气与煤气平均预热温度为动态预测修正参数,通过热平衡测试,建立统计分析与机理相结合的数学模型,进行轧钢加热炉煤气消耗量的中、长期及短期预测。通过动态、高精度预测轧钢加热炉煤气消耗量,有效解决了大型钢铁联合企业煤气系统平衡、优化调度过程中所存在的轧钢加热炉煤气消耗量不能精准预测的问题;对提高企业副产煤气利用效率、降低煤气放散率具有重要作用。
Description
技术领域
本发明涉及冶金热工节能技术领域,特别涉及一种轧钢加热炉煤气消耗量预测方法。
背景技术
煤气是钢铁企业最为重要的二次能源,是钢铁企业赖以生存的“血液循环”系统,煤气利用效率的高低,直接决定了钢铁企业能源利用的水平,做到“零放散”是每个钢铁企业煤气管理的最终目标。实现煤气零放散的技术基础就是煤气的动态平衡调度,而实现煤气动态平衡调度的前提是:对未来发生的煤气量及用户消耗的煤气量进行精准预测。通过调整煤气发生设备、使用设备及缓冲设备的操作,实现未来时段煤气的平衡。钢铁企业煤气的消耗大户有热风炉、加热炉、焦炉、白灰窑等。由于生产计划的不确定性,煤气消耗的预测结果难以达到所需的精度要求。
专利“基于热风炉组的煤气消耗量预测模型建立方法及装置”(CN201510004731.8)公开了一种基于热风炉组的煤气消耗量预测模型建立方法及装置,该方法包括:获取热风炉组的历史数据;根据获取的在每个采样时刻每座热风炉的状态,确定热风炉组的燃烧状态循环周期和在一个燃烧状态循环周期内经历燃烧状态的热风炉;将历史数据按照燃烧状态循环周期进行划分,将最后一个燃烧状态循环周期之前的燃烧状态循环周期内的历史数据确定为训练集;分别将训练集包括的每个燃烧状态循环周期中相同采样时刻的煤气消耗量,确定为对应采样时刻的原始数据序列;将平均值模型作为转换时段的煤气消耗量预测模型;根据非转换时段的每个采样时刻的原始数据序列和灰色模型确定对应采样时刻的煤气消耗量预测模型。由于热风炉的生产较为稳定,采用时间序列进行热风炉煤气消耗预测可行,但加热炉的生产影响因素过多,采用时间序列不能满足预测精度要求。
对于轧钢加热炉煤气消耗量的预测,目前在国内尚未查到已公开的专利技术。论文“钢铁企业煤气产出和消耗动态模型”分析了钢铁企业副产煤气发生和使用的特点,针对每种副产煤气的发生设备和使用用户,分别建立了煤气产出和消耗动态模型,并对一个钢铁企业煤气的产出和消耗进行了实例计算,实例仿真结果表明:利用煤气产出和消耗动态模型计算的结果基本与实际数据吻合。提出增设高炉煤气柜或将高炉煤气引人转炉煤气柜以解决高炉煤气大量放散问题的措施;指出该厂由于副产转炉煤气中氧气体积分数较高,造成回收率较低;同时说明作业计划的准确以及计量仪表的精确是煤气动态仿真预测的重要因素。在轧钢加热炉煤气消耗预测模型中参考生产工艺的变化,将加热炉生产条件分为四种状态进行时间序列预测,但受轧制产量、钢种、规格、钢坯入炉及出炉温度、空、煤气预热温度等条件变化,都将对加热炉煤气消耗产生较大影响,因此其预测精度不能满足煤气动态平衡调度的要求。
综上所述,煤气消耗量预测一般采用时间序列模型,但对于轧钢加热炉这种操作复杂、生产多变、影响因素众多的煤气消耗量预测,其模型精度往往不能满足生产要求。本专利采用机理分析与多条件耦合的加热炉煤气消耗量中、长期和短期预测,并依据预测前一周期生产条件的变化,对模型进行滚动修正,以提高模型的预测精度,实现工业应用。
发明内容
轧钢加热炉是煤气消耗大户,约占轧钢工序总能耗的70%以上,准确预测轧钢加热炉煤气消耗量,对钢铁企业煤气系统平衡与优化调度具有重要作用,为了解决背景技术中所述问题,本发明提供一种轧钢加热炉煤气消耗量预测方法,能够为轧钢加热炉煤气消耗量精准预测提供技术支撑。
为了达到上述目的,本发明采用以下技术方案实现:
一种轧钢加热炉煤气消耗量预测方法,所述的方法以轧钢系统生产计划、设备检修计划、加热炉近年的生产数据、煤气消耗指标及热平衡测试数据为基本参数,以当日加热钢种计划、加热炉小时产量计划、钢坯入炉及出炉平均温度、空气与煤气平均预热温度为动态预测修正参数,通过热平衡测试,建立统计分析与机理相结合的数学模型,进行轧钢加热炉煤气消耗量的中、长期及短期预测。具体包括如下步骤:
步骤一、按加热制度对钢种进行分类;按钢种所属类别,分别统计各台加热炉近年来的生产数据;包括:加热炉小时产量、加热钢种、钢坯平均装炉温度及热装率,空、煤气平均预热温度及煤气单耗;
步骤二、每年对各台加热炉进行一次典型工况的热平衡测试,获得该工况条件下的加热炉煤气单耗、热效率、热收入及热损失项数据,并存入该加热炉历史数据库;
步骤三、建立单座加热炉煤气消耗量(或单耗)预测数学模型。
步骤3.1加热炉煤气消耗量中、长期(周、月、季、年)预测模型:
依据企业年、季、月、周生产计划、设备检修计划、轧制钢种、煤气热值,建立下列数学模型,进行加热炉煤气消耗量中、长期预测:
(1)单座加热炉煤气消耗量中、长期预测模型
Qg=Q0ekp (1)
b=Qg/p (2)
b=Q0ekp/p (3)
B=Qg/Qd (4)
式中:Qg:加热炉供热负荷(kj/h),Q0:空炉热负荷(kj/h),p:加热炉小时产量(t/h),k:统计系数,b:加热炉单耗(kj/t),B:加热炉煤气消耗量(Nm3/h),Qd:煤气热值(平均低发热量),(kj/N m3);其中Q0在待轧工况下进行标定,各钢种的k值通过加热炉生产历史数据回归获得;
(2)多座加热炉煤气消耗量中、长期预测模型
首先利用上述单座加热炉煤气消耗量中、长期预测模型(1)~(4)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算;
式中:Bz:煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),t:预测时间周期(h),n:生产的加热炉座数;
步骤3.2加热炉煤气消耗量短期(10分钟、1小时、4小时、班)预测模型
以上述加热炉煤气消耗量中、长期预测数据为基础,以前一预测周期内在线采集到的钢坯热装温度、钢坯出炉温度、空气预热温度、煤气预热温度、加热炉实际产量为修正变量,建立加热炉煤气消耗量短期预测模型;
(1)单座加热炉煤气消耗量短期(t时段)预测模型
考虑到各座加热炉的实际工况,抓住影响煤气消耗量的主要因素,进行动态修正;
①钢坯入炉温度变化对加热炉煤气消耗量(或单耗)的影响:
η=Qx/Qg (6)
Qx=(C2T2-C1T1)×p (7)
b=(C2T2-C1T1)/η (8)
式中:η:加热炉热效率(%),Qx:钢坯获得的有效热(kj/h),Qg:加热炉供热负荷(kj/h),C1、C2:钢坯入炉与出炉时的平均比热(kj/Kg.℃),T1、T2:分别为钢坯入炉与出炉平均温度(℃),b:加热炉单耗(kj/t);
当加热炉其它条件不变(或相对变化较小),只有钢坯入炉温度由T1变为T11,钢坯入炉时比热从C1变为C11时,则煤气单耗变化:
Δb1=(C11T11-C1T1)/η (9)
②钢坯出炉温度变化对热炉煤气消耗量(或单耗)的影响:
同理,当加热炉其它条件不变(或相对变化较小),只有钢坯出炉温度由T2变为T22,钢坯出炉时比热从C2变为C22时,则煤气单耗变化:
Δb2=(C22T22-C2T2)/η (10)
关于加热炉热效率η,它是随着钢坯入炉温度及出炉温度的变化而变化的,不同钢坯入炉温度与出炉温度条件下的η,可通过热平衡计算或历史数据统计回归获得;
③空气与煤气预热温度变化对加热炉煤气消耗量(或单耗)的影响:
Qk=(Ck2Tk2-Ck1Tk1)Vk (11)
Qm=(Cm2Tm2-Cm1Tm1)Vm (12)
η=(Qg+Qk+Qm-Qs)/Qg (13)
Qg=(Qs-Qk-Qm)/(1-η) (14)
b=(Qs-Qk-Qm)/p(1-η) (15)
式中:Qk、Qm:分别为空气与煤气预热后带入炉膛的物理热(kj/h),
Ck1、Ck2、Cm1、Cm2:分别为空气与煤气入口与出口时的平均比热(kj/m3.℃),
Tk1、Tk2、Tm1、Tm2:分别为空气与煤气入口与出口时的平均温度(℃),
Vk、Vm:分别为预测前一周期的空气与煤气的小时体积流量(Nm3/h),
Qs:加热炉所有热损失(kj/h);
当加热炉其它条件不变(或相对变化较小),只有空气与煤气预热温度(或空气与煤气带入的物理热)发生变化,则加热炉煤气单耗的变化按下式计算:
Δb3=(ΔQk+ΔQm)/P(1-η) (16)
④当加热炉出现待轧时,依据待轧时间长短,按待轧制度标定其加热炉供热负荷;
Qg=f(t),式中:t为待轧时间(min),
⑤当钢坯计数器采集到的累计数据(折成小时产量)与计划产量出现偏差时,对加热炉实际产量按下式进行动态修正:
P(t)=P+ΔP (17)
式中:ΔP>0,表示实际产量大于计划产量,ΔP≤0,表示实际产量小于或等于计划产量。
⑥单座加热炉煤气消耗量短期(t时段)预测模型按下式计算:
以预测周期的生产计划及加热炉的排产计划(产量、钢种)为基础,以前一预测周期采集到的数据(钢坯入炉及出炉温度、空气与煤气预热温度、待轧时间、实际加热炉小时产量)为参考进行动态修正,其预测数学模型为:
Qg(t)=Q0ekp+[Δb1(t-1)+Δb2(t-1)+Δb3(t-1)]×P(t)+f(t)……(18)
B(t)=Qg(t)/Qd(t)……(19)
式中:Qg(t):t时段第i座加热炉供热负荷(kj/h),
Δb1(t-1)、Δb2(t-1)、Δb3(t-1):分别为前一预测周期(t-1)时段钢坯入炉温度、出炉温度、空、煤气预热温度引起的加热炉单耗变化量,B(t):t时段第i座加热炉煤气消耗量(Nm3/h);
(2)多座(n座)加热炉煤气消耗量短期(m时段)预测模型按下式计算:
首先利用上述单座加热炉煤气消耗量短期期预测模型(6)~(19)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算。
式中:Bz(t):煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),t:预测时间周期(h);
为提高模型动态预测精度,依据加热炉出钢频率,每10分钟进行一次滚动预测修正。
与现有技术相比,本发明的有益效果是:
通过动态、高精度预测轧钢加热炉煤气消耗量,有效解决了大型钢铁联合企业煤气系统平衡、优化调度过程中所存在的轧钢加热炉煤气消耗量不能精准预测的问题;对提高企业副产煤气利用效率、降低煤气放散率具有重要作用。
附图说明
图1为本发明实施例的轧钢设备工艺图。
其中:1-轧钢加热炉、2-红外测温仪、3-钢坯计数器、4-第一架轧机、5-红外测温仪、6-炉尾烟道、7-空气换热器、8-煤气换热器、9-烟囱、10-鼓风机、11-空气管道总管、12-流量孔板、13-热风管道、14-热电偶、15-煤气管网、16-煤气管道总管、17-流量孔板、18-煤气管道、19-热电偶。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
一种轧钢加热炉煤气消耗量预测方法,所述的方法以轧钢系统生产计划、设备检修计划、加热炉近两年的生产数据、煤气消耗指标及热平衡测试数据为基本参数,以当日加热钢种计划、加热炉小时产量计划、钢坯入炉及出炉平均温度、空气与煤气平均预热温度为动态预测修正参数,通过热平衡测试,建立统计分析与机理相结合的数学模型,进行轧钢加热炉煤气消耗量的中、长期及短期预测。
如图1所示,在轧钢加热炉(1)的进料端被加热钢坯的上方,安装红外测温仪(2),对入炉钢坯进行在线测温;在轧钢加热炉(1)出料端的上方安装钢坯计数器(3),对加热炉小时产量进行在线实时跟踪计算;在第一架轧机(4)后轧制钢坯的上方安装红外测温仪(5),对出炉钢坯进行在线测温;加热炉烟气经过炉尾烟道(6)中安装的空气换热器(7)和煤气换热器(8)后,从烟囱(9)排除;鼓风机(10)鼓出的冷空气,经过空气管道总管(11)中的流量孔板(12)进行在线流量检测,通过空气换热器预热后的热空气,经过热风管道(13)中安装的测温热电偶(14),进行实时风温测量,之后送入加热炉燃烧器;从煤气管网(15)送出的煤气经过煤气管道总管(16)中的流量孔板(17)进行在线流量检测;煤气进入煤气换热器预热后,经过煤气管道(18)中安装的测温热电偶(19)进行煤气预热温度检测,之后送入加热炉燃烧器。将采集到的上述数据及生产计划、设备检修计划、ERP数据送入计算机系统,进行预测模型计算。
预测方法具体包括如下步骤:
步骤一、按加热制度对钢种进行分类;按钢种所属类别,分别统计各台加热炉近两年来的生产数据;包括:加热炉小时产量、加热钢种、钢坯平均装炉温度及热装率,空、煤气平均预热温度及煤气单耗;
步骤二、每年对各台加热炉进行一次典型工况的热平衡测试,获得该工况条件下的加热炉煤气单耗、热效率、热收入及热损失项数据,并存入该加热炉历史数据库;
步骤三、建立单座加热炉煤气消耗量(或单耗)预测数学模型。
步骤3.1加热炉煤气消耗量中、长期(周、月、季、年)预测模型:
依据企业年、季、月、周生产计划、设备检修计划、轧制钢种、煤气热值,建立下列数学模型,进行加热炉煤气消耗量中、长期预测:
(1)单座加热炉煤气消耗量中、长期预测模型
Qg=Q0ekp (1)
b=Qg/p (2)
b=Q0ekp/p (3)
B=Qg/Qd (4)
式中:Qg:加热炉供热负荷(kj/h),Q0:空炉热负荷(kj/h),p:加热炉小时产量(t/h),k:统计系数,b:加热炉单耗(kj/t),B:加热炉煤气消耗量(Nm3/h),Qd:煤气热值(平均低发热量),(kj/N m3);其中Q0在待轧工况下进行标定,各钢种的k值通过加热炉生产历史数据回归获得;
(2)多座加热炉煤气消耗量中、长期预测模型
首先利用上述单座加热炉煤气消耗量中、长期预测模型(1)~(4)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算;
式中:Bz:煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),t:预测时间周期(h),n:生产的加热炉座数;
步骤3.2加热炉煤气消耗量短期(10分钟、1小时、4小时、班)预测模型
以上述加热炉煤气消耗量中、长期预测数据为基础,以前一预测周期内在线采集到的钢坯热装温度、钢坯出炉温度、空气预热温度、煤气预热温度、加热炉实际产量为修正变量,建立加热炉煤气消耗量短期预测模型;
(1)单座加热炉煤气消耗量短期(t时段)预测模型
考虑到各座加热炉的实际工况,抓住影响煤气消耗量的主要因素,进行动态修正;
⑤钢坯入炉温度变化对加热炉煤气消耗量(或单耗)的影响:
η=Qx/Qg (6)
Qx=(C2T2-C1T1)×p (7)
b=(C2T2-C1T1)/η (8)
式中:η:加热炉热效率(%),Qx:钢坯获得的有效热(kj/h),Qg:加热炉供热负荷(kj/h),C1、C2:钢坯入炉与出炉时的平均比热(kj/Kg.℃),T1、T2:分别为钢坯入炉与出炉平均温度(℃),b:加热炉单耗(kj/t);
当加热炉其它条件不变(或相对变化较小),只有钢坯入炉温度由T1变为T11,钢坯入炉时比热从C1变为C11时,则煤气单耗变化:
Δb1=(C11T11-C1T1)/η (9)
⑥钢坯出炉温度变化对热炉煤气消耗量(或单耗)的影响:
同理,当加热炉其它条件不变(或相对变化较小),只有钢坯出炉温度由T2变为T22,钢坯出炉时比热从C2变为C22时,则煤气单耗变化:
Δb2=(C22T22-C2T2)/η (10)
关于加热炉热效率η,它是随着钢坯入炉温度及出炉温度的变化而变化的,不同钢坯入炉温度与出炉温度条件下的η,可通过热平衡计算或历史数据统计回归获得;
⑦空气与煤气预热温度变化对加热炉煤气消耗量(或单耗)的影响:
Qk=(Ck2Tk2-Ck1Tk1)Vk (11)
Qm=(Cm2Tm2-Cm1Tm1)Vm (12)
η=(Qg+Qk+Qm-Qs)/Qg (13)
Qg=(Qs-Qk-Qm)/(1-η) (14)
b=(Qs-Qk-Qm)/p(1-η) (15)
式中:Qk、Qm:分别为空气与煤气预热后带入炉膛的物理热(kj/h),
Ck1、Ck2、Cm1、Cm2:分别为空气与煤气入口与出口时的平均比热(kj/m3.℃),
Tk1、Tk2、Tm1、Tm2:分别为空气与煤气入口与出口时的平均温度(℃),
Vk、Vm:分别为预测前一周期的空气与煤气的小时体积流量(Nm3/h),
Qs:加热炉所有热损失(kj/h);
当加热炉其它条件不变(或相对变化较小),只有空气与煤气预热温度(或空气与煤气带入的物理热)发生变化,则加热炉煤气单耗的变化按下式计算:
Δb3=(ΔQk+ΔQm)/P(1-η) (16)
⑧当加热炉出现待轧时,依据待轧时间长短,按待轧制度标定其加热炉供热负荷;
Qg=f(t),式中:t为待轧时间(min),
⑤当钢坯计数器采集到的累计数据(折成小时产量)与计划产量出现偏差时,对加热炉实际产量按下式进行动态修正:
P(t)=P+ΔP (17)
式中:ΔP>0,表示实际产量大于计划产量,ΔP≤0,表示实际产量小于或等于计划产量。
⑥单座加热炉煤气消耗量短期(t时段)预测模型按下式计算:
以预测周期的生产计划及加热炉的排产计划(产量、钢种)为基础,以前一预测周期采集到的数据(钢坯入炉及出炉温度、空气与煤气预热温度、待轧时间、实际加热炉小时产量)为参考进行动态修正,其预测数学模型为:
Qg(t)=Q0ekp+[Δb1(t-1)+Δb2(t-1)+Δb3(t-1)]×P(t)+f(t)……(18)
B(t)=Qg(t)/Qd(t)……(19)
式中:Qg(t):t时段第i座加热炉供热负荷(kj/h),
Δb1(t-1)、Δb2(t-1)、Δb3(t-1):分别为前一预测周期(t-1)时段钢坯入炉温度、出炉温度、空、煤气预热温度引起的加热炉单耗变化量,B(t):t时段第i座加热炉煤气消耗量(Nm3/h);
(2)多座(n座)加热炉煤气消耗量短期(m时段)预测模型按下式计算:
首先利用上述单座加热炉煤气消耗量短期期预测模型(6)~(19)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算。
式中:Bz(t):煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),t:预测时间周期(h);
为提高模型动态预测精度,依据加热炉出钢频率,每10分钟进行一次滚动预测修正。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (2)
1.一种轧钢加热炉煤气消耗量预测方法,其特征在于,所述的方法以轧钢系统生产计划、设备检修计划、加热炉近年的生产数据、煤气消耗指标及热平衡测试数据为基本参数,以当日加热钢种计划、加热炉小时产量计划、钢坯入炉及出炉平均温度、空气与煤气平均预热温度为动态预测修正参数,通过热平衡测试,建立统计分析与机理相结合的数学模型,进行轧钢加热炉煤气消耗量的中、长期及短期预测;具体包括如下步骤:
步骤一、按加热制度对钢种进行分类;按钢种所属类别,分别统计各台加热炉近年来的生产数据;包括:加热炉小时产量、加热钢种、钢坯平均装炉温度及热装率,空、煤气平均预热温度及煤气单耗;
步骤二、每年对各台加热炉进行一次典型工况的热平衡测试,获得该工况条件下的加热炉煤气单耗、热效率、热收入及热损失项数据,并存入该加热炉历史数据库;
步骤三、建立单座加热炉煤气消耗量预测数学模型。
2.根据权利要求1所述的一种轧钢加热炉煤气消耗量预测方法,其特征在于,所述的步骤三具体包括如下步骤:
步骤3.1加热炉煤气消耗量中、长期预测模型,中、长期包括:周、月、季、年;
依据企业年、季、月、周生产计划、设备检修计划、轧制钢种、煤气热值,建立下列数学模型,进行加热炉煤气消耗量中、长期预测:
(1)单座加热炉煤气消耗量中、长期预测模型
Qg=Q0ekp (1)
b=Qg/p (2)
b=Q0ekp/p (3)
B=Qg/Qd (4)
式中:Qg:加热炉供热负荷(kj/h),Q0:空炉热负荷(kj/h),p:加热炉小时产量(t/h),k:统计系数,b:加热炉单耗(kj/t),B:加热炉煤气消耗量(Nm3/h),Qd:煤气低倍发热量,(kj/Nm3);其中Q0在待轧工况下进行标定,各钢种的k值通过加热炉生产历史数据回归获得;
(2)多座加热炉煤气消耗量中、长期预测模型
首先利用上述单座加热炉煤气消耗量中、长期预测模型(1)~(4)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算;
式中:Bz:煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),t:预测时间周期(h),n:生产的加热炉座数;
步骤3.2加热炉煤气消耗量短期预测模型
加热炉煤气消耗量短期预测模型,短期包括:10分钟、1小时、4小时、8小时
以上述加热炉煤气消耗量中、长期预测数据为基础,以前一预测周期内在线采集到的钢坯热装温度、钢坯出炉温度、空气预热温度、煤气预热温度、加热炉实际产量为修正变量,建立加热炉煤气消耗量短期预测模型;
(1)单座加热炉煤气消耗量短期预测模型
考虑到各座加热炉的实际工况,抓住影响煤气消耗量的主要因素,进行动态修正;
①钢坯入炉温度变化对加热炉煤气消耗量的影响:
η=Qx/Qg (6)
Qx=(C2T2-C1T1)×p (7)
b=(C2T2-C1T1)/η (8)
式中:η:加热炉热效率(%),Qx:钢坯获得的有效热(kj/h),Qg:加热炉供热负荷(kj/h),C1、C2:钢坯入炉与出炉时的平均比热(kj/Kg.℃),T1、T2:分别为钢坯入炉与出炉平均温度(℃),p:加热炉产量(t/h),b:加热炉单耗(kj/t);
当加热炉其它条件不变,只有钢坯入炉温度由T1变为T11,钢坯入炉时比热从C1变为C11时,则煤气单耗变化:
Δb1=(C11T11-C1T1)/η (9)
②钢坯出炉温度变化对热炉煤气消耗量的影响:
同理,当加热炉其它条件不变,只有钢坯出炉温度由T2变为T22,钢坯出炉时比热从C2变为C22时,则煤气单耗变化:
Δb2=(C22T22-C2T2)/η (10)
关于加热炉热效率η,它是随着钢坯入炉温度及出炉温度的变化而变化的,不同钢坯入炉温度与出炉温度条件下的η,可通过热平衡计算或历史数据统计回归获得;
③空气与煤气预热温度变化对加热炉煤气消耗量的影响:
Qk=(Ck2Tk2-Ck1Tk1)Vk (11)
Qm=(Cm2Tm2-Cm1Tm1)Vm (12)
η=(Qg+Qk+Qm-Qs)/Qg (13)
Qg=(Qs-Qk-Qm)/(1-η) (14)
b=(Qs-Qk-Qm)/p(1-η) (15)
式中:Qk、Qm:分别为空气与煤气预热后带入炉膛的物理热(kj/h),
Ck1、Ck2、Cm1、Cm2:分别为空气与煤气入口与出口时的平均比热(kj/m3.℃),
Tk1、Tk2、Tm1、Tm2:分别为空气与煤气入口与出口时的平均温度(℃),
Vk、Vm:分别为预测前一周期的空气与煤气的小时体积流量(Nm3/h),
Qs:加热炉所有热损失(kj/h);
当加热炉其它条件不变,只有空气与煤气预热温度发生变化,则加热炉煤气单耗的变化按下式计算:
Δb3=(ΔQk+ΔQm)/P(1-η) (16)
④当加热炉出现待轧时,依据待轧时间长短,按待轧制度标定其加热炉供热负荷;
Qg=f(t),式中:t为待轧时间(min),
⑤当钢坯计数器采集到的累计数据与计划产量出现偏差时,对加热炉实际产量按下式进行动态修正:
P(t)=P+ΔP (17)
式中:ΔP>0,表示实际产量大于计划产量,ΔP≤0,表示实际产量小于或等于计划产量;
⑤单座加热炉煤气消耗量短期预测模型按下式计算:
以预测周期的生产计划及加热炉的排产计划为基础,以前一预测周期采集到的钢坯入炉温度、钢坯出炉温度、空气预热温度、煤气预热温度、待轧时间、实际加热炉小时产量等数据为参考进行动态修正,其预测数学模型为:
Qg(t)=Q0ekp+[Δb1(t-1)+Δb2(t-1)+Δb3(t-1)]×P(t)+f(t)……(18)
B(t)=Qg(t)/Qd(t)……(19)
式中:Qg(t):t时段第i座加热炉供热负荷(kj/h),
Δb1(t-1)、Δb2(t-1)、Δb3(t-1):分别为前一预测周期(t-1)时段钢坯入炉温度、出炉温度、空、煤气预热温度引起的加热炉单耗变化量,B(t):t时段第i座加热炉煤气消耗量(Nm3/h);
(2)多座加热炉煤气消耗量短期预测模型按下式计算:
首先利用上述单座加热炉煤气消耗量短期期预测模型(6)~(19)式,分别求出第i座加热炉预测周期的煤气消耗量,然后进行求和计算;
式中:Bz(t):煤气消耗总量(Nm3),B(i):第i座加热炉煤气消耗量(Nm3/h),1≤i≤n;t:预测时间周期(h),0≤t≤m;
为提高模型动态预测精度,依据加热炉出钢频率,每10分钟进行一次滚动预测修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430627.5A CN109710976B (zh) | 2018-11-28 | 2018-11-28 | 一种轧钢加热炉煤气消耗量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430627.5A CN109710976B (zh) | 2018-11-28 | 2018-11-28 | 一种轧钢加热炉煤气消耗量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109710976A true CN109710976A (zh) | 2019-05-03 |
CN109710976B CN109710976B (zh) | 2023-05-16 |
Family
ID=66255235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811430627.5A Active CN109710976B (zh) | 2018-11-28 | 2018-11-28 | 一种轧钢加热炉煤气消耗量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710976B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110699502A (zh) * | 2019-09-30 | 2020-01-17 | 鞍钢集团自动化有限公司 | 一种高精度预测高炉热风炉煤气消耗量的方法 |
CN112650786A (zh) * | 2020-12-21 | 2021-04-13 | 河南德尔液空科技有限公司 | 一种多区域空气分离设备ai智能监测系统 |
CN113050573A (zh) * | 2021-03-26 | 2021-06-29 | 山东莱钢永锋钢铁有限公司 | 一种基于生产节奏的空压机节能的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318228A (ja) * | 2005-05-12 | 2006-11-24 | Nippon Steel Corp | 熱間圧延工場の加熱・圧延スケジュール作成装置、作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
CN104316559A (zh) * | 2014-10-16 | 2015-01-28 | 武汉钢铁(集团)公司 | 一种能准确反映轧钢加热炉动态热平衡的测试方法 |
CN104615856A (zh) * | 2015-01-06 | 2015-05-13 | 莱芜钢铁集团电子有限公司 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
CN105303243A (zh) * | 2014-06-09 | 2016-02-03 | 鞍钢股份有限公司 | 一种高炉煤气预测平衡调度系统及方法 |
CN108717499A (zh) * | 2018-05-24 | 2018-10-30 | 山东钢铁股份有限公司 | 一种轧钢加热炉燃耗分析方法及系统 |
-
2018
- 2018-11-28 CN CN201811430627.5A patent/CN109710976B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318228A (ja) * | 2005-05-12 | 2006-11-24 | Nippon Steel Corp | 熱間圧延工場の加熱・圧延スケジュール作成装置、作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
CN105303243A (zh) * | 2014-06-09 | 2016-02-03 | 鞍钢股份有限公司 | 一种高炉煤气预测平衡调度系统及方法 |
CN104316559A (zh) * | 2014-10-16 | 2015-01-28 | 武汉钢铁(集团)公司 | 一种能准确反映轧钢加热炉动态热平衡的测试方法 |
CN104615856A (zh) * | 2015-01-06 | 2015-05-13 | 莱芜钢铁集团电子有限公司 | 基于热风炉组的煤气消耗量预测模型建立方法及装置 |
CN108717499A (zh) * | 2018-05-24 | 2018-10-30 | 山东钢铁股份有限公司 | 一种轧钢加热炉燃耗分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘强 等: "鞍钢蓄热- 换热联用式轧钢加热炉的应用分析与实践", 《冶金能源》 * |
聂秋平等: "一种基于消耗预测的钢铁企业煤气平衡与数据校正方法", 《化工自动化及仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110699502A (zh) * | 2019-09-30 | 2020-01-17 | 鞍钢集团自动化有限公司 | 一种高精度预测高炉热风炉煤气消耗量的方法 |
CN112650786A (zh) * | 2020-12-21 | 2021-04-13 | 河南德尔液空科技有限公司 | 一种多区域空气分离设备ai智能监测系统 |
CN113050573A (zh) * | 2021-03-26 | 2021-06-29 | 山东莱钢永锋钢铁有限公司 | 一种基于生产节奏的空压机节能的方法 |
CN113050573B (zh) * | 2021-03-26 | 2022-09-13 | 山东莱钢永锋钢铁有限公司 | 一种基于生产节奏的空压机节能的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109710976B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105423334B (zh) | 热风炉燃烧过程智能控制系统及方法 | |
CN109710976A (zh) | 一种轧钢加热炉煤气消耗量预测方法 | |
CN101509812B (zh) | 一种冶金加热炉炉内钢坯温度分布检测的软测量方法 | |
CN101498554B (zh) | 高炉串罐自动喷煤控制系统及方法 | |
Lu et al. | An energy apportionment model for a reheating furnace in a hot rolling mill–A case study | |
CN104750131A (zh) | 一种基于参数辨识的流化床温度控制方法 | |
CN109307437B (zh) | 一种蓄热式工业加热炉的优化燃烧控制系统及其方法 | |
CN104101105B (zh) | 一种原油加热炉温度的复合控制方法及其装置 | |
CN102732660A (zh) | 一种基于多源信息融合的料面温度场检测方法 | |
CN103243190B (zh) | 一种预测热风炉煤气消耗量的方法 | |
CN103019097A (zh) | 一种轧钢加热炉优化控制系统 | |
CN106521059A (zh) | 用相控阵雷达测量高炉料面矿焦比来控制高炉气流分布的方法 | |
CN104894362A (zh) | 一种冷热钢坯混装的加热炉炉温设定方法 | |
CN101398258B (zh) | 气煤混喷自动控制系统及其方法 | |
CN103882221A (zh) | 热轧加热炉模型中动态预测板坯最短在炉时间的方法 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN109385285A (zh) | 一种焦炉自动加热优化系统 | |
CN110699502B (zh) | 一种高精度预测高炉热风炉煤气消耗量的方法 | |
CN102994730B (zh) | 一种加热炉内钢坯温度跟踪的方法 | |
CN109086949B (zh) | 基于煤气成份变化的高炉煤气发生量及其热值预测方法 | |
CN106547254B (zh) | 一种钢铁联合企业煤气的平衡及调度方法 | |
CN107976976B (zh) | 一种钢铁企业煤气消耗设备时序优化方法 | |
CN102297451B (zh) | 一种加热炉气氛场调控方法 | |
CN106011353B (zh) | 一种高炉热风炉空燃比自寻优方法 | |
CN108984943A (zh) | 加热炉钢坯温度跟踪模型修正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |