集成深度学习驱动的多阶段转炉蒸汽预测与调度优化

将余热变为有用能量

每批钢材的生产过程中，炼钢转炉中精炼熔融金属时会释放出一股看不见的热蒸汽流。大部分蒸汽可以被捕集并转化为热能或电力，从而节省燃料并降低成本。但随着工序推进，蒸汽的强弱会出现不可预测的波动，令钢厂难以规划可回收的量。本文提出了一种新的方法，更准确地预测这些蒸汽峰值，将长周期的计划与逐秒的监测结合起来，使钢厂能够从现有产出中挤出更多能量。

蒸汽在炼钢中的重要性

仅中国的钢铁行业就生产了全球一半以上的粗钢，蒸汽约占典型工厂总能耗的十分之一。在现代转炉炼钢中，氧气被吹入巨大的熔融铁液中，引发剧烈反应并释放大量热量。炉墙循环水和烟气冷却系统吸收这些热量并汽化为蒸汽，蒸汽随后可导入汽轮机发电，或用于为建筑与设备供热。蒸汽的预测与回收越可靠，工厂就越少需要购买和燃烧燃料，运营成本和排放也越低。

为什么蒸汽难以预测

实际上，蒸汽产量并非恒定。不同钢种（低、中、高碳）燃烧强度不同，导致蒸汽产生量变化。每台转炉都有各自的特性与性能曲线，且工厂常同时运行多台转炉。此外，还存在不同的冶炼模式——常规脱碳、双脱碳和双除磷——每种模式的时间节点和蒸汽模式各异。大部分蒸汽在吹氧阶段出现，但峰值的大小与形状在不同炉次间可能差别很大。生产排程还会因设备状态和原料供应而调整，使得蒸汽生成的整体节奏高度不规则。

连接计划与实时运行

迄今为止，大多数预测工作侧重于实时生产阶段，利用历史传感器读数预测短期变化。这些模型通常忽略了在炉次开始前已存在的信息，例如计划的钢种、铁液重量或预计吹氧时长。作者认为有用的解决方案必须同时在两种时间尺度上工作。首先，计划阶段的模型大致提前约两小时给出区间式估算，预测接下来几批炉次将产生多少蒸汽。这些估计有助于为工厂蒸汽网络设定目标、决定缓冲储存的分配，并为汽轮机及其他用能端做好准备。

为每个阶段设计的智能算法

为了提供计划阶段的预测，团队将支持向量机（一种知名且相对紧凑的机器学习方法）与改良的“黑翼鸢”优化算法配对。该优化器系统地搜索支持向量模型的最佳内部参数，避免了工程师常通过反复试验进行的调参。以低维的计划数据为输入，如钢种、铁液重量、吹氧时长和转炉编号，调优后的模型能以约92%的准确率预测即将到来的炉次总蒸汽量。一旦进入生产阶段，问题则发生变化：高频的蒸汽温度、压力、液位等传感信号实时流入，蒸汽流量可能在数秒内出现尖峰或骤降。在这一阶段，作者引入了一种名为DSC-Transformer的深度学习架构。它使用具有形状适应能力的卷积层来跟踪快速的局部波动，并结合擅长捕捉时间序列长程模式的Transformer模块。

从数据流到更优能耗

在生产阶段，DSC-Transformer接收滚动时间窗口的传感器数据并输出细粒度的蒸汽流量预测，随着工况变化不断更新先前的计划估计。模型可配置不同的窗口长度——从几秒到两分钟不等——允许操作员在超短期灵敏度与较长期稳定性之间权衡。在来自1100炉次、50天的真实工厂数据测试中，该系统在第二阶段达到了约99%的预测准确率，并持续优于诸如长短期记忆网络（LSTM）和标准Transformer等常见替代方法。计划阶段与生产阶段模型共同构成了一个连续的预测管道，将多台转炉的预期蒸汽与工厂网络的储存和消耗能力对齐。

这对钢厂意味着什么

对非专业读者而言，结论很清晰：通过同时学习炼钢的“慢节奏”计划与“快节拍”实时波动，这一两阶段预测系统帮助工厂捕捉并利用更多现有的蒸汽。计划模型提前告知未来数小时内可能可用的蒸汽量，而实时模型则在每批炉次进行时逐秒修正和细化这一图景。这种一体化视角使操作员能平稳运行汽轮机和加热设备，避免在储存满载时浪费蒸汽，并减少对额外燃料的依赖。因此，钢厂无需改变核心生产工艺，仅通过更智能地安排何时以及如何使用自身余热，即可降低能源费用和排放。

引用: 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

关键词: 炼钢蒸汽, 工业能源效率, 时间序列预测, 工业中的深度学习, 余热回收