预测热制造中的能源需求:一个数据驱动的方法
Jersson X Leon-Medina1,2, John Erick Fonseca Gonzalez2, Nataly Yohana Callejas Rodriguez3
1Grupo de Investigación en Biochar, Suelo y Cambio Climático (Pyrosfera), Suministros Mineros e Industriales de Colombia LTDA-SUMININCO LTDA, Km1 vía Nobsa-Duitama Vereda Guaquida, Nobsa 152280, Colombia.
这项研究开发了一个深度学习框架,用于预测生生产的能源需求. 门式循环单元 (GRU) 模型实现了高精度,使工业运营和能源管理高效.
科学领域:
- 工业工程 工业工程 工业工程
- 人工智能的人工智能
- 能源管理 能源管理
背景情况:
- 能源需求预测对于能源密集型行业的运营效率至关重要.
- 快生产在管理波动的能源消耗方面面临着挑战.
- 数据驱动的决策对于工业的可扩展性和可持续性至关重要.
研究的目的:
- 开发和评估一个深度学习框架,用于快生产中的短期能源需求预测.
- 整合时间和操作变量,以准确预测能源使用情况.
- 提高运营效率并支持数据驱动的决策.
主要方法:
- 利用一年的实际电力消耗数据.
- 集成的时间 (负载配置,时间) 和操作 (生产代理,轮班) 变量.
- 训练并比较长期短期记忆 (LSTM),门式循环单元 (GRU) 和Conv1D神经网络模型.
主要成果:
- 门式循环单位 (GRU) 模型显示出最高的预测准确性.
- 在测试组件上获得了2.18 kW的根平均平方误差 (RMSE),0.49 kW的平均绝对误差 (MAE) 和3.64%的对称平均绝对百分比误差 (SMAPE).
- GRU模型提供了可靠的短期电力需求预测,分辨率为10分钟.
结论:
- 深度学习,特别是GRU,是有效的能源需求预测在生制造业.
- 准确的预测可以实现成本高效的调度,基础设施规划和容量管理.
- 该框架支持在能源密集型工业过程中优化可持续性.
更多相关视频
11:14Two-way Valorization of Blast Furnace Slag: Synthesis of Precipitated Calcium Carbonate and Zeolitic Heavy Metal Adsorbent
Published on: February 21, 2017
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
相关概念视频
Portland Cement
Strength and Heat of Hydration
The heat of hydration for each cement compound is significant; for instance, tricalcium aluminate (C3A) and...
Design Example: Managing Concrete Workability
Clausius-Clapeyron Equation
