仝翠芝,張 惠,劉洪斌
(國網(wǎng)冀北電力有限公司智能配電網(wǎng)中心,河北 秦皇島 066100)
對于國內(nèi)的鋼鐵企業(yè),降低步進式加熱爐的能耗是主要工作,在鋼坯熱軋之前,步進式加熱爐可以緩沖連鑄-熱軋環(huán)節(jié)[1],經(jīng)調(diào)查發(fā)現(xiàn),熱軋機、步進式加熱爐和連鑄機之間的生產(chǎn)周期和生產(chǎn)能力均不相同,且在軋制過程中入爐溫度、鋼坯質(zhì)量和鋼坯規(guī)格等參數(shù)存在差異,如果不能預測步進式加熱爐的能耗,無法制定合理的調(diào)度方案,進而降低生產(chǎn)效率[2],因此研究步進式加熱爐能耗預測方法具有重要意義。
饒立群[3]等人用單個加熱特征的集合體描述加熱工件,并分析工件特征加熱功率,根據(jù)分析結(jié)果建立能耗數(shù)學模型,通過GM(1,1)模型完成能耗預測,該方法采集的數(shù)據(jù)中存在較多噪聲,存在去噪效果差的問題。諶東海[4]等人提出基于MI+PSO-LSTM的能耗預測模型,利用MI選取特征參數(shù),結(jié)合長短時神經(jīng)記憶網(wǎng)絡(luò)中存在的超參數(shù),通過粒子群優(yōu)化算法完成訓練優(yōu)化,利用優(yōu)化后的LSTM模型實現(xiàn)能耗預測,該方法預測的能耗與實際能耗變化之間存在一定差距,存在預測精度低的問題。
為了解決上述方法中存在的問題,提出基于改進差分進化算法的步進式加熱爐能耗預測方法。
為了提高步進式加熱爐能耗預測的精度[5],采用小波包原理對步進式加熱爐的歷史能耗數(shù)據(jù)展開去噪處理,具體過程如下:
根據(jù)抽樣定理在步進式加熱爐歷史能耗數(shù)據(jù)中進行采樣,獲得信號X,利用小波基分解信號X,獲得Xn1,Xn2,…,Xn,2n:
(1)
(2)
完成加熱爐歷史能耗數(shù)據(jù)的去噪后,構(gòu)建能耗預測模型。
采用時間卷積網(wǎng)絡(luò)[8-9]建立步進式加熱爐能耗預測模型的具體過程為:通過自相關(guān)系數(shù)確定時間卷積網(wǎng)絡(luò)的滑窗尺度,將去噪后的步進式加熱爐歷史能耗數(shù)據(jù)輸入時間卷積網(wǎng)絡(luò)中,構(gòu)建預測模型。
將空洞卷積引入時間卷積網(wǎng)絡(luò)中,提高網(wǎng)絡(luò)捕獲步進式加熱爐歷史數(shù)據(jù)的長度,t時刻加熱爐的能耗為
(3)
式中:g()為能耗預測函數(shù);k為卷積核數(shù)量;d為空洞因子。
(4)
針對步進式加熱爐能耗存在的穩(wěn)定性較差、非線性較高的特點,在遷移學習過程中可以準確將能耗預測的加熱區(qū)(源域)學習到的知識遷移到其他加熱區(qū)(目標域)中。
采用生成對抗網(wǎng)絡(luò)[11]對模型展開訓練:
(1)建立生成模型H,用于采集步進式加熱爐的能耗數(shù)據(jù),該模型的主要作用是生成偽數(shù)據(jù)H(z);
(2)建立判別模型F,用于區(qū)分能耗樣本屬于生成模型H或是真實數(shù)據(jù),判別模型F的主要目的是分類步進式加熱爐的歷史能耗數(shù)據(jù)。
利用值函數(shù)B(H,F)對生成模型H和判別模型F展開下述極小極大對策:
(5)
式中:Rz為能耗數(shù)據(jù)屬于生成模型H生成的偽數(shù)據(jù);Ra為能耗數(shù)據(jù)屬于真實數(shù)據(jù)。
(6)
式中:B()為平均絕對誤差函數(shù)。
通過上述計算,完成步進式加熱爐能耗預測模型的構(gòu)建。
完成步進式加熱爐能耗預測模型的構(gòu)建,采用改進差分進化算法對預測模型進行求解。
為了提高差分進化算法尋求全局最優(yōu)解的能力,采用禁忌搜索算法[12-13]改進差分進化算法。為了提高算法的尋優(yōu)效率,縮短計算時間,對于種群中表現(xiàn)較為良好的個體進行禁忌搜索計算,以提高預測模型的求解精度,對步進式加熱爐的能耗進行精準的預測。具體的計算步驟如下:
(7)
式中:CRp為個體o在種群中的交叉概率。
(4)選擇操作。比較新個體Op,E與原始個體Vp,E的適應度值F(Op,E)、F(Vp,E),通過下式完成個體的選擇操作:
(8)
(5)禁忌搜索。根據(jù)適應度值的大小,對新個體從小到大排序,選擇前10%的個體展開下述禁忌搜索:
①設(shè)置初始禁忌表為空,設(shè)定步進式加熱爐能耗預測模型的初始解、候選解數(shù)量、差分進化算法的迭代次數(shù)以及禁忌表長度,加熱爐能耗預測模型的歷史最優(yōu)解選取初始解;
②局部搜索當前的能耗預測模型解,獲得候選解,并對其適應度值展開計算;
③判斷上述獲取的候選解是否具有較高的適應度值;
④判斷能耗預測模型歷史最優(yōu)解與候選最優(yōu)解的適應度值,如果候選最優(yōu)解的適應度值大于歷史最優(yōu)解,進行下一步;如果候選最優(yōu)解的適應度值小于歷史最優(yōu)解進入(6);
⑤不考慮最優(yōu)候選解的禁忌狀態(tài),將其存入禁忌表中,并對禁忌表當前的狀態(tài)展開更新,轉(zhuǎn)到(7);
⑥在步進式加熱爐能耗預測模型的候選解中挑選非禁忌的最優(yōu)適應度值對應的解,并將其存儲到禁忌表中,對表的狀態(tài)展開更新;
⑦判斷目前的迭代次數(shù)是否達到最大值,如果達到進入下一步,否則返回②中;
⑧輸出步進式加熱爐能耗預測模型的最優(yōu)解。
為了驗證基于改進差分進化算法的步進式加熱爐能耗預測方法的整體有效性,需要對其展開測試,本次測試預測的步進式加熱爐對象如圖1所示。
圖1 步進式加熱爐
步進式加熱爐相關(guān)參數(shù)如表1所示。
表1 步進式加熱爐參數(shù)
明確步進式加熱爐的參數(shù)后,為了對所提出預測方法的性能進行有效預測,設(shè)計如下實驗方案:以加熱爐歷史能耗數(shù)據(jù)去噪效果、能耗預測精度、預測耗時為指標,將所提出方法文獻[3]、文獻[4]方法進行對比驗證。
根據(jù)上述選擇的步進式加熱爐為依據(jù),采集其歷史能耗數(shù)據(jù)中煤氣流量數(shù)據(jù)與爐膛溫度數(shù)據(jù),分別采用三種方法對采集的能耗數(shù)據(jù)進行去噪。由于步進式加熱爐需要保持穩(wěn)定的加熱過程,因此在一定時間內(nèi)其煤氣流量數(shù)據(jù)、爐膛溫度數(shù)據(jù)同樣需要保持穩(wěn)定,不宜出現(xiàn)較大幅度的波動。三種方法的去噪效果如圖2所示。
圖2 不同方法的數(shù)據(jù)處理結(jié)果
由圖2可知,采用所提方法處理后,步進式加熱爐的煤氣流量曲線和爐膛溫度曲線都變得平滑,表明所提方法可有效消除數(shù)據(jù)中存在的噪聲,文獻[3]方法和文獻[4]方法對數(shù)據(jù)處理后,數(shù)據(jù)曲線的波動仍然較大,表明以上兩種方法無法消除數(shù)據(jù)中的噪聲。這是因為所提出方法采用小波包原理對步進式加熱爐的歷史能耗數(shù)據(jù)展開了濾波處理,避免了噪聲對能耗預測產(chǎn)生的影響,提高了數(shù)據(jù)精度。
采用所提方法、文獻[3]方法和文獻[4]方法對步進式加熱爐的能耗展開預測,并將預測結(jié)果與實際能耗對比,結(jié)果如圖3所示。
圖3 能耗預測精度結(jié)果
根據(jù)圖3可知,隨著運行時間的增長,步進式加熱爐的能耗不斷增加,所提方法預測的能耗曲線與實際能耗變化情況相符,文獻[3]方法和文獻[4]方法預測的能耗曲線與步進式加熱爐的能耗變化之間存在一定的差異。通過上述測試可知,所提方法可精準地完成步進式加熱爐能耗的預測,因為所提方法建立了能耗預測模型,將預處理后的數(shù)據(jù)輸入模型中,結(jié)合禁忌搜索算法和差分進化算法求解模型,提高了步進式加熱爐能耗預測結(jié)果的精度。
由于算法的計算效率對能耗預測的整體耗時影響較大,因此以能耗預測耗時為指標,將所提出方法與兩種文獻方法進行對比。三種方法的能耗預測耗時結(jié)果如表2所示。
表2 能耗預測耗時 min
觀察表2所示的能耗預測耗時結(jié)果可以看出,隨著實驗次數(shù)的增加,三種方法的耗時結(jié)果出現(xiàn)了明顯的差距,其中所提出方法的最高預測耗時不超過2 min,而文獻[3]與文獻[4]方法能耗預測耗時達到7 min以上。因此,說明所提出方法能夠在較短的時間內(nèi)完成能耗預測。
在鋼鐵工業(yè)發(fā)展過程中,節(jié)能降耗屬于重點研究內(nèi)容,目前步進式加熱爐能耗預測方法存在數(shù)據(jù)處理效果差和預測精度低的問題,因此提出基于改進差分進化算法的步進式加熱爐能耗預測方法,該方法首先對加熱爐的歷史能耗數(shù)據(jù)展開了去噪處理,其次建立能耗預測模型,最后通過改進差分進化算法求解模型,實現(xiàn)能耗預測,該方法可有效消除加熱爐歷史能耗數(shù)據(jù)中存在的噪聲,且具有較高的預測精度與較短的預測耗時。