CN105204333A - 一种提高钢铁企业能源利用率的能耗预测方法 - Google Patents

Abstract

本发明一种提高钢铁企业能源利用率的能耗预测方法，属于信息技术领域，本发明采用带有误差反馈校正学习的神经网络算法进行预测，并且针对传统学习方法收敛速度慢的问题，权值和阈值的调整公式中增加一动量项，用以提高网络的训练速度；采用自适应调节学习率使训练在误差曲面平坦区域增大学习率，在误差变化剧烈的区域减小学习率；采用基于时变权重的参数组合优化方法对初始权值和阈值的分布进行优化，在解空间定位出一个较好的搜索空间，用以避开局部极小点；该方法充分考虑了各工序的能源消耗特点，提高了能源使用效率，降低了能源成本，进而降低了总生产成本。

Description

一种提高钢铁企业能源利用率的能耗预测方法

技术领域

本发明属于信息技术领域，具体涉及一种提高钢铁企业能源利用率的能耗预测方法。

背景技术

钢铁生产是一个多工序、多装置、高能耗的复杂生产过程，能源消耗成本是钢铁工业的主要成本之一，占整个产品成本的20～30％；高能源消耗不仅导致钢铁产品的成本增加，而且也意味着更多的污染和排放；因此，确保连续、安全和经济的能源供应及高效的能源利用是目前各钢铁企业能源管理和规划的重要任务。

能源消耗量的预测是制定钢铁企业能源规划的重要组成部分；通过能源消耗预测系统可以把握能源消耗的趋势，控制能源的存贮量，减少能源的浪费，降低钢铁生产成本，对于提高钢铁企业产品的市场竞争力、经济效益和信息化管理水平具有极为重要的意义。

预测是运用统计方法和数学模型，对能源未来发展状况进行测定，主要通过对过去一些历史数据的统计分析，用量化指标来对系统未来发展进行预测；能源预测的最重要指标是预测精度，因此选择准确的预测方法至关重要；目前采用的主要预测方法有回归分析法、时间序列分析法、灰色预测法、人工神经网络法、组合预测法等。

目前关于能源预测的专利如下：

王建军等(一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，申请号：201310117694.2)利用最小二乘支持向量机的方法建立预测模型，对钢铁冶炼高炉的氧气使用量进行预测，预测结果用以调节高炉氧气供应量；

赵珺等(钢铁企业焦炉煤气柜位预测平衡方法，申请号：200910202045.6)在建立柜位预测模型前先确定出影响柜位变化的主要煤气用户作为柜位预测模型的输入，然后采用小样本的支持向量机建立柜位预测模型，预测煤气柜的柜位平稳、上升和下降变化趋势，为现场调度人员的煤气平衡调度提供指导；

上述专利都是针对某一种能源介质或设备进行预测，钢铁生产中的能源消耗覆盖几乎所有工序，涉及多种介质、多个设备，因此上述专利的应用范围有限。

杜永谦等(基于钢铁生产计划的能源预测方法，申请号：201110079115.0)根据从ERP和MES中每15分钟采集的生产计划、检修计划和设备状态等数据，生成能源消耗曲线，对单个机组或整个企业的能源产耗进行预测；

孙要夺(一种一体化的钢铁企业在线能源预测系统与方法，申请号：200610113685.6)建立了能源预测建模算法库，采用组合模型进行预测以提高准确性；

梁青艳等(一种基于乘积ARIMA模型的在线能源预测系统及方法，申请号：200810226961.9)提出了一种自回归求和滑动平均方法(ARIMA)处理平稳、非平稳、季节波动数据情况下的能源预测，将算法封装于算法库中，使用时提取并根据检修情况对结果进行修正；

在上述专利中，采用能源消耗曲线进行预测无法保证精度，采用算法库的方法克服了单一方法的缺点，但在算法与具体问题的适合性、组合算法的效率方面存在应用局限性。

发明内容

针对现有技术的不足，本发明提出一种提高钢铁企业能源利用率的能耗预测方法，以达到提高能源使用量估计的准确性、提高能源使用率、降低能源放散率的目的。

一种提高钢铁企业能源利用率的能耗预测方法，包括以下步骤：

步骤1、采集企业的生产信息和能源信息，作为多组样本数据；

步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和回收量的影响因素；

步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；

步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；

步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络，判断网络总误差函数值是否小于设定的限定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤6，否则，返回执行步骤4；

步骤6、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量。

步骤1所述的生产信息包括：各工序的生产量、生产周期内的设备检修记录；

所述的能源信息包括：各工序主要能源介质的消耗量，各工序能源介质的回收量，具体如下：

炼铁工序：焦炭消耗量、煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、压缩空气消耗量、低压蒸汽消耗量、低压氧气消耗量、氮气消耗量、电消耗量、水消耗量，高炉煤气回收量、电力回收量；

炼焦工序：煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、低压蒸汽消耗量、氮气消耗量、压缩空气消耗量、电消耗量、水消耗量，焦炉煤气回收量、焦炭回收量、蒸汽回收量；

烧结工序：焦炭消耗量、煤消耗量、焦炉煤气消耗量、电消耗量、水消耗量，蒸汽回收量；

炼钢工序：焦炉煤气消耗量、氧气消耗量、氮气消耗量、氩气消耗量、压缩空气消耗量、电消耗量、水消耗量，转炉煤气回收量、蒸汽回收量；

热轧工序：焦炉煤气消耗量、高炉煤气消耗量、转炉煤气消耗量、氮气消耗量、电消耗量、水消耗量，蒸汽回收量；

冷轧工序：电消耗量、水消耗量、焦炉煤气消耗量、蒸汽消耗量、氮气消耗量、氧气消耗量、氢气消耗量、压缩空气消耗量。

步骤2所述的确定各工序能源消耗量和回收量的影响因素，具体如下：

炼焦工序能源消耗量和回收量的影响因素包括产量、检修计划、熄焦方式和煤气加热方式；

烧结工序能源消耗量和回收量的影响因素包括产量、气温和检修计划；

炼铁工序能源消耗量和回收量的影响因素包括产量、检修计划、气温、煤比、焦比和煤气热值；

炼钢工序能源消耗量和回收量的影响因素包括产量和检修计划；

热轧工序能源消耗量和回收量的影响因素包括产量、气温、检修计划和热装比；

冷轧工序能源消耗量和回收量的影响因素包括产量和检修计划。

步骤4所述的采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化，具体包括以下步骤：

步骤4-1、根据带有误差反馈校正学习的神经网络的结构确定参数组合优化算法中的个体，所述个体为多维向量，向量中的元素即为神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，个体维数为输入层至中间层的连接权值个数、中间层的阈值个数、中间层至输出层的连接权值个数和输出层的阈值个数之和；

步骤4-2、初始化带有误差反馈校正学习的神经网络的参数和参数组合优化算法的参数，包括：带有误差反馈校正学习的神经网络的种群规模、神经元之间连接权重、神经元激活函数的阈值和学习的终止准则；参数组合优化算法的个体数量、个体步长、位置向量、个体维数和迭代终止条件，惯性权重取值；

步骤4-3、将多组样本数据输入参数组合优化算法中，获得多组样本数据的网络总误差函数值；

步骤4-4、判断网络总误差函数值是否小于设定阈值，或是否达到最大迭代次数，若是，则执行步骤4-6，否则，执行步骤4-5；

步骤4-5、更新惯性权重取值，进一步更新参数组合优化算法中个体的步长和位置，获得更新后的个体，即获得更新后的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，并返回执行步骤4-3；

步骤4-6、获得全局最好个体位置所对应的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值。

步骤5所述的采用增加动量项的方式进一步调整优化后的权值和阈值，即在上一次迭代获得的权值和阈值的基础上加上动量项，动量项的计算公式如下：

$\left\{\begin{array}{c}{{\mathrm{\ΔV}}_{jt}}^k=\mathrm{\η}\·{d_t}^k\·{b_j}^k+\mathrm{\μ}\·{{\mathrm{\ΔV}}_{jt}}^{k-1}\\ {{\mathrm{\Δ\γ}}_t}^k=\mathrm{\η}\·{d_t}^k+\mathrm{\μ}\·{{\mathrm{\Δ\γ}}_t}^{k-1}\end{array}\right.---\left(1\right)$

其中，ΔV_jt ^k表示第k次迭代中中间层神经元j到输出层神经元t的连接权值动量项，Δγ_t ^k表示第k次迭代中输入层神经元j到中间层神经元t的阈值动量项，η表示学习率，其初始值为[0，1]之间随机数，d_t ^k表示第k次迭代中输出层各神经元t的校正误差，b_j ^k表示第k次迭代中中间层各神经元j的输出，μ表示动量系数，μ∈(0，1)，ΔV_jt ^k-1表示第k-1次迭代中中间层神经元j到输出层神经元t的连接权值动量项，Δγ_t ^k-1表示第k-1次迭代中输入层神经元j到中间层神经元t的阈值动量项；

$\left\{\begin{array}{c}{{\mathrm{\ΔW}}_{ij}}^k=\mathrm{\η}\·{e_j}^k\·{a_i}^k+\mathrm{\μ}\·{{\mathrm{\ΔW}}_{ij}}^{k-1}\\ {{\mathrm{\Δ\θ}}_j}^k=\mathrm{\η}\·{e_j}^k+\mathrm{\μ}\·{{\mathrm{\Δ\θ}}_j}^{k-1}\end{array}\right.---\left(2\right)$

其中，ΔW_ij ^k表示第k次迭代中输入层神经元i到中间层神经元j的连接权值动量项，Δθ_j ^k表示第k次迭代中输入层神经元i到中间层神经元j的阈值动量项，e_j ^k表示第k次迭代中中间层各神经元j的校正误差，a_i ^k表示第k次迭代中输入层各神经元i的输出，ΔW_ij ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的连接权值动量项，Δθ_j ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的阈值动量项。

步骤5所述的通过自适应调节学习率运行带有误差反馈校正学习的神经网络，自适应调节学习率的公式如下：

其中，η(z)表示第z次迭代的学习率，η(z+1)表示第z+1次迭代的学习率，E(z)表示第z次迭代的总误差，E(z+1)表示第z+1次迭代的总误差。

本发明优点：

本发明提出一种提高钢铁企业能源利用率的能耗预测方法，采用带有误差反馈校正学习的神经网络算法进行预测，并且针对传统学习方法收敛速度慢的问题，权值和阈值的调整公式中增加一动量项，用以提高网络的训练速度；针对学习率敏感的问题采用自适应调节学习率，从而使训练在误差曲面平坦区域增大学习率，在误差变化剧烈的区域减小学习率；针对算法对网络初始权值和阈值敏感和易陷入局部极小点的问题，采用基于时变权重的参数组合优化方法对初始权值和阈值的分布进行优化，在解空间定位出一个较好的搜索空间，用以避开局部极小点；本发明通过针对各工序能源消耗的相关性分析和对求解算法的改进，提供一种科学的、准确的能源预测方法，可以根据生产计划和操作人员的要求迅速实现未来一个或多个生产计划期内的能源消耗方案；该方法充分考虑了各工序的能源消耗特点，提高了能源使用效率，降低了能源成本，进而降低了总生产成本。

附图说明

图1为本发明一种实施例的提高钢铁企业能源利用率的能耗预测方法流程图；

图2为本发明一种实施例的采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化的流程图；

图3为本发明一种实施例的炼钢工序的样本数据的变化趋势图。

具体实施方式

下面结合附图，以钢铁生产中的炼钢工序为例，对本发明一种实施例做进一步说明。

一种提高钢铁企业能源利用率的能耗预测方法，方法流程图如图1所示，包括以下步骤：

步骤1、采集企业的炼钢生产信息和能源信息，作为多组样本数据；

本发明实施例中，所述的生产信息包括：炼钢工序的生产量、生产周期内的设备检修记录；所述的能源信息包括：炼钢工序主要能源介质的消耗量，炼钢工序能源介质的回收量，具体如下：

炼钢工序：焦炉煤气消耗量、氧气消耗量、氮气消耗量、氩气消耗量、压缩空气消耗量、电消耗量、水消耗量，转炉煤气回收量、蒸汽回收量。

步骤2、对所采集的信息进行去噪处理和归一化处理，并确定炼钢工序能源消耗量和回收量的影响因素；

本发明实施例中，对采集到的某钢铁企业的炼钢生产与能源数据进行去噪，得到33组稳定的、规则的生产与能源数据，如表1所示：

表1炼钢工序样本数据

对数据进行归一化处理，以消除产量、不同能源介质数据因物理意义不同导致的量纲差别，归一化后所有数据都在0～1之间变化，从而使网络在训练和测试时能够给各输入输出变量以同等重要的地位；避免因净输入的绝对值过大使输出饱和导致权值调整进入误差曲面的平坦区；避免输出分量在数值上的差别对相对误差的影响，具体公式如下：

$\stackrel{\‾}{x_i}=\frac{x_i-x_{min}}{x_{\max }-x_{min}}---\left(4\right)$

其中，x_i代表表1中的每一列中的一个数据，x_min代表对应列数据变化的最小值，x_max代表对应列数据变化的最大值；归一化后得到的训练数据和预测数据如表2、表3所示。

表2归一化后的训练数据

表3归一化后的测试数据

本发明实施例中，将表1中炼钢工序的样本数据分为两部分，前30组数据作为训练样本，最后3组数据作为测试样本；

本发明实施例中所述的影响因素包括：炼钢工序能源消耗量和回收量的影响因素包括产量和检修计划。

步骤3、将炼钢工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将炼钢工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；

本发明实施例中，由于炼钢生产中的能源消耗机理复杂，没有已知的模型，通过对这些数据进行统计分析和相关性分析，得到炼钢工序能源消耗量和回收量的影响因素为产量和检修计划；以影响因素作为能源预测的输入变量，炼钢工序的能耗消耗量和回收量作为输出变量，建立能源预测模型；

模型中的参数和符号定义如下：

学习模式对数记为m，本发明实施例中m＝30，模式标号记为k，k＝1，2，...，m；

输入层神经元个数记为n，本发明实施例中n＝2，输入层神经元标号记为i，i＝1，2，...，n；

中间层神经元个数记为p，中间层神经元标号记为j，j＝1，2，...，p；

输出层神经元个数记为q，本发明实施例中q＝1，输出层神经元标号记为t，t＝1，2，...，q；

输入模式向量记为A_k＝[a₁ ^k，a₂ ^k，...，a_n ^k]；

期望输出向量记为Y_k＝[y₁ ^k，y₂ ^k，...，y_q ^k]；

中间层各神经元的输入激活值向量记为S_k＝[s₁ ^k，s₂ ^k，...，s_p ^k]；

中间层各神经元的输出向量记为B_k＝[b₁ ^k，b₂ ^k，...，b_p ^k]；

输出层各神经元的输入激活值向量记为L_k＝[l₁ ^k，l₂ ^k，...，l_q ^k]；

输出层各神经元的实际输出向量记为C_k＝[c₁ ^k，c₂ ^k，...，C_q ^k]；

输入层至中间层的连接权重记为W_ij；

中间层至输出层的连接权重记为V_jt；

中间层各神经元的阈值记为θ_j；

输出层各神经元的阈值记为γ_t；

神经元输出的激活函数采用sigmoid函数，记为f(x)＝1/[1+exp(-x)]；

第k个学习模式，网络的期望输出与实际输出的偏差记为δ_t ^k＝y_t ^k-c_t ^k，平方和误差记为：

$E_k=\frac{1}{2}\underset{t=1}{\overset{q}{\Σ}}{({y_t}^k-{c_t}^k)}^2=\frac{1}{2}\underset{t=1}{\overset{q}{\Σ}}{\left({{\mathrm{\δ}}_t}^k\right)}^2---\left(5\right)$

在所有学习模式对输入之后，网络的总误差记为：

$E=\underset{k=1}{\overset{m}{\Σ}}{E}_k=\frac{1}{m}\underset{k=1}{\overset{m}{\Σ}}\underset{t=1}{\overset{q}{\Σ}}{({y_t}^k-{c_t}^k)}^2---\left(6\right)$

本发明实施例中，根据建立的能源预测模型确定带有误差反馈校正学习的神经网络的结构，采用单一能源介质预测方式，即输入层的神经元个数n＝2，输出层的神经元个数q＝1，中间层的神经元个数p采用经验公式：p＝2n+1，得到中间层的节点个数为p＝5；

步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；

方法流程图如图2所示，具体包括以下步骤：

步骤4-1、根据带有误差反馈校正学习的神经网络的结构确定参数组合优化算法中的个体，所述个体为多维向量，向量中的元素即为神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，个体维数为输入层至中间层的连接权值个数、中间层的阈值个数、中间层至输出层的连接权值个数和输出层的阈值个数之和；

本发明实施例中，根据带有误差反馈校正学习的神经网络的结构确定参数组合优化方法的个体维数D，个体维数＝输入层至中间层的连接权值个数+中间层的阈值个数+中间层至输出层的连接权值个数+输出层的阈值个数，用公式表示如下：

D＝n×p+p+p×q+q＝21(7)

步骤4-2、初始化带有误差反馈校正学习的神经网络的参数和参数组合优化算法的参数，包括：带有误差反馈校正学习的神经网络的种群规模、神经元之间连接权重、神经元激活函数的阈值和学习的终止准则；参数组合优化算法的个体数量、个体步长、位置向量、个体维数和迭代终止条件，惯性权重取值；

确定个体规模，即个体的个数size，其确定方法如下：

$size\≈\frac{N_W}{\mathrm{\ϵ}}---\left(8\right)$

其中，N_W表示网络的权值和阈值总数，ε表示给定的训练误差，本发明实施例中，ε取值0.007。

本发明实施例中，带有误差反馈校正学习的神经网络算法的神经元之间连接权重和神经元激活函数的阈值为[-1，1]之间随机数，学习的终止准则为总误差小于0.007；参数组合优化方法的个体数量为30，个体维数根据神经网络的结构确定、个体步长和位置向量的初始值根据神经元的连接权值和阈值的初始值确定，位置向量中前np+pq维表示连接权重，后p+q维表示阈值，迭代终止条件为最大迭代次数500。

本发明实施例中，模型中的其它参数和符号定义如下：

个体标号记为s，1≤s≤size；

第s个个体的位置记为x_s＝(x_s1，x_s2，...，x_sD)；

第s个个体的步长记为：Δ_s＝(Δ_s1，Δ_s2，...，Δ_sD)；

第s个个体经历过的历史最好点记为：p_i＝(p_i1，p_i2，...，p_iD)；

所有个体所经过的最好的点记为：p_g＝(p_g1，p_g2，...，p_gD)；

在本实施例中，n＝2，p＝5，q＝1，由公式(7)，个体维数为21，则每个个体x_s＝(x_s1，x_s2，...，x_sD)中x_s1，x_s2，...，x_s，15为连接权重，x_s，16，x_s，17，...，x_s，21为阈值；

步骤4-3、将多组样本数据输入参数组合优化算法中，获得多组样本数据的网络总误差函数值；

本发明实施例中，神经网络中间层的输入和输出分别按式(9)和(10)计算：

${s_j}^k=\underset{i=1}{\overset{n}{\Σ}}{W}_{ij}\·{a_i}^k-{\mathrm{\θ}}_j---\left(9\right)$

${b_j}^k=f\left({s_j}^k\right)=1/\[1+\exp (-\underset{i=1}{\overset{n}{\Σ}}{W}_{ij}\·{a_i}^k+{\mathrm{\θ}}_j)\]---\left(10\right)$

本发明实施例中，输出层的输入和输出分别按式(11)和(12)计算：

${l_t}^k=\underset{j=1}{\overset{p}{\Σ}}{V}_{jt}\·{b_j}^k-{\mathrm{\γ}}_t---\left(11\right)$

${c_t}^k=f\left({l_t}^k\right)=1/\[1+\exp (-\underset{j=1}{\overset{p}{\Σ}}{V}_{jt}\·{b_j}^k+{\mathrm{\γ}}_t)\]---\left(12\right)$

本发明实施例中，使用所有训练样本对每一个个体按式(10)和(12)进行前向传播计算，生成每个个体在训练样本下产生的训练误差，然后根据公式(6)计算其网络总误差函数值；

步骤4-4、判断网络总误差函数值是否小于设定阈值，或是否达到最大迭代次数，若是，则执行步骤4-6，否则，执行步骤4-5；

步骤4-5、更新惯性权重取值，进一步更新参数组合优化算法中个体的步长和位置，获得更新后的个体，即获得更新后的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，并返回执行步骤4-3；

根据式(13)和(14)对个体的步长和位置进行更新：

${{\mathrm{\Δ}}_{sD}}^{k_p+1}={\mathrm{\ω}}_{k_p}{{\mathrm{\Δ}}_{sD}}^{k_p}+c_1{\mathrm{\ξ}}_1({p_{sD}}^{k_p}-{x_{sD}}^{k_p})+c_2{\mathrm{\ξ}}_2({p_{gD}}^{k_p}-{x_{sD}}^{k_p})---\left(13\right)$

${x_{sD}}^{k_p+1}={x_{sD}}^{k_p}+{{\mathrm{\Δ}}_{sD}}^{k_p+1}---\left(14\right)$

其中，ξ₁，ξ₂为均匀分布[0，1]区间的随机数；c₁、c₂表示个体和全局最好位置的偏差系数，取值为2；表示在第k_p次迭代所有个体所经过的最好的位置；

采用式(15)对时变权重进行更新：

${\mathrm{\ω}}_{k_p}={\mathrm{\ω}}_{max}-\frac{{\mathrm{\ω}}_{max}-{\mathrm{\ω}}_{min}}{KP}\×k_p---\left(15\right)$

其中，本发明实施例中ω_min，ω_max分别取值为0.2和2，KP表示参数组合优化算法的最大迭代次数，k_p表示迭代次数标号；

步骤4-6、获得全局最好个体位置所对应的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值。

步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络，完成神经网络的训练；

本发明实施例中，中间层神经元j到输出层神经元t的连接权值优化公式如下：

$V_{jt}(z+1)=V_{jt}\left(z\right)+{\mathrm{\ΔV}}_{jt}=V_{jt}\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}{{\mathrm{\ΔV}}_{jt}}^k=V_{jt}\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}(\mathrm{\η}\·{d_t}^k\·{b_j}^k+\mathrm{\μ}\·{{\mathrm{\ΔV}}_{jt}}^{k-1})---\left(16\right)$

本发明实施例中，输入层神经元j到中间层神经元t的阈值优化公式如下：

${\mathrm{\γ}}_t(z+1)={\mathrm{\γ}}_t\left(z\right)+{\mathrm{\Δ\γ}}_t={\mathrm{\γ}}_t\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}{{\mathrm{\Δ\γ}}_t}^k={\mathrm{\γ}}_t\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}(\mathrm{\η}\·{d_t}^k+\mathrm{\μ}\·{{\mathrm{\Δ\γ}}_t}^{k-1})---\left(17\right)$

其中：z＝1，2，...，Z，Z：网络训练最大迭代次数，本发明实施例中取500；

动量项的计算公式如下：

$\left\{\begin{array}{c}{{\mathrm{\ΔV}}_{jt}}^k=\mathrm{\η}\·{d_t}^k\·{b_j}^k+\mathrm{\μ}\·{{\mathrm{\ΔV}}_{jt}}^{k-1}\\ {{\mathrm{\Δ\γ}}_t}^k=\mathrm{\η}\·{d_t}^k+\mathrm{\μ}\·{{\mathrm{\Δ\γ}}_t}^{k-1}\end{array}\right.---\left(1\right)$

其中，ΔV_jt ^k表示第k次迭代中中间层神经元j到输出层神经元t的连接权值动量项，Δγ_t ^k表示第k次迭代中输入层神经元j到中间层神经元t的阈值动量项，η表示学习率，其初始值为[0，1]之间随机数，b_j ^k表示第k次迭代中中间层各神经元j的输出，μ表示动量系数，μ∈(0，1)，ΔV_jt ^k-1表示第k-1次迭代中中间层神经元j到输出层神经元t的连接权值动量项，Δγ_t ^k-1表示第k-1次迭代中输入层神经元j到中间层神经元t的阈值动量项，d_t ^k表示第k次迭代中输出层各神经元t的校正误差，其公式如下：

d_t ^k＝(y_t ^k-c_t ^k)·c_t ^k·(1-c_t ^k)(18)

公式(18)中，c_t ^k表示输出层各神经元的实际输出；y_t ^k表示输出层各神经元的样本输出；

本发明实施例中，输入层神经元i到中间层神经元j的连接权值优化公式如下：

$W_{ij}(z+1)=W_{ij}\left(z\right)+{\mathrm{\ΔW}}_{ij}=W_{ij}\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}{{\mathrm{\ΔW}}_{ij}}^k=W_{ij}\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}(\mathrm{\η}\·{e_j}^k\·{a_i}^k+\mathrm{\μ}\·{{\mathrm{\ΔW}}_{ij}}^{k-1})---\left(19\right)$

本发明实施例中，输入层神经元i到中间层神经元j的阈值优化公式如下：

${\mathrm{\θ}}_j(z+1)={\mathrm{\θ}}_j\left(z\right)+{\mathrm{\Δ\θ}}_j={\mathrm{\θ}}_j\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}{{\mathrm{\Δ\θ}}_j}^k={\mathrm{\θ}}_j\left(z\right)+\underset{k=1}{\overset{m}{\Σ}}(\mathrm{\η}\·{e_j}^k+\mathrm{\μ}\·{{\mathrm{\Δ\θ}}_j}^{k-1})---\left(20\right)$

动量项的计算公式如下：

$\left\{\begin{array}{c}{{\mathrm{\ΔW}}_{ij}}^k=\mathrm{\η}\·{e_j}^k\·{a_i}^k+\mathrm{\μ}\·{{\mathrm{\ΔW}}_{ij}}^{k-1}\\ {{\mathrm{\Δ\θ}}_j}^k=\mathrm{\η}\·{e_j}^k+\mathrm{\μ}\·{{\mathrm{\Δ\θ}}_j}^{k-1}\end{array}\right.---\left(2\right)$

其中，ΔW_ij ^k表示第k次迭代中输入层神经元i到中间层神经元j的连接权值动量项，Δθ_j ^k表示第k次迭代中输入层神经元i到中间层神经元j的阈值动量项，a_i ^k表示第k次迭代中输入层各神经元i的输出，ΔW_ij ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的连接权值动量项，Δθ_j ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的阈值动量项，e_j ^k表示第k次迭代中中间层各神经元j的校正误差，具体公式如下：

${e_j}^k=(\underset{t=1}{\overset{q}{\Σ}}{d_t}^k\·V_{jt})\·{b_j}^k\·(1-{b_j}^k)---\left(21\right)$

公式(21)中，e_j ^k表示中间层各神经元的校正误差；

自适应调节学习率的公式如下：

其中，η(z)表示第z次迭代的学习率，η(z+1)表示第z+1次迭代的学习率，E(z)表示第z次迭代的总误差，E(z+1)表示第z+1次迭代的总误差；

直至网络总误差函数E小于预先设定的限定值ε(网络收敛)或学习次数大于预先设定的数值Z(网络无法收敛)，学习结束；

步骤6、将实际炼钢工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量；

本发明实施例中进入预测阶段，输入表3的炼钢工序的计划产量和影响因素的值，运行带有误差反馈校正学习的神经网络算法，得到算法的输出值，即炼钢工序的能源介质消耗量或回收量；

表4列出了带有误差反馈校正的神经网络算法的输出值；采用实际生产中常用的T+2预测，即在当月预测未来三个月的能源消耗量：

表4算法输出值

从表4的结果可以观察到，本发明提出的基于增加动量项和自适应调节学习率的误差反馈校正神经网络的技术方案得到了精度较高的预测结果，其中氧气的预测误差偏高的原因来自训练样本数据的分布和不稳定，可参考图3的样本数据的变化趋势图。

Claims (6)

1.一种提高钢铁企业能源利用率的能耗预测方法，其特征在于，包括以下步骤：

步骤1、采集企业的生产信息和能源信息，作为多组样本数据；

步骤2、对所采集的信息进行去噪处理和归一化处理，并确定各工序能源消耗量和回收量的影响因素；

步骤3、将各工序能源消耗量和回收量的影响因素作为带有误差反馈校正学习的神经网络的输入，将各工序的能耗消耗量和回收量作为带有误差反馈校正学习的神经网络的输出，构建带有误差反馈校正学习的神经网络的结构；

步骤4、采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化；

步骤5、采用增加动量项的方式进一步调整优化后的权值和阈值，通过自适应调节学习率运行带有误差反馈校正学习的神经网络；

步骤6、判断网络总误差函数值是否小于设定的限定值或学习次数是否大于设定的数值，若是，则完成神经网络的训练，并执行步骤7，否则，返回执行步骤4；

步骤7、将实际各工序能源消耗量和回收量的影响因素输入至训练好的带有误差反馈校正学习的神经网络中，预测实际生产中各工序的能耗消耗量和回收量。

2.根据权利要求1所述的提高钢铁企业能源利用率的能耗预测方法，其特征在于，步骤1所述的生产信息包括：各工序的生产量、生产周期内的设备检修记录；

所述的能源信息包括：各工序主要能源介质的消耗量，各工序能源介质的回收量，具体如下：

炼铁工序：焦炭消耗量、煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、压缩空气消耗量、低压蒸汽消耗量、低压氧气消耗量、氮气消耗量、电消耗量、水消耗量，高炉煤气回收量、电力回收量；

炼焦工序：煤消耗量、高炉煤气消耗量、焦炉煤气消耗量、低压蒸汽消耗量、氮气消耗量、压缩空气消耗量、电消耗量、水消耗量，焦炉煤气回收量、焦炭回收量、蒸汽回收量；

烧结工序：焦炭消耗量、煤消耗量、焦炉煤气消耗量、电消耗量、水消耗量，蒸汽回收量；

炼钢工序：焦炉煤气消耗量、氧气消耗量、氮气消耗量、氩气消耗量、压缩空气消耗量、电消耗量、水消耗量，转炉煤气回收量、蒸汽回收量；

热轧工序：焦炉煤气消耗量、高炉煤气消耗量、转炉煤气消耗量、氮气消耗量、电消耗量、水消耗量，蒸汽回收量；

冷轧工序：电消耗量、水消耗量、焦炉煤气消耗量、蒸汽消耗量、氮气消耗量、氧气消耗量、氢气消耗量、压缩空气消耗量。

3.根据权利要求1所述的提高钢铁企业能源利用率的能耗预测方法，其特征在于，步骤2所述的确定各工序能源消耗量和回收量的影响因素，具体如下：

炼焦工序能源消耗量和回收量的影响因素包括产量、检修计划、熄焦方式和煤气加热方式；

烧结工序能源消耗量和回收量的影响因素包括产量、气温和检修计划；

炼铁工序能源消耗量和回收量的影响因素包括产量、检修计划、气温、煤比、焦比和煤气热值；

炼钢工序能源消耗量和回收量的影响因素包括产量和检修计划；

热轧工序能源消耗量和回收量的影响因素包括产量、气温、检修计划和热装比；

冷轧工序能源消耗量和回收量的影响因素包括产量和检修计划。

4.根据权利要求1所述的提高钢铁企业能源利用率的能耗预测方法，其特征在于，步骤4所述的采用基于时变惯性权重的参数组合优化算法对神经网络权值和阈值进行优化，具体包括以下步骤：

步骤4-1、根据带有误差反馈校正学习的神经网络的结构确定参数组合优化算法中的个体，所述个体为多维向量，向量中的元素即为神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，个体维数为输入层至中间层的连接权值个数、中间层的阈值个数、中间层至输出层的连接权值个数和输出层的阈值个数之和；

步骤4-2、初始化带有误差反馈校正学习的神经网络的参数和参数组合优化算法的参数，包括：带有误差反馈校正学习的神经网络的种群规模、神经元之间连接权重、神经元激活函数的阈值和学习的终止准则；参数组合优化算法的个体数量、个体步长、位置向量、个体维数和迭代终止条件，惯性权重取值；

步骤4-3、将多组样本数据输入参数组合优化算法中，获得多组样本数据的网络总误差函数值；

步骤4-4、判断网络总误差函数值是否小于设定阈值，或是否达到最大迭代次数，若是，则执行步骤4-6，否则，执行步骤4-5；

步骤4-5、更新惯性权重取值，进一步更新参数组合优化算法中个体的步长和位置，获得更新后的个体，即获得更新后的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值，并返回执行步骤4-3；

步骤4-6、获得全局最好个体位置所对应的神经网络输入层至中间层的连接权值、中间层的阈值、中间层至输出层的连接权值和输出层的阈值。

5.根据权利要求1所述的提高钢铁企业能源利用率的能耗预测方法，其特征在于，步骤5所述的采用增加动量项的方式进一步调整优化后的权值和阈值，即在上一次迭代获得的权值和阈值的基础上加上动量项，动量项的计算公式如下：

$\left\{\begin{array}{c}{{\mathrm{\ΔV}}_{jt}}^k=\mathrm{\η}\·{d_t}^k\·{b_j}^k+\mathrm{\μ}\·{{\mathrm{\ΔV}}_{jt}}^{k-1}\\ {{\mathrm{\Δ\γ}}_t}^k=\mathrm{\η}\·{d_t}^k+\mathrm{\μ}\·{{\mathrm{\Δ\γ}}_t}^{k-1}\end{array}\right.---\left(1\right)$

其中，△V_jt ^k表示第k次迭代中中间层神经元j到输出层神经元t的连接权值动量项，△γ_t ^k表示第k次迭代中输入层神经元j到中间层神经元t的阈值动量项，η表示学习率，其初始值为[0,1]之间随机数，d_t ^k表示第k次迭代中输出层各神经元t的校正误差，b_j ^k表示第k次迭代中中间层各神经元j的输出，μ表示动量系数，μ∈(0,1)，△V_jt ^k-1表示第k-1次迭代中中间层神经元j到输出层神经元t的连接权值动量项，△γ_t ^k-1表示第k-1次迭代中输入层神经元j到中间层神经元t的阈值动量项；

$\left\{\begin{array}{c}{{\mathrm{\ΔW}}_{ij}}^k=\mathrm{\η}\·{e_j}^k\·{a_i}^k+\mathrm{\μ}\·{{\mathrm{\ΔW}}_{ij}}^{k-1}\\ {{\mathrm{\Δ\θ}}_j}^k=\mathrm{\η}\·{e_j}^k+\mathrm{\μ}\·{{\mathrm{\Δ\θ}}_j}^{k-1}\end{array}\right.---\left(2\right)$

其中，△W_ij ^k表示第k次迭代中输入层神经元i到中间层神经元j的连接权值动量项，△θ_j ^k表示第k次迭代中输入层神经元i到中间层神经元j的阈值动量项，e_j ^k表示第k次迭代中中间层各神经元j的校正误差，a_i ^k表示第k次迭代中输入层各神经元i的输出，△W_ij ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的连接权值动量项，△θ_j ^k-1表示第k-1次迭代中输入层神经元i到中间层神经元j的阈值动量项。

6.根据权利要求1所述的提高钢铁企业能源利用率的能耗预测方法，其特征在于，步骤5所述的通过自适应调节学习率运行带有误差反馈校正学习的神经网络，自适应调节学习率的公式如下：

其中，η(z)表示第z次迭代的学习率，η(z+1)表示第z+1次迭代的学习率，E(z)表示第z次迭代的总误差，E(z+1)表示第z+1次迭代的总误差。