关键词:
工业智能化
造纸过程
建模模拟
节能减排
多步预测
摘要:
伴随造纸行业的产能需求不断提高,其能源需求逐年上升、碳排放基数不断扩大。在“双碳”目标下,造纸行业面临提高能效、减污降碳的双重压力。造纸行业的碳排放主要来源于电耗和蒸汽能耗所产生的间接排放。对造纸过程建立精准的能耗与碳排放预测模型,利用其预测结果,帮助造纸企业优化生产,提高能效,节能降本;为公用工程提供方提供精准的需求信息,以便其合理安排生产,减少能源过剩或不足所带来的额外消耗和排放,有助于形成供、需侧减污降碳、降本提效的良性循环。造纸过程兼具流程工业和离散工业的双重特点,其能耗和碳排放影响因素较多,耦合关系复杂,同时存在较强的无规律变化。在影响因素方面,造纸过程不仅存在成百上千个关联关系复杂多变的采集点,还存在大量无法在线测量的关键工艺参数。在生产特性方面,造纸过程电耗、蒸汽能耗和碳排放都存在独特的特性,例如电耗存在波动大、干扰强等问题,蒸汽能耗存在鲁棒性弱、不确定性强等问题,碳排放存在核算粗放、形成机制不清晰等问题。这些问题使得影响能耗与碳排放的关键因素难以被精准挖掘,随着预测步数的增加,建立精准的能耗与碳排放预测模型的难度也呈几何级数增长。为解决上述问题,本论文展开了如下工作:(1)基于数据统计的方法挖掘影响造纸过程能耗和碳排放的关键因素。首先,本研究基于灰色关联度分析、相关性分析和滞后自相关性分析方法,初步分析影响造纸生产过程电耗、蒸汽能耗的关键参数,然后利用梯度提升回归树算法和可解释性的SHapley值更为精准地筛选关键参数,为后续建立能耗与碳排放预测模型确定合理的输入变量。(2)提出一种新多步预测策略。首先,本研究分析了五种经典多步预测策略(迭代策略、直接策略、多输入多输出策略、直接迭代策略以及直接多输出策略)的优缺点,并基于不同采集频率提出新的多步预测策略。基于六种策略建立多步预测模型,利用真实数据对比分析这六种模型性能,验证本研究提出的多步预测策略的可靠性。(3)建立基于深度学习的造纸过程电耗多步预测模型。首先,本研究基于粒子群优化算法和长短期记忆网络(Long Short-Term Memory,LSTM)建立了造纸过程电耗单步预测模型,并采用鲸鱼优化算法、粒子群优化算法与反向传播神经网络、Elman、最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)、LSTM进行组合建立的11个对比模型,针对不同的预测步长,验证提出的电耗预测模型的性能。研究表明,综合对比12个模型,本研究提出模型的平均绝对误差百分比和均方根误差平均更小,比其他模型平均降低了9.37%和10.06%。最后基于新策略建立了造纸过程电耗多步预测模型。结果表明在预测步数小于24时,本研究提出的造纸过程电耗多步预测模型具有高精度、高稳定性的优点,其平均绝对误差百分比低于2%。(4)建立基于关键参数识别的造纸过程蒸汽能耗多步区间预测模型。首先,基于轻量级梯度提升机建立造纸过程关键参数识别模型,并在此基础上,基于贝叶斯优化的LSTM建立造纸过程蒸汽能耗概率预测模型。为了验证模型的可靠性,采用PSOLSTM、贝叶斯神经网络建立的预测模型作为对比案例,结果表明本研究提出模型的精度更高、稳定性更好,其平均绝对误差百分比和均方根误差分别比其他两个模型小了23.2%和6.78%;34.4%和27.1%。然后基于核密度估计建立造纸过程蒸汽能耗区间预测模型,结果表明置信水平为90%以上时,99%的实际值落在预测区间内。最后结合提出的多步预测策略,建立造纸过程蒸汽能耗多步区间预测模型。结果表明,本研究提出的造纸过程蒸汽能耗多步预测模型能够在预测步数为24以内,置信区间为99%时,98%的真实值能落在预测区间内。(5)建立基于组合方法的造纸过程碳排放多步预测模型。结合造纸过程关键参数识别模型,基于灰色模型、自回归滑动平均模型、LSSVM建立造纸过程碳排放组合模型。同时,利用诱导有序加权平均算子和蒙特卡洛搜索树的方法求解组合模型权重。以基于自回归滑动平均模型、灰色模型和LSSVM建立的预测模型作为对比案例,结果表明本研究提出的组合模型在很大程度上结合了三个模型的优点,具有预测精度更高和稳定性更好的优点。同时,对比分析了直接和间接预测碳排放模型,结果表明直接预测碳排放的精度更高。最后,本研究建立造纸过程碳排放多步预测模型,结果表明,本研究提出的模型能够高精度的预测步数在12以内的碳排放,其90%的预测结果的相对误差百分比低于10%。通过上述研究,本研究分析了影响造纸过程能耗与碳排放的关键因素,提出了新的多步预测策略,并在此基础上建立了高精度、高稳定性的能耗与碳排放多步预测模型,为后续造纸过程的减污降碳、降本提效提供数据和技术支持。