一种用于非线性工业空气系统负荷预测与压缩机调度的一体化动态评估多任务深度学习框架

《Scientific Reports》：An integrated dynamic-evaluation and multi-task deep learning framework for load forecasting and compressor scheduling in nonlinear industrial air systems

　　

摘要

工业压缩空气系统具有非线性及动态耦合的特性，负荷波动与压缩机的不同工作状态会共同影响系统的能源效率与运行稳定性。然而，现有方法往往将预测与调度分开处理，且缺乏数据质量评估，这限制了其可靠性。本文提出了一种集成“负荷预测–动态评估–调度建议”的数据驱动框架。该框架采用了基于粒子群优化算法改进的长短期记忆模型来进行短期负荷预测，同时设计了动态评估模块来量化压力合规性及波动特性，从而构建了四个不同质量级别的训练数据集（完整数据集，以及按评估得分排序后包含前75%、50%和25%样本的子集）。基于这些数据集，进一步构建了多任务全连接神经网络，用于优化压缩机的加载策略。实验结果表明，所提出的框架具备较高的预测精度，并显著提升了调度性能。在四个数据集中，质量最好的前50%数据集可使特定能耗降低9.26%，有效运行比率提高3.28%。该框架将预测功能与数据质量控制相结合并融入调度过程，为动态条件下的工业能源系统提供了可推广的解决方案。