面向铝箔车间综合能耗预测系统的研发与应用＊

陈雪斌 袁逸萍 财音宝音 朱广贺

（①新疆大学智能制造现代产业学院，新疆 乌鲁木齐 830046；②新疆师范大学计算机科学技术学院，新疆 乌鲁木齐 830054）

铝电解电容器是一种基本电子元件，主要作用是在电路中存储电能、滤波和平滑直流电源。近年来，随着新能源发展和5G 基站的快速增长，使得铝电解电容器需求量不断增加。电子铝箔和电极箔属于铝电解电容器的上游产品，生产过程中的多次轧制或腐蚀、化成需要消耗大量能源，而传统工业手动记录和人工监测的方式存在着采集周期长、数据准确性低以及缺乏实时性等弊端。如何提高能源利用效率已成为高耗能企业所关心的重要问题。

随着制造企业数字化的兴起，能耗监测系统已成为解决上述问题的一种有效手段。吴晓为实现能耗在线监测，实时、准确地掌握关键工序的能源消耗的情况而提出建设数字化能源管控系统的明确目的[1]。张琦等设计了一套企业智慧能源管控系统，基于人工神经网络建模的方法实现了对某钢铁企业的能源供需量预测[2]。鞠文杰等设计出应用于工业节能的能耗在线监测系统，该系统实现了对企业运行状态时的能耗监测、安全预警[3]。童世华从远程监测管理的角度设计了一种车间能耗实时监测系统，实现对车间实时能耗情况的检测[4]。

上述研究实现了能耗监测的基本功能和需求，同时也在能耗监测方面做出了巨大贡献，但对于所采集能耗数据缺乏重视，仅对数据采集及展示，并未采取有效的方法去处理、挖掘能耗数据中所蕴含的潜能，例如不同车间的同环比分析、趋势分析、设备的台账功能等，从而造成部分资源浪费。针对上述情况，结合新疆某铝箔车间需求，搭建了一种从能源数据采集-能源消耗实时监控-能源消耗数据统计-能源消耗数据分析预测-能源数据分析报告等全过程的能耗预测系统。

1 系统总体网络架构设计

系统整体由感知层、传输层和应用层构成[10]，其结构框架如图1 所示。

图1 系统总体架构

1.1 感知层

感知层实现底层数据采集。由于企业内部存在部分有线方式无法接入的智能电表，系统以Lora无线的方式将数据上传到Lora 网关中，再将数据汇总至中心服务器。除此之外的区域均采用智能电表、电子远程水表、流量计等仪器对采集单元数据进行采集。

1.2 传输层

传输层由Lora 网关和通信网络组成，主要对所采集的数据信息进行解析和传输。为保证数据传输过程的稳定性，系统采用以光纤传输为主的能源数据采集。Lora 节点使用Lora 连接到Lora 网关，Lora 网关位处于其星形网络的核心位置，由Lora网关连接服务器进行数据的传输。

1.3 应用层

应用层实现对传输到平台服务器的数据进行分析、处理及存储的功能。该层中，MQTT 服务提供一对多的消息发布，实现对能耗数据信息的发布与订阅[5]。系统数据库采用MYSQL 搭建主从复制集群，并在此基础上实现系统对数据库的读写分离。最终通过Web 直观地向企业人员展示不同车间的实时能源数据、能耗监测和设备掉线预警等信息。

2 系统的软硬件设计

2.1 硬件设计

系统硬件主要由智能采集表、Lora 模块和LoraWAN 网关组成。组网方式选取单跳网络，采用协议为星形拓扑网络，如图2 所示。

图2 星形拓扑网络

智能采集表负责采集水、电和气等能耗数据。

Lora 模块的主要任务是利用Lora 网络对智能表数据进行接收与传输。结构原理如图3 所示，终端选用核心处理器为Semtech SX1276 的L8DTU Lora 模块，模块支持全球各地多种频段（433/470/780/868/915 MHz），工作电压范围为+7～+30 V，同时提供RS232 和RS485 接口，接口内置15 kV ESD 保护且拥有WDT 看门狗设计，保证系统稳定性。

图3 L8DTU 结构框图

LoraWAN 网关的主要任务是将节点的数据信息收集，再通过网络发送到平台服务器。网关选用RAK7249 WisGate Edge Max，其模块化和自定义选项允许在部署解决方案时具有灵活性。软件上内置Lora 服务器，在MQTTv3.1 桥接时进行TLS 加密，最重要的是在NS 中断时该网关会缓冲Lora 帧，其优势在于不会丢失数据。数据传输流程如图4 所示。

图4 数据传输流程图

2.2 软件设计

系统的功能模块构成如下：基础信息管理模块、实时数据模块、累计数据模块、尖峰平谷数据模块、能源分析模块、能耗预测模块、能源预警模块、台账模块、报表参数录入、能源点位管理、数据库表管理模块和能源可视化大屏模块。

2.2.1 设计基础信息管理模块

系统的基础信息管理模块包括用户管理功能、菜单管理功能和部门管理功能。

用户管理功能划分普通用户、普通管理员和超级管理员3 种角色，普通管理员用于日常为厂区不同车间员工、不同部门的上下级领导操作、查看权限的配置，不同角色权限配置见表1。

表1 角色权限配置表

2.2.2 实时数据模块

从具体场景出发，该模块对压延、精整、熔铸、水站和风机房等车间的实时数据进行展示。数据采集间隔15 s，保证对页面数据的实时性，同时采用“树-枝”结构进行菜单分区，图5 所示为冷轧区实时监测界面。

图5 冷轧区实时监测

2.2.3 设计警报模块

能源警报模块的设计包含两部分，仪表模块掉线警报和能耗预测异常警报，设计流程如图6 所示。在底层硬件设计中，单块Lora 模块负责若干智能表数据的接收与发送，故对仪表模块设计了掉线警报功能。当真实数据与预测数据出入较大时，触发预测异常警报。

图6 警报功能流程图

2.2.4 设计能耗预测模块

能耗预测模块中的预测模型使用Python 进行实现，考虑到使用Java 第三方库中的Python 解释器加载模型可能会出现解释器运行速度较慢的情况，设计将训练预测模型包装在REST API 中，以调用API 的形式获取模型的预测结果。在系统实时数据的采集传输中实现对未来短期能耗趋势的预测。将预测结果通过前端开源组件Echarts 将实时数据与预测数据以趋势图的形式呈现。

3 基于APSO-LSTM 算法的预测模型

对时间序列预测常采用的方法有ARIMA 模型（自回归移动平均模型）、ES 模型（指数平滑模型）、RW 模型（随机游走模型）和神经网络等。ARIMA 模型和ES 模型擅长对具有季节性的时间序列数据进行捕捉，RW 模型是基于假设时间序列中的下一个值加上一个随机误差项，该模型擅长对具有较长时间趋势的时间序列进行预测[7-9]。基于本研究数据集具有的非线性特征，研究选择具有较强泛化能力的神经网络（long short-term memory，LSTM）进行预测模型构建。

LSTM 本质上是一种特定形式的循环神经网络（recurrent neural network，RNN）[6]。在模型的选择时使用LSTM 模型而不是RNN 模型的原因是，对RNN 模型的训练，实际上就是借助计算机强大的计算能力对wx、ws、wo、b1、b2求偏导并不断地进行调整，使损失函数L3尽可能地达到最小。在这个过程中，随着神经网络的层数加深对wx、ws会因为时间序列的拉长而产生梯度消失和梯度爆炸。LSTM 通过增加门机制大幅度地减少了这种情况的发生。

LSTM 模型整体由输入层、隐藏层和输出层组成。如图7 所示，LSTM 的隐藏层由一系列结构相同的LSTM 单元组成，每个LSTM 单元的结构包括3 个主要部分：输入门、遗忘门、输出门以及一个状态变量。以下是LSTM 神经网络在t时刻的更新过程。

图7 LSTM 原理图

LSTM 是一种常用的神经网络模型，在序列数据预测任务中表现良好。其中，LSTM 中的部分参数无法通过训练数据自动学习而获得，需要人为手动输入且这部分参数会直接影响到模型的预测精准度、训练速度等。目前，LSTM 超参数的选择通常过分依赖于研究人员的个人经验和对专业知识的理解度，耗时久且容易受到主观因素的影响。因此，文章设计一种基于粒子群算法优化LSTM 神经网络的能耗预测模型，利用改进的粒子群算法对LSTM模型的输入序列长度和隐藏层单元数进行优化，从而提高预测模型的准确性和鲁棒性。

APSO 算法是一种基于粒子群算法的改进算法，通过动态的调整惯性权重，使得粒子在搜索过程中可以更快地找到全局最优解，与LSTM 模型结合具有较强的鲁棒性。APSO-LSTM 神经网络算法步骤如下：

（1）采用最大最小值归一化对数据预处理，将数据划分为训练集和测试集。

（2）将LSTM 模型的输入序列长度和隐藏层单元数设置为APSO 算法的粒子，通过不断调整学习因子和惯性权重而不断调整超参数的值。

（3）定义LSTM 模型和训练函数，设置优化器和损失函数。

（4）定义目标函数，将输入序列长度和隐藏单元数作为该函数的输入，并返回训练LSTM 模型的损失函数作为性能评估指标

（5）初始化粒子群，包括粒子的速度vi和位置xi设定迭代次数以及学习因子c1、c2。

（6）通过统计对初始种粒子群的适应度，分别记录粒子群的个体极值和全局极值。

（7）根据更新粒子的速度vi和位置xi分别对粒子群的个体极值和全局极值。

（8）如果满足结束条件或达到迭代次数，则顺延到步骤（9）；否则，返回步骤（6）。

（9）输出最优超参数，并将构建LSTM 模型。

将模型通过训练集进行训练，测试集进行预测，输出预测结果。公式更新为

式中：wmax为惯性权重最大值，wmin为惯性权重最小值，f表示粒子当前目标函数。设定最大惯性权重为1.5，最小惯性权重为0.6，通过不断增加迭代次数，惯性权重随着进化状态而变化，平衡全局和局部的搜索能力，达到全局搜索最优。

4 能耗预测实验与系统实现

4.1 APSO-LSTM 能耗预测模型实验

以本系统的应用对象（某铝箔公司）作为测试数据的来源，厂区内的主体耗能为水、电、气（天然气、氩气等）。在此，以冷轧车间的电量预测作为验证实验。取系统2022 年7 月1 日至2022 年10月8 日中的2 400 条数据作为数据集，训练集与测试集以比率为4∶1 进行划分。

首先，使用PyTorch 库构建一个LstmMode 作为LSTM 模型，LstmMode 包含一个lstm 层和一个线性层，以（time_step,batch,input_size）三维张量为输入，经过lstm 层计算输出张量x1（time_step,batch,output_size)。将x1展开成二维张量去通过线性层计算，得到一个标量输出。然后标量输出被重新展开为三维张量，并返回作为输出。

其次，选择tanh 函数为激活函数，PyTorch 库中的MSE 函数作为损失函数，优化器选择Adam算法。定义createDataSet 函数，使用滑动窗口法将原始时间序列数据转换为可供LSTM 模型训练的输入和输出。定义splitData 函数用于划分训练集（rate∶0.8）。加载数据集（使用Pandas 库中的read_csv 函数读取数据），对数据集进行最大最小归一化处理。调用createDataSet 函数将处理后的数据进行转化，调用splitData 函数将转换后的数据集按照给定rate 进行划分训练集和测试集。

接着，定义训练函数（train_loop）接收nEpoch（训练总轮数）、model（模型）、optimizer（优化器）、lossFn（损失函数）、trainData（训练集）五个参数，参数nEpochs 取500，设置初试学习率为0.001，在400 轮训练后采用乘以因子0.5 来降低学习率，返回训练好的模型。该LSTM 模型的输入序列长度为3，隐藏层单元数为6。

然后，利用APSO 算法对LSTM 模型的输入序列长度和隐藏层单元数超参数进行寻优。第一，定义目标函数，以输入序列长度和隐藏层单元数作为函数的输入并返回训练LSTM 模型的损失函数作为模型的性能评估指标。第二，定义超参数的搜索空间，使用numpy 库中的linspace 函数来生成一组均匀分布的输入序列长度和隐藏层单元数值。第三，使用随机数生成器在超参数搜索空间内随机选择一组粒子，每个粒子代表一组超参数并为每个粒子分配一个初试速度，此处对应APSO-LSTM 神经网络算法的步骤（5），余下步骤与APSO-LSTM 神经网络算法步骤（6）～（8）一致，直至将最优参数组合输出。

最后，以输出最优参数对LSTM 模型进行训练，重复上述LSTM 训练过程。

训练集用于APSO-LSTM 模型训练，测试集用于验证模型的预测准确度。使用测试集中的均方根误差来衡量模型性能，如图8 所示。公式定义如下：

图8 误差曲线

式中：N为测试集总数据量；为预测值；yi为实际值。

图9 为基于APSO 算法找寻最优超参数构建的LSTM 模型预测值与真实值拟合效果图。APSOLSTM 模型预测值与实际值的拟合度较高，这表明模型经过APSO 优化具有良好的预测效果，对企业的生产计划和资源配置等提供一定意义的指导参考。

图9 预测结果对比

4.2 系统实现

上述软件设计中已列出系统模块，这里仅展示其中的部分内容。

实时表数据为压延车间、精整车间、熔铸车间、水站、机床、风机房的实时能源数据。如图10 所示，以风机房为例，每个设备包含参数有瞬时流量、表头累计流量、压力、温度、对应时间戳，且界面设有数据导出功能。

图10 实时数据-风机房

累积表数据分有3 个子菜单，分别为统计表数据、月累积数据和尖峰平谷数据。其中统计表数据由分钟累积表数据、小时累积表数据、当天累积表数据组成。图11 所示为日累计界面。

图11 累计表数据一日累计

能耗分析总开发有6 个子菜单，分别为能源趋势分析、能耗环比分析、万元产值能耗分析、单位产品能源成本分析等。图12 所示为能耗趋势预测界面，企业管理人员以预测能耗趋势为参考主动做出生产调整，进而指导生产，降低能源消耗。

图12 能耗趋势预测

4.3 预测应用实例成果

新疆某铝箔企业在2022 年9 月中下旬将系统正式投入使用。在实际生产中，对不同月份的同一车间、同一产品规格以及相同进线的能源消耗进行统计，见表2。

表2 精整车间能耗对照明细

综上所述，应用本系统后，定义9 月份能耗为百分百，在该企业精整车间系统应用前、后两个月能耗对比中，423 进线（电）的能耗下降了6.85%，4T#退火炉（电）能耗下降了3.29%，31 真空退火炉（氩气）能耗下降了3.67%，达成了计划之初的完成指标，为企业降本增能提供了有力支撑，如图13 所示。

图13 能源消耗趋势

5 结语

本文设计了一种基于Lora 无线通信网络的企业能耗监测与预测系统，以及一种基于APSO-LSTM算法的能耗预测模型。经过若干次系统版本的迭代，目前系统已在新疆某铝箔企业实施应用。设计的APSO-LSTM 预测模型能够较为准确地预测未来的能耗情况，且避免了手动调参。经实际应用证明，该系统有助于企业监测和管理能耗信息，并使管理人员以预测能耗趋势为参考主动做出生产调整，从而指导生产，达到降低能耗、绿色生产的目的，具备一定的实际应用价值和推广前景。