基于深度学习的转炉煤气发生量预测模型

摘要：

转炉煤气发生量预测为转炉炉口微差压调控、转炉煤气回收质量提升和全厂煤气平衡调度提供重要支撑.以某钢厂吹炼过程转炉煤气实际发生量数据为依据,采用深度学习方法,建立了BP神经网络、LSTM长短记忆神经网络和RBFNN径向基函数神经网络3种转炉煤气发生量的预测模型,对比分析预测步数、输入样本量和隐藏单元数3个参数对预测模型精度和计算效率的影响.研究结果表明,模型的预测精度均随着预测步数的增加而减小,选择30步预测更符合钢厂的实际需求.随着样本输入量的增加,LSTM的精度无明显变化,BP的精度呈降低趋势,RBF的精度先大幅提高后缓慢降低.LSTM的预测效率无明显变化,BP大幅降低,RBF无变化.当3种模型各自在最佳样本输入量和30步预测条件下,随着隐藏单元数的增加,LSTM的精度基本不变,BP先略有升高再缓慢降低,RBF先大幅升高之后保持平稳,后面再大幅降低.LSTM的预测效率小幅降低,BP大幅降低,RBF保持不变.最终,在30步预测的条件下,LSTM、BP、RBF 3种模型的最佳参数条件为,LSTM样本输入量为125,隐藏单元数为135,此时均方根误差ERMS最小为13.38,训练时长为4.7 min;BP样本输入量为50,隐藏单元数为60,此时ERMS最小为31.46,训练时长为16.8 min;RBF样本输入量为210,隐藏单元数为210,此时ERMS最小为2.07,训练时长为1.2 min,与实际数据相比,RBF预测效果最好.采用转炉煤气发生量预测结果调控风机的转速,可以使炉口微差压保持在更稳定的状态,减少吸风量,提高回收煤气热值.

关键词：吹炼过程、转炉煤气、发生量预测、深度学习、模型对比分析

所属期刊栏目：59

分类号：TP391;TP183;TN911-34

资助基金：国家重点研发计划2020YFB1711101

在线出版日期：2024-01-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：67-74