基于神經網絡算法的鋼鐵企業電力能耗預測

酒鋼集團碳鋼薄板廠 吳 強 李發業 中電普瑞科技有限公司 羅 斌

1 引言

目前我國噸鋼能耗水平高出國外先進國家，因此有必要建立鋼鐵企業電力能耗預測模型，預測電力能耗水平，為鋼鐵企業節能降耗提供科學依據。李培靜[1]采用了神經網絡的模型，并基于主成分分析的原理，降低了模型的復雜程度。施杰等人[2]建立的Boosting 模型準確性較高，用戶能夠依據該企業的生產情況對電能情況預測。崔賀[3]利用支持向量機以及BP 神經網絡算法對能源進行預測，從而節約能源。宋安原等人[4]實現了對城市中各個用戶的用電情況預測。杜捷[5]指出企業目前面臨著發電量增加，綜合能耗也隨之增加的風險。目前缺乏鋼鐵企業電力系統的預測模型，因此本文針對鋼鐵企業實際電力消耗及鋼鐵生產流程，采用BP 神經網絡建立鋼鐵企業電力能耗預測模型。

2 鋼鐵企業電力能耗預測的建立

2.1 基于神經網絡算法的鋼鐵企業電力能耗預測模型

神經網絡是機器學習中較為重要的方法，神經網絡算法是基于生物神經網絡的一種預測模型。主要通過神經元的權重進行建模，進行實際的預測，神經網絡結果為輸入層—隱含層—輸出層。

設輸入層輸入值為x1，x2，…xn，神經網絡的權值分別為wij和wjk，神經網絡輸出層中預測值為y1，y2，…yn。本文采用BP 神經網絡進行預測，預測算法步驟如下。

一是輸入層節點輸為n，需要根據影響因素進行確定節點數，隱含層節點數為l，輸出層節點輸為k，輸入層與隱含層神經元之間權值為wij，隱含層與輸出層神經元之間權值為wjk，并將權值進行初始化，隱含層和輸出層初始化的閾值分別為a和b。

二是通過輸入層x，連接權值wij及隱含層閾值f，輸出層的值：

激活函數選取sigmoid 函數：

三是通過H、wjk和b值進行計算BP 神經網絡的預測值：

四是通過BP 神經網絡得出預測輸出值O及期望輸出值y，最終得出預測誤差：

五是通過得出的誤差，進行更新權值和閾值：

其中η為學習速率。

六是通過誤差更新BP 神經網絡的閾值a和b。

七是最終得出最優的預測結果。

2.2 鋼鐵企業電力能耗分析

本文以某鋼鐵企業為研究對象，其主要流程為對鐵礦或者焦煤進行處理，處理后進行煉鐵，然后煉鋼、鑄鋼最后軋鋼。鋼鐵煉制具體流程如下。

一是燒結工序：燒結工序是為鋼鐵生產準備原料的重要環節，主要是對鐵礦石進行預處理的過程。

二是焦化工序：焦化的工序所需要的步驟是將一些原料煤按特定的比例進行配制，并配合煤經干燥、熔煉、裂解、縮聚、半焦收縮等工藝，最后形成焦炭的過程。

三是煉鐵工序：煉鐵的工序的目的是將把鐵礦石還原成生鐵。

四是煉鋼工序：煉鋼工序是鐵水通過氧化反應進而產生合金化。

五是軋鋼工序：采用熱軋和冷軋的工藝得到最終的鋼鐵產品。

鋼鐵生產流程中存在大量電力消耗，通過整理該鋼鐵企業生產日報，確定電能消耗主要影響因素為鋼生產量、砂礦量、溶劑量、煤炭量、焦粉量、水等。有必要對上述影響因素進行相關性分析，將相關性較高的參數作為預測模型的輸入參數。本文采用皮爾遜相關性分析：

通過對鋼鐵企業耗電量與鋼生產量、砂礦量、溶劑量、煤炭量、焦粉量、水進行相關性分析。結果表明，耗電量與鋼生產量相關程度為極強相關，相關系數為0.9065，與砂礦量、煤炭量、焦粉量、水相關程度為中等強度相關，相關系數分別為0.5173、0.4887、0.4697、0.508，與溶劑量相關程度為弱相關，相關系數為0.3729。因此選取鋼生產量（t）、砂礦量（t）、煤炭量（t）、焦粉量（t）和水（m3）作為預測模型的輸入層。

2.3 鋼鐵企業電力能耗預測

選取某鋼鐵企業100d 的生產電力日報為研究數據，以鋼生產量、砂礦量、煤炭量、焦粉量和水為輸入層，耗電量（kWh）為輸出層，運用MATLAB 軟件建立基于BP 神經網絡的鋼鐵企業電力能耗預測模型。基于BP 神經網絡的鋼鐵企業電力能耗預測模型參數設置如下。

一是對訓練集和測試集進行分類，本論文所用的模型采用70%的數據集進行訓練，30%的數據進行測試。二是對輸入層節點進行設計，設置為5，輸出層節點數設置為1，隱含層節點數估算為5～8，以擬合度最高的隱含層值作為最后所需的結果。三是神經網絡的建立，使用purelin 函數作為具體的傳遞函數，并且運用梯度下降法對模型進行一定的訓練。四是對網絡的參數進行設置，訓練的次數為10000，學習速率為0.01，訓練目標最小誤差為0.00001。

采用上述模型分別對隱含層節點數為5～8時的鋼鐵企業耗電量進行預測，對各預測結果曲線擬合度分析。通過模擬，當隱含層節點數為6時，耗電量曲線擬合度最高，曲線重合性最好，預測精度最高，因此，選取隱含層節點數為6，此時耗電量真實值與預測值結果見表1。

表1 耗電量預測結果

為了直觀地對預測結果進行分析，預測結果如圖1所示。由圖1明顯看出，整體來看具有較高的預測效果以及預測的精度，個別的組數存在小范圍的波動，在第17組、24組和27組數據組數時偏差較大，其余部分預測幾乎與實際數據重合，擬合度為0.9760，預測結果為鋼鐵企業電力成本提供一定的理論依據。

圖1 基于BP 神經網絡的鋼鐵企業電力能耗預測模型

電力能耗預測模型驗證情況如下，設置為Gradient 梯度下降法的函數，不存在過學習現象，訓練結果良好，具有較好的效果，因此在33代停止訓練，達到理想解。對訓練收斂情況進行分析，BP 訓練過程的收斂程度及MSE 指標在每一代中的表現良好，其在第33代時完成收斂，此時BP 訓練結果最為理想。本文所建立的模型對于實際的鋼鐵企業電力預測起到關鍵性的作用。

3 結語

本文主選取某鋼鐵企業的歷史數據，對于鋼鐵企業電力能耗進行預測，主要包括以下幾方面結論。

一是確定電力能耗影響因素，耗電量與鋼生產量相關程度為極強相關，相關系數為0.9065，與砂礦量、煤炭量、焦粉量、水相關程度為中等強度相關，相關系數分別為0.5173、0.4887、0.4697、0.508，與溶劑量相關程度為弱相關，相關系數為0.3729。選取鋼生產量、砂礦量、煤炭量、焦粉量和水作為主要影響因素。

二是以鋼鐵企業鋼生產量、砂礦量、煤炭量、焦粉量和水為輸入層，耗電量為輸出層，建立了基于 BP 神經網絡的電力能耗預測模型。對隱含層節點數為5～8時的鋼鐵企業耗電量進行預測，各預測結果曲線擬合度分別為0.9756、0.9760、0.9755和0.9758，隱含層節點數為6時，預測精度最高。

三是根據預測結果與實際結果對比進行分析，本論文所建立的模型具有較高的精度，個別組數有細微偏差，從誤差情況可以看出，BP 神經網絡方法在精度方面具有明顯的優勢。

四是本文通過對某鋼鐵企業能源管理系統歷史數據進行分析，建立了基于 BP 神經網絡的電力能耗預測模型，通過實際應用表明該方法能夠提高預測精度，具有一定的指導作用以及實用價值。