基于马尔科夫链的工业企业能耗智能预测模型构建

李承国， 刘爱勇， 宁尚武， 赵樽波， 王 超

（山东厚丰汽车散热器有限公司， 山东 泰安 271000）

0 引言

现如今，部分工业企业在社会需求的影响下，逐渐扩展自身的规模，相应的能耗量也进一步提升[1]。为加强对企业能耗的控制，一般会设定具有针对性的能耗预测模型[2]，设定传统地增强神经网络算法能耗预测模型，传统STIRPAT 能耗预测模型，这一类模型虽然可以完成日常的检测任务，但是整体的预测强度不高，且综合性不强，较容易受到外部因素的影响，进而导致最终的预测结果不精准，为后续的预测工作造成影响，因此，对基于马尔科夫链的工业企业能耗智能预测模型进行构建与分析。马尔科夫链主要指的是具有离散特征的指数集与状态空间之间的随机处置过程，该理论多被应用在化工企业能耗的预测模型设计之中，与传统的预测形式相对比，马尔科夫链可以帮助模型塑造一个更为稳定、循环的预测结构，针对实际的能耗情况以及对应的能耗处置措施，标记出对应的能耗点位，再加上互联网、大数据技术的辅助与支持，进一步强化整体的预测效果，营造更加清晰完整地预测关联性预测模型的应用奠定基础[2]。

1 设计工业企业能耗马尔科夫链智能预测模型

1.1 能耗特征变量智能提取

工业企业由于其自身的发展需求，日常的能耗量相对较大，所以，为避免出现能耗过量的问题，需要采用预测的形式，设定一个稳定的能耗控制程序，为日常的能耗管控工作奠定基础[3]。在进行模型的设计之前，需要先明确企业的能耗总量，并进行能耗特征变量的智能提取[4]。首先，利用专业的设备及装置，设置固定的预测周期，分析能耗的变化规律，与此同时，从底层特征中提取出抽象的能耗高层特征，构建一个稳定的预测流程，计算出单向能耗的变动偏差，如下公式（1）所示：

式中：H为单向能耗的变动偏差；m为定向能耗量；α为深度能耗转换比；R为单向功耗；θ 为能耗覆盖范围。综合上述测定，最终可以测算得出单向能耗的变动偏差，将其设定为能耗特征变量的标准差值，在此基础之上，由于化工企业日常能耗存在差异，所以，根据其变动规律，总结其存在的变量特征[5]。

此时，可以利用企业的智能控制程序以及结构，将变量的总特征进行转换设定，逐步形成定向的预测规律，与控制系统形成具有关联性的模型基础，为后续的预测工作奠定基础[6]。但是这部分需要注意的是，能耗特征变量的智能提取，可以根据不同的预测层级设定对应的预测目标，获取出实际的特征变量，形成循环式的预测结果，具有较强的稳定性，可以进一步确保得出预测结果的真实可靠[7]。

1.2 部署关联预测节点

根据上述提取的能耗特征变量，综合实际的预测需求及标准，明确具体的预测范围，进行基础关联预测节点的部署。首先，将化工企业预测的区域划定为3 个区段，每一个区段的能耗量均是不同的，存在较大差异。依据企业具体的总能耗情况，设定预测节点的布设结构，如图1 所示。

图1 基础关联预测节点布设结构图示

根据图1，完成对基础关联预测节点布设结构的设计。随后，以此为基础，在每一个化工企业波段中设定对应数量的预测节点，并在合理的标准下，形成相应的关联程序，以此来达到全覆盖式预测处理。过程中需要对重点能耗区域设定双重的预测节点，并将点位的间距拉大，确保预测结果的可靠性及真实性。

接下来，根据预测节点的布设位置，再加上该企业的总能耗情况，根据马尔科夫链的处置结构，设定具体的能耗预测周期，一般7 d 为1 个周期，共需要设定基础的6 个周期，过程中需要全程对能耗的应用量进行设定，形成稳定的预测程序，并逐步构建出循环预测体系。

1.3 构建马尔科夫链多层级预测结构

利用以上布设的预测节点，在单个周期内采集相应的数据及信息，预设一个核心控制节点，与控制程序相融合，加强全覆盖式的预测处理。随后，在此基础之上，采用马尔科夫链构建一个多层级的模型预测结构。

可以将日常的企业能耗量编制成一个个定向的序列数据包，当节点完成采集之后，根据自身设定的比例进行转换，由系统的信道传输至于预测平台内部。此时，将预测结构划分为多个处理层级，分别是输入层、输出层、隐藏层和循环层等，具体如图2 所示：

图2 马尔科夫链能耗预测层级设定图示

如图2 所示，完成对能耗预测层级的设定及分析。接下来，根据企业能耗的变动以及特征，对化工企业能耗电量与生产单位产量相互关联，测定其变化的具体情况，根据不同预测层级获取的数据，对该日能耗总量进行预估。此时，可以根据上述得出的数据与信息，计算出模型结构在单向周期能耗预测的标准次数，如公式（2）所示：式中：U为单向周期能耗预测的标准次数；a为转变偏差；ν 为预测总范围；d为预测频率；i为预设预测次数。根据上述测算，最终可以实现对单向周期能耗预测的标准次数的测定。随后，在此基础之上，对设定的预测层级作出调整和标定，确保该模型的预测能力，具有更强的灵活性、多变性。

1.4 能耗预测矩阵增设

能耗预测矩阵的设定，一定程度上可以增加实际的预测精度，并扩大对应的预测范围，在标定的区域之内，完成预设的能耗预测任务。随后，将能耗预测的目标调整，将化工企业的能耗的需求与能耗变化特征变量之间建立定向的预测关系，但是存在的共线性常常会导致预测结果出现误差，因此根据得到的特征变量，设定关系预测矩阵，如公式（3）所示：式中：J为能耗预测变量关系；k为变量初始值；n为能耗的无限预测范围。根据上述测定，最终完成能耗预测矩阵的构建。随后，在此基础之上，在各个预测层级设定对应的目标，利用智能化的控制程序，形成一个更为稳定的预测体系，实现基础性的能耗预测。

1.5 马尔科夫链执行目标修正实现智能预测

利用上述能耗预测模型设定的矩阵，进行预测目标以及任务的明确排布，随后，在此基础之上，对化工企业日常的能耗管理情况加强控制，同时，设定一个循环的执行目标链，进行变动预测指标的设定，如下表1 所示。

表1 变动预测指标基础参数设定表

从表1 可以看出，完成对变动预测指标基础参数的设定，随后，可以将该预测机制设定在模型的内部结构中，进一步完善、优化预测效果及后续的预测处理能力，实现多元化全覆盖式的预测处理。

2 模型测试

本次主要是对基于马尔科夫链的工业企业能耗智能预测模型实际应用效果的分析与研究。考虑到最终该测试结果的真实可靠，采用对比的形式展开分析，选定A 工业企业作为实际的模型测试对象，参考文献［1］和文献［2］，设定传统地增强神经网络算法能耗预测模型测试组，传统STIRPAT 能耗预测模型测试组以及本文所设计的马尔科夫链能耗智能预测模型测试组，测试得出的结果比照验证，根据实际的模型测试需求及目标，进行相关测试环境的搭建。

2.1 测试准备

根据马尔科夫链原理，对A 工业企业中冷器加强卡的应用能耗情况进行分析与研究。为确保最终测试结果的真实可靠，选定该企业4 个区域段的中冷器加强卡及相关设备的应用能耗作出设定。该设备的承压内部施加0.35 MPa 压强，在疲劳工况下，自身的加速度峰值为±30 m/s2，振动方向为垂直、前后、左右方向，振动频率23 Hz，每个方向振动1.5×106次。

在这样的背景之下，自身所产生的能耗量是相对较大的，具有较强的可变性与调控性。设定具体的能耗预测周期，并根据上述获取的数据及信息，测算出单个区域段的单向标准能耗值，如公式（4）所示：

式中：F为单个区域段的单向标准能耗值，o为总预测范围；z为能耗敏感度；R为预测单向距离；w为堆叠距离。根据上述测定，最终完成对单个区域段的单向标准能耗值的测算。至此完成对测试环境的搭接。

2.2 测试过程及结果分析

根据上述搭建的测试环境，综合马尔科夫链原理，对化工企业能耗预测方法的实际应用效果进行分析。首先，利用设定的基础性预测节点，获取各个周期的预测数据以及信息，通过预测矩阵，调整不同阶段各个测定区域段的预测任务及目标，逐步形成一个具有循环性的预测结构，标记出4 个测定点，得出预测结果之后，与初始的能耗预测模型相对，分别测算出此时的预测相对偏差，如公式（5）所示。

式中：Q为能耗预测相对误差；λ 为层级能耗值；z为能耗敏感度；C为定向层级预测偏差；r为预测次数。根据上述测定，最终可以完成对测试结果的分析，如表2 所示。

表2 测试结果对比分析表

根据表2，完成对测试结果的分析：对比于传统地增强神经网络算法能耗预测模型测试组，传统STIRPAT 能耗预测模型测试组，马尔科夫链能耗智能预测模型测试组最终得出的预测相对误差相对较低，被较好地控制在了1.5 以下，说明在对A 化工企业能耗预测的过程中，预测范围扩大，误差可控，预测速度快，具有实际的应用价值。

采用三种预测方法对化工企业能耗预测时间进行统计，其结果如图3 所示。

图3 三种预测方法对化工企业能耗预测时间

由图3 可知，传统传统的增强神经网络算法能耗预测模型测试组预测时间在3.5 s 左右，传统STIRPAT能耗预测模型测试组预测时间在2.5 s 左右。而马尔科夫链能耗智能预测模型测试组预测时间在1.5 s 左右，明显低于上述两种传统方法。因此，基于马尔科夫链的工业企业能耗智能预测的效率更高，预测速度快。

3 结论

与传统的能耗预测模型相对比，本次综合马尔科夫链原理，所设计的智能能耗模型相对更加稳定、灵活，在复杂的能耗环境下，具有更强的针对性和变动性，分阶段对企业实际能耗进行测定分析。另外，马尔科夫链的应用，还可以在一定程度上扩大实际的预测范围，增加预测的精准度与可靠性，为关联性的预测工作提供后期的参考依据，实现化工企业能耗的合理预测。