基于馬爾科夫鏈的工業企業能耗智能預測模型構建

李承國， 劉愛勇， 寧尚武， 趙樽波， 王 超

（山東厚豐汽車散熱器有限公司， 山東 泰安 271000）

0 引言

現如今，部分工業企業在社會需求的影響下，逐漸擴展自身的規模，相應的能耗量也進一步提升[1]。為加強對企業能耗的控制，一般會設定具有針對性的能耗預測模型[2]，設定傳統地增強神經網絡算法能耗預測模型，傳統STIRPAT 能耗預測模型，這一類模型雖然可以完成日常的檢測任務，但是整體的預測強度不高，且綜合性不強，較容易受到外部因素的影響，進而導致最終的預測結果不精準，為后續的預測工作造成影響，因此，對基于馬爾科夫鏈的工業企業能耗智能預測模型進行構建與分析。馬爾科夫鏈主要指的是具有離散特征的指數集與狀態空間之間的隨機處置過程，該理論多被應用在化工企業能耗的預測模型設計之中，與傳統的預測形式相對比，馬爾科夫鏈可以幫助模型塑造一個更為穩定、循環的預測結構，針對實際的能耗情況以及對應的能耗處置措施，標記出對應的能耗點位，再加上互聯網、大數據技術的輔助與支持，進一步強化整體的預測效果，營造更加清晰完整地預測關聯性預測模型的應用奠定基礎[2]。

1 設計工業企業能耗馬爾科夫鏈智能預測模型

1.1 能耗特征變量智能提取

工業企業由于其自身的發展需求，日常的能耗量相對較大，所以，為避免出現能耗過量的問題，需要采用預測的形式，設定一個穩定的能耗控制程序，為日常的能耗管控工作奠定基礎[3]。在進行模型的設計之前，需要先明確企業的能耗總量，并進行能耗特征變量的智能提取[4]。首先，利用專業的設備及裝置，設置固定的預測周期，分析能耗的變化規律，與此同時，從底層特征中提取出抽象的能耗高層特征，構建一個穩定的預測流程，計算出單向能耗的變動偏差，如下公式（1）所示：

式中：H為單向能耗的變動偏差；m為定向能耗量；α為深度能耗轉換比；R為單向功耗；θ 為能耗覆蓋范圍。綜合上述測定，最終可以測算得出單向能耗的變動偏差，將其設定為能耗特征變量的標準差值，在此基礎之上，由于化工企業日常能耗存在差異，所以，根據其變動規律，總結其存在的變量特征[5]。

此時，可以利用企業的智能控制程序以及結構，將變量的總特征進行轉換設定，逐步形成定向的預測規律，與控制系統形成具有關聯性的模型基礎，為后續的預測工作奠定基礎[6]。但是這部分需要注意的是，能耗特征變量的智能提取，可以根據不同的預測層級設定對應的預測目標，獲取出實際的特征變量，形成循環式的預測結果，具有較強的穩定性，可以進一步確保得出預測結果的真實可靠[7]。

1.2 部署關聯預測節點

根據上述提取的能耗特征變量，綜合實際的預測需求及標準，明確具體的預測范圍，進行基礎關聯預測節點的部署。首先，將化工企業預測的區域劃定為3 個區段，每一個區段的能耗量均是不同的，存在較大差異。依據企業具體的總能耗情況，設定預測節點的布設結構，如圖1 所示。

圖1 基礎關聯預測節點布設結構圖示

根據圖1，完成對基礎關聯預測節點布設結構的設計。隨后，以此為基礎，在每一個化工企業波段中設定對應數量的預測節點，并在合理的標準下，形成相應的關聯程序，以此來達到全覆蓋式預測處理。過程中需要對重點能耗區域設定雙重的預測節點，并將點位的間距拉大，確保預測結果的可靠性及真實性。

接下來，根據預測節點的布設位置，再加上該企業的總能耗情況，根據馬爾科夫鏈的處置結構，設定具體的能耗預測周期，一般7 d 為1 個周期，共需要設定基礎的6 個周期，過程中需要全程對能耗的應用量進行設定，形成穩定的預測程序，并逐步構建出循環預測體系。

1.3 構建馬爾科夫鏈多層級預測結構

利用以上布設的預測節點，在單個周期內采集相應的數據及信息，預設一個核心控制節點，與控制程序相融合，加強全覆蓋式的預測處理。隨后，在此基礎之上，采用馬爾科夫鏈構建一個多層級的模型預測結構。

可以將日常的企業能耗量編制成一個個定向的序列數據包，當節點完成采集之后，根據自身設定的比例進行轉換，由系統的信道傳輸至于預測平臺內部。此時，將預測結構劃分為多個處理層級，分別是輸入層、輸出層、隱藏層和循環層等，具體如圖2 所示：

圖2 馬爾科夫鏈能耗預測層級設定圖示

如圖2 所示，完成對能耗預測層級的設定及分析。接下來，根據企業能耗的變動以及特征，對化工企業能耗電量與生產單位產量相互關聯，測定其變化的具體情況，根據不同預測層級獲取的數據，對該日能耗總量進行預估。此時，可以根據上述得出的數據與信息，計算出模型結構在單向周期能耗預測的標準次數，如公式（2）所示：式中：U為單向周期能耗預測的標準次數；a為轉變偏差；ν 為預測總范圍；d為預測頻率；i為預設預測次數。根據上述測算，最終可以實現對單向周期能耗預測的標準次數的測定。隨后，在此基礎之上，對設定的預測層級作出調整和標定，確保該模型的預測能力，具有更強的靈活性、多變性。

1.4 能耗預測矩陣增設

能耗預測矩陣的設定，一定程度上可以增加實際的預測精度，并擴大對應的預測范圍，在標定的區域之內，完成預設的能耗預測任務。隨后，將能耗預測的目標調整，將化工企業的能耗的需求與能耗變化特征變量之間建立定向的預測關系，但是存在的共線性常常會導致預測結果出現誤差，因此根據得到的特征變量，設定關系預測矩陣，如公式（3）所示：式中：J為能耗預測變量關系；k為變量初始值；n為能耗的無限預測范圍。根據上述測定，最終完成能耗預測矩陣的構建。隨后，在此基礎之上，在各個預測層級設定對應的目標，利用智能化的控制程序，形成一個更為穩定的預測體系，實現基礎性的能耗預測。

1.5 馬爾科夫鏈執行目標修正實現智能預測

利用上述能耗預測模型設定的矩陣，進行預測目標以及任務的明確排布，隨后，在此基礎之上，對化工企業日常的能耗管理情況加強控制，同時，設定一個循環的執行目標鏈，進行變動預測指標的設定，如下表1 所示。

表1 變動預測指標基礎參數設定表

從表1 可以看出，完成對變動預測指標基礎參數的設定，隨后，可以將該預測機制設定在模型的內部結構中，進一步完善、優化預測效果及后續的預測處理能力，實現多元化全覆蓋式的預測處理。

2 模型測試

本次主要是對基于馬爾科夫鏈的工業企業能耗智能預測模型實際應用效果的分析與研究。考慮到最終該測試結果的真實可靠，采用對比的形式展開分析，選定A 工業企業作為實際的模型測試對象，參考文獻［1］和文獻［2］，設定傳統地增強神經網絡算法能耗預測模型測試組，傳統STIRPAT 能耗預測模型測試組以及本文所設計的馬爾科夫鏈能耗智能預測模型測試組，測試得出的結果比照驗證，根據實際的模型測試需求及目標，進行相關測試環境的搭建。

2.1 測試準備

根據馬爾科夫鏈原理，對A 工業企業中冷器加強卡的應用能耗情況進行分析與研究。為確保最終測試結果的真實可靠，選定該企業4 個區域段的中冷器加強卡及相關設備的應用能耗作出設定。該設備的承壓內部施加0.35 MPa 壓強，在疲勞工況下，自身的加速度峰值為±30 m/s2，振動方向為垂直、前后、左右方向，振動頻率23 Hz，每個方向振動1.5×106次。

在這樣的背景之下，自身所產生的能耗量是相對較大的，具有較強的可變性與調控性。設定具體的能耗預測周期，并根據上述獲取的數據及信息，測算出單個區域段的單向標準能耗值，如公式（4）所示：

式中：F為單個區域段的單向標準能耗值，o為總預測范圍；z為能耗敏感度；R為預測單向距離；w為堆疊距離。根據上述測定，最終完成對單個區域段的單向標準能耗值的測算。至此完成對測試環境的搭接。

2.2 測試過程及結果分析

根據上述搭建的測試環境，綜合馬爾科夫鏈原理，對化工企業能耗預測方法的實際應用效果進行分析。首先，利用設定的基礎性預測節點，獲取各個周期的預測數據以及信息，通過預測矩陣，調整不同階段各個測定區域段的預測任務及目標，逐步形成一個具有循環性的預測結構，標記出4 個測定點，得出預測結果之后，與初始的能耗預測模型相對，分別測算出此時的預測相對偏差，如公式（5）所示。

式中：Q為能耗預測相對誤差；λ 為層級能耗值；z為能耗敏感度；C為定向層級預測偏差；r為預測次數。根據上述測定，最終可以完成對測試結果的分析，如表2 所示。

表2 測試結果對比分析表

根據表2，完成對測試結果的分析：對比于傳統地增強神經網絡算法能耗預測模型測試組，傳統STIRPAT 能耗預測模型測試組，馬爾科夫鏈能耗智能預測模型測試組最終得出的預測相對誤差相對較低，被較好地控制在了1.5 以下，說明在對A 化工企業能耗預測的過程中，預測范圍擴大，誤差可控，預測速度快，具有實際的應用價值。

采用三種預測方法對化工企業能耗預測時間進行統計，其結果如圖3 所示。

圖3 三種預測方法對化工企業能耗預測時間

由圖3 可知，傳統傳統的增強神經網絡算法能耗預測模型測試組預測時間在3.5 s 左右，傳統STIRPAT能耗預測模型測試組預測時間在2.5 s 左右。而馬爾科夫鏈能耗智能預測模型測試組預測時間在1.5 s 左右，明顯低于上述兩種傳統方法。因此，基于馬爾科夫鏈的工業企業能耗智能預測的效率更高，預測速度快。

3 結論

與傳統的能耗預測模型相對比，本次綜合馬爾科夫鏈原理，所設計的智能能耗模型相對更加穩定、靈活，在復雜的能耗環境下，具有更強的針對性和變動性，分階段對企業實際能耗進行測定分析。另外，馬爾科夫鏈的應用，還可以在一定程度上擴大實際的預測范圍，增加預測的精準度與可靠性，為關聯性的預測工作提供后期的參考依據，實現化工企業能耗的合理預測。