基于PSO?BP神經網絡的高爐煤氣受入量的預測

李志剛 任雄朝 紀月

摘 ?要： 以高爐煤氣為主要研究對象，基于BP神經網絡引入粒子群算法優化BP神經網絡的權值，通過調試和改進建立PSO?BP神經網絡高爐煤氣受入量預測模型，使企業實現對煤氣的合理調度和平衡調整，研究結合唐山鋼廠的歷史數據對該模型進行訓練和檢驗。研究結果表明，BP模型比未改進的BP模型更能精確地預測受入量，并解決了遺傳算法（GA）優化BP神經網絡容易陷入早熟收斂的問題。

關鍵詞： 高爐煤氣; 受入量預測; 預測模型; PSO?BP神經網絡; 模型訓練; 模型檢驗

中圖分類號： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）13?0134?03

Blast furnace gas intake prediction based on PSO?BP neural network

LI Zhigang1， REN Xiongzhao2， JI Yue1

（1. School of Information Engineering， North China University of Technology， Tangshan 063210， China;

2. School of Electrical Engineering， North China University of Technology， Tangshan 063210， China）

Abstract： Taking blast furnace gas as a main study object， the particle swarm optimization （PSO） is introduced on the basis of BP neural network to optimize the weightof the BP neural network. ?The blast furnace gas intake prediction model based on PSO?BP neural network is established by means of debugging and improvement to ?enable the enterprises to achieve reasonable dispatch and balance adjustment of gas. The model is trained and tested in combination with the historical data of Tangshan Steel Mill. The research results show that the intake prediction effect of PSO?BP model is significantly better than that of the unimproved BP model， and it solves the problem that the genetic algorithm optimization （GA） BP neural network is easy to ?fall into premature convergence. ?.

Keywords： blast furnace gas; intake volum eprediction; forecast model; PSO?BP neural network; model training; model test

0 ?引 ?言

鋼鐵企業煤氣的平衡是關乎鋼鐵企業生產效率和環境污染的重大問題。鋼鐵冶煉過程中產生的重要副產品之一即為高爐煤氣（Blast Furnace Gas，BFG），它既是重要的二次能源也是污染大氣的主要污染源，其特點為熱值低，產生量和消耗量隨工藝生產狀態發生較大波動。煤氣的突然過剩易導致設備熄火，煤氣的緊缺導致用戶停產，企業對煤氣不平衡調整會將高爐煤氣放散到大氣中，造成環境污染。如何準確預測高爐煤氣的受入量，科學合理地平衡、提高能源利用效率、保護環境，成為一項意義重大的研究方向。

近些年來，人工神經網絡的研究工作不斷深入，在各個領域獲得廣泛的應用。BP神經網絡是人工神經網絡最常用、最成熟的神經網絡之一，它是一種誤差反向傳播訓練的多層前饋型網絡，其基本思想是梯度下降法，利用梯度搜索減小預測誤差，但在訓練過程中存在收斂速度慢，易于陷入局部極小值的缺陷。GA?BP神經網絡中遺傳算法易陷入早熟收斂，降低了訓練精度。因此，本文引入粒子群優化（PSO）算法，優化BP神經網絡權值，建立PSO?BP神經網絡預測模型[1]，利用從鋼廠采集的歷史數據進行訓練和測試，將預測結果與未經優化的BP神經網絡和GA?BP神經網絡預測模型進行比較。

國內有很多關于煤氣預測的研究，文獻[2]利用神經網絡對高爐煤氣消耗預測模型進行研究;文獻[3]對高爐煤氣發生量進行預測;文獻[4]建立了高爐煤氣發生量預測模型。大部分都是對煤氣發生量和消耗量進行預測，但在煤氣受入量預測方面研究不足。本文以唐山鋼廠為背景，取得高爐煤氣系統的相關數據，將高爐煤氣受入量的影響因素作為輸入，建立PSO?BP預測模型，對高爐煉鐵時產生的煤氣總量減去熱風爐消耗煤氣量的部分即受入量展開研究。

1 ?BP神經網絡

20世紀80年代中期，Rumelhart. McClelland等成立了Parallel Distributed Procession（PDP）小組，提出誤差反向傳播算法（Error Back Propagation，BP），該神經網絡就被稱為BP神經網絡。

典型的BP網絡具有三層：輸入層、隱含層和輸出層。結構如圖1所示。BP神經網絡的計算過程有兩個：正向傳播和誤差反向傳播。輸入信息從輸入層傳遞到隱含層，逐層處理，并從隱含層傳遞到輸出層，如果輸出層與期望值輸出不匹配，會進入誤差反向傳播階段。反向傳播是將誤差通過隱含層向輸入層逐層進行傳播，根據誤差修正連接權重，使誤差逐漸減小，不斷學習，直至誤差減小到目標值。在模型預測時，輸入信號被輸入訓練好的網絡，相應的結果就可以計算出來[5]。

圖1 ?BP網絡拓撲結構

2 ?PSO?BP神經網絡預測模型

2.1 ?粒子群算法

粒子群優化（Particle Swarm Optimization，PSO）算法是基于群組協作的隨機搜索算法，模擬鳥類的喂食行為來開發。其一個重要的應用就是訓練ANN，并取得了較好的結果。首先在空間中初始化一組隨機粒子，然后迭代找到最優解，粒子都有自己的位置、速度和適應度值，其中通過適應度函數用于計算粒子適應度值，個體位置由個體極值和群體極值更新。對[D]維空間中的[N]個粒子，粒子群算法的基本參數如下：

2.2 ?PSO?BP神經網絡預測模型

首先，確定BP網絡結構，初始化粒子在總體的速度和位置，對輸入數據進行歸一化處理，并初始化神經網絡的權重，訓練網絡并將誤差作為粒子的適應度，選擇個體最優位置作為全局最優位置。根據式（1）、式（2）更新粒子的位置和速度，在更新之后，計算每個粒子的適應度，比較每個粒子的最好位置pbest所對應的適應度，將適應度最小的更新粒子位置作為pbest，比較每個粒子的適應度與種群所經歷過最好位置的適應度， 選擇適應度更小的作為gbest，檢查是否達到全局最優位置或達到最大迭代次數;若未達到預設條件，則繼續更新，重新調整粒子速度和位置;若達到預設條件，則停止迭代，輸出最優解即優化后的BP神經網絡初始權值，再進行網絡的訓練和預測，PSO優化BP的網絡流程圖如圖2所示。

圖2 ?網絡流程圖

3 ?實例

3.1 ?獲取數據

本文針對高爐煤氣受入量展開研究，到河北唐山某鋼廠進行實地考察并取得高爐煤氣系統的相關數據，分別為BFG受入量、熱風爐溫度、熱風爐壓力、鼓風機送風總量、鼓風機送風含氧量、高爐溫度、高爐壓力、噴煤BFG使用量、TRT出口溫度、TRT出口壓力和高爐至外網BFG壓力。

3.2 ?受入量影響因素分析

高爐煤氣產生過程極其復雜，BFG受入量會受到很多因素的影響，其中有許多因素是無關緊要的，為了從眾多因素中找出主要因素與次要因素，可以通過灰色關聯分析方法計算相關程度。本研究利用關聯度算法的改進模型[6]，分析出受入量與熱風爐溫度、熱風爐壓力、鼓風機送風總量、鼓風機送風含氧量、高爐溫度、高爐壓力、噴煤BFG使用量、TRT出口溫度、TRT出口壓力和高爐至外網BFG壓力的關聯程度，分別為[R01=]0.168 0，[R02=0.540 ?5]，[R03=0.613 ?8]，[R04=0.613 ?1]，[R05=0.024 ?8]，[R06=0.487 ?3]，[R07=0.458 ?4]，[R08=0.032 ?8]，[R09=0.580 ?2]，[R010=0.485 ?5]，選用相關性最高的7項作為網絡的輸入。

3.3 ?數據預處理

通過分析影響因素，本文選取熱風爐壓力、鼓風機送風總量、鼓風機送風含氧量、高爐壓力、噴煤BFG使用量、TRT出口壓力和高爐至外網BFG壓力7項影響因素作為網絡的輸入。在預測之前，將采集到的樣本數據標準化以消除采樣數據中的奇異值，以確保樣本數據被限定在一定范圍內。本文隨機選出一天2 500組數據，2 300組數據作為訓練樣本，200組數據作為測試樣本，歸一化的部分數據如表1所示。

表1 ?部分歸一化數據列表

3.4 ?高爐煤氣受入量預測

使用選定的數據訓練和預測未優化的BP神經網絡、GA?BP神經網絡和PSO?BP神經網絡。設神經網絡輸入層數為7，隱層數為11，輸出層數為1，訓練次數設為1 000，目標精度設為0.004，學習率設為0.1，并設定三種網絡相同結構和相同參數。遺傳算法的種群規模為20，變異概率為0.1，交叉概率為0.3;粒子群算法的種群規模為20，學習因子[C1=]1.49，[C2=]1.49，最大慣性權重為0.9，最小慣性權重為0.3。圖3～圖5分別為BP神經網絡、GA?BP神經網絡和PSO?BP神經網絡預測受入量預測值和真實值的對比圖。

4 ?結 ?語

該研究針對鋼廠高爐煤氣受入量預測問題提出PSO?BP神經網絡預測模型，結合BP神經網絡的非線性映射能力和粒子群算法的尋優能力，利用粒子群算法優化網絡的權值和閾值，提高了BP神經網絡的泛化能力，解決了GA?BP神經網絡中遺傳算法易陷入早熟收斂問題，克服了收斂速度慢和容易陷入局部誤差極小值的缺點，提高了預測精度。為煤氣在鋼廠和用戶之間實現平衡調度提供指導。

圖3 ?BP神經網絡對受入量預測

圖4 ?GA?BP神經網絡對受入量預測

圖5 ?PSO?BP神經網絡對受入量預測

參考文獻

[1] 李海斌，翟秋柱，張優，等.PSO?BP神經網絡在隧道圍巖變形預測中的應用[J].路基工程，2017（5）：164?169.

LI Haibin， QIU Qiuzhu， ZHANG You， et al. Application of PSO?BP neural network in prediction of tunnel surrounding rock deformation [J]. Subgrade engineering， 2017（5）：164?169.

[2] 王軍，袁大明.基于神經網絡的高爐煤氣消耗預測模型研究[J].科技與企業，2013（9）：108?109.

WANG Jun， YUAN Daming. Research on prediction model of blast furnace gas consumption based on neural network [J]. Science & technology and enterprises， 2013（9）： 108?109.

[3] 張曉平，湯振興，趙珺，等.鋼鐵企業高爐煤氣發生量的在線預測建模[J].信息與控制，2010，39（6）：774?782.

ZHANG Xiaoping， TANG Zhenxing， ZHAO Jun， et al. Online prediction modeling of blast furnace gas production in iron and steel enterprises [J]. Information and control， 2010， 39（6）： 774?782.

[4] 李紅娟，王建軍，王華，等.鋼鐵企業高爐煤氣發生量預測建模及應用[J].系統仿真學報，2014，26（6）：1308?1314.

LI Hongjuan， WANG Jianjun， WANG Hua， et al. Prediction model and application of blast furnace gas production in iron and steel enterprises [J]. Journal of ?system simulation， 2014， 26（6）： 1308?1314.

[5] 譚延嗣.BP神經網絡應用于地質災害預測的研究[J].江西建材，2017（24）：229.

TAN Yanjun. Application of ?BP neural network in geological hazards prediction [J]. Jiangxi building materials， 2017（24）： 229.

[6] 黃浩，王浩華.灰色T型關聯度的改進與實證[J].數學的實踐與認識，2016，46（1）：131?139.

HUANG Hao， WANG Haohua. Improvement and demonstration of gray T?association degree [J]. Mathematics in practice and theory， 2016， 46（1）： 131?139.

[7] 姜石.PSO?BP神經網絡在某煤機企業安全庫存預測中的應用[J].煤炭技術，2017（10）：305?307.

JIANG Shi. Application of PSO?BP neural network in safety stock forecast of a coal mining machine enterprise [J]. Coal technology， 2017（10）： 305?307.

[8] 田景芝，杜曉昕，鄭永杰，等.基于PSO?BP神經網絡的加氫脫硫柴油硫含量的預測研究[J].石油化工，2017，46（1）：62?67.

TIAN Jingzhi， DU Xiaoyu， ZHENG Yongjie， et al. Prediction of sulfur content in hydrodesulfurization diesel based on PSO?BP neural network [J]. Petrochemical industry， 2017， 46（1）： 62?67.

[9] 楊曉宇，黃浩，王浩華.基于改進的T型關聯度在音樂分類中的應用[J].數學的實踐與認識，2017，47（20）：155?163.

YANG Xiaoyu， HUANG Hao， WANG Haohua. Application of improved T?relation degree in music classification [J]. Mathematics in practice and theory， 2017， 47（20）： 155?163.