基于能源數(shù)據(jù)的GA-BP網(wǎng)絡(luò)液氨產(chǎn)量預(yù)測

黃遠(yuǎn)紅

（廣西鹿寨化肥有限責(zé)任公司，廣西柳州545624）

基于能源數(shù)據(jù)的GA-BP網(wǎng)絡(luò)液氨產(chǎn)量預(yù)測

黃遠(yuǎn)紅

（廣西鹿寨化肥有限責(zé)任公司，廣西柳州545624）

運(yùn)用液氨生產(chǎn)過程的能源計(jì)量數(shù)據(jù)進(jìn)行計(jì)算機(jī)仿真、對液氨產(chǎn)量預(yù)測。由于實(shí)際生產(chǎn)數(shù)據(jù)的復(fù)雜、多變、非線性等不利因素，使用小波包進(jìn)行信號降噪，運(yùn)用遺傳算法的BP神經(jīng)網(wǎng)絡(luò)（GA-BP）進(jìn)行仿真。仿真結(jié)果表明GA-BP網(wǎng)絡(luò)擬合、泛化能力較強(qiáng)，對實(shí)際生產(chǎn)中能源調(diào)度、預(yù)測產(chǎn)量有較高的應(yīng)用價(jià)值。

液氨產(chǎn)量；能源計(jì)量；GA_BP；仿真

液氨是既是重要的化工產(chǎn)品，也是化肥生產(chǎn)的重要原材料，其消耗大量能源（包括煤、電、水、蒸汽、壓縮空氣等）和足夠的產(chǎn)量間的矛盾非常突出，在國家大力推行節(jié)能減排和企業(yè)本身成本壓力之下，要做好各種能源的平衡、調(diào)度十分困難。在有限的能源配置情況下，做好液氨產(chǎn)量的預(yù)測就顯得特別重要。

神經(jīng)網(wǎng)絡(luò)技術(shù)迅速發(fā)展，廣泛應(yīng)用于制造、航空、通信、電子、交通等領(lǐng)域，而BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[1]是目前應(yīng)用最廣泛的經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型之一，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有非線性映射能力強(qiáng)、有自學(xué)習(xí)和自適應(yīng)能力、較好泛化能力和容錯(cuò)能力等優(yōu)點(diǎn)，但也存在學(xué)習(xí)速度慢、容易陷入局部極小值等問題。而通過遺傳算法（GA，Genetic Algorithms）來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，能夠在一定程度上解決BP網(wǎng)絡(luò)容易陷入局部和網(wǎng)絡(luò)初始權(quán)重過于敏感的問題。

為合理利用能源，從合成氨生產(chǎn)需要的各種能源數(shù)據(jù)入手，運(yùn)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GABP）對合成過程的液氨產(chǎn)量進(jìn)行仿真預(yù)測，使生產(chǎn)調(diào)度人員能夠準(zhǔn)確對各種能源進(jìn)行調(diào)度，滿足液氨產(chǎn)量和能源消耗的需求。

1 合成氨生產(chǎn)的能源路線

1.1 合成氨生產(chǎn)原理

以焦炭（型煤、或無煙煤）為原料的液氨的生產(chǎn)過程[2]主要包括：造氣、凈化、壓縮與合成。通過原煤與蒸汽作用制取氫氣（H2），而氮?dú)猓∟2）取自空氣或?qū)⒖諝庖夯蛛x，最后經(jīng)合成塔高壓合成液氨（NH3）。氨合成反應(yīng)式：

N2+3H2=2NH3（1）

1.2 能源種類及主要作用

按照國家計(jì)量技術(shù)規(guī)范JJF 1356-2012《重點(diǎn)用能單位能源計(jì)量審查規(guī)范》的相關(guān)規(guī)定，合成氨生產(chǎn)需消耗能源種類主要有：一次能源（煤、工業(yè)水），二次能源（電）以及載能工質(zhì)（中壓、低壓飽和、低壓過熱蒸汽、脫鹽水、軟水、工業(yè)壓縮空氣、儀表空氣）等。

原料煤（焦炭、無煙煤或型煤）：合成氨生產(chǎn)的主要原料，同時(shí)也是能源消耗的主要物質(zhì)，約占整個(gè)消耗量的70%以上。其與蒸汽在造氣爐里作用，制備含有H2和N2的原料氣（水煤氣或半水煤氣）。

用電：機(jī)、泵的原動力，電加熱、吹風(fēng)以及各種控制系統(tǒng)的用電。

低壓過熱蒸汽：主要用于與原料煤反應(yīng)，制備原料氣。

中壓及低壓飽和蒸汽：用于熱交換、原料氣加濕，控制塔罐反應(yīng)溫度、速度等。

2 基于能源數(shù)據(jù)的液氨產(chǎn)量GA_BP建模方法

2.1 模型對象的描述

液氨在一般企業(yè)里都是中間產(chǎn)品，但國家對液氨的儲存量和安全、環(huán)保有著非常嚴(yán)格的要求，所以儲存量較少，則對液氨使用量較大的企業(yè)必須對液氨的產(chǎn)量有較為準(zhǔn)確的數(shù)字要求。同時(shí)合成氨能源消耗又占企業(yè)的極大份額，各生產(chǎn)流程關(guān)聯(lián)性極大，導(dǎo)致原料平衡（特別是電、蒸汽、壓縮空氣等）、協(xié)調(diào)使用十分困難。選取與液氨產(chǎn)量（輸出量）關(guān)聯(lián)性極高的能源消耗參數(shù)作為輸入變量，通過BP神經(jīng)網(wǎng)絡(luò)仿真計(jì)算出液氨產(chǎn)量（輸出量）。

但由于BP網(wǎng)絡(luò)存在容易陷入局部最小值[3]，加上連接權(quán)值和閾值的初始化的隨機(jī)性，存在網(wǎng)絡(luò)訓(xùn)練失敗的可能，故采取遺傳算法選擇最優(yōu)的連接權(quán)值和閾值，優(yōu)化BP網(wǎng)絡(luò)。

2.2 BP神經(jīng)網(wǎng)絡(luò)理論[4]

BP(Back Propagation)是Rumelhart等學(xué)者1986年提出的誤差反向傳播（BP）權(quán)重調(diào)整算法，是一種有導(dǎo)師的多層前饋神經(jīng)網(wǎng)絡(luò)，信號前向傳播：輸入層（信號）→隱層逐層處理→輸出層；如果輸出層得不到期望輸出，其誤差轉(zhuǎn)入反向傳播，并根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)預(yù)測不斷逼近期望輸出。結(jié)構(gòu)示意圖如圖1所示。

圖1BP神經(jīng)網(wǎng)絡(luò)（3層）結(jié)構(gòu)圖

圖1 中，V是輸入層-隱含層間的連接權(quán)值，W是隱含層-輸出層間的連接權(quán)值。

2.3 BP神經(jīng)網(wǎng)絡(luò)具體算法

（1）網(wǎng)絡(luò)初始化。

（2）隱含層輸出計(jì)算：根據(jù)X（x1，x2，…，xn），V、a，計(jì)算隱含層輸出Z.

式中：q為隱含層節(jié)點(diǎn)數(shù)；f為隱含層激勵(lì)函數(shù)；xi是第i個(gè)輸入變量。

（3）輸出層輸出計(jì)算：根據(jù)Z（z1，z2，…，zq），W、b，計(jì)算預(yù)測輸出Y.

（4）誤差計(jì)算：據(jù)網(wǎng)絡(luò)預(yù)測輸出T和期望輸出Y（y1，y2，…，ym），計(jì)算預(yù)測誤差e.

（5）權(quán)值更新：根據(jù)網(wǎng)絡(luò)誤差e，更新網(wǎng)絡(luò)連接權(quán)值V，W.

式中：η為學(xué)習(xí)速率。

（6）閾值更新：根據(jù)網(wǎng)絡(luò)誤差e，更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，b.

（7）判斷算法迭代是否結(jié)束，否則重返步驟（2）。

2.4遺傳算法理論基礎(chǔ)

2.4.1 遺傳算法原理

遺傳算法（Genetic Algorithms，GA）是1962年美國Michigan大學(xué)Holland教授提出的模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法，遺傳算法的基本操作如下：

選擇操作：依照適應(yīng)度值的大小，在老群體中以一定概率選擇個(gè)體到新群體；

交叉操作：從個(gè)體中選擇二個(gè)個(gè)體通過染色體的交換組合產(chǎn)生更優(yōu)秀的個(gè)體，具體如圖2所示。

圖2 交叉操作

變異操作：群體中任選一個(gè)個(gè)體，選擇染色體中的一點(diǎn)進(jìn)行變異產(chǎn)生更優(yōu)秀的個(gè)體，具體如圖3所示。

圖3 變異操作

2.4.2 遺傳算法流程

步驟1：隨機(jī)初始化種群；

步驟2：計(jì)算種群適應(yīng)度值，找出最優(yōu)個(gè)體；

步驟3：選擇操作、交叉操作、變異操作；

步驟4：判斷進(jìn)化是否結(jié)束，若否，則返回步:2.

2.5 GA_BP仿真模型

神經(jīng)網(wǎng)絡(luò)遺傳算法主要是隨機(jī)個(gè)體在BP訓(xùn)練和仿真，把其與仿真值相關(guān)函數(shù)作為個(gè)體在BP網(wǎng)絡(luò)的適應(yīng)度值，通過交叉、變異等過程，循環(huán)交替尋找最佳個(gè)體作為BP網(wǎng)絡(luò)的權(quán)值和閾值，實(shí)現(xiàn)BP網(wǎng)絡(luò)的最佳仿真；具體算法流程如圖4所示。

圖4 GA-BP算法流程方框圖

3 GA-BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測模型的建立與測試

3.1 樣本數(shù)據(jù)的采集

本次仿真采集液氨生產(chǎn)中實(shí)際各類能源消耗的真實(shí)數(shù)據(jù)800組，每組包含10個(gè)能源消耗計(jì)量數(shù)據(jù)作為輸入變量，液氨產(chǎn)量作為輸出變量；數(shù)據(jù)已經(jīng)過粗處理：去掉不正常開機(jī)數(shù)據(jù)、儀表失靈數(shù)據(jù)、明顯的粗大數(shù)據(jù)。部分樣本數(shù)據(jù)如表1所列。

表1 樣本數(shù)據(jù)表

3.2 數(shù)據(jù)預(yù)處理

樣本數(shù)據(jù)的3/4（600組）作為訓(xùn)練樣本，另外1/4（200組）作為測試驗(yàn)證樣本；由于樣本數(shù)據(jù)取自生產(chǎn)現(xiàn)場的實(shí)際數(shù)字，干擾噪聲較大；在運(yùn)用數(shù)據(jù)仿真前進(jìn)行中值濾波處理；數(shù)據(jù)的歸一化；進(jìn)行主成分（PCA）分析[5]；再運(yùn)用小波變換[6]進(jìn)行信號去噪處理。

3.3 仿真模型性能分析

（1）均方根誤差（Rmse）：衡量仿真值與樣本值之間（點(diǎn)對點(diǎn)）偏差的平方和觀測次數(shù)n比值的平方根誤差，公式為：

式中：i為樣本個(gè)體；n為樣本總數(shù)；yi為仿真輸出值；y樣本輸出量。

（2）相關(guān)系數(shù)（R2）：表示期望-仿真輸出變量之間的緊密程度，計(jì)算公式如下：

（3）仿真結(jié)果相對誤差＞2%所占的比例，相對誤差計(jì)算公式：

3.4 測試結(jié)果與分析

測試的結(jié)果與分析用MATLAB7.0a軟件進(jìn)行仿真，具體步驟如下：

（1）小波降噪的影響：對有無小波包降噪效果進(jìn)行測試。如表2所示；

表2 小波包降噪的影響

從上表2可以看出：GA-BP仿真模擬在是否運(yùn)用小波降噪有一定的影響，小波降噪對仿真效果有較大的作用，但時(shí)間稍微變長。

（2）遺傳算法各參數(shù)設(shè)定對仿真的影響：如表3表4所示。

表3 迭代次數(shù)的影響

表4 種群規(guī)模的影響

從上述兩張表可以看出：在種群規(guī)模、迭代次數(shù)較小的情況下，這次收集的樣本數(shù)據(jù)并沒有能很好地體現(xiàn)其尋優(yōu)的一般規(guī)律（數(shù)量越多，尋優(yōu)范圍大，個(gè)體優(yōu)秀），說明BP網(wǎng)絡(luò)容易陷入局部極小值，需進(jìn)一步研究。

（3）不同算法仿真對比：如表5所示。

表5 不同算法模型的比對結(jié)果

說明：BP網(wǎng)絡(luò)結(jié)構(gòu)為10-16-1，采用Levenberg-Marquardt算法；

ELM網(wǎng)絡(luò)結(jié)構(gòu)為10-100-1，隱層神經(jīng)元節(jié)點(diǎn)數(shù)100，激活函數(shù)sigmoid；

Elman網(wǎng)絡(luò)結(jié)構(gòu)為10-20-1，隱含層為tansig神經(jīng)元，輸出層為purelin神經(jīng)元。

從以上比對分析，GA-BP網(wǎng)絡(luò)在擬合、泛化的誤差和相關(guān)系數(shù)比對上明顯優(yōu)于Elman和ELM；其效果與BP相當(dāng)，但其泛化效果（相對誤差、相關(guān)系數(shù)）比BP更好，訓(xùn)練時(shí)間更短，原因是由于BP權(quán)值和閾值是隨機(jī)的，容易陷入局部極小值，其要達(dá)到GA-BP相近的精度，需要加大運(yùn)算步數(shù)，耗時(shí)較長。

上述仿真數(shù)據(jù)說明，GA-BP網(wǎng)絡(luò)液氨產(chǎn)量預(yù)測模型比BP、Elman、ELM等算法模型預(yù)測速度更快、泛化能力更好，預(yù)測精度更高。

（4）GA-BP最佳仿真模型曲線圖，如圖5、圖6所示。

圖5 GA-BP模型輸出擬合曲線比對圖

圖6 GA-BP模型輸出泛化曲線比對圖

4 結(jié)束語

針對目前合成氨生產(chǎn)工藝的能源消耗大，液氨產(chǎn)量難以預(yù)估的矛盾，造成原料、能源難以平衡、調(diào)度的問題，利用實(shí)際生產(chǎn)中能源的實(shí)際計(jì)量數(shù)據(jù)對液氨產(chǎn)量構(gòu)建預(yù)測模型，相比于Elman、BP、ELM等模型，其訓(xùn)練時(shí)間、精度、相關(guān)性等性能更好。該模型能夠很好地運(yùn)用預(yù)測結(jié)果對能源進(jìn)行合理調(diào)度，滿足后續(xù)生產(chǎn)的需求，在生產(chǎn)過程和節(jié)能減排中有較高的應(yīng)用價(jià)值。

[1]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械出版社，2003.

[2]崔恩選.化學(xué)工藝學(xué)）[M].2版.北京：高等教育出版社，1997.

[3](加拿大)Simon Haykin著.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉，等譯.北京：機(jī)械工業(yè)出版社，2004.

[4]史峰.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

[5]謝中華.MATLAB統(tǒng)計(jì)分析與應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2010.

[6]孫延奎.小波分析及其應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2005.

Forecast of Liquid ammonia production Based on Energy data for GA-BP Network

HUANG Yuan-hong
（Guangxi Luzhai Chemical Fertilizer Co.，Ltd.，Liuzhou Guangxi 545624，China）

The use of liquid ammonia production process energy consumption simulation，prediction of liquid ammonia production.Due to the complex，changeable，non-linear and other adverse factors of the actual production data，first use wavelet packet denoising，and then use genetic algorithm BP neural network simulation. The simulation results show that the GA-BP network is fit and the generalization ability is strong，for scheduling，energy production forecasting has high application value for ammonia production

ammonia production；energy metering；GA_BP；simulation

TP391.9

：A

：1672-545X（2017）01-0147-04

2016-10-07

黃遠(yuǎn)紅（1969-），男，廣西藤縣人，在職研究生，工程師，主要從事化工、電力的自動化控制方面研究。