摘要：熱風爐是副產煤氣消耗大戶，熱風爐群的煤氣消耗數據無規律性、波動劇烈，預測難度較大。針對熱風爐群煤氣消耗量難以直接預測的問題，提出一種基于神經網絡的熱風爐群煤氣消耗量預測方法。該方法將熱風爐群的煤氣消耗數據分解為單座熱風爐的煤氣消耗數據，利用單座熱風爐周期性煤氣消耗特性，將利用網絡模型預測出的各座熱風爐煤氣消耗數據重構為熱風爐群的煤氣消耗量數據。以現場采集的熱風爐煤氣消耗數據作為樣本進行實例分析，結果表明，數據分解重構的網絡模型的平均絕對誤差(MAE)為2978.74min，平均絕對百分比誤差(MAPE)為6.59，對稱平均絕對百分比誤差(SMAPE)為6.88。與傳統網絡模型相比，該模型的MAE、MAPE和SMAPE分別改善了61.86、70.88和66.60。

　　關鍵詞：熱風爐;煤氣消耗量;預測;數據分解重構;神經網絡

　　在鋼鐵生產過程中，約有30%的一次能源轉化為副產煤氣[1]，廣泛應用于各工序的燃燒、加熱等工藝環節中。由于煤氣用戶眾多、用量波動較大，因此導致了管網壓力的沖擊性變化，這對煤氣管網安全和煤氣的節約利用均造成了負面影響。隨著智能化鋼廠概念的提出，煤氣消耗量預測引起了研究人員的廣泛關注。熱風爐作為煤氣消耗大戶，約占全流程高爐煤氣總消耗量的45%[2]。

　　1座高爐通常配備3座或4座熱風爐，組成一個熱風爐群。在實際生產中，一般將熱風爐群作為一個整體來衡量煤氣消耗水平。然而，熱風爐群的煤氣消耗量巨大且不具有明顯的規律性，預測精度尚不理想，嚴重影響了煉鐵工序乃至全流程的節能降耗。因此，提出一種新的熱風爐群煤氣消耗量預測方法，具有重要的學術意義和應用價值。煤氣產消量的預測研究是業內學者的重要研究內容。SUNWen-qiang等[3]建立機理、數據和事件共同驅動的高爐煤氣產生量預測模型，提供了新的研究思路。

　　在此基礎上，賴茜等[4]利用回歸分析法和人工神經網絡法對比分析了不同工況下的高爐煤氣產生量的預測效果。張海寧等[5]根據煤氣消耗量的影響因素開發了煤氣優化系統，提高預測精度的同時實現了煤氣資源的合理利用。吳萌等[6]開發了副產煤氣的預測及優化調度系統，降低了煤氣的放散率。孫雪瑩等[7]提出了基于自適應遺忘因子的極限學習機在線預測算法，適用于煤氣的在線消耗量預測。張琦等[8]利用小波分析法將煤氣消耗量數據分為趨勢數據和波動數據，建立最小二乘支持向量機預測模型，解決了變工況下煤氣產生量和消耗量預測隨機性問題。

　　劉書含等[9]提出一種事件與數據融合的加熱爐煤氣消耗量預測方法，精確地預測了不同運行事件下加熱爐的煤氣消耗量。黨曉晶等[10]利用支持向量機的方法對高爐煤氣的利用率進行了預測，為高爐節能降耗提供了有力支持。煉鐵工序中熱風爐煤氣消耗量的預測同樣備受重視。孫進生等[11]建立了基于送風溫度預測實現的熱風爐系統，合理地預測出送風階段結束時間，一定程度上驗證了煤氣量預測的可行性。

　　紀天波等[12]基于高爐熱風爐的機理模型，建立了子空間辨識模型，可辨識熱風爐燒爐階段和送風階段。馮康康等[13]采用高爐熱風爐協調換爐的方法，預測了熱風爐運行狀態，為熱風爐煤氣消耗量的預測提供指導。還有許多專家學者進行了熱風爐群高爐煤氣消耗量的預測。郝聚顯等[14]建立了基于時間序列的BP神經網絡模型，有效地延長了熱風爐煤氣消耗量的預測提前時間，提高了預測精度。

　　譚玉倩[15]建立了粒子群算法優化后的灰色預測模型，對煉鐵廠高爐熱風爐進行了預測，為煤氣的合理優化調配提供依據。但是，現有關于熱風爐群煤氣消耗量的預測沒有考慮到其與單座熱風爐煤氣消耗之間的關聯性，還存在進一步優化的空間。本研究充分考慮單座熱風爐周期性煤氣量消耗的特性，提出數據分解重構理念，實現復雜的熱風爐群煤氣消耗量的BP網絡高精度預測，對煤氣系統的平衡調度起到推動作用。

　　1預測方法

　　1.1人工神經網絡模型

　　人工神經網絡(ANN)模型[16]是一種模擬人腦并根據自然神經網絡的特性而建立的預測模型。根據計算方法、用途等不同，可將人工神經網絡模型分為基于前向型的后向傳播神經網絡(BP網絡)[18]、基于隨機型的模擬退火神經網絡(SA-ANN)[19]、基于反饋型的霍普菲爾德神經網絡(Hopfield-ANN)[20]等。

　　其中，BP網絡模型具有很強的非線性映射能力及很好的魯棒性和容錯性。考慮熱風爐的工作特點及煤氣消耗特性，本研究采用網絡模型對熱風爐煤氣消耗量進行預測。網絡模型將網絡分為輸入層、隱藏層和輸出層。定義輸入層第i個神經元的輸入值為Xi，隱藏層第i個神經元的輸出值為Yi，輸出層第i個神經元的輸出值為Zi;輸入層神經元與隱藏層神經元的網絡連接權值為Mij，隱藏層神經元與輸出層神經元的網絡連接權值為Nj;隱藏層第j個單元的激活閾值為αj，輸出層第k個單元的激活閾值為βk。

　　1.2數據分解重構理念

　　鋼鐵聯合企業中熱風爐群由多座熱風爐組成，熱風爐群的煤氣總消耗量是多座熱風爐煤氣消耗量數據的耦合體現。熱風爐群的煤氣消耗特點具有連續性和復雜性，而單座熱風爐的煤氣消耗特點卻存在間斷性和規律性。本研究考慮現場數據采集情況，結合單座熱風爐的煤氣消耗特性，首先將熱風爐群的煤氣消耗量數據分解為單座熱風爐的煤氣消耗量數據;其次利用網絡模型分別對單座熱風爐進行建模，完成對單座熱風爐煤氣消耗量的預測;最后將單座熱風爐的煤氣消耗量預測數據進行重構，得到熱風爐群的煤氣消耗量。利用數據分解重構理念可實現熱風爐群煤氣消耗量的精確預測。數據分解重構模型的建模步驟如下。

　　步驟1：將熱風爐群的煤氣消耗量數據按時間序列進行排序，并對時間序列數據進行預處理。步驟2：對熱風爐群的煤氣消耗量數據進行時間序列分解。步驟3：采用網絡模型，利用步驟2處理好的時間序列數據對煤氣消耗量進行預測，得到單座熱風爐的煤氣消耗量預測數據。步驟4：將單座熱風爐的煤氣消耗量預測數據重構成熱風爐群的煤氣消耗量數據，得到不同周期下熱風爐群煤氣消耗量的預測值。

　　2結果與討論

　　2.1數據描述

　　為了驗證本文提出的基于數據分解重構理念的預測模型的精確性，對比了基于數據分解重構預測模型與傳統BP網絡模型的預測結果。利用某鋼鐵聯合企業熱風爐群的實際煤氣消耗量數據作為訓練樣本數據，時間頻率為5min。模型建立過程中將樣本數據分為3部分：第1～480個(0～2400min)樣本作為訓練集，第481～640個(2405～3200min)樣本作為驗證集，第641～800個(3205～4000min)樣本作為測試集。圖1所示為樣本的時間序列數據，可見，依據工藝特點分解后的單座熱風爐數據周期性規律顯著。

　　2.2基本參數的確定

　　單座熱風爐的周期性規律比較明顯。每座熱風爐的燃燒期和送風期約為2h，即24個數據采集點，因此，結合熱風爐工作特點，本研究將輸入層的神經元個數設置為24，由24個歷史煤氣消耗量數據預測未來的1個煤氣消耗量數據。輸出值為熱風爐的煤氣消耗量，輸出層的神經元個數設置為1。

　　2.3單座熱風爐煤氣消耗量預測結果

　　為了驗證BP網絡模型的優越性，本研究選取常用的差分自回歸移動平均(ARIMA)模型和長短期記憶(LSTM)網絡模型進行對比。可見，由BP網絡模型預測出的1號熱風爐燃燒期高爐煤氣消耗量的MAE為1635.36m3/min，MAPE為9.31%，SMAPE為9.87%;2號熱風爐燃燒期的預測效果與1號熱風爐相差不大，其MAE、MAPE和SMAPE分別為1877.91m3/min、7.96%和8.25%;3號熱風爐燃燒期的高爐煤氣消耗量預測結果的MAE為2747.45m3/min，MAPE為13.72%，SMAPE為13.80%。

　　對于周期性規律明顯的1號和2號熱風爐，利用BP網絡模型預測得到的煤氣消耗量的MAE可以控制在2000m3/min以內，MAPE與SMAPE不超過10%，而ARIMA模型與LSTM模型的MAE普遍大于2000m3/min，MAPE與SMAPE均超過10%。對于規律性不明顯的3號熱風爐，BP網絡模型的MAE、MAPE、SMAPE也分別低于ARIMA模型和LSTM模型。可見，與LSTM和ARIMA模型相比，BP網絡模型在單座熱風爐的預測過程中表現出更加優越的預測性能。

　　這是因為，ARIMA模型是將煤氣消耗量樣本數據的非平穩時間序列轉化為平穩時間序列，然后利用煤氣消耗量的滯后值以及隨機誤差值對未來煤氣消耗量進行回歸預測，因此，該方法在捕捉非線性關系方面存在不足，導致預測精度下降。LSTM模型的全連接層較為復雜，若網絡結構選擇過大，使訓練過程效率不高，易出現過擬合現象，導致網絡性能低;若網絡結構選擇過小，則易導致網絡不收斂。LSTM模型網絡結構直接影響網絡的逼近能力及推廣性質，由于網絡結構的確定過程較為復雜，因此預測效果的容錯性較差。而BP網絡模型不僅泛化能力較強，且網絡結構易于確定，訓練效率較高，可以實現高精度預測。

　　2.4熱風爐群總煤氣消耗量預測結果

　　采用BP網絡模型、ARIMA模型和LSTM模型分別對熱風爐群煤氣消耗量的預測結果對比。根據數據分解重構理念，采用上述模型分別對單座熱風爐煤氣消耗量進行預測，然后組合得到熱風爐群的總煤氣消耗量預測值，可以看出，對數據實施分解重構后，模型的預測精度顯著高于未經數據分解重構的常規預測模型。

　　針對熱風爐群高爐煤氣消耗量規律性較弱的現象，依據數據分解重構理念建立的分解重構模型可以很好地利用單座熱風爐周期性煤氣消耗規律這一特點，先得到高精度的單座熱風爐高爐煤氣消耗量預測值，再將其整合重構為熱風爐群的煤氣消耗量，以此彌補常規模型直接預測熱風爐群煤氣消耗量的缺陷。BP網絡模型、ARIMA模型和LSTM模型及采用數據分解重構的上述3類模型的預測效果見表3。可見，數據分解重構的BP網絡模型預測效果更好，其MAE為2978.74m3/min，MAPE為6.59%，SMAPE為6.88%。結果表明，對數據進行分解重構后的BP網絡模型精確度高。

　　3結論

　　(1)本研究通過對鋼鐵聯合企業中熱風爐實際生產數據的分析，提出了數據分解重構理念，據此建立了數據分解重構的熱風爐煤氣消耗量預測模型。基于數據分解重構的預測模型可以將熱風爐群無規律的煤氣消耗數據分解為單座熱風爐周期性變化的煤氣消耗數據，進而將單座熱風爐的煤氣消耗量預測數據重構為熱風爐群的煤氣消耗量。模型驗證結果表明，數據分解重構模型泛化能力強，精度高，預測效果好。

　　(2)利用網絡、RIMA、STM預測模型和數據分解重構模型對熱風爐群的高爐煤氣消耗量進行預測。結果表明，本研究建立的數據分解重構的網絡模型預測效果較好，模型的MAE、MAPE和SMAPE分別為2978.74/min、6.59和6.88，分別低于常規網絡預測模型的7810.73/min、22.63和20.60。

　　(3)從模型改進效果上看，數據分解重構的網絡模型改進效果顯著，MAE、MAPE和SMAPE的改進百分比分別為61.86%、70.88%和66.60%。

　　參考文獻：

　　[1]楊靖輝，蔡九菊，劉精宇，等.煤氣系統供需預測及剩余煤氣優化分配[J].東北大學學報(自然科學版)，2015，36(8)：1125.

　　[2]王維興.高風溫是節能降耗工作的重點[J].中國鋼鐵業，2008(3)：35.

　　[3]SUNWen-qiang，WANGZi-hao，WANGQiang.Hybridevent-，mechanism-anddata-drivenpredictionofblastfurnacegasgeneration[J].Energy，2020，199：117497.

　　[4]賴茜，王子豪，孫文強.高爐煤氣產生量預測方法對比研究[J].冶金能源，2021，40(3)：22.

　　[5]張海寧，朱榮，逯志方，等.煉鋼過程中煤氣預測及優化系統[J].北京科技大學學報，2011，33(增刊1)：16.

　　[6]吳萌，馬光宇，李志鋒，等.鋼鐵企業煤氣預測及優化調度系統開發[J].鞍鋼技術，2017(6)：37.

　　[7]孫雪瑩，胡靜濤，王卓，等.基于自適應遺忘因子極限學習機的高爐煤氣預測[J].計算機測量與控制，2017，25(7)：235.

　　作者：劉書含，孫文強1,，石曉星，范天驕，謝國威，蔡九菊