熊 偉，張建喜，張守印，張宏健*

（1.華北理工大學(xué)電氣工程學(xué)院，唐山 063210；2.華北理工大學(xué)礦業(yè)工程學(xué)院，唐山 063210）

0 引言

鋼鐵生產(chǎn)過(guò)程中，煤氣過(guò)剩會(huì)造成能源浪費(fèi)、增加排放、污染環(huán)境，煤氣短缺會(huì)使生產(chǎn)效率低下。當(dāng)前，鋼鐵企業(yè)普遍存在冷軋煤氣消耗預(yù)測(cè)精度偏低的問(wèn)題，影響煤氣調(diào)度，建立精準(zhǔn)的冷軋煤氣消耗預(yù)測(cè)模型，對(duì)煤氣的合理調(diào)度具有重要的現(xiàn)實(shí)意義。

互聯(lián)網(wǎng)時(shí)代，人工智能迅速崛起，各類(lèi)方法被廣泛用于鋼鐵企業(yè)煤氣預(yù)測(cè)。包向軍等［1］結(jié)合長(zhǎng)短記憶模型和季節(jié)性差分自回歸模型兩者優(yōu)勢(shì)，建立梯度驅(qū)動(dòng)時(shí)序預(yù)測(cè)復(fù)合模型，預(yù)測(cè)了高爐正常工況和變工況條件下的煤氣發(fā)生量。江德文等［2］建立了基于支持向量回歸的高爐煤氣利用率預(yù)測(cè)模型，結(jié)合實(shí)際數(shù)據(jù)，將向量回歸模型與多層感知器模型進(jìn)行對(duì)比，實(shí)現(xiàn)了對(duì)高爐煤氣利用率的準(zhǔn)確預(yù)測(cè)。劉書(shū)含等［3］提出了基于BP 神經(jīng)網(wǎng)絡(luò)的熱風(fēng)爐群煤氣消耗量預(yù)測(cè)模型，提高了預(yù)測(cè)精度。目前對(duì)冷軋煤氣消耗預(yù)測(cè)研究較少，預(yù)測(cè)精度不理想。

小波閾值作為常見(jiàn)的數(shù)據(jù)預(yù)處理方法，BPNN作為常用的人工神經(jīng)網(wǎng)絡(luò)，在各領(lǐng)域的預(yù)測(cè)模型研究中被廣泛應(yīng)用。馬瑩瑩等［4］提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波分析的短時(shí)交通流預(yù)測(cè)方法，利用小波分析對(duì)含噪信號(hào)進(jìn)行去噪處理，構(gòu)建模型，克服了現(xiàn)有短時(shí)交通流隨機(jī)性、非線性特征。Zhang 等［5］提出利用經(jīng)驗(yàn)?zāi)B(tài)分解和小波閾值降噪去除混凝土壩變形監(jiān)測(cè)信息中的高頻成分，結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)建立模型，提高了大壩變形預(yù)測(cè)的精度。周中等［6］為實(shí)現(xiàn)對(duì)泡沫輕質(zhì)土抗壓強(qiáng)度的智能控制和優(yōu)化，提出了遺傳算法和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)泡沫輕質(zhì)土抗壓強(qiáng)度的靈活調(diào)整。綜上所述，可將小波閾值和BPNN相結(jié)合構(gòu)建模型，用于冷軋煤氣消耗的預(yù)測(cè)，進(jìn)而達(dá)到提高預(yù)測(cè)精度的目的，為鋼鐵企業(yè)煤氣合理調(diào)度、減少排放及提高能源利用率提供有力支撐。

1 方法原理

1.1 小波閾值去噪

小波原理實(shí)質(zhì)為濾除數(shù)據(jù)中的噪聲，通過(guò)分解、閾值處理和重構(gòu)過(guò)程得到含有真實(shí)信息的近似分量。小波預(yù)處理過(guò)程主要包括三部分內(nèi)容：首先是分解，依據(jù)原始數(shù)據(jù)選擇合適的小波函數(shù)，確定分解層數(shù)N，得到N層小波數(shù)據(jù)。然后是閾值選取，常見(jiàn)的閾值選取方法有強(qiáng)制降噪法、默認(rèn)閾值降噪法和指定軟閾值降噪法等，每種方法各有特點(diǎn)，需通過(guò)數(shù)據(jù)的特征選取合適的閾值函數(shù)。接下來(lái)是去噪，去噪的過(guò)程中，選取合適的閾值對(duì)N層數(shù)據(jù)中的每一層進(jìn)行量化處理，篩選出真實(shí)值中的噪聲，得到各層中的真實(shí)數(shù)據(jù)。最后是重構(gòu)，將閾值處理得到的第1 層到第N層數(shù)據(jù)進(jìn)行小波重構(gòu)，最終得到去噪后的真實(shí)數(shù)據(jù)。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是預(yù)測(cè)問(wèn)題中較為常見(jiàn)的方法，包括輸入層、隱含層和輸出層三層結(jié)構(gòu)。輸入層接收數(shù)據(jù)，輸出層輸出數(shù)據(jù)，上一層神經(jīng)元連接到下一層神經(jīng)元，搜集到的信息經(jīng)激活函數(shù)激活后被傳遞給下一層。BP 神經(jīng)網(wǎng)絡(luò)具有正向傳播和誤差反向傳播兩個(gè)學(xué)習(xí)過(guò)程，各神經(jīng)元參數(shù)逐層檢驗(yàn)與更正，經(jīng)隱含層傳遞修正權(quán)值，能準(zhǔn)確反映輸入和輸出間的映射關(guān)系，逐層迭代減小輸出值與理論值間的誤差。

2 模型介紹及實(shí)驗(yàn)分析

2.1 模型介紹

通過(guò)小波閾值與BPNN相結(jié)合的方法，建立小波閾值和BPNN冷軋煤氣消耗預(yù)測(cè)模型，提高冷軋煤氣的預(yù)測(cè)精度，模型如圖1所示。鋼鐵企業(yè)采集的冷軋煤氣消耗數(shù)據(jù)含有大量噪聲，將原始數(shù)據(jù)經(jīng)小波去噪處理后，再進(jìn)行小波重構(gòu)，得到的數(shù)據(jù)用BPNN進(jìn)行預(yù)測(cè)，最終得到冷軋煤氣預(yù)測(cè)數(shù)據(jù)。圖1 中ca1、ca2、ca3、···、caN為包含有效信息的近似分量，cd1、cd2、cd3、···、cdN為包含噪聲的細(xì)節(jié)分量。

圖1 基于小波閾值和BPNN的冷軋煤氣消耗預(yù)測(cè)模型

2.2 實(shí)驗(yàn)數(shù)據(jù)和評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)選取某鋼鐵企業(yè)三個(gè)月的冷軋煤氣消耗數(shù)據(jù)。80%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用于測(cè)試。在影響冷軋煤氣消耗的多種因素中，選取8 種主要影響因素作為BPNN 的輸入，包括微量元素錳、酸洗工藝速度、加熱爐溫度1、加熱爐溫度2、退火爐溫度1、退火爐溫度2、實(shí)際材料寬度及厚度。建立小波閾值和BPNN 模型，預(yù)測(cè)冷軋煤氣消耗數(shù)值，模型參數(shù)采用梯度算法優(yōu)化，確定誤差最小值，使模型參數(shù)逼近最佳狀態(tài)。選取平均絕對(duì)誤差（MAE）、均方誤差（MSE）和決定系數(shù)（R2）為模型評(píng)價(jià)指標(biāo)。MAE的值越小，MSE的值越小，R2的值越接近1，模型性能越好。

2.3 實(shí)驗(yàn)結(jié)果評(píng)價(jià)

為檢驗(yàn)小波閾值和BPNN模型的有效性，選擇BPNN 模型作為比較對(duì)象，實(shí)驗(yàn)結(jié)果如圖2 所示。相比于BPNN 模型，小波閾值和BPNN 模型的預(yù)測(cè)曲線更為貼近真實(shí)曲線。BPNN 有收斂速度慢和在收斂過(guò)程中容易陷入局部最優(yōu)的劣勢(shì)，容易過(guò)度擬合，預(yù)測(cè)精度較低，導(dǎo)致預(yù)測(cè)值與實(shí)際數(shù)值相差較遠(yuǎn)。而經(jīng)小波閾值去噪后的數(shù)據(jù)更接近于真實(shí)數(shù)據(jù)，可以很大程度上緩解BPNN 的劣勢(shì)，提高預(yù)測(cè)精度，預(yù)測(cè)結(jié)果相比于BPNN明顯改善。

圖2 各模型的預(yù)測(cè)結(jié)果

各模型的評(píng)價(jià)指標(biāo)如表1 所示，與BPNN 模型相比，小波閾值和BPNN 模型的MAE和MSE更小，R2也更接近于1，對(duì)冷軋煤氣消耗量的預(yù)測(cè)精度顯著優(yōu)于BPNN模型。其原因是小波閾值對(duì)原始數(shù)據(jù)進(jìn)行了分解，去除了含噪分量，得到了有效分量，小波閾值和BPNN模型與真實(shí)數(shù)據(jù)有更好的擬合度，各項(xiàng)評(píng)價(jià)指標(biāo)明顯優(yōu)于BPNN模型。

表1 各模型評(píng)價(jià)指標(biāo)對(duì)比

3 結(jié)語(yǔ)

為提高鋼鐵企業(yè)冷軋煤氣消耗的預(yù)測(cè)精度，提出了一種小波閾值和BPNN 相結(jié)合的預(yù)測(cè)模型。利用小波閾值對(duì)煤氣消耗數(shù)據(jù)進(jìn)行預(yù)處理，得到真實(shí)數(shù)據(jù)，結(jié)合BP 神經(jīng)網(wǎng)絡(luò)，建立小波閾值和BPNN冷軋煤氣消耗預(yù)測(cè)模型，確定最終預(yù)測(cè)結(jié)果。依據(jù)實(shí)驗(yàn)結(jié)果得出以下結(jié)論：

（1）小波閾值對(duì)原始冷軋煤氣消耗數(shù)據(jù)進(jìn)行分解，將噪聲和真實(shí)值區(qū)分開(kāi)，可以有效得到去噪后的真實(shí)數(shù)據(jù)；

（2）小波閾值和BPNN 模型結(jié)合了兩種方法的優(yōu)勢(shì)，與BPNN 模型相比，MAE減少了0.29，MSE減少了0.4，R2提高了0.1，有效提高了冷軋煤氣消耗預(yù)測(cè)精度，為鋼鐵企業(yè)煤氣合理調(diào)度、減少排放及提高能源利用率提供了有力支撐。