工業燃氣鍋爐使用過程中煤炭使用量預測方法

石 磊

(辛集市建投燃氣有限公司，河北 辛集 052300)

在人類的發展中，能源一直處于極其重要的地位。只有實現能源安全，才能實現經濟的穩定、持續、高效發展。在改革開放后，我國經濟發展速度驚人，大幅改善了我國人民的生活[1]。而經濟的高速、持續發展帶來了能源消耗量的大幅增加。煤炭在我國一直是主要能源，煤炭消耗量在我國整體能源消耗量中一直占據很大占比。隨著煤炭消耗量逐年攀升，其引發的環境問題也越來越嚴重[2]?？梢哉f，煤炭消耗量的增加對于環境一直是一種巨大的壓力，也已經成為社會環境保護、經濟發展的瓶頸，在煤炭能源的使用中實現節能降耗早已是環境領域中一個重要的議題。

我國區域經濟發展與整體煤炭分布不匹配，并且缺乏良好的煤炭運輸能力，使燃煤電廠使用的煤種十分混雜，導致工業燃氣鍋爐使用過程中煤炭使用量與設計值有著較大偏離[3]。同時各地煤炭使用量的相關指標有著很大差異，包括灰熔融性、灰分、硫分、揮發分、發熱量以及煤炭類別等，也間接導致了煤炭使用量與設計值的偏離問題。該問題會引發一系列更深層次的問題，包括引風系統、送風系統、制粉系統等鍋爐輔助機組設備容易出現出力不足的問題，對鍋爐出力造成嚴重影響；爐膛結渣，使技改工程與檢修費用上升；增加環保壓力。因此，對工業燃氣鍋爐使用過程中煤炭使用量預測問題進行研究。很多國家在工業燃氣鍋爐中都使用混煤，因此很早就開始對該問題進行研究，特別是一些煤炭硫分不均以及煤炭資源匱乏的國家。研究發現煤炭使用量預測與煤炭品質、混煤比例、氧濃度等因素相關，具體需要根據各國混煤情況來預測。在研究中應用了熱分析技術、神經網絡算法、模糊算法等，取得了一定研究成果?，F綜合以往取得的研究成果，針對我國國情設計一種工業燃氣鍋爐使用過程中煤炭使用量預測方法。

1 煤炭使用量預測方法設計

為實現工業燃氣鍋爐使用過程中，對煤炭使用量進行有效預測，先通過Simulink仿真工具構建工業燃氣鍋爐仿真模型，然后對原始煤炭使用量數據進行降噪處理，獲取數據的波動成分與趨勢成分時間序列，最后使用ARMA時間序列法構建煤炭使用量預測模型，完成工業燃氣鍋爐使用過程中煤炭使用量預測方法的設計。

1.1 構建工業燃氣鍋爐仿真模型

時間變化下焦化、燒結等工序實際用煤量的變化規律仿真，構建工業燃氣鍋爐仿真模型。在仿真模型的創建中，使用的仿真工具為Simulink，該工具可實現仿真的可視化，通過其圖形用戶接口即可對模型方塊圖進行構建，僅需拖動鼠標和單機操作即可完成[4]。為實現模型的動態展示，模型的建模展現形式為框圖形式。隨著實際情況的變化，各模塊也會產生變化，以實現模型的補充、修改以及添加等操作。工業燃氣鍋爐Simulink仿真模型如圖1所示。

通過分層設計方式創建該仿真模型，模型的最高層是工業燃氣鍋爐整體模型，下一層為鍋爐的子模型，而子模型中包括下一個層次的對應子模型，一直到最底層。各個子模型均有其確定的運行功能和物理意義[5]。共構建10個一級子模型，分別為LDG動態調度模型、COG動態調度模型、BFG動態調度模型、穩定富余量分配優化模型、LDG主工序消耗模型、LDG產生模型、COG主工序消耗模型、COG產生模型、BFG主工序消耗以及BFG產生模型。模型總層數為4級，子模型總數量為106個。

以BFG產生模型一級子模型為例，對其子模型構造進行詳細介紹。該模型中的子模型包括高爐煤氣計算子模型、發生量顯示子模型以及多個高爐對應的BFG二級子模型[6]。其中多個高爐對應的BFG二級子模型中包含的子模型為處理煤氣發生量與輸入脈沖信號的子模型、序列輸入子模型、增長子模型、斜坡函數子模型、矩形波發生子模型、標量轉換子模型、類型判斷與函數關系選擇與計算子模型、輸入時間序列子模型、輸入工況序列子模型。通過以上三級子模型，能夠獲取高爐BFG產生量的動態變化曲線與大小。

1.2 構建煤炭使用量預測的ARMA時間序列模型

1.2.1 ARMA時間序列模型構建

使用ARMA時間序列法實施工業燃氣鍋爐使用過程中煤炭使用量的預測，構建ARMA時間序列模型。ARMA時間序列模型的建模分為4步：第1步為序列分析，第2步為模型識別，第3步為參數估計，第4步為模型檢驗[7]。

(1)通過序列分析能夠對時間序列是否滿足模型構建條件進行判斷，以及判斷是否需要進一步處理序列，如進行序列差分處理等。當工業燃氣鍋爐使用過程中原始煤炭使用量數據時間序列{Yt}={y1，y2，…，yt}滿足以下條件：①對于任意時間t，時間序列的均值永遠是常數；②對于2個任意時間，其自相關系數僅與兩者時間間隔有關[8]。則可稱該原始煤炭使用量數據時間序列為平穩時間序列。利用自相關分析圖可以對序列平穩性進行判斷。當其不夠平穩，需要進行建模前的數據處理，使其平穩性滿足條件[9]。

(2)通過模型識別能夠分析原始煤炭使用量數據時間序列中的偏自相關函數與自相關函數，對使用的ARMA時間序列模型進行確定[10]。ARMA時間序列模型共有3種：MA(q)、ARMA(p，q)、AR(p)。其中，MA(q)時間序列模型的偏自相關函數具體見式(1)：

yt=ut-θ1ut-1-θ2ut-2-…-θqut-q

(1)

式中，θq為第q個模型自相關閾值；ut-q為第q個模型偏自相關閾值。

MA(q)的自相關函數具體見式(2)：

(2)

式中，k為滯后期。

對于MA(q)時間序列模型來說，其偏自相關函數伴隨著q的增加表現出指數衰減或正弦波衰減傾向，具有拖尾性；而當k>q后其自相關函數的值一直為0，具有截尾性。對于ARMA(p，q)來說，2種函數均具有拖尾性。對于AR(p)時間序列模型來說，其兩種函數的性質與MA(q)相反[11]。以原始煤炭使用量數據時間序列中的偏自相關函數與自相關函數性質為依據對ARMA時間序列模型進行選擇，并進行模型定階。

(3)模型定階后通過軟件實施參數估計。

(4)檢驗模型合適性，也就是對殘差序列MA(q)實施白噪聲檢驗。未通過檢驗時，需要進一步改進模型。

在檢驗中，通常側重于檢驗隨機性，也就是k≥1時，et的自相關系數應與0 相近[12]。隨機性的檢驗中，使用χ2檢驗法，將et之間的相互獨立作為檢驗的零假設。et的自相關函數具體見式(3)：

(3)

式中，rk(e)為et的自相關函數；n為序列觀測值；m為最大滯后期。

et的檢驗統計量為：

(4)

對于不通過檢驗的情況，需要通過ARCH模型提取殘差內的有用信息[13]。

1.2.2 數據處理

直接采用工業燃氣鍋爐使用過程中的原始煤炭使用量數據進行預測，會使預測性能受到數據噪聲影響，使得預測精度受到影響。因此將原始數據分成2部分：波動成分與長期趨勢。如何對原始序列進行分解成為關鍵問題，選用的方法為HP(Hodrick-Prescott)濾波法，以濾波序列為依據對穩定成分進行提取[14]。獲取波動成分序列與長期趨勢序列，并解決樣本末端問題。

將Yt設為原始煤炭使用量數據時間序列，將其分解為長期趨勢變動要素gt和周期變動要素ct，這里2種要素為不可觀測的數值，則下式成立：

Yt=gt+ct，t=1，2，…，T

(5)

式中，t為原始煤炭使用量數據序列個數也就是時間序列中的時間；T為原始煤炭使用量數據序列最大個數。設序列平滑參數為λ，L為gt的延遲算子?？傻贸鲈瓡r間序列的趨勢循環分量B：

(6)

(7)

式中，γ為濾波最小化閾值；c(L)為延遲算子多項式，計算公式具體如下：

c(L)=(L-1-1)-(1-L)

(8)

則濾波問題可轉化為最小損失函數問題，S為損失函數。具體為：

(9)

對于λ的取值，選擇經驗值10，完成趨勢成分的分離后即可獲得波動成分[15]。

通過以上數據處理過程，即可獲取工業燃氣鍋爐使用過程中原始煤炭使用量數據的波動成分與趨勢成分時間序列[16]。在此煤炭使用量預測的ARMA時間序列模型中輸入以上2種時間序列，通能夠使模型的預測性能不會受到數據噪聲影響，從而提高預測精度。實現工業燃氣鍋爐使用過程中煤炭使用量的有效預測。

2 實例分析

2.1 高爐煤炭使用量預測實驗

煤炭資源的開發為國家和地區帶來了較大的經濟效益，但是同時煤炭的過分使用也為當前生態環境帶來了巨大的負擔。因此通過對工業燃氣鍋爐使用過程中煤炭使用量進行預測，才能夠實現經濟的穩定、持續、高效發展。本文通過實例分析，對設計的工業燃氣鍋爐使用過程中煤炭使用量預測方法進行性能考核。以某市某鋼鐵企業的高爐以及焦爐為實驗對象，分別實施工業燃氣鍋爐使用過程中煤炭使用量的預測實驗。

此次實驗選取高爐2個、焦爐2個，分別標號為高爐1、高爐2、焦爐1和焦爐2。實驗對象現場如圖2所示。

圖2 實驗高爐與焦爐現場Fig.2 Field diagram of experimental blast furnace and coke oven

對于該企業的高爐煤炭使用量預測實驗，在預測前首先構建2個高爐的仿真模型，并實施2高爐使用過程中煤炭使用量原始時間序列數據的濾波處理，獲取原始時間序列數據的波動成分與趨勢成分，其處理結果具體如圖3所示。

圖3 高爐煤炭的濾波處理結果Fig.3 Filter processing results of blast furnace coal

使用原始煤炭使用量數據的波動成分與趨勢成分時間序列進行煤炭使用量預測，預測結果具體見表1。

根據表1高爐煤炭使用量的預測結果，2個高爐在不同時間段的預測值都比較準確，與實際值較為貼近，整體平均絕對誤差低于1.2%。說明設計的工業燃氣鍋爐使用過程中煤炭使用量預測方法具有良好的高爐煤炭使用量預測性能。

表1 高爐煤炭使用量預測結果Tab.1 Forecast results of coal consumption in blast furnace

2.2 焦爐煤炭使用量預測實驗

在煤炭使用量預測實驗中，共對2個焦爐300 h內的煤炭使用量進行預測。在預測前首先構建2個焦爐的仿真模型，并實施焦爐使用過程中煤炭使用量原始時間序列數據的濾波處理，獲取原始時間序列數據的波動成分與趨勢成分，其處理結果具體如圖4所示。

圖4 焦爐煤炭的濾波處理結果Fig.4 Filter processing results of coke oven coal

使用圖4中的濾波處理數據進行煤炭使用量預測，預測結果具體見表2。由表2可知，2個焦爐在不同時間段的預測值都與實際值貼近，較為準確，整體平均絕對誤差低于0.7%。說明設計方法具有良好的焦爐煤炭使用量預測性能。

2.3 轉爐煤炭使用量預測實驗

實驗鋼鐵企業共有2種轉爐，一種是頂吹轉爐A，另一種是頂底復吹轉爐B，如圖5所示。分別對2種轉爐進行煤炭使用量預測實驗。

表2 焦爐煤炭使用量預測結果Tab.2 Forecast results of coal consumption in coke ovens

圖5 頂吹轉爐與頂底復吹轉爐現場Fig.5 Site drawing of top blown converter and top bottom combined blown converter

在預測前，首先構建2種轉爐的仿真模型，并實施2種轉爐使用過程中煤炭使用量原始時間序列數據的濾波處理，獲取原始時間序列數據的波動成分與趨勢成分，其處理結果具體如圖6所示。使用圖6中的濾波處理數據進行2種轉爐的煤炭使用量預測實驗，實驗結果具體如圖7所示。由圖7可知，2種轉爐煤炭使用量預測結果與實際結果的差異都不大，整體預測比較準確，說明本文設計方法具有良好的轉爐煤炭使用量預測性能，可以滿足實際工業生產需要。

3 結語

在對工業燃氣鍋爐使用過程中煤炭使用量預測問題進行研究的過程中，構建了煤炭使用量預測模型，實現了各種煤炭燃氣鍋爐使用量較為準確地預測。并通過在某鋼鐵企業的高爐、焦爐和轉爐的預測實驗，證明了該方法的有效性與實際應用性能。由于研究尚不夠深入，本文預測的準確性仍有提升空間，后續將進行更加深入的研究。

圖6 轉爐煤炭的濾波處理結果Fig.6 Filter processing results of converter coal

圖7 兩種轉爐煤炭使用量預測實驗結果Fig.7 Two kinds of converter coal consumption prediction experimental results