李志剛 任雄朝 紀(jì)月

摘 ?要： 以高爐煤氣為主要研究對(duì)象，基于BP神經(jīng)網(wǎng)絡(luò)引入粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，通過(guò)調(diào)試和改進(jìn)建立PSO?BP神經(jīng)網(wǎng)絡(luò)高爐煤氣受入量預(yù)測(cè)模型，使企業(yè)實(shí)現(xiàn)對(duì)煤氣的合理調(diào)度和平衡調(diào)整，研究結(jié)合唐山鋼廠的歷史數(shù)據(jù)對(duì)該模型進(jìn)行訓(xùn)練和檢驗(yàn)。研究結(jié)果表明，BP模型比未改進(jìn)的BP模型更能精確地預(yù)測(cè)受入量，并解決了遺傳算法（GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)容易陷入早熟收斂的問(wèn)題。

關(guān)鍵詞： 高爐煤氣; 受入量預(yù)測(cè); 預(yù)測(cè)模型; PSO?BP神經(jīng)網(wǎng)絡(luò); 模型訓(xùn)練; 模型檢驗(yàn)

中圖分類號(hào)： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）13?0134?03

Blast furnace gas intake prediction based on PSO?BP neural network

LI Zhigang1， REN Xiongzhao2， JI Yue1

（1. School of Information Engineering， North China University of Technology， Tangshan 063210， China;

2. School of Electrical Engineering， North China University of Technology， Tangshan 063210， China）

Abstract： Taking blast furnace gas as a main study object， the particle swarm optimization （PSO） is introduced on the basis of BP neural network to optimize the weightof the BP neural network. ?The blast furnace gas intake prediction model based on PSO?BP neural network is established by means of debugging and improvement to ?enable the enterprises to achieve reasonable dispatch and balance adjustment of gas. The model is trained and tested in combination with the historical data of Tangshan Steel Mill. The research results show that the intake prediction effect of PSO?BP model is significantly better than that of the unimproved BP model， and it solves the problem that the genetic algorithm optimization （GA） BP neural network is easy to ?fall into premature convergence. ?.

Keywords： blast furnace gas; intake volum eprediction; forecast model; PSO?BP neural network; model training; model test

0 ?引 ?言

鋼鐵企業(yè)煤氣的平衡是關(guān)乎鋼鐵企業(yè)生產(chǎn)效率和環(huán)境污染的重大問(wèn)題。鋼鐵冶煉過(guò)程中產(chǎn)生的重要副產(chǎn)品之一即為高爐煤氣（Blast Furnace Gas，BFG），它既是重要的二次能源也是污染大氣的主要污染源，其特點(diǎn)為熱值低，產(chǎn)生量和消耗量隨工藝生產(chǎn)狀態(tài)發(fā)生較大波動(dòng)。煤氣的突然過(guò)剩易導(dǎo)致設(shè)備熄火，煤氣的緊缺導(dǎo)致用戶停產(chǎn)，企業(yè)對(duì)煤氣不平衡調(diào)整會(huì)將高爐煤氣放散到大氣中，造成環(huán)境污染。如何準(zhǔn)確預(yù)測(cè)高爐煤氣的受入量，科學(xué)合理地平衡、提高能源利用效率、保護(hù)環(huán)境，成為一項(xiàng)意義重大的研究方向。

近些年來(lái)，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，在各個(gè)領(lǐng)域獲得廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)最常用、最成熟的神經(jīng)網(wǎng)絡(luò)之一，它是一種誤差反向傳播訓(xùn)練的多層前饋型網(wǎng)絡(luò)，其基本思想是梯度下降法，利用梯度搜索減小預(yù)測(cè)誤差，但在訓(xùn)練過(guò)程中存在收斂速度慢，易于陷入局部極小值的缺陷。GA?BP神經(jīng)網(wǎng)絡(luò)中遺傳算法易陷入早熟收斂，降低了訓(xùn)練精度。因此，本文引入粒子群優(yōu)化（PSO）算法，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值，建立PSO?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[1]，利用從鋼廠采集的歷史數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，將預(yù)測(cè)結(jié)果與未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和GA?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行比較。

國(guó)內(nèi)有很多關(guān)于煤氣預(yù)測(cè)的研究，文獻(xiàn)[2]利用神經(jīng)網(wǎng)絡(luò)對(duì)高爐煤氣消耗預(yù)測(cè)模型進(jìn)行研究;文獻(xiàn)[3]對(duì)高爐煤氣發(fā)生量進(jìn)行預(yù)測(cè);文獻(xiàn)[4]建立了高爐煤氣發(fā)生量預(yù)測(cè)模型。大部分都是對(duì)煤氣發(fā)生量和消耗量進(jìn)行預(yù)測(cè)，但在煤氣受入量預(yù)測(cè)方面研究不足。本文以唐山鋼廠為背景，取得高爐煤氣系統(tǒng)的相關(guān)數(shù)據(jù)，將高爐煤氣受入量的影響因素作為輸入，建立PSO?BP預(yù)測(cè)模型，對(duì)高爐煉鐵時(shí)產(chǎn)生的煤氣總量減去熱風(fēng)爐消耗煤氣量的部分即受入量展開(kāi)研究。

1 ?BP神經(jīng)網(wǎng)絡(luò)

20世紀(jì)80年代中期，Rumelhart. McClelland等成立了Parallel Distributed Procession（PDP）小組，提出誤差反向傳播算法（Error Back Propagation，BP），該神經(jīng)網(wǎng)絡(luò)就被稱為BP神經(jīng)網(wǎng)絡(luò)。

典型的BP網(wǎng)絡(luò)具有三層：輸入層、隱含層和輸出層。結(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程有兩個(gè)：正向傳播和誤差反向傳播。輸入信息從輸入層傳遞到隱含層，逐層處理，并從隱含層傳遞到輸出層，如果輸出層與期望值輸出不匹配，會(huì)進(jìn)入誤差反向傳播階段。反向傳播是將誤差通過(guò)隱含層向輸入層逐層進(jìn)行傳播，根據(jù)誤差修正連接權(quán)重，使誤差逐漸減小，不斷學(xué)習(xí)，直至誤差減小到目標(biāo)值。在模型預(yù)測(cè)時(shí)，輸入信號(hào)被輸入訓(xùn)練好的網(wǎng)絡(luò)，相應(yīng)的結(jié)果就可以計(jì)算出來(lái)[5]。

圖1 ?BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2 ?PSO?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 ?粒子群算法

粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是基于群組協(xié)作的隨機(jī)搜索算法，模擬鳥(niǎo)類的喂食行為來(lái)開(kāi)發(fā)。其一個(gè)重要的應(yīng)用就是訓(xùn)練ANN，并取得了較好的結(jié)果。首先在空間中初始化一組隨機(jī)粒子，然后迭代找到最優(yōu)解，粒子都有自己的位置、速度和適應(yīng)度值，其中通過(guò)適應(yīng)度函數(shù)用于計(jì)算粒子適應(yīng)度值，個(gè)體位置由個(gè)體極值和群體極值更新。對(duì)[D]維空間中的[N]個(gè)粒子，粒子群算法的基本參數(shù)如下：

2.2 ?PSO?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

首先，確定BP網(wǎng)絡(luò)結(jié)構(gòu)，初始化粒子在總體的速度和位置，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，并初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重，訓(xùn)練網(wǎng)絡(luò)并將誤差作為粒子的適應(yīng)度，選擇個(gè)體最優(yōu)位置作為全局最優(yōu)位置。根據(jù)式（1）、式（2）更新粒子的位置和速度，在更新之后，計(jì)算每個(gè)粒子的適應(yīng)度，比較每個(gè)粒子的最好位置pbest所對(duì)應(yīng)的適應(yīng)度，將適應(yīng)度最小的更新粒子位置作為pbest，比較每個(gè)粒子的適應(yīng)度與種群所經(jīng)歷過(guò)最好位置的適應(yīng)度， 選擇適應(yīng)度更小的作為gbest，檢查是否達(dá)到全局最優(yōu)位置或達(dá)到最大迭代次數(shù);若未達(dá)到預(yù)設(shè)條件，則繼續(xù)更新，重新調(diào)整粒子速度和位置;若達(dá)到預(yù)設(shè)條件，則停止迭代，輸出最優(yōu)解即優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值，再進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)，PSO優(yōu)化BP的網(wǎng)絡(luò)流程圖如圖2所示。

圖2 ?網(wǎng)絡(luò)流程圖

3 ?實(shí)例

3.1 ?獲取數(shù)據(jù)

本文針對(duì)高爐煤氣受入量展開(kāi)研究，到河北唐山某鋼廠進(jìn)行實(shí)地考察并取得高爐煤氣系統(tǒng)的相關(guān)數(shù)據(jù)，分別為BFG受入量、熱風(fēng)爐溫度、熱風(fēng)爐壓力、鼓風(fēng)機(jī)送風(fēng)總量、鼓風(fēng)機(jī)送風(fēng)含氧量、高爐溫度、高爐壓力、噴煤BFG使用量、TRT出口溫度、TRT出口壓力和高爐至外網(wǎng)BFG壓力。

3.2 ?受入量影響因素分析

高爐煤氣產(chǎn)生過(guò)程極其復(fù)雜，BFG受入量會(huì)受到很多因素的影響，其中有許多因素是無(wú)關(guān)緊要的，為了從眾多因素中找出主要因素與次要因素，可以通過(guò)灰色關(guān)聯(lián)分析方法計(jì)算相關(guān)程度。本研究利用關(guān)聯(lián)度算法的改進(jìn)模型[6]，分析出受入量與熱風(fēng)爐溫度、熱風(fēng)爐壓力、鼓風(fēng)機(jī)送風(fēng)總量、鼓風(fēng)機(jī)送風(fēng)含氧量、高爐溫度、高爐壓力、噴煤BFG使用量、TRT出口溫度、TRT出口壓力和高爐至外網(wǎng)BFG壓力的關(guān)聯(lián)程度，分別為[R01=]0.168 0，[R02=0.540 ?5]，[R03=0.613 ?8]，[R04=0.613 ?1]，[R05=0.024 ?8]，[R06=0.487 ?3]，[R07=0.458 ?4]，[R08=0.032 ?8]，[R09=0.580 ?2]，[R010=0.485 ?5]，選用相關(guān)性最高的7項(xiàng)作為網(wǎng)絡(luò)的輸入。

3.3 ?數(shù)據(jù)預(yù)處理

通過(guò)分析影響因素，本文選取熱風(fēng)爐壓力、鼓風(fēng)機(jī)送風(fēng)總量、鼓風(fēng)機(jī)送風(fēng)含氧量、高爐壓力、噴煤BFG使用量、TRT出口壓力和高爐至外網(wǎng)BFG壓力7項(xiàng)影響因素作為網(wǎng)絡(luò)的輸入。在預(yù)測(cè)之前，將采集到的樣本數(shù)據(jù)標(biāo)準(zhǔn)化以消除采樣數(shù)據(jù)中的奇異值，以確保樣本數(shù)據(jù)被限定在一定范圍內(nèi)。本文隨機(jī)選出一天2 500組數(shù)據(jù)，2 300組數(shù)據(jù)作為訓(xùn)練樣本，200組數(shù)據(jù)作為測(cè)試樣本，歸一化的部分?jǐn)?shù)據(jù)如表1所示。

表1 ?部分歸一化數(shù)據(jù)列表

3.4 ?高爐煤氣受入量預(yù)測(cè)

使用選定的數(shù)據(jù)訓(xùn)練和預(yù)測(cè)未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、GA?BP神經(jīng)網(wǎng)絡(luò)和PSO?BP神經(jīng)網(wǎng)絡(luò)。設(shè)神經(jīng)網(wǎng)絡(luò)輸入層數(shù)為7，隱層數(shù)為11，輸出層數(shù)為1，訓(xùn)練次數(shù)設(shè)為1 000，目標(biāo)精度設(shè)為0.004，學(xué)習(xí)率設(shè)為0.1，并設(shè)定三種網(wǎng)絡(luò)相同結(jié)構(gòu)和相同參數(shù)。遺傳算法的種群規(guī)模為20，變異概率為0.1，交叉概率為0.3;粒子群算法的種群規(guī)模為20，學(xué)習(xí)因子[C1=]1.49，[C2=]1.49，最大慣性權(quán)重為0.9，最小慣性權(quán)重為0.3。圖3～圖5分別為BP神經(jīng)網(wǎng)絡(luò)、GA?BP神經(jīng)網(wǎng)絡(luò)和PSO?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)受入量預(yù)測(cè)值和真實(shí)值的對(duì)比圖。

4 ?結(jié) ?語(yǔ)

該研究針對(duì)鋼廠高爐煤氣受入量預(yù)測(cè)問(wèn)題提出PSO?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，結(jié)合BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和粒子群算法的尋優(yōu)能力，利用粒子群算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，提高了BP神經(jīng)網(wǎng)絡(luò)的泛化能力，解決了GA?BP神經(jīng)網(wǎng)絡(luò)中遺傳算法易陷入早熟收斂問(wèn)題，克服了收斂速度慢和容易陷入局部誤差極小值的缺點(diǎn)，提高了預(yù)測(cè)精度。為煤氣在鋼廠和用戶之間實(shí)現(xiàn)平衡調(diào)度提供指導(dǎo)。

圖3 ?BP神經(jīng)網(wǎng)絡(luò)對(duì)受入量預(yù)測(cè)

圖4 ?GA?BP神經(jīng)網(wǎng)絡(luò)對(duì)受入量預(yù)測(cè)

圖5 ?PSO?BP神經(jīng)網(wǎng)絡(luò)對(duì)受入量預(yù)測(cè)

參考文獻(xiàn)

[1] 李海斌，翟秋柱，張優(yōu)，等.PSO?BP神經(jīng)網(wǎng)絡(luò)在隧道圍巖變形預(yù)測(cè)中的應(yīng)用[J].路基工程，2017（5）：164?169.

LI Haibin， QIU Qiuzhu， ZHANG You， et al. Application of PSO?BP neural network in prediction of tunnel surrounding rock deformation [J]. Subgrade engineering， 2017（5）：164?169.

[2] 王軍，袁大明.基于神經(jīng)網(wǎng)絡(luò)的高爐煤氣消耗預(yù)測(cè)模型研究[J].科技與企業(yè)，2013（9）：108?109.

WANG Jun， YUAN Daming. Research on prediction model of blast furnace gas consumption based on neural network [J]. Science & technology and enterprises， 2013（9）： 108?109.

[3] 張曉平，湯振興，趙珺，等.鋼鐵企業(yè)高爐煤氣發(fā)生量的在線預(yù)測(cè)建模[J].信息與控制，2010，39（6）：774?782.

ZHANG Xiaoping， TANG Zhenxing， ZHAO Jun， et al. Online prediction modeling of blast furnace gas production in iron and steel enterprises [J]. Information and control， 2010， 39（6）： 774?782.

[4] 李紅娟，王建軍，王華，等.鋼鐵企業(yè)高爐煤氣發(fā)生量預(yù)測(cè)建模及應(yīng)用[J].系統(tǒng)仿真學(xué)報(bào)，2014，26（6）：1308?1314.

LI Hongjuan， WANG Jianjun， WANG Hua， et al. Prediction model and application of blast furnace gas production in iron and steel enterprises [J]. Journal of ?system simulation， 2014， 26（6）： 1308?1314.

[5] 譚延嗣.BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于地質(zhì)災(zāi)害預(yù)測(cè)的研究[J].江西建材，2017（24）：229.

TAN Yanjun. Application of ?BP neural network in geological hazards prediction [J]. Jiangxi building materials， 2017（24）： 229.

[6] 黃浩，王浩華.灰色T型關(guān)聯(lián)度的改進(jìn)與實(shí)證[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016，46（1）：131?139.

HUANG Hao， WANG Haohua. Improvement and demonstration of gray T?association degree [J]. Mathematics in practice and theory， 2016， 46（1）： 131?139.

[7] 姜石.PSO?BP神經(jīng)網(wǎng)絡(luò)在某煤機(jī)企業(yè)安全庫(kù)存預(yù)測(cè)中的應(yīng)用[J].煤炭技術(shù)，2017（10）：305?307.

JIANG Shi. Application of PSO?BP neural network in safety stock forecast of a coal mining machine enterprise [J]. Coal technology， 2017（10）： 305?307.

[8] 田景芝，杜曉昕，鄭永杰，等.基于PSO?BP神經(jīng)網(wǎng)絡(luò)的加氫脫硫柴油硫含量的預(yù)測(cè)研究[J].石油化工，2017，46（1）：62?67.

TIAN Jingzhi， DU Xiaoyu， ZHENG Yongjie， et al. Prediction of sulfur content in hydrodesulfurization diesel based on PSO?BP neural network [J]. Petrochemical industry， 2017， 46（1）： 62?67.

[9] 楊曉宇，黃浩，王浩華.基于改進(jìn)的T型關(guān)聯(lián)度在音樂(lè)分類中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2017，47（20）：155?163.

YANG Xiaoyu， HUANG Hao， WANG Haohua. Application of improved T?relation degree in music classification [J]. Mathematics in practice and theory， 2017， 47（20）： 155?163.