工业能耗智能诊断 AI Agent 系统：单耗异常检测与LightGBM次日能耗预测（MAE 0.4674 tce）

在此对 Zicheng Yang对本文所作的贡献表示诚挚感谢，他完成了数据科学与大数据技术专业的学位，专注工业能耗分析与数据工程领域。擅长 Python、SQL、MySQL、Hive、Spark、Airflow、Docker、HTML/JavaScript；擅长数据清洗与质量治理、工业能耗分析、数仓建模、 异常检测 、时间序列预测与可视化。

TL;DR：工业能耗数据分析清洗 19,234 行模拟记录为车间日面板，做单耗异常检测；11 折验证下 LightGBM 次日能耗预测 MAE 0.4674 tce，较基线降约 38.1%。附代码与 AI Agent、skill。

中文摘要与关键词

痛点。工业能耗数据分析最容易出错的一步，是把绝对能耗的上涨直接读成效率恶化：产量同期也在涨、公用工程与生产车间混在一张表里、同一张单据还写着三种计量单位。本文回答四问：单位混写与生产状态差异下如何统一能耗口径？2σ、产量基线、CUSUM 各自能检出什么？滚动切分下四类模型与季节基线差距多大？怎样用证据白名单挡住无依据的因果结论？

方法。按日期×车间×能源业务键去重，数值离群只对单元格置空后分组插补并保留修正证据，把综合能耗、费用、碳排、单耗拆成四条互不替代的口径；用 2σ、产量基线、CUSUM 三类检测信号定位异常记录，以滞后 1 天的实测量装配车间日特征，按 30 天步长做 11 折扩展窗口滚动验证；问答侧让 大模型 只在候选证据中选择 evidence_id，可见数值由服务端按受控记录生成。

结果。19,234 条模拟记录清洗为 19,006 条明细、5,848 条车间日特征，11 个测试折共 2,640 条/模型；LightGBM 的 MAE 为 0.4674 tce，较基线下降约 38.1%，LSTM 0.5213 tce、 Transformer 0.5448 tce。离线固定用例 4/4 通过、模型调用 0 次，历史在线记录 5/5 通过。

价值。清洗前后行数、修正证据与产物哈希均可回溯；逐折误差、在线与离线口径、拒答边界全部如实留存。完整代码、数据、8 张运行截图、两份项目报告与配套的对话式 AI Agent、可复用 skill 随原文提供，读者可按同一口径逐条核对。

关键词：工业能耗数据分析；单耗异常检测；次日能耗预测；raw_energy_data；折标系数与综合能耗口径；2σ 与 CUSUM；LightGBM 滚动时序验证；evidence_id 证据白名单； FastAPI 诊断工作台

English Abstract and Keywords

This article answers four questions: (1) how to unify multi-energy records with mixed units, duplicates and production-status differences into traceable indicators; (2) what 2σ, production-baseline and CUSUM signals each detect, and why none of them can serve as a fault label; (3) how LightGBM, LSTM and Transformer compare with a seven-day seasonal baseline under rolling time-ordered validation; and (4) how an evidence whitelist prevents a large language model from turning correlation into a root-cause claim. With 19,234 simulated records cleaned into 19,006 energy rows and 5,848 workshop-day features, 11 folds yield 2,640 test rows per model, and LightGBM reaches MAE 0.4674 tce, about 38.1% below the seasonal baseline.

Keywords: industrial energy data analysis; unit-consumption anomaly detection; next-day energy consumption forecasting; rolling-origin validation; LightGBM; 2-sigma and CUSUM; evidence whitelist; FastAPI diagnostics workbench

研究背景与痛点：工业能耗数据分析为什么容易把产量增长误判成效率恶化

客户希望在同一套数据上把三件事分开：能耗口径能不能对得上、异常信号能不能定位到具体记录、次日综合能耗能不能用于排产参考。我们没有把三件事揉成一个”智能告警”故事，而是按数据链路逐段处理——先做可追溯清洗，再建指标字典与 29 组查询结果，接着用时间顺序滚动切分比较预测模型，最后把大模型放在证据约束里，让它只选证据、不写原因。

这里的数据按制造业业务规律生成，覆盖 2024 至 2025 年，用来展示工程与分析能力，不代表真实工厂实测收益。项目里有一处修复值得先说：早期对离群值整行删除，导致 34 个车间日缺少能源品种；改为只把异常单元格置空、按车间×能源×年月中位数插补并保留能源行之后，缺失车间日降到 0，并用回归测试把修复固化下来。

项目背景与业务问题

制造企业的多能源记录存在单位混写、重复、缺失和生产状态差异。业务问题、统计异常和设备故障结论必须分别处理：前者是口径问题，中者是检测信号，后者需要维护事件与检修记录才能成立。项目把三类结论拆开，先清洗能源与产量数据，再构建可追溯指标，识别高耗车间、待机损耗和异常波动，最后评估次日综合能耗预测。

技术方案总览：工业能耗数据分析从清洗到证据问答的链路

本章结论：整条链路按「可追溯清洗 → 指标与 SQL 结果 → 异常信号与滚动预测 → 证据白名单问答 → 审计留痕」顺序展开 。

        模拟 ERP/MES 能耗与产量记录                  |                  v     统一编码 → 业务键去重 → 单元格置空插补                  |                  v     指标字典 + 29 组 SQL 结果（Q01-Q29）                  |+---------+---------+        |                   |        v                   v2σ / 产量基线 / CUSUM   车间日特征装配   异常信号（不作答）       滞后 1 天 + 滚动均值        |                   |        |                   v        |          11 折滚动时序验证        |                   |        |        +----------+----------+        |        |          |          |        |        v          v          v        |    LightGBM     LSTM    Transformer        |        |          |          |+--------+----------+----------+                  |                  v     证据白名单检索 → 模型只选 evidence_id                  |                  v     服务端校验 → 确定性陈述与引用 → 审计留痕

数据来源与预处理：工业能耗数据分析的清洗与口径

本章结论：19,234 行原始模拟记录按业务键去重与单元格级插补后得到 19,006 行明细、5,848 条车间日特征，删除与修正各自留证；四条指标口径互不替代。

数据介绍

• 数据名称：工业能耗数据
• 数据量：19,234 行原始模拟记录，清洗后 19,006 行能源明细、5,848 条车间日生产记录与 5,848 条车间日特征；8 个车间、6 类能源、731 个自然日
• 字段：记录日期、车间编码、能源品种、消耗量、明细费用、产量、气温、价格指数、生产状态、能源折标系数
• 数据来源：按制造业业务规律生成的模拟 ERP/MES 数据，由拓端团队整理核对，字段口径与清洗证据随项目材料留存
• 时间跨度：2024 至 2025 年，共 731 个自然日
• 区域跨度：单厂多车间口径，覆盖生产车间与公用工程两类对象，不跨地区
• 数据格式：csv 明细 + MySQL 星型模型 + 29 组 SQL 结果 csv；预测以车间日面板数据组织
• 数据简介：生成器固定随机种子 20240918，按日期×车间×能源为业务键构造记录，并故意注入缺失、重复、负值、单位混写与离群值；产量单独按日期×车间去重，避免在多种能源行上重复累计产量。清洗时统一日期、车间与能源编码后按业务键去重，数值离群只对单元格置空并分组插补，删除与修正分别落在 clean_rejects.csv 与 clean_fixed.csv
• 本数据可支撑的主题实证研究：一是能源结构与费用的双口径分解；二是停产待机损耗与单位产品能耗的同比变化；三是时间顺序下的次日能耗预测与模型稳定性比较；四是受控证据问答中”可回答 / 应拒答”的边界评测
• 数据指标：

变量	含义	取值口径
tce	综合能耗	Σ(消耗量 × 能源折标系数) ÷ 1000，单位 tce
cost	能源费用	Σ明细费用，单位元
carbon	碳排放	按各能源系数折算，单位 tCO₂
unit_use	单位产品能耗	生产车间能耗 ÷ 产量；停产或无产量时不计算
t / t-1 / t-7 / t-14	能耗滞后项	观测日前 1、7、14 天的实际值
idle_ratio	低负荷与停产能源行占比	能源明细行占比，不是停机时间占比

• 数据展示：

这张排序图来自 Q03，横轴是车间、纵轴是综合能耗。它能回答”谁用得多”，却回答不了”谁用得不合理”——产量、公用工程与生产车间的口径还没分开。后面所有分析，本质上都是在给这张图补上分母与参照系：单耗补产量分母，产量基线补条件期望，滚动切分补时间先后。

• 相关文章专题：工业能耗与用电量时间序列的多模型预测对比
• 原文链接：tecdat.cn/?p=42219
• 内容概要：该文基于某咨询项目，横向对比 SARIMAX、RNN、LSTM、Prophet、Transformer 五类时间序列预测模型在月度工业用电量（Electric Production，397 条，强季节性）、洗发水销售、公共安全与交通事故四类真实数据上的表现；先用 Dickey-Fuller 检验与 ACF/PACF 判断平稳性、周期与滞后阶数，再以 MAPE 统一评估并给出参数调优与选型建议。核心结论是「没有最优模型，只有最适合特定数据特征的方案」：强季节性场景宜优先 Prophet 或 SARIMAX，含突发异常的场景宜用 RNN/LSTM，Transformer 在部分时序任务上仍有局限。

清洗链路按业务键展开：统一日期、车间和能源编码，再按日期×车间×能源去重；数值离群只对单元格置空，按车间×能源×年月中位数插补，保留能源行；费用偏差超过阈值时按量×价重算。原始 19,234 行清洗后 19,006 行，减少 228 条重复。负值取绝对值属于本模拟数据的业务假设，真实项目应先核实计量方向。

公式只保留最终结果：

tce = Σ(消耗量 × 能源折标系数) ÷ 1000cost = Σ明细费用unit_use = 生产车间能耗 ÷ 产量

其中 tce 为综合能耗，折标系数按能源品种查表；cost 为费用口径，与 tce 不能互相换算；unit_use 在停产或无产量时不可直接计算。各能源物理单位不同，不直接相加。

核心模型/方案设计：单耗异常检测三类信号与证据白名单

本章结论：2σ、产量基线与 CUSUM 只产出检测信号，不产出故障真值；问答侧把解释权收回服务端，模型只负责从受控候选中选 evidence_id。

探索分析与三类检测信号

Q01 给出两年综合能耗 63,759.63 tce、费用 215,364,002.57 元、碳排 156,783.46 tCO₂。Q13 中四个间歇车间各有 58 个停产日，待机浪费费用合计 793,880.39 元；这是已有记录下的分析估算，不代表停产期间可全部消除的节能收益。

月度趋势图来自 Q05。

七个生产车间单位产品能耗同比下降 2.26%～3.88%；以 2024 年单耗为基线，估算 2025 年节能约 731 tce、毛收益约 247 万元。这些数字来自模拟数据的口径估算，不能直接换算成真实工厂收益。上述结果的取数与复核由拓端团队按 Q 系列结果与随包验收记录逐项核对，审计口径保留在验收记录目录。

流程为异常筛选 → 加载指标字典与 Q 系列结果 → 检索候选证据 → 模型选择证据 ID → 服务端校验 → 确定性生成陈述与引用 → 页面展示与审计。允许来源只有指标字典、SQL 结果、异常证据三类；

方法细节：工业能耗数据分析的 BRTR+E 提示词 与关键建模代码

本章结论：三段代码分别对应特征装配、滚动切折与证据约束，均按「背景／角色／任务／要求／举例」组织提示词，关键建模逻辑用 ...... 省略并注明省略内容，变量名、函数名与结构已全部重写，便于读者按自己的工程口径复现。

实验设置与训练：次日能耗预测的 11 折扩展窗口滚动验证

本章结论：训练窗只能包含截止日之前的数据，实测量统一滞后 1 天、滚动均值先 shift(1) 再 rolling，随机种子固定；这是避免离线虚高、上线失效的关键设置。

将明细聚合为车间日综合能耗，以 t 日能耗为目标。实测产量、温度、价格指数、低负荷与停产能源行占比均滞后 1 天；日历字段可在当天使用。能耗滞后取 1、7、14 天，滚动均值先 shift(1) 再 rolling。预热 28 天后，首折训练 365 天、测试 30 天，以 30 天步长扩展训练窗；11 个完整测试折，每折 240 条车间日，共 2,640 条/模型，尾部 8 天不计分。这属于观测前一天实际值后的滚动单步预测，不是一次性预测未来 30 天。

测试结果与对比：次日能耗预测四类模型的 MAE／RMSE 与逐折稳定性

本章结论：在同一份特征、同一套切分下，LightGBM 总体 MAE 0.4674 tce 较七日季节基线下降约 38.1%，但 LSTM 与 Transformer 在个别折更优，逐折稳定性比单一均值更值得参考。

四类模型在全测试行上的微平均误差如下，测试样本均为 2,640 条车间日：

模型	测试样本	MAE（tce）	RMSE（tce）
seasonal_naive_7d	2640	0.7550	1.3300
lightgbm	2640	0.4674	0.7750
lstm	2640	0.5213	0.8538
transformer	2640	0.5448	0.8415

LightGBM 在本数据和切分下总体 MAE 为 0.4674 tce，相比七日季节基线降低约 38.1%。这只是该误差的相对下降，不能据此宣称树模型在所有工业数据上都占优：LSTM 在部分折优于 LightGBM，Transformer 首折也更低。

逐折 MAE 图揭示的稳定性差异，比单个平均值更有参考价值；W04 部分测试区间的实际值与预测值贴合程度，则说明滚动单步预测在平稳段可用、在波动段仍会滞后。预测精度不能直接换算为节能收益，这一点在项目结论里写得很明确。

系统实现与落地：工业能耗数据分析的证据约束诊断工作台

本章结论：桌面与手机端截图来自本机隔离端口的实际运行，当前为离线证据检索模式；离线 4/4 与历史在线 5/5 分属两次评测，不能混算，也不把离线页面当作本次在线模型运行。

工作台在本机隔离端口启动，使用独立反馈数据库与审计目录；桌面与手机两张截图来自实际运行，当前为离线证据检索模式，覆盖筛选、趋势、引用、同期费用、反馈持久化和手机布局。历史在线结果单独呈现，不把离线页面当作本次在线模型运行。

固定用例包含待机费用引用、CUSUM 信号引用、未经证实的设备根因拒答、未知车间拒答、缺少检修记录的在线拒答。本次离线重新评测 4/4 通过，1 项在线专用用例跳过，模型调用 0 次。随项目保存的历史在线记录为 5/5 通过、3 次真实模型调用、总耗时 4.354 秒；另两项由本地守卫拒答。本次未读取密钥或重新调用付费模型，小样本通过率不能代表一般业务问答准确率。

用例	历史在线 provider	通过	引用数
grounded_standby_cost	configured_llm	True	1
reject_device_root_cause	offline_guarded	True	0
reject_unknown_workshop	offline_guarded	True	0
grounded_cusum_signal	configured_llm	True	7
online_refuse_missing_maintenance_record	configured_llm	True	0

四 功能运行截图

本次在本机隔离端口18016启动工作台，使用独立反馈数据库和审计目录；页面截图来自实际运行，当前为离线证据检索模式。验证覆盖筛选、趋势、引用、同期费用、反馈持久化和手机布局。历史在线结果单独呈现，不将离线页面当作本次在线模型运行。

图 实际诊断工作台 桌面展示

图 实际诊断工作台 手机展示

五 评测设计与运行结果

固定用例包含待机费用引用、CUSUM信号引用、未经证实的设备根因拒答、未知车间拒答、缺少检修记录的在线拒答。本次离线重新评测4/4通过，1项在线专用用例跳过，模型调用0次。随项目保存的历史在线记录为5/5通过、3次真实模型调用、总耗时4.354秒；另两项由本地守卫拒答。本次未读取密钥或重新调用付费模型。小样本通过率不能代表一般业务问答准确率。

图 固定案例通过率与调用边界

用例	历史在线provider	通过	引用数
grounded_standby_cost	configured_llm	True	1
reject_device_root_cause	offline_guarded	True	0
reject_unknown_workshop	offline_guarded	True	0
grounded_cusum_signal	configured_llm	True	7
online_refuse_missing_maintenance_record	configured_llm	True	0

七 应用效果与总结

应用形成了异常发现、证据核查、受约束回答和人工反馈的可追溯流程。对已有事实可展示记录，对缺少维护记录或设备故障依据的问题拒答，减少无来源推断。当前检索基于关键词和实体映射，复杂语义覆盖有限；本地界面未提供生产级身份认证；尚需扩大真实业务评测集、补齐维护事件与权限管理，再评估真实部署。

___

读到这里，可以把本章当成一份按步骤执行的检查单：先按第六部分的命令在解压副本里跑通离线守卫与工作台，再决定是否为在线模式配置接口，并用实际调用日志区分 provider 与调用次数。固定用例的通过率只覆盖已有评测集，迁移到自己的业务时应补齐维护事件标签、权限管理与更大规模的真实问句集；缺少依据的问题保持拒答，是这套应用最值得保留下来的约束。

结论与展望

本章结论：工业能耗数据分析的价值不在换一个更强的模型，而在把口径、时间先后与解释权三件事分别约束住；以下按原文的三组核心问题与三项技术创新逐条收束，并再次点明次日能耗预测的适用边界。

• 问题一：多能源记录单位混写、重复与生产状态差异导致绝对能耗不可比
• 解决方案：按业务键去重、异常单元格置空后分组插补，保留删除与修正证据，并把综合能耗、费用、碳排、单耗拆成四条独立口径。
• 问题二：异常信号容易被直接当成设备故障结论
• 解决方案：2σ、产量基线与 CUSUM 只作检测信号，缺少维护事件标签时不计算提前预警天数；问答侧用证据白名单与本地守卫拒答无依据的因果问题。
• 问题三：随机切分会让预测结果虚高，且大模型自由生成数值难以追溯
• 解决方案：11 折扩展窗口滚动验证并统一滞后 1 天，可见数值一律由服务端按受控记录生成，引用与处置历史留痕。

1. 把模拟原始数据、可追溯清洗、29 组 SQL 分析、滚动预测与可视化交付串成一条可复核链路；清洗前后行数、修正证据与产物哈希均可回溯，后续接真实计量数据时只需替换数据层。
2. 在同一份特征、同一套切分下给出四类模型的 MAE／RMSE 对照与逐折稳定性：LightGBM 0.4674 tce 相对七日季节基线下降约 38.1%，同时如实记录 LSTM、Transformer 在个别折更优，避免结论外推。
3. 用证据白名单把大模型限制在”选证据 ID”这一步，离线 4/4 用例通过、模型调用 0 次，历史在线 5/5 通过并保留 3 次真实调用日志，在线与离线口径严格区分，降低无来源推断带来的业务风险。

综合来看，次日能耗预测在 11 折扩展窗口滚动验证下给出 LightGBM MAE 0.4674 tce、较七日季节基线下降约 38.1% 的结果，但结论限定于本数据与切分；单耗异常检测的三类信号只负责提示「该去查记录」，因果结论仍须维护事件支撑。后续按原文给出的方向，接真实计量数据时只需替换数据层，并补齐维护事件标签、权限管理与更大规模的真实问句集，再评估真实部署效果。完整代码、数据、8 张图表与配套的对话式 AI Agent、可复用 skill 随原文提供，便于按同一口径复核。

常见问题 FAQ：工业能耗数据分析与次日能耗预测的 12 个高频疑问

本章承接原文「导师答辩高频提问与标准答案」，并把分散在正文里的口径、边界与复现方法集中成可检索的问答；答案只使用原文已有事实。

参考文献与延伸阅读

1. 相关文章《Python用Transformer、SARIMAX、RNN、LSTM、Prophet时间序列预测对比分析用电量、零售销售、公共安全、交通事故数据》，原文链接 https://tecdat.cn/?p=42219 ，见下节。

___

附录：工业能耗数据分析项目目录结构与流程图

工业能耗项目提交材料/├── 01_提交说明.md├── 02_数据挖掘项目报告.html├── 03_AI应用项目报告.html├── 图表与截图/│   ├── 01_车间能耗.png           # Q03 车间能耗排序│   ├── 02_月度趋势.png           # Q05 月度趋势│   ├── 03_模型误差.png           # 全测试行微平均误差│   ├── 04_逐折误差.png           # 每折 MAE│   ├── 05_预测曲线.png           # W04 实际与预测│   ├── 06_问答评测.png           # 固定案例通过率│   ├── 07_诊断桌面.png           # 工作台桌面视图│   └── 08_诊断手机.png           # 工作台手机视图├── 项目代码/│   ├── data/raw_energy_data.csv│   ├── src/clean_data.py         # 可追溯清洗│   ├── src/import_mysql.py       # 星型模型入库│   ├── src/api.py / diagnostics.py│   ├── src/diagnostics.html / diagnostics.js│   ├── sql/create_table.sql / analysis.sql│   ├── ml/feature_pipeline.py    # 特征装配│   ├── ml/rolling_validation.py  # 时序切折│   ├── ml/model_benchmark.py     # LightGBM 逐折训练│   ├── ml/deep_benchmark.py      # LSTM / Transformer 对照│   ├── ml/attribution_assistant.py  # 证据白名单与引用生成│   ├── ml/evaluate_attribution.py   # 固定用例评测│   ├── governance/               # 指标口径与报告交付│   ├── output/Q01_Q29_*.csv      # 29 组分析结果│   ├── output/ml_features.csv    # 5,848 条车间日特征│   ├── output/ml_*_predictions.csv│   ├── docs/                     # 指标字典、复盘与完整说明│   └── tests/                    # 回归与端到端校验

作者声明

作者系工业能耗数据分析与时序建模方向分析师，长期从事数据治理与预测建模落地工作。

术语表

单耗（unit_use）

单位产品能耗，生产车间能耗除以产量；停产或无产量时不计算。

折标系数

各能源品种折算为标准煤的系数，用于把不同物理单位的能源统一为综合能耗 tce。

2σ 检测

以均值±2 倍标准差为阈值的统计异常检测信号，只提示异常、不作故障真值。

CUSUM

累积和控制图，对微小持续偏移敏感的检测信号；同样只作检测、不作根因结论。

LightGBM

梯度提升决策树模型，训练快、精度高，本数据下次日能耗预测 MAE 0.4674 tce。

扩展窗口滚动验证

训练窗随测试折扩展、按时间顺序切分的样本外验证，避免随机切分导致的虚高。

evidence_id 证据白名单

受控证据条目，问答侧大模型只能在候选证据中选 ID，数值由服务端按受控记录生成。

MAE / RMSE

平均绝对误差与均方根误差，本评测在 2,640 条车间日测试样本上微平均计算。