摘要：2017年中国烧碱行业迎来丰收之年，烧碱产品产能规模进一步优化，行业集中度再次提升，氧化铝等下游需求旺盛，使得烧碱行业保持了良好的盈利态势。2017年，全国烧碱（32%离子膜法）平均价格从年初的970元/t一路上涨至11月份的2017年全年最高点1470元/t，2018年初，烧碱市场虽整体有所回落，但仍处于高位区间。
关键词：化工企业；烧碱产能；预测
引言：烧碱是一种重要的基础化工原料，传统消费领域主要为轻工、纺织和化工行业，这三大行业每年消费的烧碱量约占总量大部分，其次是医药、冶金、稀土金属、石油、电力、水处理及军工等行业。
1中国烧碱行业基本情况
近年来，随着中国工业的发展，氯碱工业无论是在产量、质量方面，还是在品种、生产技术等方面都得到了快速发展。2005-2007年，中国烧碱产能每年产能增幅均超过20%；2008年以后，受到国际经济危机影响，烧碱产能年均增速由“十一五”期间的15.5%下降到“十二五”期间的5.1%。截止2016年底，中国共有烧碱生产企业158家，总产能为3945万t/a，企业的平均产能为25万t/a，企业的平均产能继续提升。从技术层面来看，作为世界第一氯碱大国，中国氯碱行业零极距节能改造已完成约60%，同时也在世界上率先开展了氧阴极、氢燃料电站及相关技术的实验性装置建设。针对耗氯、耗碱下游产品的开发，对相关产品进行差异化改造的工作也在多个企业、科研机构等单位同步推进开展。
但随着近几年产业结构调整，下游行业不断推进结构升级。下游需求的日渐饱和也使得烧碱企业的竞争愈发激烈。伴随着这次调整，一些缺乏竞争力的烧碱生产企业也不可避免的走上了停产淘汰或停产改造的道路。可见，中国烧碱行业无论从产业规模还是技术水平均达到较高水平，行业发展较为成熟，且面对产能过剩局面和正处于转型升级的关键阶段，推动相关产业走出去，对于整个行业转型升级大有必要。
2烧碱产能预测原理
烧碱产能受经济、社会、设备因素等多种因素影响，且存在多样性、复杂性和不确定性。由于烧碱产能影响因素很多，只有从中找出一组合适的因素才能有效地捕捉烧碱产能变化趋势，从而对烧碱产能进行准确的预测。本文中主要对生产系统中原料及能源消耗的因素进行分析，找出重要的影响因素，以达到对烧碱产能预测的准确。设烧碱产能的影响因子为：
为第i个影响因素，n为影响因素的个数，y为烧碱产能预测值，通过一定的建模方法描述烧碱产能和影响因素的非线性关系，即
，式中，f为预测模型。
由于烧碱产能是多种影响的综合结果，呈现高度非线性变化规律，传统的线性预测方法难以对其作出准确的预测。PSO_BP具有良好的非线性逼近能力，适合于烧碱产能的预测。因此本文采用PSO_BP对其进行非线性建模预测。本文首先采用MTGS对影响烧碱产能的因素进行分析，去除冗余因素得到影响烧碱产能的关键性因素，然后对这些因素构建PSO_BP预测模型。这样既结合了MTGS的属性约简能力，又利用了PSO_BP良好的非线性函数逼近能力，从而改善了预测模型的精度。基于MTGS_PSO_BP的烧碱产能预测如图1所示。
图1烧碱产能预测图
3实验及算法仿真
本文以某化工厂烧碱生产系统为研究对象，采集其连续3个月的系统数据，数据每一天采集一次，包括一天内的生产原料的消耗以及生产产量。生产原料包括水、交流电、氯化钠、直流电、纯碱、亚硫酸钠、三氯化铁。
3.1决策属性计算
影响烧碱产能的因素共有七种，通过对烧碱生产现场采集的数据进行趋势分析，可以得到各决策属性的变化趋势，如图2所示。利用MTGS对七个决策属性的权重进行计算。通过MTGS的计算，各决策属性的权重如下所示：
ω1=0．1368，ω2=0．1432，ω3=0．1488，ω4=0．1263，ω5=0．1475，ω6=0．1485，ω7=0．1488。
氯化钠和直流电的变化基本一致，因此选择其中一个作为决策属性即可。再由MTGS计算出的决策属性权重可以看出，直流电的权重最小。
综上所述，可以确定影响烧碱生产产能的关键属性为水、交流电、氯化钠、纯碱、亚硫酸钠、三氯化铁。这六个属性作为预测模型的输入，对烧碱生产产能进行预测。
3.2预测模型分析
为了验证采用MTGS进行决策因素筛选的合理性，构建两种BP神经网络的预测模型：第一种为输入层节点数为7，隐含层节点数为12，输出层节点数为1；第二种为输入层节点数为6，隐含层节点数为6，输出层节点数为1。这两种BP神经网络结构是经过反复试验之后得出的。隐含层的传递函数均为S型正切函数tansig，输出层的传递函数均为线性函数purelin，设定训练次数均为1000次，学习率为0.05。由于BP神经网络分为两种，所以粒子群算法的个体维数也是有两种。第一种对应输入节点为7的BP神经网络，此种BP神经网络共有7×12+12×1=96个权值，12+1=13个阈值，因此粒子群算法的个体维数为96+13=109；第二种对应输入节点为6的BP神经网络，此种BP神经网络共有6×6+6×1=42个权值，6+1=7个阈值，因此粒子群算法的个体维数为42+7=49。
图2为BP神经网络在不同决策属性及不同结构下预测结果的对比图。图3为PSO_BP在不同决策属性及不同结构下预测结果的对比图。图4为PSO_BP与BP在不同决策属性及不同结构下预测结果的对比图。从图2和图3可以看出，采用MTGS计算得到的六个关键决策因素进行预测的结果比没有任何处理直接进行预测的效果要好，与实际值更加逼近。
图2BP神经网络决策属性对比图
图3PSO_BP决策属性对比图 图4PSO_BP与BP对比图
由图4可知，经过粒子群算法优化后的预测模型曲线更加趋近于实际曲线，误差也相对较小。为了评价预测模型的好坏，本文采用平均绝对误差（MAD）、平均相对误差（MPE）、平均相对误差绝对值（MAPE）、均方根误差（ＲMSE）对模型进行评估。其中
式中：
为预测值；Q（i）为实测值；i为预测序列。结果如表1所示。由表1可知，算法经优化后，各项误差都减小，有效的提高了预测的精度。
结语
本文针对烧碱产能预测问题提出了MTGS与PSO_BP相结合的预测算法，首先用MTGS筛选出对预测有较大影响的因素，忽略一些对预测结果影响很小甚至是无影响的因素，最后用PSO_BP算法针对筛选后的因素进行产能预测，并用MATLAB进行仿真测试，验证算法的准确性。仿真结果表明经过优化后的预测模型在预测精度方面有明显提高，此种算法的提出对化工企业的烧碱生产产能预测问题的解决具有一定的参考价值。
表1预测模型误差比较
参考文献：
[1]魏津瑜，张玮，李欣．基于PSO－BP神经网络的高炉煤气柜位预测模型及应用［J］．中南大学学报（自然科学版），2013，S1：266－270．
[2]宋晓茹，李莉，张来青．中长期电力负荷预测研究［J］．计算机仿真，2014－9：132－135．
论文作者:杨平
论文发表刊物:《基层建设》2018年第33期
论文发表时间:2018/12/17
标签：烧碱论文; 产能论文; 因素论文; 神经网络论文; 属性论文; 模型论文; 算法论文; 《基层建设》2018年第33期论文;