Grey能源預測模型的研究及應用

王延明

（首鋼京唐鋼鐵聯合有限責任公司能源與環境部,河北唐山,063000）

Grey能源預測模型的研究及應用

王延明

（首鋼京唐鋼鐵聯合有限責任公司能源與環境部,河北唐山,063000）

根據鋼鐵企業能源發生和使用的特點,在能源管理系統的基礎上，建立了能源預測動態數學模型,并對首鋼京唐鋼鐵公司高爐煤氣系統進行了實例計算。實驗結果表明：在企業完全正常生產的情況下,對能源系統的發生和使用預測，取得滿意的效果。并且模型還可展現調度方案的效果,為調度方案的評估提供參考。

能源預測;灰色理論;應用

1 引言

能源是國民經濟和社會發展的重要基礎，經濟的高速發展必須要有充足的能源供應作保障，因為經濟的高速發展必然會產生對能源的高需求，能源供應將成為未來制約我國經濟發展的主要因素。同時，能源的消費和預測也成為保障能源安全穩定供應的重要手段。本項目將以京唐鋼能源系統為載體開展研究工作，采用科學的方法對能源的發生、傳輸和消費系統作出預測，為全公司安全穩定運行提供依據。

能源預測是從研究能源消費的歷史與現狀開始，分析影響能源消費的各種因素，找出能源消費與這些因素的關系，并根據這些關系對未來能源消費發展趨勢作出估計和評價。能源消費量的傳統預測方法有判斷分析法、時間序列分析法、計量經濟法和投入產出法等。為了同時對多個具有不同變化趨勢的現象進行預測，結合各現象自身的特點，首先對歷史數據進行預處理，去除異常值，然后對歷史數據進行建模。預測能源生產和消費量，并用實際數據進行了檢驗。

2 能源預測模型

目前，國內各鋼廠的能源管理主要由能源監控、電話調度和能源計量組成，大多數是各種能源介質的事后管理，時效性上存在進一步提高的空間。本模型提供了在線能源預測功能，為實現系統的節能減排提供了重要的參考依據。

2.1 預測基本原理

煤氣等能源介質發生、消耗是一個工況復雜的工藝過程，影響其發生、消耗量的因素復雜多變，難于把握。目前很多智能預測方法無法或很難根據工況信息實施有效的動態預測，為了達到有效預測的目的，本模塊基于歷史統計等數據，并結合生產狀態、生產工藝信息進行預測，綜合運用Grey模型和BP神經網絡，以期達到有效預測的目的。

目前采用的基本模型有機理模型、智能模型（時間序列模型、灰色模型、BP神經網絡）。短期動態預測則主要采用機理模型和智能模型相結合的方案。在正常情況下，能源介質波動有其自身的規律，波動范圍不大，運用智能模型基本可以達到較好的預測效果，而非正常情況下，由于外界因素（工藝條件的變化、工況的改變）而打破能源介質本身的波動規律，此時需要結合工藝和工況用機理模型來解決。

2.2 模型介紹

Grey能源預測模型的框架如圖1所示。首先對實時數據和歷史數據等進行清理，已得到所需要的有效信息。然后應用灰色關聯及BP神經網絡相關算法進行能源預測研究，為了達到滿意的預測效果，必須經過一個迭代的過程。最后輸出能源預測的結果，為生產提供各種指導意見。

圖1 G rey能源模型框架圖

(1)數據清洗

預測的關鍵在于數據的完整性和數據的有效性。數據預處理是建模的關鍵，經過數據異常值剔除、數據濾波過程得到建模的基礎數據，運用處理后的數據進行建模預測來提高預測的準確性。除了對數據的處理外，對外界工況條件變更的捕獲也很重要，及時準確的錄入工況信息能有效的修正預測結果，提高預測精度。

數據清洗即分析“臟數據”產生的原因和存在形式，利用現有技術手段和方法去清洗它們，并將它們轉化為滿足要求的數據，從而提高數據集的質量。

：令X={x1,x2,…,xn}是一組n個能源介質指標的XML數據集，其中，xi=[xi1,xi2,…表示第i個樣本的m個特征值。

對于給定的n個樣本，通常其劃分方法就是將目標函數按一個聚類準則指導搜索劃分。

其中第1項是數值特征的歐幾里德距離平方；第2項是類屬特征上的簡單的相異匹配測度。

(2)灰色分析

建立基于AHP和灰色關聯分析的改進算法的具體步驟如下：

1)使用AHP(層次分析法)確定各個要素的權重。

2)用變權綜合法對上步的到的結果進行處理，得到新的要素權重值。

3)應用灰色關聯分析和各個要素的權重值進行分析。

灰色關聯分析是一種多因素統計分析方法，它是以各因素的樣本數據為依據用灰色關聯度來描述因素間關系的強弱、大小和次序的。能源預測各要素對最終結果的影響是離亂的，據有明顯的灰性。因此，對指標進行灰色關聯分析以實現指標的比較是合適的。分析的基本步驟：

灰關聯生成。為了消除不同指標、不同量綱的影響，針對不同類型的指標采用不同的規范化方法，將其規范化為隸屬于[O，1]區間的效益型指標。

①效益目標：

4）計算灰關聯度

其中βk為各因子的權重，權重大小可由層次分析法和變權綜合法求得。

(3)BP神經網絡

由于BP神經網絡（back propagation多層前饋）利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。

輸入：

其中Wj表示各指標的評價權重，Oi表示各指標經過清洗之后的數據。

輸出：

輸出最終的配比指標。

BP神經網絡是一個反復的過程，需要和灰色關聯分析進行重復計算。最后得出最后配比。

經過實際應用，本模型達到了預定效果，達到了煤氣的平衡利用，大大節約了生產成本，產生了較大的經濟效益。預測結果可以為調度人員進行短期煤氣調度提供決策支持，同時為智能優化調度方案的實施提供基礎數據。

3 實驗結果

圖2為京唐公司2009-12-16 00：00：00—2009-12-16 23：00時間內的預測效果圖。其中從2009-12-16 07：00至2009-12-17 14：40為檢修狀態。如圖所示當程序捕捉到工況變化時，能及時修正預測結果，達到合理的預測效果。預測誤差在10%內的預測值達到91.67%。

灰色模型和BP神經網絡模型相結合，充分利用這兩種方法的優點，對能源消耗及發生量小時流量進行了組合建模預測。圖3為高爐煤氣發生量的預測結果。

誤差數據分析見圖4。

圖2 煤氣短期預測界面

圖3 高爐煤氣發生預測結果

預測結果分析：本實驗中數據平均絕對相對誤差0.0114，預測平均絕對相對誤差0.0149。AR自定階模型能夠根據數據波動規律，選擇最佳的建模次數對預測對象未來的變化趨勢進行預測。本實驗所展示的是4時的預測效果。在實際應用中，模型階次會隨著數據的波動狀態，動態優化建模。

根據對能源介質發生及消耗量的預測，Grey模型達到了預期的效果，對鋼鐵廠能源介質的平衡提供了有力的幫助，同時為全廠能源的調度平衡提供了有力的工具，其將在首鋼京唐的能源介質的有效利用上發揮巨大的作用。

4 結論

本文建立了適合冶金能源系統的能源生產和消費的Grey預測模型，基于現有的能源管理系統（EMS），在實際的生產過程中取得了預期的效果，達到了所需要的能源預測能力。本模型的實現為用戶提供科學的生產指揮調度依據，將對京唐鋼的節能減排等工作提供有力支持。

[1]鄧聚龍.灰色系統理論教程[M].華中理工大學出版社,1990.11.

[2]李文兵，紀揚，李華德.鋼鐵企業煤氣產生消耗動態模型研究[J].冶金自動化，2008，32(3)：28-33.

[3]韓家煒.數據挖掘：概念與技術[M].北京：機械工業出版社,2007.3.

[4]王思強.能源預測預警理論與方法[M].北京：清華大學出版社, 2010.2.

[5]魏建新.鋼鐵企業的能源戰略[J].冶金能源,2007,262：3.

Research and App lication of the Grey Energy Prediction M odel

Wang Yangming
(The Energy and Environment Dept.of Shougang Jingtang Iron&Steel Co.,Ltd,Tangshan,Hebei 063000,China)

In accordance with the characteristics of energy production and consumption and on the basis of energy management system in steel enterprises,a dynamic mathematic model for energy prediction was established and experimentally used to calculate the BFG system of Shougang Jingtang Steel.The results showed that the dynamic model can satisfactorily predict production and consumption of energy power system as well as display the effect of energy allocation plan,to provide reference for assessment of allocation programs.

energy prediction;grey theory;application

TP29

B

1006-6764（2015）02-0057-04

2014-10-20

王延明（1980-），男，工程師，現從事能源管理系統開發與維護工作。