CN112215464B - 一种多工况下高炉煤气的预测平衡调度系统 - Google Patents

Abstract

本申请涉及一种多工况下高炉煤气的预测平衡调度系统，包括高炉煤气发生量预测模块：将高炉内反应的工艺过程参数结合时间序列预测高炉煤气发生量；操作工艺辅助优化模块：针对煤气用户进行用气的操作建议，使其运行节拍稳定；异常事件预警模块：针对生产异常的工况进行实时监测与预警；智能调度优化模块：按照各调节单位的调节能力的大小和响应速度做优先级排序，并根据煤气预测量优化分配。本申请能够实现在顺行生产和生产异常的不同情况下对煤气发生量的精准预测，并结合调节单位的优先级顺序及调节能力限制，给出最佳调度组合。

Description

一种多工况下高炉煤气的预测平衡调度系统

技术领域

本申请涉及一种多工况下高炉煤气的预测平衡调度系统，适用于煤气调度的技术领域。

背景技术

高炉煤气(BFG)是钢铁冶炼过程中的重要副产物，通过管道回收后可作为钢厂下游生产车间加热设备的主要能耗资源。由于生产工艺过程复杂，原料、环境、工艺操作参数的多种因素影响，BFG在生产过程中常伴有波动，实际生产过程中，BFG的产量预估大多数情况是依靠现场操作人员的生产经验完成的。下游热风炉、加热炉、发电等由于高炉产气量波动造成用气量频繁波动，导致煤气管网产用气不平衡、主管压力波动大，大大增加了生产操作、煤气调度的难度。另外，当管网压力过高时，一部分高炉煤气将被迫放散处理，造成能源损失和成本增加；当管网压力过低时，部分用户则会因加热质量受到影响而被迫停产。

因此，现有技术中急需一种能够适用多工况下高炉煤气的预测平衡调度系统，使其能够对高炉煤气的发生、利用和调度控制环节能够实现自动控制和平衡，从而实现煤气管网压力的持续稳定，优化高炉煤气的调度决策。

发明内容

本申请通过研究高炉炼铁工艺的周期性变化和波动，并结合时间序列分析，实现在顺行生产和生产异常的不同情况下对煤气发生量的较精准预测；同时，基于产用气量的预测值，并结合调节单位的优先级顺序及调节能力限制，给出最佳调度组合，下发最优调度建议。

根据本申请的一种多工况下高炉煤气的预测平衡调度系统，包括以下功能模块：

高炉煤气发生量预测模块：将高炉内反应的工艺过程参数结合时间序列预测高炉煤气发生量；

操作工艺辅助优化模块：针对煤气用户进行用气的操作建议，使其运行节拍稳定；

异常事件预警模块：针对生产异常的工况进行实时监测与预警；

智能调度优化模块：按照各调节单位的调节能力的大小和响应速度做优先级排序，并根据煤气预测量优化分配。

其中，还可以包括波动归因统计分析报表模块，通过对流量与管压的相关性，综合评价下游各用气用户对管网压力波动的贡献度；还可以包括数据管理模块，所述数据管理模块包括数据接入、数据管理和数据存储功能。

其中，所述高炉煤气发生量预测模块在正常顺行生产工况下采用长时高炉煤气发生量预测模型进行预测，该模型中采用机理模型和时间序列预测相结合的混合模型；所述长时高炉煤气发生量预测模型将高炉煤气发生量作为趋势序列和波动序列的叠加，将高炉煤气发生量的预测拆分成趋势序列预测和波动序列预测，之后再将预测的结果相加得到原始序列的预测值。所述高炉煤气发生量预测模块在异常工况下采用短时高炉煤气发生量预测模型进行预测。

其中，在所述智能调度优化模块中，当压力超过设定的控制区间时启动锅炉的调节，基于所述控制区间向上设置第一安全区间和第二安全区间；当管网压力从控制区间内到达控制区间和第一安全区间之间时，算法等待t1时间之后开始启动调节；当管网压力从控制区间内到达第一安全区间和第二安全区间之间时，算法等待t2时间之后开始启动调节；当管网压力从控制区间内到达第二安全区间之外时，算法立即开始启动调节；其中，t1>t2。

其中，所述波动归因统计分析报表模块能够进行管网核心指标分析、产用气波动微观分析、模型参数设置和历史时间查看；所述异常事件预警模块能够监测高炉减休风异常、高炉煤气余压透平发电装置关闭异常、高炉热风炉换炉重叠异常、轧钢波动异常、发电机组发电能力异常、锅炉调节能力达到极限异常、管网压力连续超上限或下限异常。

附图说明

图1显示了同一个高炉的内部三个热风炉煤气用量的波动示意图。

图2显示了两个协同高炉的热风炉换炉延迟配合规则的示意图。

图3显示了根据管网压力调节煤气用量的分配规则的流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

本申请目的是通过对煤气产消量的预测，针对不同工况下进行优化调度，提高煤气管网的压力稳定性，减少放散，保障下游用户的煤气用气需求，降低能源消耗。根据本申请的一种多工况下高炉煤气的预测平衡调度系统，包括以下功能模块：

高炉煤气发生量预测模块：将高炉内反应的工艺过程参数结合时间序列预测高炉煤气发生量；

操作工艺辅助优化模块：针对重点煤气用户，包括热风炉、轧钢、焦炉等用气大户，进行用气的操作建议，使其运行节拍稳定；

异常事件预警模块：针对生产异常的工况进行实时监测与预警；

智能调度优化模块：按照各调节单位的调节能力的大小和响应速度做优先级排序，例如，主要以锅炉发电机组，煤气柜等可调用户，分调节优先级排序，并根据煤气预测量优化分配。

优选地，本申请的一种多工况下高炉煤气的预测平衡调度系统，还可以包括以下功能模块中的至少一个：

波动归因统计分析报表模块：通过对流量与管压的相关性，综合评价下游各用气用户对管网压力波动的贡献度；

数据管理模块：包括数据接入、数据管理、数据存储功能。

其中，工况分为正常顺行生产工况与异常工况。正常顺行生产的工况下，系统根据实时压力波动预测以及煤气发生量的预测量给出实时的调节建议。异常工况分为计划性和非计划性两种。对于计划性停产，例如高炉计划减休风、锅炉计划维修、轧线计划性停产等，则根据整体煤气量的产消不平衡量给出调度优化策略。对于非计划性异常，例如突发的减休风、突发的设备故障等，系统能够即时监测到异常并能够评估出异常导致的煤气量的变化量，则根据异常通告动力调度和全网用户，根据不平衡量，结合应激调度策略进行调度。

高炉煤气发生量预测模块

高炉煤气是高炉炼铁过程中的副产物，通过煤气管道供应给下游煤气用户设备使用，而煤气在产生过程中因原料波动、环境变化以及炉况波动等影响因素而导致发生量的波动。同时，下游用户的用气波动也会影响到煤气管网的压力稳定性。因此，首先要先实现对高炉煤气发生量的预测，为稳定煤气管网提供决策依据。

预测高炉煤气发生量所需要解决如下两个问题：在高炉正常生产时，高炉煤气发生量在正常范围内波动，此时需要预测未来较长时间内如1-2个小时内高炉煤气的总体发生量；在发生计划内或者计划外的减休风时，高炉煤气发生量会从正常范围迅速下降，在减休风(即，高炉减风和高炉休风)结束时，高炉煤气发生量又会逐渐恢复到正常水平。由于减休风会造成高炉煤气发生量较大的波动，为了避免高炉煤气发生量的波动给煤气管网带来较大的冲击，需要在减休风时对高炉煤气发生量进行短时间内的实时预测跟踪，并据此实时调控煤气管网中的调峰缓冲设备如煤气柜、锅炉等的用气量来保证煤气管网的平衡。

因此，据以上两类工况下，分别采用长时高炉煤气发生量预测模型和短时高炉煤气发生量预测模型对高炉煤气的发生量进行预测。

a.长时高炉煤气发生量预测模型

该模型中采用了机理模型和时间序列预测相结合的混合模型，即使用高炉煤气发生量、冷风流量和热风压力的历史值，预测在未来一段时间内的高炉煤气发生量。在正常工作时，高炉煤气发生量可以近似看作为一个平稳随机时间序列(趋势序列)和一个周期波动时间序列(波动序列)的叠加，因此可以将高炉煤气发生量拆分成两个时间序列，分别建模，趋势序列预测和波动序列预测，之后再将预测的结果相加，即可得到原始序列的预测值。

在计算趋势序列时，采用的方法可以是计算原始序列每隔一定时间例如10分钟的平均值，将10分钟平均值作为趋势序列。因此，在预测趋势序列时，对未来预测值的计算也为每10分钟计算一个预测值，即1个小时内一共输出6个预测值。趋势序列的预测可以看作一个多目标回归问题。在基于数据驱动的机器学习算法中，常用的回归模型算法包括广义线性回归、支持向量机、决策树、神经网络等。综合考虑预测精度和模型复杂度，选择恰当的模型算法。

举例说明，令t为当前时刻，t-i为当前时刻前i×10分钟，t+j为未来j×10分钟，则设计线性回归模型如下式。其中bfg为高炉煤气发生量，cwv为冷风流量，hwp为热风压力，其下标代表时间值；a(ij),b(ij),c(ij)均为线性回归模型中待训练的系数，其括号内的i和j代表在系数矩阵中的位置；ε为线性回归模型的残差。从式中可以看出，建立模型时选用了包含当前时刻的一共N个(即N×10分钟)历史数据作为模型输入变量，预测未来第t+j×10分钟的发生量，例如m为5，即预测未来第10，20，…，50分钟的发生量。

对于周期波动序列的预测，常用的方法有季节性预测，如季节ARIMA模型。但是由于在本预测问题中，需要对未来多个周期进行预测，经试验采用季节ARIMA的方法仅对短时预测结果有较好的拟合，而对于多个周期之后的预测的拟合度较差。另外，长时预测关注的是未来一段时间内高炉煤气的总体发生量，而不是某一时刻或者较短周期内的高炉煤气发生量；并且观察到在一定时间内，周期波动序列的稳定性较好，因此采用基于序列相似度的方法来对波动序列进行预测。

为了尽量减缓预测序列不连续和预测波动周期不准的问题，将从当前时刻开始倒推的一段时间内的历史序列作为待匹配序列，在作为匹配寻找区间的更早一段时间内寻找与待匹配序列相似度最高的历史序列作为匹配序列，并将匹配序列的后续段作为预测序列。例如，待预测序列长度为1小时，待匹配序列长度也设为1小时，匹配寻找区域长度不小于待匹配序列长度加上1个波动周期。序列相似度通过时间序列的互相关系数计算得到，互相关系数的取值范围为[-1,1]，互相关系数值越接近1，则表明两个序列的相关性/相似度越高。

b.短时高炉煤气发生量预测模型

当高炉发生减休风事件时，煤气发生量急剧变化，因此用短时高炉煤气发生量预测模型来实时预测跟踪高炉煤气发生量的变化，在减休风时，冷风流量和热风压力可以准确地反映出高炉煤气发生量的变化趋势。短时预测模型仅利用较短时间内例如10分钟的历史数据作为模型输入，并且仅预测未来较短时间内例如5分钟的煤气发生量。预测模型相应的公式如下，式中t为当前时刻，t-i为当前时刻前i分钟，t+i为未来第i分钟，其他符号的含义参见长时趋势序列预测模型公式；α,β,γ分别是待训练的系数，预测未来第1，2，…，5分钟的煤气发生量。

操作工艺辅助优化模块

操作工艺辅助优化模块，是针对下游重点煤气用户的用气操作建议。而重点煤气用户是指煤气用量在总煤气量的占比高，并且容易因操作不稳定导致管网压力的突升或突降的现象。上述占比值和不稳定情形均可以设置量化的指标予以评价。下面结合图1和图2，以热风炉为例对操作工艺辅助优化模块做进一步的解释和说明。

热风炉是高炉煤气管网的主要用户之一，其用气量约占总产气量的30％。热风炉的主要作用向高炉输送加热至额定温度的鼓风，以保证高炉正常生产。热风炉根据蓄热原理工作，分为“燃烧”、“冲压”、“送风”三大工序。燃烧工序时，热风炉煤气阀门打开，在燃烧室里燃烧煤气，使格子砖蓄热体蓄热。当格子砖充分加热后，热风炉结束燃烧，进入冲压状态，关闭煤气阀门并打开冷风阀门，将热风炉内剩余的燃烧废气排出，充入空气，为接下来向高炉送风做准备。冲压结束后，热风炉进入送风状态，在送风状态下，充入热风炉的冷风经过高温格子砖被加热，并最终送至高炉。随着送风时间延长，热风炉格子砖蓄热减少，对鼓风的加热能力下降。当到达设定的送风时长后，热风炉将停止送风，重新进入燃烧状态，打开煤气阀门对格子砖进行加热。所以用气具有间歇式周期性的规律，为减小热风炉大幅用气波动对高炉煤气主管压力的影响，各个高炉热风炉会采取错峰换炉的模式定时切换从而达到协同生产。然而，在正常生产情况下，受高炉上料等外界因素的影响，热风炉换炉经常发生延迟。由于各高炉热风炉之间缺乏量化的错峰调度机制，经常出现其他高炉热风炉协同不到位的情况，导致错峰节拍偏离，用气波动重叠，造成管网压力大幅波动。举例说明，三座大高炉每个热风炉的平均送风时间为60分钟，平均燃烧时间为90-100分钟，平均冲压换炉时间为15-20分钟。在这样的操作工艺下，每座高炉三个热风炉的用气总量在冲压换炉的15-20分钟内会产生较大的波动，波动量达5万立方米每小时，波动周期为60分钟一次。因此，该模块的目的就是在当出现某一个高炉热风炉偏离节拍时，在不影响其他高炉正常生产的前提下给出动态调整的指令，从而配合节拍损失并在未来最短时间内尽快恢复正常节拍。这将有效地降低高炉热风炉总用气量的波动幅度，减小高炉煤气主管压力波动。

本申请的操作工艺辅助优化模块可以通过热风炉错峰协同模型对热风炉换炉的节拍实现动态寻优。该算法采用基于专家经验的方法建模，以固化现场最佳的热风炉协同规则。算法内部存储了一个换炉时间表，记录每个高炉热风炉各工序的计划结束时间。当检测到某热风炉的某个工序发生延迟时，算法将对换炉时间表中相关热风炉的计划结束时间进行更新，并将结果返回主操，指导其配合等待。该模块所使用的算法的实现方法可以拆成2个子问题：

1)如何自动识别各高炉热风炉之间的错峰协同关系，即自动判断哪两个热风炉为一组配合换炉；

2)在发生延迟时，如何对换炉时间表更新才能既满足生产要求、又最大限度减小换炉重叠。

针对这两个问题，分别给出了分析方法如下：

热风炉错峰协同关系识别方法

由于三大高炉热风炉之间的协同关系不固定，算法需要对其进行动态识别。具体来说，识别热风炉之间的协同关系可分为两个步骤:

第一步，获取同一高炉的三个热风炉的煤气用量和冷风风压的当前数据，以及当前的工序状态，包括送风、冲压、燃烧三种状态，从而判断出这三个热风炉的内部换炉顺序。

第二步，根据第一步给出的各个热风炉内部换炉顺序，计算每个工作状态的持续时间与剩余时间，找到相应配合的高炉关系，从而给出各个高炉之间的协同关系。例如1#高炉和2#高炉配合换炉，那么1#高炉准备换炉时，2#高炉与之对应的热风炉也同时换炉。

热风炉换炉时间表更新方法

将热风炉工序延迟分为三个等级：在延迟较短时(一级延迟)，直接通过缩短本次换炉时的冲压时间来追赶延迟；在延迟时间较长时(二级、三级延迟)，为避免冲压过快对高炉生产造成影响，将指导后续热风炉在换炉时适当延长燃烧、送风时长，逐级缓冲本次延迟造成的波动；在延迟时间超过最大上限时(超出三级延迟)，将指导相关热风炉放弃本次错峰，直接进入下一工序。当检测到热风炉工序发生切换或延迟时，则更新换炉时间表。

因此，监测各个高炉的工序状态，当检测到某热风炉发生工序切换，判断其切换的顺序，例如，从燃烧转为冲压，从冲压转为送风，或从送风转为冲压；再则，判断是否发生延迟，如发生延迟，则根据三级等待的策略，指导配合换炉的高炉热风炉配合等待，直至换炉成功为止，如果超出三级延迟等待，则放弃本次错峰直接换炉。

热风炉错峰协同模型对热风炉换炉节拍实现动态寻优，为热风炉主操提供换炉时间建议，实现稳定错峰换炉。

异常事件预警模块

该模块主要是对异常事件的监测、量化并预警，其中包括高炉减休风、用气大户的异常、发电机组的负荷异常。可监测的异常共计7类：高炉减休风、高炉煤气余压透平发电装置(TRT)关闭、高炉热风炉换炉重叠、轧钢大波动、发电机组发电能力异常、锅炉调节能力达到极限、管网压力连续超上限或下限。

高炉减休风事件：发生减休风事件时，高炉煤气发生量、冷风流量和热风压力都会从正常范围降低至某一设定范围(即，减风)或者零(即，休风)；当减休风事件结束时，上述三个变量都会恢复到正常范围。因此，用基于阈值判断的方法来检测减休风事件，即当检测到被监测变量小于预定减休风事件发生阈值时，则判断发生了减休风事件；当检测到被监测变量大于预定减休风事件结束阈值时，则判断减休风事件结束。阈值设定需要根据历史数据进行调节，并且可以根据系统要求设定不同的阈值以适应不同的事件检测灵敏度。

高炉TRT关闭事件：高炉煤气流量降至0但热风炉送风正常，连续超过一定时长，则判断TRT关闭。

热风炉换炉重叠事件：自动检测高炉热风炉换炉重叠事件，并对重叠换炉的原因自动定位。首先循环判断所有高炉热风炉燃烧状态，计算当前燃烧热风炉的个数，判断热风炉是否重叠，并计算事件波动量。

轧钢用气异常波动事件：自动检测轧线用气大波动事件，并自动定位波动产生原因。不同于高炉与热风炉事件的是，由于轧钢波动影响对管网较小，因此轧钢大波动事件仅在轧钢用气量大幅变化的瞬态进行预警。轧钢用气进入稳态后，预警自动取消。

发电机组发电能力异常事件：同时监测锅炉入口煤气流量，蒸汽流量，发电机发电异常，同时结合高炉煤气发生量的监测，判断发电机组发电异常。

锅炉调节能力达到极限：当管网压力上限时，所有锅炉已达到最大负荷，或当管网压力下限时，所有锅炉已达到最小负荷，则判断锅炉调节能力达到极限。

管网压力连续超上限或下限：当压力连续超过压力理想范围上限3分钟或连续超过压力安全范围下限3分钟时，报出“压力连续超限”异常事件。

智能调度优化模块

该模块采用了基于煤气管网压力偏差值的自适应调节算法，并利用模糊控制结合专家规则库的算法实现参数在不同压力偏差区间自适应改变。另外，针对调节单元按照其调节能力以及响应速度设置升负荷和退行的先后顺序。

在煤气管网压力(例如X±1kPa)控制目标中，给调节单位制定管网压力的控制区间，即当压力超过这个控制区间的范围就启动调节。基于这个控制区间为基础，向下给出目标为理想区间(例如X±0.5kPa)，作为算法的优化目标；向上设置两级安全区间1和2。例如，安全区间1为X±2kPa，安全区间2为X±3kPa，而安全区间2为保证煤气管网安全和下游用气部门正常生产的极限波动范围，如果超过这个范围就会造成煤气放散或者对钢铁生产造成实质性影响。分级调控策略能够提高算法的自适应性和鲁棒性。

基于以上管网压力区间划分，在不同的区间设定的调节等待延时如下：

当管网压力从控制区间内到达控制区间和安全区间1之间时，算法等待1分钟之后开始启动调节；

当管网压力从控制区间内到达安全区间1和安全区间2之间时，算法等待30秒之后开始启动调节；

当管网压力从控制区间内到达安全区间2之外时，算法立即开始启动调节。

基于以上管网压力区间划分，在不同的区间设定不同的调节参数，即压力偏离理想区间越大，则调节力度越大，调节对于压力偏差越敏感，从而提高了算法的自适应能力。

在保证每个调节单位都处于安全状态的基础上，对各调节单元划分优先级。举例说明，当管网压力过高需增加煤气用量时，调节顺序为煤气柜，锅炉1，2，…，N，锅炉顺序按照增负荷的速度与增量的大小排序，调节能力较大的锅炉优先调节，反之，管网压力过低需降低煤气用量时，优先降低煤气柜柜容，然后根据锅炉的运行状态依次退行锅炉至锅炉正常运行下限，如仍无法解决，则需停炉或者暂停生产单位的用气。

基于以上设定，以锅炉调节为例，当管网压力过大时，需要增加锅炉煤气用量时，分配规则如图3所示。另外，当管网压力持续超出控制范围时，算法则启动所有锅炉同时参与调节，以发挥所有锅炉的调节能力，使得管网压力回到目标区间。

波动归因统计分析报表模块

(1)贡献度

该模块提供管网压力稳定率等核心管理指标的追溯功能，压力波动原因的宏观和微观分析功能。根据煤气流量与压力状态方程计算，压力波动与产用不平衡量变化量、当前管网压力成正相关，管控压力就等同于管控不平衡量波动。

理想气体状态方程如下，

PV＝nRT

其中，P是绝对压力，V是高炉煤气管网体积，T是管道气体绝对温度，忽略温度的变化。

对于△t时间：

所以，

其中，P₀为标准大气压101.325kPa，∫Q为△t时间内总产气瞬时流量-总用气瞬时流量积分，Q1为区间起始时刻总产气瞬时流量-总用气瞬时流量。所以，管网压力波动与产用不平衡量变化量、当前管网压力正相关。

基于以上公式得出压力波动与产用不平衡量的关系模型，在此基础上，以如一个班组工作时长的一定时间窗长内的不平衡量标准差作为目标，采用区间内高炉、热风炉、轧钢、其他部门流量标准差作为训练特征，通过组合决策树模型量化或者用占比的方式计算特征贡献度，从而得出各部门波动对管网压力的贡献度，输出为各部门贡献度的百分比。

管网核心指标分析：可查看管网压力稳定率、放散等核心指标变化情况，及时发现异常；并通过各部门子管理指标定位产生波动的部门，其中子管理指标包括高炉减休风率、热风炉错峰重叠率、轧钢停线重叠率等。

(2)产用气波动微观分析：压力历史曲线、实际的和预测的高炉产气历史曲线、轧钢用气历史曲线、热风炉用气历史曲线、实际的和预测的锅炉调节历史曲线。

(3)模型参数设置：锅炉调度模型参数包括锅炉调节顺序、锅炉每分钟最大调节量、压力控制区间、锅炉最大/最经济/最小煤气和蒸汽负荷、压力控制触发等待时间。

(4)历史事件查看：查看所关注时间段内的管网异常事件。

数据管理模块

数据管理模块，包括数据接入和数据库管理。数据环境提供可支持不同业务系统的统一数据访问能力、数据资产和质量管理能力、以及兼容不同数据源的数据汇集能力。数据环境需要对数据进行有效组织和管理，形成可用的数据资产，其依赖于元数据管理，管理着数据的标识、存储位置等信息。数据接入，通过定义和调度数据采集任务，从不同的数据源中采集数据，包括SCADA、ERP以及其它二级系统如MES的数据库。采集的数据根据数据整理的需求，通过ETL在不同的数据源中实现数据迁移。数据环境提供了大数据的存取能力，体现在能够快速集成时序数据库、实时数据库、数据仓库、关系/非关系数据库、文件系统等不同的存储形式。不同的数据根据结构、业务需求的不同，会存储在合适的数据存储系统中。

系统网络架构

本申请的高炉煤气平衡系统建立在现有生产系统和能源系统的数据基础之上，通过从生产用的软件系统中获取煤气相关的数据，并通过模型运行服务引擎调用智能算法模型，将运算结果输出给终端大屏，以及操作人员用的监控界面。

本申请通过研究高炉炼铁工艺的周期性变化和波动，并结合时间序列分析，实现在顺行生产和生产异常的不同情况下对煤气发生量的较精准预测；同时，基于产用气量的预测值，并结合调节单位的优先级顺序及调节能力限制，给出最佳调度组合，下发最优调度建议。

虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (8)

1.一种多工况下高炉煤气的预测平衡调度系统，其特征在于，包括以下功能模块：

高炉煤气发生量预测模块：将高炉内反应的工艺过程参数结合时间序列预测高炉煤气发生量；

操作工艺辅助优化模块：针对煤气用户进行用气的操作建议，使其运行节拍稳定；

异常事件预警模块：针对生产异常的工况进行实时监测与预警；

智能调度优化模块：按照各调节单位的调节能力的大小和响应速度做优先级排序，并根据煤气预测量优化分配；

其中，所述操作工艺辅助优化模块通过热风炉错峰协同模型对热风炉换炉的节拍实现动态寻优；该模型的算法采用基于专家经验的方法建模，以固化现场最佳的热风炉协同规则，算法内部存储了一个换炉时间表，记录每个高炉热风炉各工序的计划结束时间；当检测到某热风炉的某个工序发生延迟时，算法将对换炉时间表中相关热风炉的计划结束时间进行更新，并将结果返回主操，指导其配合等待；该模块所使用的算法的实现方法包括热风炉错峰协同关系识别方法和热风炉换炉时间表更新方法；

其中，识别热风炉之间的协同关系分为两个步骤：

第一步，获取同一高炉的热风炉的煤气用量和冷风风压的当前数据，以及当前的工序状态，包括送风、冲压、燃烧三种状态，从而判断出热风炉的内部换炉顺序；

第二步，根据第一步给出的各个热风炉内部换炉顺序，计算每个工作状态的持续时间与剩余时间，找到相应配合的高炉关系，从而给出各个高炉之间的协同关系；

其中，热风炉换炉时间表更新方法中，将热风炉工序延迟分为三个等级：在延迟较短时，直接通过缩短本次换炉时的冲压时间来追赶延迟；在延迟时间较长时，为避免冲压过快对高炉生产造成影响，将指导后续热风炉在换炉时延长燃烧、送风时长，逐级缓冲本次延迟造成的波动；在延迟时间超过最大上限时，将指导相关热风炉放弃本次错峰，直接进入下一工序；当检测到热风炉工序发生切换或延迟时，则更新换炉时间表；

其中，在所述智能调度优化模块中，当压力超过设定的控制区间时启动锅炉的调节，基于所述控制区间向上设置第一安全区间和第二安全区间；当管网压力从控制区间内到达控制区间和第一安全区间之间时，算法等待t1时间之后开始启动调节；当管网压力从控制区间内到达第一安全区间和第二安全区间之间时，算法等待t2时间之后开始启动调节；当管网压力从控制区间内到达第二安全区间之外时，算法立即开始启动调节；其中，t1>t2。

2.根据权利要求1所述的预测平衡调度系统，其特征在于，还包括波动归因统计分析报表模块，通过对流量与管压的相关性，综合评价下游各用气用户对管网压力波动的贡献度。

3.根据权利要求1或2所述的预测平衡调度系统，其特征在于，还包括数据管理模块，所述数据管理模块包括数据接入、数据管理和数据存储功能。

4.根据权利要求1或2所述的预测平衡调度系统，其特征在于，所述高炉煤气发生量预测模块在正常顺行生产工况下采用长时高炉煤气发生量预测模型进行预测，该模型中采用机理模型和时间序列预测相结合的混合模型。

5.根据权利要求4所述的预测平衡调度系统，其特征在于，所述长时高炉煤气发生量预测模型将高炉煤气发生量作为趋势序列和波动序列的叠加，将高炉煤气发生量的预测拆分成趋势序列预测和波动序列预测，之后再将预测的结果相加得到原始序列的预测值。

6.根据权利要求1或2所述的预测平衡调度系统，其特征在于，所述高炉煤气发生量预测模块在异常工况下采用短时高炉煤气发生量预测模型进行预测。

7.根据权利要求2所述的预测平衡调度系统，其特征在于，所述波动归因统计分析报表模块能够进行管网核心指标分析、产用气波动微观分析、模型参数设置和历史时间查看。

8.根据权利要求1或2所述的预测平衡调度系统，其特征在于，所述异常事件预警模块能够监测高炉减休风异常、高炉煤气余压透平发电装置关闭异常、高炉热风炉换炉重叠异常、轧钢波动异常、发电机组发电能力异常、锅炉调节能力达到极限异常、管网压力连续超上限或下限异常。