Интегрированное многоступенчатое прогнозирование и оптимизация планирования пара на основе глубокого обучения для энергосистем конвертеров

Превращение тепловых отходов в полезную энергию

Каждый раз, когда выплавляют партию стали, из конвертеров, где очищается расплавленный металл, выходит невидимая река горячего пара. Большую часть этого пара можно улавливать и превращать в тепло или электричество, что позволяет экономить топливо и снижать затраты. Но количество пара меняется непредсказуемо в ходе процесса, и это затрудняет планирование его повторного использования на сталелитейных заводах. В статье предложен новый подход к более точному прогнозированию этих всплесков пара, который сочетает долгосрочное планирование с покадровым мониторингом, чтобы сталеплавильные предприятия могли извлекать больше энергии из того, что уже производят.

Почему пар важен в сталеплавильном производстве

Только китайская сталелитейная отрасль производит более половины мировой сырой стали, и пар составляет примерно десятую часть общего энергопотребления типичного завода. В современном конвертерном производстве в большой сосуд с расплавленным железом продувают кислород, что вызывает интенсивные реакции и выделение огромного количества тепла. Вода, циркулирующая в стенках печи и системах охлаждения газов, поглощает это тепло и превращается в пар, который затем можно направлять на турбины для производства электроэнергии или использовать для обогрева зданий и оборудования. Чем надежнее можно прогнозировать и извлекать этот пар, тем меньше топлива требуется закупать и сжигать, и ниже эксплуатационные затраты и выбросы.

Почему прогнозировать пар так сложно

На практике подача пара далека от стабильной. Различные марки стали (с низким, средним или высоким содержанием углерода) горят с разной интенсивностью, что меняет объем производимого пара. Каждый конвертер имеет свои особенности и профиль производительности, и на предприятиях часто работают несколько конвертеров одновременно. Кроме того, существуют разные режимы плавки — обычная декарбонизация, двойная декарбонизация и двойная дефосфорация — каждый со своим временем и схемой выделения пара. Большая часть пара возникает в фазе продувки кислородом, но высота и форма этого пика могут сильно различаться от партии к партии. Производственные графики также изменяются в зависимости от состояния оборудования и поставки материалов, что делает общий ритм генерации пара крайне нерегулярным.

Мост между планированием и операционной работой в реальном времени

До сих пор большинство попыток прогнозирования сосредотачивались на стадии реального времени, используя исторические показания датчиков для предсказания краткосрочных изменений. Такие модели, как правило, игнорируют информацию, доступную до начала партии, например запланированную марку стали, вес расплава или ожидаемую продолжительность продувки кислородом. Авторы утверждают, что полезное решение должно работать одновременно на двух временных масштабах. Сначала модель этапа планирования смотрит примерно на два часа вперед, давая менеджерам интервальные оценки того, сколько пара дадут несколько предстоящих партий. Эти оценки помогают задавать цели для паровой сети завода, решать, как распределять резервуары-буферы, и подготавливать турбины и других потребителей.

Интеллектуальные алгоритмы для каждого этапа

Для прогнозов этапа планирования команда сочетает метод опорных векторов — хорошо известный, относительно компактный метод машинного обучения — с улучшенным оптимизатором «чернокрылый коршун». Этот оптимизатор систематически ищет наилучшие внутренние настройки модели опорных векторов, избегая проб и ошибок, которые обычно выполняют инженеры. Подавая в систему низкоразмерные плановые данные, такие как марка стали, вес расплава, время продувки кислородом и идентификатор конвертера, настроенная модель может предсказывать суммарный объем пара предстоящих партий с точностью примерно 92%. После запуска производства задача меняется: поступают высокочастотные показания температуры пара, давления, уровней жидкости и других сигналов, и расход пара может взрываться или падать в течение секунд. Для этого этапа авторы предлагают архитектуру глубокого обучения под названием DSC-Transformer. Она использует гибкий сверточный слой, адаптирующийся к форме, для отслеживания быстрых локальных флуктуаций, в сочетании с модулем Transformer, который отлично понимает дальнодействующие закономерности во временных рядах.

От потоков данных к более эффективному использованию энергии

На стадии производства DSC-Transformer обрабатывает скользящие временные окна показаний датчиков и выдает детальные прогнозы расхода пара, корректируя ранние плановые оценки по мере изменения условий. Модель можно настроить с разными длинами окон — от нескольких секунд до двух минут — что позволяет операторам выбирать между сверхкраткосрочной чувствительностью и более стабильными долгосрочными прогнозами. Испытанная на 50 днях реальных данных завода с 1100 нагревами конвертеров, система достигла примерно 99% точности прогнозирования на втором этапе и постоянно превосходила популярные альтернативы, такие как сети с длительной краткосрочной памятью (LSTM) и стандартные Transformers. Вместе модели этапа планирования и этапа производства образуют непрерывный конвейер прогнозов, согласующий ожидаемый пар от нескольких конвертеров с емкостью хранения и потребления паровой сети завода.

Что это значит для сталеплавильных заводов

Для неподготовленного читателя вывод прост: изучая и «медленный» план, и «быстрый» пульс сталеплавильного процесса, эта двухэтапная система прогнозирования помогает заводам улавливать и использовать больше пара, который они уже производят. Модель планирования заблаговременно информирует о том, сколько пара, вероятно, будет доступно в ближайшие пару часов, а модель реального времени корректирует и уточняет эту картину секунда за секундой по мере протекания каждой партии. Такой совместный взгляд позволяет операторам поддерживать турбины и нагреватели в рабочем режиме, избегать потерь пара при полном хранилище и снижать зависимость от дополнительного топлива. В результате сталелитейные заводы могут снизить счета за энергию и выбросы, не меняя основные методы производства — просто умнее управляя использованием собственной теплоты отходов.

Цитирование: 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

Ключевые слова: пар в сталеплавильном производстве, промышленная энергоэффективность, прогнозирование временных рядов, глубокое обучение в промышленности, утилизация теплоты отходов