电熔镁砂生产用电需量多步智能预报方法

张菁雯 柴天佑 李 慷

电熔镁砂是一种生产航天、航空和工业所需耐火材料的原料.电熔镁砂生产过程采用多台电熔镁炉,熔炼菱镁矿石,生产电熔镁砂.电熔镁炉是一种重大耗能设备,耗电成本占总生产成本的60%以上[1-2].需量是电熔镁砂生产过程的耗电指标,供电部门规定需量为当前时刻和过去29 个采样时刻的电熔镁砂生产用电功率的均值,其采样周期为7 秒[3].电熔镁砂生产企业采用需量监控系统监控需量值,当需量达到其限幅值(22300 kW)时会切断其中一台电熔镁炉的供电,使需量不超过限幅值,然而切断供电会破坏炉内温度场吸热和放热平衡,降低产品质量[4].

在电熔镁砂生产过程中,当原料杂质成分含量增大和颗粒大小变化等造成阻抗减小,导致熔化电流增大、功率增大,进而需量上升.由于熔化电流设定值不变,因此熔化电流控制系统使熔化电流下降,需量下降,出现需量先升后降的尖峰现象.当需量尖峰值达到其限幅值会造成拉闸断电,为了避免需量尖峰造成的不必要的断电,需要对需量尖峰进行识别,因此需要对需量进行多步预报.

需量多步预报的研究集中在城市用电领域.文献[5]利用采样周期为1 小时的用电需量数据,提出一种自回归模型与三次样条曲线相结合的混合负荷多步预报方法,预报大西洋城未来一天每小时的用电需量.文献[6]利用采样周期为0.5 小时的用电需量数据,提出基于信号滤波和季节调整的多输出前馈神经网络与经验模态分解相结合的多步预报模型,预报澳大利亚新南威尔士州未来一天每半小时的用电需量.文献[7]利用采样周期为1 分钟的需量数据,提出基于非线性自回归神经网络的多步预报方法,预报未来1 分钟、10 分钟、1 小时和2 小时的住宅用电需量.文献[8]利用采样周期为0.5 小时的用电需量数据,提出基于多目标优化算法的最小二乘支持向量机的多步预报方法,预报电力市场未来0.5 小时、1 小时、2 小时和3 小时的用电需量.文献[9]利用采样周期为1 天的用电需量数据,提出基于支持向量机的多步预报模型,预报某配电公司未来30 天的每天最大用电需量.文献[10]利用采样周期为0.5 小时的用电需量数据,提出基于支持向量机、极限学习机和多层循环神经网络的用电需量多步预报方法,预报了未来1.5 小时的每半小时的城市用电需量.文献[11]利用采样周期为1 小时的用电需量数据,提出基于自回归滑动平均模型的某地区未来一天的用电需量预报方法.文献[12]利用采样周期为1 个月的用电需量数据,提出基于多层神经网络的未来12 个月的地区用电需量预报模型.文献[13]利用采样周期为1 个月的用电需量数据,提出基于神经网络的未来12 个月的地区用电需量预报方法.文献[14]利用采样周期为15 分钟的用电需量数据,提出基于变分模态分解的某地区未来1 分钟、3 分钟和5 分钟的用电需量预报方法.文献[15]利用采样周期为30 秒的用电需量数据,提出基于集成经验模态分解和卷积神经网络的某地区未来30 秒、1 分钟、1.5 分钟和2 分钟的用电需量预报方法.电熔镁砂生产用电需量的变化是快变化的动态系统,需量的采样周期为7 秒,发生需量尖峰的整个时间在70 秒之内.由于电熔镁砂生产过程是由多台电熔镁炉运行组成,其用电需量变化过程是模型结构与系统阶次未知的非线性动态系统,而城市用电需量变化是一个慢变化的系统,可以采用上述静态建模方法[5-15].电熔镁砂生产用电需量的多步预报难以采用文献[5-15]方法进行需量尖峰的准确预报.

文献[16-17]利用采样周期为7 秒的用电需量数据,提出数据与模型驱动的电熔镁砂生产用电需量单步预报方法.为了提高需量预报精度,文献[18]采用用电需量大数据提出系统辨识与自适应深度学习相结合的电熔镁砂生产用电需量一步预报方法.由于需量尖峰是需量先升高后下降,需要对需量进行多步预报.

本文利用电熔镁砂生产过程熔化电流闭环控制系统方程,建立了由线性模型和未知非线性动态系统组成的群炉需量多步预报模型,将系统辨识与自适应深度学习相结合,采用端边云协同结构,提出了电熔镁砂生产用电需量多步智能预报方法.采用电熔镁砂生产过程的工业大数据验证了所提方法可以准确预报用电需量的变化趋势.

1 电熔镁砂需量监控过程描述

如图1 所示,电熔镁砂的生产过程由多台电熔镁炉控制系统,供电系统和需量监控系统组成,每台电熔镁炉控制系统由电熔镁炉、拉闸系统、加料系统、熔化电流控制系统组成[2].需量监控系统由功率采集装置和需量监控计算机组成.电熔镁炉采用埋弧方式,通过加料系统将原矿送入电熔镁炉内,电流控制系统控制三相电极与原料之间的距离使产生的电弧电流达到生产工艺规定的熔化电流,形成熔池.边熔化边加料,使熔池增高至炉口,熔炼过程结束.熔炼过程持续约10 小时,每台电熔镁炉每炉次耗电约40 MWh,因此电熔镁炉是高耗能设备.

图1 电熔镁砂生产用电需量监控流程图Fig.1 An flow chart of electricity demand monitoring process for a fused magnesia production

为了节能减排,电力部门规定当前时刻和过去29 个时刻的功率的平均值作为当前时刻的需量值并规定了需量的限幅值,当需量实际值超过需量限幅值对用电企业罚款,因此生产企业设立需量监控系统,操作人员监视需量实际值,当超过限幅值,通过拉闸系统切断其中一台电熔镁炉的电源.由于电熔镁砂生产过程常出现尖峰现象,导致不必要的拉闸.为避免尖峰导致的不必要的拉闸断电,需要对尖峰进行预报,由于尖峰现象是需量先升高后下降,因此需要对需量进行多步预报.

2 电熔镁砂生产用电需量多步预报模型

需量(k)为k时刻群炉功率p(k)与过去29 个采样周期的群炉功率的均值,即

其中,k=1 表示采样周期7 秒,(k+n)时刻的需量(k+n)为

其中,群炉功率p(k+1),···,p(k+n)未知,因此需要建立群炉功率多步预报模型.

2.1 群炉功率多步预报模型

采用最小二乘算法[19]离线辨识模型参数 Θ,由式(10)和式(11)可得群炉功率预报模型为

其中,f(·)是模型结构与阶次未知的未知非线性函数,i=1,···,n.由式(11)知

2.2 需量多步预报模型

由式(2)和式(12)可以得到需量多步预报模型为

3 需量多步智能预报方法

3.1 需量多步预报策略

采用文献[18]方法建立式(15)的未知非线性动态系统的由在线深度学习多步预报模型、自校正深度学习多步预报模型和自校正机制组成的自适应深度学习多步预报模型.

图3 (k+i)的深度学习预报模型结构Fig.3 Structure of deep learning prediction model of (k+i)

采用当前时刻k以及以前所有时刻的实时数据校正自校正深度学习预报模型的全部权值和偏置参数.其输出层的权值与偏置参数采用式(16)～(19)校正.第l层第j个神经元的输出

为了准确预报需量尖峰,需要保证需量预报误差精度和需量变化趋势预报精度,由式(15)知需量预报精度取决于(k+i)的预报精度.采用自校正机制监控(k+i)的在线深度学习预报模型的预报误差和变化趋势的预报精度,当不满足精度要求时,采用自校正深度学习预报模型的各层权值参数与偏置参数校正在线深度学习预报模型的权值参数与偏置参数.

自校正机制采用(k+i)的预报误差 ∆(k),未知非线性系统第i步上升趋势预报准确率TPRi(k)和第i步下降趋势预报准确率TNRi(k)三项指标,即

表1 TPi(k),FPi(k),FNi(k)的计算方式Table 1 Formula mode of TPi(k),FPi(k),FNi(k)

k时刻在线深度学习预报模型的预报误差|∆(k)|≥δi(δi为预报误差上界),自校正深度学习预报模型的预报误差 |∆(k)|<δi,且在线深度学习预报模型的上升趋势和下降趋势预报准确率均小于自校正深度学习预报模型的上升趋势和下降趋势预报准确率,采用自校正深度学习预报模型的全部权值参数和偏置参数校正在线深度学习预报模型的全部权值参数和偏置参数.

3.3 需量多步智能预报算法

由式(15)可得需量多步预报模型为

端边云协同的需量多步智能预报算法:

1)端-需量监控系统实时采集电熔镁砂生产过程中的群炉功率p(k)与需量(k);

2)边-需量预报计算机执行数据处理和需量在线多步预报模型.在线计算φT(k),由式(14)计算(k+n).采用窗口长度为N的输入输出数据由(k+n)的在线深度学习多步预报模型得其预报值(k+n),由需量多步预报模型式(27)得需量多步预报值(k+n);

3)云-数据服务器和人工智能计算平台采用k时刻以及以前所有时刻的输入输出数据和(k+n)的自校正深度学习多步预报模型得其预报值(k+n).采用自校正机制的三项指标式(24)～(26),当(k+n)的在线深度学习多步预报模型的预报误差超过预报精度上界时,采用自校正深度学习多步预报模型的权值参数和偏置参数校正在线深度学习多步预报模型的权值参数和偏置参数.

4 实验结果

采用某电熔镁砂生产企业的实际功率和需量数据进行了本文提出的需量多步智能预报方法的实验,并与文献[9]提出的基于支持向量机、极限学习机和循环神经网络的用电需量多步预报方法进行了对比实验.

由于发生需量尖峰的整个时间小于70 秒,而需量的采样周期为7 秒,因此选择需量预报步数i=1,···, 10.采用线性模型参数辨识方程式(11)得模型参数为

采用上述30 个炉次的150000 组需量数据离线建立文献[9]的用电需量多步预报模型:

采用实时采集的70 个炉次的350000 组的需量与功率数据对本文所提需量多步预报算法与文献[9] 多步预报算法进行了预报步数i=1,···, 10的对比实验.采用文献[23] 的均方根误差(Root mean square error,RMSE)式(28),文献[24]的拟合优度R2式(29),文献[17]的平均绝对百分比误差(Mean absolute percentage error,MAPE)式(30),需量第i步预报的上升趋势预报准确率TPRi式(25)和下降趋势预报准确率TNRi式(26)指标对本文所提需量多步预报算法和文献[9]多步预报算法的实验结果进行评估.实验结果见表2.

表2 需量预报精度对比Table 2 Precision comparison of demand forecast

为了能清楚地对比实验结果,采用图4～图6表示从在线的350000 组数据的实验结果中随机抽取100 组i=1,5,10 步需量预报结果,虚线为本文需量预报结果,实线为文献[9]需量预报结果,点线为需量真实值.可以看出本文需量预报方法与文献[9]方法相比,预报精度明显提高.

图4 需量1-步预报结果Fig.4 Demand forecast results for the 1st-step

图5 需量5-步预报结果Fig.5 Demand forecast results for the 5th-step

图6 需量10-步预报结果Fig.6 Demand forecast results for the 10th-step

从表2 可以看出,本文的方法与文献[9]方法的i=1,5,10 步预报结果相比,R2提高 11.01%,RMSEi降低51.86,MAPEi降低 0.24%,上升趋势TPRi提高 10.23%,下降趋势TNRi提高 14.22%.对比实验结果表明本文方法比文献[9]方法的需量多步预报精度和需量变化趋势的预报精度明显提高.

5 结论

本文通过电熔镁砂生产过程熔化电流闭环控制系统方程建立需量动态模型,在此基础上建立了由线性模型和未知非线性动态系统组成的需量多步预报模型,采用文献[18]方法建立了未知非线性动态系统的自适应深度学习多步预报模型,在此基础上提出了端边云协同的电熔镁砂生产过程需量多步智能预报方法.采用70 个炉次的电熔镁砂生产过程的实际数据的实验结果表明本文的方法与文献[9]方法的i=1,5,10 步预报结果相比,R2提高11.01%,RMSEi降低51.86,MAPEi降低 0.24%,上升趋势TPRi提 高10.23%,下降趋势TNRi提高14.22%,验证了本文所提的预报方法可以准确预报需量的变化趋势,为实现需量尖峰的准确预报和控制创造了条件.