岳有軍 李佳佳 趙 輝 王紅君

(天津理工大學(xué)自動化學(xué)院，天津 300384)

鋼鐵企業(yè)蒸汽管網(wǎng)壓力預(yù)測

岳有軍 李佳佳 趙 輝 王紅君

(天津理工大學(xué)自動化學(xué)院，天津 300384)

為解決鋼鐵企業(yè)中蒸汽管網(wǎng)壓力變化無規(guī)律很難對蒸汽系統(tǒng)進(jìn)行實時有效調(diào)度的問題，提出一種基于小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測方法。首先利用小波變換對原始數(shù)據(jù)進(jìn)行降噪處理，以降低數(shù)據(jù)中的誤差干擾；然后利用貝葉斯正則化算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練優(yōu)化過程中降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，避免網(wǎng)絡(luò)過擬合，提高了網(wǎng)絡(luò)的泛化能力同時改善了預(yù)測效果。實驗結(jié)果表明：基于小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測方法的鋼鐵生產(chǎn)蒸汽管網(wǎng)壓力的預(yù)測精度高、性能好，具有良好的實用性，可提高企業(yè)蒸汽管網(wǎng)的運行管理水平，為蒸汽的合理調(diào)度提供了科學(xué)的理論依據(jù)。

壓力預(yù)測 蒸汽管網(wǎng) 噪聲 小波變換 小波神經(jīng)網(wǎng)絡(luò) 貝葉斯神經(jīng)網(wǎng)絡(luò)

鋼鐵生產(chǎn)是典型的高物耗和高能耗行業(yè)，據(jù)初步估算，鋼鐵工業(yè)的能耗約占工業(yè)總能耗的23%，排在第一位，并占全國總能耗的16.1%[1]。在巨大的能源消耗中，能利用的能源僅占30%，導(dǎo)致了鋼鐵企業(yè)能源緊缺現(xiàn)象加劇、生產(chǎn)成本提高。在鋼鐵企業(yè)的生產(chǎn)過程中，由于效率低下的能源利用率，使能源消耗成本占到總成本的20%～40%左右，直接降低了我國鋼鐵產(chǎn)品的競爭力。因而，降低能源消耗、提高能源利用率是鋼鐵企業(yè)亟待解決的問題[2]。

蒸汽是鋼鐵企業(yè)最重要的能源之一，蒸汽消耗在鋼鐵企業(yè)能源總成本中超過10%，蒸汽系統(tǒng)能源的有效利用對鋼鐵企業(yè)節(jié)能減排有著重要意義。如何在不影響企業(yè)正常生產(chǎn)，不增加額外成本投入的前提下，使蒸汽系統(tǒng)的能源利用率實現(xiàn)最大化，是一個值得深入研究的問題。目前，對鋼鐵企業(yè)蒸汽系統(tǒng)的研究主要集中在控制系統(tǒng)的設(shè)計或蒸汽回收設(shè)備的研究上，如干熄焦技術(shù)[3]、燒結(jié)余熱回收[4]、轉(zhuǎn)爐余熱蒸汽回收[5]。然而，這些技術(shù)對整體蒸汽系統(tǒng)的平衡及其優(yōu)化操作的指導(dǎo)涉及較少。

鋼鐵企業(yè)蒸汽生產(chǎn)以高壓和低壓蒸汽為主，其生產(chǎn)環(huán)節(jié)的利用以低壓蒸汽為主，因此，為了滿足用戶需要，往往將高壓蒸汽降級為中壓蒸汽，中壓蒸汽再降級為低壓蒸汽，這樣會使蒸汽能源不能按質(zhì)使用，在降質(zhì)過程中造成大量浪費。由于蒸汽降質(zhì)使用、生產(chǎn)環(huán)節(jié)蒸汽產(chǎn)耗無規(guī)律及季節(jié)變化等因素，使得蒸汽管網(wǎng)壓力的變化呈無規(guī)律的特點。當(dāng)蒸汽管網(wǎng)壓力過大時，為保證蒸汽管網(wǎng)的安全，企業(yè)只能通過放散蒸汽來維護(hù)，加重了蒸汽能源的浪費。傳統(tǒng)的人工經(jīng)驗調(diào)度管理方式，很難對蒸汽系統(tǒng)進(jìn)行實時有效的調(diào)度，無法有效解決蒸汽放散的問題。在這種情況下，如果調(diào)度人員能夠及時掌握管網(wǎng)未來一段時間內(nèi)的壓力變化，就能夠及時準(zhǔn)確地進(jìn)行蒸汽調(diào)度，有效解決蒸汽放散的問題，提高蒸汽能源的利用率，減小現(xiàn)場調(diào)度的風(fēng)險性，對企業(yè)的安全生產(chǎn)和長遠(yuǎn)利益有著重要意義[2]。

在鋼鐵生產(chǎn)過程中，由于管網(wǎng)結(jié)構(gòu)復(fù)雜，蒸汽管網(wǎng)分布廣、線路長、能源設(shè)備多，且蒸汽系統(tǒng)各個能源介質(zhì)有著耦合性強(qiáng)、變化快、無規(guī)律的特點，很難建立基于機(jī)理的蒸汽管網(wǎng)壓力預(yù)測模型。隨著自動化技術(shù)和數(shù)據(jù)庫技術(shù)的進(jìn)步，大量的歷史數(shù)據(jù)實現(xiàn)了實時采集和保存，使得基于數(shù)據(jù)驅(qū)動的建模方法成為建立蒸汽管網(wǎng)壓力預(yù)測模型的新途徑。神經(jīng)網(wǎng)絡(luò)是一種典型的數(shù)據(jù)驅(qū)動建模方法，對于輸入輸出對象之間的非線性映射關(guān)系有很強(qiáng)的匹配能力，在實際生產(chǎn)中得到廣泛的應(yīng)用。其中，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛，但傳統(tǒng)的BP算法除了收斂速度慢，容易陷入局部最優(yōu)值外，泛化能力也一般。文獻(xiàn)[6]研究了基于貝葉斯算法的BP神經(jīng)網(wǎng)絡(luò)泛化能力，研究表明貝葉斯神經(jīng)網(wǎng)絡(luò)比標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)和其他改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的泛化能力。

基于上述分析，筆者提出了一種基于貝葉斯正則化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的蒸汽管網(wǎng)壓力預(yù)測模型。由于蒸汽管網(wǎng)壓力變化無規(guī)律、檢測點不足、檢測儀表及人工統(tǒng)計誤差等因素的存在[7]，檢測數(shù)據(jù)中往往含有較高的噪聲，使得有用信號被噪聲覆蓋，影響了預(yù)測精度。針對檢測數(shù)據(jù)中高噪聲的特點，首先對數(shù)據(jù)進(jìn)行處理，利用小波變換對檢測信號進(jìn)行降噪，提取有用信號，降低隨機(jī)因素的干擾；然后將貝葉斯原理引入到神經(jīng)網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)中，以權(quán)值的后驗概率為優(yōu)化目標(biāo)函數(shù)，通過最大化權(quán)值的后驗概率來求取神經(jīng)網(wǎng)絡(luò)的權(quán)值[8]，提高神經(jīng)網(wǎng)絡(luò)的泛化能力，改善網(wǎng)絡(luò)的預(yù)測效果。

1 某鋼鐵企業(yè)蒸汽管網(wǎng)系統(tǒng)簡介

某鋼鐵企業(yè)蒸汽管網(wǎng)系統(tǒng)的結(jié)構(gòu)如圖1所示。蒸汽管網(wǎng)的汽源包括啟動鍋爐、CDQ干熄焦發(fā)電機(jī)組、燒結(jié)余熱鍋爐，以及煉鋼轉(zhuǎn)爐煙罩汽化冷卻、熱軋加熱爐汽化冷卻等余熱利用設(shè)備。管網(wǎng)用戶主要分為兩部分，一部分為主生產(chǎn)工序，包括焦化、燒結(jié)、煉鐵、煉鋼和冷軋；另一部分為輔助工序，包括原水除氧站、制氧、制氫、煤氣柜區(qū)、海水淡化和球團(tuán)工藝。

圖1 鋼鐵企業(yè)蒸汽管網(wǎng)系統(tǒng)結(jié)構(gòu)框圖

燒結(jié)過程中產(chǎn)生大量的高溫?zé)煔猓┻^鍋爐換熱面，將換熱管中的常溫水加熱成蒸汽。一部分蒸汽被燒結(jié)過程重復(fù)使用，對混合機(jī)機(jī)頭混合料進(jìn)行預(yù)熱處理，富余蒸汽通過管道送給其他用戶，如煉鐵、冷軋等工序。同時由于漏風(fēng)、過燒及欠燒等不可控因素，導(dǎo)致煙氣溫度和廢氣溫度波動較大，從而造成蒸汽產(chǎn)量的持續(xù)波動，使得燒結(jié)蒸汽輸送過程中管網(wǎng)壓力呈現(xiàn)波動性的特點；干熄焦過程中冷惰性氣體與熾熱紅焦進(jìn)行換熱，換熱后的高溫惰性氣體進(jìn)入干熄焦余熱鍋爐，與鍋爐進(jìn)行換熱產(chǎn)生蒸汽。一部分蒸汽供化產(chǎn)車間使用，富余蒸汽通過管道用于煉鐵工序；煉鋼過程中產(chǎn)生的高溫?zé)煔饨?jīng)煙道將攜帶的熱量傳給冷卻水，水受熱汽化產(chǎn)生蒸汽。煉鋼過程中的蒸汽產(chǎn)消分布如圖2所示，轉(zhuǎn)爐產(chǎn)汽與精煉用汽呈交替循環(huán)的過程，產(chǎn)汽大于、小于用汽的情況不斷重復(fù)，導(dǎo)致煉鋼周圍蒸汽管網(wǎng)壓力出現(xiàn)頻繁波動；熱軋過程中采用汽化冷卻器對加熱爐進(jìn)行冷卻，通過循環(huán)水吸收爐膛傳給水梁的熱量，被加熱汽水混合物進(jìn)入汽包進(jìn)行汽水分離后產(chǎn)生蒸汽，一部分蒸汽用于加熱爐汽化冷卻除氧，富余蒸汽經(jīng)管道供給制氧、原水除氧站等用戶。由于加熱爐燃燒過程中煤氣熱值波動，壓力不穩(wěn)定，空燃比設(shè)定不合理，造成爐溫波動較大，導(dǎo)致蒸汽產(chǎn)量呈現(xiàn)無規(guī)律的波動性變化，使得熱軋蒸汽輸送過程中管網(wǎng)壓力也呈現(xiàn)波動性的特點。

圖2 煉鋼工序蒸汽產(chǎn)消分布

由上述分析可知，蒸汽的產(chǎn)消與鋼鐵企業(yè)生產(chǎn)工序以及各工序中的能源介質(zhì)之間有著密切聯(lián)系，生產(chǎn)過程中的不確定因素會對蒸汽的產(chǎn)消產(chǎn)生很大的影響。圖3為典型鋼鐵企業(yè)的主工序流程，各種能源介質(zhì)交互并存，分布在企業(yè)各工藝區(qū)，各工序的生產(chǎn)又相互獨立，這就造成管網(wǎng)內(nèi)部的運行情況難以隨時掌握，使得蒸汽管網(wǎng)的管理較為復(fù)雜。傳統(tǒng)人工方法只能基于同期歷史數(shù)據(jù)進(jìn)行大致的判斷，無法精確掌握數(shù)據(jù)未來的變化趨勢，具有一定的盲目性和片面性，很難對蒸汽系統(tǒng)進(jìn)行科學(xué)有效的調(diào)度。

圖3 典型鋼鐵企業(yè)的主工序流程

2 數(shù)據(jù)處理

目前，蒸汽流量主要通過流量儀表進(jìn)行實時測量，在實際測量時，由于工況的變化，管內(nèi)蒸汽狀態(tài)發(fā)生偏離，影響到計量的準(zhǔn)確性[9]；蒸汽管網(wǎng)壓力的無規(guī)律變化、檢測儀表的老化使得儀表示數(shù)不穩(wěn)定，造成了人工統(tǒng)計的誤差。因此，所統(tǒng)計的數(shù)據(jù)中含有較高的噪聲，噪聲將有用信號淹沒，如果不預(yù)先進(jìn)行數(shù)據(jù)處理，會對下一步的模型預(yù)測精度造成影響。因此，采用小波分析對檢測數(shù)據(jù)進(jìn)行預(yù)先處理。

小波變換有著良好的時頻局部化特性和對信號的自適應(yīng)性，可以有效地從含有噪聲的信號中提取有用信息，對信號進(jìn)行多尺度細(xì)化分析，在信號消噪、信號特征提取和奇異點分析方面具有顯著效果[10]。在實際工程中，低頻信號或一些平穩(wěn)的信號為有用信號，而高頻信號一般都是噪聲信號[11]。

運用小波降噪時，首先確定蒸汽序列，采用Mallat塔式算法[12]，取分解尺度n=2M(M為插值與抽取系數(shù))；然后選用小波函數(shù)對序列進(jìn)行分解，對小波函數(shù)的選取應(yīng)考慮小波函數(shù)自身的支撐長度、對稱性、正則性和消失矩；最后是對信號進(jìn)行降噪，采用多尺度一維小波重構(gòu)。

3 貝葉斯神經(jīng)網(wǎng)絡(luò)

貝葉斯神經(jīng)網(wǎng)絡(luò)即通過貝葉斯正則化算法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，該方法考慮的是概率分布函數(shù)。貝葉斯神經(jīng)網(wǎng)絡(luò)通過控制模型的復(fù)雜度和通過概率模型處理不確定性，可以有效解決過擬合問題。假設(shè)有網(wǎng)絡(luò)模型A，輸入xn=x1,…,xN，相應(yīng)的目標(biāo)輸出tn=t1,…,tN，形成數(shù)據(jù)集D={xn,tn}。通過貝葉斯規(guī)則，網(wǎng)絡(luò)權(quán)值W的后驗概率為：

(1)

其中，α和β為超參數(shù)，參數(shù)α控制網(wǎng)絡(luò)權(quán)值W的分布；參數(shù)β代表目標(biāo)輸出的倒數(shù)。結(jié)合觀察數(shù)據(jù)D，計算超參數(shù)的后驗概率，更新超參數(shù)α和β：

(2)

而后，建立模型，通過貝葉斯定理給出模型的后驗概率，進(jìn)行模型顯著度比較，根據(jù)后驗概率的大小來確定最優(yōu)輸出：

(3)

(4)

貝葉斯神經(jīng)網(wǎng)絡(luò)的算法流程如圖4所示。

圖4 貝葉斯神經(jīng)網(wǎng)絡(luò)的算法流程

4 蒸汽管網(wǎng)壓力預(yù)測模型

4.1樣本數(shù)據(jù)選取

根據(jù)鋼鐵企業(yè)蒸汽管網(wǎng)的結(jié)構(gòu)分布，選擇啟動鍋爐向S2管網(wǎng)的送氣點處設(shè)置測量點，此處為管網(wǎng)壓力控制的參照點，也作為預(yù)測模型的輸出點。由于整個管網(wǎng)的汽源和耗汽用戶眾多，且分布范圍廣，在選取模型輸入點時，不可能選取所有的監(jiān)測點作為輸入樣本。因此，在選取輸入點時，應(yīng)該依照一定的選取原則進(jìn)行挑選。筆者依照的選取原則是：對蒸汽產(chǎn)量起主導(dǎo)地位的生產(chǎn)工序，管網(wǎng)中的耗汽大戶，能全面反映管網(wǎng)運行狀態(tài)，以及對管網(wǎng)壓力波動影響較大等。根據(jù)以上選取原則，結(jié)合實際工況條件和保存的歷史數(shù)據(jù)來看，煉鐵、制氧、原水除氧站、冷軋、制氫和服務(wù)區(qū)能夠全面反映管網(wǎng)運行狀態(tài)；結(jié)合前面章節(jié)的分析，煉鋼、燒結(jié)、熱軋工序存在著很多不確定因素，對管網(wǎng)壓力波動影響較大；CDQ、燒結(jié)、煉鐵工序是鋼鐵企業(yè)煉鋼工序中的主要產(chǎn)汽源；海水淡化和換熱站是平衡管網(wǎng)壓力的重要手段。因此，根據(jù)以上分析，選取S1管網(wǎng)內(nèi)的海水淡化，S2管網(wǎng)內(nèi)的燒結(jié)、換熱站、CDQ、煉鐵、煉鋼，S3管網(wǎng)內(nèi)的制氧、制氫、原水除氧站、服務(wù)區(qū)、冷軋、熱軋共12個檢測點的蒸汽流量作為模型的輸入。

選取鋼鐵企業(yè)2、5、8、11月份的部分?jǐn)?shù)據(jù)進(jìn)行仿真，共選取10 400個數(shù)據(jù)，其中前7 800個數(shù)據(jù)作為訓(xùn)練樣本，后2 600個為測試樣本，仿真平臺為Matlab2010b。

4.2小波降噪

根據(jù)前面的分析，由于管網(wǎng)內(nèi)部的運行情況受多種因素的影響，蒸汽流量在檢測過程中存在較大誤差，使得檢測數(shù)據(jù)含有較高的噪聲。因此，在建立預(yù)測模型之前，需要對采集的數(shù)據(jù)進(jìn)行降噪處理。

由于小波函數(shù)的選擇與最終的預(yù)測精度有直接聯(lián)系，為選取符合條件的小波函數(shù)，采用多種小波函數(shù)進(jìn)行對比，最終選取bior2.4小波函數(shù)，根據(jù)多指標(biāo)融合方法[13]確定出最佳分解尺度為2，采用的是默認(rèn)閾值去噪處理。

圖5a為正常工況下獲取的蒸汽流量信號，信號中含有大量的隨機(jī)干擾。圖5b為經(jīng)過小波降噪后的蒸汽流量信號。對比降噪前后的蒸汽流量信號可以看出，經(jīng)過小波降噪后的蒸汽流量信號的原始波動特性沒有改變，而夾雜在其中的噪聲干擾成分被有效濾除，從而有效提高了蒸汽流量信號的可信度，為下一步利用貝葉斯神經(jīng)網(wǎng)絡(luò)方法對蒸汽管網(wǎng)壓力進(jìn)行準(zhǔn)確預(yù)測奠定了基礎(chǔ)。

a. 原始信號

b. 降噪后圖5 小波降噪前后蒸汽流量信號

4.3數(shù)據(jù)歸一化

由于輸入輸出數(shù)據(jù)數(shù)量級存在差別，差別較大會造成網(wǎng)絡(luò)預(yù)測誤差較大，且Sigmond轉(zhuǎn)移函數(shù)在遠(yuǎn)離[-1,1]區(qū)間較平坦從而會影響收斂速度，因此將數(shù)據(jù)都統(tǒng)一到[-1,1]區(qū)間[14]。具體如下：

x′=(xk-xmean)/xvar

(5)

式中x′——歸一化數(shù)據(jù)；

xk——輸入或輸出數(shù)據(jù)；

xmean——數(shù)據(jù)序列的均值；

xvar——數(shù)據(jù)的方差。

4.4網(wǎng)絡(luò)結(jié)構(gòu)的確定

已知輸入層有12個節(jié)點，蒸汽壓力值為模型輸出。隱含層神經(jīng)元的個數(shù)采用交叉驗證法確定，筆者采用十折交叉驗證法，驗證間隔10～40，驗證步長5，得到最佳神經(jīng)元個數(shù)為35。網(wǎng)絡(luò)結(jié)構(gòu)12-35-1。超參數(shù)初值α=0.01，β=50。

4.5預(yù)測結(jié)果分析

利用貝葉斯神經(jīng)網(wǎng)絡(luò)模型對小波降噪后的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練后的優(yōu)化網(wǎng)絡(luò)模型。再選用不同的樣本數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行驗證，得到預(yù)測結(jié)果與實際值的趨勢如圖6所示。經(jīng)過計算，預(yù)測結(jié)果與實際數(shù)據(jù)的最大誤差僅5.21%，表明小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)模型與實際工況有較好的擬合度，預(yù)測精度高，為調(diào)度人員提供了精確的數(shù)據(jù)支持，保障了蒸汽系統(tǒng)及時準(zhǔn)確地調(diào)度，有效提高了管網(wǎng)的穩(wěn)定性。

圖6 降噪后的貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

采用相同的訓(xùn)練樣本數(shù)據(jù)和相同的網(wǎng)絡(luò)結(jié)構(gòu)，運用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對蒸汽管網(wǎng)壓力進(jìn)行預(yù)測，得到預(yù)測結(jié)果與實際值的趨勢如圖7所示?？梢钥闯?，采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)所得預(yù)測結(jié)果與實際檢測數(shù)據(jù)之間存在著明顯的誤差，擬合程度差，無法滿足準(zhǔn)確預(yù)測的目的。

圖7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

結(jié)合圖6、7可以得出這樣的結(jié)論：采用了貝葉斯算法后，提高了傳統(tǒng)BP算法的泛化能力，因此預(yù)測效果要明顯優(yōu)于傳統(tǒng)的BP算法，具有更好的實用性。

為了充分體現(xiàn)筆者提出的小波預(yù)先降噪的作用，另采用貝葉斯神經(jīng)網(wǎng)絡(luò)對未降噪的數(shù)據(jù)進(jìn)行預(yù)測，得到預(yù)測結(jié)果與實際值的趨勢如圖8所示，其中最大誤差為8.49%。

圖8 未降噪的貝葉斯神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

通過比較圖6、8的預(yù)測結(jié)果，以及對應(yīng)的最大絕對誤差值，可以看出，采用小波變換對數(shù)據(jù)降噪后，預(yù)測精度比標(biāo)準(zhǔn)的貝葉斯神經(jīng)網(wǎng)絡(luò)有了進(jìn)一步的提高，尤其在數(shù)據(jù)波動較大之處，采用小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)模型得到的曲線擬合度更好，從而有效證明了筆者提出的小波變換對數(shù)據(jù)進(jìn)行預(yù)先處理步驟的合理性。

表1 預(yù)測方法的NRRMSE和MAPE對比

5 結(jié)論

5.1針對鋼鐵企業(yè)蒸汽管網(wǎng)含噪高、波動大的特點，首先采用小波變換對數(shù)據(jù)進(jìn)行降噪處理，然后構(gòu)建貝葉斯神經(jīng)網(wǎng)絡(luò)模型對蒸汽管網(wǎng)壓力進(jìn)行預(yù)測。仿真對比結(jié)果表明，該網(wǎng)絡(luò)模型具有較強(qiáng)的泛化能力。并且從預(yù)測結(jié)果可以看出，先對數(shù)據(jù)進(jìn)行降噪處理后，預(yù)測精度比標(biāo)準(zhǔn)貝葉斯神經(jīng)網(wǎng)絡(luò)方法有了進(jìn)一步的提高，可以為蒸汽管網(wǎng)的調(diào)度提供科學(xué)有效的指導(dǎo)。

5.2從NRRMSE和MAPE的對比可以看出，小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)的標(biāo)準(zhǔn)均方根誤差和平均絕對百分比誤差在整體上都優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。

5.3預(yù)測結(jié)果表明，該組合模型具有較好的擬合性、較強(qiáng)的泛化能力和更高的預(yù)測精度，具有一定的可行性和實際工程應(yīng)用價值。

5.4隨著鋼鐵企業(yè)對蒸汽資源合理利用的重視程度不斷提高，對蒸汽管網(wǎng)壓力預(yù)測精度的要求將更為嚴(yán)格。雖然筆者提出的小波變換-貝葉斯神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果基本達(dá)到了理想的效果，但在數(shù)據(jù)波動較大處，仍然存在著一定的誤差。因此，在接下來的研究中，需要綜合考慮更多因素，改進(jìn)建模方法，完善蒸汽系統(tǒng)的信息模型，使模型更加符合鋼鐵企業(yè)蒸汽系統(tǒng)的實際情況。

[1] 張德欽.大型鋼鐵企業(yè)能源管理系統(tǒng)的設(shè)計與實現(xiàn)[J].化工自動化及儀表,2013,40(3):390～394.

[2] 杜雷.貝葉斯神經(jīng)網(wǎng)絡(luò)在蒸汽壓力預(yù)測中的應(yīng)用[D].大連:大連理工大學(xué),2011.

[3] 陳冬玲,劉有冠.干熄焦提升機(jī)定位系統(tǒng)智能控制策略應(yīng)用[J].化工自動化及儀表,2015,42(5):519～522.

[4] 賈馮睿,王恩剛,赫冀成,等.燒結(jié)過程余熱資源回收與利用技術(shù)[J].工業(yè)加熱,2014,43(4):45～48.

[5] 張立宏,蔡九菊.鋼鐵企業(yè)蒸汽利用方式的研究[J].工業(yè)加熱,2007,36(5):1～3.

[6] 徐建偉,劉桂芬.基于貝葉斯正規(guī)化算法的BP神經(jīng)網(wǎng)絡(luò)泛化能力研究[J].數(shù)理醫(yī)藥學(xué)雜志,2007,20(3):293～295.

[7] 納瑾,張艷,吉亞宏.蒸汽系統(tǒng)實時數(shù)據(jù)采集及在線智能檢測優(yōu)化[J].化工自動化及儀表,2009,36(4):88～91.

[8] 馬湧,孫彥廣.貝葉斯神經(jīng)網(wǎng)絡(luò)在蒸汽管網(wǎng)預(yù)測中的應(yīng)用[J].中國冶金,2014,24(6):53～57.

[9] 趙暉,劉偉.關(guān)于渦街流量計在蒸汽測量中的討論[J].化工自動化及儀表,2005,32(6):68～69.

[10] 管亮,馮新瀘.基于小波變換的信號消噪效果影響因素研究及其Matlab實踐[J].自動化與儀器儀表,2004,(6):43～46.

[11] Ansari A,Noorzad A,Zafarni H,et al.Correction of Highly Noisy Strong Motion Records Using a Modified Wavelet De-noising Method[J].Soil Dynamics and Earthquake Engineering,2010,30(11):1168～1181.

[12] Benitez R B C,Paredes R B C,Lodewijks G,et al.Damp Trend Grey Model Forecasting Method for Airline Industry[J].Expert Systems with Applications,2013,40(12):4915～4921.

[13] 陶柯,朱建軍.多指標(biāo)融合的小波去噪最佳分解尺度選擇方法[J].測繪學(xué)報,2012,41(5):749～755.

[14] 馮輝宗,吳小敏,袁榮棣,等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷[J].化工自動化及儀表,2013,40(1):76～79.

SteamPipingNetworkPressurePredictioninIronandSteelEnterprise

YUE You-jun, LI Jia-jia, ZHAO Hui, WANG Hong-jun

(SchoolofElectricalEngineering,TianjinUniversityofTechnology,Tianjin300384,China)

Piping system’s irregular pressure variation results in ineffective scheduling of the steam system and the waste of steam resources in iron and steel enterprises. A wavelet transform-Bayesian neural network-based prediction method was proposed, in which, having wavelet transform adopted to de-noise original data so as to decrease error interference of the data; then having Bayesian regularization algorithm used to improve BP neural network so that the network structure complexity in process training optimization can be decreased to avoid occurrence of “overfitting” and to improve generalization ability. The experimental results show that the wavelet transform-Bayesian neural network-based prediction method has high precision, good performance and practicability in predicting steam piping system’s pressure, improving the level of operation management and providing scientific theoretical basis for reasonable scheduling of the steam.

pressure prediction, steam piping system, noise, wavelet transform, wavelet neural network, Bayesian neural network

TH812

A

1000-3932(2016)05-0495-06

2016-03-24(修改稿)