基于神經(jīng)網(wǎng)絡(luò)算法的鋼鐵企業(yè)電力能耗預(yù)測

酒鋼集團(tuán)碳鋼薄板廠 吳 強(qiáng) 李發(fā)業(yè) 中電普瑞科技有限公司 羅 斌

1 引言

目前我國噸鋼能耗水平高出國外先進(jìn)國家，因此有必要建立鋼鐵企業(yè)電力能耗預(yù)測模型，預(yù)測電力能耗水平，為鋼鐵企業(yè)節(jié)能降耗提供科學(xué)依據(jù)。李培靜[1]采用了神經(jīng)網(wǎng)絡(luò)的模型，并基于主成分分析的原理，降低了模型的復(fù)雜程度。施杰等人[2]建立的Boosting 模型準(zhǔn)確性較高，用戶能夠依據(jù)該企業(yè)的生產(chǎn)情況對電能情況預(yù)測。崔賀[3]利用支持向量機(jī)以及BP 神經(jīng)網(wǎng)絡(luò)算法對能源進(jìn)行預(yù)測，從而節(jié)約能源。宋安原等人[4]實(shí)現(xiàn)了對城市中各個(gè)用戶的用電情況預(yù)測。杜捷[5]指出企業(yè)目前面臨著發(fā)電量增加，綜合能耗也隨之增加的風(fēng)險(xiǎn)。目前缺乏鋼鐵企業(yè)電力系統(tǒng)的預(yù)測模型，因此本文針對鋼鐵企業(yè)實(shí)際電力消耗及鋼鐵生產(chǎn)流程，采用BP 神經(jīng)網(wǎng)絡(luò)建立鋼鐵企業(yè)電力能耗預(yù)測模型。

2 鋼鐵企業(yè)電力能耗預(yù)測的建立

2.1 基于神經(jīng)網(wǎng)絡(luò)算法的鋼鐵企業(yè)電力能耗預(yù)測模型

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中較為重要的方法，神經(jīng)網(wǎng)絡(luò)算法是基于生物神經(jīng)網(wǎng)絡(luò)的一種預(yù)測模型。主要通過神經(jīng)元的權(quán)重進(jìn)行建模，進(jìn)行實(shí)際的預(yù)測，神經(jīng)網(wǎng)絡(luò)結(jié)果為輸入層—隱含層—輸出層。

設(shè)輸入層輸入值為x1，x2，…xn，神經(jīng)網(wǎng)絡(luò)的權(quán)值分別為wij和wjk，神經(jīng)網(wǎng)絡(luò)輸出層中預(yù)測值為y1，y2，…yn。本文采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，預(yù)測算法步驟如下。

一是輸入層節(jié)點(diǎn)輸為n，需要根據(jù)影響因素進(jìn)行確定節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)為l，輸出層節(jié)點(diǎn)輸為k，輸入層與隱含層神經(jīng)元之間權(quán)值為wij，隱含層與輸出層神經(jīng)元之間權(quán)值為wjk，并將權(quán)值進(jìn)行初始化，隱含層和輸出層初始化的閾值分別為a和b。

二是通過輸入層x，連接權(quán)值wij及隱含層閾值f，輸出層的值：

激活函數(shù)選取sigmoid 函數(shù)：

三是通過H、wjk和b值進(jìn)行計(jì)算BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測值：

四是通過BP 神經(jīng)網(wǎng)絡(luò)得出預(yù)測輸出值O及期望輸出值y，最終得出預(yù)測誤差：

五是通過得出的誤差，進(jìn)行更新權(quán)值和閾值：

其中η為學(xué)習(xí)速率。

六是通過誤差更新BP 神經(jīng)網(wǎng)絡(luò)的閾值a和b。

七是最終得出最優(yōu)的預(yù)測結(jié)果。

2.2 鋼鐵企業(yè)電力能耗分析

本文以某鋼鐵企業(yè)為研究對象，其主要流程為對鐵礦或者焦煤進(jìn)行處理，處理后進(jìn)行煉鐵，然后煉鋼、鑄鋼最后軋鋼。鋼鐵煉制具體流程如下。

一是燒結(jié)工序：燒結(jié)工序是為鋼鐵生產(chǎn)準(zhǔn)備原料的重要環(huán)節(jié)，主要是對鐵礦石進(jìn)行預(yù)處理的過程。

二是焦化工序：焦化的工序所需要的步驟是將一些原料煤按特定的比例進(jìn)行配制，并配合煤經(jīng)干燥、熔煉、裂解、縮聚、半焦收縮等工藝，最后形成焦炭的過程。

三是煉鐵工序：煉鐵的工序的目的是將把鐵礦石還原成生鐵。

四是煉鋼工序：煉鋼工序是鐵水通過氧化反應(yīng)進(jìn)而產(chǎn)生合金化。

五是軋鋼工序：采用熱軋和冷軋的工藝得到最終的鋼鐵產(chǎn)品。

鋼鐵生產(chǎn)流程中存在大量電力消耗，通過整理該鋼鐵企業(yè)生產(chǎn)日報(bào)，確定電能消耗主要影響因素為鋼生產(chǎn)量、砂礦量、溶劑量、煤炭量、焦粉量、水等。有必要對上述影響因素進(jìn)行相關(guān)性分析，將相關(guān)性較高的參數(shù)作為預(yù)測模型的輸入?yún)?shù)。本文采用皮爾遜相關(guān)性分析：

通過對鋼鐵企業(yè)耗電量與鋼生產(chǎn)量、砂礦量、溶劑量、煤炭量、焦粉量、水進(jìn)行相關(guān)性分析。結(jié)果表明，耗電量與鋼生產(chǎn)量相關(guān)程度為極強(qiáng)相關(guān)，相關(guān)系數(shù)為0.9065，與砂礦量、煤炭量、焦粉量、水相關(guān)程度為中等強(qiáng)度相關(guān)，相關(guān)系數(shù)分別為0.5173、0.4887、0.4697、0.508，與溶劑量相關(guān)程度為弱相關(guān)，相關(guān)系數(shù)為0.3729。因此選取鋼生產(chǎn)量（t）、砂礦量（t）、煤炭量（t）、焦粉量（t）和水（m3）作為預(yù)測模型的輸入層。

2.3 鋼鐵企業(yè)電力能耗預(yù)測

選取某鋼鐵企業(yè)100d 的生產(chǎn)電力日報(bào)為研究數(shù)據(jù)，以鋼生產(chǎn)量、砂礦量、煤炭量、焦粉量和水為輸入層，耗電量（kWh）為輸出層，運(yùn)用MATLAB 軟件建立基于BP 神經(jīng)網(wǎng)絡(luò)的鋼鐵企業(yè)電力能耗預(yù)測模型?；贐P 神經(jīng)網(wǎng)絡(luò)的鋼鐵企業(yè)電力能耗預(yù)測模型參數(shù)設(shè)置如下。

一是對訓(xùn)練集和測試集進(jìn)行分類，本論文所用的模型采用70%的數(shù)據(jù)集進(jìn)行訓(xùn)練，30%的數(shù)據(jù)進(jìn)行測試。二是對輸入層節(jié)點(diǎn)進(jìn)行設(shè)計(jì)，設(shè)置為5，輸出層節(jié)點(diǎn)數(shù)設(shè)置為1，隱含層節(jié)點(diǎn)數(shù)估算為5～8，以擬合度最高的隱含層值作為最后所需的結(jié)果。三是神經(jīng)網(wǎng)絡(luò)的建立，使用purelin 函數(shù)作為具體的傳遞函數(shù)，并且運(yùn)用梯度下降法對模型進(jìn)行一定的訓(xùn)練。四是對網(wǎng)絡(luò)的參數(shù)進(jìn)行設(shè)置，訓(xùn)練的次數(shù)為10000，學(xué)習(xí)速率為0.01，訓(xùn)練目標(biāo)最小誤差為0.00001。

采用上述模型分別對隱含層節(jié)點(diǎn)數(shù)為5～8時(shí)的鋼鐵企業(yè)耗電量進(jìn)行預(yù)測，對各預(yù)測結(jié)果曲線擬合度分析。通過模擬，當(dāng)隱含層節(jié)點(diǎn)數(shù)為6時(shí)，耗電量曲線擬合度最高，曲線重合性最好，預(yù)測精度最高，因此，選取隱含層節(jié)點(diǎn)數(shù)為6，此時(shí)耗電量真實(shí)值與預(yù)測值結(jié)果見表1。

表1 耗電量預(yù)測結(jié)果

為了直觀地對預(yù)測結(jié)果進(jìn)行分析，預(yù)測結(jié)果如圖1所示。由圖1明顯看出，整體來看具有較高的預(yù)測效果以及預(yù)測的精度，個(gè)別的組數(shù)存在小范圍的波動(dòng)，在第17組、24組和27組數(shù)據(jù)組數(shù)時(shí)偏差較大，其余部分預(yù)測幾乎與實(shí)際數(shù)據(jù)重合，擬合度為0.9760，預(yù)測結(jié)果為鋼鐵企業(yè)電力成本提供一定的理論依據(jù)。

圖1 基于BP 神經(jīng)網(wǎng)絡(luò)的鋼鐵企業(yè)電力能耗預(yù)測模型

電力能耗預(yù)測模型驗(yàn)證情況如下，設(shè)置為Gradient 梯度下降法的函數(shù)，不存在過學(xué)習(xí)現(xiàn)象，訓(xùn)練結(jié)果良好，具有較好的效果，因此在33代停止訓(xùn)練，達(dá)到理想解。對訓(xùn)練收斂情況進(jìn)行分析，BP 訓(xùn)練過程的收斂程度及MSE 指標(biāo)在每一代中的表現(xiàn)良好，其在第33代時(shí)完成收斂，此時(shí)BP 訓(xùn)練結(jié)果最為理想。本文所建立的模型對于實(shí)際的鋼鐵企業(yè)電力預(yù)測起到關(guān)鍵性的作用。

3 結(jié)語

本文主選取某鋼鐵企業(yè)的歷史數(shù)據(jù)，對于鋼鐵企業(yè)電力能耗進(jìn)行預(yù)測，主要包括以下幾方面結(jié)論。

一是確定電力能耗影響因素，耗電量與鋼生產(chǎn)量相關(guān)程度為極強(qiáng)相關(guān)，相關(guān)系數(shù)為0.9065，與砂礦量、煤炭量、焦粉量、水相關(guān)程度為中等強(qiáng)度相關(guān)，相關(guān)系數(shù)分別為0.5173、0.4887、0.4697、0.508，與溶劑量相關(guān)程度為弱相關(guān)，相關(guān)系數(shù)為0.3729。選取鋼生產(chǎn)量、砂礦量、煤炭量、焦粉量和水作為主要影響因素。

二是以鋼鐵企業(yè)鋼生產(chǎn)量、砂礦量、煤炭量、焦粉量和水為輸入層，耗電量為輸出層，建立了基于 BP 神經(jīng)網(wǎng)絡(luò)的電力能耗預(yù)測模型。對隱含層節(jié)點(diǎn)數(shù)為5～8時(shí)的鋼鐵企業(yè)耗電量進(jìn)行預(yù)測，各預(yù)測結(jié)果曲線擬合度分別為0.9756、0.9760、0.9755和0.9758，隱含層節(jié)點(diǎn)數(shù)為6時(shí)，預(yù)測精度最高。

三是根據(jù)預(yù)測結(jié)果與實(shí)際結(jié)果對比進(jìn)行分析，本論文所建立的模型具有較高的精度，個(gè)別組數(shù)有細(xì)微偏差，從誤差情況可以看出，BP 神經(jīng)網(wǎng)絡(luò)方法在精度方面具有明顯的優(yōu)勢。

四是本文通過對某鋼鐵企業(yè)能源管理系統(tǒng)歷史數(shù)據(jù)進(jìn)行分析，建立了基于 BP 神經(jīng)網(wǎng)絡(luò)的電力能耗預(yù)測模型，通過實(shí)際應(yīng)用表明該方法能夠提高預(yù)測精度，具有一定的指導(dǎo)作用以及實(shí)用價(jià)值。