新闻资讯

机会：

随着工厂变得更智能化，我们可以采集的数据也越来越多。也随着大数据技术进一步的发展，我们现在可以利用一些大技术的数据，来进一步提升我们的能源利用效率。

评价能源效率主要使用的KPI为MWH/car，也就是每辆车的综合能耗。

文章的数据收集主要在欧宝集团以及PSA集团内部完成，相关因素比如天气数据使用了开源的天气数据。

数据处理以及分析主要使用了KNIME分析平台，R语言，Excel以及VBA。

应用场景：

• 预测：用历史数据建模，使用规划数据天气数据等，预测未来的能源消耗。
  • 更便于规划
  • 可以从能源供应商获得更优惠的价格
  • 可以有一个用来监测能源消耗的参考值
• 能源效率对标：不同的工厂有不同的大小，在不同的区域，有不同的一天气，运行时间，不同的工厂设计、新旧，生产不同的汽车。这就造成了，虽然知道不同工厂的能源效率不同，但是很难知道具体的效率不同的原因，甚至无法知道哪个工厂是更有效率。

预测：

预测的关键：

• 影响因素：对于预测，不光是要求历史数据可以获取，还要求未来数据可以预测。预测结果的要求一是准确，二是稳定，三是应用简便。经过分析，选取了生产车辆和工作时间来衡量内部工作，选取了天气作为唯一外部影响。天气使用degree days。

建模：

建模前期经过了数据清洗(去掉不合理数据，补充缺失数据等)以及特征工程(使用Heating degree days 和cooling degree days 来代替温度)。

经过文献检索，选取了四种最常用的预测方法。分别是：多元线性回归，决策树，随机森林，神经网络。

预测的目标为每月的能量消耗。

测试：

选取了欧洲的六个工厂，分别是德国总部Ruesselsheim，Eisenach，波兰Gliwice，英国Luton，Ellesport Meer，以及西班牙的 Zaraagossa。使用2013到2017的数据进行测试。一共进行了三次测试。测试预测结果好坏的标准为R square。

其中一个工厂的测试结果如下。

我们可以看到，当数据量达到三年的时候。几乎所有的方法都可以相对稳定的预测每个月份的能源消耗。其中随机森林以非常高的R2和稳定的测试结果成为了最合适的预测方法。

不过从其他工厂结果来看，工厂发生一些数据无法表达的变化的时候，是利用生产车辆和天气，不包含工作时间的模型，可以更稳定的预测结果。当这种方法在一个新的工厂开始使用的时候，最好再进行测试，以便确定最好的方法。

应用：

这个预测模型的应用主要分为两方面。一是预测未来的能源消耗。二是为能源效率提供一个标准。

预测消耗非常容易理解，为能源效率设定的标准，主要是以如下的方法实现。

将过去三年的数据带入此模型中，分析模型结果和实际消耗的偏差。统计偏差的分布。

如果想要知道今年上半年的能源使用效率，将今年的数据代入模型，就可以得到使用的参考值，以及和实际值的偏差。这个偏差在分布中的位置，就说明了当前能源消耗的效率。

可视化、应用：

应用包括如下步骤：

将预测数据（生产计划，排班计划，近年平均天气）带入模型，得到预测值。

每经过一个月，讲实际值填入，并且更具过去分布，得到状态范围（红色，黄色和绿色）

对比状态范围和实际值，每个月定期检测能源利用效率。