4. 用能基线建立方法

要判断一个车间、一条产线或一台重点设备的用能是否“异常”，前提是先回答一个更基础的问题：在正常状态下，它本来应该用多少能？这个“本来应该”的量化表达，就是用能基线。基线不是历史平均值的简单代名词，而是一个带有适用条件、时间粒度和不确定度范围的参照系。基线建得粗，异常识别就会被正常波动淹没；基线建得“过拟合”，又会把真实的节能机会误判为异常。本节围绕三种主流建模方法展开，并说明基线在异常识别链条中的核心作用。

一、历史数据法：最快落地，但要先做数据清洗

历史数据法直接以过去一段时间的实际能耗作为参照，常见形式包括同期值、滑动平均、分位数包络和同比环比。它实现成本最低，适合计量点位刚建成、工况相对稳定、或需要快速上线初版监测的场景。

关键在于“取哪段历史”和“怎么取”。以某注塑车间为例，假设要建立注塑机集群的日用电基线。第一步是确定统计窗口：至少覆盖连续4周，且剔除停产检修日、试模日和异常高温日。第二步是做数据清洗，把电表通信中断导致的零值、重复采集导致的跳变、以及换班瞬间的短时冲击剔除。第三步是选择统计量：若负荷分布近似对称，可用均值；若存在明显尖峰，用中位数更稳健；若关注“是否超出正常上限”，则取P90或P95分位数作为上包络线。

一个可直接参考的计算示例如下（数据为教学假设）：某注塑车间过去20个生产日的日用电量分别为 4820、4950、5010、4880、5120、4760、5030、4990、4870、5150、4920、5080、4860、4970、5040、4910、5090、4830、5000、4960 kWh。计算得均值约 4972 kWh，标准差约 108 kWh。若取均值±2倍标准差作为正常带，则正常区间约为 4756～5188 kWh。某日实际用电 5460 kWh，超出上界约 272 kWh，即可触发“疑似异常”提示，再进入下钻排查。需要强调，这组数字是示例，用于说明计算路径，不代表任何真实企业数据。

历史数据法的局限也很明确：它默认“过去即正常”，一旦工艺调整、产量结构变化或季节切换，基线就会系统性偏移，产生大量误报。因此它更适合作为兜底方法和快速验证手段，而不是长期唯一方案。

二、回归模型法：把产量、天气等驱动因素剥离出来

能耗异常往往不是设备坏了，而是产量、环境温度、开机时长等驱动变量变了。回归模型法的思路是建立“能耗 = f(驱动变量)”的关系，再用实际值与模型预测值之差（残差）判断异常。常用形式是多元线性回归，也可用多项式或分段回归处理非线性。

以某空压站为例，日用电量主要受产气量和室外温度影响。取过去60天数据做拟合，得到形如 E = a + b·Q + c·T 的模型，其中 E 为日用电量，Q 为日产气量，T 为日均气温。假设拟合结果为 E = 820 + 0.42·Q + 6.5·T（系数为教学假设）。某日 Q = 12000 m³、T = 28 ℃，则预测用电约 820 + 5040 + 182 = 6042 kWh；若实际为 6580 kWh，残差 +538 kWh，相对偏差约 8.9%。此时应结合空压机加载率、管路压降和泄漏排查，而不是直接判定主机效率下降。

回归建模有三个实操要点。其一，驱动变量必须与能耗有物理因果联系，不能为了拟合优度硬塞无关变量。其二，要用R²和残差分布检验模型质量，残差应大致围绕零波动、无明显趋势；若残差随时间漂移，说明模型遗漏了结构性因素。其三，模型要定期重训，建议按月或按季度用滚动窗口更新系数，并保留版本记录，避免“一次建模、长期使用”导致基线失真。

三、工况分类法：先分场景，再各自建基线

很多用能异常之所以难识别，是因为不同工况被混在一起统计。工况分类法先按生产状态、产品类型、班次、季节或设备组合划分场景，再在每个场景内单独建立基线。它特别适合多品种、小批量、启停频繁的离散制造场景。

例如某涂装线可按“满负荷生产、低负荷待机、周末保温、检修停机”四类工况分别统计单位涂装面积能耗。满负荷工况下取近30个生产日的单位能耗中位数作为基线；待机工况则关注待机功率是否超过设定阈值。这样，当某天产量很低但能耗偏高时，不会被满负荷基线掩盖，而会在待机工况下暴露出来。

工况分类的难点在于分类规则要可执行、可自动判定。建议用可从系统直接读取的字段作为分类依据，如产量是否大于零、班次代码、设备运行信号、季节月份等，避免依赖人工标注。分类过细会导致样本不足、基线不稳，分类过粗又失去区分度，通常以每类至少有20～30个有效样本为宜。

四、基线在异常识别中的核心作用

三种方法并非互斥，实际工程中常组合使用：先用工况分类切分场景，再在场景内用回归模型剥离产量和天气影响，最后用历史数据的分位数设定报警阈值。基线在异常识别中承担三重作用：一是提供比较基准，把“用了多少能”转化为“比预期多用了多少”；二是量化不确定度，通过正常波动带区分随机波动与真实异常；三是支撑归因，残差的方向和幅度能提示是产量变化、设备效率下降还是泄漏增加。

下图展示了基线从数据到异常判定的完整信号链，以及三种方法在其中的位置关系。

从图中可以看到，基线并不是一个孤立数字，而是“预测值加波动带”的组合。异常判定的本质，是看实际值是否落在波动带之外，以及残差是否具有持续性。单点越界可能只是换班冲击或采集毛刺，连续多个周期越界、且残差方向一致，才更可能是真实漏损或效率劣化。

最后需要提醒，基线永远带有假设条件。历史数据法假设工况不变，回归模型法假设驱动关系稳定，工况分类法假设分类规则覆盖主要场景。任何一次工艺改造、设备更新或产品结构大调整，都应触发基线复核。把基线当作需要维护的“活参照”，而不是一次性交付的静态报表，异常识别才能真正从“看数”走向“可信判断”。