基于LSTM模型的蒸汽消耗預(yù)測

[摘 要]在卷煙生產(chǎn)過程中，蒸汽屬于二次生產(chǎn)加工能源，一般由動力車間根據(jù)生產(chǎn)需求計(jì)劃進(jìn)行生產(chǎn)，是不可或缺的能源之一。準(zhǔn)確預(yù)測蒸汽消耗對于節(jié)約能源、優(yōu)化鍋爐調(diào)度、降低成本和提高效率至關(guān)重要。傳統(tǒng)的預(yù)測方法通常存在精度不足或無法處理時間序列數(shù)據(jù)的復(fù)雜性等問題。文章提出了一種基于LSTM的模型來預(yù)測卷煙生產(chǎn)過程中的蒸汽消耗量，并探討了如何利用該模型進(jìn)行鍋爐調(diào)度的優(yōu)化。通過實(shí)際數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證，證明了LSTM模型的優(yōu)越性和其在卷煙工業(yè)中的應(yīng)用潛力。

[關(guān)鍵詞]蒸汽消耗；鍋爐調(diào)度；LSTM模型

[中圖分類號]TK228 [文獻(xiàn)標(biāo)志碼]A [文章編號]2095–6487（2024）06–0186–03

Optimization of Boiler Scheduling Based on LSTM Model for Predicting Steam Consumption in the Cigarette Industry

ZHAO Jingrui，PENG Yunchao，YANG Mei

[Abstract]In the production process of cigarettes， steam belongs to the secondary production and processing energy， which is generally produced by the power workshop according to the production demand plan and is one of the indispensable energy sources. Accurately predicting steam consumption is crucial for energy conservation， optimizing boiler scheduling， reducing costs， and improving efficiency. Traditional prediction methods often suffer from issues such as insufficient accuracy or inability to handle the complexity of time series data. This article proposes a model based on Long Short Term Memory （LSTM） to predict steam consumption in cigarette production processes， and explores how to use this model to optimize boiler scheduling. The superiority of the LSTM model and its potential application in the cigarette industry have been demonstrated through experimental verification on actual datasets.

[Keywords]steam consumption； boiler scheduling； LSTM model

1 LSTM概述

LSTM（長短期記憶網(wǎng)絡(luò)）是一種特殊的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)），克服了標(biāo)準(zhǔn)RNN難以捕獲長時間依賴關(guān)系的局限性，以及傳統(tǒng)預(yù)測方法無法兼顧退化數(shù)據(jù)的非線性及時序性問題。LSTM的核心思想是通過門結(jié)構(gòu)來控制信息流動，包括遺忘門、輸入門、記憶及輸出門。其中，遺忘門決定哪些信息需要被遺忘，輸入門決定哪些新的信息應(yīng)該加入到記憶中，記憶則負(fù)責(zé)存儲信息。

2 數(shù)據(jù)來源與處理

2.1 數(shù)據(jù)預(yù)采集

本次研究從生產(chǎn)管理系統(tǒng)中獲取了溫濕度、產(chǎn)量、人員班組的最近3 a的歷史數(shù)據(jù)，用于對LSTM模型進(jìn)行訓(xùn)練和驗(yàn)證，主要包括產(chǎn)量、環(huán)境溫度和濕度、蒸汽的消耗量、鍋爐的用水量和燃?xì)庥昧俊?/p>

獲取到的數(shù)據(jù)可能包含錯誤或不完整的信息，因此需對數(shù)據(jù)進(jìn)行清洗，主要包括缺失值填充和異常值剔除。對于缺失值填充，考慮到工業(yè)計(jì)量儀器的特性，在對數(shù)據(jù)進(jìn)行深入的理解和評估的前提下，主要采用臨近值進(jìn)行填充。對于偏離較大的異常值可以直接剔除，同時提高采樣的頻率，以保證樣本數(shù)據(jù)不會減少。

2.2 特征選擇與處理

影響鍋爐蒸汽需求的變量包括當(dāng)日產(chǎn)品產(chǎn)量、環(huán)境溫度和濕度、季節(jié)因素，這3個變量作為輸入變量，蒸汽需求作為輸出變量，季節(jié)因素作為隱變量，按照1 a 12個月表示。

對于鍋爐的蒸汽供給預(yù)測模型，其輸入變量為蒸汽需求、溫濕度、季節(jié)因素，輸出變量為水和燃?xì)獾南牧俊Ｗ兞空f明見表1。

相比較傳統(tǒng)的時間序列預(yù)測模型，LSTM對數(shù)據(jù)的要求更為寬松，可以處理非平穩(wěn)和非線性數(shù)據(jù)，而傳統(tǒng)模型要求數(shù)據(jù)是平穩(wěn)的，需要對數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。

選取好特征數(shù)據(jù)后，對訓(xùn)練數(shù)據(jù)的標(biāo)準(zhǔn)化處理是提高模型性能、加速訓(xùn)練過程、確保數(shù)值穩(wěn)定性和提高模型泛化能力的重要步驟。本研究中采用最大、最小標(biāo)準(zhǔn)化的方式處理數(shù)據(jù)，即將變量轉(zhuǎn)化為在其最大值與最小值之間的比例：

2.3 數(shù)據(jù)分割

本研究將整個數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集及測試集3部分。訓(xùn)練集用于模型訓(xùn)練，驗(yàn)證集用于超參數(shù)搜索和模型選擇，測試集則在最終評估模型性能時使用。這有助于避免過擬合并且得到更接近現(xiàn)實(shí)場景的表現(xiàn)。在程序參數(shù)設(shè)定中，將訓(xùn)練集、驗(yàn)證集和測試集的比例設(shè)置為0.7∶0.2∶0.1。

2.4 時間步長

LSTM模型中需要對輸入變量提取時序特征，本研究設(shè)置時間窗口長度為30 d，滾動窗口長度為1 d，預(yù)測窗口2 d，即通過過去30 d的數(shù)據(jù)預(yù)測未來2 d的蒸汽消耗。

3 LSTM模型的設(shè)計(jì)和實(shí)現(xiàn)

LSTM模型主要由以下幾部分組成。

輸入層。接收經(jīng)過預(yù)處理的特征數(shù)據(jù)。

LSTM層：包含若干個LSTM單元和全連接層，每個單元都有自己的權(quán)重矩陣和偏置項(xiàng)。

損失函數(shù)。衡量模型預(yù)測值與真實(shí)值之間差異的度量方式。本模型使用的是均方誤差（MSE），即計(jì)算預(yù)測值與實(shí)際值之間差值的平方和的平均值來評估預(yù)測的準(zhǔn)確性。即：criterion = nn.MSELoss（）。

優(yōu)化器。梯度下降算法的一種變體，用于最小化損失函數(shù)。本模型使用Adam優(yōu)化器，Adam 優(yōu)化器結(jié)合了動量和自適應(yīng)學(xué)習(xí)率調(diào)整的特點(diǎn)。它的核心思想是通過對梯度的一階矩（動量）和二階矩（方差）的估計(jì)來調(diào)整每個參數(shù)的學(xué)習(xí)率。即： optimizer= torch.optim.Adam（）。

輸出層。給出最終的蒸汽消耗量預(yù)測結(jié)果。

4 鍋爐調(diào)度優(yōu)化策略

4.1 調(diào)度原則

基于LSTM模型的預(yù)測結(jié)果，制訂了如下原則來進(jìn)行鍋爐調(diào)度優(yōu)化。

（1）對未來2 d的蒸汽需求量進(jìn)行預(yù)測，調(diào)節(jié)鍋爐的工作模式，使其在最經(jīng)濟(jì)的條件下滿足生產(chǎn)需求。

（2）考慮多臺鍋爐間的協(xié)同工作和負(fù)載均衡，確保每臺鍋爐都能高效運(yùn)轉(zhuǎn)。

（3）對緊急情況下的蒸汽供應(yīng)做出快速響應(yīng)，保障生產(chǎn)的連續(xù)性和穩(wěn)定性。

4.2 具體措施

（1）動態(tài)負(fù)荷分配。根據(jù)預(yù)測的蒸汽消耗曲線，合理安排各個鍋爐在不同時間段內(nèi)的負(fù)荷分配。

（2）智能啟?？刂?。對于非高峰期，可以關(guān)閉部分鍋爐以節(jié)約能源。

（3）提前預(yù)警系統(tǒng)。建立預(yù)警機(jī)制，當(dāng)預(yù)測的需求量超過現(xiàn)有產(chǎn)能時，及時啟動備用鍋爐。

（4）遠(yuǎn)程監(jiān)控與調(diào)整。通過物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)對鍋爐系統(tǒng)的實(shí)時監(jiān)測和遠(yuǎn)程操控，隨時根據(jù)實(shí)際情況進(jìn)行調(diào)整。

通過這些措施，能夠大幅提高鍋爐調(diào)度的效率，降低能源消耗，同時減少環(huán)境污染物的排放。

5 實(shí)驗(yàn)結(jié)果與討論

5.1 實(shí)驗(yàn)設(shè)置

本次實(shí)驗(yàn)在一臺配備有Intel Core i7處理器和NVIDIA GeForce GTX 3080Ti顯卡的PC上實(shí)現(xiàn)LSTM模型。采用了Pytorch和torch.nn庫來搭建模型，并使用Python編程語言進(jìn)行開發(fā)。

5.2 模型性能對比

將LSTM模型與其他兩種常見的預(yù)測方法ARIMA和時間序列分解法進(jìn)行了比較。表2是3種模型的性能對比。

從表2中可以看出，LSTM模型明顯優(yōu)于ARIMA和SDS模型，尤其是在MAE這個關(guān)鍵指標(biāo)上，LSTM的優(yōu)勢更為突出。這表明LSTM能夠更好地捕捉到蒸汽消耗的非線性關(guān)系和長期趨勢。

5.3 實(shí)際案例分析

為了進(jìn)一步展示LSTM模型的實(shí)用價值，選取1 d的蒸汽生產(chǎn)為預(yù)測目標(biāo)，按照小時耗量進(jìn)行建模。如圖4所示，虛線代表了模型預(yù)測的蒸汽消耗量，實(shí)線則是實(shí)際的蒸汽消耗量。

從圖4中可以看到，LSTM模型成功地捕捉到了大多數(shù)波動，并且在最大值和最小值位置的預(yù)測也相當(dāng)準(zhǔn)確。這種精確的預(yù)測能力對于制訂高效的鍋爐調(diào)度計(jì)劃是非常重要的。

5.4 經(jīng)濟(jì)效益分析

通過對鍋爐調(diào)度的優(yōu)化，預(yù)計(jì)每年能為企業(yè)節(jié)省大約24萬元的能源費(fèi)用。這部分成本的節(jié)約主要是通過減少不必要的蒸汽生產(chǎn)和更加經(jīng)濟(jì)地利用現(xiàn)有資源實(shí)現(xiàn)的。同時，隨著環(huán)保要求的不斷提高，減少碳排放所帶來的社會效益也是不可忽視的。

6 結(jié)論

研究表明，基于LSTM的網(wǎng)絡(luò)模型在卷煙工業(yè)中的蒸汽消耗預(yù)測任務(wù)中展現(xiàn)出了卓越的性能。相比傳統(tǒng)方法，LSTM不僅提高了預(yù)測精度和效率，也為制訂更加科學(xué)合理的鍋爐調(diào)度策略提供了依據(jù)。然而，盡管已經(jīng)取得了一定的研究成果，但仍有許多方向值得進(jìn)一步深入探究。

（1）集成學(xué)習(xí)?？梢詫STM與其他先進(jìn)的機(jī)器學(xué)習(xí)模型相結(jié)合，構(gòu)建混合模型以進(jìn)一步提升預(yù)測準(zhǔn)確性。

（2）在線學(xué)習(xí)能力。考慮到生產(chǎn)環(huán)境的動態(tài)變化，我們需要賦予LSTM模型一定的自適應(yīng)和學(xué)習(xí)能力，以便在數(shù)據(jù)發(fā)生變化時能夠自動調(diào)整模型參數(shù)。

（3）多模態(tài)數(shù)據(jù)融合。除了目前的單源數(shù)據(jù)外，還可以探索是否有可能整合更多維度的數(shù)據(jù)，如氣象數(shù)據(jù)、市場供需數(shù)據(jù)等，以獲得更全面的洞察力。

未來，將繼續(xù)致力于完善和推廣這項(xiàng)技術(shù)，為卷煙工業(yè)乃至其他制造業(yè)帶來更多的綠色發(fā)展和成本節(jié)約。

參考文獻(xiàn)

[1] 馬學(xué)兵，黃毓欽，余震安，等.卷煙工業(yè)企業(yè)公用工程系統(tǒng)運(yùn)行能效指標(biāo)研究與應(yīng)用[J].暖通空調(diào)，2022（2）：23-29.

[2] 郭佳麗，邢雙云，欒昊，等.基于改進(jìn)的LSTM算法的時間序列流量預(yù)測[J].南京信息工程大學(xué)學(xué)報(bào)，2021（5）：571-575.

[3] 劉淳森，曲建升，葛鈺潔，等.基于LSTM模型的中國交通運(yùn)輸業(yè)碳排放預(yù)測[J].中國環(huán)境科學(xué)，2023（5）：2574-2582.

[4] 史國榮，戴洪德，戴邵武，等.基于長短期記憶網(wǎng)絡(luò)的時間序列預(yù)測研究[J].儀表技術(shù)，2020（2）：24-26，29.