面向节能降碳的高炉炼铁前馈-反馈控制方法

《Energy》：A Feedforward-Feedback Control Method of Blast Furnace Ironmaking for Energy Saving and Carbon Reduction

　　

高炉（BF）是高能耗和高碳排放设备。生产订单、原材料价格和设备状态的动态变化导致炼铁过程中能耗和碳排放波动，难以维持长期稳定、低能耗和低排放运行。为实现高炉节能降碳及稳定高效运行，开发能耗与碳排放的前馈优化和反馈控制策略具有重要意义。因此，本文提出一种面向节能降碳的高炉炼铁前馈-反馈控制方法。研究人员建立了高炉能耗、CO2排放和生产成本的联合前馈控制模型，并采用非支配排序蜣螂优化算法（NSDBO）求解；同时，基于萤火虫算法优化的长短期记忆网络（FA-LSTM）与模型预测控制（MPC）构建了反馈控制模型。案例研究表明，前馈模型使能耗、CO2排放和生产成本分别降低11.78%、12.05%和8.13%；反馈模型实现了对上述三项指标的快速稳定调节。此外，前馈-反馈协同控制将三者稳定在较低水平，降幅分别为11.76%、11.75%和8.12%，验证了所提方法的实用性。

研究背景

钢铁行业是国民经济的重要支柱，但其高能耗和高碳排放特性使其成为节能减排的重点领域。高炉（BF）作为炼铁核心设备，其能耗和碳排放占长流程钢铁生产的60%以上，其中高炉自身贡献超过80%。然而，高炉是一个多变量强耦合的复杂反应系统，其运行稳定性易受原料性质、外部操作条件波动的影响。现有研究多聚焦于单一工艺指标（如煤气利用率、燃料比）的静态优化，缺乏对能耗、碳排放与生产成本的动态协同控制，且前馈优化与反馈控制往往独立实施，难以应对复杂工况下的实时扰动。

研究意义

本研究针对高炉炼铁过程的动态扰动问题，提出前馈-反馈协同控制框架，旨在实现能耗、碳排放与生产成本的长期稳定优化。研究成果为高炉绿色高效运行提供了理论支撑，对推动钢铁行业低碳转型具有重要实践价值。该论文发表于《Energy》期刊。

关键技术方法

研究人员采用1350m3高炉的实时生产数据（采样间隔1小时，共2232组数据）进行验证。关键技术包括：

1. 1.
   前馈控制模型：基于非支配排序蜣螂优化算法（NSDBO）求解多目标优化问题，协调能耗、CO₂排放与生产成本；
2. 2.
   反馈控制模型：结合萤火虫算法优化的长短期记忆网络（FA-LSTM）与模型预测控制（MPC），实现动态误差校正；
3. 3.
   协同控制架构：通过前馈优化设定目标参数，反馈控制实时补偿未知扰动，形成闭环调控。

研究结果

1. 1.
   前馈控制效果
   • •
     能耗降低11.78%，CO₂排放减少12.05%，生产成本下降8.13%。
   • •
     证明前馈优化可有效应对原料配比、订单波动等可预测扰动。
2. 2.
   反馈控制效果
   • •
     FA-LSTM-MPC模型对能耗、碳排放与成本的调节响应时间缩短至1小时内，稳态误差低于±2%。
   • •
     验证了反馈机制对未知扰动的实时补偿能力。
3. 3.
   协同控制性能
   • •
     综合降幅达11.76%（能耗）、11.75%（碳排放）和8.12%（成本）。
   • •
     表明前馈-反馈协同策略能维持高炉长期稳定运行。

讨论与结论

讨论部分

研究人员指出，传统静态优化方法难以适应高炉动态工况，而独立的前馈或反馈控制均存在局限性：前馈无法修正未知偏差，反馈则滞后于可预测扰动。本研究的创新在于将两者结合，通过NSDBO全局寻优与FA-LSTM-MPC局部校正，实现了多目标协同优化。

结论翻译

为解决高炉炼铁高能耗与高碳排放问题，本研究提出一种节能降碳前馈-反馈控制方法。通过NSDBO算法求解前馈模型，实现能耗、CO₂排放与生产成本的协同优化（降幅分别为11.78%、12.05%和8.13%）；基于FA-LSTM-MPC的反馈模型进一步提升了系统的动态稳定性。案例验证表明，该方法能长期维持高炉低能耗、低排放与低成本运行，为高炉智能化控制提供了新思路。