基于混合深度学习模型的企业中央空调蒸汽预测

王 可,卢焕达,郑军红,何利力

(1.浙江理工大学信息学院,浙江 杭州 310018)(2.浙大宁波理工学院计算机与数据工程学院,浙江 宁波 315100)

工业企业普遍存在能源利用率偏低、能耗偏高的问题,降低能源工业消耗比重是企业首要考虑的问题之一. 中央空调的蒸汽供应模块作为能源供应中的重要一环,与企业能源消耗结构息息相关. 由于生产工况不稳定、多台空调机组相互作用、系统产生数据分析复杂等问题,传统的蒸汽能源供应策略往往不易获得最佳效果,致使工业企业能耗居高不下[1-3].

目前对蒸汽消耗预测问题多采用统计学方法、传统机器学习方法和深度学习方法. 文献[4]采用自回归移动平均对造纸厂蒸汽消耗需求进行预测,对未来生产的汽耗需求提供了理论指导;文献[5]提出使用机器学习方法对火力发电蒸汽量预测展开研究,实现了锅炉运行过程模拟,提高了整体工艺水平;文献[6]通过构建梯度提升机模型,对气体脱硫过程的蒸汽消耗精准预测,减少了电量损耗.

本文对某大型企业卷包车间空调蒸汽消耗预测问题展开研究. 由于蒸汽供应策略的实施与策略生效之间有一定的滞后效应,因此必须预测每个班次中的蒸汽消耗量的变化趋势,尽快实施工业策略消除滞后效应对生产造成的影响. 空调消耗量的动态变化过程中,各种因素之间存在复杂的相互作用,故需要考虑多种因素特征来构建预测模型. 最后力求达到根据预测结果系统自动调控多空调蒸汽消耗量的目的,实现节能降耗.

1 蒸汽空调机理分析与问题描述

空调给车间生产提供了良好的环境条件,不同空调机组的运作方式直接影响着空调的蒸汽消耗量. 空调系统处理空气的简易流程如图1所示. 通过回风阀和新风阀调节支管的风量,将新风与回风混合调节送入过滤器中. 表冷器利用冷水通过冷却盘管使盘管表面呈现低温状态,过滤后的空气通过表冷器盘管达到降温效果. 当空气温度降到露点温度,水蒸气分压大于饱和蒸汽压,出现结露,达到除湿效果. 加热器是由干蒸汽加热盘管对过滤后的空气进行加温,干蒸汽加湿器则对空气进行等温加湿. 处理好的空气通过送风机送入生产车间.

图1 空调系统处理空气的简易流程

全年空气处理过程如图2所示,符号含义如表1所示. 室内恒温恒湿状态点N和N1由自控系统自动设置. 过程1和过程2是夏季机组空气处理流程,过滤后的空气通过表冷盘管冷冻除湿降至露点,除湿后的低温空气经过蒸汽加热升温,达到送风状态点,由送风机送到车间,此过程中会出现冷源与热源相互抵消的情况. 过程3-6是过渡季节机组空气处理流程,通过降温加湿或升温除湿操作达到送风状态点. 冬季机组空气处理流程为过程7和过程8,新回风通过过滤器过滤为干净空气,经蒸汽加热后,由干蒸汽加湿器等温加湿后满足送风状态.

图2 全年空调焓湿图

表1 焓湿图符号表示含义

由图2可知,空调机组8种处理方式的蒸汽消耗量都不相同,其原因为机组工作方式受时间因素、外部因素和空间因素的共同影响. 时间因素表现在历史蒸汽消耗量对预测蒸汽消耗量的影响. 外部因素包括气候、生产班次等,其中生产班次分为早中晚班,早班时间为7:00—15:30,中班时间为15:30—0:00,晚班时间为0:00—7:00,每个班次相应的生产计划不同. 空间因素是指调控区域无间隔,多台大型空调机组存在动态联动关系,共同作用来维持车间生产环境条件的稳定. 本文的目标是对未来班次中每分钟的蒸汽消耗量进行准确预测,实现瞬时动态预测防止产生滞后效应,给空调系统自动调控提供策略依据,实现节能降耗. 该问题可用公式(1)描述:

F=f(X,E,I,W),

(1)

式中,F为预测蒸汽消耗量;f为混合深度学习模型;X为历史蒸汽消耗量输入;E为外部因素特征输入;I为空间因素特征输入;W为学习权重.

2 模型构建

该企业车间具有大面积无隔断的特点,相邻机组互相影响,存在一个生产机械设备分布在两台机组调控区域之间的情况,因此每台机组的蒸汽消耗量不能单独计算预测. 每个班次的任务量不同会导致不同班次的蒸汽消耗量不同,外界环境条件、厂房温湿度环境等外部条件也同样影响蒸汽消耗量. 目前存在的制造企业对蒸汽预测方法不能解决本文中基于复杂环境下的空调蒸汽预测问题. 文献[5]利用多元线性回归、支持向量回归、树模型和改进模型融合构建模型,主要为验证最合理的工艺参数来提升设备精度. 文献[7]使用基于混沌时间序列的支持向量机来构建预测模型,只考虑了时间因素单方面的影响. 本文采用一种混合模型来解决复杂环境下的空调蒸汽预测问题,从时间因素、外部因素和空间因素多角度综合考虑,以提升预测模型的准确性并降低企业能耗.

2.1 模型架构

时间因素、空间因素和外部因素共同作用影响空调蒸汽消耗量,本文采用不同方法提取3种因素特征,作为预测模型的输入:采用平滑过程模式、趋势性模式和周期性模式结合门控循环单元(gate recurrent unit,GRU)捕捉时间因素特征;采用GRU和两层全连接网络耦合外部因素特征;利用三维卷积(convolutions over volumes)和PredRNN++提取空间因素特征. 最后根据3个部分的影响程度采用参数矩阵方法进行融合,计算公式为:

(2)

图3 空调蒸汽消耗量预测模型整体结构

2.2 基于GRU捕捉3种模式时间特征、耦合外部因素特征

时间特征体现的是历史蒸汽消耗量对预测蒸汽消耗量的影响. 为提高模型的预测精度,将时间特征输入分为平滑过程模式、趋势性模式和周期性模式[8-9]. 不同模式的特征结合可以获取时间序列的总体趋势和局部变化,提取出时间特征XT. 设定平滑过程模式的周期为8.5 h,另外两种模式的周期制定与平滑过程模式输入数据量保持一致. 若预测某天某班次中某0.5 h的空调蒸汽量,平滑过程模式输入预测班次前8.5 h的蒸汽瞬时消耗量,趋势性模式输入前17天该班次该时段的蒸汽瞬时消耗量,周期性模式输入前17周该天该班次该时段的蒸汽瞬时消耗量.

GRU属于循环神经网络的一种,具有参数少更容易收敛的优点[10]. GRU模型简单,只有一个重置门和一个更新门,更新门决定要丢弃的信息和添加的新信息,重置门是另一个来决定要忘记多少过去的信息门. GRU的工作原理为:

(3)

图4 GRU内部结构图

外部因素特征包括室内温湿度、室外温湿度、露点温度、生产班次、生产日期(工作日与非工作日).通过GRU对温湿度和露点温度进行时间序列分析,预测得到其在待预测班次的相应值,结合生产安排得到班次和日期信息,将全部特征作为第一层全连接层的输入,然后链接一个激活函数ReLU;第二层全连接网络用于维度映射,耦合出外部特征XE.

2.3 基于三维卷积与PredRNN++提取多空调联动的空间特征

为增加超大空间恒温恒湿空调系统的稳定性和可靠性,车间环境采取多台大型空调机组协同控制策略. 调控区域无间隔且相邻区域间相互影响,存在同一生产设备分布在两台独立空调设备调控区域之间的情况. 因此,对空调蒸汽消耗量的预测不能只根据时序相关性进行建模,还应考虑空调设备之间的动态联动关系. 车间中空调设备和生产设备的分布如图5所示.

图5 生产车间空调设备和生产设备分布图

为提取影响空调蒸汽消耗量的空间因素特征,采用基于三维卷积与PredRNN++方法来构建神经网络模型. 首先构造一个三维卷积神经网络[11-12],将空调历史蒸汽消耗量数据转化为三维图像,通过三维卷积来细化参数间的影响关系,并将结果按第一维度展开作为PredRNN++过程的输入. PredRNN++能够自适应地捕获短期和长期相关性,有强空间相关性和短期动态的建模能力,还解决了梯度消失问题[13]. 将PredRNN++过程的输出送至全连接层,得到空间因素特征XS. 提取空间因素特征的模型框架如图6所示.

图6 基于三维卷积与PredRNN++的神经网络模型框架

2.3.1 卷积提取过程

由于空调蒸汽的消耗量是一个连续动态过程,且与同一区域的其他空调机组蒸汽消耗量之间存在复杂的相互作用,用精确的数学模型来描述存在很大困难. 为了得到各参数之间的不确定关系,首先将9个关联空调机蒸汽消耗量组成的原始向量乘以其转置得到一个9×9的单通道矩阵,表达任意两个机组消耗量的所有组合,9个原始参数被细化为9×9=81个参数. 假设S1～S9表示9个空调机组的蒸汽消耗量,设S=[S1,S2,…,S8,S9]T,则

(4)

再结合班次数据组成一个510×9×9(深度×长度×宽度)的三维矩阵.

而后采用卷积运算来提取特征.连续卷积过程的目的是为了细化参数,进一步确认其间的潜在关系,因而不需要添加池化层来简化计算.3个连续的卷积过程如图7所示.

图7 连续卷积过程

第一层卷积使用6个大小为1×3×3的过滤器,设置其步幅为1,padding为0.其中,“1”为过滤器的深度,用以表示对9台机组潜在关系的细化.以A11为例,第一次卷积的运算公式为:

(5)

(6)

(7)

卷积后得到通道数为6的510×3×3三维矩阵.将三维矩阵以第一维度展开,作为PredRNN++过程的输入,来进一步提取空间特征.

2.3.2 PredRNN++过程

PredRNN++主要组成部分包括Casual LSTM(时空记忆单元的级联操作)和GHU(梯度高速公路单元). 这两种单元能够建立很深的网络进行学习,自适应地捕捉长期与短期特征. 其内部结构如图8所示.

图8 PredRNN++主要组成部分的内部结构图

GHU直接通过高速公路相传,不经历漫长的记忆单元传播,在反向传播时易保留梯度,避免梯度消失. GHU的St命名为Switch Gate,可在转换输入Pt和隐藏状态Zt之间进行自适应学习.其计算公式为:

Pt=tanh(Wpx*Xt+Wpz*Zt-1),St=σ(Wsx*Xt+Wsz*Zt-1),Zt=St⊙Pt+(1-St)⊙Zt-1.

(8)

Casual LSTM可在不增加层的基础上增加非线性操作,使特征放大并能捕捉到短期动态变化和突发情况,同时也增加网络从一种状态到另一种状态的深度.其计算公式为:

(9)

图9 基于PredRNN++的多维矩阵处理过程

PredRNN++计算公式为:

(10)

3 仿真实验

从中央空调系统中获取2019年1月1日零点至2021年6月1日零点生产车间空调机组产生的数据集. 生产车间共有9台空调机组,共同维持生产环境的稳定. 蒸汽消耗量采集间隔为1 min,每天共产生 1 440 条数据,每个生产班次平均为8.5 h. 模型输入需统一平滑过程模式、趋势性模式和周期性模式的数据量,若预测目标为周一早班中7:00—07:30蒸汽瞬时消耗量,平滑过程模式的输入是前8.5 h的蒸汽消耗量,趋势性模式的输入是前17天早班中07:00—07:30的蒸汽瞬时消耗量,周期性模式的输入是前17个周一早班中07:00—07:30的蒸汽瞬时消耗量. 因此从2019年1月1日开始划分数据集,以18周为一个单位,训练集选自前17周数据,验证集选自第18周数据,以此得到空调蒸汽预测模型.

3.1 数据预处理与评价指标

在数据采集过程中,传感器故障会导致某些数据存储失败,造成单值缺失和连读多值缺失的情况. 单值缺失采用上下平均值填补法对其进行处理;多值缺失中缺失特征较少,故采用样条插值法进行处理.

模型从预测精度和能源损耗两方面进行综合评价. 模型预测精度的评价指标选用均方根误差(root-mean-square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE),计算公式为:

(11)

车间生产的能源损耗[14-15]主要由用电量、蒸汽消耗、冷量构成,其中耗电量=冷量/COP. COP(coefficient of performance)为空调的性能系数. 电力折标煤系数为0.123,蒸汽折标煤系数为0.094,平均能耗折标(average standard energy consumption,ASEC)计算公式为:

(12)

式中,ASEC为平均折损能耗,其单位为千克标准煤(kgce);Q1为用电量;Q2为冷量的耗电量;S为蒸汽用量;H为空调运行时长.

3.2 实验环境与模型参数

本文实验的运行环境为python3.8.3和Matlab,使用python库keras、scikit-learn、tensorflow来搭建本文模型和部分对比模型. 使用Matlab设计工具APP构建部分机器学习对比模型. 在空间因素特征提取中. 经过三维卷积操作之后,进入PredRNN++部分,其中Casual LSTM与GHU中设置stride=1、padding=same,选取 16/32/128/256调整batch size,最终确定batch size=32时有最小损失. 在时间因素特征提取和外部因素提取中,GRU神经元个数选取64/128/256/512进行调整,最终确定神经元数分别为512和256. 3种因素由全连接层处理后输出的神经单元个数为16. 最后根据参数矩阵进行特征融合输出预测结果.

3.3 模型对比与结果分析

本文选用SVM、RNN+GRU、LightGBM、多元线性回归4种对比模型. 文献[7]中的SVM模型[16-17]目前在制造企业中应用广泛,以此对比预测性能的提升;选用RNN+GRU[18-20]组合模型用以验证提取空间特征的必要性;选取文献[5]中的机器学习模型[21-25]用以验证本文模型更符合实际需求. 所有模型的预测结果如图10所示,误差结果如表2所示.

图10 模型预测结果

表2 模型误差结果

由图10和表2可知,SVM模型的预测曲线中存在间隔性“锯齿”,在该时刻的预测结果与实际结果差距很大,存在不稳定性. 相较于SVM模型,本文模型RMSE值降低了63.04%、MAE值降低了60.25%、MAPE值降低了56.46%,运行时间也有所缩短,说明本文模型的预测精度、效率和稳定性都优于SVM模型. 相较于RNN+GRU模型,本文模型虽运行时间略增,但RMSE值降低了8.05%、MAE值降低了5.76%、MAPE值降低了7.25%,证明空间特征对模型的影响程度是不可忽略的. LightGBM模型虽运行时间有所减少,但其误差值远远高于本文模型. 多元线性回归模型预测精度和运行效率都不及本文模型. 综上,本文的混合深度学习模型更贴合实际,可实现在复杂环境中对空调蒸汽的准确实时预测.

将本文模型应用于空调管控系统中,以此减少空调的运行时间和电量损耗,并减少不必要的蒸汽消耗. 现用模型(SVM模型)ASEC值为534.48 kgce,本文模型ASEC值为213.33 kgce,本文模型相较于现用模型ASEC降低了60.09%.

4 结论

为解决企业生产车间多空调能耗与生产任务匹配、气候环境匹配的精准供能问题,实现多台大型空调机组的蒸汽预测,提出了一种基于GRU和3DConv-PredRNN++的混合深度学习预测模型. 首先通过分析空调机理得出蒸汽消耗量与机组的8种工作方式相关,而机组的工作方式受到时间因素、空间因素和外部因素影响,因此需要提取3部分特征来构建预测模型. 为进一步提升模型的预测精度,将时间特征因素和空间特征因素以3种不同模式进行输入,以此获取蒸汽消耗量序列的总体趋势和局部变化. 时间因素特征通过GRU提取,空间因素特征利用三维卷积和PredRNN++提取,通过GRU提取时间序列外部因素特征,再结合其余特征输入全连接层,最后通过参数矩阵融合构建蒸汽消耗模型. 本文模型的RMSE值为107.3 kg,MAE值为80.1 kg,MAPE值为6.4%. 与多种模型对比,验证了本文模型预测精度的优越性,证明了进行空间特征提取参与模型预测的必要性. 与现用SVM模型相比,本文模型的ASEC降低了60.09%.

随着企业生产链的不断运转,中央空调系统会继续产生大量数据,需要不断补充数据集对模型进行校正,进一步提升模型的预测精度. 后续将进一步对中央空调开机台数进行预测,并制定策略控制每台空调的开启,减少能源浪费,实现企业节能降耗的目标.