基于LSTM模型的蒸汽消耗預測

[摘 要]在卷煙生產過程中，蒸汽屬于二次生產加工能源，一般由動力車間根據生產需求計劃進行生產，是不可或缺的能源之一。準確預測蒸汽消耗對于節約能源、優化鍋爐調度、降低成本和提高效率至關重要。傳統的預測方法通常存在精度不足或無法處理時間序列數據的復雜性等問題。文章提出了一種基于LSTM的模型來預測卷煙生產過程中的蒸汽消耗量，并探討了如何利用該模型進行鍋爐調度的優化。通過實際數據集的實驗驗證，證明了LSTM模型的優越性和其在卷煙工業中的應用潛力。

[關鍵詞]蒸汽消耗；鍋爐調度；LSTM模型

[中圖分類號]TK228 [文獻標志碼]A [文章編號]2095–6487（2024）06–0186–03

Optimization of Boiler Scheduling Based on LSTM Model for Predicting Steam Consumption in the Cigarette Industry

ZHAO Jingrui，PENG Yunchao，YANG Mei

[Abstract]In the production process of cigarettes， steam belongs to the secondary production and processing energy， which is generally produced by the power workshop according to the production demand plan and is one of the indispensable energy sources. Accurately predicting steam consumption is crucial for energy conservation， optimizing boiler scheduling， reducing costs， and improving efficiency. Traditional prediction methods often suffer from issues such as insufficient accuracy or inability to handle the complexity of time series data. This article proposes a model based on Long Short Term Memory （LSTM） to predict steam consumption in cigarette production processes， and explores how to use this model to optimize boiler scheduling. The superiority of the LSTM model and its potential application in the cigarette industry have been demonstrated through experimental verification on actual datasets.

[Keywords]steam consumption； boiler scheduling； LSTM model

1 LSTM概述

LSTM（長短期記憶網絡）是一種特殊的RNN（循環神經網絡），克服了標準RNN難以捕獲長時間依賴關系的局限性，以及傳統預測方法無法兼顧退化數據的非線性及時序性問題。LSTM的核心思想是通過門結構來控制信息流動，包括遺忘門、輸入門、記憶及輸出門。其中，遺忘門決定哪些信息需要被遺忘，輸入門決定哪些新的信息應該加入到記憶中，記憶則負責存儲信息。

2 數據來源與處理

2.1 數據預采集

本次研究從生產管理系統中獲取了溫濕度、產量、人員班組的最近3 a的歷史數據，用于對LSTM模型進行訓練和驗證，主要包括產量、環境溫度和濕度、蒸汽的消耗量、鍋爐的用水量和燃氣用量。

獲取到的數據可能包含錯誤或不完整的信息，因此需對數據進行清洗，主要包括缺失值填充和異常值剔除。對于缺失值填充，考慮到工業計量儀器的特性，在對數據進行深入的理解和評估的前提下，主要采用臨近值進行填充。對于偏離較大的異常值可以直接剔除，同時提高采樣的頻率，以保證樣本數據不會減少。

2.2 特征選擇與處理

影響鍋爐蒸汽需求的變量包括當日產品產量、環境溫度和濕度、季節因素，這3個變量作為輸入變量，蒸汽需求作為輸出變量，季節因素作為隱變量，按照1 a 12個月表示。

對于鍋爐的蒸汽供給預測模型，其輸入變量為蒸汽需求、溫濕度、季節因素，輸出變量為水和燃氣的消耗量。變量說明見表1。

相比較傳統的時間序列預測模型，LSTM對數據的要求更為寬松，可以處理非平穩和非線性數據，而傳統模型要求數據是平穩的，需要對數據進行平穩性檢驗。

選取好特征數據后，對訓練數據的標準化處理是提高模型性能、加速訓練過程、確保數值穩定性和提高模型泛化能力的重要步驟。本研究中采用最大、最小標準化的方式處理數據，即將變量轉化為在其最大值與最小值之間的比例：

2.3 數據分割

本研究將整個數據集分為訓練集、驗證集及測試集3部分。訓練集用于模型訓練，驗證集用于超參數搜索和模型選擇，測試集則在最終評估模型性能時使用。這有助于避免過擬合并且得到更接近現實場景的表現。在程序參數設定中，將訓練集、驗證集和測試集的比例設置為0.7∶0.2∶0.1。

2.4 時間步長

LSTM模型中需要對輸入變量提取時序特征，本研究設置時間窗口長度為30 d，滾動窗口長度為1 d，預測窗口2 d，即通過過去30 d的數據預測未來2 d的蒸汽消耗。

3 LSTM模型的設計和實現

LSTM模型主要由以下幾部分組成。

輸入層。接收經過預處理的特征數據。

LSTM層：包含若干個LSTM單元和全連接層，每個單元都有自己的權重矩陣和偏置項。

損失函數。衡量模型預測值與真實值之間差異的度量方式。本模型使用的是均方誤差（MSE），即計算預測值與實際值之間差值的平方和的平均值來評估預測的準確性。即：criterion = nn.MSELoss（）。

優化器。梯度下降算法的一種變體，用于最小化損失函數。本模型使用Adam優化器，Adam 優化器結合了動量和自適應學習率調整的特點。它的核心思想是通過對梯度的一階矩（動量）和二階矩（方差）的估計來調整每個參數的學習率。即： optimizer= torch.optim.Adam（）。

輸出層。給出最終的蒸汽消耗量預測結果。

4 鍋爐調度優化策略

4.1 調度原則

基于LSTM模型的預測結果，制訂了如下原則來進行鍋爐調度優化。

（1）對未來2 d的蒸汽需求量進行預測，調節鍋爐的工作模式，使其在最經濟的條件下滿足生產需求。

（2）考慮多臺鍋爐間的協同工作和負載均衡，確保每臺鍋爐都能高效運轉。

（3）對緊急情況下的蒸汽供應做出快速響應，保障生產的連續性和穩定性。

4.2 具體措施

（1）動態負荷分配。根據預測的蒸汽消耗曲線，合理安排各個鍋爐在不同時間段內的負荷分配。

（2）智能啟停控制。對于非高峰期，可以關閉部分鍋爐以節約能源。

（3）提前預警系統。建立預警機制，當預測的需求量超過現有產能時，及時啟動備用鍋爐。

（4）遠程監控與調整。通過物聯網技術實現對鍋爐系統的實時監測和遠程操控，隨時根據實際情況進行調整。

通過這些措施，能夠大幅提高鍋爐調度的效率，降低能源消耗，同時減少環境污染物的排放。

5 實驗結果與討論

5.1 實驗設置

本次實驗在一臺配備有Intel Core i7處理器和NVIDIA GeForce GTX 3080Ti顯卡的PC上實現LSTM模型。采用了Pytorch和torch.nn庫來搭建模型，并使用Python編程語言進行開發。

5.2 模型性能對比

將LSTM模型與其他兩種常見的預測方法ARIMA和時間序列分解法進行了比較。表2是3種模型的性能對比。

從表2中可以看出，LSTM模型明顯優于ARIMA和SDS模型，尤其是在MAE這個關鍵指標上，LSTM的優勢更為突出。這表明LSTM能夠更好地捕捉到蒸汽消耗的非線性關系和長期趨勢。

5.3 實際案例分析

為了進一步展示LSTM模型的實用價值，選取1 d的蒸汽生產為預測目標，按照小時耗量進行建模。如圖4所示，虛線代表了模型預測的蒸汽消耗量，實線則是實際的蒸汽消耗量。

從圖4中可以看到，LSTM模型成功地捕捉到了大多數波動，并且在最大值和最小值位置的預測也相當準確。這種精確的預測能力對于制訂高效的鍋爐調度計劃是非常重要的。

5.4 經濟效益分析

通過對鍋爐調度的優化，預計每年能為企業節省大約24萬元的能源費用。這部分成本的節約主要是通過減少不必要的蒸汽生產和更加經濟地利用現有資源實現的。同時，隨著環保要求的不斷提高，減少碳排放所帶來的社會效益也是不可忽視的。

6 結論

研究表明，基于LSTM的網絡模型在卷煙工業中的蒸汽消耗預測任務中展現出了卓越的性能。相比傳統方法，LSTM不僅提高了預測精度和效率，也為制訂更加科學合理的鍋爐調度策略提供了依據。然而，盡管已經取得了一定的研究成果，但仍有許多方向值得進一步深入探究。

（1）集成學習。可以將LSTM與其他先進的機器學習模型相結合，構建混合模型以進一步提升預測準確性。

（2）在線學習能力。考慮到生產環境的動態變化，我們需要賦予LSTM模型一定的自適應和學習能力，以便在數據發生變化時能夠自動調整模型參數。

（3）多模態數據融合。除了目前的單源數據外，還可以探索是否有可能整合更多維度的數據，如氣象數據、市場供需數據等，以獲得更全面的洞察力。

未來，將繼續致力于完善和推廣這項技術，為卷煙工業乃至其他制造業帶來更多的綠色發展和成本節約。

參考文獻

[1] 馬學兵，黃毓欽，余震安，等.卷煙工業企業公用工程系統運行能效指標研究與應用[J].暖通空調，2022（2）：23-29.

[2] 郭佳麗，邢雙云，欒昊，等.基于改進的LSTM算法的時間序列流量預測[J].南京信息工程大學學報，2021（5）：571-575.

[3] 劉淳森，曲建升，葛鈺潔，等.基于LSTM模型的中國交通運輸業碳排放預測[J].中國環境科學，2023（5）：2574-2582.

[4] 史國榮，戴洪德，戴邵武，等.基于長短期記憶網絡的時間序列預測研究[J].儀表技術，2020（2）：24-26，29.