基于LSTM模型的蒸汽消耗预测

[摘 要]在卷烟生产过程中，蒸汽属于二次生产加工能源，一般由动力车间根据生产需求计划进行生产，是不可或缺的能源之一。准确预测蒸汽消耗对于节约能源、优化锅炉调度、降低成本和提高效率至关重要。传统的预测方法通常存在精度不足或无法处理时间序列数据的复杂性等问题。文章提出了一种基于LSTM的模型来预测卷烟生产过程中的蒸汽消耗量，并探讨了如何利用该模型进行锅炉调度的优化。通过实际数据集的实验验证，证明了LSTM模型的优越性和其在卷烟工业中的应用潜力。

[关键词]蒸汽消耗；锅炉调度；LSTM模型

[中图分类号]TK228 [文献标志码]A [文章编号]2095–6487（2024）06–0186–03

Optimization of Boiler Scheduling Based on LSTM Model for Predicting Steam Consumption in the Cigarette Industry

ZHAO Jingrui，PENG Yunchao，YANG Mei

[Abstract]In the production process of cigarettes， steam belongs to the secondary production and processing energy， which is generally produced by the power workshop according to the production demand plan and is one of the indispensable energy sources. Accurately predicting steam consumption is crucial for energy conservation， optimizing boiler scheduling， reducing costs， and improving efficiency. Traditional prediction methods often suffer from issues such as insufficient accuracy or inability to handle the complexity of time series data. This article proposes a model based on Long Short Term Memory （LSTM） to predict steam consumption in cigarette production processes， and explores how to use this model to optimize boiler scheduling. The superiority of the LSTM model and its potential application in the cigarette industry have been demonstrated through experimental verification on actual datasets.

[Keywords]steam consumption； boiler scheduling； LSTM model

1 LSTM概述

LSTM（长短期记忆网络）是一种特殊的RNN（循环神经网络），克服了标准RNN难以捕获长时间依赖关系的局限性，以及传统预测方法无法兼顾退化数据的非线性及时序性问题。LSTM的核心思想是通过门结构来控制信息流动，包括遗忘门、输入门、记忆及输出门。其中，遗忘门决定哪些信息需要被遗忘，输入门决定哪些新的信息应该加入到记忆中，记忆则负责存储信息。

2 数据来源与处理

2.1 数据预采集

本次研究从生产管理系统中获取了温湿度、产量、人员班组的最近3 a的历史数据，用于对LSTM模型进行训练和验证，主要包括产量、环境温度和湿度、蒸汽的消耗量、锅炉的用水量和燃气用量。

获取到的数据可能包含错误或不完整的信息，因此需对数据进行清洗，主要包括缺失值填充和异常值剔除。对于缺失值填充，考虑到工业计量仪器的特性，在对数据进行深入的理解和评估的前提下，主要采用临近值进行填充。对于偏离较大的异常值可以直接剔除，同时提高采样的频率，以保证样本数据不会减少。

2.2 特征选择与处理

影响锅炉蒸汽需求的变量包括当日产品产量、环境温度和湿度、季节因素，这3个变量作为输入变量，蒸汽需求作为输出变量，季节因素作为隐变量，按照1 a 12个月表示。

对于锅炉的蒸汽供给预测模型，其输入变量为蒸汽需求、温湿度、季节因素，输出变量为水和燃气的消耗量。变量说明见表1。

相比较传统的时间序列预测模型，LSTM对数据的要求更为宽松，可以处理非平稳和非线性数据，而传统模型要求数据是平稳的，需要对数据进行平稳性检验。

选取好特征数据后，对训练数据的标准化处理是提高模型性能、加速训练过程、确保数值稳定性和提高模型泛化能力的重要步骤。本研究中采用最大、最小标准化的方式处理数据，即将变量转化为在其最大值与最小值之间的比例：

2.3 数据分割

本研究将整个数据集分为训练集、验证集及测试集3部分。训练集用于模型训练，验证集用于超参数搜索和模型选择，测试集则在最终评估模型性能时使用。这有助于避免过拟合并且得到更接近现实场景的表现。在程序参数设定中，将训练集、验证集和测试集的比例设置为0.7∶0.2∶0.1。

2.4 时间步长

LSTM模型中需要对输入变量提取时序特征，本研究设置时间窗口长度为30 d，滚动窗口长度为1 d，预测窗口2 d，即通过过去30 d的数据预测未来2 d的蒸汽消耗。

3 LSTM模型的设计和实现

LSTM模型主要由以下几部分组成。

输入层。接收经过预处理的特征数据。

LSTM层：包含若干个LSTM单元和全连接层，每个单元都有自己的权重矩阵和偏置项。

损失函数。衡量模型预测值与真实值之间差异的度量方式。本模型使用的是均方误差（MSE），即计算预测值与实际值之间差值的平方和的平均值来评估预测的准确性。即：criterion = nn.MSELoss（）。

优化器。梯度下降算法的一种变体，用于最小化损失函数。本模型使用Adam优化器，Adam 优化器结合了动量和自适应学习率调整的特点。它的核心思想是通过对梯度的一阶矩（动量）和二阶矩（方差）的估计来调整每个参数的学习率。即： optimizer= torch.optim.Adam（）。

输出层。给出最终的蒸汽消耗量预测结果。

4 锅炉调度优化策略

4.1 调度原则

基于LSTM模型的预测结果，制订了如下原则来进行锅炉调度优化。

（1）对未来2 d的蒸汽需求量进行预测，调节锅炉的工作模式，使其在最经济的条件下满足生产需求。

（2）考虑多台锅炉间的协同工作和负载均衡，确保每台锅炉都能高效运转。

（3）对紧急情况下的蒸汽供应做出快速响应，保障生产的连续性和稳定性。

4.2 具体措施

（1）动态负荷分配。根据预测的蒸汽消耗曲线，合理安排各个锅炉在不同时间段内的负荷分配。

（2）智能启停控制。对于非高峰期，可以关闭部分锅炉以节约能源。

（3）提前预警系统。建立预警机制，当预测的需求量超过现有产能时，及时启动备用锅炉。

（4）远程监控与调整。通过物联网技术实现对锅炉系统的实时监测和远程操控，随时根据实际情况进行调整。

通过这些措施，能够大幅提高锅炉调度的效率，降低能源消耗，同时减少环境污染物的排放。

5 实验结果与讨论

5.1 实验设置

本次实验在一台配备有Intel Core i7处理器和NVIDIA GeForce GTX 3080Ti显卡的PC上实现LSTM模型。采用了Pytorch和torch.nn库来搭建模型，并使用Python编程语言进行开发。

5.2 模型性能对比

将LSTM模型与其他两种常见的预测方法ARIMA和时间序列分解法进行了比较。表2是3种模型的性能对比。

从表2中可以看出，LSTM模型明显优于ARIMA和SDS模型，尤其是在MAE这个关键指标上，LSTM的优势更为突出。这表明LSTM能够更好地捕捉到蒸汽消耗的非线性关系和长期趋势。

5.3 实际案例分析

为了进一步展示LSTM模型的实用价值，选取1 d的蒸汽生产为预测目标，按照小时耗量进行建模。如图4所示，虚线代表了模型预测的蒸汽消耗量，实线则是实际的蒸汽消耗量。

从图4中可以看到，LSTM模型成功地捕捉到了大多数波动，并且在最大值和最小值位置的预测也相当准确。这种精确的预测能力对于制订高效的锅炉调度计划是非常重要的。

5.4 经济效益分析

通过对锅炉调度的优化，预计每年能为企业节省大约24万元的能源费用。这部分成本的节约主要是通过减少不必要的蒸汽生产和更加经济地利用现有资源实现的。同时，随着环保要求的不断提高，减少碳排放所带来的社会效益也是不可忽视的。

6 结论

研究表明，基于LSTM的网络模型在卷烟工业中的蒸汽消耗预测任务中展现出了卓越的性能。相比传统方法，LSTM不仅提高了预测精度和效率，也为制订更加科学合理的锅炉调度策略提供了依据。然而，尽管已经取得了一定的研究成果，但仍有许多方向值得进一步深入探究。

（1）集成学习。可以将LSTM与其他先进的机器学习模型相结合，构建混合模型以进一步提升预测准确性。

（2）在线学习能力。考虑到生产环境的动态变化，我们需要赋予LSTM模型一定的自适应和学习能力，以便在数据发生变化时能够自动调整模型参数。

（3）多模态数据融合。除了目前的单源数据外，还可以探索是否有可能整合更多维度的数据，如气象数据、市场供需数据等，以获得更全面的洞察力。

未来，将继续致力于完善和推广这项技术，为卷烟工业乃至其他制造业带来更多的绿色发展和成本节约。

参考文献

[1] 马学兵，黄毓钦，余震安，等.卷烟工业企业公用工程系统运行能效指标研究与应用[J].暖通空调，2022（2）：23-29.

[2] 郭佳丽，邢双云，栾昊，等.基于改进的LSTM算法的时间序列流量预测[J].南京信息工程大学学报，2021（5）：571-575.

[3] 刘淳森，曲建升，葛钰洁，等.基于LSTM模型的中国交通运输业碳排放预测[J].中国环境科学，2023（5）：2574-2582.

[4] 史国荣，戴洪德，戴邵武，等.基于长短期记忆网络的时间序列预测研究[J].仪表技术，2020（2）：24-26，29.