李志刚 任雄朝 纪月

摘  要： 以高炉煤气为主要研究对象，基于BP神经网络引入粒子群算法优化BP神经网络的权值，通过调试和改进建立PSO?BP神经网络高炉煤气受入量预测模型，使企业实现对煤气的合理调度和平衡调整，研究结合唐山钢厂的历史数据对该模型进行训练和检验。研究结果表明，BP模型比未改进的BP模型更能精确地预测受入量，并解决了遗传算法（GA）优化BP神经网络容易陷入早熟收敛的问题。

关键词： 高炉煤气; 受入量预测; 预测模型; PSO?BP神经网络; 模型训练; 模型检验

中图分类号： TN98?34                          文献标识码： A                           文章编号： 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

钢铁企业煤气的平衡是关乎钢铁企业生产效率和环境污染的重大问题。钢铁冶炼过程中产生的重要副产品之一即为高炉煤气（Blast Furnace Gas，BFG），它既是重要的二次能源也是污染大气的主要污染源，其特点为热值低，产生量和消耗量随工艺生产状态发生较大波动。煤气的突然过剩易导致设备熄火，煤气的紧缺导致用户停产，企业对煤气不平衡调整会将高炉煤气放散到大气中，造成环境污染。如何准确预测高炉煤气的受入量，科学合理地平衡、提高能源利用效率、保护环境，成为一项意义重大的研究方向。

近些年来，人工神经网络的研究工作不断深入，在各个领域获得广泛的应用。BP神经网络是人工神经网络最常用、最成熟的神经网络之一，它是一种误差反向传播训练的多层前馈型网络，其基本思想是梯度下降法，利用梯度搜索减小预测误差，但在训练过程中存在收敛速度慢，易于陷入局部极小值的缺陷。GA?BP神经网络中遗传算法易陷入早熟收敛，降低了训练精度。因此，本文引入粒子群优化（PSO）算法，优化BP神经网络权值，建立PSO?BP神经网络预测模型[1]，利用从钢厂采集的历史数据进行训练和测试，将预测结果与未经优化的BP神经网络和GA?BP神经网络预测模型进行比较。

国内有很多关于煤气预测的研究，文献[2]利用神经网络对高炉煤气消耗预测模型进行研究;文献[3]对高炉煤气发生量进行预测;文献[4]建立了高炉煤气发生量预测模型。大部分都是对煤气发生量和消耗量进行预测，但在煤气受入量预测方面研究不足。本文以唐山钢厂为背景，取得高炉煤气系统的相关数据，将高炉煤气受入量的影响因素作为输入，建立PSO?BP预测模型，对高炉炼铁时产生的煤气总量减去热风炉消耗煤气量的部分即受入量展开研究。

1  BP神经网络

20世纪80年代中期，Rumelhart. McClelland等成立了Parallel Distributed Procession（PDP）小组，提出误差反向传播算法（Error Back Propagation，BP），该神经网络就被称为BP神经网络。

典型的BP网络具有三层：输入层、隐含层和输出层。结构如图1所示。BP神经网络的计算过程有两个：正向传播和误差反向传播。输入信息从输入层传递到隐含层，逐层处理，并从隐含层传递到输出层，如果输出层与期望值输出不匹配，会进入误差反向传播阶段。反向传播是将误差通过隐含层向输入层逐层进行传播，根据误差修正连接权重，使误差逐渐减小，不断学习，直至误差减小到目标值。在模型预测时，输入信号被输入训练好的网络，相应的结果就可以计算出来[5]。

图1  BP网络拓扑结构

2  PSO?BP神经网络预测模型

2.1  粒子群算法

粒子群优化（Particle Swarm Optimization，PSO）算法是基于群组协作的随机搜索算法，模拟鸟类的喂食行为来开发。其一个重要的应用就是训练ANN，并取得了较好的结果。首先在空间中初始化一组随机粒子，然后迭代找到最优解，粒子都有自己的位置、速度和适应度值，其中通过适应度函数用于计算粒子适应度值，个体位置由个体极值和群体极值更新。对[D]维空间中的[N]个粒子，粒子群算法的基本参数如下：

2.2  PSO?BP神经网络预测模型

首先，确定BP网络结构，初始化粒子在总体的速度和位置，对输入数据进行归一化处理，并初始化神经网络的权重，训练网络并将误差作为粒子的适应度，选择个体最优位置作为全局最优位置。根据式（1）、式（2）更新粒子的位置和速度，在更新之后，计算每个粒子的适应度，比较每个粒子的最好位置pbest所对应的适应度，将适应度最小的更新粒子位置作为pbest，比较每个粒子的适应度与种群所经历过最好位置的适应度， 选择适应度更小的作为gbest，检查是否达到全局最优位置或达到最大迭代次数;若未达到预设条件，则继续更新，重新调整粒子速度和位置;若达到预设条件，则停止迭代，输出最优解即优化后的BP神经网络初始权值，再进行网络的训练和预测，PSO优化BP的网络流程图如图2所示。

图2  网络流程图

3  实例

3.1  获取数据

本文针对高炉煤气受入量展开研究，到河北唐山某钢厂进行实地考察并取得高炉煤气系统的相关数据，分别为BFG受入量、热风炉温度、热风炉压力、鼓风机送风总量、鼓风机送风含氧量、高炉温度、高炉压力、喷煤BFG使用量、TRT出口温度、TRT出口压力和高炉至外网BFG压力。

3.2  受入量影响因素分析

高炉煤气产生过程极其复杂，BFG受入量会受到很多因素的影响，其中有许多因素是无关紧要的，为了从众多因素中找出主要因素与次要因素，可以通过灰色关联分析方法计算相关程度。本研究利用关联度算法的改进模型[6]，分析出受入量与热风炉温度、热风炉压力、鼓风机送风总量、鼓风机送风含氧量、高炉温度、高炉压力、喷煤BFG使用量、TRT出口温度、TRT出口压力和高炉至外网BFG压力的关联程度，分别为[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]，选用相关性最高的7项作为网络的输入。

3.3  数据预处理

通过分析影响因素，本文选取热风炉压力、鼓风机送风总量、鼓风机送风含氧量、高炉压力、喷煤BFG使用量、TRT出口压力和高炉至外网BFG压力7项影响因素作为网络的输入。在预测之前，将采集到的样本数据标准化以消除采样数据中的奇异值，以确保样本数据被限定在一定范围内。本文随机选出一天2 500组数据，2 300组数据作为训练样本，200组数据作为测试样本，归一化的部分数据如表1所示。

表1  部分歸一化数据列表

3.4  高炉煤气受入量预测

使用选定的数据训练和预测未优化的BP神经网络、GA?BP神经网络和PSO?BP神经网络。设神经网络输入层数为7，隐层数为11，输出层数为1，训练次数设为1 000，目标精度设为0.004，学习率设为0.1，并设定三种网络相同结构和相同参数。遗传算法的种群规模为20，变异概率为0.1，交叉概率为0.3;粒子群算法的种群规模为20，学习因子[C1=]1.49，[C2=]1.49，最大惯性权重为0.9，最小惯性权重为0.3。图3～图5分别为BP神经网络、GA?BP神经网络和PSO?BP神经网络预测受入量预测值和真实值的对比图。

4  结  语

该研究针对钢厂高炉煤气受入量预测问题提出PSO?BP神经网络预测模型，结合BP神经网络的非线性映射能力和粒子群算法的寻优能力，利用粒子群算法优化网络的权值和阈值，提高了BP神经网络的泛化能力，解决了GA?BP神经网络中遗传算法易陷入早熟收敛问题，克服了收敛速度慢和容易陷入局部误差极小值的缺点，提高了预测精度。为煤气在钢厂和用户之间实现平衡调度提供指导。

图3  BP神经网络对受入量预测

图4  GA?BP神经网络对受入量预测

图5  PSO?BP神经网络对受入量预测

参考文献

[1] 李海斌，翟秋柱，张优，等.PSO?BP神经网络在隧道围岩变形预测中的应用[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] 王军，袁大明.基于神经网络的高炉煤气消耗预测模型研究[J].科技与企业，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] 张晓平，汤振兴，赵珺，等.钢铁企业高炉煤气发生量的在线预测建模[J].信息与控制，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] 李红娟，王建军，王华，等.钢铁企业高炉煤气发生量预测建模及应用[J].系统仿真学报，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] 谭延嗣.BP神经网络应用于地质灾害预测的研究[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] 黄浩，王浩华.灰色T型关联度的改进与实证[J].数学的实践与认识，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神经网络在某煤机企业安全库存预测中的应用[J].煤炭技术，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，郑永杰，等.基于PSO?BP神经网络的加氢脱硫柴油硫含量的预测研究[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] 杨晓宇，黄浩，王浩华.基于改进的T型关联度在音乐分类中的应用[J].数学的实践与认识，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.