《Electric Power Systems Research》：A novel multi-task learning-based electrical energy consumption prediction method with application to a hot strip rolling mill process
Kai Zhang|Zongxu Cao|Yali Wang|Yibin Rui
北京科技大学自动化与电气工程学院，中国北京100083
摘要
在典型的热连轧机（HSRM）生产过程中，必须精确预测轧制过程中的电能消耗（EEC），因为这在优化运行计划和进一步降低运营成本方面起着重要作用。与大多数为单个带钢开发的EEC预测方法不同，本文专注于开发一种时域内的EEC预测方法。传统方法首先预测下一个时间范围内需要轧制的板坯数量，然后进行EEC预测。在本研究中，提出了一个基于多任务学习的EEC预测框架，以更好地捕捉不同类型HSRM数据中嵌入的特征。首先，使用卷积神经网络结合双向门控循环单元提取特定于任务的特征，同时通过下采样策略捕捉多尺度时间信息。接下来，应用门控机制融合这些特征以预测板坯数量。然后，将预测的板坯数量与调度信息一起用于额外的特征提取，并将门控机制融合的特征整合起来构建EEC预测模型。最后，使用真实的HSRM数据验证了所提出的方法。实验结果表明，与传统方法相比，该方法可以将EEC预测精度提高15.2%。为了展示实时预测能力，该模型还被部署并在云-边缘-端原型系统中进行了测试。
引言
全球能源需求持续上升，同时能源价格不断上涨，利用效率相对较低[1]，[2]。因此，准确预测能源消耗对于降低工业过程中的运营成本和提高能源效率至关重要[3]，[4]。在钢铁行业中，电力成本占总生产费用的近20%，这使得电能优化对于降低成本和实现可持续发展至关重要[5]。特别是热连轧机（HSRM）过程表现出高度波动的电力负荷，在咬钢时负荷急剧增加，而在空闲期间几乎为零，如图1所示。这些波动导致了强烈的非线性和变异性，给传统建模方法带来了重大挑战。因此，本研究重点关注HSRM中的电能消耗（EEC）预测，旨在开发一个高精度模型，以支持钢铁生产的能源优化。
EEC预测方法通常可以分为三类：机制驱动模型、机器学习模型和深度学习模型。机制驱动模型通常基于热力学和过程动力学理论，在理想化或稳态假设下建立能源消耗与过程参数之间的映射关系[6]，[7]。尽管这些模型可以捕捉能源消耗背后的物理机制并提供强大的可解释性，但由于随机干扰、设备老化和运营策略的变化，它们的假设在真实工业生产中往往难以完全满足。此外，对高质量参数和全面系统信息的强烈依赖进一步限制了它们在复杂和动态工业环境中的适用性。因此，最近的研究越来越多地转向更灵活的数据驱动建模方法。
在机器学习领域，通过整合多个基础学习器（如随机森林（RF）[8]、支持向量回归（SVR）[9]、梯度提升树（GBT）[10]和人工神经网络（ANNs）），并结合元模型进行最终预测，开发了一种多层次堆叠回归框架，在HSRM工厂中实现了高精度的EEC预测[11]。基于过程的功率核算与RF回归相结合，用于预测主电机和辅助电机的功率，捕捉非线性耦合并提高精度[12]。差分进化被用来优化SVR参数和权重，构建了用于半小时和日尺度高精度能源预测的加权SVR模型[13]。
虽然机器学习方法显示出强大的预测能力，但它们对人工设计特征的依赖以及有限的时间建模能力导致越来越多地采用深度学习方法来捕捉能源消耗预测中的复杂非线性依赖性和长期时间动态。其中，卷积神经网络（CNNs）被用来自动从高维过程数据中提取空间和局部时间特征，有效减少了手动特征工程的需求[14]，[15]。基于CNN的变体——时间卷积网络（TCN）被应用于短期光伏功率预测，与传统模型相比实现了更高的预测精度[16]。同时，循环神经网络（RNNs）及其变体（如长短期记忆（LSTM）、门控循环单元（GRU）网络、双向LSTM（BiLSTM）和双向GRU（BiGRU）网络在建模序列依赖性和长期相关性方面表现出强大能力，使它们特别适合时间序列能源预测任务[17]，[18]，[19]，[20]。
最近的研究表明，多任务学习（MTL）通过联合学习相关任务、共享潜在表示和捕捉输出依赖性来提高预测性能[21]，[22]，[23]。常见的架构包括使用共享编码器和任务特定头的硬参数共享、跨任务线性组合激活的交叉 stitch 网络，以及提取任务相关共享特征的多任务注意力网络。多门专家混合（MMoE）框架通过任务依赖的门控来协调专家子网络[24]，而渐进式分层提取（PLE）通过分层细化共享和任务特定的专家来进一步减少任务干扰，以最大化特征利用率[25]。现有的深度学习方法在时空特征建模方面取得了进展，并显著提高了EEC预测的精度。然而，在HSRM EEC预测中，这些方法常常忽略了轧制板坯数量与能源使用之间的强相关性，这限制了模型的可解释性和泛化能力。为了解决这一问题，Kim等人提出了一个两阶段框架，首先预测轧制板坯的数量，然后将其信息纳入EEC预测中[11]，如图2所示。
虽然这种策略部分捕捉了轧制节奏，但它不能实现板坯数量与能源消耗之间端到端的学习。为了克服这一限制，本研究提出了一个用于HSRM能源消耗预测的多任务学习框架，其中板坯数量预测作为辅助任务引入，而EEC预测作为主要任务。值得注意的是，与传统方法相比，所提出的模型在计算复杂度增加的情况下实现了更高的预测精度。主要贡献总结如下。
- (1)
开发了一个用于HSRM过程中EEC预测的多任务学习框架，其中引入了一个辅助任务来增强主要预测性能。
- (2)
开发了一种多尺度时间建模策略，使用下采样和上采样模块来捕捉过程变量的短期和长期时间依赖性，同时结合历史能源信息以提高预测性能。
- (3)
在从钢铁厂收集的真实生产数据上进行了全面实验，以验证所提出模型的有效性和鲁棒性。
部分摘录
基于多任务学习的EEC预测框架
所提出的基于多任务学习的EEC预测框架包括两个主要组成部分：一个用于板坯数量预测的辅助任务和一个用于EEC预测的主要任务。在架构中，预测的板坯数量与调度信息结合后输入EEC预测模块，使模型能够结合轧制节奏特征和额外的板坯相关信息，从而提高EEC预测的准确性。在热连轧机中，
讨论与比较
本研究开发了一个多任务学习框架，用于预测HSRM过程中的EEC，引入板坯数量预测作为辅助任务，以捕捉其与能源使用和生产节奏的强耦合性。基于MIC的相关性分析确认了板坯数量与能源消耗之间的依赖性，使模型能够结合生产调度信息并更好地描述工作负荷强度。采用了共享特定专家的架构：共享专家提取
背景和数据描述
本研究使用的数据来自一家大型钢铁企业的1450热连轧生产线，涵盖了三个月的连续运行。它包括52,128块板坯，反映了广泛的生产负荷和运行条件，包括诸如换辊和维护等零负荷期，以及与高速轧制薄板相关的高负荷条件。该生产线处理多种钢材等级，包括碳钢，
结论
本研究提出了一个多任务学习框架，以提高热连轧中EEC预测的准确性和可解释性，并在真实的工业HSRM数据上进行了评估。主要贡献总结如下：
(1)为了提高预测准确性和可解释性，引入了板坯数量预测作为辅助任务，反映了轧制生产对EEC的强烈影响。与传统单任务模型相比，所提出的模型将MAE提高了12.15?MW，RMSE提高了
CRediT作者贡献声明
Kai Zhang：项目管理、资金获取、数据管理、概念化。Zongxu Cao：撰写——原始草案、验证、方法论。Yali Wang：软件、方法论、数据管理。Yibin Rui：验证、方法论、调查。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
