基于小波阈值和BPNN的冷轧煤气消耗预测

熊 伟，张建喜，张守印，张宏健*

（1.华北理工大学电气工程学院，唐山 063210；2.华北理工大学矿业工程学院，唐山 063210）

0 引言

钢铁生产过程中，煤气过剩会造成能源浪费、增加排放、污染环境，煤气短缺会使生产效率低下。当前，钢铁企业普遍存在冷轧煤气消耗预测精度偏低的问题，影响煤气调度，建立精准的冷轧煤气消耗预测模型，对煤气的合理调度具有重要的现实意义。

互联网时代，人工智能迅速崛起，各类方法被广泛用于钢铁企业煤气预测。包向军等［1］结合长短记忆模型和季节性差分自回归模型两者优势，建立梯度驱动时序预测复合模型，预测了高炉正常工况和变工况条件下的煤气发生量。江德文等［2］建立了基于支持向量回归的高炉煤气利用率预测模型，结合实际数据，将向量回归模型与多层感知器模型进行对比，实现了对高炉煤气利用率的准确预测。刘书含等［3］提出了基于BP 神经网络的热风炉群煤气消耗量预测模型，提高了预测精度。目前对冷轧煤气消耗预测研究较少，预测精度不理想。

小波阈值作为常见的数据预处理方法，BPNN作为常用的人工神经网络，在各领域的预测模型研究中被广泛应用。马莹莹等［4］提出了一种基于集合经验模态分解和小波分析的短时交通流预测方法，利用小波分析对含噪信号进行去噪处理，构建模型，克服了现有短时交通流随机性、非线性特征。Zhang 等［5］提出利用经验模态分解和小波阈值降噪去除混凝土坝变形监测信息中的高频成分，结合长短期记忆网络建立模型，提高了大坝变形预测的精度。周中等［6］为实现对泡沫轻质土抗压强度的智能控制和优化，提出了遗传算法和BP 神经网络相结合的预测模型，实现了对泡沫轻质土抗压强度的灵活调整。综上所述，可将小波阈值和BPNN相结合构建模型，用于冷轧煤气消耗的预测，进而达到提高预测精度的目的，为钢铁企业煤气合理调度、减少排放及提高能源利用率提供有力支撑。

1 方法原理

1.1 小波阈值去噪

小波原理实质为滤除数据中的噪声，通过分解、阈值处理和重构过程得到含有真实信息的近似分量。小波预处理过程主要包括三部分内容：首先是分解，依据原始数据选择合适的小波函数，确定分解层数N，得到N层小波数据。然后是阈值选取，常见的阈值选取方法有强制降噪法、默认阈值降噪法和指定软阈值降噪法等，每种方法各有特点，需通过数据的特征选取合适的阈值函数。接下来是去噪，去噪的过程中，选取合适的阈值对N层数据中的每一层进行量化处理，筛选出真实值中的噪声，得到各层中的真实数据。最后是重构，将阈值处理得到的第1 层到第N层数据进行小波重构，最终得到去噪后的真实数据。

1.2 BP神经网络

BP 神经网络是预测问题中较为常见的方法，包括输入层、隐含层和输出层三层结构。输入层接收数据，输出层输出数据，上一层神经元连接到下一层神经元，搜集到的信息经激活函数激活后被传递给下一层。BP 神经网络具有正向传播和误差反向传播两个学习过程，各神经元参数逐层检验与更正，经隐含层传递修正权值，能准确反映输入和输出间的映射关系，逐层迭代减小输出值与理论值间的误差。

2 模型介绍及实验分析

2.1 模型介绍

通过小波阈值与BPNN相结合的方法，建立小波阈值和BPNN冷轧煤气消耗预测模型，提高冷轧煤气的预测精度，模型如图1所示。钢铁企业采集的冷轧煤气消耗数据含有大量噪声，将原始数据经小波去噪处理后，再进行小波重构，得到的数据用BPNN进行预测，最终得到冷轧煤气预测数据。图1 中ca1、ca2、ca3、···、caN为包含有效信息的近似分量，cd1、cd2、cd3、···、cdN为包含噪声的细节分量。

图1 基于小波阈值和BPNN的冷轧煤气消耗预测模型

2.2 实验数据和评价指标

实验选取某钢铁企业三个月的冷轧煤气消耗数据。80%的数据用于训练，20%的数据用于测试。在影响冷轧煤气消耗的多种因素中，选取8 种主要影响因素作为BPNN 的输入，包括微量元素锰、酸洗工艺速度、加热炉温度1、加热炉温度2、退火炉温度1、退火炉温度2、实际材料宽度及厚度。建立小波阈值和BPNN 模型，预测冷轧煤气消耗数值，模型参数采用梯度算法优化，确定误差最小值，使模型参数逼近最佳状态。选取平均绝对误差（MAE）、均方误差（MSE）和决定系数（R2）为模型评价指标。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 实验结果评价

为检验小波阈值和BPNN模型的有效性，选择BPNN 模型作为比较对象，实验结果如图2 所示。相比于BPNN 模型，小波阈值和BPNN 模型的预测曲线更为贴近真实曲线。BPNN 有收敛速度慢和在收敛过程中容易陷入局部最优的劣势，容易过度拟合，预测精度较低，导致预测值与实际数值相差较远。而经小波阈值去噪后的数据更接近于真实数据，可以很大程度上缓解BPNN 的劣势，提高预测精度，预测结果相比于BPNN明显改善。

图2 各模型的预测结果

各模型的评价指标如表1 所示，与BPNN 模型相比，小波阈值和BPNN 模型的MAE和MSE更小，R2也更接近于1，对冷轧煤气消耗量的预测精度显著优于BPNN模型。其原因是小波阈值对原始数据进行了分解，去除了含噪分量，得到了有效分量，小波阈值和BPNN模型与真实数据有更好的拟合度，各项评价指标明显优于BPNN模型。

表1 各模型评价指标对比

3 结语

为提高钢铁企业冷轧煤气消耗的预测精度，提出了一种小波阈值和BPNN 相结合的预测模型。利用小波阈值对煤气消耗数据进行预处理，得到真实数据，结合BP 神经网络，建立小波阈值和BPNN冷轧煤气消耗预测模型，确定最终预测结果。依据实验结果得出以下结论：

（1）小波阈值对原始冷轧煤气消耗数据进行分解，将噪声和真实值区分开，可以有效得到去噪后的真实数据；

（2）小波阈值和BPNN 模型结合了两种方法的优势，与BPNN 模型相比，MAE减少了0.29，MSE减少了0.4，R2提高了0.1，有效提高了冷轧煤气消耗预测精度，为钢铁企业煤气合理调度、减少排放及提高能源利用率提供了有力支撑。