硅材料作为光伏产业、电子产业重要的基础材料,在某种意义上来说,硅材料是新能源领域的战略资源。还原炉作为多晶硅生产的主要设备,其生产过程中的还原工序能耗占到了70%。在绿色制造、低碳制造的背景下,如何减少还原炉的能耗越来越成为关注的重点,而还原工序是一个复杂的、动态的过程。因此有必要探究能耗和影响因素之间的关系,建立能耗预测模型,保障供需平衡、减少资源浪费,为企业的决策提供支持。本文以多晶硅生产中还原工序为对象,分析了能耗影响因素和能耗数据,并针对还原工序能耗影响因素复杂、非线性、传统预测方法准确度低等问题,在能耗数据聚类、剔除异常数据点的基础上,提出了基于改进LSTM长短期记忆神经网络的能耗预测模型。其次开发了基于微服务的能耗预测模块,并将预测模块集成到能源管理系统。本文主要内容如下:(1)针对还原炉结构复杂,还原过程能耗高等问题,本文分析了还原炉的结构、工作原理和耗能特性,揭示了还原炉能耗的影响因素和周期性特点,形成了多晶硅还原工序能耗影响因素特征集。(2)还原工序能耗数据分析。由于实际生产情况复杂,设备故障、采集程序传输的波动等情况会造成还原工序能耗数据存在冗余、异常值,采用合理的方式检测异常数据一方面可以帮助决策者发现异常情况,另一方面提高还原工序能耗预测模型的准确性。在GRA-PCA算法分析能耗影响因素的基础上,本文提出了一种基于近邻传播聚类和局部异常因子相结合的方法对能耗数据进行聚类分析。(3)建立预测模型。本文提出了改进的LSTM神经网络能耗预测模型,通过分析不同优化方法,选择Adam算法来训练神经网络模型,并引入Adaboost提升算法不断调节模型的权重,得到强化的网络模型,最后构建预测模型实现还原工序的能耗预测。为了验证预测结果的有效性,本文比较了BP神经网络和长短期记忆神经网络两种建模方法。结果表明改进后的LSTM模型预测准确度最高。(4)建立能源需求预测模型库。在能源管理系统中构建了基于微服务的能耗预测模块,借助于Java API将训练好的预测模型嵌入到系统中,并在企业生产中进行初步应用。