基于長短期記憶的煤炭含水率智能預(yù)測與實(shí)驗(yàn)研究

李 娜， 劉 強(qiáng)， 張 淼， 張崇進(jìn)， 張 帆，2b， 李 昊

（1.國能黃驊港務(wù)有限責(zé)任公司，河北 滄州 061000；2.中國礦業(yè)大學(xué)（北京）a.機(jī)電與信息工程學(xué)院；b.智慧礦山與機(jī)器人研究院，北京 100083）

0 引 言

煤堆揚(yáng)塵跟處理粉塵的含煤污水一直是煤炭港口環(huán)保治理的難點(diǎn)。如何做好煤炭港口的粉塵治理和含煤污水處理，提高清潔生產(chǎn)水平，促進(jìn)港口綠色健康發(fā)展，已成為煤炭港口發(fā)展必須解決的問題之一。露天堆場的粉塵來源一般由兩部分組成：一是煤垛處于靜止?fàn)顟B(tài)下由風(fēng)蝕作用而造成的靜態(tài)揚(yáng)塵；二是煤炭處于裝卸、中轉(zhuǎn)等作業(yè)模式下產(chǎn)生的動(dòng)態(tài)起塵［1］。研究表明，由于以上原因引起的煤堆起塵和灑水降塵產(chǎn)生的含煤污水是造成港口污染的主要來源。為了解決上述問題，目前港口在堆場煤塵治理方面采取了一些基本措施，但這些傳統(tǒng)的抑塵方式，無法從根本上解決揚(yáng)塵污染防治的問題。

國外較早重視港口的綠色發(fā)展，并取得了階段性成果［2］。我國綠色生態(tài)港口建設(shè)開始較晚［3］，國內(nèi)煤炭港口主要采取堆場噴槍灑水、堆場防風(fēng)網(wǎng)和單機(jī)灑水等措施控制煤塵，采取“哪里起塵哪里灑水”的思路，在翻車、皮帶、堆場等各個(gè)環(huán)節(jié)進(jìn)行灑水除塵。該方式不僅造成灑水除塵設(shè)備多、成本高、管理復(fù)雜等問題，而且很難做到水與煤均勻混合，除塵效果一般。為了抑制港口靜置的煤堆揚(yáng)塵，需要對(duì)煤堆進(jìn)行灑水來抑制起塵。由于傳統(tǒng)的灑水方式是由人工控制，有經(jīng)驗(yàn)的工作人員憑借他們多年的工作經(jīng)驗(yàn)來判斷是否需要灑水，但是這種人工控制的方法經(jīng)常不夠精準(zhǔn)、智能，如果灑水過少會(huì)造成煤炭含水率過低，煤堆揚(yáng)塵；灑水過多會(huì)造成水資源浪費(fèi)，而且會(huì)產(chǎn)生大量的含煤污水，造成二次污染，灑水過多或過少都會(huì)對(duì)環(huán)境造成污染，很難掌握一個(gè)度來使灑水既不會(huì)使煤堆起塵又不會(huì)產(chǎn)生過量含煤廢水。

本文以神華黃驊港為例，研究煤炭含水率變化的規(guī)律和智能灑水降塵的方法，旨在提高污染預(yù)防能力，改善港口環(huán)境質(zhì)量。

1 問題描述

黃驊港智能灑水抑塵主要通過建立堆場含水率預(yù)測模型、堆場起塵預(yù)測模型和智能灑水模型，利用實(shí)時(shí)數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)智能灑水抑塵。其灑水抑塵分為三步：①通過從黃驊港露天堆場的粉塵監(jiān)測儀的數(shù)據(jù)庫中獲取露天堆場周圍的實(shí)時(shí)氣象數(shù)據(jù)，然后測得堆場中煤堆表層初始的含水率，將氣象數(shù)據(jù)和初始含水率數(shù)據(jù)傳入建立好的數(shù)據(jù)模型中，預(yù)測出下一時(shí)刻煤堆的含水率。②將預(yù)測的下一時(shí)刻含水率的起動(dòng)風(fēng)速［4］與實(shí)時(shí)風(fēng)速對(duì)比，如果此時(shí)的實(shí)時(shí)風(fēng)速≥當(dāng)前含水率的起動(dòng)風(fēng)速，說明當(dāng)前風(fēng)速會(huì)導(dǎo)致煤堆起塵，需要灑水，將數(shù)據(jù)反饋給現(xiàn)場的灑水系統(tǒng)，灑水系統(tǒng)開始灑水抑塵。③通過灑水量計(jì)算出煤炭含水率變化，將變化后的含水率再當(dāng)作此時(shí)的含水率跟氣象數(shù)據(jù)一起輸入到模型中繼續(xù)預(yù)測下一時(shí)刻含水率。如此循環(huán)，便可以自動(dòng)調(diào)節(jié)煤炭含水率，降低煤堆揚(yáng)塵量和污水量，達(dá)到智能灑水降塵的目的。堆場含水率預(yù)測與智能灑水抑塵的流程如圖1 所示。

圖1 含水率預(yù)測與智能灑水抑塵流程圖

2 模型建立

智能灑水方案的制定關(guān)鍵在于煤炭含水率變化模型。露天堆場煤炭的含水率變化主要與氣象條件有關(guān)，包括風(fēng)速、溫度、濕度、風(fēng)向等。這些氣象數(shù)據(jù)可以在粉塵監(jiān)測儀中直接獲取，所以研究的重點(diǎn)就是建立煤炭含水率和風(fēng)速、溫度、濕度、風(fēng)向之間的關(guān)系的模型，從而根據(jù)氣象數(shù)據(jù)來通過模型預(yù)測煤炭的含水率變化。由于煤炭含水率隨溫度、濕度、風(fēng)速、風(fēng)向等氣象歷史數(shù)據(jù)量的增加而不斷變化，傳統(tǒng)的預(yù)測方法復(fù)雜且計(jì)算耗時(shí)，難以預(yù)測和推斷過去值和未來值之間的隨機(jī)依賴關(guān)系。但由于用來測量煤炭含水率而采取的煤炭樣本是固定時(shí)間間隔的，所以適合采用時(shí)間序列預(yù)測模型來對(duì)煤炭的含水率進(jìn)行預(yù)測處理。

2.1 預(yù)測模型

時(shí)間序列預(yù)測（Time Series Forecasting，TSF）［5］是一種利用歷史數(shù)據(jù)預(yù)測給定序列的未來值的方法［6］。本文使用了一種LSTM 模型的深度學(xué)習(xí)方法，可以克服傳統(tǒng)預(yù)測模型的局限性，做出準(zhǔn)確的預(yù)測［7］。LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）模型［8］。圖2 為基于LSTM 狀態(tài)的計(jì)算模型［9］。

圖2 基于LSTM狀態(tài)的計(jì)算模型

LSTM有兩種傳遞狀態(tài)，一種是ct（單元狀態(tài)）；另一種是ht（隱藏狀態(tài)）。利用LSTM 的當(dāng)前輸入xt和前一狀態(tài)傳遞下來的輸入ht-1進(jìn)行拼接訓(xùn)練，得到狀態(tài)時(shí)步t的輸入門it、遺忘門ft、輸出門ot和候選記憶單元分別計(jì)算如下：

式中：W為權(quán)重參數(shù)；b為偏差參數(shù)。

隱藏狀態(tài)下的信息流動(dòng)可由輸入門、遺忘門和輸出門控制，其元素范圍為［0，1］。當(dāng)前時(shí)間步長t將前一個(gè)時(shí)間步長記憶細(xì)胞的信息與當(dāng)前時(shí)間步長候選記憶細(xì)胞的信息結(jié)合，通過遺忘門和輸入門控制信息流動(dòng)：

遺忘門控制上一時(shí)間步長的記憶單元ct-1中的信息是否被傳輸?shù)疆?dāng)前時(shí)間步長ct的記憶單元，而輸入門控制當(dāng)前時(shí)間步長的輸入xt通過候選記憶單元流入當(dāng)前時(shí)間步長的記憶單元如果遺忘門總是約為1，而輸入門總是約為0，那么過去的記憶單元將總是存儲(chǔ)在時(shí)間中，并傳遞到當(dāng)前的時(shí)間步長。因此，LSTM在設(shè)計(jì)架構(gòu)上解決了循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度衰減問題，更好地捕捉了時(shí)間序列中時(shí)間步距的依賴性。

2.2 數(shù)據(jù)采樣

建立模型需要的數(shù)據(jù)包括氣象數(shù)據(jù)和煤炭含水率數(shù)據(jù)。黃驊港在每個(gè)堆場周圍都會(huì)有對(duì)應(yīng)的粉塵監(jiān)測儀，實(shí)時(shí)監(jiān)測天氣狀況和空氣質(zhì)量等數(shù)據(jù)，并將數(shù)據(jù)存到數(shù)據(jù)庫中，所以溫度、濕度、風(fēng)速、風(fēng)向等氣象數(shù)據(jù)可以在數(shù)據(jù)庫中實(shí)時(shí)調(diào)用。煤炭含水率數(shù)據(jù)是通過堆場現(xiàn)場采樣，然后取定量的樣本放進(jìn)干燥機(jī)中干燥，直至煤炭恒重，然后通過干燥前后的重量變化計(jì)算出煤炭含水率，其含水率公式為

式中：M為煤炭含水率；m1為煤炭干燥前的質(zhì)量；m2為煤炭干燥后的質(zhì)量。

數(shù)據(jù)采樣以天為單位，每天從8：00 ～20：00 每小時(shí)采樣一次，每次采樣5 個(gè)不同的煤種，每天共65 個(gè)數(shù)據(jù)樣本。

2.3 算法流程

根據(jù)上文中的LSTM 模型，本文構(gòu)建了一個(gè)預(yù)測煤炭含水率的深度學(xué)習(xí)算法框架。此深度學(xué)習(xí)模型的算法工作流程如下：

鋅是植物、動(dòng)物和人體必需的微量元素。植物缺鋅就表現(xiàn)為植株矮小、生長受到抑制；人體缺鋅會(huì)引起許多疾病，如侏儒癥、糖尿病、高血壓等，但攝入過量的鋅也會(huì)有不利的影響[21]。

（1）數(shù)據(jù)預(yù)處理。獲取數(shù)據(jù)之后，由于含水率數(shù)據(jù)有可能測量錯(cuò)誤，所以畫出含水率數(shù)據(jù)的箱線圖，把箱線圖中的離群值當(dāng)作異常值剔除。然后由于煤堆作業(yè)等其他因素，會(huì)暫停采樣一次，這樣就會(huì)使數(shù)據(jù)缺少一個(gè)數(shù)據(jù)樣本，失去連續(xù)性，但是為了保證模型的準(zhǔn)確性，需要每天的數(shù)據(jù)盡可能的連續(xù)，時(shí)間間隔相同，所以需要填充缺失值，本文使用的方法為插值法，取前后兩個(gè)時(shí)刻的含水率平均值作為缺失數(shù)據(jù)當(dāng)前時(shí)刻的含水率數(shù)據(jù)。預(yù)處理之后的部分?jǐn)?shù)據(jù)如表1 所示。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化之后數(shù)據(jù)的分布趨向于正態(tài)分布，就不會(huì)因?yàn)楦鱾€(gè)數(shù)據(jù)不同的值域分布而對(duì)模型訓(xùn)練造成影響。這種方法基于原始數(shù)據(jù)的均值（mean）和標(biāo)準(zhǔn)差（standard deviation）進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，

式中：μ為數(shù)據(jù)的均值；σ為數(shù)據(jù)的標(biāo)準(zhǔn)差。

表1 預(yù)處理后的數(shù)據(jù)

標(biāo)準(zhǔn)化后的部分?jǐn)?shù)據(jù)如表2 所示。

表2 標(biāo)準(zhǔn)化后的數(shù)據(jù)

（3）劃分?jǐn)?shù)據(jù)集。由于獲取的數(shù)據(jù)集是按天采樣的，所以把數(shù)據(jù)集以天為單位劃分為若干個(gè)序列，以天為單位隨機(jī)取出其中80%的數(shù)據(jù)作為訓(xùn)練集，剩下的20%作為測試集。

2.4 網(wǎng)絡(luò)模型

（1）本文使用均方誤差（Mean-Square Error，MSE）作為損失函數(shù)，MSE 是衡量“平均誤差”的一種較方便的方法，MSE 可以評(píng)價(jià)數(shù)據(jù)的變化程度。均方誤差MSE：

式中：L為MSE 損失值；yt為樣本期望值為樣本預(yù)測值。

（2）優(yōu)化算法使用Adam （Adaptive moment estimation）［10］優(yōu)化算法，此優(yōu)化算法可以代替?zhèn)鹘y(tǒng)的隨機(jī)梯度下降法更有效的更新網(wǎng)絡(luò)權(quán)重。Adam 優(yōu)化算法公式：

式中：gt為梯度；β1為一階矩衰減系數(shù)，一般取0.9；β2為二階矩衰減系數(shù)，一般取0.999；mt為梯度gt的一階矩；vt為梯度gt的二階矩。

為了參數(shù)的正常更新，需要做如下的偏置矯正：

更新網(wǎng)絡(luò)權(quán)重參數(shù)的公式：

式中：θt為要更新的參數(shù)；α 為學(xué)習(xí)率，默認(rèn)為0.001；ε為通常取10-8，防止分母為0。

（3）訓(xùn)練模型。經(jīng)過（1）～（4）步的準(zhǔn)備，可以開始訓(xùn)練模型。把處理好的訓(xùn)練集數(shù)據(jù)輸入到模型中，對(duì)模型進(jìn)行訓(xùn)練，通過不斷修改和調(diào)整學(xué)習(xí)率和隱含層神經(jīng)元個(gè)數(shù)使loss值收斂到一個(gè)較低的值。

（4）測試模型。神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)的效果需要通過誤差大小來衡量，本文中采用平均絕對(duì)誤差MAE（Mean Absolute Deviation）、平均絕對(duì)誤差百分比MAPE（Mean Absolute Percentage Error）和決定系數(shù)R2（Coefficient of Determination）來對(duì)模型訓(xùn)練的效果做出定量的評(píng)價(jià)：

模型訓(xùn)練完成之后，把測試集數(shù)據(jù)輸入到訓(xùn)練好的模型中進(jìn)行測試，通過模型輸出的預(yù)測值與真實(shí)值的比較，判斷模型訓(xùn)練的效果，預(yù)測值與真實(shí)值之間相差越小模型精確度越高。

（5）優(yōu)化模型。為了提高模型的準(zhǔn)確性，需要對(duì)模型的學(xué)習(xí)率和權(quán)重等各個(gè)參數(shù)進(jìn)行不斷地調(diào)整，并可以使用L1正則化、L2正則化［11］、Dropout 等來防止過擬合。深層神經(jīng)網(wǎng)絡(luò)的參數(shù)量大，模型比較復(fù)雜，容易出現(xiàn)過擬合現(xiàn)象，而Dropout 方法就是一種用來防止過擬合的技術(shù)，在2012 年由Hinton 提出［12］，即在訓(xùn)練時(shí)以一定的比例隨機(jī)使部分神經(jīng)元失去活性，不會(huì)向前傳遞任何信息。本文使用的就是Dropout 方法來防止過擬合。應(yīng)用Dropout 方法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3 所示。建立模型的工作流程圖如圖4所示。

圖3 應(yīng)用Dropout方法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖4 建立LSTM模型的工作流程

3 實(shí)驗(yàn)結(jié)果與分析

神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)的效果需要通過誤差大小來衡量，通過對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，模型的均方誤差（MSE）的收斂曲線如圖5 所示。

圖5 LSTM模型的MSE收斂曲線

由圖5 可以看出，經(jīng)過大量訓(xùn)練之后模型的均方誤差逐漸降低并穩(wěn)定到較低值。模型訓(xùn)練完成之后，需要對(duì)模型進(jìn)行測試，把測試集輸入到模型中，通過模型計(jì)算出預(yù)測值，比較預(yù)測值和真實(shí)值之間的誤差，來判斷模型的準(zhǔn)確率。通過測試，得到的模型預(yù)測值和真實(shí)值之間的MAE 為1.03，MAPE 為15%，R2為0.83。

表3列出了LSTM模型得到的預(yù)測值與真實(shí)值的部分?jǐn)?shù)據(jù)，以及它們之間的AE（絕對(duì)誤差）和APE（絕對(duì)百分比誤差），圖6 進(jìn)一步給出了LSTM模型的含水率預(yù)測值與真實(shí)值的比較。

表3 LSTM模型的預(yù)測值、真實(shí)值和誤差

圖6 LSTM模型的預(yù)測值與真實(shí)值的比較

由圖6 可以看出，LSTM 模型對(duì)煤炭含水率的預(yù)測較為準(zhǔn)確，對(duì)含水率變化趨勢(shì)的預(yù)測與實(shí)際相符，沒有出現(xiàn)位移偏差，預(yù)測值與真實(shí)值的誤差較小，絕對(duì)誤差的最大值與最小值分別為4.68 和0.01，絕對(duì)百分比誤差的最大值與最小值分別為107%和0.1%，而且沒有出現(xiàn)波谷過低和波峰過高，對(duì)波峰和波谷的預(yù)測較為準(zhǔn)確。

為了進(jìn)一步驗(yàn)證使用LSTM模型在煤炭含水率預(yù)測的廣泛性，將本文建立的LSTM 煤炭含水率預(yù)測模型和其他方法建立的煤炭含水率預(yù)測模型進(jìn)行了對(duì)比，LSTM、RNN、MLR［13］、SVM［14］模型的預(yù)測值和真實(shí)值的對(duì)比如圖7 所示。

圖7 LSTM、RNN、MLR和SVM模型對(duì)煤含水率預(yù)測結(jié)果的比較

由圖7 可以看出，MLR 和SVM 模型對(duì)煤炭含水率變化的預(yù)測出現(xiàn)了向后位移偏差；RNN 和LSTM 模型的預(yù)測結(jié)果較好，總體趨勢(shì)符合實(shí)際，且沒有位移偏差。而RNN絕對(duì)誤差的最大值和最小值分別為5.37和0.03，絕對(duì)百分比誤差的最大值和最小值分別為192%和0.2%，誤差與LSTM 模型相比較大，由此可見，4 種模型中LSTM模型預(yù)測精度更高。

4 種預(yù)測模型預(yù)測煤炭含水率的精確度統(tǒng)計(jì)結(jié)果如表4 所示。根據(jù)表4，預(yù)測精確度由高到低為：LSTM、RNN、SVM、MLR。其中，LSTM 模型的MAE 為1.03，分別比RNN、SVM、MLR 低了0.42、0.79、1.3；MAPE為15%，分別比RNN、SVM、MLR低了5%，8%，15%；R2 為0.83，分別比RNN、SVM、MLR 提高了0.09、0.21、0.37［15］。根據(jù)統(tǒng)計(jì)結(jié)果表明，LSTM 模型對(duì)煤炭含水率的預(yù)測效果最佳。

表4 不同預(yù)測模型預(yù)測煤炭含水率的精確度統(tǒng)計(jì)

通過上文建立的LSTM 模型，根據(jù)當(dāng)前煤炭含水率和氣象數(shù)據(jù)可以預(yù)測出下一時(shí)刻煤炭的含水率，通過下一時(shí)刻含水率對(duì)應(yīng)的起動(dòng)風(fēng)速和實(shí)際風(fēng)速進(jìn)行對(duì)比，如果實(shí)際風(fēng)速大于當(dāng)前風(fēng)速，那么控制灑水設(shè)備進(jìn)行灑水抑塵，灑水之后，通過灑水量可以計(jì)算出煤炭含水率變化后的值為多少，把此含水率當(dāng)作當(dāng)前含水率跟氣象數(shù)據(jù)一起繼續(xù)使用模型進(jìn)行預(yù)測，就可實(shí)現(xiàn)自動(dòng)灑水調(diào)節(jié)煤炭含水率，抑制煤炭起塵，實(shí)現(xiàn)智能灑水降塵。

4 結(jié) 語

本文通過建立基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的煤炭含水率變化模型，提出了制定露天煤場智能灑水的方法，據(jù)此方法實(shí)現(xiàn)了煤堆含水率根據(jù)溫度、濕度、風(fēng)速、風(fēng)向變化的自動(dòng)調(diào)整，從而實(shí)現(xiàn)智能灑水降塵。研究表明，與傳統(tǒng)的人工控制灑水相比，本文提出的方法預(yù)測模型精準(zhǔn)，對(duì)露天堆場實(shí)現(xiàn)智能灑水抑塵，自動(dòng)調(diào)節(jié)煤炭含水率，降低露天堆場的揚(yáng)塵量，具有實(shí)用意義，為建設(shè)綠色生態(tài)港口提供了理論方法借鑒。