基于能源数据的GA-BP网络液氨产量预测

黄远红

（广西鹿寨化肥有限责任公司，广西柳州545624）

基于能源数据的GA-BP网络液氨产量预测

黄远红

（广西鹿寨化肥有限责任公司，广西柳州545624）

运用液氨生产过程的能源计量数据进行计算机仿真、对液氨产量预测。由于实际生产数据的复杂、多变、非线性等不利因素，使用小波包进行信号降噪，运用遗传算法的BP神经网络（GA-BP）进行仿真。仿真结果表明GA-BP网络拟合、泛化能力较强，对实际生产中能源调度、预测产量有较高的应用价值。

液氨产量；能源计量；GA_BP；仿真

液氨是既是重要的化工产品，也是化肥生产的重要原材料，其消耗大量能源（包括煤、电、水、蒸汽、压缩空气等）和足够的产量间的矛盾非常突出，在国家大力推行节能减排和企业本身成本压力之下，要做好各种能源的平衡、调度十分困难。在有限的能源配置情况下，做好液氨产量的预测就显得特别重要。

神经网络技术迅速发展，广泛应用于制造、航空、通信、电子、交通等领域，而BP（Back Propagation）神经网络[1]是目前应用最广泛的经典的神经网络模型之一，是一种按误差逆传播算法训练的多层前馈网络，具有非线性映射能力强、有自学习和自适应能力、较好泛化能力和容错能力等优点，但也存在学习速度慢、容易陷入局部极小值等问题。而通过遗传算法（GA，Genetic Algorithms）来优化BP神经网络的初始权值和阈值，能够在一定程度上解决BP网络容易陷入局部和网络初始权重过于敏感的问题。

为合理利用能源，从合成氨生产需要的各种能源数据入手，运用遗传算法优化BP神经网络（GABP）对合成过程的液氨产量进行仿真预测，使生产调度人员能够准确对各种能源进行调度，满足液氨产量和能源消耗的需求。

1 合成氨生产的能源路线

1.1 合成氨生产原理

以焦炭（型煤、或无烟煤）为原料的液氨的生产过程[2]主要包括：造气、净化、压缩与合成。通过原煤与蒸汽作用制取氢气（H2），而氮气（N2）取自空气或将空气液化分离，最后经合成塔高压合成液氨（NH3）。氨合成反应式：

N2+3H2=2NH3（1）

1.2 能源种类及主要作用

按照国家计量技术规范JJF 1356-2012《重点用能单位能源计量审查规范》的相关规定，合成氨生产需消耗能源种类主要有：一次能源（煤、工业水），二次能源（电）以及载能工质（中压、低压饱和、低压过热蒸汽、脱盐水、软水、工业压缩空气、仪表空气）等。

原料煤（焦炭、无烟煤或型煤）：合成氨生产的主要原料，同时也是能源消耗的主要物质，约占整个消耗量的70%以上。其与蒸汽在造气炉里作用，制备含有H2和N2的原料气（水煤气或半水煤气）。

用电：机、泵的原动力，电加热、吹风以及各种控制系统的用电。

低压过热蒸汽：主要用于与原料煤反应，制备原料气。

中压及低压饱和蒸汽：用于热交换、原料气加湿，控制塔罐反应温度、速度等。

2 基于能源数据的液氨产量GA_BP建模方法

2.1 模型对象的描述

液氨在一般企业里都是中间产品，但国家对液氨的储存量和安全、环保有着非常严格的要求，所以储存量较少，则对液氨使用量较大的企业必须对液氨的产量有较为准确的数字要求。同时合成氨能源消耗又占企业的极大份额，各生产流程关联性极大，导致原料平衡（特别是电、蒸汽、压缩空气等）、协调使用十分困难。选取与液氨产量（输出量）关联性极高的能源消耗参数作为输入变量，通过BP神经网络仿真计算出液氨产量（输出量）。

但由于BP网络存在容易陷入局部最小值[3]，加上连接权值和阈值的初始化的随机性，存在网络训练失败的可能，故采取遗传算法选择最优的连接权值和阈值，优化BP网络。

2.2 BP神经网络理论[4]

BP(Back Propagation)是Rumelhart等学者1986年提出的误差反向传播（BP）权重调整算法，是一种有导师的多层前馈神经网络，信号前向传播：输入层（信号）→隐层逐层处理→输出层；如果输出层得不到期望输出，其误差转入反向传播，并根据预测误差调整网络权值和阈值，使BP神经网络预测不断逼近期望输出。结构示意图如图1所示。

图1BP神经网络（3层）结构图

图1 中，V是输入层-隐含层间的连接权值，W是隐含层-输出层间的连接权值。

2.3 BP神经网络具体算法

（1）网络初始化。

（2）隐含层输出计算：根据X（x1，x2，…，xn），V、a，计算隐含层输出Z.

式中：q为隐含层节点数；f为隐含层激励函数；xi是第i个输入变量。

（3）输出层输出计算：根据Z（z1，z2，…，zq），W、b，计算预测输出Y.

（4）误差计算：据网络预测输出T和期望输出Y（y1，y2，…，ym），计算预测误差e.

（5）权值更新：根据网络误差e，更新网络连接权值V，W.

式中：η为学习速率。

（6）阈值更新：根据网络误差e，更新网络节点阈值a，b.

（7）判断算法迭代是否结束，否则重返步骤（2）。

2.4遗传算法理论基础

2.4.1 遗传算法原理

遗传算法（Genetic Algorithms，GA）是1962年美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法，遗传算法的基本操作如下：

选择操作：依照适应度值的大小，在老群体中以一定概率选择个体到新群体；

交叉操作：从个体中选择二个个体通过染色体的交换组合产生更优秀的个体，具体如图2所示。

图2 交叉操作

变异操作：群体中任选一个个体，选择染色体中的一点进行变异产生更优秀的个体，具体如图3所示。

图3 变异操作

2.4.2 遗传算法流程

步骤1：随机初始化种群；

步骤2：计算种群适应度值，找出最优个体；

步骤3：选择操作、交叉操作、变异操作；

步骤4：判断进化是否结束，若否，则返回步:2.

2.5 GA_BP仿真模型

神经网络遗传算法主要是随机个体在BP训练和仿真，把其与仿真值相关函数作为个体在BP网络的适应度值，通过交叉、变异等过程，循环交替寻找最佳个体作为BP网络的权值和阈值，实现BP网络的最佳仿真；具体算法流程如图4所示。

图4 GA-BP算法流程方框图

3 GA-BP神经网络仿真预测模型的建立与测试

3.1 样本数据的采集

本次仿真采集液氨生产中实际各类能源消耗的真实数据800组，每组包含10个能源消耗计量数据作为输入变量，液氨产量作为输出变量；数据已经过粗处理：去掉不正常开机数据、仪表失灵数据、明显的粗大数据。部分样本数据如表1所列。

表1 样本数据表

3.2 数据预处理

样本数据的3/4（600组）作为训练样本，另外1/4（200组）作为测试验证样本；由于样本数据取自生产现场的实际数字，干扰噪声较大；在运用数据仿真前进行中值滤波处理；数据的归一化；进行主成分（PCA）分析[5]；再运用小波变换[6]进行信号去噪处理。

3.3 仿真模型性能分析

（1）均方根误差（Rmse）：衡量仿真值与样本值之间（点对点）偏差的平方和观测次数n比值的平方根误差，公式为：

式中：i为样本个体；n为样本总数；yi为仿真输出值；y样本输出量。

（2）相关系数（R2）：表示期望-仿真输出变量之间的紧密程度，计算公式如下：

（3）仿真结果相对误差＞2%所占的比例，相对误差计算公式：

3.4 测试结果与分析

测试的结果与分析用MATLAB7.0a软件进行仿真，具体步骤如下：

（1）小波降噪的影响：对有无小波包降噪效果进行测试。如表2所示；

表2 小波包降噪的影响

从上表2可以看出：GA-BP仿真模拟在是否运用小波降噪有一定的影响，小波降噪对仿真效果有较大的作用，但时间稍微变长。

（2）遗传算法各参数设定对仿真的影响：如表3表4所示。

表3 迭代次数的影响

表4 种群规模的影响

从上述两张表可以看出：在种群规模、迭代次数较小的情况下，这次收集的样本数据并没有能很好地体现其寻优的一般规律（数量越多，寻优范围大，个体优秀），说明BP网络容易陷入局部极小值，需进一步研究。

（3）不同算法仿真对比：如表5所示。

表5 不同算法模型的比对结果

说明：BP网络结构为10-16-1，采用Levenberg-Marquardt算法；

ELM网络结构为10-100-1，隐层神经元节点数100，激活函数sigmoid；

Elman网络结构为10-20-1，隐含层为tansig神经元，输出层为purelin神经元。

从以上比对分析，GA-BP网络在拟合、泛化的误差和相关系数比对上明显优于Elman和ELM；其效果与BP相当，但其泛化效果（相对误差、相关系数）比BP更好，训练时间更短，原因是由于BP权值和阈值是随机的，容易陷入局部极小值，其要达到GA-BP相近的精度，需要加大运算步数，耗时较长。

上述仿真数据说明，GA-BP网络液氨产量预测模型比BP、Elman、ELM等算法模型预测速度更快、泛化能力更好，预测精度更高。

（4）GA-BP最佳仿真模型曲线图，如图5、图6所示。

图5 GA-BP模型输出拟合曲线比对图

图6 GA-BP模型输出泛化曲线比对图

4 结束语

针对目前合成氨生产工艺的能源消耗大，液氨产量难以预估的矛盾，造成原料、能源难以平衡、调度的问题，利用实际生产中能源的实际计量数据对液氨产量构建预测模型，相比于Elman、BP、ELM等模型，其训练时间、精度、相关性等性能更好。该模型能够很好地运用预测结果对能源进行合理调度，满足后续生产的需求，在生产过程和节能减排中有较高的应用价值。

[1]高隽.人工神经网络原理及仿真实例[M].北京：机械出版社，2003.

[2]崔恩选.化学工艺学）[M].2版.北京：高等教育出版社，1997.

[3](加拿大)Simon Haykin著.神经网络原理[M].叶世伟，等译.北京：机械工业出版社，2004.

[4]史峰.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

[5]谢中华.MATLAB统计分析与应用[M].北京：北京航空航天大学出版社，2010.

[6]孙延奎.小波分析及其应用[M].北京：机械工业出版社，2005.

Forecast of Liquid ammonia production Based on Energy data for GA-BP Network

HUANG Yuan-hong
（Guangxi Luzhai Chemical Fertilizer Co.，Ltd.，Liuzhou Guangxi 545624，China）

The use of liquid ammonia production process energy consumption simulation，prediction of liquid ammonia production.Due to the complex，changeable，non-linear and other adverse factors of the actual production data，first use wavelet packet denoising，and then use genetic algorithm BP neural network simulation. The simulation results show that the GA-BP network is fit and the generalization ability is strong，for scheduling，energy production forecasting has high application value for ammonia production

ammonia production；energy metering；GA_BP；simulation

TP391.9

：A

：1672-545X（2017）01-0147-04

2016-10-07

黄远红（1969-），男，广西藤县人，在职研究生，工程师，主要从事化工、电力的自动化控制方面研究。