摘要：熱風(fēng)爐是副產(chǎn)煤氣消耗大戶，熱風(fēng)爐群的煤氣消耗數(shù)據(jù)無規(guī)律性、波動劇烈，預(yù)測難度較大。針對熱風(fēng)爐群煤氣消耗量難以直接預(yù)測的問題，提出一種基于神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐群煤氣消耗量預(yù)測方法。該方法將熱風(fēng)爐群的煤氣消耗數(shù)據(jù)分解為單座熱風(fēng)爐的煤氣消耗數(shù)據(jù)，利用單座熱風(fēng)爐周期性煤氣消耗特性，將利用網(wǎng)絡(luò)模型預(yù)測出的各座熱風(fēng)爐煤氣消耗數(shù)據(jù)重構(gòu)為熱風(fēng)爐群的煤氣消耗量數(shù)據(jù)。以現(xiàn)場采集的熱風(fēng)爐煤氣消耗數(shù)據(jù)作為樣本進(jìn)行實例分析，結(jié)果表明，數(shù)據(jù)分解重構(gòu)的網(wǎng)絡(luò)模型的平均絕對誤差(MAE)為2978.74min，平均絕對百分比誤差(MAPE)為6.59，對稱平均絕對百分比誤差(SMAPE)為6.88。與傳統(tǒng)網(wǎng)絡(luò)模型相比，該模型的MAE、MAPE和SMAPE分別改善了61.86、70.88和66.60。

　　關(guān)鍵詞：熱風(fēng)爐;煤氣消耗量;預(yù)測;數(shù)據(jù)分解重構(gòu);神經(jīng)網(wǎng)絡(luò)

　　在鋼鐵生產(chǎn)過程中，約有30%的一次能源轉(zhuǎn)化為副產(chǎn)煤氣[1]，廣泛應(yīng)用于各工序的燃燒、加熱等工藝環(huán)節(jié)中。由于煤氣用戶眾多、用量波動較大，因此導(dǎo)致了管網(wǎng)壓力的沖擊性變化，這對煤氣管網(wǎng)安全和煤氣的節(jié)約利用均造成了負(fù)面影響。隨著智能化鋼廠概念的提出，煤氣消耗量預(yù)測引起了研究人員的廣泛關(guān)注。熱風(fēng)爐作為煤氣消耗大戶，約占全流程高爐煤氣總消耗量的45%[2]。

　　1座高爐通常配備3座或4座熱風(fēng)爐，組成一個熱風(fēng)爐群。在實際生產(chǎn)中，一般將熱風(fēng)爐群作為一個整體來衡量煤氣消耗水平。然而，熱風(fēng)爐群的煤氣消耗量巨大且不具有明顯的規(guī)律性，預(yù)測精度尚不理想，嚴(yán)重影響了煉鐵工序乃至全流程的節(jié)能降耗。因此，提出一種新的熱風(fēng)爐群煤氣消耗量預(yù)測方法，具有重要的學(xué)術(shù)意義和應(yīng)用價值。煤氣產(chǎn)消量的預(yù)測研究是業(yè)內(nèi)學(xué)者的重要研究內(nèi)容。SUNWen-qiang等[3]建立機理、數(shù)據(jù)和事件共同驅(qū)動的高爐煤氣產(chǎn)生量預(yù)測模型，提供了新的研究思路。

　　在此基礎(chǔ)上，賴茜等[4]利用回歸分析法和人工神經(jīng)網(wǎng)絡(luò)法對比分析了不同工況下的高爐煤氣產(chǎn)生量的預(yù)測效果。張海寧等[5]根據(jù)煤氣消耗量的影響因素開發(fā)了煤氣優(yōu)化系統(tǒng)，提高預(yù)測精度的同時實現(xiàn)了煤氣資源的合理利用。吳萌等[6]開發(fā)了副產(chǎn)煤氣的預(yù)測及優(yōu)化調(diào)度系統(tǒng)，降低了煤氣的放散率。孫雪瑩等[7]提出了基于自適應(yīng)遺忘因子的極限學(xué)習(xí)機在線預(yù)測算法，適用于煤氣的在線消耗量預(yù)測。張琦等[8]利用小波分析法將煤氣消耗量數(shù)據(jù)分為趨勢數(shù)據(jù)和波動數(shù)據(jù)，建立最小二乘支持向量機預(yù)測模型，解決了變工況下煤氣產(chǎn)生量和消耗量預(yù)測隨機性問題。

　　劉書含等[9]提出一種事件與數(shù)據(jù)融合的加熱爐煤氣消耗量預(yù)測方法，精確地預(yù)測了不同運行事件下加熱爐的煤氣消耗量。黨曉晶等[10]利用支持向量機的方法對高爐煤氣的利用率進(jìn)行了預(yù)測，為高爐節(jié)能降耗提供了有力支持。煉鐵工序中熱風(fēng)爐煤氣消耗量的預(yù)測同樣備受重視。孫進(jìn)生等[11]建立了基于送風(fēng)溫度預(yù)測實現(xiàn)的熱風(fēng)爐系統(tǒng)，合理地預(yù)測出送風(fēng)階段結(jié)束時間，一定程度上驗證了煤氣量預(yù)測的可行性。

　　紀(jì)天波等[12]基于高爐熱風(fēng)爐的機理模型，建立了子空間辨識模型，可辨識熱風(fēng)爐燒爐階段和送風(fēng)階段。馮康康等[13]采用高爐熱風(fēng)爐協(xié)調(diào)換爐的方法，預(yù)測了熱風(fēng)爐運行狀態(tài)，為熱風(fēng)爐煤氣消耗量的預(yù)測提供指導(dǎo)。還有許多專家學(xué)者進(jìn)行了熱風(fēng)爐群高爐煤氣消耗量的預(yù)測。郝聚顯等[14]建立了基于時間序列的BP神經(jīng)網(wǎng)絡(luò)模型，有效地延長了熱風(fēng)爐煤氣消耗量的預(yù)測提前時間，提高了預(yù)測精度。

　　譚玉倩[15]建立了粒子群算法優(yōu)化后的灰色預(yù)測模型，對煉鐵廠高爐熱風(fēng)爐進(jìn)行了預(yù)測，為煤氣的合理優(yōu)化調(diào)配提供依據(jù)。但是，現(xiàn)有關(guān)于熱風(fēng)爐群煤氣消耗量的預(yù)測沒有考慮到其與單座熱風(fēng)爐煤氣消耗之間的關(guān)聯(lián)性，還存在進(jìn)一步優(yōu)化的空間。本研究充分考慮單座熱風(fēng)爐周期性煤氣量消耗的特性，提出數(shù)據(jù)分解重構(gòu)理念，實現(xiàn)復(fù)雜的熱風(fēng)爐群煤氣消耗量的BP網(wǎng)絡(luò)高精度預(yù)測，對煤氣系統(tǒng)的平衡調(diào)度起到推動作用。

　　1預(yù)測方法

　　1.1人工神經(jīng)網(wǎng)絡(luò)模型

　　人工神經(jīng)網(wǎng)絡(luò)(ANN)模型[16]是一種模擬人腦并根據(jù)自然神經(jīng)網(wǎng)絡(luò)的特性而建立的預(yù)測模型。根據(jù)計算方法、用途等不同，可將人工神經(jīng)網(wǎng)絡(luò)模型分為基于前向型的后向傳播神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò))[18]、基于隨機型的模擬退火神經(jīng)網(wǎng)絡(luò)(SA-ANN)[19]、基于反饋型的霍普菲爾德神經(jīng)網(wǎng)絡(luò)(Hopfield-ANN)[20]等。

　　其中，BP網(wǎng)絡(luò)模型具有很強的非線性映射能力及很好的魯棒性和容錯性。考慮熱風(fēng)爐的工作特點及煤氣消耗特性，本研究采用網(wǎng)絡(luò)模型對熱風(fēng)爐煤氣消耗量進(jìn)行預(yù)測。網(wǎng)絡(luò)模型將網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層。定義輸入層第i個神經(jīng)元的輸入值為Xi，隱藏層第i個神經(jīng)元的輸出值為Yi，輸出層第i個神經(jīng)元的輸出值為Zi;輸入層神經(jīng)元與隱藏層神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值為Mij，隱藏層神經(jīng)元與輸出層神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值為Nj;隱藏層第j個單元的激活閾值為αj，輸出層第k個單元的激活閾值為βk。

　　1.2數(shù)據(jù)分解重構(gòu)理念

　　鋼鐵聯(lián)合企業(yè)中熱風(fēng)爐群由多座熱風(fēng)爐組成，熱風(fēng)爐群的煤氣總消耗量是多座熱風(fēng)爐煤氣消耗量數(shù)據(jù)的耦合體現(xiàn)。熱風(fēng)爐群的煤氣消耗特點具有連續(xù)性和復(fù)雜性，而單座熱風(fēng)爐的煤氣消耗特點卻存在間斷性和規(guī)律性。本研究考慮現(xiàn)場數(shù)據(jù)采集情況，結(jié)合單座熱風(fēng)爐的煤氣消耗特性，首先將熱風(fēng)爐群的煤氣消耗量數(shù)據(jù)分解為單座熱風(fēng)爐的煤氣消耗量數(shù)據(jù);其次利用網(wǎng)絡(luò)模型分別對單座熱風(fēng)爐進(jìn)行建模，完成對單座熱風(fēng)爐煤氣消耗量的預(yù)測;最后將單座熱風(fēng)爐的煤氣消耗量預(yù)測數(shù)據(jù)進(jìn)行重構(gòu)，得到熱風(fēng)爐群的煤氣消耗量。利用數(shù)據(jù)分解重構(gòu)理念可實現(xiàn)熱風(fēng)爐群煤氣消耗量的精確預(yù)測。數(shù)據(jù)分解重構(gòu)模型的建模步驟如下。

　　步驟1：將熱風(fēng)爐群的煤氣消耗量數(shù)據(jù)按時間序列進(jìn)行排序，并對時間序列數(shù)據(jù)進(jìn)行預(yù)處理。步驟2：對熱風(fēng)爐群的煤氣消耗量數(shù)據(jù)進(jìn)行時間序列分解。步驟3：采用網(wǎng)絡(luò)模型，利用步驟2處理好的時間序列數(shù)據(jù)對煤氣消耗量進(jìn)行預(yù)測，得到單座熱風(fēng)爐的煤氣消耗量預(yù)測數(shù)據(jù)。步驟4：將單座熱風(fēng)爐的煤氣消耗量預(yù)測數(shù)據(jù)重構(gòu)成熱風(fēng)爐群的煤氣消耗量數(shù)據(jù)，得到不同周期下熱風(fēng)爐群煤氣消耗量的預(yù)測值。

　　2結(jié)果與討論

　　2.1數(shù)據(jù)描述

　　為了驗證本文提出的基于數(shù)據(jù)分解重構(gòu)理念的預(yù)測模型的精確性，對比了基于數(shù)據(jù)分解重構(gòu)預(yù)測模型與傳統(tǒng)BP網(wǎng)絡(luò)模型的預(yù)測結(jié)果。利用某鋼鐵聯(lián)合企業(yè)熱風(fēng)爐群的實際煤氣消耗量數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，時間頻率為5min。模型建立過程中將樣本數(shù)據(jù)分為3部分：第1～480個(0～2400min)樣本作為訓(xùn)練集，第481～640個(2405～3200min)樣本作為驗證集，第641～800個(3205～4000min)樣本作為測試集。圖1所示為樣本的時間序列數(shù)據(jù)，可見，依據(jù)工藝特點分解后的單座熱風(fēng)爐數(shù)據(jù)周期性規(guī)律顯著。

　　2.2基本參數(shù)的確定

　　單座熱風(fēng)爐的周期性規(guī)律比較明顯。每座熱風(fēng)爐的燃燒期和送風(fēng)期約為2h，即24個數(shù)據(jù)采集點，因此，結(jié)合熱風(fēng)爐工作特點，本研究將輸入層的神經(jīng)元個數(shù)設(shè)置為24，由24個歷史煤氣消耗量數(shù)據(jù)預(yù)測未來的1個煤氣消耗量數(shù)據(jù)。輸出值為熱風(fēng)爐的煤氣消耗量，輸出層的神經(jīng)元個數(shù)設(shè)置為1。

　　2.3單座熱風(fēng)爐煤氣消耗量預(yù)測結(jié)果

　　為了驗證BP網(wǎng)絡(luò)模型的優(yōu)越性，本研究選取常用的差分自回歸移動平均(ARIMA)模型和長短期記憶(LSTM)網(wǎng)絡(luò)模型進(jìn)行對比。可見，由BP網(wǎng)絡(luò)模型預(yù)測出的1號熱風(fēng)爐燃燒期高爐煤氣消耗量的MAE為1635.36m3/min，MAPE為9.31%，SMAPE為9.87%;2號熱風(fēng)爐燃燒期的預(yù)測效果與1號熱風(fēng)爐相差不大，其MAE、MAPE和SMAPE分別為1877.91m3/min、7.96%和8.25%;3號熱風(fēng)爐燃燒期的高爐煤氣消耗量預(yù)測結(jié)果的MAE為2747.45m3/min，MAPE為13.72%，SMAPE為13.80%。

　　對于周期性規(guī)律明顯的1號和2號熱風(fēng)爐，利用BP網(wǎng)絡(luò)模型預(yù)測得到的煤氣消耗量的MAE可以控制在2000m3/min以內(nèi)，MAPE與SMAPE不超過10%，而ARIMA模型與LSTM模型的MAE普遍大于2000m3/min，MAPE與SMAPE均超過10%。對于規(guī)律性不明顯的3號熱風(fēng)爐，BP網(wǎng)絡(luò)模型的MAE、MAPE、SMAPE也分別低于ARIMA模型和LSTM模型。可見，與LSTM和ARIMA模型相比，BP網(wǎng)絡(luò)模型在單座熱風(fēng)爐的預(yù)測過程中表現(xiàn)出更加優(yōu)越的預(yù)測性能。

　　這是因為，ARIMA模型是將煤氣消耗量樣本數(shù)據(jù)的非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列，然后利用煤氣消耗量的滯后值以及隨機誤差值對未來煤氣消耗量進(jìn)行回歸預(yù)測，因此，該方法在捕捉非線性關(guān)系方面存在不足，導(dǎo)致預(yù)測精度下降。LSTM模型的全連接層較為復(fù)雜，若網(wǎng)絡(luò)結(jié)構(gòu)選擇過大，使訓(xùn)練過程效率不高，易出現(xiàn)過擬合現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)性能低;若網(wǎng)絡(luò)結(jié)構(gòu)選擇過小，則易導(dǎo)致網(wǎng)絡(luò)不收斂。LSTM模型網(wǎng)絡(luò)結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)，由于網(wǎng)絡(luò)結(jié)構(gòu)的確定過程較為復(fù)雜，因此預(yù)測效果的容錯性較差。而BP網(wǎng)絡(luò)模型不僅泛化能力較強，且網(wǎng)絡(luò)結(jié)構(gòu)易于確定，訓(xùn)練效率較高，可以實現(xiàn)高精度預(yù)測。

　　2.4熱風(fēng)爐群總煤氣消耗量預(yù)測結(jié)果

　　采用BP網(wǎng)絡(luò)模型、ARIMA模型和LSTM模型分別對熱風(fēng)爐群煤氣消耗量的預(yù)測結(jié)果對比。根據(jù)數(shù)據(jù)分解重構(gòu)理念，采用上述模型分別對單座熱風(fēng)爐煤氣消耗量進(jìn)行預(yù)測，然后組合得到熱風(fēng)爐群的總煤氣消耗量預(yù)測值，可以看出，對數(shù)據(jù)實施分解重構(gòu)后，模型的預(yù)測精度顯著高于未經(jīng)數(shù)據(jù)分解重構(gòu)的常規(guī)預(yù)測模型。

　　針對熱風(fēng)爐群高爐煤氣消耗量規(guī)律性較弱的現(xiàn)象，依據(jù)數(shù)據(jù)分解重構(gòu)理念建立的分解重構(gòu)模型可以很好地利用單座熱風(fēng)爐周期性煤氣消耗規(guī)律這一特點，先得到高精度的單座熱風(fēng)爐高爐煤氣消耗量預(yù)測值，再將其整合重構(gòu)為熱風(fēng)爐群的煤氣消耗量，以此彌補常規(guī)模型直接預(yù)測熱風(fēng)爐群煤氣消耗量的缺陷。BP網(wǎng)絡(luò)模型、ARIMA模型和LSTM模型及采用數(shù)據(jù)分解重構(gòu)的上述3類模型的預(yù)測效果見表3。可見，數(shù)據(jù)分解重構(gòu)的BP網(wǎng)絡(luò)模型預(yù)測效果更好，其MAE為2978.74m3/min，MAPE為6.59%，SMAPE為6.88%。結(jié)果表明，對數(shù)據(jù)進(jìn)行分解重構(gòu)后的BP網(wǎng)絡(luò)模型精確度高。

　　3結(jié)論

　　(1)本研究通過對鋼鐵聯(lián)合企業(yè)中熱風(fēng)爐實際生產(chǎn)數(shù)據(jù)的分析，提出了數(shù)據(jù)分解重構(gòu)理念，據(jù)此建立了數(shù)據(jù)分解重構(gòu)的熱風(fēng)爐煤氣消耗量預(yù)測模型。基于數(shù)據(jù)分解重構(gòu)的預(yù)測模型可以將熱風(fēng)爐群無規(guī)律的煤氣消耗數(shù)據(jù)分解為單座熱風(fēng)爐周期性變化的煤氣消耗數(shù)據(jù)，進(jìn)而將單座熱風(fēng)爐的煤氣消耗量預(yù)測數(shù)據(jù)重構(gòu)為熱風(fēng)爐群的煤氣消耗量。模型驗證結(jié)果表明，數(shù)據(jù)分解重構(gòu)模型泛化能力強，精度高，預(yù)測效果好。

　　(2)利用網(wǎng)絡(luò)、RIMA、STM預(yù)測模型和數(shù)據(jù)分解重構(gòu)模型對熱風(fēng)爐群的高爐煤氣消耗量進(jìn)行預(yù)測。結(jié)果表明，本研究建立的數(shù)據(jù)分解重構(gòu)的網(wǎng)絡(luò)模型預(yù)測效果較好，模型的MAE、MAPE和SMAPE分別為2978.74/min、6.59和6.88，分別低于常規(guī)網(wǎng)絡(luò)預(yù)測模型的7810.73/min、22.63和20.60。

　　(3)從模型改進(jìn)效果上看，數(shù)據(jù)分解重構(gòu)的網(wǎng)絡(luò)模型改進(jìn)效果顯著，MAE、MAPE和SMAPE的改進(jìn)百分比分別為61.86%、70.88%和66.60%。

　　參考文獻(xiàn)：

　　[1]楊靖輝，蔡九菊，劉精宇，等.煤氣系統(tǒng)供需預(yù)測及剩余煤氣優(yōu)化分配[J].東北大學(xué)學(xué)報(自然科學(xué)版)，2015，36(8)：1125.

　　[2]王維興.高風(fēng)溫是節(jié)能降耗工作的重點[J].中國鋼鐵業(yè)，2008(3)：35.

　　[3]SUNWen-qiang，WANGZi-hao，WANGQiang.Hybridevent-，mechanism-anddata-drivenpredictionofblastfurnacegasgeneration[J].Energy，2020，199：117497.

　　[4]賴茜，王子豪，孫文強.高爐煤氣產(chǎn)生量預(yù)測方法對比研究[J].冶金能源，2021，40(3)：22.

　　[5]張海寧，朱榮，逯志方，等.煉鋼過程中煤氣預(yù)測及優(yōu)化系統(tǒng)[J].北京科技大學(xué)學(xué)報，2011，33(增刊1)：16.

　　[6]吳萌，馬光宇，李志鋒，等.鋼鐵企業(yè)煤氣預(yù)測及優(yōu)化調(diào)度系統(tǒng)開發(fā)[J].鞍鋼技術(shù)，2017(6)：37.

　　[7]孫雪瑩，胡靜濤，王卓，等.基于自適應(yīng)遺忘因子極限學(xué)習(xí)機的高爐煤氣預(yù)測[J].計算機測量與控制，2017，25(7)：235.

　　作者：劉書含，孫文強1,，石曉星，范天驕，謝國威，蔡九菊