电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难。为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法。首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果。实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果。

电阻炉是利用电流使电热元件升温,通过热传递加热炉内物体的装置。在制造业中,电加热装置是耗能大户,其耗电占据企业总耗电的25%～60%,全国热处理电热装置总装机量约15万台,年总耗能电量约100亿度[1]。对工业电阻炉制定科学合理的能耗分析方法与生产计划能提高能源效率,实现可持续的清洁生产和节能降耗[2]。因此,工业电阻炉的能耗预测研究具有深远的意义。
传统的工业电阻炉能耗预测研究主要是通过数值分析法来建立的理论数学模型,模拟加热时炉内的热传递辐射。Fu等[3]基于计算流体动力学(computational fluid dynamics,CFD)软件FLUENT数值模拟了高温合金坯在电阻炉内的加热过程,对炉膛内自然对流和表面热辐射进行了数值分析,预测了高温合金的温度分布和平衡时间。Jang等[4]采用共轭梯度法和打靶法相结合的优化方法,研究表明随着预热区温度降低,能耗也显著降低。以上传统的数学建模方法需要提供详细的数据信息,模型建立困难,预测误差大,不够精确。
近年来,基于数据驱动的能耗预测得到广泛运用[5]。数据驱动技术如人工神经网络(artificial neural network,ANN)、支持向量机(support vector machine,SVM)等在能耗研究方面取得了一定的研究成果。Chen等[6]采用ANN方法根据硅、焦炭、煤和电极的效率和电耗进行了建模,用于指导较低电力消耗和较高效率下的埋弧炉硅生产。王俊凯等[7]将支持向量机引入烧结生产系统,提高了能耗及性能指标预测的精度。Gajic等[8]基于人工神经网络对电弧炉的不锈钢生产过程进行了建模,分析不锈钢化学成分的波动来预测电能消耗。以上研究采集历史生产数据作为模型的输入,仅能预测整个生产周期内的总能耗,因此对具有非线性和时变特性的工业电阻炉,上述方式不能实现短期时间内的准确能耗预测。对于具有时序特征的数据,赫聚显等[9]提出一种基于时间序列的BP神经网络模型,实现0.5 h后的热风炉煤气消耗量的预测。De等[10]提出通过Bagging-ARIMA(bootstrap aggregating-autoregressive integrated moving average model)和平滑指数法预测中长期的电力消耗。Li等[11]提出一种与ANN结合的新型进化算法用于建筑物的短期能耗预测,模型的收敛速度和预测精度都高于遗传算法、粒子群优化算法结合下的ANN模型,适合于在线能耗预测。Subodh等[12]用支持向量机对低能耗建筑进行能耗建模与预测,采用具有代表性的数据集建模,提高了预测精度。以上数据驱动的研究都只是基于时间序列,或基于少参数进行的能耗预测,但在实际中,电能消耗往往受到多种因素影响,因此单参数或少参数的能耗预测无法满足较高的精度需求。
综上所述,虽然能耗预测在各方面研究早已开展,但具有非线性、大惯性、时变性特点[13]的大功耗的工业电阻炉,目前还没有给出泛化性高的多参数预测方法。因此笔者对电阻炉工作状态下的多个过程参数进行研究,分析各个加热阶段的能耗特性,基于数据驱动下建立小样本、非线性的多参数能耗预测模型,并以粒子群优化算法(particle swarm optimization,PSO)对支持向量回归的超参数进行寻优,提高模型精度。
1 工业电阻炉能耗分析
1.1 工业电阻炉能耗特性分析
工业电阻炉工作阶段按不同工艺可分为预热阶段、加热阶段、保温阶段和冷却阶段。预热阶段是将电阻炉升温到预热温度后放入工件为止;加热阶段是在工件放入后加热达到电阻炉的工作温度为止;保温阶段是电阻炉持续保持工作温度到设定时长为止;冷却阶段是保温结束后关闭温度控制系统,使工件随炉冷却到一定温度,直到将其从电阻炉中取出为止。
经现场采集三相电输出数据,绘制电阻炉能耗趋势图,如图1所示。