胡紹偉¹  李智慧²  丁  屹¹  李海濤²  程錦君¹  張超杰¹  張立強¹

（1. 安徽工業大學冶金工程學院，安徽 馬鞍山 243000；

2.常州東方特鋼有限公司，江蘇 常州 213000）

摘   要：針對鋼鐵行業能源消耗大、能源管理效率低的問題，本文設計并開發了一種面向生產現場的能源介質優化系統。系統集成了能源數據采集、實時監測、智能分析與優化控制等多項功能，涵蓋轉爐、LF精煉等關鍵工序，致力于提升能源利用效率、降低能耗并支撐企業綠色低碳轉型。系統以氧氣消耗優化與鋼液溫度智能預測為核心構建決策模型，其中轉爐模塊通過模型優化原料配比，實現轉爐平均氧氣消耗降低1.3%；LF爐模塊基于長短期記憶網絡（LSTM）實現鋼液溫度短時精準預測，預測誤差控制在±5 ℃范圍內，命中率達87.5%，并根據預測調整合理的供電策略，最終實現LF精煉過程平均電耗降低1.5%。該系統具有良好的工程適應性與推廣價值，為鋼鐵企業構建智能化能源管理體系提供了可行路徑與技術支撐。

關鍵詞：能源介質；監測；算法；智能優化；節能降本

0引言

鋼鐵工業作為我國工業體系的重要組成部分，具有重要的經濟和社會價值。然而，鋼鐵行業的能源消耗在工業總能耗中占據了較大比例，且在全球范圍內，其能源消耗效率較低，給企業帶來了高昂的生產成本和巨大的環保壓力^[1]。發達國家相比，我國鋼鐵行業的噸鋼能耗水平仍偏高，導致了嚴重的資源浪費和環境污染^[2]。在此背景下，如何在提升生產能力和質量的同時，減少能源消耗、降低碳排放，并推動綠色低碳技術的廣泛應用，已成為鋼鐵行業亟需解決的問題^[3]。面對日益嚴峻的環保政策和節能減排的社會需求，鋼鐵行業急需采用先進的技術與創新的管理模式，以應對當前能源危機，并實現可持續發展的目標。

本文結合鋼鐵企業典型工藝流程與能源消耗特點，設計并實現了一套能源介質優化系統。系統圍繞轉爐、LF爐等關鍵用能單元，分別構建了基于目標函數驅動的原料配比優化模型與基于LSTM網絡的鋼水溫度預測模型，全面提升能源利用效率與操作決策智能水平^[4]。通過工業數據驗證，該系統在氧耗、電耗等方面均取得了良好的優化效果，具有較強的工業應用前景與推廣價值。

1基于煉鋼區域能源介質優化系統概述

能源介質優化系統是一種集成了數據采集、分析、優化與監控等功能的智能化系統，專門用于提升能源利用效率，尤其適用于像鋼鐵行業這樣能源消耗巨大的工業領域。該系統通過實時監控、數據采集與分析，為企業提供精準的能源使用情況，幫助企業優化能源配置、降低能耗、提高經濟效益，同時推動企業實現綠色低碳轉型。

1.1系統組成

該能源介質優化系統主要由能源介質數據管理模塊、能源介質在線智能優化模塊以及能源指標評價模塊等組成。首先，系統對當前煉鋼生產過程中的能源管理現狀及能耗分布進行全面調研，以識別和分析制約現有能源管理水平提升的關鍵環節。隨后，基于現有的能源狀況，系統規劃能源介質監測數據的采集和存儲機制，并實現對水、電、煤氣等主要能源介質的實時在線監測，在此基礎上，系統通過收集的數據，進行能源分析與優化，為決策提供數據支持。

最后，系統根據在線監測結果，實施能源產耗的動態監控與預警機制，進一步提升能源管理水平。通過這一系列措施，系統旨在優化能源結構，減少能源損耗，從而實現節能降本的目標，具體架構如圖1所示。

圖1 系統架構圖

Fig. 1 System architecture

1.2核心功能

能源介質優化系統通過在關鍵生產環節部署傳感器及數據采集設備，實時獲取鋼鐵生產過程中各類能源消耗數據，涵蓋電力、天然氣、水資源等多種能源的使用情況。系統能夠實時反饋能源的使用狀況，幫助企業及時發現能源浪費和異常情況，從而確保生產過程中的能源管理更加精準高效，其核心功能包括轉爐模塊、LF精煉模塊、預警模塊及數據中心。

（1）轉爐模塊：該模塊界面中部為數據輸入與模型執行區，用戶可在此設定鋼種代號、鐵水成分及目標成分參數。系統支持對C、Si、Mn、P、S、Cr、Cu、Mo、Ti等關鍵元素的目標含量進行設定，并以表格形式呈現其設定值與推薦范圍，便于用戶對目標成分的精細控制與可視化調整。

系統集成了面向氧耗優化的決策算法，通過對輸入參數與目標成分之間的非線性耦合關系進行建模，建立關鍵原料組成與煉鋼成分控制之間的映射關系。在此基礎上，系統通過“模型決策”功能按鈕觸發優化過程，自動完成原料配比計算，輸出在滿足冶金工藝約束條件下的最優原料組合與工藝參數設置。

界面右側為“決策結果”展示區，以列表形式輸出白云石、增碳劑、廢鋼、低碳錳鐵等關鍵原料的推薦用量。通過在優化過程中引入氧耗最小化目標函數，該模塊有效降低了冶煉過程中的單位氧氣消耗，為煉鋼過程的節能降耗提供了數據支撐和決策參考。整體設計實現了從參數設定到優化結果輸出的閉環控制流程，顯著提升了操作效率與決策智能水平，如圖2所示。

圖2 轉爐模塊界面

Fig. 2 Converter module interface

（2）LF爐模塊：該模塊主要用于鋼液溫度的實時監測與短期預測。界面采用左右雙圖布局，左側為LF爐鋼液的歷史溫度變化曲線，右側為未來10分鐘的溫度預測曲線，便于操作人員進行溫控判斷和干預。圖表下方為模型輸入參數區，用戶可輸入鋼種、計劃耗時、吹氬計劃等關鍵參數。點擊“模型決策”按鈕后，系統將基于輸入數調用預測模型，輸出相應的供電建議。右下角為“決策結果信息輸出”，展示模型生成的控制建議，如圖3所示。

圖3 LF精煉模塊界面

Fig. 3 LF refining module interface

（3）智能預警：通過設定能耗閾值和預警機制，一旦某些關鍵指標超出正常范圍，系統會及時發出報警，提醒操作人員采取必要的糾正措施。這一智能預警機制能夠有效避免能源浪費和設備故障，從而減少企業在能源消耗方面的經濟損失，能源預警頁面如圖2所示。

圖4 預警模塊界面

Fig. 4 Interface of the early warning module

最后，數據中心通過對長期積累的數據記錄，系統能夠生成詳細的能源使用報告，全面分析企業在能源利用過程中存在的問題，并提出切實可行的改進建議。這些報告不僅為企業提供了精準的能源管理依據，也為政策制定者和企業管理層提供了科學的決策支持，幫助其做出更加合理的能源管理決策。

2系統設計

能源介質優化系統的設計方案旨在通過現代信息技術、物聯網技術、人工智能和大數據分析，實現對鋼鐵企業生產過程中的能源使用進行精確監測、分析和優化管理。系統的核心目標是幫助企業降低能源消耗，提高能源使用效率，并推動綠色低碳轉型。

2.1模型構建

2.1.1 轉爐氧氣優化模型構建

隨機森林回歸算法是一種基于集成學習的非線性建模方法，適用于處理高維、復雜變量間存在非線性交互的問題^[5]。本文將其應用于氧氣消耗量的預測建模中，通過構建多棵決策樹并加權平均預測結果，有效提升了模型的穩定性與精度^[6-7]。廢鋼量、鐵水、增碳劑等變量在氧氣消耗中影響顯著，強調了非線性建模在冶煉過程中應用的必要性。為進一步提高模型的泛化能力，采用交叉驗證和超參數調優策略，確保預測性能最優。

圖5真實值與預測值對比圖

Fig. 5 Comparison of true and predicted values

如圖5所示，通過對比能夠直觀地展示隨機森林算法回歸模型在氧氣消耗量預測中的表現，證明其在處理復雜非線性關系中的可行性和有效性。

為進一步優化特征選擇并提升預測效果，引入遺傳算法對特征子集進行全局搜索優化。該算法通過模擬自然選擇和進化機制，實現了冗余特征的剔除與關鍵變量的提取。表1展示了多個冶煉過程變量在氧氣消耗量預測中的非線性相關性系數及其基于遺傳算法優化過程中的特征選擇概率。相關性系數用于衡量各變量與氧氣消耗量目標之間的非線性依賴強度，而選擇概率則反映了特征在遺傳算法迭代過程中被納入最優特征組合的頻次，能夠更全面地揭示特征在預測建模中的實際貢獻度。

表1 遺傳算法選擇的特征子集

Table 1 Subset of features selected by genetic algorithm

2.2.2 LF爐供電優化模型構建

在進行LF精煉供電優化模型構建之前，先對原始生產數據進行系統性的處理與分析。首先對收集到的精煉過程數據進行了全面的預處理，包括數據清洗和歸一化操作，以確保數據的質量和一致性。數據清洗過程中，處理了異常值和重復數據，以消除潛在的噪聲和錯誤數據，保證輸入數據的準確性^[8]。而數據歸一化則通過將不同特征的數據轉換到統一的尺度范圍，避免了不同數據維度間的量綱差異對后續建模產生不良影響，確保模型訓練時的穩定性和有效性。

在數據預處理完成后，采用了長短期記憶（LSTM）網絡來進行模型訓練。LSTM是一種適用于處理時間序列數據的深度學習算法，能夠有效捕捉時間序列中的長期依賴關系和復雜的時序模式^[9]。精煉過程中，鋼水溫度的變化隨著時間的推移呈現出一定的規律性，這種規律性在不同的生產條件下也保持了一定的穩定性。因此，利用LSTM模型能夠深入挖掘這些規律，從而預測鋼水溫度的未來變化趨勢^[10]。

特別關注了精煉過程中從坐包到吊包鋼水溫度的變化數據，這一時間序列數據蘊含了精煉過程的動態特征。通過LSTM模型的訓練，系統能夠學習到該過程中的時間依賴性，并基于歷史數據預測未來時刻的溫度變化，從而為精煉過程的實時溫度調控和優化決策提供精準的支持。

圖6 預測值與真實值對比圖

Fig. 6 Comparison between the predicted value and the true value

如圖6所示，表明預測值與真實值之間的誤差較小，且大部分預測值與真實值之間的誤差較小。預測誤差在±5 ℃以內的命中率達到87.5%，滿足工業生產控制需求，顯示出LSTM模型在鋼水溫度預測中的較高準確性和穩定性。

基于該模型的預測結果，生產過程中鋼液溫度的變化趨勢可被提前準確掌握，為操作人員預留了充足的響應時間以實施相應的節能調控措施。進一步地，系統可依據不同的升溫模式對未來能耗水平進行判別，若預測結果為高能耗升溫趨勢，系統可及時發出預警，指導操作人員調整供電策略，優化加熱路徑，以實現LF精煉的耗電優化。

2.2系統網絡架構

智能傳感器與數據采集設備首先需要選擇高精度、高可靠性的智能傳感器，用于在生產現場各個環節實時監測能源消耗數據^[11]。這些傳感器能夠準確采集各種能源使用情況，并將數據傳輸至數據平臺。選擇的傳感器必須具備高靈敏度、抗干擾能力和長壽命，以確保數據的準確性與系統的穩定性。

數據傳輸網絡要求建設一個高效穩定的數據傳輸網絡，用于傳輸來自不同監測點的數據?？梢圆捎霉I以太網、無線網絡或光纖通信等方式，根據生產現場的實際需求進行選擇。傳輸網絡必須保證低延遲、高帶寬，確保數據能夠及時上傳至云平臺進行處理。

數據存儲與處理平臺選擇高性能的云計算平臺作為數據存儲與處理中心。通過云平臺的分布式存儲和計算架構，確保海量能源數據的高效存儲與快速處理。此外，平臺將支持對歷史數據進行長期存儲，便于后續的趨勢分析與決策支持。

用戶終端與控制界面通過為管理人員提供可視化的用戶界面，用戶界面具備直觀的圖形展示功能，能夠實時顯示各個生產環節的能源消耗情況，并提供報警功能，以便快速響應異常情況，具體網絡架構設計如圖7所示。
 

圖7 網絡架構圖

Fig. 7 Network architecture

3工業應用適性及優化效果分析

能源介質優化系統作為一種高效的能源管理工具，具有較高的技術成熟度和可操作性。在鋼鐵行業推廣應用這一技術方案，不僅可以有效提升能源利用效率，還能為企業帶來顯著的經濟效益，并對環境產生積極影響。

3.1 技術成熟度

能源介質優化系統基于物聯網、大數據分析、人工智能等成熟技術，已有不少成功應用案例和研發成果^[12-13]。這些技術已經在其他工業領域，特別是能源密集型行業中得到廣泛應用。例如，智能傳感器和數據采集設備在許多工廠中已被廣泛部署，數據傳輸和云計算技術也已經過多次驗證，具備高效穩定的數據處理能力。而人工智能和大數據分析技術的應用，也不斷取得進展，能夠精準識別能源浪費和優化生產流程^[14-15]。

此外，系統設計充分考慮到鋼鐵行業的特殊性，具備了處理復雜生產環境和大規模數據的能力。通過成熟的技術架構和前期多次測試，系統已具備較高的穩定性和可靠性，可以適應鋼鐵企業高負荷、復雜多變的生產環境。

3.2 優化效果

能源介質優化系統展現出良好的經濟性與環境友好性，具體體現在以下幾個方面：

（1）在轉爐優化方面：優化后的氧氣消耗方案能夠確保在不同操作條件下的穩定性和適應性。通過這種優化策略，系統實現氧氣平均減少1.3%，提升了冶煉過程的能源利用效率。

（2）在LF爐優化方面：模型能夠根據升溫速率預測的變化識別不合理的升溫模式并及時進行調整，有效避免了過度升溫導熱量浪費現象，優化了生產過程的能效。通過對比模型預測結果與傳統方法的能耗數據，實驗表明，LF爐整體電耗降低了1.5%，提高了能效并減少了能源浪費。

綜合來看，能源介質優化系統具備較高的技術成熟度，能夠為鋼鐵行業帶來顯著的經濟效益和節能效果。該系統不僅符合國家對鋼鐵行業綠色低碳轉型的政策要求，還能夠推動企業實現高效、智能化的能源管理，提升企業的整體競爭力，助力鋼鐵行業實現可持續發展。

4結論

本文圍繞鋼鐵企業在能源管理與優化方面的迫切需求，設計并構建了一套集成能源介質數據采集、實時監測、智能分析與優化控制于一體的能源介質優化系統。系統充分融合了物聯網、大數據與人工智能等先進技術，面向鋼鐵生產關鍵工序開展了針對性建模與功能開發，在實現能源動態可視化管理的基礎上，進一步推動了能源配置效率和工藝參數的智能優化。

系統針對轉爐和LF爐工序分別構建了以氧氣消耗最小化和鋼液溫度精確預測為核心目標的優化模型。結果表明，轉爐模塊能夠實現平均氧耗降低1.3%，LF爐模塊通過升溫模式的識別與調控使電耗降低1.5%。通過將LSTM神經網絡應用于鋼水溫度預測，系統實現了±5 ℃精度內87.5%的預測準確率，滿足工業控制需求，為實際生產調控提供了可靠的數據支持與決策依據。

此外，系統還通過智能預警機制提升了能源管理的響應速度與可靠性，有效規避了能源浪費和異常工況帶來的生產風險，顯著增強了鋼鐵企業的節能減排能力與綠色轉型水平。

本文構建的能源介質優化系統具備良好的工程適應性、運行穩定性及推廣應用價值，能夠為鋼鐵行業實現智能化、綠色化升級提供技術支撐。未來，隨著模型算法的進一步優化與工業現場數據的不斷積累，該系統在工業過程能效管理中的應用范圍有望進一步拓展，助力鋼鐵行業實現高質量與可持續發展目標。

參考文獻：

[1] 張家瑜.“雙碳”目標下鋼鐵企業碳減排路徑研究[D].西安建筑科技大學,2024.

[2] Ma G ,Cai J ,Zhang L , et al.Influence of Steam Recovery and Consumption on Energy Consumption per Ton of Steel[J].Energy Procedia,2012,14566-571.

[3] 徐可可.姚林:協同減污降碳合作共贏發展[N].中國冶金報,2024-09-05(001).

[4] Guan X ,Chen H ,Liu Y , et al.Predicting ground reaction forces and center of pressures from kinematic data in crutch gait based on LSTM[J].Medical Engineering and Physics,2025,139104338-104338.

[5] 王藝璇,鄧曉紅,范慧文青,等.水資源承載力評價耦合模型：研究進展與干旱區應用[J/OL].干旱區研究,1-17[2025-04-26].http://kns.cnki.net/kcms/detail/65.1095.X.20250424.2205.010.html.

[6] Yang Y ,Hou K ,Sun H , et al.Random Forest-Based Stability Prediction Modeling of Closed Wall for Goaf[J].Applied Sciences,2025,15(5):2300-2300.

[7] Xin S ,Qing L ,Zicheng X , et al.Hybrid model for BOF oxygen blowing time prediction based on oxygen balance mechanism and deep neural network[J].International Journal of Minerals, Metallurgy and Materials,2024,31(1):106-117.

[8] 李晨陽.基于相關性的時序數據清洗方法研究[D].沈陽航空航天大學,2022.

[9] 郭志喜,牛鵬飛,郭峻源,等.制造企業集群下信息模型驅動的能耗分析及預測方法研究[J/OL].機電工程技術,1-8[2025-02-22].

[10] 王加昌,賴跖,唐雷,等.基于深度神經網絡的設備剩余使用壽命預測研究[J].計算機應用與軟件,2024,41(08):60-66.

[11] 翟文君.工業智能化技術在機電一體化裝配過程優化中的應用探究[J].儀器儀表用戶,2025,32(01):90-92.

[12] 朵灝,王文躍,吳輝.當前我國制造業質量大數據應用分析與策略建議[J].通信企業管理,2024,(11):25-28.

[13] 徐紅丹,王玖河.人工智能與制造企業新質生產力——基于雙重機器學習模型[J/OL].軟科學,1-14[2025-02-22].

[14] 王小川.SYMEO雷達距離傳感器在智能行車上的應用[J].冶金自動化,2022,46(S1):425-426.

[15] 王鐵毅,曹永彬,王偉.鋼鐵企業云計算平臺研究及應用[J].冶金自動化,2013,37(05):12-15+36.