基于神经网络的生产能耗预测方法、系统、电子终端及存储介质与流程

本发明涉及能源技术领域，特别是涉及基于神经网络的生产能耗预测方法、系统、电子终端及存储介质。

背景技术：

企业在生产过程中，能源消耗必不可少，因此如何实现节能预测对于整个企业生产而言尤为关键。

目前，企业对于能耗预测普遍处于空缺状态，少数企业即使实施了能耗预测，也仅限定于通过同比、环比的增长规律或者通过计算平均值的方式得出预测值。但是，这些能耗预测方法在考虑因素的全面性、预测的精确性以及实际价值等方面都无法满足企业节能提效的要求。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于神经网络的生产能耗预测方法、系统、电子终端及存储介质，用于解决现有技术在企业生产过程中的能耗预测技术空缺、精度不高及影响因素单一等技术问题。

为实现上述目的及其他相关目的，本发明提供一种基于神经网络的基于神经网络的生产能耗预测方法，其包括：确定与生产工艺相关的一或多个生产特征参数，并基于所述生成特征参数选取一预设时间段内的生产数据全集；从所述生产数据全集中筛选出与生产能耗相关的生产数据子集；对所述生产数据子集作归一化处理，以生成模型训练数据；建立基于所述模型训练数据的神经网络预测模型，用于预测生产能耗数据。

于本发明的一实施例中，在完成建立所述神经网络预测模型后，所述方法还包括：基于实际生产能耗数据对所述神经网络模型进行模型训练和测试。

于本发明的一实施例中，所述生产工艺包括烟草制丝工艺和/或烟草卷包工艺；与所述烟草制丝工艺和/或烟草卷包工艺相关的生产特征参数包括：能耗数据、生产月、生产日、生产班次、生产产量、机器台数、采暖度日数或降温度日数中的任一种或多种参数的组合。

于本发明的一实施例中，通过线性函数归一化的方式对所述生产数据子集作归一化处理；所述min-max标准化公式为：x^*∈[0.1]；其中，x表示所述生产数据子集中的生产数据，xmin表示生产数据子集中生产数据的最小值，xmax表示生产数据子集中生产数据的最大值。

于本发明的一实施例中，所述神经网络预测模型包括bp神经网络预测模型；所述bp神经网络预测模型包括输入层、隐藏层及输出层，且选用激活函数作非线性处理。

于本发明的一实施例中，所述隐藏层包括一或多个节点，计算节点数的公式为：其中，m表示输入层的节点数量，n表示输出层的节点数量，a表示1～10之间的调节常数。

为实现上述目的及其他相关目的，本发明提供一种基于神经网络的生产能耗预测系统，其包括：参数确定模块，用于确定与生产工艺相关的一或多个生产特征参数，并基于所述生成特征参数选取一预设时间段内的生产数据全集；筛选模块，用于从所述生产数据全集中筛选出与生产能耗相关的生产数据子集；训练数据生成模块，用于对所述生产数据子集作归一化处理，以生成模型训练数据；模型建立模块，用于建立基于所述模型训练数据的神经网络预测模型，用于预测生产能耗数据。

于本发明的一实施例中，所述系统还包括：模型检测模块，用于在完成建立所述神经网络预测模型后，基于实际生产能耗数据对所述神经网络模型进行模型训练和测试。

为实现上述目的及其他相关目的，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于神经网络的生产能耗预测方法。

为实现上述目的及其他相关目的，本发明提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于神经网络的生产能耗预测方法。

如上所述，本发明的基于神经网络的生产能耗预测方法、系统、电子终端及存储介质，具有以下有益效果：本发明能够解决现有技术在企业生产过程中的能耗预测技术空缺、精度不高及影响因素单一等技术问题，从而帮助用户准确高效地预测能耗数据，从而满足企业节能提效的要求。

附图说明

图1显示为本发明一实施例中基于神经网络的生产能耗预测方法的流程示意图。

图2显示为本发明一实施例中基于生产特征参数的生产数据全集的示意图。

图3显示为本发明一实施例中基于神经网络的生产能耗预测方法的流程示意图。

图4显示为本发明一实施例中基于bp神经网络预测模型的卷包生产能耗预测示意图。

图5显示为本发明一实施例中基于神经网络的生产能耗预测系统的结构示意图。

图6显示为本发明一实施例中电子终端的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

再者，如同在本文中所使用的，单数形式“一”、““一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

本发明提供基于神经网络的生产能耗预测方法、系统、电子终端及存储介质，用于解决现有技术在企业生产过程中的能耗预测技术空缺、精度不高及影响因素单一等技术问题。下文，将结合具体的实施例来说明本发明技术方案的工作原理。

如图1所示，展示本发明一实施例中基于神经网络的生产能耗预测方法的流程示意图。所述方法可应用于智能终端或者控制器；本发明所指的智能终端例如可采用台式电脑、本地服务器或者云端服务器等固定智能终端，也可采用手机、pad电脑、笔记本电脑、智能手环等移动智能终端；本发明所指的控制器例如可采用mcu控制器、fpga控制器、dsp控制器、soc控制器或者arm控制器等等。所述基于神经网络的生产能耗预测方法包括：

步骤s11：确定与生产工艺相关的一或多个生产特征参数，并基于所述生成特征参数选取一预设时间段内的生产数据全集。

在一实施例中，所述生产工艺包括烟草制丝工艺、烟草卷包工艺或者两个工艺的结合。所述烟草制丝工艺的批次生产工作时长不固定，烟草制丝的电耗计量最小颗粒度为小时，故以生成批次为最小颗粒的样本难以与电耗计量对应。因此，本实施例的烟草制丝电耗数据以班为最小样本颗粒度，烟草制丝工艺的生产特征参数主要由能耗数据、生产月、生产日、生产班次、生产产量、采暖度日数以及降温度日数组成。所述能耗数据的种类包括电量或空压量消耗数。

所述采暖度日数又称为hdd值，是指一年中当某天室外日平均温度低于预设温度时，将该日平均温度值与预设温度的差值度数乘以1天，所得出的乘积的累加值，其单位为℃·d。所述降温度日数又称为cdd值，是指一年中当某天室外日平均温度高于预设温度时，将该日平均温度值与预设温度的差值度数乘以1天，所得出的乘积的累加值，其单位为℃·d。于本实施例中，采用26℃作为预设温度，即求取hdd26和cdd26的值。

所述烟草卷包工艺的生产能力弱于烟草制丝的生产能力，所以烟草制丝的产量往往由烟草卷包产量拉动制定。为了满足制丝生产线产出的大量烟丝，卷包需要安排多台卷接设备进行同步耗用烟丝生产卷烟，所以对于卷包的样本数据，需要添加影响特征，即开动的机台数量。所述能耗数据的种类包括电量、空压量消耗数或真空量消耗数。

为便于本领域技术人员理解，图2展示了本发明一实施例中基于能耗数据、生产月、生产日、生产班次、生产产量、机器台数、采暖度日数(hdd值)以及降温度日数(cdd值)等生产特征参数并选取一年时间内的生产数据全集。

s12：从所述生产数据全集中筛选出与生产能耗相关的生产数据子集。

由于所述生产数据全集通常包括一预设时间段内的全部数据，所以需筛选出与生产能耗相关联的生产数据子集。例如：生产数据全集为某一年全年生产数据，则需筛选出工作日的生产数据。仍以图2为例，以班次为最小颗粒度的样板生产数据，其中的班次分为早班、中班和晚班，为方便计算将其数值化为“6”、“14”“22”。

s13：对所述生产数据子集作归一化处理，以生成模型训练数据。

在建立神经网络预测模型之前，需对输入数据作归一化处理，将有量纲的数据转换为无量纲的标量，映射到0～1的范围，从而简化计算。于本实施例中，通过线性函数归一化的方式对所述生产数据子集作归一化处理。

所述min-max标准化公式为：x^*∈[0.1]；其中，x表示所述生产数据子集中的生产数据，xmin表示生产数据子集中生产数据的最小值，xmax表示生产数据子集中生产数据的最大值。

需要说明的是，归一化处理的方式包括但不限于本实施例中的线性函数归一化，还可采用基于0均值标准化的归一化或者基于sigmoid函数的归一化等方式，本发明对此不作限定。

s14：建立基于所述模型训练数据的神经网络预测模型，用于预测生产能耗数据。

于本实施例中，所述神经网络预测模型包括bp神经网络预测模型；所述bp神经网络预测模型包括输入层、隐藏层及输出层，且选用激活函数作非线性处理。所述bp神经网络是一种以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值的神经网络，其通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。

bp神经网络预测模型的隐藏层包括一或多个节点，计算节点数的公式为：其中，m表示输入层的节点数量，n表示输出层的节点数量，a表示1～10之间的调节常数。

bp神经网络选用的激活函数包括tanh函数，用于非线性求解bp神经网络梯度，容错性佳且有界，再根据bp学习算法权值调整公式进行迭代运算。所述激活函数包括但不限于tanh函数，还可采用sigmod函数、relu函数或者elu函数等等。

如图3所示，展示本发明一实施例中基于神经网络的生产能耗预测方法的流程示意图。于本实施例中，所述基于神经网络的生产能耗预测方法包括如下各步骤：

s31：确定与生产工艺相关的一或多个生产特征参数，并基于所述生成特征参数选取一预设时间段内的生产数据全集。

s32：从所述生产数据全集中筛选出与生产能耗相关的生产数据子集。

s33：对所述生产数据子集作归一化处理，以生成模型训练数据。

s34：建立基于所述模型训练数据的神经网络预测模型，用于预测生产能耗数据。

s35：在完成建立所述神经网络预测模型后，基于实际生产能耗数据对所述神经网络模型进行模型训练和测试。神经网络预测模型的建立后，需利用实际生产数据反复检验和修正该神经网络预测模型，从而才能用于后续的生产能耗数据的预测。因步骤s31～s34的实施方式与上一实施例中步骤s11～s14的实施方式类似，故不再赘述，下文仅针对步骤s35做进一步的解释说明。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

如图4所示，展示本发明一实施例中基于bp神经网络预测模型的卷包生产能耗预测示意图。于本实施例中，横轴表示日期，用于表示基于某一年中1月份至12月份的时间跨度，纵轴表示能耗数据，折线1表示实际生产能耗值，折线2表示预测生产能耗值。由本实施例可知，基于bp神经网络预测模型，可帮助用户准确高效地预测能耗数据，从而满足企业节能提效的要求。

如图5所示，展示本发明一实施例中基于神经网络的生产能耗预测系统的结构示意图。所述系统包括参数确定模块51、筛选模块52、训练数据生成模块53、模型建立模块54以及模型检测模块55。其中，所述参数确定模块51用于确定与生产工艺相关的一或多个生产特征参数，并基于所述生成特征参数选取一预设时间段内的生产数据全集，筛选模块52用于从所述生产数据全集中筛选出与生产能耗相关的生产数据子集，训练数据生成模块53用于对所述生产数据子集作归一化处理，以生成模型训练数据，模型建立模块54用于建立基于所述模型训练数据的神经网络预测模型，用于预测生产能耗数据，模型检测模块55用于在完成建立所述神经网络预测模型后，基于实际生产能耗数据对所述神经网络模型进行模型训练和测试。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，模型建立模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上模型建立模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。

如图6所示，展示本发明一实施例中电子终端的结构示意图。本实例提供的电子终端，包括：处理器61、存储器62、收发器63、通信接口64和系统总线65；存储器62和通信接口64通过系统总线65与处理器61和收发器63连接并完成相互间的通信，存储器62用于存储计算机程序，通信接口64和收发器63用于和其他设备进行通信，处理器61用于运行计算机程序，使电子终端执行如上基于神经网络的生产能耗预测方法的各个步骤。

上述提到的系统总线可以是外设部件互连标准(peripheralpomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccessmemory，简称ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

综上所述，本发明基于神经网络的生产能耗预测方法、系统、电子终端及存储介质，够解决现有技术在企业生产过程中的能耗预测技术空缺、精度不高及影响因素单一等技术问题，从而帮助用户准确高效地预测能耗数据，从而满足企业节能提效的要求。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。