基于BP神經(jīng)網(wǎng)絡(luò)的煙草企業(yè)能耗預(yù)測的研究與應(yīng)用

陸正卿 ，方維嵐

(上海煙草集團(tuán)有限責(zé)任公司，上海 200082)

煙草行業(yè)節(jié)約能源方面明確提出了要“強(qiáng)化節(jié)能有限戰(zhàn)略，全面提升能源開發(fā)轉(zhuǎn)換和利用效率，控制能源消費總量”的戰(zhàn)略指導(dǎo)思想，同時，某煙草企業(yè)也確定了以提高能源利用效率為核心的節(jié)能指導(dǎo)方針和工作目標(biāo)。該企業(yè)下屬生產(chǎn)線的包含制絲生產(chǎn)車間和卷包生產(chǎn)車間，將對其進(jìn)行能源預(yù)測研究[1]。

該煙草企業(yè)生產(chǎn)過程中，工作車間的環(huán)境溫濕度工藝要求比較嚴(yán)格，冷凍機(jī)、空調(diào)等的能源消耗管理存在不足[2]。針對此現(xiàn)象，也將做為本文的研究對象，通過對冷凍機(jī)的能源消耗進(jìn)行提前預(yù)測，可以加強(qiáng)能源的管理效率，達(dá)到節(jié)能效果。

圖1 能耗預(yù)測研究流程圖

基于以上研究目標(biāo)，本文通過能耗預(yù)測研究流程圖(圖1)對能耗進(jìn)行研究分析，生成能耗預(yù)測模型，并最后進(jìn)行模型校驗。

1 數(shù)據(jù)收集并整理

1.1 制絲車間[3]

通過分析制絲生產(chǎn)過程(圖2)發(fā)現(xiàn)：制絲車間的批次生產(chǎn)工作時長不固定，會跨小時，而制絲車間的電耗計量最小顆粒度為小時，故以生產(chǎn)批次為最小顆粒度的樣本難以與電耗對應(yīng)；所以制絲電耗數(shù)據(jù)以班為最小樣本顆粒度。制絲生產(chǎn)樣本數(shù)據(jù)由月、日、班次、產(chǎn)量、HDD和CDD組成，能耗種類分為電量、空壓。

圖2 某煙草企業(yè)制絲車間生產(chǎn)過程

1.2 卷包車間

在煙草企業(yè)實際生產(chǎn)中，由于卷包生產(chǎn)能力弱于制絲生產(chǎn)能力，所以制絲產(chǎn)量往往由卷包產(chǎn)量拉動制定；為了滿足制絲生產(chǎn)線產(chǎn)出的大量煙絲，卷包車間需要安s排多臺卷接設(shè)備進(jìn)行同步耗用煙絲生產(chǎn)卷煙，所以對于卷包車間的樣本數(shù)據(jù)，需要添加影響特征，即開動的機(jī)臺數(shù)量。能源種類分為電量、空壓、真空。

1.3 冷凍機(jī)[4]

通過研究分析煙草企業(yè)的環(huán)境調(diào)節(jié)機(jī)制發(fā)現(xiàn)：空調(diào)和冷凍機(jī)的能源消耗歷史趨勢不相同(圖3)，其中空調(diào)能源消耗趨勢變化單一，研究價值較小，冷凍機(jī)是主要實現(xiàn)工作車間溫濕度調(diào)控的功能；所以本文將以冷凍機(jī)能耗作為研究對象。生產(chǎn)車間中的生產(chǎn)產(chǎn)量和臺班開放數(shù)量對于車間環(huán)境溫濕度會有影響，所以對冷凍機(jī)的能源消耗也具有一定影響，故對此數(shù)據(jù)也需進(jìn)行特征分析。

圖3 空調(diào)和冷凍機(jī)能源消耗歷史趨勢圖

1.4 度日數(shù)[5]

《節(jié)能設(shè)計標(biāo)準(zhǔn)》中，建筑物節(jié)能綜合指標(biāo)限值中的耗冷量指標(biāo)(qc)和空調(diào)年耗電量(Ec)是根據(jù)建筑物所在地的制冷度日數(shù)(CDD26)確定的。其值為一年中當(dāng)某天是室外日平均溫度高于26℃時，將高于26℃的度數(shù)乘以1天，再將每一天的此乘積累加。其單位為℃·d。采暖度日數(shù)(HDD26)則反之?？赏ㄟ^網(wǎng)址(http://www.degreedays.net/)獲取度日數(shù)據(jù)。

由于煙草企業(yè)中提供的數(shù)據(jù)包含2016年全年數(shù)據(jù)，所以需要先篩選出工作日的數(shù)據(jù)。以班次為最小顆粒度的樣本數(shù)據(jù)(表1)，其中包含本班次的能耗數(shù)據(jù)、月份、日期、班次、產(chǎn)量、臺班數(shù)、HDD和CDD；其中班次分為早班、中班和晚班，為方便計算將其數(shù)值化為“6”、“14”“22”。

表1 模型學(xué)習(xí)數(shù)據(jù)樣本樣例

2 BP神經(jīng)網(wǎng)絡(luò)[6]

在將數(shù)據(jù)樣本進(jìn)行訓(xùn)練之前，需要對數(shù)據(jù)進(jìn)行歸一化處理。通過使用min-max標(biāo)準(zhǔn)化(公式1)處理，對原始數(shù)據(jù)做線性變換，使結(jié)果落到[0,1]區(qū)間；預(yù)測完成之后，還需要通過反歸一化方法恢復(fù)數(shù)值。

公式1

神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點數(shù)目可根據(jù)如下經(jīng)驗公式(公式2)來設(shè)定：

公式2

其中h為隱含層節(jié)點數(shù)目，m為輸入層節(jié)點數(shù)目，n為輸出層節(jié)點數(shù)目，a為1～10之間的調(diào)節(jié)常數(shù)[7-8]。

本文的BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)使用了tanh函數(shù)(公式3和公式4)，它的輸出和輸入能夠保持非線性單調(diào)上升和下降關(guān)系，符合BP網(wǎng)絡(luò)的梯度求解，容錯性好，有界，漸進(jìn)于0、1，符合人腦神經(jīng)飽和的規(guī)律。

公式3

(tanhx)'=1-tanh2x

公式4

至此，根據(jù)BP學(xué)習(xí)算法權(quán)值調(diào)整的計算公式(公式5和公式6)，可進(jìn)行迭代運算。

其中，輸入層輸入向量(n維)：X=(x1,x2,…,xi,…,xn)T；

隱層輸出向量(隱層有m個結(jié)點)：Y=(y1,y2,…,yj,…,ym)T；

輸出層輸出向量(l維)：O=(o1,o2,…,ok,…,ol)T

期望輸出向量：d=(d1,d2,…,dk,…,dl)T；

輸入層到隱層之間的權(quán)值矩陣：V=(V1,V2,…,Vj,…,Vm)；

隱層到輸出層之間的權(quán)值矩陣用：W=(W1,W2,…,Wk,…,Wl)。

大致步驟就是網(wǎng)絡(luò)參數(shù)先進(jìn)行初始化，再計算隱含層輸出和輸出層輸出，利用誤差計算作為反饋，更新權(quán)重，最終預(yù)測誤差達(dá)到期望或迭代數(shù)達(dá)到最大值則輸出，或者重新計算隱含層和輸出層，進(jìn)行迭代。

3 實驗結(jié)果及校驗

相對誤差(Relative Error)[9]是絕對誤差與真值的比值，即測量值減去真值的差的絕對值除以真值，再乘以百分之一百，它能反映出測量值的可信程度。均方根誤差(root-mean-square error，RMSE)[10]亦稱為標(biāo)準(zhǔn)誤差，表示觀測值與真值偏差的平方和與觀測次數(shù)n比值的平方根，能夠很好地反映出預(yù)測的緊密度。

本文收集了某煙草企業(yè)2016年全年制絲車間每個班次的耗電量、空壓消耗量、產(chǎn)量、HDD和CDD；卷包車間每個班次的耗電量、空壓消耗量、真空消耗量、產(chǎn)量、機(jī)臺數(shù)、HDD和CDD；冷凍機(jī)每個班次的耗電量、制絲車間產(chǎn)量、卷包車間產(chǎn)量、HDD和CDD，其中冷凍機(jī)工作范圍包含制絲車間和卷包車間，故需包含兩個車間的產(chǎn)量數(shù)據(jù)，見圖4～9。模型訓(xùn)練和測試結(jié)果，具體如表2。

表2 模型訓(xùn)練和測試結(jié)果

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的卷包生產(chǎn)能耗預(yù)測

圖5 基于BP神經(jīng)網(wǎng)絡(luò)的卷包空壓能耗預(yù)測

圖6 基于BP神經(jīng)網(wǎng)絡(luò)的卷包真空能耗預(yù)測

圖7 基于BP神經(jīng)網(wǎng)絡(luò)的制絲生產(chǎn)能耗預(yù)測

圖8 基于BP神經(jīng)網(wǎng)絡(luò)的制絲空壓能耗預(yù)測

圖9 基于BP神經(jīng)網(wǎng)絡(luò)的冷凍機(jī)能耗預(yù)測

4 結(jié)論

本文研究了基于BP神經(jīng)網(wǎng)絡(luò)的煙草企業(yè)能耗預(yù)測，并根據(jù)煙草企業(yè)2016年的實際能耗數(shù)據(jù)進(jìn)行模型訓(xùn)練和測試，結(jié)果數(shù)據(jù)顯示各種能耗的平均相對誤差大致在10%以下；本文研究成果可實際應(yīng)用于煙草企業(yè)能源管理系統(tǒng)，通過輸入具體日期、班次、計劃產(chǎn)量、計劃機(jī)臺數(shù)、HDD和CDD，即能夠預(yù)測出該班次電耗、空壓量等能耗，實現(xiàn)信息化能源預(yù)測，提高管理效率。