钢铁企业能耗预测方法综述.pdf

3 国家科技支撑计划项目,编号2007BAE17B0。 收稿日期 2008 - 10 - 29 张加云1983 - , 硕士生; 130012吉林省长春市。 钢铁企业能耗预测方法综述 3 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 Summary of the s of energy consumption forecast in iron and steel enterprises Zhang Jiayun Zhang Dejiang Chen Lei Changchun University of Technology Abstract The forecast in energy consumption in the iron and steel enterprises have an i mportant sta2 tus .The paper discusses some main s of energy consumption, analyzes the accuracy and errors of existings, discusses the strengths and weaknesses of variouss, and then summarizes some problems that should be considered in design. Keywords energy consumption estimation neural network generic algorithm wavelet neural net2 work 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 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 [1 - 3 ]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 211 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 ] ,即多层前馈神经网络,因其 采用误差反向传播算法ErrorBack - Propagation, 即BP算法而得名, 1986年由D. Rumelhart等人 提出。BP算法结构简单,易于实现。它具有很强 11 Vol128 No12 Mar12009 冶 金 能 源 ENERGY FOR METALLURGICAL I NDUSTRY 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 δ 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]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31016 ,最 小 相 对 误 差 仅 为 01084 ,平均相对误差为11336 ,系统具有 较好的预测效果。郭海如等 [6 ]运用 LMLeven2 berg - Marquardt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① 学习率与稳定性的矛盾;② 学习率的选择 缺乏有效的方法;③训练过程可能陷于局部最 小;④ 没有确定隐层神经元数的有效方法。 212 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①BP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;②BP神经网络采用的算法基于误差函数梯 度下降的方向,实质上是单点搜索算法,不具有 全局搜索能力;③BP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 Algorithms , GA 基于 Dar win进化论和Mendel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。 3GA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 [8 ]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小结 21 冶 金 能 源 ENERGY FOR METALLURGI CAL I NDUSTRY Vol128 No12 Mar12009 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。 213 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 [9 ]。 为了改善人工神经网络的性能, 1992年Zhang Qinghua和Albert Benveniste明确提出了小波神 经网络的概念和算法 [10 ]。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 络 [11 ] , 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] ,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 射小波变换构造单隐层前向神经网络 [13]。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 - Wavelet Neural Net2 work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Sigmoid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 f t α f t ∑ n ∑ k ω n k ψ n akbk t 1 式中ψ n akbk tψ n [ t-bk/ak];规范化 因子1/ak;并入权重 ωk;ω n k 为 ψ n akbk t的 权重;ak和bk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 ωk,ak和bk, 使得 f t 与 f t 间的误差尽可能小,即优化 目标 minE min∑ T t1 [ f t - f t ] 2 min∑ T t1 f t -∑ n ∑ k ω n k ψ n akbk t 2 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 [14] 结合小波分析与神经网络理论方法,建立了相应 能耗的小波神经网络模型,采用最速下降法对函 数进行逼近,预测精度高,结果可靠,性能稳 定。马致远等 [15 ]考虑到 Morlet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 点 [16 ] ,故小波网络隐层采用Morlet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 [17 ]。 214 基于遗传算法的小波神经网络模型的能耗 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 ]。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{ xi,yi},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。 E 1 2 ∑ P p1∑ K i1 [y p i-d p i] 2 3 考虑到遗传算法具有较强的全局搜索能力,尝 试以遗传算法来确定伸缩和平移系数以及各个权 值、 阈值。用遗传算法优化小波网络的步骤如下 31 Vol128 No12 Mar12009 冶 金 能 源 ENERGY FOR METALLURGICAL I NDUSTRY 步骤1、随机选择P个染色体bi 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 ωjk、ωij,伸缩和平移因子 a、b, 阈值θ k、θ′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 f1/1 E 4 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 [19]。 E -∑ P p1∑ K i1 [d p ilny p i1 -d p iln1 -y p i ] 2 5 其中d p 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 p i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pfi/∑fi 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pc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 pck1 f max-f′c / f max-favg , f ′ c≥favg, pck2, f′ cfavg 6 其中k1k2110,f′ c为待交叉的两个父串中的 较大适应值,fmax为种群最大适应度值,favg为种 群平均适应度值。这就使得pc随着解的评价函 数适应值而自适应地改变 [20]。再以变异概 率pm对染色体的每一位进行变异操作,其自适 应调整公式为 pmg01001 NGCof7 其中g表示当前代数;NG表示自上次进化以 来至当代为止连续未进化的代数;Cof是变异率 提高的系数,通常取值很小,如01006,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 [21 ]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 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 [1] Zhou Zhong -li, Yong Zi -quan, Liu Shu -gen, etal .Forecast of the energy consumption in China a2 chieved through genetic neural net work [J ]. Journal of Chengdu University of Technology Science 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 [1]姜鑫民,赵 林,曲 会等 1浅析能源规划指标体 系的构建[J ]1中国能源, 2008, 305 36 - 391 [2]彭海儿,何福礼 1低热值煤气活性石灰竖窑及其发 展前景[J ]1南方金属, 2006 6 55 - 581 [3]张凯博 1活性石灰回转窑节能降耗和资源综合利用 的探讨[J ]1矿山机械, 2007, 3510 152 - 1541 [4]游和彪.浅议企业的能源计量[ J ].中国计量, 2005,12 29 - 301 [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, 2007, 17 4 48 - 511 [6]梁建忠 1工业炉窑的节能技术[ J ]1山西机械, 2003, S1 68 - 691 [7]孔 先 1我国工业炉窑节能发展方向[J ]1冶金能 源, 2003, 22 5 36 - 381 [8]冯为民,从立群.冶金企业能源管理系统[J ].控 制工程, 2005, 12 6 597 - 6001 赵 艳 编辑 上接第14页 [7]周开利,康耀红 1神经网络模型及其MATLAB仿真 程序设计[M ]1北京清华大学出社, 20051 [8]杨宏韬等 1遗传神经网络能耗预测模型在钢铁企业 中的应用[ J ]1长春工业大学学报,2007,28 186 - 1891 [9] Daubechies I Ten Lectures on Wavelets [M ].Phila2 delphia, PA SI AM Press, 19921 [10] Qinghua Zhang, Albert Benveniste Wavelet Networks [J ].IEEE Transactions On Neural Networks, 1992, 3 6 889 - 8981 [11 ] Zhang Jun, Walter G, Miao Y, etal . Wavelet neural networks for function lea - rning [J ].IEEE Trans on SP, 1995, 43 6 1485 - 14971 [12 ] Szu H , Telfer B and Kadambe S . Neural network a2 daptive wavelets for signal representation and classifi2 cation [ J ].Optical Engineering, 1992 ,36 9 1907 - 19161 [13 ] Pati Y C, Krishnaprasad P S . Analysis and synthesis offeed forward neural net2works using discrete affine wavelet transations [J ].IEEE Trans Neural Net2 works, 1993, 4 1 73 - 851 [14 ]周仲礼,冯文新 1基于小波神经网络模型的中国 能耗预测[ J ]1 成 都 理 工大 学 报,2005,32 5 544 - 5471 [15 ]马致远,龚 灏 1基于小波神经网络的中国煤炭 消耗预测[J ]1能源技术与管理, 2006, 5 121 - 1231 [16]王群仙,李少远,李俊芳 1小波分析及其在控制 中的应用[ J ]1 控制与决策,2000,15 4 385 - 3941 [17] L IST, CHEN S C.Function approximation using ro2 bust wavelet neural net works [A ].Pro of the 14th IEEE International Conference on Tools with Artificial Intelligent [ C ].Taiwan China IEEE Press , 2002.483 - 488 . [18] YANGL C, J I AL , WANGH. Wavelet network with genetic algorithm and its applications for traffic flow forecasting [A ].Pro of the 5thWorld Congresson In2 telligent Control and Auto2mation [ C ].Hongzhou China, 2004,6 5330 - 5333 . [19 ] Van Ooyen A , Nienhuis B.I mproving the conver2 gence of back - propagation a lgorithm [J ]. Neural Networks, 1992, 5 465 - 4711 [20] Srinivas M , Patnaik L M. Adaptive Probabilities of Crossover andMutation in Genetic Algorithm s [ J ]. IEEE Trans .on Systems, Man, Cybernetics, 1994, 24 4 656 - 6651 [21]李 逊,谢红胜等 1基于遗传算法的小波神经网 络 1计算机与数字工程[J ]12007, 358 5 - 71 赵 艳 编辑 81 冶 金 能 源 ENERGY FOR METALLURGI CAL I NDUSTRY Vol128 No12 Mar12009