钢铁企业能耗预测方法综述

V ol 28 No 2

M ar 2009

冶 金 能 源

ENERGY FOR METALLURGI CAL I N DUSTRY

11

钢铁企业能耗预测方法综述

张加云 张德江 陈 蕾

(长春工业大学电气与电子工程学院)

*

摘 要 能源消耗量的预测在钢铁企业中有着重要的地位和作用。文章论述了几种主流能耗预测方法, 并对现有方法的精度和误差进行了分析, 探讨了各种方法下的优缺点, 总结出在设计能耗预测模型时应考虑的若干问题。

关键词 能耗预测 神经网络 遗传算法 小波神经网络

Su mmary of t he m et hods of energy consu mption forecast

i n iron and steel enterprises

Zhang Jiayun Zhang De jiang Chen Le i

(Changchun Un i v ersity of Techno l o gy)

Abstract T he forecast in energy consu m ption in the iron and stee l en terprises have an i m po rtant sta -tus . T he pape r d i scusses som e m a i n m ethods o f energy consu m pti on , ana l y zes t he accuracy and e rrors o f ex i sti ng me t hods , d i scusses the strengths and weaknesses of va ri ous m ethods , and then su mma rizes so m e prob l em s that should be considered i n desi gn .

K eyword s energy consu m pti on esti m ation neura l net wo rk gene ric a l gor it hm w ave let neura l ne-t w ork

1 能耗预测概述

能源消耗量的预测是制定钢铁企业能源规划

的重要组成部分。通过能源消耗预测系统可以把握能源消耗的趋势, 控制能源的存贮量, 减少能源的浪费, 降低钢铁生产成本, 对于提高冶金企业产品的市场竞争力、经济效益和信息化管理水平具有极为重要的意义。

冶金企业是由众多工序有机结合的一个整体, 冶金企业能耗预测模型的特点是变量多、关系复杂, 且往往是非线性的。针对冶金企业各种各样的工序和大量实际应用的结果, 国内外对冶金企业能耗预测模型的研究多采用数学模型的方法来描述能源系统的内部关系, 比较典型的模型有优化模型、投入产出模型、平衡模型、灰色模型和神经网络模型等。

国内外能源消耗量的预测方法很多, 主要有

*国家科技支撑计划项目, 编号2007BAE17B0。收稿日期:2008-10-29

; 吉林灰色预测方法、主观推断法、趋势外推法、GDP 单能耗预测法、弹性系数法、因果分析法、时间回归法、指数平滑法、神经网络方法等。由于神经网络的学习能力以及能够掌握数据之间复杂的依从关系, 具有较好的样本非线性拟合功能, 很强的自适应、自组织和自学习的能力, 大规模并行运算的能力, 因此利用神经网络建模进行能耗预测是近些年来广泛使用的能耗预测方法。2 目前几种主流能耗预测方法2 1 基于神经网络模型的能耗预测

(1) 神经网络概述

由于神经网络的学习能力以及通过学习能够掌握数据之间复杂的依从关系, 具有较好的样本非线性拟合功能, 因此它预测的精度较高, 预测结果的可靠性较大。目前应用最广泛的神经网络是BP 神经网络

[4]

[1-3]

, 即多层前馈神经网络, 因其

采用误差反向传播算法(E rror Back-Propagation , 即BP 算法) 而得名, 1986年由D. Rum e l h art 等人

冶 金 能 源

12

ENERGY FOR M ETALLURG I C AL I NDUSTRY

Vo l 28 N o 2

M ar 2009

的映射作用且能够识别噪音或变形的样本, 经过学习能够把样本隐含的特征和规则分布于神经网络的连接权上且能共享。BP 网络采用的误差反向传播算法是一种有教师指导的 率学习算法, 其学习过程由正反两个方向的信息传播组成, 正向传播输入样本数据, 反向传播反馈误差信息。在正向传输中, 输入信息在神经单元中均由S 型作用函数激活。

(2) BP 神经网络预测模型

张全, 刘渺等

[5]

全局搜索能力; BP 神经网络训练易陷入瘫痪, 网络的收敛速度较慢。

(2) 遗传算法

遗传算法(Genetic A l g orith m s, GA ) 基于Dar w i n 进化论和M ende l 遗传学说, 是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法。其主要特点是直接对结构对象进行操作; 具有内在的隐并行性和更好的全局寻优能力; 能自动获取和指导优化的搜索空间, 自适应地调整搜索方向, 不需要确定的规则。遗传算法一般由4部分组成:编码、适应度函数、遗传算子、参数选择。在编码过程中, 将问题的一个解向量编码成一个字符串, 解向量中的各因子既可以是二进制码, 也可以是实数或字符, 多个染色体构成种群。利用适应度函数来求解种群中各个体的适应程度, 基于优胜劣汰的原则, 通过遗传算子进行遗传进化, 产生新的子代。经过若干代遗传进化后获得最适宜的个体, 即问题的最优解。

(3) GA 与BP 相结合

针对人工神经网络学习过程的收敛时间过长, 易陷入局部最小, 以及鲁棒性较差等缺点, 人们可以将遗传算法与人工神经网络相结合。在人工神经网络的学习过程(即其动态调整神经元的连接权值或动态调整神经网络) 中, 应用遗传算法对神经元连接权值或结构进行编码, 并随机生成初始群体, 进行交叉、变异操作, 并计算能量函数, 调整交叉、变异概率, 叠代, 直至神经网络训练完成。将GA 与BP 结合起来进行能耗预测时, GA 可以弥补BP 网络存在的一些固有缺陷, 形成GA -BP 混合训练算法, 构造出一个全新的智能网络结构, 以GA 优化BP 网络的初始权值和阈值, 再由BP 算法修正网络权值及阈值, 进行网络训练。杨宏韬等为改善BP 网络训练速度慢、易收敛于局部极小点及全局搜索能力弱等固有缺陷, 采用遗传算法优化神经网络的初始权值和阈值, 以通化钢铁公司炼铁厂为研究对象, 建立了基于遗传算法的人工神经网络能耗预测模型。用MATLAB 编写计算程序进行测试, 并与纯BP 算法进行分析比较。结果表明, 此方法在预测精度和收敛速度方面均得到了改进。

4) [8]

利用湘钢历年每月总能耗

数据, 运用BP 神经网络算法建立数学模型, 用MATLAB 作为后台数据处理工具, 用VB 与MATLAB 的混合编程开发了钢铁企业能耗预测系统。预测值与实际能耗量的相对误差很小, 最大相对误差为3 016%, 最小相对误差仅为0 084%, 平均相对误差为1 336%, 系统具有较好的预测效果。郭海如等

[6]

运用L M (Leven -

berg -M arquar dt) 优化算法对BP 网络进行训练, 建立了相应的能耗增长率的神经网络模型, 对能耗增长率进行拟合, 并对未来能耗总量进行了预测。通过实际数据与测试数据的统计分析表明, 该模型具有极强的拟合精度, 对能源消费需求总量的预测有较高的可信度。

(3) 小结

人工神经网络模型用于非线性预测较为引人注目。从理论上讲, 可以任意精度逼近任意非线性序列。标准BP 网络的逆向传播算法具有思路清晰、结构严谨、可操作性强等特点, 而且一个3层的BP 网络可以完成任意的n 维到m 维的映射, 但其不足之处是在应用中难以科学地确定网络结构, 难以找到全局最小点。文献[7]指出了BP 神经网络的局限性, 主要有以下几个方面: 学习率与稳定性的矛盾; 学习率的选择缺乏有效的方法; 训练过程可能陷于局部最小; 没有确定隐层神经元数的有效方法。2 2 基于遗传算法的神经网络模型的能耗预测

(1) 纯BP 网络的缺陷

由于BP 网络多采用沿梯度下降方向的算法, 因而会存在以下问题: BP 神经网络进行学习时, 初始权值向量对学习结果有很大的影响; BP 神经网络采用的算法基于误差函数梯,

V ol 28 No 2

M ar 2009

冶 金 能 源

ENERGY FOR METALLURGI CAL I N DUSTRY

13

GA 与BP 相结合的能耗预测模型避免了BP 网络易陷入局部极小问题, 提高了收敛速度, 达到了优化网络的目的, 能更精确地实现钢铁企业能耗的预测。

2 3 基于小波神经网络模型的能耗预测

(1) 小波分析

小波分析理论被认为是傅立叶分析的突破性进展。小波变换通过尺度伸缩和平移对信号进行多尺度分析, 能有效提取信号的局部信息。为了改善人工神经网络的性能, 1992年Zhang Q i n ghua 和A l b ert Benven iste 明确提出了小波神经网络的概念和算法。之后又有多名学者提出了各种小波神经网络的模型, 例如:Zhang Jun 等提出的基于尺度函数的正交小波基神经网[11]

络, Szu 等人提出的两种基于连续小波变换的自适应小波神经网络模型

[12]

[10]

[9]

数进行逼近, 预测精度高, 结果可靠, 性能稳定。马致远等点

[16]

[15]

考虑到M orlet 小波计算稳定,

表达方式简明, 误差小和对干扰的鲁棒性好的特

, 故小波网络隐层采用M o rlet 母小波作为网络隐含层的变换基函数, 并采用改进共轭梯度法求得最值, 取得了很好的预测效果。

(3) 小结

小波神经网络兼容了小波变换与神经网络的优越性, 一方面, 充分利用了小波变换的时频局部化特性; 另一方面, 发挥了神经网络的自学习特性, 从而具有较强的逼近与容错能力。但传统的小波神经网络在参数优化过程中采用的是梯度下降法, 其固定的梯度变化方向限制了参数优化的方向, 容易陷入局部极小和引起振荡效应

预测

(1) 遗传算法与小波神经网络相结合人工神经网络作为一种通用的非线性函数逼近工具, 以其良好的非线性品质、灵活而有效的自组织学习方法以及完全分布的存储结构等特点, 在预测领域显示了很大的优势。特别是小波神经网络对非平稳信号具有良好的时频局部特性和变焦能力, 可以提高神经网络对非平稳信号逼近能力, 更好的实现对能耗的预测

[18]

[17]

。

2 4 基于遗传算法的小波神经网络模型的能耗

, Pati 于1993年提

出以小波基函数作为神经元的激活函数, 利用仿

[13]

射小波变换构造单隐层前向神经网络。其中以Szu 等人的模型应用最为广泛。

(2) 小波神经网络能耗预测

小波神经网络(WNN-W avelet Neura lN e-t w ork) 是小波理论与人工神经网络相结合的一种前馈型网络。其思想是用小波元代替了神经元, 即用已定位的小波函数代替Sig m o i d 函数作激活函数, 通过仿射变换建立起小波变换与网络系数之间的连接, 并应用于函数逼近。

根据神经网络原理, 小波神经网络实现的功能是用小波级数的有限项来逼近函数f (t), 即

(n ) (n )

f (t) f ^(t) = (1) k a b (t) k k n k 式中:

(n ) a k b k

。但传统

的小波神经网络容易陷入局部极小和引起振荡效应。而遗传算法是基于自然选择和基因遗传学原理的随机优化搜索方法, 对参数的选择, 具有很强的宏观搜索能力, 能以较大的概率找到全局最优解。因此, 可以将遗传算法和小波变换结合起来, 建立基于遗传算法的小波神经网络预测模型, 并将之应用于实际能耗预测中, 可以取得很好的预测效果。

(2) 基于遗传算法的小波神经网络模型的训练

通常神经网络的学习算法可表示为:对于合适的样本集s ={x i , y i },i =1, 2 P, 其中P 为样本数, 寻找一个参数集使得能量函数最小。

p p 2P K

[y (3) E =p i -d i ]2=1i =1

考虑到遗传算法具有较强的全局搜索能力, 尝

(t) =

(n )

[(t -b k ) /ak ];规范化

(n )

因子1/k 并入权重 k ; k

为 (t) 的a b

k k

(n )

权重; a k 和b k 都是离散取值, 但不限定为整数。通过网络的训练进一步确定参数 k , a k 和b k , 使得f (t) 与f ^(t) 间的误差尽可能小, 即优化目标:

m in E =m in t [f (t ) -f ^(t ) ]=1f (t) - n k

(n )

k T

2

=m in t =1

(2)

[14]

T

(n )

a k b k

(2

为寻找(2) 式的最优解, 可采用模拟退火、遗传算法、最速下降等方法。周仲礼等结合小波分析与神经网络理论方法, 建立了相应试以遗传算法来确定伸缩和平移系数以及各个权

14

ENERGY FOR M ETALLURG I C AL I NDUSTRY

步骤1、随机选择P 个染色体b i (i =1, 2, , P ) 作为种群初始化, 每一个染色体用一个网络结构进行编码, 此处采用实值编码方法。

步骤2、用许多不同的初始权值分布对个体集中的结构进行训练。对每个个体对应的小波网

络中的权系数 jk 、 ij , 伸缩和平移因子a 、b , 阈值 k 、 i 的训练也采用遗传算法。将神经网络的各个权值、阈值和隐层节点的伸缩平移算子按次序编成一个字符串作为问题的一个解。

步骤3、根据训练的结果确定每个个体的适应度值。适应度值通过下式计算

f =1/(1+E )

(4)

Vo l 28 N o 2M ar 2009

提高的系数, 通常取值很小, 如0 006, 它决定了阈值。通过给定的概率对当代染色体进行增加删除操作。转步骤3。

步骤7、终止循环, 得到最佳染色体(编码个体), 然后转化成相应的权值、阈值及隐层节点的伸缩、平移算子。

李逊, 谢红胜等介绍了小波神经网络的基本原理。利用遗传算法来优化小波神经网络, 达到提高逼近精度、简化网络结构、提高收敛速度的目的。并通过实验将其与传统的小波神经网络进行比较, 证实前者具有更优的网络结构和更高的逼近精度。该方法具有很好的应用前景。3 结语

神经网络能耗预测方法在钢铁企业有广阔的

[21]

其中E 为误差函数, 根据已有学者的研究表明采用(5) 式熵函数表示误差, 可以加快小波神经网络的学习速度

P

K

p

[19]p

。

p

p

2

E =-p [di l n y i +(1-d i ) ln (1-y i ) ]=1i =1

p

p

i

(5)

应用前景, 但它还有许多问题有待于进一步研究。总之, 在设计能耗预测模型时, 应确保系统具有较高的预测精度, 主要从网络的逼近与泛化能力、网络结构参数的选取、有效的实时学习算法、网络的收敛速度、系统的鲁棒性等几方面考虑, 最终使网络具有较好的网络结构和较高的预测精度。

参

考

文

献

其中d i 表示第p 个样本对应于第i 个输出节点的期望输出值, y 表示第p 个样本对应于第i 个节点的实际输出值。

步骤4、若终止条件满足, 则转步骤7。步骤5、选择若干适应度最大的个体, 直接继承给下一代。采用适应度比例方法进行选择操作。在该方法中, 各个个体的选择概率和其适应度值成比例。按p f i / f i (f i 为适应值, p 为种群数目) 决定第i 个个体在下一代中应复制其自身的数目, 适应值越高的个体在下一代中复制自身的个体数目越多。

步骤6、按照一定的概率p c 从复制过的种群中随机选择两个个体进行交叉, 其自适应调整公式为

p c =k 1(f m ax -f c ) /(fmax -f avg ), f c f avg ,

p c =k 2, f c

(6)

其中k 1=k 2=1 0, f c 为待交叉的两个父串中的较大适应值, f m ax 为种群最大适应度值, f avg 为种群平均适应度值。这就使得p c 随着解的评价函数(适应值) 而自适应地改变

[20]

[1]Z hou Zhong -l, i Y ong Z i -quan , L i u Shu -gen ,

eta. l Fo recast o f t he energy consu m pti on i n Ch i na a -ch ieved through gene ti c neural net wo rk [J].ogy Edition), 2004, 33(3) :60-65.

[2]H aganM T, D e m uth H B , B ea le M H. N eura l N e-t

work D esi gn [M ].PW S Pub lish -i ng Co m pany , 1996. [3]Z hou Zhong -l, i F eng W en -x i n , G ong H ao , e ta. l

F orecast of the energy consu m pti on i n Ch i na ach i eved through geneti c neura l net wo rk [J].Journal o f Cheng -du U n i versity o f T echno logy (Sc ience &T echno l ogy E -diti on), 2005, 32(5):544-547.

[4]袁曾任 人工神经网络及其应用[M] 北京:清

华大学出版社, [J] 冶金动力,

1999 2006,

(2) :67-70

2007,

27(3):

[5]张 全, 刘 渺等 钢铁企业能耗预测系统的设计[6]郭海如, 崔雪梅等 一种基于神经网络模型的中国

能耗预测[J] 孝感学院学报, 76-79

Journa l o f

Chengdu U n i ve rsity o f T echno l ogy (Sc i ence &T echno-l

。再以变异概

率p m 对染色体的每一位进行变异操作, 其自适应调整公式为

p m (g ) =0 001+NG Cof

(7)

其中:g 表示当前代数; NG 表示自上次进化以; (

18

ENERGY FOR M ETALLURG I C AL I NDUSTRY

Vo l 28 N o 2

M ar 2009

强节能技术改进, 引进先进工艺和设备, 全面降低能耗;

(2) 中小型冶金石灰企业可采用对原有传统窑型进行改造、新建麦尔兹窑等先进窑型、双预热工艺、电机实行变频改造以及合理选用保温材料和耐火材料等一系列技术措施, 达到节能降耗的目的;

(3) 加强能源管理, 编制能源计量网络图, 对能源计量实行分级管理并合理设置计量点, 完善计量器具台账, 对用能状况进行分析, 克服不足, 从而降低能耗指标。

参

考

文

献

[2]彭海儿, 何福礼 低热值煤气活性石灰竖窑及其发

展前景[J] 南方金属, 2006(6) :55-58 [3]张凯博 活性石灰回转窑节能降耗和资源综合利用

的探讨[J] 矿山机械, 2007, 35(10):152-154 [4]游和彪. 浅议企业的能源计量[J].中国计量,

2005,

(12):

29-30

2007, 17(4) :48-51

[5]鲍 珏. 冶金行业能源计量器具的配备和管理探索

[J].能源计量, 2003, S1:

[6]梁建忠 工业炉窑的节能技术[J] 山西机械,

68-69

36-38

597-600

赵 艳

[7]孔 先 我国工业炉窑节能发展方向[J] 冶金能

源, 2003, 22(5):制工程, 2005,

[8]冯为民, 从立群. 冶金企业能源管理系统[J].控

12(6):

[1]姜鑫民, 赵 林, 曲 会等 浅析能源规划指标体

系的构建[J] 中国能源, 2008, 30(5):36-39

编辑

(上接第14页)

[7]周开利, 康耀红 神经网络模型及其M ATLA B 仿真

程序设计[M] 北京:清华大学出社, 中的应用[J] 长春工业大学学报, 186-189

[9]D aubechies I T en L ect ures on W avelets [M ].Phil a -de l phia , PA:SIAM P ress , 1992

[10]Q inghua Z hang , A l bert Benv en i ste W avelet N et w orks

[J].IEEE T ransacti ons O n N eu ra l N et w orks , 1992, 3(6):

889-898

[11]Zhang Jun , W a lter G, M i ao Y, eta. l W ave l e t neura l

net w orks for function lea-rn i ng [J].IEEE T rans on SP,

1995, 43(6) :1485-1497

[12]Szu H , T elfe r B and K ada m be S . N eura l net wo rk a -daptive w ave l e ts for signa l representa ti on and c l assif-i cation [J].O ptical Eng i neering , 1907-1916

[13]Pa ti Y C , K r i shnaprasad P S . A na l y si s and synthesis

o ffeed for w ard neural net -w orks usi ng discrete affi ne w av elet transf o r m ati ons [J].IEEE T rans N eura l N et -w orks , 1993,

4(1) :73-85

2005,

32

[14]周仲礼, 冯文新 基于小波神经网络模型的中国

能耗预测[J] 成都理工大学报, (5):

544-547

1992,

36(9):2005 2007,

28:

[8]杨宏韬等 遗传神经网络能耗预测模型在钢铁企业

消耗预测[J] 能源技术与管理, 121-123

2006, (5):

[16]王群仙, 李少远, 李俊芳 小波分析及其在控制

中的应用[J] 控制与决策, 385-394 [17]L IS T,

CHEN S C. F uncti on approx i m ati on us i ng ro -Pro o f the 14th IEEE P ress ,

bust w ave let neura l ne t w orks [A ].Inte lli gent [C ].2002. 483-488. [18]YANGL C ,

JI AL , W ANGH. W ave l e t net wo rk w ith

P ro of the 5thW or l d Congress on In -5330-5333.

I mprov i ng t he conve r -g enetic a l go rith m and its appli cations for traffic fl ow forecasti ng [A ].Chi na , 2004,

te lli gent Control and A uto2ma ti on [C ].H ong z hou

(6) :

[19]V an O oy en A , N ienhu i s B .

T a i w an (Ch i na ):

2000,

15(4):

I EEE Interna ti ona l Conference on Too ls w ith A rtific i a l

gence o f back -propaga ti on a l gor it hm [J].N eu ra l N et w orks , 1992, 5:465-471

[20]S ri n i vas M , P atnaik L M. A dapti ve Probabilities o f

C rossover andM utation i n G enetic A lgor it h m s [J].IEEE T rans .

on Systems , M an , &Cybernetics ,

1994, 24(4):656-665

[21]李 逊, 谢红胜等 基于遗传算法的小波神经网

络 计算机与数字工程[J] 2007, 35(8) :5-7

赵 艳

编辑

[15]马致远, 龚 灏 基于小波神经网络的中国煤炭