基于神经网络算法的钢铁企业电力能耗预测

酒钢集团碳钢薄板厂 吴 强 李发业 中电普瑞科技有限公司 罗 斌

1 引言

目前我国吨钢能耗水平高出国外先进国家，因此有必要建立钢铁企业电力能耗预测模型，预测电力能耗水平，为钢铁企业节能降耗提供科学依据。李培静[1]采用了神经网络的模型，并基于主成分分析的原理，降低了模型的复杂程度。施杰等人[2]建立的Boosting 模型准确性较高，用户能够依据该企业的生产情况对电能情况预测。崔贺[3]利用支持向量机以及BP 神经网络算法对能源进行预测，从而节约能源。宋安原等人[4]实现了对城市中各个用户的用电情况预测。杜捷[5]指出企业目前面临着发电量增加，综合能耗也随之增加的风险。目前缺乏钢铁企业电力系统的预测模型，因此本文针对钢铁企业实际电力消耗及钢铁生产流程，采用BP 神经网络建立钢铁企业电力能耗预测模型。

2 钢铁企业电力能耗预测的建立

2.1 基于神经网络算法的钢铁企业电力能耗预测模型

神经网络是机器学习中较为重要的方法，神经网络算法是基于生物神经网络的一种预测模型。主要通过神经元的权重进行建模，进行实际的预测，神经网络结果为输入层—隐含层—输出层。

设输入层输入值为x1，x2，…xn，神经网络的权值分别为wij和wjk，神经网络输出层中预测值为y1，y2，…yn。本文采用BP 神经网络进行预测，预测算法步骤如下。

一是输入层节点输为n，需要根据影响因素进行确定节点数，隐含层节点数为l，输出层节点输为k，输入层与隐含层神经元之间权值为wij，隐含层与输出层神经元之间权值为wjk，并将权值进行初始化，隐含层和输出层初始化的阈值分别为a和b。

二是通过输入层x，连接权值wij及隐含层阈值f，输出层的值：

激活函数选取sigmoid 函数：

三是通过H、wjk和b值进行计算BP 神经网络的预测值：

四是通过BP 神经网络得出预测输出值O及期望输出值y，最终得出预测误差：

五是通过得出的误差，进行更新权值和阈值：

其中η为学习速率。

六是通过误差更新BP 神经网络的阈值a和b。

七是最终得出最优的预测结果。

2.2 钢铁企业电力能耗分析

本文以某钢铁企业为研究对象，其主要流程为对铁矿或者焦煤进行处理，处理后进行炼铁，然后炼钢、铸钢最后轧钢。钢铁炼制具体流程如下。

一是烧结工序：烧结工序是为钢铁生产准备原料的重要环节，主要是对铁矿石进行预处理的过程。

二是焦化工序：焦化的工序所需要的步骤是将一些原料煤按特定的比例进行配制，并配合煤经干燥、熔炼、裂解、缩聚、半焦收缩等工艺，最后形成焦炭的过程。

三是炼铁工序：炼铁的工序的目的是将把铁矿石还原成生铁。

四是炼钢工序：炼钢工序是铁水通过氧化反应进而产生合金化。

五是轧钢工序：采用热轧和冷轧的工艺得到最终的钢铁产品。

钢铁生产流程中存在大量电力消耗，通过整理该钢铁企业生产日报，确定电能消耗主要影响因素为钢生产量、砂矿量、溶剂量、煤炭量、焦粉量、水等。有必要对上述影响因素进行相关性分析，将相关性较高的参数作为预测模型的输入参数。本文采用皮尔逊相关性分析：

通过对钢铁企业耗电量与钢生产量、砂矿量、溶剂量、煤炭量、焦粉量、水进行相关性分析。结果表明，耗电量与钢生产量相关程度为极强相关，相关系数为0.9065，与砂矿量、煤炭量、焦粉量、水相关程度为中等强度相关，相关系数分别为0.5173、0.4887、0.4697、0.508，与溶剂量相关程度为弱相关，相关系数为0.3729。因此选取钢生产量（t）、砂矿量（t）、煤炭量（t）、焦粉量（t）和水（m3）作为预测模型的输入层。

2.3 钢铁企业电力能耗预测

选取某钢铁企业100d 的生产电力日报为研究数据，以钢生产量、砂矿量、煤炭量、焦粉量和水为输入层，耗电量（kWh）为输出层，运用MATLAB 软件建立基于BP 神经网络的钢铁企业电力能耗预测模型。基于BP 神经网络的钢铁企业电力能耗预测模型参数设置如下。

一是对训练集和测试集进行分类，本论文所用的模型采用70%的数据集进行训练，30%的数据进行测试。二是对输入层节点进行设计，设置为5，输出层节点数设置为1，隐含层节点数估算为5～8，以拟合度最高的隐含层值作为最后所需的结果。三是神经网络的建立，使用purelin 函数作为具体的传递函数，并且运用梯度下降法对模型进行一定的训练。四是对网络的参数进行设置，训练的次数为10000，学习速率为0.01，训练目标最小误差为0.00001。

采用上述模型分别对隐含层节点数为5～8时的钢铁企业耗电量进行预测，对各预测结果曲线拟合度分析。通过模拟，当隐含层节点数为6时，耗电量曲线拟合度最高，曲线重合性最好，预测精度最高，因此，选取隐含层节点数为6，此时耗电量真实值与预测值结果见表1。

表1 耗电量预测结果

为了直观地对预测结果进行分析，预测结果如图1所示。由图1明显看出，整体来看具有较高的预测效果以及预测的精度，个别的组数存在小范围的波动，在第17组、24组和27组数据组数时偏差较大，其余部分预测几乎与实际数据重合，拟合度为0.9760，预测结果为钢铁企业电力成本提供一定的理论依据。

图1 基于BP 神经网络的钢铁企业电力能耗预测模型

电力能耗预测模型验证情况如下，设置为Gradient 梯度下降法的函数，不存在过学习现象，训练结果良好，具有较好的效果，因此在33代停止训练，达到理想解。对训练收敛情况进行分析，BP 训练过程的收敛程度及MSE 指标在每一代中的表现良好，其在第33代时完成收敛，此时BP 训练结果最为理想。本文所建立的模型对于实际的钢铁企业电力预测起到关键性的作用。

3 结语

本文主选取某钢铁企业的历史数据，对于钢铁企业电力能耗进行预测，主要包括以下几方面结论。

一是确定电力能耗影响因素，耗电量与钢生产量相关程度为极强相关，相关系数为0.9065，与砂矿量、煤炭量、焦粉量、水相关程度为中等强度相关，相关系数分别为0.5173、0.4887、0.4697、0.508，与溶剂量相关程度为弱相关，相关系数为0.3729。选取钢生产量、砂矿量、煤炭量、焦粉量和水作为主要影响因素。

二是以钢铁企业钢生产量、砂矿量、煤炭量、焦粉量和水为输入层，耗电量为输出层，建立了基于 BP 神经网络的电力能耗预测模型。对隐含层节点数为5～8时的钢铁企业耗电量进行预测，各预测结果曲线拟合度分别为0.9756、0.9760、0.9755和0.9758，隐含层节点数为6时，预测精度最高。

三是根据预测结果与实际结果对比进行分析，本论文所建立的模型具有较高的精度，个别组数有细微偏差，从误差情况可以看出，BP 神经网络方法在精度方面具有明显的优势。

四是本文通过对某钢铁企业能源管理系统历史数据进行分析，建立了基于 BP 神经网络的电力能耗预测模型，通过实际应用表明该方法能够提高预测精度，具有一定的指导作用以及实用价值。