论文部分内容阅读
本文全面回顾了我国钢铁企业能源消耗状况,特别是炼铁工序能耗。炼铁工序是钢铁企业能耗量最大的生产工序,其能耗组成中燃料消耗占的比列较大,因而高炉入炉焦比对于炼铁工序能耗影响较大。而入炉焦比又受到风温、风量、生铁硅含量、利用系数、矿石品位、渣铁比和休风率等众多因素的影响。本文将以新临钢高炉1996年到2005年的经济技术指标的相关统计数据为基础,运用三种不同的方法对入炉焦比进行了预测。其中基于时间序列的BOX—Jenkins方法ARMA模型预测的平均相对误差为2.02%,文中还应用了灰色系统分析和预测理论,分析了影响因素对入炉焦比的关联程度,同时对入炉焦比进行了预测,其灰预测GM(1,1)模型的平均相对误差为0.9352%。最后将人工神经网络的理论和方法引入到钢铁企业工序能耗的系统分析领域中,对人工神经网络基本理论,特点及其应用作了简要阐述。神经网络以BP算法模型为主要研究对象,论述了网络模型的拓扑结构、机理和学习训练的功能。采用BP神经网络其预测值相对准确,预测结果平均相对误差为0.908%。因此三种方法在钢铁企业炼铁能耗系统分析中的应用是必要和可行的。预测的结果对探索节能手段和方法具有一定实用价值。