DE102004048235A1

DE102004048235A1 - Method for forecasting the energy consumption of an industrial production plant, device for carrying out the method and associated computer program product and computer-readable medium

Info

Publication number: DE102004048235A1
Application number: DE200410048235
Authority: DE
Inventors: Axel Dr. Buch; Johann-Christian Dr. Töbermann
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2004-10-04
Filing date: 2004-10-04
Publication date: 2006-04-20
Also published as: WO2006037732A1

Abstract

Die Erfindung bezieht sich auf ein Verfahren zur Prognose des Energieverbrauchs einer industriellen Produktionsanlage, wobei aus vorliegenden Informationen über einen geplanten Produktionsprozess Eingangsdaten für ein Prognosesystem (SYS) gewonnen werden, welches als Ausgangsdaten Energieverbräuche (ev¶j¶) des geplanten Produktionsprozesses ausgibt. Erfindungsgemäß wird die Prognose für einen Prognosezeitraum aus der nahen Zukunft erstellt und das Prognosesystem (SYS) verwendet ein neuronales Netz (NEU), wobei aus den Produktionsinformationen zunächst Zeitreihen von Produktionsdaten (pm¶ij¶) gebildet werden, wobei anschließend die Zeitreihen von Produktionsdaten (pm¶ij¶) durch gewichtete Zusammenfassung zu Zeitreihen von aggregierten Produktionsdaten (pm¶vor,j¶, pm¶end,j¶) verdichtet werden, wobei das neuronale Netz (NEU) aus den Zeitreihen von aggregierten Produktionsdaten (pm¶vor,j¶, pm¶end,j¶) eine Zeitreihe von Energieverbräuchen (ev¶j¶) für den Prognosezeitraum ermittelt. Hierdurch können die in Produktionsplänen enthaltenen Produktionsinformationen für kurzfristige Energieverbrauchsprognosen verwendet werden. Die Erfindung führt ferner auf eine Computervorrichtung zum Durchführen des Verfahrens, auf ein zugehöriges Computerprogramm-Produkt sowie auf ein computerlesbares Medium.The invention relates to a method for forecasting the energy consumption of an industrial production plant, wherein from existing information about a planned production process input data for a forecasting system (SYS) are obtained, which outputs as output data energy consumption (ev¶j¶) of the planned production process. According to the invention, the forecast is prepared for a forecast period from the near future, and the forecasting system (SYS) uses a neural network (NEU), whereby first production time series (pm¶ij¶) are formed from the production information, with the time series of production data ( pm¶ij¶) are weighted by weighted aggregation into time series of aggregated production data (pm¶vor, j¶, pm¶end, j¶), the neural network (NEW) being calculated from the time series of aggregated production data (pm¶vor, j ¶, pm¶end, j¶) determines a time series of energy consumption (ev¶j¶) for the forecast period. This allows the production information contained in production plans to be used for short-term energy consumption forecasts. The invention further provides a computer apparatus for performing the method, an associated computer program product and a computer-readable medium.

Description

Die Erfindung bezieht sich auf ein Verfahren zur Prognose des Energieverbrauchs einer industriellen Produktionsanlage, wobei aus vorliegenden Informationen über einen geplanten Produktionsprozess Eingangsdaten für ein Prognosesystem gewonnen werden, welches als Ausgangsdaten Energieverbräuche des geplanten Produktionsprozesses ausgibt.The The invention relates to a method for predicting energy consumption an industrial production plant, whereby from available information over a planned production process input data obtained for a forecasting system which outputs energy consumption of the planned production process as output data.

Eine Prognose des Energieverbrauchs im industriellen Umfeld ist sowohl für Unternehmen der Energieversorgung als auch für die Unternehmen der Produktionsindustrie selbst von erheblicher Bedeutung. Ein Energieversorgungsunternehmen benötigt den voraussichtlichen Lastgang seiner Energieabnehmer, d.h. den zeitlichen Verlauf des Energieverbrauchs über einen Tag, um den angeforderten Energiebedarf möglichst genau decken zu können. Ein Produktionsunternehmen hingegen ist an einer Energieverbrauchsprognose etwa aus betriebswirtschaftlichen Gründen interessiert, um durch eine frühzeitige Anmeldung seines Lastganges für den Folgetag beim Energieversorgungsunternehmen gute Konditionen zu erhalten.A Forecast of energy consumption in the industrial environment is both For companies the energy supply as well the companies of the production industry itself of considerable Importance. An energy supply company needs the expected Load profile of its energy users, i. the chronological course of the Energy consumption over One day to cover the requested energy needs as accurately as possible. A production company on the other hand, an energy consumption forecast is approximately from business management establish interested to get through an early Registration of his load gear for the following day at the power company good conditions to obtain.

Bei Energieversorgungsunternehmen ist zur Prognose des Energieverbrauchs im kurzfristigen Bereich, also für den Folgetag, der Einsatz künstlicher neuronaler Netze bekannt. Neuronale Netze sind parallel datenverarbeitende Strukturen, die sich selbst verändern können, und werden hier als bekannt vorausgesetzt. Solche neuronalen Netze werden auf der Basis historischer Daten trainiert, d.h. es wird versucht, ein aus der Datenhistorie vorgegebenes Ein-/Ausgabeverhalten nachzuahmen und Interpolationseigenschaften zu entwickeln. Die Anzahl der Eingangsdaten ist bei Energieversorgungsunternehmen aber eher gering und beschränkt sich im Wesentlichen auf den Tagestyp, also Wochentag oder Feiertag, etc., und auf Wetterdaten, etwa den Temperaturverlauf.at Utility company is forecasting energy consumption in the short term, so for the following day, the use of artificial neural networks known. Neural networks are parallel data processing Structures that change themselves can, and are assumed to be known here. Such neural networks are trained on the basis of historical data, i. it will attempts an input / output behavior specified from the data history imitate and develop interpolation properties. The number of Input data is rather low for energy supply companies and limited essentially to the day type, ie weekday or holiday, etc., and weather data, such as the temperature history.

Dagegen hängt in einem Produktionsunternehmen der Energieverbrauch stark von dem im Prognosezeitraum geplanten Produktionsprozess ab. Dabei ist eine Vielzahl an Produktionsdaten zu berücksichtigen, die in Produktionsplänen für die einzelnen Produktionslinien und für einzelne Produkte oder auch Zwischenprodukte unter anderem die jeweiligen Produktionsmengen angeben. Hier ist es bekannt, die Produktionspläne als Basis für statistische Auswertungen auch zur Gewinnung von langfristigen Energieverbrauchsprognosen heranzuziehen. Statistische Analysen sind allerdings sehr aufwendig und nicht für Prognosezeiträume im kurzfristigen Bereich, also für den Folgetag, geeignet. Andererseits ist weder die Art der in Produktionsplänen enthaltenen Produktionsinformationen, z.B. geplante Stillstandzeiten oder Produktionsumstellungen und dergleichen, noch die große Menge an Produktinformationen aufgrund der vielen Produkte und Produktionslinien geeignet, um sie als Eingangsdaten für Prognosesysteme zu verwenden, die etwa ein neuronales Netz aufweisen.On the other hand hangs in The energy consumption of a production enterprise strongly depends on that planned production process in the forecast period. There is one Variety of production data to be considered in the production plans for the individual Production lines and for individual products or intermediates including the respective ones Specify production quantities. Here it is known, the production plans as a basis for statistical evaluations also for obtaining long-term energy consumption forecasts consulted. Statistical analyzes are very expensive and not for Forecast periods in the short term, so for the following day, suitable. On the other hand, neither is the type of production plans included Production information, e.g. planned downtime or production changes and the like, still the big one Quantity of product information due to the many products and production lines suitable for use as input data for forecasting systems, which have about a neural network.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren der eingangs genannten Art bereitzustellen, bei dem die in Produktionsplänen enthaltenen Produktionsinformationen für eine kurzfristige Energieverbrauchsprognose verwendet werden können.Of the Invention is therefore the object of a method of the initially of that type, in which the products contained in production plans Production information for a short-term energy consumption forecast can be used.

Die Aufgabe wird erfindungsgemäß gelöst durch ein gattungsgemäßes Verfahren, bei dem die Prognose für einen Prognosezeitraum aus der nahen Zukunft erstellt wird und das Prognosesystem ein neuronales Netz verwendet, wobei aus den Produktionsinformationen zunächst Zeitreihen von Produktionsdaten gebildet werden, wobei anschließend die Zeitreihen von Produktionsdaten durch gewichtete Zusammenfassung zu Zeitreihen von aggregierten Produktionsdaten verdichtet werden, wobei das neuronale Netz aus den Zeitreihen von aggregierten Produktionsdaten eine Zeitreihe von Energieverbräuchen für den Prognosezeitraum ermittelt. Hierdurch können alle für den geplanten Produktionsprozess relevanten Informationen, also Produktionspläne und anlagentechnisches Wissen, eingebracht werden. Durch die gewichtete Summation wird die Anzahl an Produktionsdaten intelligent vermindert, so dass diese als Eingangsdaten für ein neuronales Netz geeignet sind. Die Gewichtungsfaktoren hierfür sind beim Training des neuronalen Netzes ermittelt worden. Bei den Zeitreihen handelt es sich also um eine zeitliche Sortierung der Produktionsdaten über den Prognosezeitraum, also beispielsweise über einen Tag mit Stundenauflösung. Das Prognoseverfahren ist damit ertüchtigt, kurzfristige Vorhersagen für den Energieverbrauch beispielsweise des Folgetages zu berechnen.The The object is achieved by a generic method, at which the forecast for a forecast period from the near future is created and the Prediction system uses a neural network, taking from the production information first Time series of production data are formed, followed by the time series of production data by weighted summary to time series condensed by aggregated production data, with the neural Network from the time series of aggregated production data a time series of energy consumption for the Forecast period determined. As a result, all relevant for the planned production process Information, ie production plans and plant-technical knowledge, be introduced. By the weighted summation the number becomes on production data intelligently diminished, so this as input data for a neural network are suitable. The weighting factors for this are during training of the neural network. When the time series is So it is a temporal sorting of production data on the Forecast period, for example, over a day with hour resolution. The Forecasting process is thus capable of short-term forecasts for to calculate the energy consumption, for example, of the following day.

In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens werden als Produktionsinformationen Daten aus Produktionsplänen und anlagenspezifische Daten herangezogen. In Produktionsplänen sind beispielsweise die geplanten Produktionsmengen durch Angabe von Maschinenlaufzeiten und deren Auslastungsgrad sowie Stillstandzeiten, etwa bei Maschinenreinigung, enthalten. Daneben werden aber auch technisches Know-how über das Verhalten der Anlagenteile, beispielsweise das Anlaufverhalten einer Produktionsmaschine oder deren Nachlauf nach Produktionsende, berücksichtigt.In an advantageous embodiment of the method according to the invention are used as production information data from production plans and plant-specific Data used. In production plans, for example, the planned production quantities by specifying machine running times and their degree of utilization as well as downtimes, such as during machine cleaning, contain. In addition, however, technical know-how about the Behavior of the system parts, for example, the startup behavior of a Production machine or its after-production after completion.

In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens wird aus den Produktionsinformationen für jede Produktionslinie und/oder für jedes Produkt eine Zeitreihe von Produktionsdaten gebildet. Es hat sich als zweckmäßig erwiesen, bereits an dieser Stelle eine gewisse Zusammenfassung von Daten vorzunehmen, indem beispielsweise alle Maschinen einer Produktionslinie oder alle Produktionslinien eines Produktes aggregiert werden.In an advantageous embodiment the method according to the invention is derived from the production information for each production line and / or for each Product formed a time series of production data. It has proved to be appropriate, already at this point a certain summary of data by, for example, all machines of a production line or all production lines of a product are aggregated.

In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens werden Zeitreihen von Produktionsdaten für Produktlinien und/oder Produkte mit ähnlicher Energieverbrauchscharakteristik durch gewichtete Zusammenfassung zu Zeitreihen von aggregierten Produktionsdaten verdichtet. Hierfür kommen Energieverbraucher in Frage, deren Leistungsaufnahme proportional zur Produktionsmenge ist, aber auch Verbraucher mit hoher Grundleistungsaufnahme sowie Produkte, die eine aufwendige Vor- oder Nachverarbeitung erfordern.In an advantageous embodiment of the method according to the invention be time series of production data for product lines and / or products with similar Energy consumption characteristics through weighted summary condensed into time series of aggregated production data. Come for this Energy consumers in question, their power consumption proportional to the production volume, but also consumers with high basic power consumption as well as products that require extensive pre- or post-processing.

In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens werden die Gewichtungsfaktoren zur gewichteten Zusammenfassung der Zeitreihen anhand historischer Ein- und Ausgangsdaten ermittelt. Die Berechnung der Gewichtungsfaktoren ist einmalig durchzuführen. Dazu wird ein Gleichungssystem aufgestellt, in das die bekannten Zeitreihen für Produktionsmengen und Energieverbräuche eingehen. Da dieses Gleichungssystem viel mehr Gleichungen als Unbekannte aufweist, wird es durch eine Zielbedingung zu einem nichtlinearen Optimierungsproblem ergänzt. Nach dieser gewichteten Zusammenfassung stehen dann Eingangsdaten zur Verfügung, die die komplexe Produktionsplanung wiederspiegeln und für das Prognosesystem mit neuronalem Netz geeignet sind.In a preferred embodiment the method according to the invention the weighting factors become the weighted summary of the Time series determined on the basis of historical input and output data. The calculation of the weighting factors has to be carried out once. To a system of equations is set up in which the known time series for production quantities and energy consumption received. Because this equation system has many more equations than unknowns As a result of a target condition, it becomes a nonlinear optimization problem added. After this weighted summary are then input data to disposal, which reflect the complex production planning and for the forecasting system neural network are suitable.

In einer weiteren vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens werden aus einer ermittelten Zeitreihe von Energieverbräuchen für den Prognosezeitraum Energieverbräuche zwischen zwei Zeitpunkten der Zeitreihe abgeleitet. Um den Energieverbrauch zwischen zwei Werten einer ermittelten Zeitreihe zu interpolieren, bietet sich die Verwendung von Spline-Funktionen an. Weist die ermittelte Zeitreihe beispielsweise eine Stundenauflösung auf, so können durch Interpolation die Energieverbräuche mit Viertelstundenauflösung gewonnen werden.In a further advantageous embodiment of the method according to the invention are calculated from a determined time series of energy consumption for the forecast period Energy consumption between derived from two time points of the time series. To the energy consumption to interpolate between two values of a determined time series, lends itself to the use of spline functions. Indicates the determined Time series, for example, an hour resolution, so can Interpolation the energy consumption with quarter hour resolution be won.

In einer anderen bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens werden weitere energieverbrauchsrelevante Eingangsdaten in das neuronale Netz eingegeben. Hier kommen Daten über den Temperaturverlauf, die Luftfeuchtigkeit, den Bedeckungsgrad, die Zeitpunkte von Sonnenauf- und -untergang sowie Energieverbräuche des Vortages in Betracht. Die Berücksichtigung dieser Zusatzinformationen verleiht der Energieverbrauchsprognose eine höhere Genauigkeit.In another preferred embodiment of the method according to the invention become further energy-relevant input data in the neural Network entered. Here comes data on the temperature profile, the humidity, the degree of coverage, the times of sunrise and sunset sunset as well as energy consumption of the previous day. The consideration of this additional information gives the energy consumption forecast a higher accuracy.

Das erfindungsgemäße Verfahren wird mit Vorteil auf einer entsprechend ausgebildeten Vorrichtung, insbesondere einer Computervorrichtung, ausgeführt. Diese Computervorrichtung, welche das Prognosesystem enthält, kann Teil eines Steuerungs- und Automatisierungssystems der Produktionsanlage sein, für die eine Energieverbrauchsprognose durchgeführt werden soll.The inventive method is advantageously on a suitably trained device, in particular a computer device executed. This computer device, which contains the forecasting system, can be part of a control and automation system of the production plant be, for the energy consumption forecast is to be carried out.

Mit Vorteil führt die Erfindung auch auf ein Computerprogramm-Produkt, welches auf einem computerlesbaren Medium speicherbar ist und einen Software-Code-Abschnitt aufweist, der geeignet ist, die genannte Computervorrichtung zum Durchführen des erfindungsgemäßen Verfahrens zu veranlassen, wenn das Produkt auf der Computervorrichtung ausgeführt wird.With Advantage leads the invention also relates to a computer program product based on a computer readable medium is storable and a software code section , which is suitable, the said computer apparatus for Perform the inventive method when the product is run on the computing device.

Die Erfindung führt auch auf ein computerlesbares Medium, auf dem das genannte Computerprogramm-Produkt gespeichert und das beispielsweise als DVD (Digital Versatile Disc) ausgebildet ist.The Invention leads also on a computer-readable medium on which said computer program product stored and the example as a DVD (Digital Versatile Disc) is trained.

Ein Ausführungsbeispiel sowie weitere Vorteile des erfindungsgemäßen Verfahrens werden anhand der nachfolgenden Zeichnungen näher erläutert, in derenOne embodiment as well as further advantages of the method according to the invention are based on the following drawings explains in theirs

1 die Bildung einer Zeitreihe von Produktionsdaten, 1 the formation of a time series of production data,

2 das Verdichten zu Zeitreihen von aggregierten Produktionsdaten für zwei Produktlinien und 2 compressing into time series of aggregated production data for two product lines and

3 ein erfindungsgemäßes Prognosesystem schematisch veranschaulicht sind. 3 an inventive forecasting system are illustrated schematically.

Bei einem erfindungsgemäßen Verfahren zur Prognose des Energieverbrauchs einer industriellen Produktionsanlage werden aus Produktionsinformationen über einen geplanten Produktionsprozess Eingangsdaten für ein Prognosesystem gewonnen. Als Produktionsinformationen werden Daten aus Produktionsplänen PPL_i aber auch anlagenspezifische Daten ANL_i herangezogen, wobei der Laufindex i die Produkte bzw. Produktionslinien durchnummeriert. Gemäß 1 enthält der Produktionsplan PPL₁ zu Produkt 1 Informationen über den Produktionsbeginn (5:30 Uhr), das Produktionsende (22:00 Uhr) sowie die Produktionsmasse (11.00). Ferner enthält der Produktionsplan PPL₁ die Information, dass zwischen 12:00 und 13:00 Uhr eine Reinigung der das Produkt 1 fertigenden Maschine vorgesehen ist. Daneben fließt technisches Know-how ANL₁ über die das Produkt 1 fertigende Anlage ein, wonach diese Anlage vor Produktionsbeginn eine einstündige Anlaufphase sowie eine zweistündige Abkühlungsphase nach Produktionsende aufweist. Aus diesen Produktionsinformationen werden zunächst Zeitreihen von Produktionsdaten pm_ij gebildet, die bei Stundenauflösung für einen Prognosezeitraum von einem Tag 24 Werte für Produktionsmengen aufweisen. Die Zeitreihe von Produktionsdaten pm_1j ist in 1 als Diagramm über der Zeit t dargestellt, wobei j ein von 1 bis 24 laufender Zählindex für die Zeitreihenglieder ist.In a method according to the invention for forecasting the energy consumption of an industrial production plant, input data for a prognosis system are obtained from production information about a planned production process. As production information, data from production schedules PPL _i but also plant-specific data ANL _i are used, with the running index i numbering the products or production lines. According to 1 The production plan PPL ₁ for product 1 contains information about the start of production (5:30 am), the end of production (10:00 pm) and the production mass (11:00 am). Further, the production plan PPL _{1 contains} the information that cleaning of the product 1 manufacturing machine is scheduled between 12:00 and 13:00. There In addition, technical know-how ANL _{1 flows in} on the plant producing the product 1, according to which this plant has a one-hour start-up phase and a two-hour cooling phase after the end of production before the start of production. From this production information, first time series of production data pm _{ij are} formed, which have values for production quantities at hour resolution for a forecast period of one day. The time series of production data pm _1j is in 1 is represented as a graph over time t, where j is a counting index for the time series members running from 1 to 24.

2 veranschaulicht das erfindungsgemäß Prognoseverfahren für eine Produktionsanlage mit zwei Produktionslinien, nämlich einer Vorproduktion VOR mit drei Vorprodukten 1' bis 3' und einer Endproduktion mit fünf Endprodukten 1 bis 5. Wie anhand 1 beschrieben, werden zunächst aus den Produktionsplänen PPL_1' bis PPL_3' der Vorproduktion VOR Zeitreihen von Produktdaten pm_1'j bis pm_3'j gebildet; entsprechendes gilt für die Endproduktion END, wo aus den Produktionsplänen PPL₁ bis PPL₅ Zeitreihen von Produktionsdaten pm_1j bis pm_5j gebildet werden. Zur Verringerung der Anzahl von Eingangsdaten für das Prognosesystem werden die Zeitreihen von Produktionsdaten für jede der beiden Produktionslinien VOR, END durch gewichtete Zusammenfassung zu Zeitreihen von aggregierten Produktionsdaten pm_vor,j für die Vorproduktion VOR und pm_end,j für die Endproduktion END verdichtet. Die Gewichtungsfaktoren x_i für die gewichtete Zusammenfassung der Zeitreihen werden anhand historischer Ein- und Ausgangsdaten ermittelt. Hierbei ist die hohe Anzahl an Daten aus den Produktionsplänen PPL_i auf zwei Zeitreihen von aggregierten Produktionsdaten pm_vor,j und pm_end,j also für Vor- und Endproduktion, reduziert worden. 2 illustrates the inventive forecasting process for a production line with two production lines, namely a pre-production VOR with three precursors 1 'to 3' and a final production with five end products 1 to 5. As shown 1 described, are first formed from the production plans PPL _{1 '} to PPL _3' of pre-production VOR time series of product data pm _1'j to pm _3'j ; the same applies to the final production END, where from the production _plans PPL ₁ to PPL ₅ time series of production data pm _1j to pm _{5j are} formed. To reduce the number of input data for the forecasting system, the time series of production data for each of the two production lines VOR, END are summarized by weighted summary to time series of aggregated production data pm _{before, j} for the pre-production VOR and pm _{end, j} for the final production END. The weighting factors x _i for the weighted summary of the time series are determined on the basis of historical input and output data. Here, the high number of data from the production plans PPL _{i has been} reduced to two time series of aggregated production data pm _{before, j} and pm _end, ie for pre- and final production.

Damit ist es gemäß 3 möglich, ein Prognosesystem SYS einzusetzen, welches ein neuronales Netz NEU aufweist, da die Anzahl an Eingangsdaten hinreichend vermindert worden ist. Neben den Zeitreihen aggregierter Produktionsdaten pm_vor,j und pm_end,j werden als weitere Eingangsdaten für das Prognosesystem SYS der Temperaturverlauf T_j am Prognosetag sowie eine Zeitreihe von Energieverbräuchen ev'_j des Vortages berücksichtigt. Als weitere, nicht dargestellte, energieverbrauchsrelevante Eingangsdaten kommen die Luftfeuchtigkeit, der Bedeckungsgrad, die Zeitpunkte von Sonnenauf- und -untergang in Betracht. Das Prognosesystem SYS, respektive sein künstliches neuronales Netz NEU, berechnet aus diesen Eingangsdaten eine Zeitreihe von prognostizierten Energieverbräuchen ev_j, beispielsweise mit stündlicher Auflösung. Der Einsatz des neuronalen Netzes NEU ist für Energieverbrauchsprognosen für einen Prognosezeitraum aus der nahen Zukunft, also beispielsweise den Folgetag, erst durch die Erfindung möglich geworden, weil die komplexen Produktionsinformationen geeignet vorverarbeitet und verdichtet wurden, so dass sie in Zahl und Art als Eingangsdaten für ein neuronales Netz NEU geeignet sind. In dem in 3 dargestellten Ausführungsbeispiel ist noch vorgesehen, die Zeitreihen von Energieverbräuchen mit Stundenauflösung durch Spline-Funktionen zu interpolieren, um beispielsweise eine feinere Auflösung in Viertelstunden zu gewinnen.That's it according to 3 it is possible to use a prediction system SYS, which has a neural network NEW, since the number of input data has been sufficiently reduced. In addition to the time series of aggregated production data pm _{before, j} and pm _{end, j} , the temperature profile T _j on the forecast day and a time series of energy consumption ev ' _{j of} the previous day are taken into account as further input data for the forecasting system SYS. As further, not shown, energy consumption-relevant input data are the humidity, the degree of coverage, the times of sunrise and sunset into consideration. The prediction system SYS, respectively its artificial neural network NEW, calculates from these input data a time series of predicted energy consumption ev _j , for example with hourly resolution. The use of the neural network NEW for energy forecasting for a forecast period from the near future, so for example the following day, only by the invention has become possible because the complex production information was suitably pre-processed and condensed so that they in number and type as input data for a Neural network are suitable. In the in 3 illustrated embodiment is still provided to interpolate the time series of energy consumption with hourly resolution by spline functions to win, for example, a finer resolution in quarter hours.

Claims

A method for forecasting the energy consumption of an industrial production plant, wherein from existing information about a planned production process input data for a forecasting system (SYS) are obtained, which outputs energy consumption (ev _j ) of the planned production process as output data, characterized in that the forecast for a forecast period off is created in the near future and the forecasting system (SYS) uses a neural network (NEW), wherein first production time series (pm _ij ) are formed from the production information, and then the time series of production data (pm _ij ) are obtained by weighted summary to time series of aggregated production data (pm _{before, j} , pm _{end, j} ) are compressed, wherein the neural network (NEW) from the time series of aggregated production data (pm _{before, j} , pm _{end, j} ) a time series of energy consumption (ev _j ) for the Forecast period determined.

A method according to claim 1, characterized in that as production information data from production plans (PPL _i ) and plant-specific data (ANL _i ) are used.

A method according to claim 1 or 2, characterized in that from the production information (PPL _i , ANL _i ) for each production line (VOR, END) and / or for each product (i) a time series of production data (pm _ij ) is formed.

A method according to claim 3, characterized in that time series of production data (pm _ij ) for product lines (VOR, END) and / or products (i) with similar energy consumption characteristic by weighted summary to time series of ag gregierten production data (pm _{before, j} , pm _{end , j} ) are compressed.

Method according to one of Claims 1 to 4, characterized in that the weighting factors (x _i ) for the weighted summary of the time series are determined on the basis of historical input and output data.

Method according to one of claims 1 to 5, characterized in that from a determined time series of energy consumption (ev _j ) for the forecast period energy consumption (ev _{j / 4} ) between two times (j) of the time series are derived.

Method according to one of claims 1 to 6, characterized in that further energy consumption-relevant input data (T _j , ev ' _j ) are entered into the neural network (NEU).

Device, in particular computer device, the to perform A method according to any one of claims 1 to 7 is formed.

Computer program product which is on a computer readable Medium is storable and has a software code section, which is suitable, a computer apparatus for performing a Method according to one of the claims 1 to 7 when the product on the computer device accomplished becomes.

A computer readable medium carrying the computer program product of claim 9 is stored.