PV制造环境中串焊机有功功率建模与能量估计的过程信息驱动状态感知机器学习方法

《Energy and AI》：A process-informed state-aware Machine Learning methodology for stringer machine energy estimation in PV manufacturing environment

　　

研究人员提出了一种面向光伏（Photovoltaic, PV）制造环境中串焊机的有功功率（active power）建模与能量估计的过程信息驱动、状态感知机器学习（Machine Learning, ML）方法。该方法针对生产计划先验已知、但其运行状态相关功率特性尚未被终端用户显式知晓的工业机器。研究采用无监督聚类识别机器运行模式，并将其与代表性有功功率范围关联，为终端用户提供仅凭生产计划和功率计日志无法获得的状态相关功率行为可解释表征。基于识别出的运行状态，机器运行行为通过确定性有限状态机（Deterministic Finite-State Machine, DFSM）描述，从而能够导出行为特征表示和时间特征表示。这些表示与历史有功功率消耗测量集成，构建过程信息驱动的增强特征空间，并由极端随机树（Extra Trees, ET）ML模型用于估计已知生产计划下的有功功率曲线和能量消耗。通过该集成，所提方法从标准的纯数据驱动能量估计技术转变为状态感知方法。为评估性能，研究人员采用从PV串焊机采集的真实有功功率测量；ET取得平均绝对误差（Mean Absolute Error, MAE）0.5714 kW、均方根误差（Root Mean Squared Error, RMSE）0.8145 kW以及决定系数（coefficient of determination, R²）0.9097，表明性能较强。此外，统计显著性分析支持ET ML模型选择，而特征消融研究量化了所提特征表示的贡献。在一个周生产周期内，所提方法估计的累计能量消耗绝对误差为0.0417 kWh，日绝对误差范围为0.1813 kWh至2.6297 kWh。最后，逐状态运行分析为每个运行模式提供代表性功率需求，从而支持能量估计并支撑PV制造中计划生产周期的能量感知评估。

论文解读

研究背景与问题：在可持续发展和碳中和议程下，能源消耗已成为首要关注，约承担75%的温室气体（Greenhouse Gas, GHG）排放。制造业是GHG排放最大贡献者之一，直接工业排放超过全球总量21%，电力消费间接排放接近31%。为减排，可再生能源加速采用，PV系统因效率、可扩展性和成本下降而广泛采用，但PV制造过程本身能源密集，需要高效机器利用和优化生产调度。生产调度是生产计划与控制（Production Planning and Control, PPC）的关键功能，能源感知调度要求准确掌握机器能耗。工业物联网（Industrial Internet of Things, IIoT）设备和智能电表可收集运行数据，但数据量大、维度高，制造过程复杂，传统分析方法难以准确建模机器能耗模式和长期行为。人工智能（Artificial Intelligence, AI），尤其ML和深度学习（Deep Learning, DL），可学习机器运行条件与能耗之间的复杂非线性关系及时间模式，但现有方法主要依赖历史数据，未显式纳入过程知识，难以考虑单机运行行为变化和相应能耗变化。事件驱动机器由用户选择的配方控制，能耗依赖具体操作、产品类型与数量及生产调度决策，仅凭历史能耗数据表征较困难；当生产计划已知时，该过程信息可用于表征预期操作序列并估计能耗。为此，研究人员提出面向PV制造环境中串焊机的过程信息驱动、状态感知ML方法，目标为生产计划先验已知、而运行模式有功功率特性未显式已知的工业机器。

研究人员开展的研究及意义：研究人员利用无监督K-means聚类自动识别机器运行模式并关联代表性有功功率范围，为终端用户提供可解释的状态相关功率行为；基于识别状态，用DFSM描述机器运行行为，导出行为和时间特征表示；再与历史有功功率测量整合，构建增强的过程信息特征空间，由ET ML模型学习历史有功功率行为与运行动态关系，估计已知生产计划下的有功功率曲线和能耗。该方法将标准纯数据驱动能量估计转为状态感知，贡献包括端到端过程信息能量建模、数据驱动状态识别、显式状态转移和时间表示、面向已知生产计划的过程信息有功功率与能量估计，以及真实PV制造环境验证。其意义在于支持计划生产周期的能量感知评估。

关键技术方法：研究人员使用安装于PV串焊机电源的电力监控系统采集有功功率，采样间隔10 min，时间自2024年7月7日至2026年3月10日，包含周末和计划生产中断，共N=35,655条。采用K-means（K=4）识别Standby、Waiting、Heating和Production状态；以DFSM定义状态与事件转换，构建状态变化指示和驻留时间变量；结合12个滞后有功功率样本、状态编码和时间特征。使用ET模型估计，并与决策树（Decision Tree, DT）、随机森林（Random Forest, RF）、eXtreme Gradient Boosting（XGBoost）、Light Gradient Boosting Machines（LightGBM）、多层感知机（Multi-Layer Perceptron, MLP）、支持向量回归（Support Vector Regression, SVR）、长短期记忆网络（Long Short-Term Memory, LSTM）、Persistence和移动平均比较。时间序列按70%/30%划分，采用5折交叉验证和TimeSeriesSplit，随机种子42，以MAE、RMSE和R²评价，并进行Friedman/Wilcoxon统计检验和特征消融。

研究结果：
ML models results：ET取得最低MAE 0.5714 kW、RMSE 0.8145 kW和最高R²=0.9097；XGBoost第二，ΔMAE为0.0073 kW、ΔRMSE为0.0098 kW，相对误差增加1.28%和1.20%，R²低0.0022；LightGBM、RF、MLP随后，DT和SVR显著较低。Persistence和移动平均R²低，LSTM仅用有功功率值时R²=0.3002，MAE为1.5825 kW，RMSE为2.2689 kW。结论是树集成适合非线性、依赖状态的映射，ET因随机化表现最好，状态感知特征提升估计能力。

Statistical significance analysis：Friedman检验得到χ²(6)=562.5579，p<0.0001，表明至少一个模型显著不同。Wilcoxon成对比较经Holm校正，多数模型对显著；RF与XGBoost的p=0.1407、RF与LightGBM的Holm校正p=0.0604不显著；ET与其余模型显著不同。结论支持ET模型选择。

Feature ablation study：仅滞后特征时MAE为1.5219 kW、RMSE为2.2008 kW、R²=0.3407；加入当前状态后MAE为0.5753 kW、RMSE为0.8158 kW、R²=0.9094；加前一状态后为0.5730/0.8151/0.9096；加驻留时间后为0.5739/0.8151/0.9096；全特征为0.5714/0.8145/0.9097。结论是当前状态贡献最大，DFSM行为和时间特征提供额外改善，并支持按时间和运行维度分析误差。

Stringer machine power and energy estimation：
Active power estimation：在2026年1月20日7:07至1月28日19:07周窗口，ET捕捉低（0–4 kW）、中（4–6 kW）和中高（6–10 kW）功率趋势，并跟随周末运行活动减少；短时高功率瞬态误差最大。
Cumulative energy estimation：实测累计能量为521.8953 kWh，估计为521.8536 kWh，绝对误差仅0.0417 kWh。
Daily total energy estimation：日绝对误差为2.6287 kWh（2.72%）、0.1813 kWh（0.25%）、1.2127 kWh（?1.70%）、0.9195 kWh（?1.17%）、0.5811 kWh（?0.60%）、1.0019 kWh（1.35%）、1.0578 kWh（?3.41%），对应2026年1月20–23日及26–28日；周末总能耗很低，未报告。
Operating state energy estimation：Waiting占运行时间53.1%，Production占6.5%，Standby占7.8%，Heating占32.7%；Waiting能耗224.8559 kWh，Heating能耗213.5952 kWh，Production能耗75.1294 kWh，Standby能耗8.3147 kWh；ET估计Waiting为222.2149 kWh（绝对误差2.6410），Heating为218.3970 kWh（绝对误差4.801，最高），另外两个状态估计为71.9265 kWh和9.3150 kWh，对应绝对误差3.2029 kWh和1.003 kWh，其中1.003为最低。
Operating state power demand：Production平均功率需求为11.5584 kW，Heating为6.5320 kW，Waiting为4.2346 kW，Standby最低为1.0660 kW。结论是状态感知分析可提供各运行模式代表性功率需求。

讨论部分总结：研究人员将方法从回顾性应用推进到前瞻部署。所需信息包括近期历史有功功率测量及对应状态，以及指定配方数的生产计划。终端用户先验知道每日配方数和单配方操作周期时间；例如单配方开始可包括Standby 60 min、Waiting 30 min、Heating 20 min、Production 40 min，按采样频率转换为状态标签序列，再导出前一状态、状态转换和驻留时间变量。这些与历史有功功率值（12样本滞后）输入已训练ET模型，采用递归预测，估计功率曲线并计算配方能量，按计划配方数重复。现实用例中，状态序列取自计划，滞后输入使用ET自身先前估计。与实际消费相比，ET估计总有功功率3363.2718 kW、总能量560.5453 kWh，优于按各状态平均有功功率乘出现次数得到的3404.0379 kW和567.3396 kWh；实际为3345.1802 kW和557.5300 kWh；ET高估18.0916 kW和3.0153 kWh，按状态平均高估58.8577 kW和9.8096 kWh。该方法区别于实时监测，目标是在生产周期执行前估计期望功率曲线和能量需求；不同于传统时间序列预测，因为未来操作序列假设从生产计划已知，ML模型估计与该计划序列相关的功率行为。若机器运行状态偏离标准运行，会影响该方法，因为其状态感知；但此类条件也可能影响其他数据驱动AI能耗估计技术。该方法可推广至其他事件驱动工业机器，未来需进一步验证。

研究结论翻译：本工作提出了面向PV制造环境中串焊机有功功率建模与能量估计的过程信息驱动、状态感知ML方法。所提方法采用无监督K-means聚类进行状态识别，随后用DFSM描述串焊机运行模式转换并导出行为与时间特征表示。这些表示与历史有功功率测量整合，构建增强特征空间，随后通过ET ML模型对机器行为建模。实验结果表明，ET ML模型具有高估计精度，R²为0.9097。此外，与仅使用历史测量相比，纳入行为和时间特征可使相对MAE和RMSE分别最多降低166%和170%。最后，所提方法中由DFSM导出的特征支持逐状态能量消耗分析，通过量化各运行状态按其占用时长相关的能量，提供机器功率需求洞察。这些发现表明，所提方法引入的状态感知表示提供了纯数据驱动能量估计技术的可行替代方案，为估计计划生产周期下工业机器能耗提供了实用且有价值的方法。