陳雪斌 袁逸萍 財音寶音 朱廣賀

（①新疆大學(xué)智能制造現(xiàn)代產(chǎn)業(yè)學(xué)院，新疆 烏魯木齊 830046；②新疆師范大學(xué)計算機科學(xué)技術(shù)學(xué)院，新疆 烏魯木齊 830054）

鋁電解電容器是一種基本電子元件，主要作用是在電路中存儲電能、濾波和平滑直流電源。近年來，隨著新能源發(fā)展和5G 基站的快速增長，使得鋁電解電容器需求量不斷增加。電子鋁箔和電極箔屬于鋁電解電容器的上游產(chǎn)品，生產(chǎn)過程中的多次軋制或腐蝕、化成需要消耗大量能源，而傳統(tǒng)工業(yè)手動記錄和人工監(jiān)測的方式存在著采集周期長、數(shù)據(jù)準確性低以及缺乏實時性等弊端。如何提高能源利用效率已成為高耗能企業(yè)所關(guān)心的重要問題。

隨著制造企業(yè)數(shù)字化的興起，能耗監(jiān)測系統(tǒng)已成為解決上述問題的一種有效手段。吳曉為實現(xiàn)能耗在線監(jiān)測，實時、準確地掌握關(guān)鍵工序的能源消耗的情況而提出建設(shè)數(shù)字化能源管控系統(tǒng)的明確目的[1]。張琦等設(shè)計了一套企業(yè)智慧能源管控系統(tǒng)，基于人工神經(jīng)網(wǎng)絡(luò)建模的方法實現(xiàn)了對某鋼鐵企業(yè)的能源供需量預(yù)測[2]。鞠文杰等設(shè)計出應(yīng)用于工業(yè)節(jié)能的能耗在線監(jiān)測系統(tǒng)，該系統(tǒng)實現(xiàn)了對企業(yè)運行狀態(tài)時的能耗監(jiān)測、安全預(yù)警[3]。童世華從遠程監(jiān)測管理的角度設(shè)計了一種車間能耗實時監(jiān)測系統(tǒng)，實現(xiàn)對車間實時能耗情況的檢測[4]。

上述研究實現(xiàn)了能耗監(jiān)測的基本功能和需求，同時也在能耗監(jiān)測方面做出了巨大貢獻，但對于所采集能耗數(shù)據(jù)缺乏重視，僅對數(shù)據(jù)采集及展示，并未采取有效的方法去處理、挖掘能耗數(shù)據(jù)中所蘊含的潛能，例如不同車間的同環(huán)比分析、趨勢分析、設(shè)備的臺賬功能等，從而造成部分資源浪費。針對上述情況，結(jié)合新疆某鋁箔車間需求，搭建了一種從能源數(shù)據(jù)采集-能源消耗實時監(jiān)控-能源消耗數(shù)據(jù)統(tǒng)計-能源消耗數(shù)據(jù)分析預(yù)測-能源數(shù)據(jù)分析報告等全過程的能耗預(yù)測系統(tǒng)。

1 系統(tǒng)總體網(wǎng)絡(luò)架構(gòu)設(shè)計

系統(tǒng)整體由感知層、傳輸層和應(yīng)用層構(gòu)成[10]，其結(jié)構(gòu)框架如圖1 所示。

圖1 系統(tǒng)總體架構(gòu)

1.1 感知層

感知層實現(xiàn)底層數(shù)據(jù)采集。由于企業(yè)內(nèi)部存在部分有線方式無法接入的智能電表，系統(tǒng)以Lora無線的方式將數(shù)據(jù)上傳到Lora 網(wǎng)關(guān)中，再將數(shù)據(jù)匯總至中心服務(wù)器。除此之外的區(qū)域均采用智能電表、電子遠程水表、流量計等儀器對采集單元數(shù)據(jù)進行采集。

1.2 傳輸層

傳輸層由Lora 網(wǎng)關(guān)和通信網(wǎng)絡(luò)組成，主要對所采集的數(shù)據(jù)信息進行解析和傳輸。為保證數(shù)據(jù)傳輸過程的穩(wěn)定性，系統(tǒng)采用以光纖傳輸為主的能源數(shù)據(jù)采集。Lora 節(jié)點使用Lora 連接到Lora 網(wǎng)關(guān)，Lora 網(wǎng)關(guān)位處于其星形網(wǎng)絡(luò)的核心位置，由Lora網(wǎng)關(guān)連接服務(wù)器進行數(shù)據(jù)的傳輸。

1.3 應(yīng)用層

應(yīng)用層實現(xiàn)對傳輸?shù)狡脚_服務(wù)器的數(shù)據(jù)進行分析、處理及存儲的功能。該層中，MQTT 服務(wù)提供一對多的消息發(fā)布，實現(xiàn)對能耗數(shù)據(jù)信息的發(fā)布與訂閱[5]。系統(tǒng)數(shù)據(jù)庫采用MYSQL 搭建主從復(fù)制集群，并在此基礎(chǔ)上實現(xiàn)系統(tǒng)對數(shù)據(jù)庫的讀寫分離。最終通過Web 直觀地向企業(yè)人員展示不同車間的實時能源數(shù)據(jù)、能耗監(jiān)測和設(shè)備掉線預(yù)警等信息。

2 系統(tǒng)的軟硬件設(shè)計

2.1 硬件設(shè)計

系統(tǒng)硬件主要由智能采集表、Lora 模塊和LoraWAN 網(wǎng)關(guān)組成。組網(wǎng)方式選取單跳網(wǎng)絡(luò)，采用協(xié)議為星形拓撲網(wǎng)絡(luò)，如圖2 所示。

圖2 星形拓撲網(wǎng)絡(luò)

智能采集表負責采集水、電和氣等能耗數(shù)據(jù)。

Lora 模塊的主要任務(wù)是利用Lora 網(wǎng)絡(luò)對智能表數(shù)據(jù)進行接收與傳輸。結(jié)構(gòu)原理如圖3 所示，終端選用核心處理器為Semtech SX1276 的L8DTU Lora 模塊，模塊支持全球各地多種頻段（433/470/780/868/915 MHz），工作電壓范圍為+7～+30 V，同時提供RS232 和RS485 接口，接口內(nèi)置15 kV ESD 保護且擁有WDT 看門狗設(shè)計，保證系統(tǒng)穩(wěn)定性。

圖3 L8DTU 結(jié)構(gòu)框圖

LoraWAN 網(wǎng)關(guān)的主要任務(wù)是將節(jié)點的數(shù)據(jù)信息收集，再通過網(wǎng)絡(luò)發(fā)送到平臺服務(wù)器。網(wǎng)關(guān)選用RAK7249 WisGate Edge Max，其模塊化和自定義選項允許在部署解決方案時具有靈活性。軟件上內(nèi)置Lora 服務(wù)器，在MQTTv3.1 橋接時進行TLS 加密，最重要的是在NS 中斷時該網(wǎng)關(guān)會緩沖Lora 幀，其優(yōu)勢在于不會丟失數(shù)據(jù)。數(shù)據(jù)傳輸流程如圖4 所示。

圖4 數(shù)據(jù)傳輸流程圖

2.2 軟件設(shè)計

系統(tǒng)的功能模塊構(gòu)成如下：基礎(chǔ)信息管理模塊、實時數(shù)據(jù)模塊、累計數(shù)據(jù)模塊、尖峰平谷數(shù)據(jù)模塊、能源分析模塊、能耗預(yù)測模塊、能源預(yù)警模塊、臺賬模塊、報表參數(shù)錄入、能源點位管理、數(shù)據(jù)庫表管理模塊和能源可視化大屏模塊。

2.2.1 設(shè)計基礎(chǔ)信息管理模塊

系統(tǒng)的基礎(chǔ)信息管理模塊包括用戶管理功能、菜單管理功能和部門管理功能。

用戶管理功能劃分普通用戶、普通管理員和超級管理員3 種角色，普通管理員用于日常為廠區(qū)不同車間員工、不同部門的上下級領(lǐng)導(dǎo)操作、查看權(quán)限的配置，不同角色權(quán)限配置見表1。

表1 角色權(quán)限配置表

2.2.2 實時數(shù)據(jù)模塊

從具體場景出發(fā)，該模塊對壓延、精整、熔鑄、水站和風機房等車間的實時數(shù)據(jù)進行展示。數(shù)據(jù)采集間隔15 s，保證對頁面數(shù)據(jù)的實時性，同時采用“樹-枝”結(jié)構(gòu)進行菜單分區(qū)，圖5 所示為冷軋區(qū)實時監(jiān)測界面。

圖5 冷軋區(qū)實時監(jiān)測

2.2.3 設(shè)計警報模塊

能源警報模塊的設(shè)計包含兩部分，儀表模塊掉線警報和能耗預(yù)測異常警報，設(shè)計流程如圖6 所示。在底層硬件設(shè)計中，單塊Lora 模塊負責若干智能表數(shù)據(jù)的接收與發(fā)送，故對儀表模塊設(shè)計了掉線警報功能。當真實數(shù)據(jù)與預(yù)測數(shù)據(jù)出入較大時，觸發(fā)預(yù)測異常警報。

圖6 警報功能流程圖

2.2.4 設(shè)計能耗預(yù)測模塊

能耗預(yù)測模塊中的預(yù)測模型使用Python 進行實現(xiàn)，考慮到使用Java 第三方庫中的Python 解釋器加載模型可能會出現(xiàn)解釋器運行速度較慢的情況，設(shè)計將訓(xùn)練預(yù)測模型包裝在REST API 中，以調(diào)用API 的形式獲取模型的預(yù)測結(jié)果。在系統(tǒng)實時數(shù)據(jù)的采集傳輸中實現(xiàn)對未來短期能耗趨勢的預(yù)測。將預(yù)測結(jié)果通過前端開源組件Echarts 將實時數(shù)據(jù)與預(yù)測數(shù)據(jù)以趨勢圖的形式呈現(xiàn)。

3 基于APSO-LSTM 算法的預(yù)測模型

對時間序列預(yù)測常采用的方法有ARIMA 模型（自回歸移動平均模型）、ES 模型（指數(shù)平滑模型）、RW 模型（隨機游走模型）和神經(jīng)網(wǎng)絡(luò)等。ARIMA 模型和ES 模型擅長對具有季節(jié)性的時間序列數(shù)據(jù)進行捕捉，RW 模型是基于假設(shè)時間序列中的下一個值加上一個隨機誤差項，該模型擅長對具有較長時間趨勢的時間序列進行預(yù)測[7-9]?；诒狙芯繑?shù)據(jù)集具有的非線性特征，研究選擇具有較強泛化能力的神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）進行預(yù)測模型構(gòu)建。

LSTM 本質(zhì)上是一種特定形式的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）[6]。在模型的選擇時使用LSTM 模型而不是RNN 模型的原因是，對RNN 模型的訓(xùn)練，實際上就是借助計算機強大的計算能力對wx、ws、wo、b1、b2求偏導(dǎo)并不斷地進行調(diào)整，使損失函數(shù)L3盡可能地達到最小。在這個過程中，隨著神經(jīng)網(wǎng)絡(luò)的層數(shù)加深對wx、ws會因為時間序列的拉長而產(chǎn)生梯度消失和梯度爆炸。LSTM 通過增加門機制大幅度地減少了這種情況的發(fā)生。

LSTM 模型整體由輸入層、隱藏層和輸出層組成。如圖7 所示，LSTM 的隱藏層由一系列結(jié)構(gòu)相同的LSTM 單元組成，每個LSTM 單元的結(jié)構(gòu)包括3 個主要部分：輸入門、遺忘門、輸出門以及一個狀態(tài)變量。以下是LSTM 神經(jīng)網(wǎng)絡(luò)在t時刻的更新過程。

圖7 LSTM 原理圖

LSTM 是一種常用的神經(jīng)網(wǎng)絡(luò)模型，在序列數(shù)據(jù)預(yù)測任務(wù)中表現(xiàn)良好。其中，LSTM 中的部分參數(shù)無法通過訓(xùn)練數(shù)據(jù)自動學(xué)習(xí)而獲得，需要人為手動輸入且這部分參數(shù)會直接影響到模型的預(yù)測精準度、訓(xùn)練速度等。目前，LSTM 超參數(shù)的選擇通常過分依賴于研究人員的個人經(jīng)驗和對專業(yè)知識的理解度，耗時久且容易受到主觀因素的影響。因此，文章設(shè)計一種基于粒子群算法優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)的能耗預(yù)測模型，利用改進的粒子群算法對LSTM模型的輸入序列長度和隱藏層單元數(shù)進行優(yōu)化，從而提高預(yù)測模型的準確性和魯棒性。

APSO 算法是一種基于粒子群算法的改進算法，通過動態(tài)的調(diào)整慣性權(quán)重，使得粒子在搜索過程中可以更快地找到全局最優(yōu)解，與LSTM 模型結(jié)合具有較強的魯棒性。APSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法步驟如下：

（1）采用最大最小值歸一化對數(shù)據(jù)預(yù)處理，將數(shù)據(jù)劃分為訓(xùn)練集和測試集。

（2）將LSTM 模型的輸入序列長度和隱藏層單元數(shù)設(shè)置為APSO 算法的粒子，通過不斷調(diào)整學(xué)習(xí)因子和慣性權(quán)重而不斷調(diào)整超參數(shù)的值。

（3）定義LSTM 模型和訓(xùn)練函數(shù)，設(shè)置優(yōu)化器和損失函數(shù)。

（4）定義目標函數(shù)，將輸入序列長度和隱藏單元數(shù)作為該函數(shù)的輸入，并返回訓(xùn)練LSTM 模型的損失函數(shù)作為性能評估指標

（5）初始化粒子群，包括粒子的速度vi和位置xi設(shè)定迭代次數(shù)以及學(xué)習(xí)因子c1、c2。

（6）通過統(tǒng)計對初始種粒子群的適應(yīng)度，分別記錄粒子群的個體極值和全局極值。

（7）根據(jù)更新粒子的速度vi和位置xi分別對粒子群的個體極值和全局極值。

（8）如果滿足結(jié)束條件或達到迭代次數(shù)，則順延到步驟（9）；否則，返回步驟（6）。

（9）輸出最優(yōu)超參數(shù)，并將構(gòu)建LSTM 模型。

將模型通過訓(xùn)練集進行訓(xùn)練，測試集進行預(yù)測，輸出預(yù)測結(jié)果。公式更新為

式中：wmax為慣性權(quán)重最大值，wmin為慣性權(quán)重最小值，f表示粒子當前目標函數(shù)。設(shè)定最大慣性權(quán)重為1.5，最小慣性權(quán)重為0.6，通過不斷增加迭代次數(shù)，慣性權(quán)重隨著進化狀態(tài)而變化，平衡全局和局部的搜索能力，達到全局搜索最優(yōu)。

4 能耗預(yù)測實驗與系統(tǒng)實現(xiàn)

4.1 APSO-LSTM 能耗預(yù)測模型實驗

以本系統(tǒng)的應(yīng)用對象（某鋁箔公司）作為測試數(shù)據(jù)的來源，廠區(qū)內(nèi)的主體耗能為水、電、氣（天然氣、氬氣等）。在此，以冷軋車間的電量預(yù)測作為驗證實驗。取系統(tǒng)2022 年7 月1 日至2022 年10月8 日中的2 400 條數(shù)據(jù)作為數(shù)據(jù)集，訓(xùn)練集與測試集以比率為4∶1 進行劃分。

首先，使用PyTorch 庫構(gòu)建一個LstmMode 作為LSTM 模型，LstmMode 包含一個lstm 層和一個線性層，以（time_step,batch,input_size）三維張量為輸入，經(jīng)過lstm 層計算輸出張量x1（time_step,batch,output_size)。將x1展開成二維張量去通過線性層計算，得到一個標量輸出。然后標量輸出被重新展開為三維張量，并返回作為輸出。

其次，選擇tanh 函數(shù)為激活函數(shù)，PyTorch 庫中的MSE 函數(shù)作為損失函數(shù)，優(yōu)化器選擇Adam算法。定義createDataSet 函數(shù)，使用滑動窗口法將原始時間序列數(shù)據(jù)轉(zhuǎn)換為可供LSTM 模型訓(xùn)練的輸入和輸出。定義splitData 函數(shù)用于劃分訓(xùn)練集（rate∶0.8）。加載數(shù)據(jù)集（使用Pandas 庫中的read_csv 函數(shù)讀取數(shù)據(jù)），對數(shù)據(jù)集進行最大最小歸一化處理。調(diào)用createDataSet 函數(shù)將處理后的數(shù)據(jù)進行轉(zhuǎn)化，調(diào)用splitData 函數(shù)將轉(zhuǎn)換后的數(shù)據(jù)集按照給定rate 進行劃分訓(xùn)練集和測試集。

接著，定義訓(xùn)練函數(shù)（train_loop）接收nEpoch（訓(xùn)練總輪數(shù)）、model（模型）、optimizer（優(yōu)化器）、lossFn（損失函數(shù)）、trainData（訓(xùn)練集）五個參數(shù)，參數(shù)nEpochs 取500，設(shè)置初試學(xué)習(xí)率為0.001，在400 輪訓(xùn)練后采用乘以因子0.5 來降低學(xué)習(xí)率，返回訓(xùn)練好的模型。該LSTM 模型的輸入序列長度為3，隱藏層單元數(shù)為6。

然后，利用APSO 算法對LSTM 模型的輸入序列長度和隱藏層單元數(shù)超參數(shù)進行尋優(yōu)。第一，定義目標函數(shù)，以輸入序列長度和隱藏層單元數(shù)作為函數(shù)的輸入并返回訓(xùn)練LSTM 模型的損失函數(shù)作為模型的性能評估指標。第二，定義超參數(shù)的搜索空間，使用numpy 庫中的linspace 函數(shù)來生成一組均勻分布的輸入序列長度和隱藏層單元數(shù)值。第三，使用隨機數(shù)生成器在超參數(shù)搜索空間內(nèi)隨機選擇一組粒子，每個粒子代表一組超參數(shù)并為每個粒子分配一個初試速度，此處對應(yīng)APSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法的步驟（5），余下步驟與APSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法步驟（6）～（8）一致，直至將最優(yōu)參數(shù)組合輸出。

最后，以輸出最優(yōu)參數(shù)對LSTM 模型進行訓(xùn)練，重復(fù)上述LSTM 訓(xùn)練過程。

訓(xùn)練集用于APSO-LSTM 模型訓(xùn)練，測試集用于驗證模型的預(yù)測準確度。使用測試集中的均方根誤差來衡量模型性能，如圖8 所示。公式定義如下：

圖8 誤差曲線

式中：N為測試集總數(shù)據(jù)量；為預(yù)測值；yi為實際值。

圖9 為基于APSO 算法找尋最優(yōu)超參數(shù)構(gòu)建的LSTM 模型預(yù)測值與真實值擬合效果圖。APSOLSTM 模型預(yù)測值與實際值的擬合度較高，這表明模型經(jīng)過APSO 優(yōu)化具有良好的預(yù)測效果，對企業(yè)的生產(chǎn)計劃和資源配置等提供一定意義的指導(dǎo)參考。

圖9 預(yù)測結(jié)果對比

4.2 系統(tǒng)實現(xiàn)

上述軟件設(shè)計中已列出系統(tǒng)模塊，這里僅展示其中的部分內(nèi)容。

實時表數(shù)據(jù)為壓延車間、精整車間、熔鑄車間、水站、機床、風機房的實時能源數(shù)據(jù)。如圖10 所示，以風機房為例，每個設(shè)備包含參數(shù)有瞬時流量、表頭累計流量、壓力、溫度、對應(yīng)時間戳，且界面設(shè)有數(shù)據(jù)導(dǎo)出功能。

圖10 實時數(shù)據(jù)-風機房

累積表數(shù)據(jù)分有3 個子菜單，分別為統(tǒng)計表數(shù)據(jù)、月累積數(shù)據(jù)和尖峰平谷數(shù)據(jù)。其中統(tǒng)計表數(shù)據(jù)由分鐘累積表數(shù)據(jù)、小時累積表數(shù)據(jù)、當天累積表數(shù)據(jù)組成。圖11 所示為日累計界面。

圖11 累計表數(shù)據(jù)一日累計

能耗分析總開發(fā)有6 個子菜單，分別為能源趨勢分析、能耗環(huán)比分析、萬元產(chǎn)值能耗分析、單位產(chǎn)品能源成本分析等。圖12 所示為能耗趨勢預(yù)測界面，企業(yè)管理人員以預(yù)測能耗趨勢為參考主動做出生產(chǎn)調(diào)整，進而指導(dǎo)生產(chǎn)，降低能源消耗。

圖12 能耗趨勢預(yù)測

4.3 預(yù)測應(yīng)用實例成果

新疆某鋁箔企業(yè)在2022 年9 月中下旬將系統(tǒng)正式投入使用。在實際生產(chǎn)中，對不同月份的同一車間、同一產(chǎn)品規(guī)格以及相同進線的能源消耗進行統(tǒng)計，見表2。

表2 精整車間能耗對照明細

綜上所述，應(yīng)用本系統(tǒng)后，定義9 月份能耗為百分百，在該企業(yè)精整車間系統(tǒng)應(yīng)用前、后兩個月能耗對比中，423 進線（電）的能耗下降了6.85%，4T#退火爐（電）能耗下降了3.29%，31 真空退火爐（氬氣）能耗下降了3.67%，達成了計劃之初的完成指標，為企業(yè)降本增能提供了有力支撐，如圖13 所示。

圖13 能源消耗趨勢

5 結(jié)語

本文設(shè)計了一種基于Lora 無線通信網(wǎng)絡(luò)的企業(yè)能耗監(jiān)測與預(yù)測系統(tǒng)，以及一種基于APSO-LSTM算法的能耗預(yù)測模型。經(jīng)過若干次系統(tǒng)版本的迭代，目前系統(tǒng)已在新疆某鋁箔企業(yè)實施應(yīng)用。設(shè)計的APSO-LSTM 預(yù)測模型能夠較為準確地預(yù)測未來的能耗情況，且避免了手動調(diào)參。經(jīng)實際應(yīng)用證明，該系統(tǒng)有助于企業(yè)監(jiān)測和管理能耗信息，并使管理人員以預(yù)測能耗趨勢為參考主動做出生產(chǎn)調(diào)整，從而指導(dǎo)生產(chǎn)，達到降低能耗、綠色生產(chǎn)的目的，具備一定的實際應(yīng)用價值和推廣前景。