制造企业能耗AI基线建模：时序分解与异常识别

数据分析实验室近期围绕制造企业能耗数据开展AI基线建模实验，目标是让能耗异常识别从“人工看报表”走向“数据自动发现”。团队选取某电子制造车间三个月的电力、压缩空气与空调负荷数据，采用STL时序分解分离趋势项、周期项与残差，再以轻量级自编码器对残差建模，识别偏离正常运行模式的时段。
阶段性进展：

• 在标注的47个异常时段中，模型召回率达0.86，误报率较固定阈值法下降约42%，且可在工作日/休息日、白班/夜班等不同周期模式下自动切换基线；
• 通过对异常时段的特征回溯，定位到空压机夜间空载运行与冷却塔启停逻辑冲突两类典型浪费，估算年节能潜力约6%。

下一步计划：一是引入天气与产量作为外生变量，提升基线可解释性；二是将模型封装为轻量API，在两家合作工厂开展为期两个月的试点验证，重点评估跨产线泛化能力与运维成本。