熊 偉，張建喜，張守印，張宏健*

（1.華北理工大學電氣工程學院，唐山 063210；2.華北理工大學礦業(yè)工程學院，唐山 063210）

0 引言

鋼鐵生產(chǎn)過程中，煤氣過剩會造成能源浪費、增加排放、污染環(huán)境，煤氣短缺會使生產(chǎn)效率低下。當前，鋼鐵企業(yè)普遍存在冷軋煤氣消耗預測精度偏低的問題，影響煤氣調(diào)度，建立精準的冷軋煤氣消耗預測模型，對煤氣的合理調(diào)度具有重要的現(xiàn)實意義。

互聯(lián)網(wǎng)時代，人工智能迅速崛起，各類方法被廣泛用于鋼鐵企業(yè)煤氣預測。包向軍等［1］結合長短記憶模型和季節(jié)性差分自回歸模型兩者優(yōu)勢，建立梯度驅(qū)動時序預測復合模型，預測了高爐正常工況和變工況條件下的煤氣發(fā)生量。江德文等［2］建立了基于支持向量回歸的高爐煤氣利用率預測模型，結合實際數(shù)據(jù)，將向量回歸模型與多層感知器模型進行對比，實現(xiàn)了對高爐煤氣利用率的準確預測。劉書含等［3］提出了基于BP 神經(jīng)網(wǎng)絡的熱風爐群煤氣消耗量預測模型，提高了預測精度。目前對冷軋煤氣消耗預測研究較少，預測精度不理想。

小波閾值作為常見的數(shù)據(jù)預處理方法，BPNN作為常用的人工神經(jīng)網(wǎng)絡，在各領域的預測模型研究中被廣泛應用。馬瑩瑩等［4］提出了一種基于集合經(jīng)驗模態(tài)分解和小波分析的短時交通流預測方法，利用小波分析對含噪信號進行去噪處理，構建模型，克服了現(xiàn)有短時交通流隨機性、非線性特征。Zhang 等［5］提出利用經(jīng)驗模態(tài)分解和小波閾值降噪去除混凝土壩變形監(jiān)測信息中的高頻成分，結合長短期記憶網(wǎng)絡建立模型，提高了大壩變形預測的精度。周中等［6］為實現(xiàn)對泡沫輕質(zhì)土抗壓強度的智能控制和優(yōu)化，提出了遺傳算法和BP 神經(jīng)網(wǎng)絡相結合的預測模型，實現(xiàn)了對泡沫輕質(zhì)土抗壓強度的靈活調(diào)整。綜上所述，可將小波閾值和BPNN相結合構建模型，用于冷軋煤氣消耗的預測，進而達到提高預測精度的目的，為鋼鐵企業(yè)煤氣合理調(diào)度、減少排放及提高能源利用率提供有力支撐。

1 方法原理

1.1 小波閾值去噪

小波原理實質(zhì)為濾除數(shù)據(jù)中的噪聲，通過分解、閾值處理和重構過程得到含有真實信息的近似分量。小波預處理過程主要包括三部分內(nèi)容：首先是分解，依據(jù)原始數(shù)據(jù)選擇合適的小波函數(shù)，確定分解層數(shù)N，得到N層小波數(shù)據(jù)。然后是閾值選取，常見的閾值選取方法有強制降噪法、默認閾值降噪法和指定軟閾值降噪法等，每種方法各有特點，需通過數(shù)據(jù)的特征選取合適的閾值函數(shù)。接下來是去噪，去噪的過程中，選取合適的閾值對N層數(shù)據(jù)中的每一層進行量化處理，篩選出真實值中的噪聲，得到各層中的真實數(shù)據(jù)。最后是重構，將閾值處理得到的第1 層到第N層數(shù)據(jù)進行小波重構，最終得到去噪后的真實數(shù)據(jù)。

1.2 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡是預測問題中較為常見的方法，包括輸入層、隱含層和輸出層三層結構。輸入層接收數(shù)據(jù)，輸出層輸出數(shù)據(jù)，上一層神經(jīng)元連接到下一層神經(jīng)元，搜集到的信息經(jīng)激活函數(shù)激活后被傳遞給下一層。BP 神經(jīng)網(wǎng)絡具有正向傳播和誤差反向傳播兩個學習過程，各神經(jīng)元參數(shù)逐層檢驗與更正，經(jīng)隱含層傳遞修正權值，能準確反映輸入和輸出間的映射關系，逐層迭代減小輸出值與理論值間的誤差。

2 模型介紹及實驗分析

2.1 模型介紹

通過小波閾值與BPNN相結合的方法，建立小波閾值和BPNN冷軋煤氣消耗預測模型，提高冷軋煤氣的預測精度，模型如圖1所示。鋼鐵企業(yè)采集的冷軋煤氣消耗數(shù)據(jù)含有大量噪聲，將原始數(shù)據(jù)經(jīng)小波去噪處理后，再進行小波重構，得到的數(shù)據(jù)用BPNN進行預測，最終得到冷軋煤氣預測數(shù)據(jù)。圖1 中ca1、ca2、ca3、···、caN為包含有效信息的近似分量，cd1、cd2、cd3、···、cdN為包含噪聲的細節(jié)分量。

圖1 基于小波閾值和BPNN的冷軋煤氣消耗預測模型

2.2 實驗數(shù)據(jù)和評價指標

實驗選取某鋼鐵企業(yè)三個月的冷軋煤氣消耗數(shù)據(jù)。80%的數(shù)據(jù)用于訓練，20%的數(shù)據(jù)用于測試。在影響冷軋煤氣消耗的多種因素中，選取8 種主要影響因素作為BPNN 的輸入，包括微量元素錳、酸洗工藝速度、加熱爐溫度1、加熱爐溫度2、退火爐溫度1、退火爐溫度2、實際材料寬度及厚度。建立小波閾值和BPNN 模型，預測冷軋煤氣消耗數(shù)值，模型參數(shù)采用梯度算法優(yōu)化，確定誤差最小值，使模型參數(shù)逼近最佳狀態(tài)。選取平均絕對誤差（MAE）、均方誤差（MSE）和決定系數(shù)（R2）為模型評價指標。MAE的值越小，MSE的值越小，R2的值越接近1，模型性能越好。

2.3 實驗結果評價

為檢驗小波閾值和BPNN模型的有效性，選擇BPNN 模型作為比較對象，實驗結果如圖2 所示。相比于BPNN 模型，小波閾值和BPNN 模型的預測曲線更為貼近真實曲線。BPNN 有收斂速度慢和在收斂過程中容易陷入局部最優(yōu)的劣勢，容易過度擬合，預測精度較低，導致預測值與實際數(shù)值相差較遠。而經(jīng)小波閾值去噪后的數(shù)據(jù)更接近于真實數(shù)據(jù)，可以很大程度上緩解BPNN 的劣勢，提高預測精度，預測結果相比于BPNN明顯改善。

圖2 各模型的預測結果

各模型的評價指標如表1 所示，與BPNN 模型相比，小波閾值和BPNN 模型的MAE和MSE更小，R2也更接近于1，對冷軋煤氣消耗量的預測精度顯著優(yōu)于BPNN模型。其原因是小波閾值對原始數(shù)據(jù)進行了分解，去除了含噪分量，得到了有效分量，小波閾值和BPNN模型與真實數(shù)據(jù)有更好的擬合度，各項評價指標明顯優(yōu)于BPNN模型。

表1 各模型評價指標對比

3 結語

為提高鋼鐵企業(yè)冷軋煤氣消耗的預測精度，提出了一種小波閾值和BPNN 相結合的預測模型。利用小波閾值對煤氣消耗數(shù)據(jù)進行預處理，得到真實數(shù)據(jù)，結合BP 神經(jīng)網(wǎng)絡，建立小波閾值和BPNN冷軋煤氣消耗預測模型，確定最終預測結果。依據(jù)實驗結果得出以下結論：

（1）小波閾值對原始冷軋煤氣消耗數(shù)據(jù)進行分解，將噪聲和真實值區(qū)分開，可以有效得到去噪后的真實數(shù)據(jù)；

（2）小波閾值和BPNN 模型結合了兩種方法的優(yōu)勢，與BPNN 模型相比，MAE減少了0.29，MSE減少了0.4，R2提高了0.1，有效提高了冷軋煤氣消耗預測精度，為鋼鐵企業(yè)煤氣合理調(diào)度、減少排放及提高能源利用率提供了有力支撐。