基于能源數據的GA-BP網絡液氨產量預測

黃遠紅

（廣西鹿寨化肥有限責任公司，廣西柳州545624）

基于能源數據的GA-BP網絡液氨產量預測

黃遠紅

（廣西鹿寨化肥有限責任公司，廣西柳州545624）

運用液氨生產過程的能源計量數據進行計算機仿真、對液氨產量預測。由于實際生產數據的復雜、多變、非線性等不利因素，使用小波包進行信號降噪，運用遺傳算法的BP神經網絡（GA-BP）進行仿真。仿真結果表明GA-BP網絡擬合、泛化能力較強，對實際生產中能源調度、預測產量有較高的應用價值。

液氨產量；能源計量；GA_BP；仿真

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

神經網絡技術迅速發展，廣泛應用于制造、航空、通信、電子、交通等領域，而BP（Back Propagation）神經網絡[1]是目前應用最廣泛的經典的神經網絡模型之一，是一種按誤差逆傳播算法訓練的多層前饋網絡，具有非線性映射能力強、有自學習和自適應能力、較好泛化能力和容錯能力等優點，但也存在學習速度慢、容易陷入局部極小值等問題。而通過遺傳算法（GA，Genetic Algorithms）來優化BP神經網絡的初始權值和閾值，能夠在一定程度上解決BP網絡容易陷入局部和網絡初始權重過于敏感的問題。

為合理利用能源，從合成氨生產需要的各種能源數據入手，運用遺傳算法優化BP神經網絡（GABP）對合成過程的液氨產量進行仿真預測，使生產調度人員能夠準確對各種能源進行調度，滿足液氨產量和能源消耗的需求。

1 合成氨生產的能源路線

1.1 合成氨生產原理

以焦炭（型煤、或無煙煤）為原料的液氨的生產過程[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），而氮氣（N2）取自空氣或將空氣液化分離，最后經合成塔高壓合成液氨（NH3）。氨合成反應式：

N2+3H2=2NH3（1）

1.2 能源種類及主要作用

按照國家計量技術規范JJF 1356-2012《重點用能單位能源計量審查規范》的相關規定，合成氨生產需消耗能源種類主要有：一次能源（煤、工業水），二次能源（電）以及載能工質（中壓、低壓飽和、低壓過熱蒸汽、脫鹽水、軟水、工業壓縮空氣、儀表空氣）等。

原料煤（焦炭、無煙煤或型煤）：合成氨生產的主要原料，同時也是能源消耗的主要物質，約占整個消耗量的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、泵的原動力，電加熱、吹風以及各種控制系統的用電。

低壓過熱蒸汽：主要用于與原料煤反應，制備原料氣。

中壓及低壓飽和蒸汽：用于熱交換、原料氣加濕，控制塔罐反應溫度、速度等。

2 基于能源數據的液氨產量GA_BP建模方法

2.1 模型對象的描述

液氨在一般企業里都是中間產品，但國家對液氨的儲存量和安全、環保有著非常嚴格的要求，所以儲存量較少，則對液氨使用量較大的企業必須對液氨的產量有較為準確的數字要求。同時合成氨能源消耗又占企業的極大份額，各生產流程關聯性極大，導致原料平衡（特別是電、蒸汽、壓縮空氣等）、協調使用十分困難。選取與液氨產量（輸出量）關聯性極高的能源消耗參數作為輸入變量，通過BP神經網絡仿真計算出液氨產量（輸出量）。

但由于BP網絡存在容易陷入局部最小值[3]，加上連接權值和閾值的初始化的隨機性，存在網絡訓練失敗的可能，故采取遺傳算法選擇最優的連接權值和閾值，優化BP網絡。

2.2 BP神經網絡理論[4]

BP(Back Propagation)是Rumelhart等學者1986年提出的誤差反向傳播（BP）權重調整算法，是一種有導師的多層前饋神經網絡，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，其誤差轉入反向傳播，并根據預測誤差調整網絡權值和閾值，使BP神經網絡預測不斷逼近期望輸出。結構示意圖如圖1所示。

圖1BP神經網絡（3層）結構圖

圖1 中，V是輸入層-隱含層間的連接權值，W是隱含層-輸出層間的連接權值。

2.3 BP神經網絡具體算法

（1）網絡初始化。

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

式中：q為隱含層節點數；f為隱含層激勵函數；xi是第i個輸入變量。

（3）輸出層輸出計算：根據Z（z1，z2，…，zq），W、b，計算預測輸出Y.

（4）誤差計算：據網絡預測輸出T和期望輸出Y（y1，y2，…，ym），計算預測誤差e.

（5）權值更新：根據網絡誤差e，更新網絡連接權值V，W.

式中：η為學習速率。

（6）閾值更新：根據網絡誤差e，更新網絡節點閾值a，b.

（7）判斷算法迭代是否結束，否則重返步驟（2）。

2.4遺傳算法理論基礎

2.4.1 遺傳算法原理

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

選擇操作：依照適應度值的大小，在老群體中以一定概率選擇個體到新群體；

交叉操作：從個體中選擇二個個體通過染色體的交換組合產生更優秀的個體，具體如圖2所示。

圖2 交叉操作

變異操作：群體中任選一個個體，選擇染色體中的一點進行變異產生更優秀的個體，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：隨機初始化種群；

步驟2：計算種群適應度值，找出最優個體；

步驟3：選擇操作、交叉操作、變異操作；

步驟4：判斷進化是否結束，若否，則返回步:2.

2.5 GA_BP仿真模型

神經網絡遺傳算法主要是隨機個體在BP訓練和仿真，把其與仿真值相關函數作為個體在BP網絡的適應度值，通過交叉、變異等過程，循環交替尋找最佳個體作為BP網絡的權值和閾值，實現BP網絡的最佳仿真；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神經網絡仿真預測模型的建立與測試

3.1 樣本數據的采集

本次仿真采集液氨生產中實際各類能源消耗的真實數據800組，每組包含10個能源消耗計量數據作為輸入變量，液氨產量作為輸出變量；數據已經過粗處理：去掉不正常開機數據、儀表失靈數據、明顯的粗大數據。部分樣本數據如表1所列。

表1 樣本數據表

3.2 數據預處理

樣本數據的3/4（600組）作為訓練樣本，另外1/4（200組）作為測試驗證樣本；由于樣本數據取自生產現場的實際數字，干擾噪聲較大；在運用數據仿真前進行中值濾波處理；數據的歸一化；進行主成分（PCA）分析[5]；再運用小波變換[6]進行信號去噪處理。

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（點對點）偏差的平方和觀測次數n比值的平方根誤差，公式為：

式中：i為樣本個體；n為樣本總數；yi為仿真輸出值；y樣本輸出量。

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

（3）仿真結果相對誤差＞2%所占的比例，相對誤差計算公式：

3.4 測試結果與分析

測試的結果與分析用MATLAB7.0a軟件進行仿真，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，但時間稍微變長。

（2）遺傳算法各參數設定對仿真的影響：如表3表4所示。

表3 迭代次數的影響

表4 種群規模的影響

從上述兩張表可以看出：在種群規模、迭代次數較小的情況下，這次收集的樣本數據并沒有能很好地體現其尋優的一般規律（數量越多，尋優范圍大，個體優秀），說明BP網絡容易陷入局部極小值，需進一步研究。

（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果

說明：BP網絡結構為10-16-1，采用Levenberg-Marquardt算法；

ELM網絡結構為10-100-1，隱層神經元節點數100，激活函數sigmoid；

Elman網絡結構為10-20-1，隱含層為tansig神經元，輸出層為purelin神經元。

從以上比對分析，GA-BP網絡在擬合、泛化的誤差和相關系數比對上明顯優于Elman和ELM；其效果與BP相當，但其泛化效果（相對誤差、相關系數）比BP更好，訓練時間更短，原因是由于BP權值和閾值是隨機的，容易陷入局部極小值，其要達到GA-BP相近的精度，需要加大運算步數，耗時較長。

上述仿真數據說明，GA-BP網絡液氨產量預測模型比BP、Elman、ELM等算法模型預測速度更快、泛化能力更好，預測精度更高。

（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 結束語

針對目前合成氨生產工藝的能源消耗大，液氨產量難以預估的矛盾，造成原料、能源難以平衡、調度的問題，利用實際生產中能源的實際計量數據對液氨產量構建預測模型，相比于Elman、BP、ELM等模型，其訓練時間、精度、相關性等性能更好。該模型能夠很好地運用預測結果對能源進行合理調度，滿足后續生產的需求，在生產過程和節能減排中有較高的應用價值。

[1]高雋.人工神經網絡原理及仿真實例[M].北京：機械出版社，2003.

[2]崔恩選.化學工藝學）[M].2版.北京：高等教育出版社，1997.

[3](加拿大)Simon Haykin著.神經網絡原理[M].葉世偉，等譯.北京：機械工業出版社，2004.

[4]史峰.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[5]謝中華.MATLAB統計分析與應用[M].北京：北京航空航天大學出版社，2010.

[6]孫延奎.小波分析及其應用[M].北京：機械工業出版社，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。