• 《工程索引》(EI)刊源期刊
  • 综合性科学技术类中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于粒子群算法的转炉用氧节能优化调度

孔福林 童莉葛 魏鹏程 张培昆 王立 吴冰 陈恩军

孔福林, 童莉葛, 魏鹏程, 张培昆, 王立, 吴冰, 陈恩军. 基于粒子群算法的转炉用氧节能优化调度[J]. 工程科学学报, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
引用本文: 孔福林, 童莉葛, 魏鹏程, 张培昆, 王立, 吴冰, 陈恩军. 基于粒子群算法的转炉用氧节能优化调度[J]. 工程科学学报, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
KONG Fu-lin, TONG Li-ge, WEI Peng-cheng, ZHANG Pei-kun, WANG Li, WU Bing, CHEN En-jun. Optimal scheduling of converter oxygen based on particle swarm optimization[J]. Chinese Journal of Engineering, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
Citation: KONG Fu-lin, TONG Li-ge, WEI Peng-cheng, ZHANG Pei-kun, WANG Li, WU Bing, CHEN En-jun. Optimal scheduling of converter oxygen based on particle swarm optimization[J]. Chinese Journal of Engineering, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002

基于粒子群算法的转炉用氧节能优化调度

doi: 10.13374/j.issn2095-9389.2020.04.02.002
基金项目: 国家重点研发计划资助项目(2018YFB0606104)
详细信息

Optimal scheduling of converter oxygen based on particle swarm optimization

More Information
  • 摘要: 针对钢铁空分企业氧气放散率高、综合能耗高的问题,建立了以减小转炉用氧总量波动和降低系统能耗为目标的转炉用氧调度模型。综合考虑了吹炼区间时长不变、各吹炼区间起始时刻满足工艺要求、钢水温度大于1250 °C、转炉用氧调度前后变动最小等约束,以基于整数空间的粒子群(Particle swarm optimization, PSO)算法进行求解。同时,以国内某大型钢铁企业空分厂为案例,采用Pipeline Studio软件建立该厂区氧气管网输配系统模型,对转炉用氧调度的节能优化效果进行了验证。结果表明,本文提出的转炉用氧节能优化调度在研究时间段尽可能安排单台转炉生产,有效降低多台转炉吹氧重叠时间,在生产时间内错峰用氧,减小转炉用氧总量波动,缓解氧气供求不平衡的矛盾。在120 min研究时长内,调度前后系统氧气放散量由1242.1 m3降低至0,相应的空分系统的电耗节约了1192.42 kW·h,氧压机的压缩能耗增大了41 kW·h,氧气管网输配系统节约总能耗为1151.42 kW·h。综合计算来看,转炉用氧调度应用到全年,预计减少氧气放散总量5.44×106 m3,节约氧气管网输配系统总能耗5.22×106 kW·h。
  • 图 1  国内某大型空分钢铁企业中压氧气管网输配系统示意图

    Figure 1.  Schematic of a medium-pressure oxygen transmission and distribution network system for a large domestic air separation steel plant

    图 2  各转炉的生产周期排列示意

    Figure 2.  Schematic arrangement of the production cycle of each converter

    图 3  某次算法求解收敛曲线

    Figure 3.  Convergence curve of algorithm solution

    图 4  不同设备氧气流量随时间的变化图

    Figure 4.  Change in oxygen flow rate over time for different equipment types

    图 5  调度前后5台转炉的吹氧情况对比。(a)调度前(b)调度后

    Figure 5.  Comparison of oxygen blowing situations of five converters before (a) and after (b) dispatching

    图 6  调度前后转炉的总用氧量随时间的变化

    Figure 6.  Changes in total oxygen consumption of converter before and after scheduling

    图 7  调度前后转炉的工作用氧情况

    Figure 7.  Working oxygen conditions of converter before and after scheduling

    图 8  中压氧气管网输配系统模型示意图

    Figure 8.  Schematic model of medium-pressure oxygen pipeline network system

    图 9  采用调度的氧压机出口压力对比

    Figure 9.  Outlet pressure comparison of oxygen compressor using scheduling

    图 10  采用调度的中压管道压力对比

    Figure 10.  Medium-pressure pipeline pressure comparison using scheduling

    图 11  采用放散的氧压机出口压力变化曲线

    Figure 11.  Oxygen compressor outlet pressure change curve using medium pressure release

    图 12  采用放散的中压管道压力变化曲线

    Figure 12.  Pressure curve of medium-pressure pipeline

    图 13  中压放散阀氧气流量时间变化曲线

    Figure 13.  Time-varying curve of oxygen flow of medium-pressure relief valve

    图 14  氧压机的压缩能耗对比

    Figure 14.  Compression energy consumption of oxygen compressor comparison

    图 15  氧压机的等温效率对比

    Figure 15.  Isothermal efficiency of oxygen compressor comparison

    表 1  PSO算法基本参数

    Table 1.  Basic parameters of PSO algorithm

    k1k2RMtmaxc1c2wmaxwmin
    0.99990.0001600112000.80.80.950.05
    下载: 导出CSV

    表 2  工序氧气流量表

    Table 2.  Process oxygen flow meter

    TimeTotal instantaneous oxygen demand for ironmaking/
    (m3·h−1)
    Total instantaneous oxygen demand for steelmaking/
    (m3·h−1)
    Total instantaneous oxygen production/
    (m3·h−1)
    Network pressure/MPa
    080733.34860875.992135690.1171.962
    279554.53560516.899136006.6641.962
    479819.27748000.639136118.8361.965
    680312.50423078.353136107.4571.986
    878686.02535453.71116135280.5272.022
    下载: 导出CSV

    表 3  氧压机能耗和效率的计算步骤

    Table 3.  Calculation steps of oxygen compressor energy consumption and efficiency

    ProcedureSpecific operation
    STEP1Use Matlab R2014a software to calculate the inlet guide vane opening k according to the intake flow Qn and exhaust pressure pd.
    STEP2Calculate the shaft power Nz from the inlet guide vane opening k and the intake air flow Qn.
    STEP3Calculate the isothermal efficiency ηT combined with the isothermal efficiency calculation formula of centrifugal oxygen compressor.
    STEP4Use the trapz function in Matlab R2014a software to calculate the integral of the shaft power Nz during the study period to obtain the value of the total energy consumption E.
    下载: 导出CSV
  • [1] 李新创. 加快推进钢铁产业高质量发展. 冶金经济与管理, 2020(1):1

    Li X C. Accelerate the development of high-quality steel industry. Metall Economy Manage, 2020(1): 1
    [2] 杨杰, 胡琦, 肖亭, 等. 基于能耗的冷轧连退机组能效建模与工艺参数优化及排序建模优化. 中国机械工程, 2020, 31(14):1724 doi:  10.3969/j.issn.1004-132X.2020.14.012

    Yang J, Hu Q, Xiao T, et al. Energy efficiency modeling, process parameter optimization and sequencing modeling optimization of cold rolling continuous annealing units based on energy consumptions. Chin Mech Eng, 2020, 31(14): 1724 doi:  10.3969/j.issn.1004-132X.2020.14.012
    [3] 张延平, 凌晨, 周建波, 等. 钢铁企业大型空分的能耗分析与经济运行. 冶金能源, 2014, 33(5):6 doi:  10.3969/j.issn.1001-1617.2014.05.002

    Zhang Y P, Ling C, Zhou J B, et al. Energy consumption and optimize circulate of air separation unit of steel corporation. Energy Metall Ind, 2014, 33(5): 6 doi:  10.3969/j.issn.1001-1617.2014.05.002
    [4] Tong L G, Zhang A J, Li Y L, et al. Exergy and energy analysis of a load regulation method of CVO of air separation unit. Appl Therm Eng, 2015, 80: 413
    [5] 张乾乾, 赵珺, 盛春阳, 等. 一种两阶段钢铁企业氧气系统平衡调整方法. 控制工程, 2017, 24(4):716

    Zhang Q Q, Zhao J, Sheng C Y, et al. A two-stage adjustment method for the balance of the oxygen system in steel and iron enterprises. Control Eng China, 2017, 24(4): 716
    [6] 卢宏, 孙鹏. 钢铁企业基于无线传感网的氧气实时优化调度. 软件, 2018, 39(5):129 doi:  10.3969/j.issn.1003-6970.2018.05.028

    Lu H, Sun P. Steel enterprises based on the wireless sensor network oxygen real-time optimization scheduling. Comput Eng Software, 2018, 39(5): 129 doi:  10.3969/j.issn.1003-6970.2018.05.028
    [7] 刘青, 刘倩, 杨建平, 等. 炼钢‒连铸生产调度的研究进展. 工程科学学报, 2020, 42(2):144

    Liu Q, Liu Q, Yang J P, et al. Progress of research on steelmaking‒continuous casting production scheduling. Chin J Eng, 2020, 42(2): 144
    [8] 郑鹏, 唐秋华, 张启敏, 等. 基于离散粒子群算法的炼钢连铸生产调度. 机械设计与制造, 2016(7):49 doi:  10.3969/j.issn.1001-3997.2016.07.013

    Zheng P, Tang Q H, Zhang Q M, et al. Discrete particle swarm optimization for steelmaking and continuous casting production. Mach Des Manuf, 2016(7): 49 doi:  10.3969/j.issn.1001-3997.2016.07.013
    [9] 张培昆, 王立. 高炉休风时供氧管网压力对氧气调度的影响. 工程科学学报, 2017, 39(2):283

    Zhang P K, Wang L. Effects of oxygen pipe-network pressure on the oxygen scheduling during blast furnace blow-down. Chin J Eng, 2017, 39(2): 283
    [10] 张子阳, 孙彦广, 马湧. 基于改进单纯形法的钢铁企业氧气系统优化调度研究. 数学的实践与认识, 2018, 48(23):189

    Zhang Z Y, Sun Y G, Ma Y. Based on the improved simplex method of iron and steel enterprise oxygen system optimization scheduling research. Math Pract Theory, 2018, 48(23): 189
    [11] 童莉葛, 王立, 汤学忠, 等. 降低氧气放散率的高炉休风模型. 冶金能源, 1999, 18(3):16

    Tong L G, Wang L, Tang X Z, et al. Model of blast furnace blow down for oxygen releasing rate. Energy Metall Ind, 1999, 18(3): 16
    [12] 陈光, 陆钟武, 蔡九菊, 等. 钢铁企业氧气系统动态仿真. 东北大学学报(自然科学版), 2002, 23(10):940

    Chen G, Lu Z W, Cai J J, et al. Dynamic simulation of oxygen supply system in iron and steel company. J Northeast Univ Nat Sci, 2002, 23(10): 940
    [13] 郑忠, 朱道飞, 高小强. 基于蚁群算法的炼钢-连铸作业计划编制方法. 北京科技大学学报, 2009, 31(4):504 doi:  10.3321/j.issn:1001-053X.2009.04.019

    Zheng Z, Zhu D F, Gao X Q. Production planning based on an ant colony algorithm for steel-making and continuous casting. J Univ Sci Technol Beijing, 2009, 31(4): 504 doi:  10.3321/j.issn:1001-053X.2009.04.019
    [14] 王继超, 李擎, 崔家瑞, 等. 一种改进的人工蜂群算法——粒子蜂群算法. 工程科学学报, 2018, 40(7):871

    Wang J C, Li Q, Cui J R, et al. An improved artificial bee colony algorithm: particle bee colony. Chin J Eng, 2018, 40(7): 871
    [15] 张壮, 曹玲玲, 林文辉, 等. 基于IPSO-RELM转炉冶炼终点锰含量预测模型. 工程科学学报, 2019, 41(8):1052

    Zhang Z, Cao L L, Lin W H, et al. Improved prediction model for BOF end-point manganese content based on IPSO-RELM method. Chin J Eng, 2019, 41(8): 1052
    [16] 张培昆, 王立. 空分短期停车时间阈值对氧气生产调度的影响. 化工学报, 2017, 68(6):2423

    Zhang P K, Wang L. Effects of temporary shutdown time-threshold on oxygen production schedule in air separation unit. CIESC J, 2017, 68(6): 2423
    [17] 李松, 郑雪梅, 马爱元, 等. CaO‒SiO2‒Al2O3‒TiO2渣系活度计算模型的建立及应用. 稀有金属, 2020, 44(5):540

    Li S, Zheng X M, Ma A Y, et al. Construction and application of activity models for CaO‒SiO2‒Al2O3‒TiO2 slag system. Rare Mrtals, 2020, 44(5): 540
    [18] 徐钢, 黎敏, 徐金梧, 等. 基于函数型数字孪生模型的转炉炼钢终点碳控制技术. 工程科学学报, 2019, 41(4):52

    Xu G, Li M, Xu J W, et al. Control technology of end-point carbon in converter steelmaking based on functional digital twin model. Chin J Eng, 2019, 41(4): 52
    [19] 庞新富, 高亮, 潘全科, 等. 某一转炉或精炼炉故障下炼钢‒连铸生产重调度方法及应用. 控制与决策, 2015, 30(11):1921

    Pang X F, Gao L, Pan Q K, et al. Rescheduling method of steelmaking and continuous casting with breakdown of converter or refining furnace. Control Decis, 2015, 30(11): 1921
    [20] 中华人民共和国住房和城乡建设. GB50439—2015 炼钢工程设计规范. 北京: 中国计划出版社, 2015

    Ministry of Housing and Urban-Rural Development, People’s Republic of China. GB50439—2015 Code for Design of Steelmaking Engineering. Beijing: China Planning Press, 2015
    [21] Kennedy J, Eberhart R. Particle swarm optimization//Proceeding of ICNN’95-IEEE International Conference on Neural Networks. Perth, 1995: 1942
    [22] 刘云, 易松. 基于双参数最小二乘支持向量机(TPA-LSSVM)的风电时间序列预测模型的优化研究. 北京化工大学学报(自然科学版), 2019, 46(02):97

    Liu Y, Yi S. Optimization of a wind power time series prediction model based on a two-parameter least squares support vector machine. J Beijing Univ Chem Technol, 2019, 46(02): 97
    [23] 熊文涛, 禹宝军, 孙林. 改进粒子群算法对1420 mm五机架冷连轧机轧制规程的优化. 钢铁研究学报, 2014, 26(11):25

    Xiong W T, Yu B J, Sun L. Improved particle swarm optimization of rolling schedule on 1420 mm 5-stand tandem cold strip mill. J Iron Steel Res, 2014, 26(11): 25
    [24] Khare A, Rangekar S. A review of particle swarm optimization and its applications in Solar Photovoltaic system. Appl Soft Comput, 2013, 13(5): 2997
    [25] 杨桓, 张理. PIPELINE STUDIO软件在管网模拟分析中的应用. 天然气勘探与开发, 2015, 38(3):91 doi:  10.3969/j.issn.1673-3177.2015.03.021

    Yang H, Zhang L. Application of PIPELINE STUDIO to simulation and analysis of pepe network. Nat Gas Explor Dev, 2015, 38(3): 91 doi:  10.3969/j.issn.1673-3177.2015.03.021
    [26] 兰宇剑, 章磊, 宋代诗雨, 等. Pipeline Studio与SPS计算长输管道储气调峰探讨. 石化技术, 2015, 22(5):22 doi:  10.3969/j.issn.1006-0235.2015.05.013

    Lan Y J, Zhang L, Song D S Y, et al. The discussion of gas storage and peak shaving methods between Pipeline Studio and SPS. Petrochem Ind Technol, 2015, 22(5): 22 doi:  10.3969/j.issn.1006-0235.2015.05.013
    [27] 李宏阳, 玉建军, 靳新迪. PL Studio for Gas 软件在燃气管网模拟的应用. 煤气与热力, 2016, 36(7):75

    Li H Y, Yu J J, Jin X D. Application of PL studio for gas software to simulation of gas pipeline network. Gas Heat, 2016, 36(7): 75
    [28] 陈芳, 李瑞珍, 魏兰波, 等. 空分设备节能潜力及改造效果分析. 深冷技术, 2014(5):1

    Chen F, Li R Z, Wei L B, et al. Analysis of the energy-saving potential and the reform effects of air separation plant. Cryogenic Technol, 2014(5): 1
    [29] 王辉, 宿彦通, 吕义超. 压缩机性能曲线优化. 压缩机技术, 2019(6):13

    Wang H, Su Y T, Lü Y C. Optimization for performance curves of compressor. Compressor Technol, 2019(6): 13
  • [1] 印象,  马博渊,  班晓娟,  黄海友,  王宇(通讯作者),  李松岩.  智慧医疗-面向显微影像的多聚焦多图融合中失焦扩散效应消除方法 . 工程科学学报, 2021, (): -. doi: 10.13374/j.issn2095-9389.2021.01.12.002
    [2] 陈兵, 燕纪威, 尹忠俊, 孙志辉, 肖有鹏.  基于DEM的高频振网筛多参数优化 . 工程科学学报, 2020, 42(): 1-10. doi: 10.13374/j.issn2095-9389.2020.04.16.005
    [3] 张玉振, 李擎, 张维存, 杨宇航.  多模型自适应控制理论及应用 . 工程科学学报, 2020, 42(2): 135-143. doi: 10.13374/j.issn2095-9389.2019.02.25.006
    [4] 陈鹏, 李擎, 张德政, 杨宇航, 蔡铮, 陆子怡.  多模态学习方法综述 . 工程科学学报, 2020, 42(5): 557-569. doi: 10.13374/j.issn2095-9389.2019.03.21.003
    [5] 闫祺, 李文甲, 王稼晨, 马凌, 赵军.  基于改进差分进化算法的加热炉调度方法 . 工程科学学报, 2020, 42(): 1-11. doi: 10.13374/j.issn2095-9389.2020.02.19.004
    [6] 刘应书, 张全立, 刘文海, 李子宜, 杨雄, 曹曦光, 付耀国, 李烨.  PSA制氧过程产品气流量对其氧气体积分数的影响 . 工程科学学报, 2020, 42(11): 1507-1515. doi: 10.13374/j.issn2095-9389.2019.11.11.002
    [7] 王海玉, 郭立伟, 杨荃, 王晓晨, 王淑志, 董立杰.  热轧带钢终轧温度的多模式控制 . 工程科学学报, 2019, 41(7): 940-946. doi: 10.13374/j.issn2095-9389.2019.07.013
    [8] 郑文昊, 贾英民.  具有状态约束与输入饱和的全向移动机器人自适应跟踪控制 . 工程科学学报, 2019, 41(9): 1176-1186. doi: 10.13374/j.issn2095-9389.2019.09.009
    [9] 何凯, 魏颖, 王阳, 黄婉蓉.  一种改进的非刚性图像配准算法 . 工程科学学报, 2019, 41(7): 955-960. doi: 10.13374/j.issn2095-9389.2019.07.015
    [10] 何小妹, 董绍华.  多目标多约束混合流水车间插单重调度问题研究 . 工程科学学报, 2019, 41(11): 1450-1457. doi: 10.13374/j.issn2095-9389.2018.11.27.002
    [11] 孟宇, 肖小凤, 赵坤.  基于UWB的地下定位算法和拓扑优化 . 工程科学学报, 2018, 40(6): 743-753. doi: 10.13374/j.issn2095-9389.2018.06.013
    [12] 贾永楠, 李擎.  多机器人编队控制研究进展 . 工程科学学报, 2018, 40(8): 893-900. doi: 10.13374/j.issn2095-9389.2018.08.001
    [13] 王继超, 李擎, 崔家瑞, 左文香, 赵越飞.  一种改进的人工蜂群算法——粒子蜂群算法 . 工程科学学报, 2018, 40(7): 871-881. doi: 10.13374/j.issn2095-9389.2018.07.014
    [14] 侯公羽, 许哲东, 刘欣, 牛晓同, 王清乐.  无数学模型的非线性约束单目标系统优化方法改进 . 工程科学学报, 2018, 40(11): 1402-1411. doi: 10.13374/j.issn2095-9389.2018.11.014
    [15] 孙丁山, 陈丽, 温余彬, 段登平.  基于嵌套饱和的输入约束浮空器非线性控制 . 工程科学学报, 2018, 40(12): 1557-1568. doi: 10.13374/j.issn2095-9389.2018.12.015
    [16] 张水平, 王碧, 陈阳.  基于逐层演化的群体智能算法优化 . 工程科学学报, 2017, 39(3): 462-473. doi: 10.13374/j.issn2095-9389.2017.03.020
    [17] 张超, 李擎, 王伟乾, 陈鹏, 冯毅南.  基于自适应搜索的免疫粒子群算法 . 工程科学学报, 2017, 39(1): 125-132. doi: 10.13374/j.issn2095-9389.2017.01.016
    [18] 王琦, 于恒昌, 江贝, 章冲, 李术才, 何满潮, 孙会彬, 秦乾.  方钢约束混凝土拱架补强机制研究及应用 . 工程科学学报, 2017, 39(8): 1141-1151. doi: 10.13374/j.issn2095-9389.2017.08.002
    [19] 陈世伟, 张胜修, 杨小冈, 齐乃新.  基于椭圆对称方向矩的可见光与红外图像配准算法 . 工程科学学报, 2017, 39(7): 1107-1113. doi: 10.13374/j.issn2095-9389.2017.07.018
    [20] 张培昆, 王立.  高炉休风时供氧管网压力对氧气调度的影响 . 工程科学学报, 2017, 39(2): 283-293. doi: 10.13374/j.issn2095-9389.2017.02.017
  • 加载中
图(15) / 表 (3)
计量
  • 文章访问数:  944
  • HTML全文浏览量:  276
  • PDF下载量:  54
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-02
  • 网络出版日期:  2021-02-02
  • 刊出日期:  2021-02-26

基于粒子群算法的转炉用氧节能优化调度

doi: 10.13374/j.issn2095-9389.2020.04.02.002
    基金项目:  国家重点研发计划资助项目(2018YFB0606104)
    通讯作者: E-mail:tonglige@me.ustb.edu.cn
  • 中图分类号: TF724.4

摘要: 针对钢铁空分企业氧气放散率高、综合能耗高的问题,建立了以减小转炉用氧总量波动和降低系统能耗为目标的转炉用氧调度模型。综合考虑了吹炼区间时长不变、各吹炼区间起始时刻满足工艺要求、钢水温度大于1250 °C、转炉用氧调度前后变动最小等约束,以基于整数空间的粒子群(Particle swarm optimization, PSO)算法进行求解。同时,以国内某大型钢铁企业空分厂为案例,采用Pipeline Studio软件建立该厂区氧气管网输配系统模型,对转炉用氧调度的节能优化效果进行了验证。结果表明,本文提出的转炉用氧节能优化调度在研究时间段尽可能安排单台转炉生产,有效降低多台转炉吹氧重叠时间,在生产时间内错峰用氧,减小转炉用氧总量波动,缓解氧气供求不平衡的矛盾。在120 min研究时长内,调度前后系统氧气放散量由1242.1 m3降低至0,相应的空分系统的电耗节约了1192.42 kW·h,氧压机的压缩能耗增大了41 kW·h,氧气管网输配系统节约总能耗为1151.42 kW·h。综合计算来看,转炉用氧调度应用到全年,预计减少氧气放散总量5.44×106 m3,节约氧气管网输配系统总能耗5.22×106 kW·h。

English Abstract

孔福林, 童莉葛, 魏鹏程, 张培昆, 王立, 吴冰, 陈恩军. 基于粒子群算法的转炉用氧节能优化调度[J]. 工程科学学报, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
引用本文: 孔福林, 童莉葛, 魏鹏程, 张培昆, 王立, 吴冰, 陈恩军. 基于粒子群算法的转炉用氧节能优化调度[J]. 工程科学学报, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
KONG Fu-lin, TONG Li-ge, WEI Peng-cheng, ZHANG Pei-kun, WANG Li, WU Bing, CHEN En-jun. Optimal scheduling of converter oxygen based on particle swarm optimization[J]. Chinese Journal of Engineering, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
Citation: KONG Fu-lin, TONG Li-ge, WEI Peng-cheng, ZHANG Pei-kun, WANG Li, WU Bing, CHEN En-jun. Optimal scheduling of converter oxygen based on particle swarm optimization[J]. Chinese Journal of Engineering, 2021, 43(2): 279-288. doi: 10.13374/j.issn2095-9389.2020.04.02.002
  • 2019年,中国生产粗钢9.96亿吨,占全球粗钢产量的53.3%,连续24年世界第一[1]。钢铁工业是高能耗行业,我国钢铁工业的能耗占全国总能耗的16.3%左右[2]。钢铁生产过程中需要大量的氧气,2014年仅氧气的生产和输配使用的电能占钢铁企业总电耗的15%~20%[3]。随着大型空分设备以及大型高炉和转炉的出现,氧气的供求矛盾变得越来越突出[4],当生产工况变化时,导致氧气系统供需不平衡的放散问题,造成了能源的浪费[5]。因此,减少氧气的放散,降低空分装置综合能耗是企业节能的重要环节。

    卢宏与孙鹏[6]通过对空分系统、汽液装置进行了动态实时调节,并结合调整小用户供氧量实现了氧气的最小放散。针对炼钢‒连铸生产调度问题,刘青等[7]针对静态调度和动态调度提出了“规则+算法”和“多工序协同”的思路。在炼钢连铸生产调度中,郑鹏等[8]利用离散粒子群算法对总完工时间进行优化,降低了板坯存储过程中的物耗和能耗。针对钢铁企业的氧气系统优化,张培昆与王立[9]建立了混合整数线性规划(Mixed integer linear program,MILP)模型,认为在高炉休风前预先降低高压管网压力对降低氧气放散率十分重要;张子阳等[10]建立氧气优化模型,利用改进单纯形法求解,将氧气按需求分配给用户,提高了氧气的利用率。童莉葛等[11]建立以降低氧气放散率为目的的高炉休风模型,根据生产计划和供氧系统实时运行参数,预测氧、氮、氩需求,合理安排气体的生产、使用和储存等,实现氧气合理利用。陈光等[12]建立了氧气系统动态数学模型,得出调整不同转炉的停隔时间可有效减小氧气放散率的结论;郑忠等[13]提出一种面向生产流程动态网络的自组织资源配置蚁群算法,最小化炉次作业冲突时间和作业前等待时间,提高炼钢‒连铸作业计划编制中资源配置的有效性据。

    本文针对转炉间歇性用氧的特点,以国内某大型钢铁企业空分厂为研究对象,建立了以转炉用氧总量波动最小为目标的转炉用氧调度模型,以基于整数空间的PSO(Particle swarm optimization)算法的理论[14-15]进行相应求解。最后将模型结合实际生产案例,并在此基础上采用Pipeline Studio软件建立验证模型,对调度方案节能效果进行了验证,为钢铁企业转炉的生产调度与系统节能提供参考。

    • 氧气管网输配系统是钢铁企业正常生产的重要组成,主要包括空分设备、离心氧压机、输氧管道、氧气球罐、阀门、调压站、高炉、脱磷转炉、脱碳转炉及其他小用户,图1为国内某大型空分钢铁企业中压氧气管网输配系统示意图。

      图  1  国内某大型空分钢铁企业中压氧气管网输配系统示意图

      Figure 1.  Schematic of a medium-pressure oxygen transmission and distribution network system for a large domestic air separation steel plant

      空分装置连续稳定产氧和转炉用户间歇用氧是输配管网运行压力经常波动的主要原因,氧气供需不平衡是氧气放散的主要原因[16]。当输送管网系统缓冲能力不足时,会出现供氧不足、管网压力过高、氧气放散等现象。供氧不足则无法满足炼钢的生产需求,一方面管网运行压力过高增加了氧压机输送能耗,另一方面氧气放散导致气体分离能耗的损失。此外,氧气管网压力波动增大也会影响供气侧氧压机的稳定运行,这些都是钢铁企业生产过程中的不利因素。

      本文根据氧气管网输配系统的实际运行情况,保证用户用氧需求、氧压机出口压力及输送管网的压力约束,建立转炉用氧调度模型[17]

    • 转炉用氧调度模型的主要目标是通过优化调度,缩短多台转炉交替生产时的重叠时间,减少转炉总用氧总量曲线波动,调平峰谷值,从而减少或避免氧气放散,节约制氧能耗。

      在实际生产中对组成一个浇次的炉次有以下要求[18]:1)钢种相同,钢坯断面尺寸相同;2)各炉次交货期(精炼完成时间)近似相同;3)总炉次数不超过中间包寿命;4)铁水供应正常。

      模型假设条件如下:1)假设相关操作人员已接收到制定的转炉生产的列车时刻表;2)假设单台转炉在连续的生产周期内有相同的用氧安排;3)假设生产现场的各方面条件允许炉次开始和结束时间发生改变。

      以5台转炉为例,设定5台转炉的编号分别为A、B、C、D、E,在一段时间内分别具有NANBNCNDNE个生产周期,每个生产周期包含吹炼区间和非吹炼区间,将每座转炉的生产周期按照时间发生顺序排列如图2,图中实线表示转炉吹炼区,虚线表示非吹炼区,实线与虚线长短示意时间长短。

      图  2  各转炉的生产周期排列示意

      Figure 2.  Schematic arrangement of the production cycle of each converter

      图2可知,5台转炉各自有一条时间轴。以A炉为例,从调度研究的起始时刻起,转炉的第一个吹炼区间从tA−1s开始,到tA−1f结束,那么调度过程中的第i个吹炼区间从tA−is开始,到tA−if结束,调度结束时刻前的最后一个吹炼区间从${t_{{\rm{A}} - {N_{\rm{A}}}{\rm{s}}}}$开始,到${t_{{\rm{A}} - {N_{\rm{A}}}{\rm{f}}}}$结束。设定5台转炉在吹炼区间内的瞬时用氧量分别为DA(t)、DB(t)、DC(t)、DD(t)、DE(t),令单个吹炼区间内的任意时刻A炉的瞬时用氧量为DA,在吹炼区间以外的任意时刻,A炉的瞬时用氧量为0。则t时刻A炉的瞬时用氧量可表示为

      $$ {D_{\rm{A}}}(t) = \left\{ {\begin{array}{*{20}{c}} {D_{\rm{A}}} \\ 0 \end{array}} \right.\begin{array}{*{20}{c}} {\!}&{} \end{array}\begin{array}{*{20}{c}} {t \in \left[ {{t_{{\rm{A - }}i{\rm{s}}}},{t_{{\rm{A - }}i{\rm{f}}}}} \right]} \\ {t \notin \left[ {{t_{{\rm{A - }}i{\rm{s}}}},{t_{{\rm{A - }}i{\rm{f}}}}} \right]} \end{array}\begin{array}{*{20}{c}} {}&{\begin{array}{*{20}{c}} {i = 1,2, \cdots {N_{\rm{A}}}} \\ {i = 1,2, \cdots {N_{\rm{A}}}} \end{array}} \end{array} $$ (1)

      同理,其余4座转炉瞬时用氧量的表示与A炉类似,则5座转炉总瞬时用氧量可表示为

      $$ {D_{{\rm{tot}}}}(t) = {D_{\rm{A}}}(t) + {D_{\rm{B}}}(t) + {D_{\rm{C}}}(t) + {D_{\rm{D}}}(t) + {D_{\rm{E}}}(t) $$ (2)

      选取一个完整的转炉生产时间段作为一个研究时长T,那么在T时长内5台转炉总用氧量Dtot可表示为

      $$ D_{\rm{tot}} = \sum\limits_{t = 1}^T {D_{\rm{tot}}(t)} $$ (3)

      经过优化调度后,每台转炉的每个吹炼区间所处时刻都将发生改变,A炉的第i个吹炼区间从tA−is开始,到tA−if结束,B炉的第i个吹炼区间开始与结束时刻分别为tB−istB−if,以此类推。而调度后t时刻A炉的瞬时用氧量变为DA(t),B炉的瞬时用氧量变为DB(t),以此类推。5座转炉总瞬时用氧量为Dtot(t),研究时长内5台转炉总用氧量为Dtot

    • 模型的主要目标是在尽可能不调整各台转炉生产计划的同时,减缓转炉总用氧量曲线波动,调平峰谷值。目标函数分为2部分,第1部分为5台转炉总用氧量波动影响,减少转炉工作的重叠时间,表现为转炉总瞬时用氧量曲线Dtot(t)的波动趋于平缓;第2部分是调度影响,调度计划对转炉生产的影响降到最低,表现为5台转炉吹炼周期调节前后的时间变化最小。两部分权重系数分别为k1k2,目标函数Y表示为:

      $$\begin{split} & Y = \min \left[ {k_1} \cdot \sum\limits_{t = 2}^T {\left| {{{D'}_{{\rm{tot}}}}(t) \!-\! {{D'}_{{\rm{tot}}}}(t - 1)} \right|} \!+\! {k_2} \cdot \sum\nolimits_{_{{\rm{num}} = \left\{ {{\rm{A,B,C,D,E}}} \right\}}} \right. \\ & \left. {\sum\limits_{i = 1}^{{N_{{\rm{num}}}}} {({{t'}_{{\rm{num - }}i{\rm{s}}}} - {t_{{\rm{num - }}i{\rm{s}}}} + {{t'}_{{\rm{num - }}i{\rm{f}}}} - {t_{{\rm{num - }}i{\rm{f}}}})} } \right] \end{split}$$ (4)
    • 模型的约束条件包括物料平衡约束和吹炼用氧周期约束[19],即:

      (1)在研究时长内,调度前后每台转炉的吹氧总时长不变,5台转炉的总用氧量相同,其约束条件如方程(5)所示。

      $$ D_{\rm{tot}} = D'_{\rm{tot}} $$ (5)

      (2)转炉在吹炼结束后需完成倒铁水、补炉、装废钢、倒铁水、加造渣材料、插入氧气喷枪等步骤,设同一转炉吹炼周期结束到下一吹炼周期开始的时间间隔为TM。其约束条件如方程(6)所示。

      $$\begin{split} & {{t}^{\prime}}_{{\rm{num-}}i\rm{f}}\leqslant {{t}^{\prime }}_{{\rm{num}}-(i\rm{+1)s}}-{T}_{\rm{M}},{\rm{num}}=\left\{\rm{A,B,C,D,E}\right\},\\ & i=1,2,\cdots,({N}_{\rm{num}}-1) \end{split}$$ (6)

      (3)调度前后,单台转炉各吹炼区间的时长不变,其约束条件如方程(7)所示。

      $$\begin{split} & {{t}^{\prime }}_{{\rm{num-}}i\rm{f}}-{{t}^{\prime }}_{{\rm{num-}}i\rm{s}}={t}_{{\rm{num-}}i\rm{f}}-{t}_{{\rm{num-}}i\rm{s}}{{}_{}^{}}_{}^{},{\rm{num}}=\\ & \left\{\rm{A,B,C,D,E}\right\},_{}^{} i=1,2,\cdots ,{N}_{\rm{num}} \end{split}$$ (7)

      (4)结合企业实际生产步骤要求的约束条件。例如某企业生产规定要求,调度后各吹炼区间起始时刻不能比调度前提前2 min以上,其约束条件如方程(8)所示。

      $$ {t}_{{\rm{num-}}i\rm{s}}\!\leqslant\! {{t}^{\prime }}_{{\rm{num-}}i\rm{s}}\!+\!{2},{\rm{num}}\!=\!\left\{\rm{A,B,C,D,E}\right\},_{}^{}i\!=\!1,2,\cdots\! ,{{N}_{\rm{num}}} $$ (8)

      (5)通常,高炉的铁水出炉温度在1350 ~1450 °C,而我国炼钢规范规定转炉入炉铁水温度应大于1250 °C[20]。铁水在运输和待装过程中会散失一部分热量。各企业生产条件有所差异,例如当1 min降3.3 °C左右时,调度前后各吹炼区间起始时刻应满足约束,其约束条件如式(9)所示。

      $$\begin{split} & {t'_{{\rm{num - }}i{\rm{s}}}} - {t_{{\rm{num - }}i{\rm{s}}}} \leqslant \frac{{1350 - 1250}}{{3.3}} - T_{\rm{M}} \approx 10,{\rm{num}} \! = \\ & \left\{ {{\rm{A,B,C,D,E}}} \right\},\;i = 1,2, \cdots ,N_{\rm{num}} \end{split}$$ (9)

      (6)调度后每台转炉的每个生产周期不能超出研究时长T的范围。在生产调度不将转炉生产提前安排的情况下,转炉在研究时长内最后一个吹炼区间的结束时刻也不能超出研究范围,其约束条件如方程(10)所示。

      $$ 0 \leqslant {t'_{{\rm{num - }}i{\rm{s}}}},\begin{array}{*{20}{c}} {}&{{{t'}_{{\rm{num - }}{N_{{\rm{numf}}}}}}} \end{array} \!\!\!\!\! \leqslant T,\begin{array}{*{20}{c}} {\!}&{{\rm{num}} = \left\{ {{\rm{A,B,C,D,E}}} \right\}} \end{array} $$ (10)
    • 粒子群优化算法[21](Particle swarm optimization,PSO)是模仿鸟类飞行觅食过程的算法,以其速度更新公式使种群中的粒子迅速向种群历史最优值靠拢,具有实现容易、精度高、收敛快等优点[22-23],适合处理实数编码问题,尤其是在解决复杂的多峰多谷问题时更为突出[24]

      算法原理是将每个个体作为微粒,例子初始更新时在搜索空间以一定速度飞行,由个体最好位置向群体最好位置动态调整。在M维空间中存在R个粒子,第i的粒子的位置和速度标记为xij=(xi1, xi2$ {\cdots} x_{ij}$)和vij=(vi1, vi2${\cdots} v_{ij}$),i=1,$2{\cdots} $Rj=1,$2 {\cdots} $M,每次迭代粒子进行局部最优变量pi=(pi1, pi2${\cdots} p_{ij}$)和全局最优变量pg=(pg1, pg2${\cdots} p_{gi}$)的更新,个体粒子第t+1次位置和速度的更新如式(11)~(13)所示:

      $$\begin{array}{l} {v_{ij}}(t + 1) = w(t) \cdot {v_{ij}}(t) + {c_1} \cdot {r_1} \cdot \{ {p_{ij}}(t) - {x_{ij}}(t) + \\ {\rm{ }}{c_2} \cdot {r_2} \cdot {x_{ij}}(t)[{p_{{\rm{g}}j}}(t) - {x_{ij}}(t)]\} {\rm{ }},t{\rm{ = 1,2}}, \cdots, {t_{\max }} \\ \end{array} $$ (11)
      $${x_{ij}}(t + 1) = {x_{ij}}(t) + {v_{ij}}(t + 1){\rm{ }},t{\rm{ = 1,2}},\cdots, {t_{\max }}$$ (12)
      $$w(t) = {w_{\max }} - (t - 1)\frac{{({w_{\max }} - {w_{\min }})}}{{({t_{\max }} - 1)}}$$ (13)

      式中,tmax是最大迭代次数,r1r2是[0,1]之间的随机变量,c1c2是0~2范围的算法学习因子,w(t)是惯性因子,wmaxwmin是惯性权重上限和惯性权重下限。

      转炉用氧调度模型针对不同的企业生产情况,需要企业提供的实际生产数据有:1)转炉数量;2)模型研究时长T;3)各台转炉用氧安排,包括吹炼起始时刻,单次单炉吹氧量;4)企业吹氧时刻与进铁水时刻要求;5)企业运输铁水过程,铁水温度下降速率;6)同一转炉吹炼周期结束到下一吹炼周期开始的时间间隔TM

      转炉用氧调度模型以研究时间段内5台转炉用氧总量曲线波动最小为目标,同时满足实际生产中的约束条件,将每个转炉用氧周期的起始时刻点作为一组矩阵。基于PSO算法,在Windows Server 2016运行环境下,利用MATLAB R2014a软件对该组矩阵进行整数范围内的迭代,最后获得收敛的求解结果,算法中各参数如表1所示。

      表 1  PSO算法基本参数

      Table 1.  Basic parameters of PSO algorithm

      k1k2RMtmaxc1c2wmaxwmin
      0.99990.0001600112000.80.80.950.05

      依据目标函数两部分量级关系,权重系数k1k2分别取值0.9999和0.0001,表1中的其余部分为PSO算法中的参数。在Matlab中将此目标函数式(4)写成一个函数文件,该函数包含M个自变量,利用基于整数空间的PSO算法完成迭代计算过程。图3所示为某次求解中算法运行的收敛曲线,该收敛曲线表明了本次计算完成收敛,求解获得了最优值,对应为最优转炉用氧调度方案。

      图  3  某次算法求解收敛曲线

      Figure 3.  Convergence curve of algorithm solution

    • 国内某大型空分钢铁企业氧气管网的主要组成包括2座75000 m3·h−1空分装置、2台离心氧压机、5座1000 m3氧气球罐、2座5500 m3高炉、2座300 t脱磷转炉、3座300 t脱碳转炉,主要设备的产氧及用氧情况示意如图4所示。氧压机出口及调压车间入口处每根输送管道上设置流量、压力等测量装置。该企业的氧气管网设计压力为3.0 MPa,调压站前的氧气管网运行压力在1.9~2.7 MPa,超出该压力范围系统自动报警。调压站后的最大压力为1.6 MPa,管网内炼钢用主管道段设有孔板流量计来测算中压管道压力,该压力值超过2.53 MPa时,放散阀开启,氧气中压放散。

      图  4  不同设备氧气流量随时间的变化图

      Figure 4.  Change in oxygen flow rate over time for different equipment types

      本文研究对象数量及约束如下:

      1)转炉数量5台;2)模型研究时长T取120 min;3)各台转炉用氧时序(包括吹炼起始时刻和吹氧量)如图5的调度前吹氧安排所示;4)各台转炉吹氧时刻与进铁水时刻要求,调度后各吹炼区间起始时刻不能比调度前提前2 min以上;5)运输铁水过程中铁水温度下降速率为3.3 °C·min−1;6)同一转炉吹炼周期结束到下一周期吹炼开始的时间间隔TM为20 min。调度后转炉用氧如图5所示。转炉瞬时用氧总量如图6所示,转炉总用氧量统计如图7所示。

      图  5  调度前后5台转炉的吹氧情况对比。(a)调度前(b)调度后

      Figure 5.  Comparison of oxygen blowing situations of five converters before (a) and after (b) dispatching

      图  6  调度前后转炉的总用氧量随时间的变化

      Figure 6.  Changes in total oxygen consumption of converter before and after scheduling

      图  7  调度前后转炉的工作用氧情况

      Figure 7.  Working oxygen conditions of converter before and after scheduling

      调度方案更倾向在研究时长内多安排1台转炉生产,达到错峰用氧的目的。从图67可知,研究时间段内仅有1台转炉用氧的时长由42 min增加到83 min,2台以上转炉同时处于吹炼周期的时长从40 min下降到了21 min,5台转炉均不吹炼的时间减少为0。对比调度前后转炉的用氧情况可知,调度后转炉的同时用氧时长得到有效降低。转炉的用氧调度使得用氧总量波动减小,缓解氧气供求的矛盾,给氧气供给侧更大的操作空间,对提高能源综合利用率有很大帮助。

    • 根据图1所示氧气管网输配系统,使用Pipeline Studio软件中的Tgnet模块[25-27]建立如图8所示氧气管网输配系统模型,验证调度前后管网运行压力的变化及能耗。

      图  8  中压氧气管网输配系统模型示意图

      Figure 8.  Schematic model of medium-pressure oxygen pipeline network system

      模型的静态边界条件依据实际管网设备参数进行设定,运行动态仿真时可变边界条件为进气流量和用户的用气流量,这些变量可录入到Tgnet提供的动态脚本,模型所选约束模式为流量‒压力约束。

      该企业与氧气相关的企业生产数据,包括炼铁部分、炼钢部分、制氧站部分的总瞬时氧气流量和管网压力,如表2所示。

      表 2  工序氧气流量表

      Table 2.  Process oxygen flow meter

      TimeTotal instantaneous oxygen demand for ironmaking/
      (m3·h−1)
      Total instantaneous oxygen demand for steelmaking/
      (m3·h−1)
      Total instantaneous oxygen production/
      (m3·h−1)
      Network pressure/MPa
      080733.34860875.992135690.1171.962
      279554.53560516.899136006.6641.962
      479819.27748000.639136118.8361.965
      680312.50423078.353136107.4571.986
      878686.02535453.71116135280.5272.022

      运行动态仿真时,高炉、转炉瞬时用氧量数据和空分设备的瞬时产氧量作为动态脚本输入,管网压力作为仿真结果输出。

    • 调度前后的转炉用氧数据与高炉炼铁用氧数据及空分设备产氧数据作为动态脚本输入,氧压机出口压力与中压管道压力作为仿真结果输出,结果如图9图10所示。

      图  9  采用调度的氧压机出口压力对比

      Figure 9.  Outlet pressure comparison of oxygen compressor using scheduling

      图  10  采用调度的中压管道压力对比

      Figure 10.  Medium-pressure pipeline pressure comparison using scheduling

      图9图10可以看出,调度后氧压机出口压力和中压管道压力的峰值均降至压力上限值以下,从而避免了氧气管网中压放散。利用Pipeline Studio软件实现氧气中压放散仿真,放散前后氧压机出口压力及管网压力的变化曲线分别如图11图12所示,流经放散阀放散的氧气流量如图13所示。

      图  11  采用放散的氧压机出口压力变化曲线

      Figure 11.  Oxygen compressor outlet pressure change curve using medium pressure release

      图  12  采用放散的中压管道压力变化曲线

      Figure 12.  Pressure curve of medium-pressure pipeline

      图  13  中压放散阀氧气流量时间变化曲线

      Figure 13.  Time-varying curve of oxygen flow of medium-pressure relief valve

      图912可知,采用转炉用氧节能优化调度后,可以实现管网峰值压力的降低,达到与中压放散一样的效果,从而避免了氧气的放散。由图13可知,t=89~91 min为放散区间,根据氧气流量曲线计算氧气放散总量为1242.1 m3,本文研究案例企业2019年年平均制氧综合单耗约为0.96 kW·h,节约氧气放散总量对应空分系统的产氧能耗为1192.42 kW·h。

    • 氧气在生产和输配过程中,能耗主要来自空分设备和氧压机[28]。通常,空分设备的运行能耗可以采用氧气单位能耗来评价,如式(14)所示。

      $${N_{{{\rm{O}}_2}}} = \frac{{\sum {{W_{{\rm{ASU}}}}} }}{{\sum {{V_{{{\rm{O}}_2}}}} }}$$ (14)

      式中,${N_{{{\rm{O}}_2}}} $是制氧单耗,kW·h;∑WASU是空分设备的总能耗,kW·h;${{\sum {{V_{{{\rm{O}}_2}}}} }} $是氧气量,m3·h−1

      氧压机的能耗根据氧压机性能曲线来计算[29]。根据某七万等级离心氧压机性能曲线图,利用Matlab R2014A软件中的Regress函数对其进行拟合,得到该氧压机的流量—压力、流量—轴功率及与开度之间的关系。

      离心氧压机能耗和效率的计算步骤如表3所示。

      表 3  氧压机能耗和效率的计算步骤

      Table 3.  Calculation steps of oxygen compressor energy consumption and efficiency

      ProcedureSpecific operation
      STEP1Use Matlab R2014a software to calculate the inlet guide vane opening k according to the intake flow Qn and exhaust pressure pd.
      STEP2Calculate the shaft power Nz from the inlet guide vane opening k and the intake air flow Qn.
      STEP3Calculate the isothermal efficiency ηT combined with the isothermal efficiency calculation formula of centrifugal oxygen compressor.
      STEP4Use the trapz function in Matlab R2014a software to calculate the integral of the shaft power Nz during the study period to obtain the value of the total energy consumption E.

      根据表3所示步骤可求出调度前后氧压机的压缩能耗和等温效率,分别如图14图15所示。由图14和前面的研究分析可知,在120 min研究时长内:调度后氧压机的压缩能耗增大了41 kW·h,减少1242.1 m3氧气放散对应节约空分系统能耗为1192.42 kW·h,氧气管网输配系统节约总能耗为1151.42 kW·h。同时由图15可知,调度后氧压机的等温效率略微升高。综合计算来看,转炉用氧调度应用到全年,预计减少氧气放散总量5.44×106 m3,节约氧气管网输配系统总能耗为5.22×106 kW·h。

      图  14  氧压机的压缩能耗对比

      Figure 14.  Compression energy consumption of oxygen compressor comparison

      图  15  氧压机的等温效率对比

      Figure 15.  Isothermal efficiency of oxygen compressor comparison

    • (1)针对当前钢铁空分企业氧气放散率高、综合能耗高的特点,从“转炉用氧调度模型建立”、“PSO算法求解”、“输送管网系统模型验证”相结合的角度给出了转炉生产用氧的调度研究方法,可对多台转炉用氧进行有效的调度优化。

      (2)转炉用氧调度尽可能安排单台转炉生产,有效降低多台转炉吹氧重叠时间,在生产时间段内错峰用氧,转炉用氧总量波动减小,缓解氧气供求不平衡的矛盾。

      (3)结合应用案例,转炉用氧调度可以降低管网系统峰值压力,减少甚至避免氧气放散。采用转炉用氧节能优化调度后,氧压机能耗略微增大,等温效率也略微升高,同时在120 min研究时长内,氧气管网输配系统放散量从1242.1 m3减少至0,转炉用氧调度应用到全年,预计氧气管网输配系统节约总能耗为5.22×106 kW·h。

参考文献 (29)

目录

    /

    返回文章
    返回