钢铁企业蒸汽产生量预测模型研究

岳有军 李佳佳 赵 辉 王红君

(天津理工大学自动化学院，天津 300384)

钢铁企业蒸汽产生量预测模型研究

岳有军 李佳佳 赵 辉 王红君

(天津理工大学自动化学院，天津 300384)

提出一种基于小波变换-最小二乘支持向量机的钢铁企业蒸汽产生量预测方法。先对数据进行小波变换以提取数据的特征；然后建立LS-SVM模型，对各分量进行预测以提高预测精度。实验结果表明：小波变换-最小二乘支持向量机预测方法预测精度高、性能好，具有良好的实用性，为蒸汽生产优化调度提供了科学的依据。

最小二乘支持向量机 小波变换 蒸汽 预测

钢铁企业是典型的高物耗和高能耗行业，能耗约占工业总能耗的23%，物耗约占工业总量的35%[1,2]，这表明钢铁企业节能降耗的工作迫在眉睫。蒸汽作为钢铁企业生产过程中产生的二次能源，在企业总能耗比例中约占30%，蒸汽的生产需要许多的不可再生资源，如煤炭、水及电等，为节约资源并提高生产效率，应对蒸汽产量做出合理的预测和决策。

在实际生产过程中，钢铁企业汽源情况复杂[3]，且蒸汽不易保存和管理，蒸汽发散现象的存在不可避免。如何准确掌握蒸汽产生量的变化趋势是笔者研究的重点。对于整个蒸汽系统来说，只有控制好蒸汽的供需平衡才能保证管网的安全，当供大于需时，只能将多余的蒸汽发散；当供小于需时，只能增加燃料的消耗。由于蒸汽受漏风、欠烧及过烧等因素的影响，蒸汽产生量随时发生动态非线性变化，且无必然明显规律，很难用静态分析方法全面、系统地预测，且会出现供需不平衡的情况，增加了预测的难度。

目前针对钢铁企业蒸汽的预测方法和模型并不多见，现有研究主要是采用最小二乘支持向量机(LS-SVM)及其改进方法而展开。尹正文针对蒸汽预测中存在的小样本、非线性、不确定性及预测风险等问题，运用3种改进的支持向量机对蒸汽进行预测并进行比对[4]。基于差分进化算法的在线LS-SVM模型解决的是在线LS-SVM中的参数寻优问题和小样本数据问题；实时灰色LS-SVM解决蒸汽预测中的不确定性问题；组合预测与LS-SVM结合形成的算法解决蒸汽预测中的预测风险问题。这3种改进的方法虽然解决了预测中出现的问题，但对数据本身的随机性和波动性没有适应性，使得实际值与预测值之间的相对误差都大于20%，预测精度未达到企业要求。笔者以提高蒸汽产生量的预测精度和效率为目的，基于某钢铁企业蒸汽历史数据，提出一种基于小波变换-最小二乘支持向量机的蒸汽产量预测模型，为合理调度蒸汽提供一种有效的分析工具和方法。

1 小波变换①

小波变换是近年来迅速发展起来的信号处理工具，已被广泛应用于各个领域。其中，多分辨率分析为其重要方向。小波多分辨率分析作为一个将信号进行分解并显示在不同分辨率上的强大工具，展现出从信号中提取有用信息的能力。其主要思想是通过模极大值来确定扰动部分。小波多分辨率分析通过低通滤波器h(n)和高通滤波器g(n)来实现，算式如下：

(1)

(2)

式中cj-1(k)——输入序列；

cj(n)——近似系数；

dj(n)——细节系数。

系数cj(n)和dj(n)可按下式重构原始信号：

(3)

式中φ(t)——母小波；

Φ(t)——小波函数。

小波多分辨率分析可以在不同频率范围内对信号特征进行描述。

2 最小二乘支持向量机

支持向量机是根据有限样本信息在模型的复杂度和学习能力之间寻求最佳折中，以期获得最好的泛化能力[5]。最小二乘的引入，将支持向量机中的不等式约束换为等式约束，损失函数换为误差平方和，把二次规划问题变成了线性方程组问题，有利于降低计算复杂性，提高求解速度和收敛精度[6]。

假设训练样本集为(xi,yi)，i=1,2，…,l，其中xi∈Rn表示样本的输入空间，相应的目标值yi∈R，l为训练样本的大小。估计函数的形式如下：

f(x)=(wTψ(x))+b

(4)

其中，ψ(x)表示输入空间映射到高维特征空间的非线性映射函数。

标准支持向量机的优化问题为：

(5)

(6)

式中ξi——松弛变量；

γ——一个用惩罚系数来评估误差的正则化参数。

对于最小二乘支持向量机，将式(6)修改为：

yi[wTφ(xi)+b]=1-ξi,i=1,…,l

(7)

通过构造拉格朗日函数并根据KKT最优条件，得到如下方程：

(8)

通过定义Ω=ZZT，根据Mercer条件，核矩阵Ω的每个元素形式为：

Ωi,j=yiyjφ(xi)Tφ(xj)=yiyjK(xi,xj)

(9)

其中K(xi,xj)为核函数。任何对称函数只要满足Mercer条件就可以作为核函数。典型的核函数有高斯径向基函数(RBF)。

RBF核函数为：

(10)

LS-SVM的输出为：

(11)

α和b的值可以通过对式(8)的求解获得。与其他核函数比较，RBF能很好地将非线性问题变化为线性问题，且它的通用性较强，所以笔者采用RBF作为核函数。

3 仿真实验

为了验证预测模型的有效性，采集了某钢铁企业2012年4月1日～5月16日的日产蒸汽数据。

为选取符合条件的小波函数，笔者采用多种小波函数进行对比，最终选取db3小波函数，根据多指标融合方法[7]确定出最佳分解尺度为3。原始序列和分解序列如图1所示，s为46天的实际蒸汽产量曲线，从分解后的分量可以看出原始信号的变化趋势、周期变化性及随机扰动性。a3代表的是原始信号的周期变化性，d1代表的是原信号的随机部分，d2和d3主要代表原信号每天各小时的波动性。

图1 原始序列和分解序列

分解序列是通过LS-SVM来预测下一天的。

利用K-CV方法得到各序列LS-SVM的正规化参数C和核函数参数σ2，见表1。

表1 C和σ2寻优结果

然后应用LS-SVM对各序列进行预测，预测结果如图2所示。

图2 各序列的预测值与实际值

对序列重组得到最终预测结果，如图3所示。

图3 蒸汽产量预测结果

由图3可见，采用该方法进行预测，拟合度较高，实际值与预测值非常接近，最大相对误差为2.85%，优于基于差分进化算法(DE)的在线LS-SVM模型、实时灰色LS-SVM和组合LS-SVM，完全达到企业的要求。为了验证笔者所建模型的有效性，与LS-SVM模型进行比较，采用E、Co、F这3个指标来评价预测模型的性能：

(12)

(13)

F=0.6(1-E)+0.4Co

(14)

E和Co的值分别用来测量实际值和预测值之间的误差和关联度，F值是综合指标，显示模型的预测精度，性能比较结果见表2。

表2 模型性能比较

由此可见，笔者所提方法对数据的随机性和波动性有着较好的适应性。

4 结束语

笔者提出的小波变换-最小二乘支持向量机的预测方法，提高了蒸汽的预测精度，为蒸汽生产调度提供了可靠的依据，可以进一步地减少能源浪费。然而，笔者只选择了RBF核函数进行研究，其他的核心函数并未做分析和实验，且参数的选择方法采用的是K-CV法，其消耗时间长，具有盲目性。因此，在未来的时间里，将对核函数和参数选择方法进行详细研究，改进预测模型，继续增强预测模型对蒸汽产量的预测能力。

[1] 杨波.基于PSA-SVRM模型的钢铁企业副产煤气消耗量预测[J].过程工程学报，2014，14(3)：462～468.

[2] 张德钦.大型钢铁企业能源管理系统的设计与实现[J].化工自动化及仪表，2013，40(3)：390～394.

[3] 纳瑾，张艳，吉亚宏.蒸汽系统实时数据采集及在线智能监测优化[J].化工自动化及仪表，2009，36(4)：88～91.

[4] 尹正文.最小二乘支持向量机在蒸汽预测中的应用[D].昆明：昆明理工大学，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] 韩晓娟，曹慧，李勇，等.基于小波变换和LS-SVM的短期风速预测方法[J].太阳能学报，2011，32(10)：1538～1542.

[7] 陶柯，朱建军.多指标融合的小波去噪最佳分解尺度选择方法[J].测绘学报，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)

天津市科技支撑计划项目(13ZCZDGX03800，10ZCKFGX03400);天津市自然科学基金项目(09JCZDJC23900);天津市科技计划项目(13ZCZDGX03200)

TP391.9

A

1000-3932(2016)07-0736-04