Zintegrowane wieloetapowe prognozowanie pary napędzane głębokim uczeniem oraz optymalizacja harmonogramowania dla systemów energetycznych konwerterów

Przekształcanie ciepła odpadowego w użyteczną energię

Za każdym razem, gdy produkuje się partię stali, z konwerterów, w których oczyszczane jest ciekłe żelazo, ulatuje niewidzialny strumień gorącej pary. Większość tej pary można wychwycić i przekształcić w ciepło lub energię elektryczną, oszczędzając paliwo i obniżając koszty. Jednak produkcja pary gwałtownie rośnie i maleje w miarę przebiegu procesu, co utrudnia hutom planowanie jej ponownego wykorzystania. Artykuł przedstawia nowe podejście do dokładniejszego przewidywania tych skoków pary, łącząc planowanie długoterminowe z monitorowaniem w czasie rzeczywistym, dzięki czemu producenci stali mogą lepiej wykorzystać energię, którą już wytwarzają.

Dlaczego para jest ważna w hutnictwie stali

Sama chińska branża stalowa wytwarza ponad połowę światowej surowej stali, a para odpowiada za około jedną dziesiątą typowego zużycia energii w zakładzie. W nowoczesnym procesie w konwerterze wdmuchuje się tlen do ogromnego zbiornika z ciekłym żelazem, wywołując gwałtowne reakcje, które uwalniają ogromne ilości ciepła. Woda krążąca w ścianach pieca i układach chłodzących gaz absorbuje to ciepło i przechodzi w parę, którą następnie można skierować do turbin w celu wytworzenia energii elektrycznej lub wykorzystać do ogrzewania budynków i urządzeń. Im bardziej przewidywalna i odtwarzalna jest ta para, tym mniej paliwa musi kupować i spalać zakład, co obniża koszty operacyjne i emisje.

Dlaczego przewidywanie pary jest tak trudne

W praktyce wytwarzanie pary wcale nie jest stałe. Różne gatunki stali (niskowęglowe, średniowęglowe, wysokowęglowe) spalają się z różną intensywnością, co zmienia ilość wytwarzanej pary. Każdy konwerter ma swoje osobliwości i profile wydajności, a zakłady często obsługują jednocześnie kilka konwerterów. Dodatkowo występują różne tryby wytopu — konwencjonalne odwanianie, podwójne odwanianie i podwójne odfosforowanie — z odmiennymi czasami trwania i wzorcami pary. Większość pary powstaje podczas fazy wdmuchiwania tlenu, ale wielkość i kształt tego szczytu mogą znacznie się różnić między partiami. Harmonogramy produkcji też zmieniają się w zależności od stanu urządzeń i dostaw materiałów, co sprawia, że rytm generowania pary jest wysoce nieregularny.

Łączenie planowania i pracy w czasie rzeczywistym

Do tej pory większość prac prognostycznych koncentrowała się na etapie produkcji w czasie rzeczywistym, wykorzystując historyczne odczyty czujników do przewidywania krótkoterminowych zmian. Modele te zwykle pomijają informacje dostępne jeszcze przed rozpoczęciem partii, takie jak planowany gatunek stali, masa ciekłego żelaza czy oczekiwany czas wdmuchiwania tlenu. Autorzy argumentują, że użyteczne rozwiązanie musi działać równocześnie na dwóch skalach czasowych. Po pierwsze, model na etapie planowania patrzy w przybliżeniu na dwie godziny naprzód, dostarczając menedżerom szacunków w przedziałach, ile pary mogą dać nadchodzące partie. Te prognozy pomagają ustalić cele dla sieci parowej zakładu, zdecydować o alokacji buforów magazynowych oraz przygotować turbiny i innych odbiorców.

Inteligentne algorytmy dla każdego etapu

Aby dostarczyć prognozy na etapie planowania, zespół łączy maszynę wektorów nośnych (support vector machine) — dobrze znaną, stosunkowo zwartą metodę uczenia maszynowego — z ulepszonym algorytmem optymalizacji „czarnoskrzydłego jastrzębia”. Ten optymalizator systematycznie przeszukuje najlepsze ustawienia wewnętrzne modelu SVM, unikając ręcznego strojenia metodą prób i błędów przez inżynierów. Zasilając model niskowymiarowymi danymi planistycznymi, takimi jak gatunek stali, masa żelaza, czas wdmuchiwania tlenu i identyfikator konwertera, dostrojony model potrafi przewidzieć łączną ilość pary w nadchodzących partiach z dokładnością około 92%. Po rozpoczęciu produkcji problem zmienia się: napływają wysoko częstotliwościowe odczyty temperatury i ciśnienia pary, poziomów cieczy i innych sygnałów, a przepływ pary może skakać lub spadać w ciągu sekund. Na ten etap autorzy wprowadzają architekturę głębokiego uczenia nazwaną DSC‑Transformer. Wykorzystuje ona elastyczną, dopasowującą kształt warstwę splotową do śledzenia szybkich, lokalnych fluktuacji, połączoną z modułem Transformer, który dobrze rozumie długozasięgowe wzorce w danych szeregów czasowych.

Od strumieni danych do lepszego wykorzystania energii

Na etapie produkcji DSC‑Transformer przetwarza przesuwne okna czasowe danych z czujników i generuje szczegółowe prognozy przepływu pary, aktualizując wcześniejsze oszacowania planistyczne w miarę zmiany warunków. Model można konfigurować z różnymi długościami okien — od kilku sekund do dwóch minut — co pozwala operatorom balansować między ultra‑krótkoterminową czułością a długoterminową stabilnością. Testowany na 50 dniach rzeczywistych danych zakładowych z 1 100 wsadów konwerterów system osiągnął w tym drugim etapie około 99% dokładności predykcyjnej i konsekwentnie przewyższał popularne alternatywy, takie jak sieci LSTM i standardowe Transformery. Model planistyczny i model produkcyjny tworzą razem ciągłą linię prognozowania, która dostosowuje oczekiwaną parę z wielu konwerterów do możliwości magazynowania i zużycia w sieci zakładu.

Co to oznacza dla hut stali

Dla laika przekaz jest prosty: ucząc się zarówno „powolnego” planu, jak i „szybkiego” rytmu hutnictwa, ten dwuetapowy system prognozowania pomaga zakładom wychwycić i wykorzystać więcej pary, którą już wytwarzają. Model planistyczny daje wcześniejsze wskazanie, ile pary prawdopodobnie będzie dostępne w najbliższych paru godzinach, podczas gdy model w czasie rzeczywistym koryguje i doprecyzowuje ten obraz sekundę po sekundzie w trakcie przebiegu każdej partii. Takie zintegrowane spojrzenie pozwala operatorom utrzymywać pracę turbin i podgrzewaczy w stabilnym stanie, unikać marnotrawstwa pary, gdy magazyny są pełne, oraz zmniejszyć zależność od dodatkowego paliwa. W rezultacie huty mogą obniżyć rachunki za energię i emisje bez zmiany podstawowych metod produkcji — po prostu działając mądrzej w zakresie tego, kiedy i jak używają własnego ciepła odpadowego.

Cytowanie: 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

Słowa kluczowe: para w hutnictwie stali, efektywność energetyczna przemysłu, prognozowanie szeregów czasowych, głębokie uczenie w przemyśle, odzysk ciepła odpadowego