基于HP2ENN模型的高炉煤气发生量预测
Vol. 34No. 2Mar. 2015
冶金能源
25
ENEＲGYFOＲMETALLUＲGICALINDUSTＲY
基于HP （2）－ENN 模型的高炉煤气发生量预测
王小军
（南方汇通股份有限公司）
摘
要
针对钢铁企业高炉煤气发生量频繁波动，且难以通过建立机理模型进行预测的问题，
结合HP 滤波、Elman 神经网络各自性质，建立了HP （2）－ENN 模型对高炉煤气发生量进行预测。根据企业实际数据应用模型，结果表明，所建模型预测效果良好，与其他常用模型相比，适合高炉煤气发生量的预测，并为合理调度副产煤气提供操作依据。关键词
HP 滤波
Elman 神经网络
HP （2）－ENN 模型
A HP （2）－ENN model for Prediction BFG
Wang Xiaojun （South Huitong Co．，Ltd．）
Abstract
For blast furnace gas generates frequent fluctuations in iron and steel enterprise ，and diffi-
cult to predict by establishing a mechanism model of the problem ，combined with HP filter ，Elman neural network nature of their respective HP （2）－ENN model was established to forecast the blast fur-nace gas generates．According to the enterprise actual data application model ，the results show that the model prediction effect is good ，compared with the other commonly used models ，suitable for blast fur-nace gas generates predictions ，and provides the operation basis for the reasonable scheduling by －product gas．Keywords
HP －filter
Elman neural networks
HP （2）－ENN model
钢铁企业生产过程中产生的高炉煤气
（BFG ）是高炉炼铁的副产品，主要可燃烧成分为CO 、H 2和CH 4，因含有大量N 2及CO 2，所
3［1］
以热值低，一般只有3000 3800kJ /m。随着钢铁企业节能工作的加强以及工艺的进步，钢铁
调度，尤其是当工况发生改变时无法实现高炉煤气的合理调度，致使能源利用效率降低。综上，建立有效的预测模型，对高效合理利用副产煤气具有重要的现实意义。
目前国内外对钢铁企业副产煤气预测和调度的研究比较少
［2－6］
企业高炉煤气利用效率也显著提高，但由于高炉
煤气的发生过程受到复杂因素的影响，导致发生和消耗变化的不规律，供需之间的不平衡现象经常发生，很难通过建立机理模型对其进行有效预测。目前大部分钢铁企业现场主要依靠能源调度专家的经验，根据生产计划及运行情况综合判断后粗略估计，这就会造成预测不准以及事后进行
收稿日期：2014－05－16王小军（1971－），经济师；550017贵州省贵阳市。
，且均存在一些弊端。经验预
测方法无法制定精确的调度计划；线性回归分析法的预测结果可用性低；灰色预测法不适合煤气系统的建模；人工智能的建模方法存在学习速度慢和局部极小等局限性；基于结构最小化的支持向量机（SVM ）算法对大规模训练样本难以实施，在线预测精度降低。
基于高炉煤气发生量的特点，文章提出HP 滤波与Elman 神经网络相结合的方法对高炉煤气发生量进行预测，获得较高的预测精度。
冶
261
模型建立
金能源
ENEＲGYFOＲMETALLUＲGICALINDUSTＲY
Vol. 34No. 2Mar. 2015
离出来。一般地，高炉煤气发生量｛Y ti ｝中的
T
不可观测部分趋势｛Y ti ｝常被定义为最小化问题的解：
22+λ［c （L ）Y T i =1or2（2）min ∑{（Y ti －Y T ti ）ti ］}，
t =1T
为减少预测数据噪声影响，首先利用HP 滤
波对原始数据序列进行分解，得到原序列的趋势项和波动项。由滤波得到的趋势项比较光滑，基于Elman 对历史数据的敏感性，对光滑序列的预测精度较之前未经滤波处理的会显著提高。但由于波动序列频繁变化，利用Elman 直接进行训练预测会受到训练数据中噪声点很大影响，所以对波动序列进行滤波处理，加强波动数据的规律性。由于此波动序列滤波后的波动项序列数据值较小，且波动较原始序列更加频繁，预测精度极低，对此二次滤波后的波动序列忽略不计。对两个趋势序列预测值加和作为原始序列的预测值，文章将这种预测方法定义为HP （2）－ENN 预测［7］
法。将只对原始序列进行滤波处理，直接对滤波后的波动项进行预测的方法定义为HP －ENN 预测法。1. 1
基于HP 滤波的数据处理
根据钢铁企业实际生产数据进行试验后发现，若直接采用Elman 神经网络对存在波动噪声的高炉煤气发生量数据建立预测模型，预测性能会因模型缺乏稀疏性和鲁棒性，且受训练数据中噪声点的影响，导致预测精度不高。基于Elman 神经网络对历史状态的数据具有敏感性，设想可以把高炉煤气发生量分为两部分，一部分为长期光滑趋势序列，一部分为波动序列，光滑序列的预测精度会明显高于未经滤波处理的数据。但是如何把原始序列分解成具有规律的两部分是需要解决的问题，HP 滤波正因解决此问题而被广泛使用。HP 滤波法不要求一个序列是稳定的时间序列，对非平稳时序具有较强的适应性，并且这种方法不会丢失信息。根据滤波序列提取稳定成分，得到长期趋势序列和波动序列，可以很好地处理样本末端问题。
设｛Y ti ｝，i =1，2代表t 时刻高炉煤气发生
T
量序列；｛Y ti ｝，i =1，2代表t 时刻高炉煤气发
式中：c （L ）是延迟算子多项式
c （L ）=（L －1－1）－（1－L ）
（3）
将式（3）代入式（2），则HP 滤波的问题就是使损
即失函数最小，
2T T T 2
（Y T min {∑（Y ti －Y T +λ∑［ti ）ti +1－Y ti ）－（Y ti －Y ti －1］}，
t =1
i =1
T
T
i =1or 2（4）
2
c （L ）Y T 最小化问题用［ti ］来调整趋势的变化，
并随着λ的增大而增大。这里存在一个权衡问
题，要在趋势要素对实际序列的跟踪程度和趋势光滑度之间作一个选择。λ=0时，满足最小化问题的趋势等于序列｛Y t ｝；λ增加时，估计趋势中的变化总数相对于序列中的变化减少，即λ越大，估计趋势越光滑；λ趋于无穷大时，估计趋势将接近线性函数。文中选择经验值λ=10。依据以上步骤，对第一次滤波后得到的波动项序列进行二次滤波处理，得到波动项的趋势序列。通过以上计算为Elman 神经网络预测做准备。1. 2
高炉煤气发生量HP （2）－ENN 预测建模大量研究表明，高炉煤气发生量受到各种复
杂因素的影响，为典型的非线性系统。一般对这种量的预测需要量化各种因素的影响效果，以便准确建模，但这种量化常常会很困难。由于系统任一分量的演化是由与之相互作用着的其他分量所决定，在高炉煤气发生量的时间序列中，就包含了影响这部分量的所有变量的长期演化信息，正因为如此，可以仅利用这部分历史数据分解后的结果来对其预测。这种预测方法的基础是Packard 等人提出的相空间重构理论［8－9］。所谓相空间重构也叫动力系统重建，即通过一维的时间序列反向构造出原系统的相空间结构。它的基本思想是：系统中任一分量的演化都是由与之相互作用着的其他分量所决定的，因而这些相关分量的信息就隐含在任一分量的发展过程中。依据上述重构思想，为提高预测精度，首先对原始数据滤波后的长期趋势数据序列，和原始序列滤波后得到的波动序列再进行滤波所得到趋势序列进
生量中含有的趋势成分；
T ti
c ti
｛Y C ti ｝，i =1，2代表t
时刻高炉煤气发生量中含有的波动成分。
Y ti =Y +Y t =1，2，…，T ；i =1，2（1）计算HP 滤波就是从高炉煤气发生量｛Y ti ｝中将高炉煤气发生量含有的趋势成分｛Y ｝分
T ti
Vol. 34No. 2Mar. 2015
冶金能源
27
ENEＲGYFOＲMETALLUＲGICALINDUSTＲY
行相空间重构，再对重构后的序列进行Elman 神经网络训练、预测。
Elman 神经网络是一种典型的动态神经元网络，他是在BP （Back Propagation ）网络基本结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力。Elman 型回归神经元网络一般分为4层：输入层，中间层（隐含层），承接层和输出层，见图1。其输入层，隐含层和输出层的连接类似于前馈网络。输入层的单元仅起到信号传输作用。隐含层单元的传递函数可采用线性或非线性函数。承接层又称状态层，用来记忆隐含单元前一时刻的输出值，可以认为是一个一步延时算子。其特点是隐含层的输出通过承接层的延时与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而。因此，Elman 神经［11－13］
，并取得了很网络在许多领域得到了应用达到了动态建模的目的好的效果
。
［10］
发生量趋势序列、波动项序列的趋势成分和高炉煤气发生量；x c 为反馈状态向量；ω3、ω2、ω1
分别表示隐含层到输出层、输入层到隐含层、承
3
接层到隐含层的连接权值矩阵；g ［ωx （k ）］
为输出神经元的传递函数，是中间层输出的线性
12
ωx c （k ）+ωu （k －1）］为隐含层组合；f ［
神经元的传递函数。Elman 神经网络采用BP 算
法进行权值修正，学习指标函数采用误差平方和函数。
2
E （ω）=∑［y k （ω）－y ）］槇k （ω
k =1n
（6）
式中：y 槇k （ω）为目标输出向量，即要预测的序
列。在Elman 神经网络中，输入信号决定反馈系统的经重构后的高炉煤气发生量趋势序列，系统经过一系列状态转移后，逐渐收敛于平衡状态，即网络的输出结果。可见，稳定性是Elman 神经网络最重要的特点之一。因此只要适当地设计其连接权和输入就可找到系统稳定点，收敛速度会较快。由此可见，HP （2）－ENN 法适合对高炉煤气发生量进行预测。2
模型应用
根据所建模型以钢铁企业F 为例。目前该企业已达到年生产能力1130万t 钢、920万t 铁、910万t 材，有4座高炉，每小时产生高炉
3
煤气约280万m 。数据采集时间间隔为5min ，
随机选取400个高炉煤气发生量实际生产数据作为样本点，选取360个实际值作为试验样本点的训练样本，后40个点作为测试样本用于检验预测结果的真实性。首先对样本进行滤波处理，得到滤波后的趋势项，再对趋势项序列进行重构。
图1
Elman 神经网络结构图
2. 1
高炉煤气发生量HP 滤波处理
运用HP 滤波器对样本数据进行滤波处理，
Elman 神经网络的非线性转换空间表达式为：
原始数据滤波效果如图2所示。对原始数据滤波后得到的波动序列再进行滤波处理，部分结果如图3所示，由于二次滤波后波动序列值较小，计算过程中忽略不计，所以图中未标注二次滤波后的波动序列。从图2可以看出高炉煤气发生量无论是趋势项序列还是实际值序列都处于不断波动状态，整个趋势不具有平稳性，也说明高炉煤气发生量具有不稳定性，依靠人工估计具有较大难度。经过滤波处理后得到的趋势序列更能清晰的
{
3
y （k ）=g ［，ωx （k ）］
12
x （k ）=f ［，（5）ωx c （k ）+ωu （k －1）］
x （c ）=x （k －1）
式中：k 为神经网络训练的次数；y 为n 维高炉
煤气发生量趋势序列、波动项序列的趋势成分和高炉煤气发生量的输出向量；x 为隐含层神经元输出向量；u 为输入向量，即重构后的高炉煤气
冶
28
金能源
ENEＲGYFOＲMETALLUＲGICALINDUSTＲY
Vol. 34No. 2Mar. 2015
显示出高炉煤气发生量变化趋向，能充分的反应煤气系统运行情况。所有趋势项序列呈现周期性波动，但各周期长度不同，波幅也不同，具有非对称性，波动幅度扩大和缩小趋势也不定，充分说明高炉煤气发生量变化的特点
。
性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的，这是小波神经网络所不具备的；对预测前的数据进行趋势分解，增加了数据的规律性，所以效果会好于Elman ；经过两次滤波的HP （2）－ENN 高于HP －ENN 主要是由于对波动项进行滤波处理后预测效果会高于滤波前；HP （2）－ENN 经过两次滤波处理后具有适应时变的能力，依据其模型特点预测效果会好于LSSVM 。基于高炉煤气发生量的波动特性，HP （2）－ENN 模型经过滤波处理后序列变得比较光滑，受噪声点的影响大幅度降低，所以能较好的对高炉煤气发生量进行预测
。
图2
一次滤波结果
图4表1
模型
高炉煤气发生量预测结果
不同方法预测的高炉煤气发生量
MAE /103m 3
16. 513. 912. 07. 9
MＲE/%5. 95. 04. 32. 9
图3
2. 2
二次滤波结果
ENN LSSVM
高炉煤气发生量HP （2）－ENN 预测
HP －ENN HP （2）－ENN
选取钢铁企业实际生产数据作为样本点，分别运用SVＲ（Support Vector Ｒegression）、WNN （Wavelet Neural Network ）、Elman 神经网络、HP －ENN 和文中所提出的HP （2）－ENN 方法进行对比，图4为预测结果图。采集数据点时间间隔为5min 。对比分析了各项预测方法的MAE （平均绝对误差）、MＲE（平均相对误差），如表1所示。从表1可以看出，HP （2）－ENN 预测效果明显好于LSSVM 、Elman 、HP －ENN ，高炉煤气发生量预测平均相对误差为2. 9%。HP （2）－ENN 预测精度高主要是由于Elman 神经网络是一种典型的动态神经元网络，系统具有适应时变特性的能力，并且对历史状态的数据具有敏感
3
结语
针对钢铁企业高炉煤气发生量预测不准，所做生产调度计划可用性低，依据数据波动特性对模型精度的影响，运用HP （2）－ENN 方法对高炉煤气发生量进行预测，并在预测的基础上进行优化调度研究。模型应用表明：所建HP （2）－ENN 模型与其它模型相比具有很高的预测精度，对高炉煤气发生量40个点进行预测，预测平均相对误差为2. 9%。
Vol. 34No. 2Mar. 2015
参
考
文
冶金能源
29
ENEＲGYFOＲMETALLUＲGICALINDUSTＲY
献
［8］N．H．Packard ，J．PCrutchfietd ，J．D．Farmer ，et
a1．Geometry from a time series．Phys．Ｒev．Lett ，1980，45（9）：712.
［9］ETakens．Deterrning strange attractors in turbulence．
Lecture notes in Math ，1981，898：361. ［10］李锡杰，师
305.
［11］何玉婉. 基于Elman 神经网络的高速公路入口匝
D ］．成都：西南交通大学，道预测控制仿真研究［2008：20.
［12］任丽娜. 基于Elman 神经网络的中期电力负荷预
D ］．兰州：兰州理工大学，2007. 测模型研究［［13］吕
飞，沈振中. 基于Elman 神经网络的面板堆石．水电能源科学，2011，29坝沉降预测模型［J ］
－Elman
（12）：56.
赵
艳
硕，王
旭. 基于Elman 神经网络
J ］．人工智能，2006，22（8）：的机电信号分类［
［1］王建军. 钢铁企业物质流、能量流及其相互关系研
D ］．沈阳：东北大学，2008. 究与应用［［2］张
琦. 钢铁联合企业煤气资源合理利用及优化分
珺等. 钢铁企业高炉煤气发
D ］．沈阳：东北大学，2008. 配研究［
［3］张晓平，汤振兴，赵
（6）：774－82. ［4］刘
渺. 钢铁企业主工序分厂煤气量预测方法研究［D ］．长沙：中南大学，2006.
［5］邓聚龙. 灰色系统理论教程［M ］．武汉：华中理工
大学出版社，1990：87－119.
［6］刘思峰，郭天榜，党耀国. 灰色系统理论及其应用
［M ］．北京：科学出版社，1999：134－153. ［7］李红娟，王建军，王
华等. 基于HP （2）
J ］．钢模型的钢铁企业富余煤气预测及优化调度［2013，25（7）：11－18. 铁研究学报，
．信息与控制，2010，36生量的在线预测建模［J ］
编辑
（上接第15页）
不均匀性越强烈，热面温度越高。减小水管间距
可以降低冷却壁热面温度，延长冷却壁寿命，但水管间距不宜太小，否则冷热面温差过大，热应力大。
（2）随水管直径增加和冷却水温度的降低，冷却壁热面温度和冷面温度均降低。在高炉热负荷高的地方可适当增大水管直径和降低冷却水温度，以降低冷却壁温度，利于挂渣，延长冷却壁寿命。
（3）相同截面积、相同水速下，椭圆形水管冷却壁的冷却能力优于圆形水管冷却壁，开发椭圆形水管冷却壁将是今后冷却壁发展的一个重要方向。当椭圆形b /a大于0. 8后，b /a值对冷却壁温度分布的影响很小；b /a值取0. 4时冷却壁冷却效果最佳，与圆形水管相比，冷却壁热面温度降低23. 7ħ ，冷面温度降低49. 7ħ 。考虑椭圆形水管加工和流动阻力等方面的影响，b /a值不宜取太小，建议取0. 4 0. 6。
参
考
文
献
J ］．炼铁，2000，19（1）：1－4. 综合技术［
［2］马学东，高兴岐，王凤辉等. 冷却壁材料对壁体温
J ］．冶金能源，2005，24（1）：31－33. 度的影响［［3］左海滨，洪
军，张建良等. 不同工况下各种材质
J ］．武汉科技大学学高炉冷却壁温度场数值模拟［
2014，37（2）：102－105. 报（自然科学版），
［4］郑建春，宗燕兵，苍大强. 异常炉况下高炉铜冷却
J ］．冶金能源，2007，26壁热态试验与数值模拟［（6）：28－30.
［5］吴懋林，王立民，刘述临. 高炉冷却壁和炉衬的三
J ］．钢铁，1995，30（3）：6－11. 维传热模型［
［6］PETEＲHeinrich ，JOＲGKapischke ，FＲANZＲeufer，
et al. Optimised Blast Furnace Wall Cooling with Cop-per Stavelets ［J ］．MPT International ，2001，24（2）：42－44.
［7］佘京鹏，吴启常，苍大强. 铜冷却壁水流通道特性
J ］．炼铁，2003，22（4）：10－13. 分析［
［8］吴俐俊，程惠尔，钱
14－16. ［9］段
峰，周
俐，王建军等. 高炉冷却壁冷却水管
万
雪
J ］．钢铁，2008，43（2）：18－21. 管形研究［
中等. 冷却水管管形变化下
J ］．钢铁，2005，40（5）：的高炉冷却壁传热分析［
编辑
［1］张寿荣. 延长高炉寿命是系统工程高炉长寿技术是