基于改进差分进化算法的步进式加热炉能耗预测方法

仝翠芝,张 惠,刘洪斌

(国网冀北电力有限公司智能配电网中心,河北 秦皇岛 066100)

1 引 言

对于国内的钢铁企业,降低步进式加热炉的能耗是主要工作,在钢坯热轧之前,步进式加热炉可以缓冲连铸-热轧环节[1],经调查发现,热轧机、步进式加热炉和连铸机之间的生产周期和生产能力均不相同,且在轧制过程中入炉温度、钢坯质量和钢坯规格等参数存在差异,如果不能预测步进式加热炉的能耗,无法制定合理的调度方案,进而降低生产效率[2],因此研究步进式加热炉能耗预测方法具有重要意义。

饶立群[3]等人用单个加热特征的集合体描述加热工件,并分析工件特征加热功率,根据分析结果建立能耗数学模型,通过GM(1,1)模型完成能耗预测,该方法采集的数据中存在较多噪声,存在去噪效果差的问题。谌东海[4]等人提出基于MI+PSO-LSTM的能耗预测模型,利用MI选取特征参数,结合长短时神经记忆网络中存在的超参数,通过粒子群优化算法完成训练优化,利用优化后的LSTM模型实现能耗预测,该方法预测的能耗与实际能耗变化之间存在一定差距,存在预测精度低的问题。

为了解决上述方法中存在的问题,提出基于改进差分进化算法的步进式加热炉能耗预测方法。

2 步进式加热炉历史能耗数据去噪

为了提高步进式加热炉能耗预测的精度[5],采用小波包原理对步进式加热炉的历史能耗数据展开去噪处理,具体过程如下:

根据抽样定理在步进式加热炉历史能耗数据中进行采样,获得信号X,利用小波基分解信号X,获得Xn1,Xn2,…,Xn,2n:

(1)

(2)

3 步进式加热炉能耗预测

3.1 能耗预测模型

完成加热炉历史能耗数据的去噪后,构建能耗预测模型。

采用时间卷积网络[8-9]建立步进式加热炉能耗预测模型的具体过程为:通过自相关系数确定时间卷积网络的滑窗尺度,将去噪后的步进式加热炉历史能耗数据输入时间卷积网络中,构建预测模型。

将空洞卷积引入时间卷积网络中,提高网络捕获步进式加热炉历史数据的长度,t时刻加热炉的能耗为

(3)

式中:g()为能耗预测函数;k为卷积核数量;d为空洞因子。

(4)

针对步进式加热炉能耗存在的稳定性较差、非线性较高的特点,在迁移学习过程中可以准确将能耗预测的加热区(源域)学习到的知识迁移到其他加热区(目标域)中。

采用生成对抗网络[11]对模型展开训练:

(1)建立生成模型H,用于采集步进式加热炉的能耗数据,该模型的主要作用是生成伪数据H(z);

(2)建立判别模型F,用于区分能耗样本属于生成模型H或是真实数据,判别模型F的主要目的是分类步进式加热炉的历史能耗数据。

利用值函数B(H,F)对生成模型H和判别模型F展开下述极小极大对策:

(5)

式中:Rz为能耗数据属于生成模型H生成的伪数据;Ra为能耗数据属于真实数据。

(6)

式中:B()为平均绝对误差函数。

通过上述计算,完成步进式加热炉能耗预测模型的构建。

3.2 基于改进差分进化算法的模型求解

完成步进式加热炉能耗预测模型的构建,采用改进差分进化算法对预测模型进行求解。

为了提高差分进化算法寻求全局最优解的能力,采用禁忌搜索算法[12-13]改进差分进化算法。为了提高算法的寻优效率,缩短计算时间,对于种群中表现较为良好的个体进行禁忌搜索计算,以提高预测模型的求解精度,对步进式加热炉的能耗进行精准的预测。具体的计算步骤如下:

(7)

式中:CRp为个体o在种群中的交叉概率。

(4)选择操作。比较新个体Op,E与原始个体Vp,E的适应度值F(Op,E)、F(Vp,E),通过下式完成个体的选择操作:

(8)

(5)禁忌搜索。根据适应度值的大小,对新个体从小到大排序,选择前10%的个体展开下述禁忌搜索:

①设置初始禁忌表为空,设定步进式加热炉能耗预测模型的初始解、候选解数量、差分进化算法的迭代次数以及禁忌表长度,加热炉能耗预测模型的历史最优解选取初始解;

②局部搜索当前的能耗预测模型解,获得候选解,并对其适应度值展开计算;

③判断上述获取的候选解是否具有较高的适应度值;

④判断能耗预测模型历史最优解与候选最优解的适应度值,如果候选最优解的适应度值大于历史最优解,进行下一步;如果候选最优解的适应度值小于历史最优解进入(6);

⑤不考虑最优候选解的禁忌状态,将其存入禁忌表中,并对禁忌表当前的状态展开更新,转到(7);

⑥在步进式加热炉能耗预测模型的候选解中挑选非禁忌的最优适应度值对应的解,并将其存储到禁忌表中,对表的状态展开更新;

⑦判断目前的迭代次数是否达到最大值,如果达到进入下一步,否则返回②中;

⑧输出步进式加热炉能耗预测模型的最优解。

4 实验与分析

为了验证基于改进差分进化算法的步进式加热炉能耗预测方法的整体有效性,需要对其展开测试,本次测试预测的步进式加热炉对象如图1所示。

图1 步进式加热炉

步进式加热炉相关参数如表1所示。

表1 步进式加热炉参数

明确步进式加热炉的参数后,为了对所提出预测方法的性能进行有效预测,设计如下实验方案:以加热炉历史能耗数据去噪效果、能耗预测精度、预测耗时为指标,将所提出方法文献[3]、文献[4]方法进行对比验证。

4.1 历史能耗数据去噪效果

根据上述选择的步进式加热炉为依据,采集其历史能耗数据中煤气流量数据与炉膛温度数据,分别采用三种方法对采集的能耗数据进行去噪。由于步进式加热炉需要保持稳定的加热过程,因此在一定时间内其煤气流量数据、炉膛温度数据同样需要保持稳定,不宜出现较大幅度的波动。三种方法的去噪效果如图2所示。

图2 不同方法的数据处理结果

由图2可知,采用所提方法处理后,步进式加热炉的煤气流量曲线和炉膛温度曲线都变得平滑,表明所提方法可有效消除数据中存在的噪声,文献[3]方法和文献[4]方法对数据处理后,数据曲线的波动仍然较大,表明以上两种方法无法消除数据中的噪声。这是因为所提出方法采用小波包原理对步进式加热炉的历史能耗数据展开了滤波处理,避免了噪声对能耗预测产生的影响,提高了数据精度。

4.2 能耗预测精度

采用所提方法、文献[3]方法和文献[4]方法对步进式加热炉的能耗展开预测,并将预测结果与实际能耗对比,结果如图3所示。

图3 能耗预测精度结果

根据图3可知,随着运行时间的增长,步进式加热炉的能耗不断增加,所提方法预测的能耗曲线与实际能耗变化情况相符,文献[3]方法和文献[4]方法预测的能耗曲线与步进式加热炉的能耗变化之间存在一定的差异。通过上述测试可知,所提方法可精准地完成步进式加热炉能耗的预测,因为所提方法建立了能耗预测模型,将预处理后的数据输入模型中,结合禁忌搜索算法和差分进化算法求解模型,提高了步进式加热炉能耗预测结果的精度。

4.3 能耗预测整体耗时

由于算法的计算效率对能耗预测的整体耗时影响较大,因此以能耗预测耗时为指标,将所提出方法与两种文献方法进行对比。三种方法的能耗预测耗时结果如表2所示。

表2 能耗预测耗时 min

观察表2所示的能耗预测耗时结果可以看出,随着实验次数的增加,三种方法的耗时结果出现了明显的差距,其中所提出方法的最高预测耗时不超过2 min,而文献[3]与文献[4]方法能耗预测耗时达到7 min以上。因此,说明所提出方法能够在较短的时间内完成能耗预测。

5 结 语

在钢铁工业发展过程中,节能降耗属于重点研究内容,目前步进式加热炉能耗预测方法存在数据处理效果差和预测精度低的问题,因此提出基于改进差分进化算法的步进式加热炉能耗预测方法,该方法首先对加热炉的历史能耗数据展开了去噪处理,其次建立能耗预测模型,最后通过改进差分进化算法求解模型,实现能耗预测,该方法可有效消除加热炉历史能耗数据中存在的噪声,且具有较高的预测精度与较短的预测耗时。