李 娜， 劉 強， 張 淼， 張崇進， 張 帆，2b， 李 昊

（1.國能黃驊港務有限責任公司，河北 滄州 061000；2.中國礦業(yè)大學（北京）a.機電與信息工程學院；b.智慧礦山與機器人研究院，北京 100083）

0 引 言

煤堆揚塵跟處理粉塵的含煤污水一直是煤炭港口環(huán)保治理的難點。如何做好煤炭港口的粉塵治理和含煤污水處理，提高清潔生產(chǎn)水平，促進港口綠色健康發(fā)展，已成為煤炭港口發(fā)展必須解決的問題之一。露天堆場的粉塵來源一般由兩部分組成：一是煤垛處于靜止狀態(tài)下由風蝕作用而造成的靜態(tài)揚塵；二是煤炭處于裝卸、中轉(zhuǎn)等作業(yè)模式下產(chǎn)生的動態(tài)起塵［1］。研究表明，由于以上原因引起的煤堆起塵和灑水降塵產(chǎn)生的含煤污水是造成港口污染的主要來源。為了解決上述問題，目前港口在堆場煤塵治理方面采取了一些基本措施，但這些傳統(tǒng)的抑塵方式，無法從根本上解決揚塵污染防治的問題。

國外較早重視港口的綠色發(fā)展，并取得了階段性成果［2］。我國綠色生態(tài)港口建設開始較晚［3］，國內(nèi)煤炭港口主要采取堆場噴槍灑水、堆場防風網(wǎng)和單機灑水等措施控制煤塵，采取“哪里起塵哪里灑水”的思路，在翻車、皮帶、堆場等各個環(huán)節(jié)進行灑水除塵。該方式不僅造成灑水除塵設備多、成本高、管理復雜等問題，而且很難做到水與煤均勻混合，除塵效果一般。為了抑制港口靜置的煤堆揚塵，需要對煤堆進行灑水來抑制起塵。由于傳統(tǒng)的灑水方式是由人工控制，有經(jīng)驗的工作人員憑借他們多年的工作經(jīng)驗來判斷是否需要灑水，但是這種人工控制的方法經(jīng)常不夠精準、智能，如果灑水過少會造成煤炭含水率過低，煤堆揚塵；灑水過多會造成水資源浪費，而且會產(chǎn)生大量的含煤污水，造成二次污染，灑水過多或過少都會對環(huán)境造成污染，很難掌握一個度來使灑水既不會使煤堆起塵又不會產(chǎn)生過量含煤廢水。

本文以神華黃驊港為例，研究煤炭含水率變化的規(guī)律和智能灑水降塵的方法，旨在提高污染預防能力，改善港口環(huán)境質(zhì)量。

1 問題描述

黃驊港智能灑水抑塵主要通過建立堆場含水率預測模型、堆場起塵預測模型和智能灑水模型，利用實時數(shù)據(jù)驅(qū)動實現(xiàn)智能灑水抑塵。其灑水抑塵分為三步：①通過從黃驊港露天堆場的粉塵監(jiān)測儀的數(shù)據(jù)庫中獲取露天堆場周圍的實時氣象數(shù)據(jù)，然后測得堆場中煤堆表層初始的含水率，將氣象數(shù)據(jù)和初始含水率數(shù)據(jù)傳入建立好的數(shù)據(jù)模型中，預測出下一時刻煤堆的含水率。②將預測的下一時刻含水率的起動風速［4］與實時風速對比，如果此時的實時風速≥當前含水率的起動風速，說明當前風速會導致煤堆起塵，需要灑水，將數(shù)據(jù)反饋給現(xiàn)場的灑水系統(tǒng)，灑水系統(tǒng)開始灑水抑塵。③通過灑水量計算出煤炭含水率變化，將變化后的含水率再當作此時的含水率跟氣象數(shù)據(jù)一起輸入到模型中繼續(xù)預測下一時刻含水率。如此循環(huán)，便可以自動調(diào)節(jié)煤炭含水率，降低煤堆揚塵量和污水量，達到智能灑水降塵的目的。堆場含水率預測與智能灑水抑塵的流程如圖1 所示。

圖1 含水率預測與智能灑水抑塵流程圖

2 模型建立

智能灑水方案的制定關鍵在于煤炭含水率變化模型。露天堆場煤炭的含水率變化主要與氣象條件有關，包括風速、溫度、濕度、風向等。這些氣象數(shù)據(jù)可以在粉塵監(jiān)測儀中直接獲取，所以研究的重點就是建立煤炭含水率和風速、溫度、濕度、風向之間的關系的模型，從而根據(jù)氣象數(shù)據(jù)來通過模型預測煤炭的含水率變化。由于煤炭含水率隨溫度、濕度、風速、風向等氣象歷史數(shù)據(jù)量的增加而不斷變化，傳統(tǒng)的預測方法復雜且計算耗時，難以預測和推斷過去值和未來值之間的隨機依賴關系。但由于用來測量煤炭含水率而采取的煤炭樣本是固定時間間隔的，所以適合采用時間序列預測模型來對煤炭的含水率進行預測處理。

2.1 預測模型

時間序列預測（Time Series Forecasting，TSF）［5］是一種利用歷史數(shù)據(jù)預測給定序列的未來值的方法［6］。本文使用了一種LSTM 模型的深度學習方法，可以克服傳統(tǒng)預測模型的局限性，做出準確的預測［7］。LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）模型［8］。圖2 為基于LSTM 狀態(tài)的計算模型［9］。

圖2 基于LSTM狀態(tài)的計算模型

LSTM有兩種傳遞狀態(tài)，一種是ct（單元狀態(tài)）；另一種是ht（隱藏狀態(tài)）。利用LSTM 的當前輸入xt和前一狀態(tài)傳遞下來的輸入ht-1進行拼接訓練，得到狀態(tài)時步t的輸入門it、遺忘門ft、輸出門ot和候選記憶單元分別計算如下：

式中：W為權(quán)重參數(shù)；b為偏差參數(shù)。

隱藏狀態(tài)下的信息流動可由輸入門、遺忘門和輸出門控制，其元素范圍為［0，1］。當前時間步長t將前一個時間步長記憶細胞的信息與當前時間步長候選記憶細胞的信息結(jié)合，通過遺忘門和輸入門控制信息流動：

遺忘門控制上一時間步長的記憶單元ct-1中的信息是否被傳輸?shù)疆斍皶r間步長ct的記憶單元，而輸入門控制當前時間步長的輸入xt通過候選記憶單元流入當前時間步長的記憶單元如果遺忘門總是約為1，而輸入門總是約為0，那么過去的記憶單元將總是存儲在時間中，并傳遞到當前的時間步長。因此，LSTM在設計架構(gòu)上解決了循環(huán)神經(jīng)網(wǎng)絡的梯度衰減問題，更好地捕捉了時間序列中時間步距的依賴性。

2.2 數(shù)據(jù)采樣

建立模型需要的數(shù)據(jù)包括氣象數(shù)據(jù)和煤炭含水率數(shù)據(jù)。黃驊港在每個堆場周圍都會有對應的粉塵監(jiān)測儀，實時監(jiān)測天氣狀況和空氣質(zhì)量等數(shù)據(jù)，并將數(shù)據(jù)存到數(shù)據(jù)庫中，所以溫度、濕度、風速、風向等氣象數(shù)據(jù)可以在數(shù)據(jù)庫中實時調(diào)用。煤炭含水率數(shù)據(jù)是通過堆場現(xiàn)場采樣，然后取定量的樣本放進干燥機中干燥，直至煤炭恒重，然后通過干燥前后的重量變化計算出煤炭含水率，其含水率公式為

式中：M為煤炭含水率；m1為煤炭干燥前的質(zhì)量；m2為煤炭干燥后的質(zhì)量。

數(shù)據(jù)采樣以天為單位，每天從8：00 ～20：00 每小時采樣一次，每次采樣5 個不同的煤種，每天共65 個數(shù)據(jù)樣本。

2.3 算法流程

根據(jù)上文中的LSTM 模型，本文構(gòu)建了一個預測煤炭含水率的深度學習算法框架。此深度學習模型的算法工作流程如下：

鋅是植物、動物和人體必需的微量元素。植物缺鋅就表現(xiàn)為植株矮小、生長受到抑制；人體缺鋅會引起許多疾病，如侏儒癥、糖尿病、高血壓等，但攝入過量的鋅也會有不利的影響[21]。

（1）數(shù)據(jù)預處理。獲取數(shù)據(jù)之后，由于含水率數(shù)據(jù)有可能測量錯誤，所以畫出含水率數(shù)據(jù)的箱線圖，把箱線圖中的離群值當作異常值剔除。然后由于煤堆作業(yè)等其他因素，會暫停采樣一次，這樣就會使數(shù)據(jù)缺少一個數(shù)據(jù)樣本，失去連續(xù)性，但是為了保證模型的準確性，需要每天的數(shù)據(jù)盡可能的連續(xù)，時間間隔相同，所以需要填充缺失值，本文使用的方法為插值法，取前后兩個時刻的含水率平均值作為缺失數(shù)據(jù)當前時刻的含水率數(shù)據(jù)。預處理之后的部分數(shù)據(jù)如表1 所示。

（2）數(shù)據(jù)標準化。標準化之后數(shù)據(jù)的分布趨向于正態(tài)分布，就不會因為各個數(shù)據(jù)不同的值域分布而對模型訓練造成影響。這種方法基于原始數(shù)據(jù)的均值（mean）和標準差（standard deviation）進行數(shù)據(jù)的標準化，

式中：μ為數(shù)據(jù)的均值；σ為數(shù)據(jù)的標準差。

表1 預處理后的數(shù)據(jù)

標準化后的部分數(shù)據(jù)如表2 所示。

表2 標準化后的數(shù)據(jù)

（3）劃分數(shù)據(jù)集。由于獲取的數(shù)據(jù)集是按天采樣的，所以把數(shù)據(jù)集以天為單位劃分為若干個序列，以天為單位隨機取出其中80%的數(shù)據(jù)作為訓練集，剩下的20%作為測試集。

2.4 網(wǎng)絡模型

（1）本文使用均方誤差（Mean-Square Error，MSE）作為損失函數(shù)，MSE 是衡量“平均誤差”的一種較方便的方法，MSE 可以評價數(shù)據(jù)的變化程度。均方誤差MSE：

式中：L為MSE 損失值；yt為樣本期望值為樣本預測值。

（2）優(yōu)化算法使用Adam （Adaptive moment estimation）［10］優(yōu)化算法，此優(yōu)化算法可以代替?zhèn)鹘y(tǒng)的隨機梯度下降法更有效的更新網(wǎng)絡權(quán)重。Adam 優(yōu)化算法公式：

式中：gt為梯度；β1為一階矩衰減系數(shù)，一般取0.9；β2為二階矩衰減系數(shù)，一般取0.999；mt為梯度gt的一階矩；vt為梯度gt的二階矩。

為了參數(shù)的正常更新，需要做如下的偏置矯正：

更新網(wǎng)絡權(quán)重參數(shù)的公式：

式中：θt為要更新的參數(shù)；α 為學習率，默認為0.001；ε為通常取10-8，防止分母為0。

（3）訓練模型。經(jīng)過（1）～（4）步的準備，可以開始訓練模型。把處理好的訓練集數(shù)據(jù)輸入到模型中，對模型進行訓練，通過不斷修改和調(diào)整學習率和隱含層神經(jīng)元個數(shù)使loss值收斂到一個較低的值。

（4）測試模型。神經(jīng)網(wǎng)絡模型學習的效果需要通過誤差大小來衡量，本文中采用平均絕對誤差MAE（Mean Absolute Deviation）、平均絕對誤差百分比MAPE（Mean Absolute Percentage Error）和決定系數(shù)R2（Coefficient of Determination）來對模型訓練的效果做出定量的評價：

模型訓練完成之后，把測試集數(shù)據(jù)輸入到訓練好的模型中進行測試，通過模型輸出的預測值與真實值的比較，判斷模型訓練的效果，預測值與真實值之間相差越小模型精確度越高。

（5）優(yōu)化模型。為了提高模型的準確性，需要對模型的學習率和權(quán)重等各個參數(shù)進行不斷地調(diào)整，并可以使用L1正則化、L2正則化［11］、Dropout 等來防止過擬合。深層神經(jīng)網(wǎng)絡的參數(shù)量大，模型比較復雜，容易出現(xiàn)過擬合現(xiàn)象，而Dropout 方法就是一種用來防止過擬合的技術(shù)，在2012 年由Hinton 提出［12］，即在訓練時以一定的比例隨機使部分神經(jīng)元失去活性，不會向前傳遞任何信息。本文使用的就是Dropout 方法來防止過擬合。應用Dropout 方法的神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖如圖3 所示。建立模型的工作流程圖如圖4所示。

圖3 應用Dropout方法的神經(jīng)網(wǎng)絡結(jié)構(gòu)

圖4 建立LSTM模型的工作流程

3 實驗結(jié)果與分析

神經(jīng)網(wǎng)絡模型學習的效果需要通過誤差大小來衡量，通過對訓練集進行訓練，模型的均方誤差（MSE）的收斂曲線如圖5 所示。

圖5 LSTM模型的MSE收斂曲線

由圖5 可以看出，經(jīng)過大量訓練之后模型的均方誤差逐漸降低并穩(wěn)定到較低值。模型訓練完成之后，需要對模型進行測試，把測試集輸入到模型中，通過模型計算出預測值，比較預測值和真實值之間的誤差，來判斷模型的準確率。通過測試，得到的模型預測值和真實值之間的MAE 為1.03，MAPE 為15%，R2為0.83。

表3列出了LSTM模型得到的預測值與真實值的部分數(shù)據(jù)，以及它們之間的AE（絕對誤差）和APE（絕對百分比誤差），圖6 進一步給出了LSTM模型的含水率預測值與真實值的比較。

表3 LSTM模型的預測值、真實值和誤差

圖6 LSTM模型的預測值與真實值的比較

由圖6 可以看出，LSTM 模型對煤炭含水率的預測較為準確，對含水率變化趨勢的預測與實際相符，沒有出現(xiàn)位移偏差，預測值與真實值的誤差較小，絕對誤差的最大值與最小值分別為4.68 和0.01，絕對百分比誤差的最大值與最小值分別為107%和0.1%，而且沒有出現(xiàn)波谷過低和波峰過高，對波峰和波谷的預測較為準確。

為了進一步驗證使用LSTM模型在煤炭含水率預測的廣泛性，將本文建立的LSTM 煤炭含水率預測模型和其他方法建立的煤炭含水率預測模型進行了對比，LSTM、RNN、MLR［13］、SVM［14］模型的預測值和真實值的對比如圖7 所示。

圖7 LSTM、RNN、MLR和SVM模型對煤含水率預測結(jié)果的比較

由圖7 可以看出，MLR 和SVM 模型對煤炭含水率變化的預測出現(xiàn)了向后位移偏差；RNN 和LSTM 模型的預測結(jié)果較好，總體趨勢符合實際，且沒有位移偏差。而RNN絕對誤差的最大值和最小值分別為5.37和0.03，絕對百分比誤差的最大值和最小值分別為192%和0.2%，誤差與LSTM 模型相比較大，由此可見，4 種模型中LSTM模型預測精度更高。

4 種預測模型預測煤炭含水率的精確度統(tǒng)計結(jié)果如表4 所示。根據(jù)表4，預測精確度由高到低為：LSTM、RNN、SVM、MLR。其中，LSTM 模型的MAE 為1.03，分別比RNN、SVM、MLR 低了0.42、0.79、1.3；MAPE為15%，分別比RNN、SVM、MLR低了5%，8%，15%；R2 為0.83，分別比RNN、SVM、MLR 提高了0.09、0.21、0.37［15］。根據(jù)統(tǒng)計結(jié)果表明，LSTM 模型對煤炭含水率的預測效果最佳。

表4 不同預測模型預測煤炭含水率的精確度統(tǒng)計

通過上文建立的LSTM 模型，根據(jù)當前煤炭含水率和氣象數(shù)據(jù)可以預測出下一時刻煤炭的含水率，通過下一時刻含水率對應的起動風速和實際風速進行對比，如果實際風速大于當前風速，那么控制灑水設備進行灑水抑塵，灑水之后，通過灑水量可以計算出煤炭含水率變化后的值為多少，把此含水率當作當前含水率跟氣象數(shù)據(jù)一起繼續(xù)使用模型進行預測，就可實現(xiàn)自動灑水調(diào)節(jié)煤炭含水率，抑制煤炭起塵，實現(xiàn)智能灑水降塵。

4 結(jié) 語

本文通過建立基于LSTM循環(huán)神經(jīng)網(wǎng)絡的煤炭含水率變化模型，提出了制定露天煤場智能灑水的方法，據(jù)此方法實現(xiàn)了煤堆含水率根據(jù)溫度、濕度、風速、風向變化的自動調(diào)整，從而實現(xiàn)智能灑水降塵。研究表明，與傳統(tǒng)的人工控制灑水相比，本文提出的方法預測模型精準，對露天堆場實現(xiàn)智能灑水抑塵，自動調(diào)節(jié)煤炭含水率，降低露天堆場的揚塵量，具有實用意義，為建設綠色生態(tài)港口提供了理論方法借鑒。