【研究】造紙企業能耗預測研究

由于基礎薄弱、管理落后的問題，我國制漿造紙行業仍是高耗能、高污染的粗放式生產方式。能耗與環境問題成為企業和政府亟待解決的問題。

能源管理系統（Energy Management System，EMS）是利用計算機技術和網絡通信技術對生產現場中的各種能耗數據進行采集，將預處理后的數據進行分析并發布，最終達到降低污染、節約能源的目的。本課題實現監控與管理、能耗數據分析與預測、能源網絡優化等功能，達到造紙企業能源有效管理和節能減排作用。

1 EMS系統總體架構

1.1系統架構

該系統框架為三層結構為：數據采集層、數據處理層、應用管理層。

1.2系統網絡結構

該能管系統網絡采用雙環網冗余服務器的架構，此架構大大提高系統的通訊能力，增強系統的可靠性，并且便于系統向上擴展。

2 GA-BP神經網絡預測模型

BP神經網絡具有各種逼近、并行、容錯以及自我學習的特征別廣泛應用于模型預測，但是其自身也存在缺陷，多遍反饋、收斂速度慢且易陷入局部極小點使預測模型精確度較低。GA是對參數進行編碼運算而不需要有關體系的任何先驗知識，從串集開始搜索，覆蓋面積大，避免陷入局部最優解的風險，利于全局優化。本文將BP神經網絡與GA算法的優點相結合，利用GA算法對優化BP神經網絡模型權值和閾值，獲得GA-BP優化網絡模型。

3 電耗預測模型的建立及仿真

3.1預測模型建立

以車間前22天的數據對后6天的耗電量進行預測，此車間每日四班電耗數據、每班的最高室溫和最低室溫及電價情況，共計輸入層節點數為4個；輸出層節點數為1個。

3.2仿真結果對比分析

由圖4 遺傳優化進程中最優個體適應度曲線可知，隨著進化代數的推移，每代中的最優個體適應度值慢慢的降低，直至第50代。

 圖1 最優個體適應度趨勢圖

4 現場應用

圖2 電力系統實施監控圖 

本文以西門子S7-400PLC為控制器、B.DATA能管軟件為平臺，設計某造紙企業EMS系統，該具備監控與管理、能耗數據分析與預測、能源網絡優化等功能，圖12為電力負荷監視圖。并用遺傳算法調節 BP 神經網絡的權重和閾值，構建GA-BP神經網絡用于紙廠水、電、汽等能源的預測，能夠有效避免局部極值和初值相關性等問題,提高收斂速度,得到較好的網絡結構。實際應用表明：GA-BP神經網絡預測模型相對誤差為±4%，預測精度高，能夠滿足企業需要，具有較高的借鑒和實踐意義。

作者：胡亞南 寧奎偉 豐會萍 王鵬文