Integrierte, Deep‑Learning‑gestützte mehrstufige Dampfprognose und Fahrplanoptimierung für Umformer‑Energiesysteme

Abwärme in nutzbare Energie verwandeln

Jedes Mal, wenn eine Charge Stahl hergestellt wird, strömt aus den Konvertern, in denen das geschmolzene Metall veredelt wird, ein unsichtbarer Strom heißer Dämpfe davon. Ein Großteil dieses Dampfes lässt sich auffangen und in Wärme oder Strom umwandeln, was Brennstoff spart und Kosten senkt. Der Dampfverlauf schwankt jedoch unvorhersehbar im Verlauf des Prozesses, sodass Stahlwerke nur schwer planen können, wie viel sie wiederverwenden können. Diese Arbeit stellt eine neue Methode vor, die diese Dampfspitzen genauer vorhersagt und langfristige Planung mit Sekundengenauigkeit verbindet, sodass Stahlhersteller mehr Energie aus dem bereits erzeugten Dampf gewinnen können.

Warum Dampf in der Stahlerzeugung wichtig ist

Allein Chinas Stahlindustrie produziert mehr als die Hälfte des weltweiten Roheisens, und Dampf macht etwa ein Zehntel des typischen Energieverbrauchs eines Werks aus. Beim modernen Konverterstahlcochen wird Sauerstoff in ein riesiges Gefäß mit geschmolzenem Eisen geblasen; dadurch entstehen heftige Reaktionen, die enorme Wärme freisetzen. Wasser in Ofenwänden und Gas‑Kühlsystemen nimmt diese Wärme auf und wird zu Dampf, der dann zu Turbinen für Strom oder zur Beheizung von Gebäuden und Anlagen geleitet werden kann. Je verlässlicher sich dieser Dampf vorhersagen und rückgewinnen lässt, desto weniger Brennstoff muss ein Werk zukaufen und verbrennen, und desto niedriger sind Betriebskosten und Emissionen.

Warum die Dampfprognose so schwierig ist

In der Praxis ist die Dampfabgabe alles andere als konstant. Verschiedene Stahlsorten (niedriger, mittlerer oder hoher Kohlenstoffgehalt) reagieren mit unterschiedlicher Intensität, was die Dampfmenge beeinflusst. Jeder Konverter hat seine eigenen Eigenheiten und Leistungsprofile, und Werke betreiben oft mehrere Konverter gleichzeitig. Hinzu kommen verschiedene Schmelzmodi – konventionelle Entkohlung, doppelte Entkohlung und doppelte Entphoshorung – jeweils mit eigener zeitlicher Abfolge und Dampfcharakteristik. Der Großteil des Dampfes entsteht während der Sauerstoffblasphase, doch Größe und Form dieses Peaks können von Charge zu Charge stark variieren. Produktionspläne ändern sich außerdem mit dem Anlagenzustand und der Materialversorgung, wodurch der Rhythmus der Dampfentstehung sehr unregelmäßig wird.

Die Lücke zwischen Planung und Echtzeitbetrieb schließen

Bisher konzentrierten sich die meisten Vorhersagemodelle auf die Echtzeit‑Produktionsphase und nutzten historische Sensordaten zur Prognose kurzfristiger Änderungen. Diese Modelle lassen in der Regel Informationen unberücksichtigt, die bereits vor Beginn einer Charge vorliegen, etwa die geplante Stahlsorte, das Gewicht des geschmolzenen Eisens oder die erwartete Dauer des Sauerstoffblasens. Die Autoren argumentieren, dass eine praktikable Lösung auf zwei Zeitskalen zugleich funktionieren muss. Zunächst gibt ein Planungsmodell ungefähr zwei Stunden Vorlaufzeit und liefert intervallartige Schätzungen darüber, wie viel Dampf mehrere kommende Chargen erzeugen werden. Diese Schätzungen helfen dabei, Ziele für das Dampfnetz des Werks zu setzen, Pufferbecken zuzuweisen und Turbinen sowie andere Verbraucher vorzubereiten.

Intelligente Algorithmen für jede Phase

Für die Planungsphase kombiniert das Team eine Support‑Vector‑Machine – eine bekannte, relativ kompakte Methode des maschinellen Lernens – mit einem verbesserten "Black‑Winged‑Kite"‑Optimierungsalgorithmus. Dieser Optimierer durchsucht systematisch die besten internen Einstellungen des SVM‑Modells und vermeidet das trial‑and‑error‑Tuning durch Ingenieure. Mit niedrigdimensionalen Planungsdaten wie Stahlsorte, Eisengewicht, Sauerstoffdauer und Konverter‑ID kann das abgestimmte Modell die Gesamtmenge des kommenden Dampfs mit einer Genauigkeit von etwa 92 % vorhersagen. Sobald die Produktion läuft, ändert sich die Aufgabe: hochfrequente Messwerte von Dampftemperatur, Druck, Flüssigkeitsständen und anderen Signalen strömen herein, und der Dampfstrom kann sich innerhalb von Sekunden schlagartig ändern. Für diese Phase stellen die Autoren eine Deep‑Learning‑Architektur namens DSC‑Transformer vor. Sie verwendet eine flexible, formanpassende Faltungsschicht zur Erfassung schneller lokaler Schwankungen in Kombination mit einem Transformer‑Modul, das bei der Erfassung langfristiger Muster in Zeitreihen besonders leistungsfähig ist.

Von Datenströmen zu besserer Energienutzung

In der Produktionsphase nimmt der DSC‑Transformer rollierende Zeitfenster von Sensordaten auf und liefert fein granulare Vorhersagen des Dampfstroms, die die früheren Planungsprognosen aktualisieren, sobald sich die Bedingungen ändern. Das Modell lässt sich mit unterschiedlichen Fensterlängen konfigurieren – von einigen Sekunden bis zu zwei Minuten –, sodass Betreiber einen Kompromiss zwischen ultrakurzfristiger Sensitivität und längerfristiger Stabilität eingehen können. Getestet an 50 Tagen echter Werksdaten aus 1.100 Konverterchargen erreichte das System in dieser zweiten Phase etwa 99 % Vorhersagegenauigkeit und übertraf konstant verbreitete Alternativen wie Long Short‑Term Memory‑Netze und Standard‑Transformer. Zusammen bilden die Planungs‑ und Produktionsmodelle eine durchgehende Vorhersagepipeline, die den erwarteten Dampf mehrerer Konverter mit der Speicher‑ und Verbrauchskapazität des Werksnetzes in Einklang bringt.

Was das für Stahlwerke bedeutet

Für Laien ist die Botschaft einfach: Indem das System sowohl den "langsamen" Plan als auch den "schnellen" Herzschlag der Stahlerzeugung erlernt, hilft dieses zweistufige Prognosesystem den Werken, mehr von dem Dampf aufzufangen und zu nutzen, den sie ohnehin erzeugen. Das Planungsmodell gibt Vorabinformationen darüber, wie viel Dampf in den nächsten Stunden voraussichtlich verfügbar sein wird, während das Echtzeitmodell dieses Bild Sekunde für Sekunde korrigiert und verfeinert, während jede Charge abläuft. Diese gekoppelte Sicht ermöglicht es den Betreibern, Turbinen und Heizer stabil zu betreiben, Dampfverluste zu vermeiden, wenn die Speicherung voll ist, und die Abhängigkeit von zusätzlichem Brennstoff zu verringern. Dadurch können Stahlwerke ihre Energiekosten und Emissionen senken, ohne ihre Kernproduktionsverfahren zu ändern – allein durch intelligenteren Umgang mit ihrer eigenen Abwärme.

Zitation: Hu, Y., Huang, B., Gao, C. et al. Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems. Sci Rep 16, 12252 (2026). https://doi.org/10.1038/s41598-026-42104-y

Schlüsselwörter: Stahlerzeugungsdampf, industrielle Energieeffizienz, Zeitreihenprognose, Deep Learning in der Industrie, Abwärmenutzung