基于小波閾值和BPNN的冷軋煤氣消耗預測

熊 偉，張建喜，張守印，張宏健*

（1.華北理工大學電氣工程學院，唐山 063210；2.華北理工大學礦業工程學院，唐山 063210）

0 引言

鋼鐵生產過程中，煤氣過剩會造成能源浪費、增加排放、污染環境，煤氣短缺會使生產效率低下。當前，鋼鐵企業普遍存在冷軋煤氣消耗預測精度偏低的問題，影響煤氣調度，建立精準的冷軋煤氣消耗預測模型，對煤氣的合理調度具有重要的現實意義。

互聯網時代，人工智能迅速崛起，各類方法被廣泛用于鋼鐵企業煤氣預測。包向軍等［1］結合長短記憶模型和季節性差分自回歸模型兩者優勢，建立梯度驅動時序預測復合模型，預測了高爐正常工況和變工況條件下的煤氣發生量。江德文等［2］建立了基于支持向量回歸的高爐煤氣利用率預測模型，結合實際數據，將向量回歸模型與多層感知器模型進行對比，實現了對高爐煤氣利用率的準確預測。劉書含等［3］提出了基于BP 神經網絡的熱風爐群煤氣消耗量預測模型，提高了預測精度。目前對冷軋煤氣消耗預測研究較少，預測精度不理想。

小波閾值作為常見的數據預處理方法，BPNN作為常用的人工神經網絡，在各領域的預測模型研究中被廣泛應用。馬瑩瑩等［4］提出了一種基于集合經驗模態分解和小波分析的短時交通流預測方法，利用小波分析對含噪信號進行去噪處理，構建模型，克服了現有短時交通流隨機性、非線性特征。Zhang 等［5］提出利用經驗模態分解和小波閾值降噪去除混凝土壩變形監測信息中的高頻成分，結合長短期記憶網絡建立模型，提高了大壩變形預測的精度。周中等［6］為實現對泡沫輕質土抗壓強度的智能控制和優化，提出了遺傳算法和BP 神經網絡相結合的預測模型，實現了對泡沫輕質土抗壓強度的靈活調整。綜上所述，可將小波閾值和BPNN相結合構建模型，用于冷軋煤氣消耗的預測，進而達到提高預測精度的目的，為鋼鐵企業煤氣合理調度、減少排放及提高能源利用率提供有力支撐。

1 方法原理

1.1 小波閾值去噪

小波原理實質為濾除數據中的噪聲，通過分解、閾值處理和重構過程得到含有真實信息的近似分量。小波預處理過程主要包括三部分內容：首先是分解，依據原始數據選擇合適的小波函數，確定分解層數N，得到N層小波數據。然后是閾值選取，常見的閾值選取方法有強制降噪法、默認閾值降噪法和指定軟閾值降噪法等，每種方法各有特點，需通過數據的特征選取合適的閾值函數。接下來是去噪，去噪的過程中，選取合適的閾值對N層數據中的每一層進行量化處理，篩選出真實值中的噪聲，得到各層中的真實數據。最后是重構，將閾值處理得到的第1 層到第N層數據進行小波重構，最終得到去噪后的真實數據。

1.2 BP神經網絡

BP 神經網絡是預測問題中較為常見的方法，包括輸入層、隱含層和輸出層三層結構。輸入層接收數據，輸出層輸出數據，上一層神經元連接到下一層神經元，搜集到的信息經激活函數激活后被傳遞給下一層。BP 神經網絡具有正向傳播和誤差反向傳播兩個學習過程，各神經元參數逐層檢驗與更正，經隱含層傳遞修正權值，能準確反映輸入和輸出間的映射關系，逐層迭代減小輸出值與理論值間的誤差。

2 模型介紹及實驗分析

2.1 模型介紹

通過小波閾值與BPNN相結合的方法，建立小波閾值和BPNN冷軋煤氣消耗預測模型，提高冷軋煤氣的預測精度，模型如圖1所示。鋼鐵企業采集的冷軋煤氣消耗數據含有大量噪聲，將原始數據經小波去噪處理后，再進行小波重構，得到的數據用BPNN進行預測，最終得到冷軋煤氣預測數據。圖1 中ca1、ca2、ca3、···、caN為包含有效信息的近似分量，cd1、cd2、cd3、···、cdN為包含噪聲的細節分量。

圖1 基于小波閾值和BPNN的冷軋煤氣消耗預測模型

2.2 實驗數據和評價指標

實驗選取某鋼鐵企業三個月的冷軋煤氣消耗數據。80%的數據用于訓練，20%的數據用于測試。在影響冷軋煤氣消耗的多種因素中，選取8 種主要影響因素作為BPNN 的輸入，包括微量元素錳、酸洗工藝速度、加熱爐溫度1、加熱爐溫度2、退火爐溫度1、退火爐溫度2、實際材料寬度及厚度。建立小波閾值和BPNN 模型，預測冷軋煤氣消耗數值，模型參數采用梯度算法優化，確定誤差最小值，使模型參數逼近最佳狀態。選取平均絕對誤差（MAE）、均方誤差（MSE）和決定系數（R2）為模型評價指標。MAE的值越小，MSE的值越小，R2的值越接近1，模型性能越好。

2.3 實驗結果評價

為檢驗小波閾值和BPNN模型的有效性，選擇BPNN 模型作為比較對象，實驗結果如圖2 所示。相比于BPNN 模型，小波閾值和BPNN 模型的預測曲線更為貼近真實曲線。BPNN 有收斂速度慢和在收斂過程中容易陷入局部最優的劣勢，容易過度擬合，預測精度較低，導致預測值與實際數值相差較遠。而經小波閾值去噪后的數據更接近于真實數據，可以很大程度上緩解BPNN 的劣勢，提高預測精度，預測結果相比于BPNN明顯改善。

圖2 各模型的預測結果

各模型的評價指標如表1 所示，與BPNN 模型相比，小波閾值和BPNN 模型的MAE和MSE更小，R2也更接近于1，對冷軋煤氣消耗量的預測精度顯著優于BPNN模型。其原因是小波閾值對原始數據進行了分解，去除了含噪分量，得到了有效分量，小波閾值和BPNN模型與真實數據有更好的擬合度，各項評價指標明顯優于BPNN模型。

表1 各模型評價指標對比

3 結語

為提高鋼鐵企業冷軋煤氣消耗的預測精度，提出了一種小波閾值和BPNN 相結合的預測模型。利用小波閾值對煤氣消耗數據進行預處理，得到真實數據，結合BP 神經網絡，建立小波閾值和BPNN冷軋煤氣消耗預測模型，確定最終預測結果。依據實驗結果得出以下結論：

（1）小波閾值對原始冷軋煤氣消耗數據進行分解，將噪聲和真實值區分開，可以有效得到去噪后的真實數據；

（2）小波閾值和BPNN 模型結合了兩種方法的優勢，與BPNN 模型相比，MAE減少了0.29，MSE減少了0.4，R2提高了0.1，有效提高了冷軋煤氣消耗預測精度，為鋼鐵企業煤氣合理調度、減少排放及提高能源利用率提供了有力支撐。