鋼鐵企業蒸汽產生量預測模型研究

岳有軍 李佳佳 趙 輝 王紅君

(天津理工大學自動化學院，天津 300384)

鋼鐵企業蒸汽產生量預測模型研究

岳有軍 李佳佳 趙 輝 王紅君

(天津理工大學自動化學院，天津 300384)

提出一種基于小波變換-最小二乘支持向量機的鋼鐵企業蒸汽產生量預測方法。先對數據進行小波變換以提取數據的特征；然后建立LS-SVM模型，對各分量進行預測以提高預測精度。實驗結果表明：小波變換-最小二乘支持向量機預測方法預測精度高、性能好，具有良好的實用性，為蒸汽生產優化調度提供了科學的依據。

最小二乘支持向量機 小波變換 蒸汽 預測

鋼鐵企業是典型的高物耗和高能耗行業，能耗約占工業總能耗的23%，物耗約占工業總量的35%[1,2]，這表明鋼鐵企業節能降耗的工作迫在眉睫。蒸汽作為鋼鐵企業生產過程中產生的二次能源，在企業總能耗比例中約占30%，蒸汽的生產需要許多的不可再生資源，如煤炭、水及電等，為節約資源并提高生產效率，應對蒸汽產量做出合理的預測和決策。

在實際生產過程中，鋼鐵企業汽源情況復雜[3]，且蒸汽不易保存和管理，蒸汽發散現象的存在不可避免。如何準確掌握蒸汽產生量的變化趨勢是筆者研究的重點。對于整個蒸汽系統來說，只有控制好蒸汽的供需平衡才能保證管網的安全，當供大于需時，只能將多余的蒸汽發散；當供小于需時，只能增加燃料的消耗。由于蒸汽受漏風、欠燒及過燒等因素的影響，蒸汽產生量隨時發生動態非線性變化，且無必然明顯規律，很難用靜態分析方法全面、系統地預測，且會出現供需不平衡的情況，增加了預測的難度。

目前針對鋼鐵企業蒸汽的預測方法和模型并不多見，現有研究主要是采用最小二乘支持向量機(LS-SVM)及其改進方法而展開。尹正文針對蒸汽預測中存在的小樣本、非線性、不確定性及預測風險等問題，運用3種改進的支持向量機對蒸汽進行預測并進行比對[4]。基于差分進化算法的在線LS-SVM模型解決的是在線LS-SVM中的參數尋優問題和小樣本數據問題；實時灰色LS-SVM解決蒸汽預測中的不確定性問題；組合預測與LS-SVM結合形成的算法解決蒸汽預測中的預測風險問題。這3種改進的方法雖然解決了預測中出現的問題，但對數據本身的隨機性和波動性沒有適應性，使得實際值與預測值之間的相對誤差都大于20%，預測精度未達到企業要求。筆者以提高蒸汽產生量的預測精度和效率為目的，基于某鋼鐵企業蒸汽歷史數據，提出一種基于小波變換-最小二乘支持向量機的蒸汽產量預測模型，為合理調度蒸汽提供一種有效的分析工具和方法。

1 小波變換①

小波變換是近年來迅速發展起來的信號處理工具，已被廣泛應用于各個領域。其中，多分辨率分析為其重要方向。小波多分辨率分析作為一個將信號進行分解并顯示在不同分辨率上的強大工具，展現出從信號中提取有用信息的能力。其主要思想是通過模極大值來確定擾動部分。小波多分辨率分析通過低通濾波器h(n)和高通濾波器g(n)來實現，算式如下：

(1)

(2)

式中cj-1(k)——輸入序列；

cj(n)——近似系數；

dj(n)——細節系數。

系數cj(n)和dj(n)可按下式重構原始信號：

(3)

式中φ(t)——母小波；

Φ(t)——小波函數。

小波多分辨率分析可以在不同頻率范圍內對信號特征進行描述。

2 最小二乘支持向量機

支持向量機是根據有限樣本信息在模型的復雜度和學習能力之間尋求最佳折中，以期獲得最好的泛化能力[5]。最小二乘的引入，將支持向量機中的不等式約束換為等式約束，損失函數換為誤差平方和，把二次規劃問題變成了線性方程組問題，有利于降低計算復雜性，提高求解速度和收斂精度[6]。

假設訓練樣本集為(xi,yi)，i=1,2，…,l，其中xi∈Rn表示樣本的輸入空間，相應的目標值yi∈R，l為訓練樣本的大小。估計函數的形式如下：

f(x)=(wTψ(x))+b

(4)

其中，ψ(x)表示輸入空間映射到高維特征空間的非線性映射函數。

標準支持向量機的優化問題為：

(5)

(6)

式中ξi——松弛變量；

γ——一個用懲罰系數來評估誤差的正則化參數。

對于最小二乘支持向量機，將式(6)修改為：

yi[wTφ(xi)+b]=1-ξi,i=1,…,l

(7)

通過構造拉格朗日函數并根據KKT最優條件，得到如下方程：

(8)

通過定義Ω=ZZT，根據Mercer條件，核矩陣Ω的每個元素形式為：

Ωi,j=yiyjφ(xi)Tφ(xj)=yiyjK(xi,xj)

(9)

其中K(xi,xj)為核函數。任何對稱函數只要滿足Mercer條件就可以作為核函數。典型的核函數有高斯徑向基函數(RBF)。

RBF核函數為：

(10)

LS-SVM的輸出為：

(11)

α和b的值可以通過對式(8)的求解獲得。與其他核函數比較，RBF能很好地將非線性問題變化為線性問題，且它的通用性較強，所以筆者采用RBF作為核函數。

3 仿真實驗

為了驗證預測模型的有效性，采集了某鋼鐵企業2012年4月1日～5月16日的日產蒸汽數據。

為選取符合條件的小波函數，筆者采用多種小波函數進行對比，最終選取db3小波函數，根據多指標融合方法[7]確定出最佳分解尺度為3。原始序列和分解序列如圖1所示，s為46天的實際蒸汽產量曲線，從分解后的分量可以看出原始信號的變化趨勢、周期變化性及隨機擾動性。a3代表的是原始信號的周期變化性，d1代表的是原信號的隨機部分，d2和d3主要代表原信號每天各小時的波動性。

圖1 原始序列和分解序列

分解序列是通過LS-SVM來預測下一天的。

利用K-CV方法得到各序列LS-SVM的正規化參數C和核函數參數σ2，見表1。

表1 C和σ2尋優結果

然后應用LS-SVM對各序列進行預測，預測結果如圖2所示。

圖2 各序列的預測值與實際值

對序列重組得到最終預測結果，如圖3所示。

圖3 蒸汽產量預測結果

由圖3可見，采用該方法進行預測，擬合度較高，實際值與預測值非常接近，最大相對誤差為2.85%，優于基于差分進化算法(DE)的在線LS-SVM模型、實時灰色LS-SVM和組合LS-SVM，完全達到企業的要求。為了驗證筆者所建模型的有效性，與LS-SVM模型進行比較，采用E、Co、F這3個指標來評價預測模型的性能：

(12)

(13)

F=0.6(1-E)+0.4Co

(14)

E和Co的值分別用來測量實際值和預測值之間的誤差和關聯度，F值是綜合指標，顯示模型的預測精度，性能比較結果見表2。

表2 模型性能比較

由此可見，筆者所提方法對數據的隨機性和波動性有著較好的適應性。

4 結束語

筆者提出的小波變換-最小二乘支持向量機的預測方法，提高了蒸汽的預測精度，為蒸汽生產調度提供了可靠的依據，可以進一步地減少能源浪費。然而，筆者只選擇了RBF核函數進行研究，其他的核心函數并未做分析和實驗，且參數的選擇方法采用的是K-CV法，其消耗時間長，具有盲目性。因此，在未來的時間里，將對核函數和參數選擇方法進行詳細研究，改進預測模型，繼續增強預測模型對蒸汽產量的預測能力。

[1] 楊波.基于PSA-SVRM模型的鋼鐵企業副產煤氣消耗量預測[J].過程工程學報，2014，14(3)：462～468.

[2] 張德欽.大型鋼鐵企業能源管理系統的設計與實現[J].化工自動化及儀表，2013，40(3)：390～394.

[3] 納瑾，張艷，吉亞宏.蒸汽系統實時數據采集及在線智能監測優化[J].化工自動化及儀表，2009，36(4)：88～91.

[4] 尹正文.最小二乘支持向量機在蒸汽預測中的應用[D].昆明：昆明理工大學，2013.

[5] Jia C L,Wu H S.Combining Least Squares Support Vector Machines and Wavelet Transform to Predict Gas Emission Amount[C].Proceedings of the 6th World Congress on Intelligent Control and Automation.Dalian:IEEE,2006:6097～6101.

[6] 韓曉娟，曹慧，李勇，等.基于小波變換和LS-SVM的短期風速預測方法[J].太陽能學報，2011，32(10)：1538～1542.

[7] 陶柯，朱建軍.多指標融合的小波去噪最佳分解尺度選擇方法[J].測繪學報，2012，41(5)：749～755.

SteamGenerationPressurePredictioninIronandSteelEnterprise

YUE You-jun, LI Jia-jia, ZHAO Hui, WANG Hong-jun

(SchoolofAutomation,TianjinUniversityofTechnology,Tianjin300384,China)

A wavelet transform-least square support vector machine (LS-SVM)-was based pressure prediction method for steam generation in iron and steel plant was proposed. In which, having wavelet transform adopted to extract data characteristics; and then having LS-SVM model established to forecast each component and improve prediction accuracy. The experimental results show that this LS-SVM method has high prediction precision, good performance and good practicability and it can provide scientific basis for optimal scheduling of steam production.

LS-SVM, wavelet transform, steam, forecast

2016-05-20(修改稿)

天津市科技支撐計劃項目(13ZCZDGX03800，10ZCKFGX03400);天津市自然科學基金項目(09JCZDJC23900);天津市科技計劃項目(13ZCZDGX03200)

TP391.9

A

1000-3932(2016)07-0736-04