小麦加工厂电耗影响因素研究及模型的建立

谷玉娟 林江涛 李燈辉

河南工业大学 郑州 450001

随着小麦制粉工艺的不断完善和粮食机械技术水平的提高，面粉厂用电设备越来越多，电耗也越来越高。电耗高低对面粉加工企业的经济效益影响非常显著，在制粉过程中电费占面粉生产总成本的6%左右，占制造费用30%左右，因此，电耗指标已成为衡量面粉加工企业管理水平和技术水平的一项重要标志。

为更好地在工厂设计环节和政策制定方面开展节能降耗工作，需对电耗的影响因素和面粉厂的电耗组成进行分析研究。本文通过调研国内典型的面粉生产线的硬件情况和加工变量，分析各因素对电耗的影响并建立电耗模型，以期对面粉厂节能降耗工作起到一定的积极作用。

1 研究内容和方法

1.1 研究内容

以国内27条面粉生产线为研究对象，通过对其单位产量、设备配置、产品种类和出率，以及各阶段电耗情况进行调研，主要从生产线规模、产能利用率、磨粉机配置、高压风机配置、清粉机风网配置、主要产品出率等方面，分析各因素对电耗的影响，并建立电耗预测模型。

1.2 研究方法

在统计和分析方面，采用距离分析配合聚类分析法剔除离群点[1]、采用相关系数矩阵作为变量相关程度的参考，采用一元或多元回归分析法建立模型[2]，分别从单一纬度和组合纬度演绎推理电耗模型，并验证和分析误差。

2 制粉企业的电耗指标体系分析

2.1 制粉企业的电耗分布

根据面粉企业的总体布局，面粉加工企业的电力消耗可以分为面粉加工工艺过程中的动力消耗、办公及车间照明用电消耗、各种用电损耗三部分[3]。电耗指标在面粉厂一般都以吨粉电耗或吨麦电耗计，面粉厂耗电在面粉加工工艺流程中可分为清理耗电、制粉耗电和配粉耗电。只有对小麦加工过程中所消耗的电能进行系统分析，才能更好地对各系统的耗电提出相应的节能措施，实施时做到切合实际，各个到位、疏而不漏，很好地降低面粉企业的电能消耗，有利于面粉加工业的长期发展[4]。

通过调研发现，制粉耗电是总工艺耗电的最重要组成部分，其耗电情况反映了制粉工艺的合理性。由于制粉工段在整个面粉生产工艺中起到主导作用，其正常与否直接影响最终产品质量和生产成本。要降低生产电耗就要清楚了解制粉工段的电耗分布情况，只有清楚知道制粉工段的电耗情况，才可以从根本上解决面粉企业电费成本较高的问题。因此组成制粉工段的各个用电设备成为研究制粉工段电耗的重点，正确合理配置制粉工段的用电设备和使用是降低制粉工段电耗的必要措施。

2.2 主要设备与电耗分析

对27条生产线中各主要设备电耗进行调研，分析对比重点设备对电耗的影响，根据设备和动力配比，研究分析小麦制粉电耗情况。其中设备配置的单位为kW/百吨，高方筛仓数的单位为仓数/百吨，即每百吨额定生产规模下的设备配置。

通过聚类分析得到磨粉机配置的树状图（图1），发现，第一类为最后三组数据，即陕西今麦郎的两条线和漯河雪健面粉，其余为另一类。因此第一类的三条线均是要舍弃的对象。

图1 磨粉机配置树状图

参考图2，通过线性回归分析发现，只有磨粉机配置和电耗呈现一定的正比关系，而高方筛的仓数、高压风机配置及清粉机风网配置与电耗之间均没有明显的线性关系，说明磨粉机配置是影响电耗的主要因素，在一定范围内，磨粉机配置越高，吨麦电耗越大。由于磨粉机在制粉工段中的电耗比例较高，是制粉工段电耗的重要组成部分，成为降低小麦加工过程电耗的重点中的重点，要真正做到降低电耗就必须合理配置好磨粉机的功率分配情况。将磨粉机的实际运行功率与所匹配铭牌的额定功率相比较，可以很好地检测到磨粉机的实际运行状况，更好地选择适应实际生产需要的磨粉机。

图2 吨麦电耗与设备配置的线性回归图

综上所述，通过分析各主要设备与电耗关系，可以为制粉主要设备选型提供依据和参考信息。

2.3 产品组成与电耗分析

通过回归分析可知，在不考虑其它因素的情况下，F1出率、F3出率与电耗呈现一定的正比关系，F2出率与电耗呈现一定的反比关系，参见图3。在数理上认为在一定范围内，F1出率、F3出率越高，F2出率越低，吨麦电耗就越大，可以认为F1出率、F2出率、F3出率都是影响电耗的主要因素。

图3 吨麦电耗与产品出率的线性回归图

联系到小麦的出粉情况，F1、F2作为企业的主要产品，灰分较低，均来自于相对靠里层的小麦胚乳，而小麦胚乳是有限的，F2出得多时很可能意味着F1少。而且，F1、F2出率与电耗的线性回归方程，R2大小相近，说明F1、F2和电耗的相关程度差不多，由此可以假设F2增加导致电耗减小的真正原因是此时F1出率较少，而F1出率越低，吨麦电耗就越低。

为验证该假设，做F1、F2出率折线图（图4）。该图直观地反应F1与F2出率的关系，即F1出的多时，有很大把握认为F2出的少，有效验证了上边的假设。同时，由该假设得出一个结论：F1出率的影响力远大于F2。

图4 F1、F2出率折线图

2.4 产能利用率与电耗分析

各生产线产能利用率与吨麦电耗如表5所示。

图5 吨麦电耗与产品利用率的线性回归图

在不考虑其它因素的情况下，产能利用率与电耗呈现较为明显的反比关系，R2为0.4266，在一定范围内，产能利用越充分，吨麦电耗就越小，可以认为产能利用率是影响电耗的主要因素之一。

3 主要因素的组合对电耗的影响及模型分析

从单一维度入手的探讨中，已经得出吨麦电耗主要与产能利用率、磨粉机配置和主要产品出率有关。由于磨粉机配置和产能利用率均与加工过程有关，在过程中决定电耗；主要产品出率是与加工结果有关，由结果反映电耗。因此需要分析磨粉机配置与产能利用率的组合对电耗的影响及主要产品出率的组合对电耗的影响，并得出两个电耗预测模型，最后结合这些所有主要因素的特性进行最终的模型分析。

3.1 磨粉机配置和产能利用率的组合对电耗的影响

磨粉机配置和产能利用率的组合对吨麦电耗影响进行回归分析，其结果如表1～表3所示。

表1 y1模型系数分析表

即该二元线性回归方程为：

y1=0.051083x1-19.286x2+61.275。

其中：y1为该条件下二元线性回归预测的吨麦电耗值，简称y1预测值，单位：度/吨；

x1为磨粉机配置，单位：kW/百吨；

x2为产能利用率。

表2 y1模型拟合度分析表

拟合度R=0.861，说明86.1%的预测可以用该模型。

表3 y1模型显著性分析表

Sig=0.001＜0.005，说明该模型非常显著。

组合磨粉机配置和产能利用率两个因素后，它们与电耗有明显的拟合关系，即y1=0.051083x1-19.286x2+61.275，无论从拟合度来考量，还是从残差平方和来考量，都比单因素的磨粉机配置与产能利用率分别对电耗的影响关系显著。该模型在一定程度上可作为最终电耗的预测模型。

3.2 主要产品出率的组合对电耗的影响

因为F1、F2、F3的出率受到小麦自身属性的限制，即它们不是独立的，所以它们不能独立地作为回归分析变量使用，应当在回归分析之前给与它们一定的系数加以限制。

为此，引入一个变量 FX=a·F1+b·F2+c·F3，对FX与电耗进行回归分析，以求得一个误差可以接受的回归方程，将FX称为主要产品出率的组合系数。

先假定 a=0.7，b=0.2，c=0.1，如果回归分析的拟合度、显著性较差或误差较大，则应该更换系数再试，以确定出最优的结果，这里暂时使用该假定进行分析比较。

主要产品出率组合后对吨麦电耗进行回归分析，其结果如表4～表6所示。

表4 y2模型系数分析表

即该一元线性回归方程为：

y2=178.494FX-11.681。

其中：y2为该条件下一元线性回归预测的吨麦电耗值，简称y2预测值，单位：度/吨；

FX为主要产品出率的组合系数。

表5 y2模型拟合度分析表

拟合度R=0.790，说明79.0%的预测可以用该模型。

表6 y2模型显著性分析表

Sig=0.001＜0.005，说明该模型非常显著。

对相对误差做雷达图，可清楚地看到，除修武吉象和漯河石墨坊面粉的相对误差较大外，其余都在0.1以内。在该假定系数下，拟合分析的拟合度、显著性水平均较好，误差可以接受。组合主要产品出率的三个因素后，它们与电耗有明显的拟合关系，即 y2=178.494FX-11.681。FX=a·F1+b·F2+c·F3，其中 a，b，c分别为 0.7、0.2、0.1。该模型在一定程度上可作为最终电耗的预测模型，参见图6。

图6 y2模型相对误差雷达图

3.3 所有主要因素组合对电耗的影响

以磨粉机配置、产能利用率和FX为变量，对吨麦电耗进行预测，采用SPSS回归分析，其结果如表7～表9所示。

表7 y3模型系数分析表

即该三元线性回归方程为：

y3=0.054x1-18.394x2+94.727FX+25.688。

其中：x1为磨粉机配置，单位：kW/百吨；

x2为产能利用率；

FX为主要产品出率的组合系数，满足FX=a·F1+b·F2+c·F3，a=0.7，b=0.2，c=0.1，无单位。

表8 y3模型拟合度分析表

拟合度R=0.938，说明93.8%的预测可以用该模型。

表9 y3模型显著性分析表

Sig=0.004＜0.005，说明该模型非常显著。

值得一提的是，该模型残差平方和仅为20.549，若使用y1预测，相应的残差平方和是37.029，因此，y3预测的整体误差明显小于y1预测和y2预测。

3.4 模型选用原则

y1预测和y2预测是有一定互补关系且针对不同分组的模型，当所要预测的生产线加工较多硬麦时，应选择y2预测；当生产较多F1粉时，应选择y1预测；当磨粉机配置低于100kW/百吨，且吨麦电耗较高时，应慎重选择y1预测；当FX低于0.33时，根据y2预测得到的吨麦电耗将低于47.22，只有极少数的生产线的吨麦电耗在47以下，这种情况应慎重选择y2预测。

当所要预测的生产线数据既可以选择y1预测，也可以选择y2预测时，应当如何选择呢？y1预测的回归方程的R2为0.742，大于y2预测的0.623，同时，y1预测的残差平方和为63.371，明显小于y2预测的220.556。因此，从整体上看，对于这类公共数据，选择y1预测较好，也可优先选择y3预测。

4 讨论

本文的数据分析是建立在调查的基础上，调查表的表项设置不是十全十美，模型成长的同时，也会暴露出固有的缺陷，一些误差或许是调查表中没有包含的表项引起的，如输送机械配置、清理工段的重要设备等，随着研究程度的加深，调查可以更全面地开展。由于本文中的模型是建立在主要影响因素上的，而非主要因素的补充作用并未采用，如高方筛仓数；随着调查的深入和细化，数据越来越多，对于非主要因素的影响规律也可以进行探讨；本文人为引入了主要产品出率的组合系数FX，或许可以借助模糊性回归分析来得出更好的y2模型。

[1]邓玉洁.基于聚类的离群点分析方法研究[D].重庆大学，2012

[2]郭天云.用二元回归分析法预测我局吨煤电耗增长规律[J].江苏煤炭，1991（2）：53-54

[3]邓遵义，王秀霞.面粉厂电耗构成分析及节能措施[J].粮食加工，2007（7）：68-69

[4]王罗云.小麦制粉过程的电耗分析与节能探讨[D].河南工业大学，2012