为什么从空压机切入
在机械制造、注塑、电子等工厂,压缩空气系统往往是隐形耗能大户,单是空压机用电就可能占全厂总用电量的四分之一以上。传统做法依赖人工设定运行参数,用气低谷时设备仍空转,既浪费电又加速磨损。据公开报道,万向精工通过多台空压机联控,实时匹配产气量与用气需求,万元产值能耗降低16%;海天塑机则以 AI 需量预测在按需量计费与按容量计费之间择优,把能源管理从「事后统计」推向「事前预测」。
思路:把节能变成回归问题
核心是把「下一日(或下一时段)的用电需量」建模为一个监督回归任务:以历史负荷曲线、生产排程、气温与班次为特征,训练模型输出需量预测值,再据此决定基本电费计费方式、空压机群组启停与负载分配。下面用一个可运行的最小示例演示特征构造与训练。
一、构造训练特征
从电表或能源管理系统导出小时级负荷与对应生产计划,按日聚合峰值需量,并拼接星期、是否生产日、计划产量与平均外温作为特征。
import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_percentage_error
# daily: date, peak_demand(kW), plan_qty, avg_temp, is_workday, weekday
df = pd.read_csv('daily_load.csv', parse_dates=['date'])
df['weekday'] = df['date'].dt.weekday
df['is_workday'] = df['is_workday'].astype(int)
feat = ['plan_qty', 'avg_temp', 'is_workday', 'weekday']
X = df[feat].values
y = df['peak_demand'].values
X_tr, X_te, y_tr, y_te = train_test_split(X, y, shuffle=False, test_size=0.2)
model = HistGradientBoostingRegressor(max_iter=300, learning_rate=0.05)
model.fit(X_tr, y_tr)
pred = model.predict(X_te)
print('MAPE=%.3f' % mean_absolute_percentage_error(y_te, pred))
二、由预测驱动的空压机联控
得到次日需量预测后,用最简单的规则即可落地:当预测需量低于单台额定产能时,仅启一台并变频加载;当预测需量上行且持续超阈值,再追加机组并提前预热,避免尖峰时段多台同时满载。下面给出依据预测切换机组数量的示例。
RATED = 220 # 单台空压机额定供气能力 kW
def pick_units(pred_demand):
n = int(pred_demand // RATED) + (1 if pred_demand % RATED else 0)
return max(1, min(n, 4))
for d, p in zip(df['date'].tail(5), pred[-5:]):
print(d.date(), 'pred=%.0f kW' % p, 'units=%d' % pick_units(p))
三、落地边界与数据口径
该方案的精度高度依赖数据口径一致:电表采集粒度、生产计划准确率、外温来源都须稳定;若排程频繁变更,预测价值会衰减。建议先在单一车间或单一空压站试点,用三个月真实数据回测 MAPE,再决定是否接入自控系统下发启停指令。
安全提醒:空压机联控的下发指令必须经现有 PLC/SCADA 安全联锁校验,AI 只给建议值,最终投切由现场逻辑确认,避免预测偏差导致供气不足影响生产。
参考来源
万向精工「精工智核」数字孪生与空压机联控节能实践(万元产值能耗降低16%)- 中国工信新闻网;海天塑机与研华 iEMS 能碳双闭环方案(AI 需量预测)- 研华官方案例;scikit-learn HistGradientBoostingRegressor 使用文档 - scikit-learn 官方文档。