CN107274300A - 能量管理系统及方法 - Google Patents

Abstract

本公开涉及能量管理系统及方法。用于能量管理的方法包括以下步骤：在时间段期间收集数据；识别数据内的数据集群；对该时间段中的数据集群进行分类；对数据集群进行分析；以及将分类分配给该时间段。实时数据可以与调度的性能进行比较。在能量被低效地使用的情况下，实时通知可被提供给用户。可以对站点内的仪表的能量效率进行排名以识别其中能量被低效地使用的仪表。还提供了用于执行本公开的方法的系统。

Description

能量管理系统及方法

技术领域

本公开的方面和实施例大体上涉及任何建筑物或过程(诸如任何商业、工业或机构设施)内的能量管理的评估。

公开背景

当前能量消耗分析集中于每日值，例如一天的测量消耗值，诸如总和、最大值、最小值、平均值或中值。最小值有时被错误地称为基本负荷，而被更好地称为恒定的24小时值，因为它是最小值，其也是日常能量消耗的不变部分。最大值影响能量使用的年成本。总和或平均值(以及不太频繁的中值)用于计算，例如用于在合计仪表或主仪表每天的用量的报告中的计算。

一天的最小和最大能量消耗值提供关于极值而不是在整个给定的一天的不同的能量消耗水平的间隔的信息。类似地，总和、平均值和中值是聚合值，并且因此不包含关于整个给定的一天的不同能量消耗水平的间隔的详细信息。

公开概述

在本公开的一个方面，用于能量管理的方法包括使用一个或多个能量消耗仪表来在一个时间段期间收集站点的能量消耗数据；识别能量消耗数据内的数据集群，该数据集群指示站点处的能量消耗的状态；将该时间段内的数据集群进行分类；对数据集群进行分析；以及将多个能量消耗分类中的一个分配给该时间段。

在一些实施例中，时间段被分类为开放日、24小时开放日或24小时关闭日。

在一些实施例中，该方法包括关于该时间段期间的实际能量消耗将时间段识别为正常时间段或异常时间段。

在一些实施例中，该方法包括响应于对异常时间段的识别，控制至少一个设备以管理能量消耗。

在一些实施例中，该方法包括向用户提供至少一个建议以提高站点的能量消耗效率。

在一些实施例中，该方法包括提供关于该时间段的期望的能量使用和期望的分类；将实际能量使用与期望的能量使用进行比较；以及将分配给该时间段的能量消耗分类与期望的分类进行比较。

在一些实施例中，该方法包括执行自学习和连续自适应过程，以用于学习站点的正常能量消耗模式。

在一些实施例中，该方法包括提供多个仪表；对从每个仪表收集的数据进行分析；根据能量管理效率来对仪表进行排名；将仪表排名通知给用户。

在一些实施例中，该方法包括识别与正常运行时间对应的第一数据集群；识别与正常关闭时间对应的第二数据集群；计算第一数据集群的第一平均能量消耗值和第二数据集群的第二平均能量消耗值；以及计算第一平均能量消耗值与第二平均能量消耗值的比率。

在一些实施例中，该方法包括如果第一平均能量消耗值与第二平均能量消耗值的比率低于临界比值，则通知用户。

在一些实施例中，该方法包括识别与在正常运行时间和正常关闭时间之间转变的能量消耗对应的数据集群；计算数据集群的斜率；以及如果斜率低于临界斜率，则通知用户。

在本公开的另一方面，用于能量管理的系统包括至少一个能量消耗仪表；控制器，其具有处理器和存储器组件。控制器与至少一个能量消耗仪表通信。处理器被配置为使用至少一个能量消耗仪表来在一个时间段期间收集站点的能量消耗数据；识别能量消耗数据内的数据集群，该数据集群指示站点处的能量消耗的状态；将该时间段内的数据集群进行分类；对数据集群进行分析；以及将多个能量消耗分类中的一个分配给该时间段。

在系统的一些实施例中，处理器还被配置为将该时间段分类为开放日、24小时开放日或24小时关闭日。

在系统的一些实施例中，处理器被配置为关于该时间段期间的实际能量消耗将时间段识别为正常时间段或异常时间段。

在系统的一些实施例中，处理器还被配置为响应于对异常时间段的识别，控制至少一个设备以实时地管理能量消耗。

在系统的一些实施例中，处理器还被配置为向用户提供建议以提高站点的能量消耗效率。

在系统的一些实施例中，处理器还被配置为提供关于该时间段的期望的能量使用和期望的分类；将实际的能量使用与期望的能量使用进行比较；以及将分配给时间段的能量消耗分类与期望的分类进行比较。

在系统的一些实施例中，处理器还被配置为执行自学习过程，以用于学习站点的正常能量消耗模式。

在系统的一些实施例中，处理器被配置为对从每个仪表收集的相应数据进行分析；根据能量效率来对仪表进行排名；以及将仪表排名通知给用户。

在系统的一些实施例中，处理器被配置为识别与正常运行时间对应的第一数据集群；识别与正常关闭时间对应的第二数据集群；计算第一数据集群的第一平均能量消耗值和第二数据集群的第二平均能量消耗值；以及计算第一平均能量消耗值与第二平均能量消耗值的比率。

在系统的一些实施例中，处理器还被配置为识别作为异常能量消耗的主要贡献者的能量消耗仪表。

附图简述

附图不旨在按比例绘制。在附图中，在各图中示出的每个相同的或几乎相同的组件由相同的数字表示。为了清楚起见，并不是每一个组件都可以被标记在每个附图中。在附图中：

图1是本公开的系统的一个实施例的示意图；

图2是本公开的方法的实施例的流程图；

图3是示出在站点处一周内的能量使用随时间变化的图表；

图3A是示出在站点处一周内的能量使用随时间变化的图表，其中水平虚线示出用于限定数据点的类别的示例阈值；

图4是本公开的方法的实施例的过程的流程图，以图示对意外的全局行为(通常“关闭日”被“开放”)的检测；

图5是本公开的方法的实施例的另一过程的流程图，以图示步骤12至16的一个可能的替代(使用手动调度作为任何学习方法或算法的输入)；

图6是本公开的方法的实施例的另一过程的流程图，以图示动态建模(其中反馈回路显示模型的每日或实时更新)；

图7是示出能量使用随时间变化的图表；

图8是本公开的方法的实施例的另一过程的流程图；

图9-14示出根据性能度量的仪表的排名的示例图表；以及

图15是可以在其上实现本公开的各种实施例的系统的框图。

公开的详细描述

本文所讨论的方法和系统的示例并不将其应用限于下面描述中阐述的或者在附图中示出的组件的结构和布置的细节。该方法和系统能够在其他实施例中实现或以各种方式被实践或执行。本文提供的具体实施的示例仅用于说明性目的且并不旨在限制。特别地，结合任何一个或者多个示例论述的动作、组件、元素以及特征并不旨在排除任何其他的示例中的类似作用。

另外，本文所用的措辞和术语也是出于描述的目的，并且不应被视为具有限制性。对本文中以单数形式提到的系统和方法的示例、实施例、组件、元素或者动作的任何引用也可以涵盖包括复数的实施例，以及本文中以复数形式对任何实施例、组件、元素或者动作的任何引用也可以涵盖只包括单数的实施例。以单数形式或者复数形式的引用并不旨在限制目前公开的系统或者方法、它们的组件、动作或者元素。本文使用的“包括(including)”、“包含(comprising)”或“具有(having)”、“含有(containing)”、“涉及(involving)”及其变型是指包括其后列举的项目及其等价物以及额外的项目。“或”的引用可被解释为包含性的，使得使用“或”所描述的任何术语可以指示所描述的术语的单个、多于一个以及全部中的任何一种。此外，在本文档和通过引用合并到本文中的文档之间的术语的使用不一致的情况下，在被合并的参考资料中的术语用法是对本文档的术语用法的补充；对于不可调和的不一致性，以本文档中的术语用法为准。

本公开大体上涉及分析站点的能量消耗数据并采取动作来提高该站点的能量效率。

需要提供被定位到设施、设施中的建筑物、建筑物内的楼层和/或另一计量的站点的准确的、实时和/或历史能量消耗数据。本公开提供了用于检测和警告设备或器件(诸如供热、通风与空气调节(HVAC)系统)是否在其应当已经关闭时被保持运行的方法和系统。本公开还提供了用于识别是否存在在给定的一天引起异常能量消耗的因素的方法和系统。本公开提供了用于向用户提供提高能量消耗效率的可操作的建议的方法和系统。在实施例中，方法和系统包括站点中的多个仪表，其允许用户看到哪个被计量的设备或设备组需要能量效率改进或校正动作。本公开提供了用于对过程或建筑物或其特定组件中的一个(例如，在一年内跟随外部日光时间而改变的特定楼层上的灯)的正常能量消耗(或功率消耗)行为动态建模的方法。

本公开的方法可以在经由网络连接的组件(诸如能量仪表)的系统上实现。在图1中，控制器110包括处理器112和存储器组件114，并且处理器112被配置用于执行本文所述的过程中的一个或多个。控制器110被连接到网络116。能量使用仪表118A、118B、118C与网络进行通信并且可通过网络116与控制器110通信。在一些实施例中可以提供多于或少于三个能量使用仪表。能量使用仪表118A、118B、118C收集关于站点的能量使用数据(例如，每个能量使用仪表从位于站点中的相应设备126A、126B、126C收集能量使用数据)并且通过网络将数据传输到控制器110。设备126A、126B、126C可以通过网络116与控制器110进行通信并且可以由从控制器110传输的一个或多个信号控制。计算机或另一电子设备120可以与网络进行通信，并且具有允许用户122查看由本公开的方法的过程提供的信息的用户界面。控制器124被连接到网络116。如所示，控制器包括处理器112和存储器组件114。为了管理设备126A、126B、126C的能量消耗，计算机120包括允许用户向控制器发送命令以影响这些设备的操作(例如，关闭这些设备、降低其能量消耗等)的用户界面。在一些实施例中，基于所接收的且分析的数据，控制器可以采取动作来控制一个或多个设备。

另一实施例可以基于可被用作系统的输入的公用事业设施间隔数据测量来建立。这可手动地(例如利用CSV(逗号分隔值)文件)或经由云计算连接或者(如果连接到公用事业设施)自动地实现。

另一实施例可以通过连接到任何现有的能量测量系统(诸如现有的建筑物管理系统)中来附加地部署系统或者将系统部署为元控制器。

本公开的系统通过将能量消耗数据的集群分配给若干每日配置文件(profile)元素中的一个且然后基于存在的配置文件元素的组合对设施的日常操作模式进行分类来使能量消耗数据的解释自动化。该系统在基线周期(诸如2周周期)内学习当前的日常操作模式并且可以在某些事情改变(诸如一天内的一组配置文件元素的不同开始/停止时间或在周末与预期不同的设施操作模式)时生成通知。然后，系统动态地(诸如每日或利用每个新的数据点或任何其他相关的刷新时间)更新模型，检测和调整其对接收的新数据的参考，并且因此能够检测任何新的行为。模型不断地学习并且调整自己。新的配置文件可能成为任何给定的一天或时间段的新的正常参考。因此，季节性能量消耗配置文件(季节性)在连续模式下反映在模型中。因此，所有变化都将被检测，并触发分析以定义它们是否出界(异常)以及是否需要触发警报或者它们是否是“同类最佳(best in class)”。

图2提供了可由本公开的系统执行的本公开的方法10的一个实施例的流程图。在块12，能量消耗数据例如从一个或多个能量使用仪表118A、118B、118C收集。能量使用仪表可以用于整个设施、设施中的建筑物、设施中的楼层或另一计量的区域。它可专用于特定类型的使用，诸如HVAC或照明，或者其可以是使用的混合。优选地，在设施内存在多个仪表118A、118B、118C，其中每个仪表测量设施的相应计量区域中的能量消耗或者测量相应类型的使用的能量消耗。能量消耗数据经由耦合到控制器110的有线或无线网络116来传输。在块14，能量使用信号被分解成与使用的每日时间间隔和在该使用时间期间的能量消耗对应的数据。这提供了一整天的离散间隔处的能量使用信息，而不是该给定的一天的能量使用的平均值或中值。能量使用数据示出了在给定的一天期间以及在一系列的天、周或另一时间段内的运行时间期间和/或关闭时间期间的能量使用。

在块16，通过系统来对该能量使用站点(诸如建筑物、建筑物内的楼层或另一站点)的正常行为进行建模。一旦该能量使用站点的正常行为是已知的，则系统在块18设置警报级别，该警报级别与对应于能量的异常过度消耗的能量使用相对应。可替代地或此外，在块20，根据该能量使用站点的测量的最佳天或者根据行业内的最佳实践或其他相关标准，系统可以确定能够实际上实现的最佳行为。在块22，实际的能量消耗与警报级别和/或最佳能量使用行为进行比较。在块24，系统向用户提供明确的可操作建议以提高能量使用效率。如果系统检测到较长的开放时间，则系统通知用户检查这是否由于不寻常的工作调度或事件(例如，储备、再充填或维护操作)，以及/或者通知用户检查这是否由于过程的不想要的改变(例如，对设置的错误更改、维护没有重新启动自动化并且使设备“强制开启”)。如果系统在开放时间期间检测到较高的消耗，则系统检查温度设定点是否已经改变，系统检查HVAC单元是否具有性能问题等。此外，在一些实施例中，控制器可以控制设备中的一个或另一设备以改变站点的能量使用。

在一个实施例中，在块14，使用自动配置文件识别来将每个时间段划分成有意义的数据点组。

每天可被切分成两个或三个(或更多个)元操作模式30、32、34。图3示出了在站点处从星期一到星期日运行的一周的时间段内的能量消耗数据。每个数据点36表示在给定时间的站点处的能量使用。站点可以是建筑物、建筑物内的楼层、楼层内的房间或其中正在消耗能量的另一站点。基本负荷期可被分类为“全关”模式(或“全关”元类别)30。全关模式并不一定意味着设施中的所有设备关闭，而是全关模式用作在诸如办公楼中的周末或所有夜晚或者在当工业设施关闭时的假日或银行假日的时间期间的站点处能量消耗的基线标准。第二分类是“全开”模式32，其对应于当建筑物或设施完全运行时。“全开”模式32的时间是当占用者存在、访问者出入、典型办公时间或学生在校园内时的时间。第三分类是“斜上升或下降”模式34，其对应于诸如当用户还没有出现但加热或冷却已经开始达到预期的舒适程度的时期(斜上升期)或者当加热或冷却关闭或当用户离开且关闭灯时的时期(斜下降期)。图3示出了这些元类别(或模式)30、32、34中的每一个中的多个能量使用数据点36。

每隔一定在有规律的间隔处收集能量使用数据点36，该间隔可根据用户偏好或系统能力来设置。收集数据点36的时间间隔是足够小的，使得站点处的能量使用的行为由图3的图捕获。在一个实施例中，能量使用数据在一些实施例中在有规律的间隔处收集，或者在其他实施例中可作为实时连续数据被收集。在一些实施例中，以1分钟间隔、6分钟间隔、10分钟间隔、15分钟间隔、30分钟间隔或为该站点定义的任何其他时间间隔处记录能量使用数据。

在系统中，每个日常数据值36被分配给定义的元操作模式30、32、34。因此，数据值可以属于“全开”模式32、“全关”模式30、“斜上升/下降”模式34。

在一个实施例中，系统创建七个类别，这些类别在能量使用管理方面是有意义的，以将每天与其他天进行比较，并且在异常能量使用行为的情况下或者当潜在的能量节省或最佳实践可被应用时提供自动建议。这些类别是用于创建元类别的基础。这些类别使系统能够确定每个元类别的正常值和异常值。例如，类别7向我们示出了该特定站点和仪表以及在该特定时期季节和星期几的异常高(峰值)的数据点。

图3示出了作为元类别30、32、34的组成的七个类别。每个类别每天被自动计算。这些类别是能量消耗轴上的值的区段(bins)(“使用”可以是每个数据间隔的平均值或总和、可以是kW或kWh)。图3A示出了示例阈值61A、61B、61C、61D、61E、61F。这六个阈值使七个类别分隔开。类别1具有阈值61A，在阈值61A之上，数据点将被分类为类别2(CAT 2)。类别2、3、4、5和6中的每一个具有上阈值和下阈值。类别7(CAT 7)是为类别6的上阈值61F以上的所有数据点而定义的。这些类别在每次模型更新时(诸如每日或每次新的读数/测量的实时)进行调整，以便适应缓慢变化或检测突然变化。类别1跨越包括图3中的数据点36的集群40的功率消耗范围。类别1包括给定的一天中的异常低的功率消耗值。类别2跨越包括图3中的数据点36的集群31的功率消耗范围。类别2包括正常的“全关”功率消耗数据点。类别1和类别2是组成关闭时间30元类别的数据点36的类别。

类别3跨越包括图3中的数据点36的集群37的功率消耗范围。类别3是组成斜上升/下降34元类别的数据点36的类别。

类别4、类别5、类别6和类别7组成给定的一天中的运行时间32元类别。类别4包括数据点36的集群38。类别5包括数据点的集群35。类别6包括数据点的集群33。阈值线61E将类别5与类别6分隔开。类别7跨越包括图3中的数据点36的集群39的功率消耗范围。类别7包括给定的一天中的异常高(异常峰值)能量消耗值。

在一个实施例中，系统基于该站点的能量消耗配置文件将类别分配给功率消耗数据点36的集群。类别4是数据点36的中间类别，该中间类别在某些情况下能够被分配给斜上升/下降34元类别。例如，如果在斜上升或斜下降数据点内存在两个不同的操作模式，则使用类别3和类别4两者来表示斜上升/下降34元类别中的数据点36是有用的。类别4是灵活或“浮动”类别，其可以根据需要而与运行时间32元类别或斜上升/下降34元类别有关。例如，类别4可以对应于在每晚结束时的三个小时内的峰值负荷的50％处的预热模式或预冷模式。在类别4被包括在具有类别3的斜上升/下降34元类别中的情况下，运行时间(“全开”)32元类别仅包括类别5、类别6和类别7。

在可由系统执行的方法10中，识别典型的能量使用配置文件。首先，存在开放日，其通常表现三种类型的运行模式的混合：“全开”模式32、“全关”模式30和“斜上升/下降”模式34，如图3所示。例如，在办公室，每周的工作日是开放日50。其次，存在24小时关闭日52，在该24小时关闭日52，仅存在“全关”模式30(可能具有在“斜上升/下降”模式34中的一些界外值)。例如，当整个设施关闭两周时的假日是一组24小时关闭日。第三，存在24小时开放日54，如图7所示，在该24小时开放日54，仅存在“全开”模式(可能具有在星期一到星期四的“斜上升/下降”模式中的一些界外值)。例如，校园内的数据中心设施通常展示24开放日。在图3中，星期一至星期五的每一天被标记为开放日50，而星期六和星期日各自被标记为24小时关闭日52。

本公开的方法和系统中的至少一些实时运行，该方法和系统可以自动地将每个数据点分类成类别并且将设施的操作的每一天分类成上面的日分类50、52、54中的一个。也就是说，每天可以被实时地分类为“开放日”50、“24小时开放日”54或“24小时关闭日”52。

在一个实施例中，自动调度比较工具通过控制器来实现。展示工具的操作的流程图360在图4中示出。使用该工具，用户输入设施的调度，该调度在图4中的块60识别意图在“开放日”、“24小时开放日”和“24小时关闭日”分类中的那些天。它还确定在“关断”模式下应花费多少时间。在块62，系统例如从能量消耗仪表收集能量消耗数据。收集的步骤可包括上传能量消耗数据。然后在块64，工具实时地对天进行分类并且自动地检查设施的能量消耗数据是否与预期的用户调度一致。在块66，该方法自动地检测与设施的正常运行能量消耗行为相比的全局异常行为。这可以基于由图2的块16产生的正常能量使用模型。例如，该方法检测站点是否在预期是“24小时关闭日”期间未被关“断”。

图5示出了用于将所有数据点分配给类别的替代过程370。这是块12、14和16的替代。块70、72和74表示块12和14的替代。块76是块16的替代。在一些实施例中，系统在图5中的块70使用手动输入的开放时间和关闭时间的调度作为块74处的监督学习方法或过程的输入。系统基于块74和在块72处从能量仪表收集的能量消耗数据来确定开放时间和关闭时间的典型能量消耗。方法识别什么是真实的运行时间与调度的开放时间。

在块76，系统使用基于使用中值和标准偏差的统计分析的简单方法，或者使用稍微更高级的方法，诸如聚类、相关性、协方差等。以这种方式，方法识别三种主要的操作模式，上面的讨论中被称为元类别：运行时间(“全开”模式)32、关闭时间(“全关”模式)30和“斜上升/下降”模式34的中间值。

例如，系统使用块76的统计分析作为基于四分位或十分位的数据分组的统计分析方法的输入。使用统计分析，系统基于最小和最大能量消耗值作为起始点来确定能量使用数据点的上集群和下集群。然后，系统将数据分组成十分位类别。例如，系统将较低的三个十分位数分组成一组且将较高的三个十分位数分组成另一组。然后，系统对信号进行分析并分解操作模式。

这不是方法/解决方案的限制性列表。这些示例作为例证被给出，以示出在每种情况下，方法针对同一目标：将开放时间和关闭时间之间的能量消耗信号以及斜上升或斜下降类别进行分解。

图5示出了将每个数据点分配给类别的替代方式。最小(Min)值可用于建立高于该最小值的“隧道”或带，以试图在机械上和统计上仿真聚类以创建在关闭时间元类别中的类别1和类别2的等价物。

可替代地，信号处理、时间序列分析和特征提取可用于定义一系列的平坦的数据点、最低的数据点、表示峰值的数据点，以及定义表示斜上升或斜下降时期的一系列的数据点，并且可用于确定一系列的数据点的角度。

在本公开的另一方面，方法和系统的一个实施例包括自动的自学习和自调整机制以适应变化。图6示出了自学习或自调整过程380，其中在块80，用户定义学习期；在块82，系统(例如，从能量仪表)收集能量消耗数据；在块84，系统学习该计量的站点的“正常”能量消耗行为；以及在学习期结束后，系统在块86将该计量的站点的实时能量消耗数据与学习的“正常”能量消耗行为进行比较。在一些实施例中，图6的自学习过程对于创建图2的块16处的模型是有用的。图6中的从块86到块82的反馈可以是(例如，实时或任何相关的时间段或者响应于触发的)定期更新。

能量消耗根据许多不同的驱动器和约束(诸如外部温度、预期的内部温度、所使用的房间数量、占用者或访问者的数量、所服务的餐具的数量以及其他因素)而变化。另外，能量消耗受到结构性因素的影响，诸如建筑物的年限、建筑物的大小、建筑物的位置、建筑物的温度惯性、所使用的绝缘材料、照明类型、建筑物的楼层数量以及其他结构性因素。

在一些实施例中，系统将确定通用能量管理性能指标。这是考察能量性能的新方式：，前后一致地检查站点或楼层(或被计量的任何东西)从能量角度被管理。这与“基准”站点的性能与类似的其他建筑物或过程非常不同(并且互补和更具操作性)。下面的解释是该新方法的一个实施例。

系统实现自学习过程，其使用学习期来定义每个类别(全开、全关、斜上升/下降)中的建筑物的典型行为。在块80，学习期可由用户来设置或者可基于变化的稳定性来自我计算。当平均值和标准偏差对于每个类别是相当稳定(即使存在这些天的不同的配置文件)时，系统可以认为学习期成功。这可以在一个站点和另一站点之间变化，因为一些站点每周7天开放，具有非常类似的天(每天相同的开放时间)并且非常清晰地定义过程和例程。在这些站点中，由于变化被减少到异常，因此学习将是快速的。其他站点可以不断地适应特定用途，诸如体育中心。在这种情况下，可能需要更长的时间段来定义什么是相关的。以及可能需要自动概要分析(auto-profiling)来将这些天分组成更均匀的组。

在块84，自学习过程使用能量消耗统计例如(如，用于建筑物、建筑物的楼层或另一计量的区域的)每个仪表的典型平均值和典型标准偏差来定义典型行为。在块86，系统不将计量的区域的能量消耗与全局绝对能量消耗值进行比较，而是与由该方法在学习期学习的“正常行为”进行比较。

除了初始的自学习特征外，系统利用在学习时间段期间和之后操作的自调整或自适应机制。

学习时间段可以由用户设置或者可以是自动计算的学习时间段，以优化系统的学习。学习时间段的持续时间应当被设置成使得系统尽可能快地学习和适应，同时确保在该时间段期间在能量消耗中存在足够的一致性，使得系统观察和学习该计量的区域的“正常”能量消耗行为。该过程存在记忆方面，因为它自调整且自适应以随着时间保持一致性。该过程的自调整机制在图6中示出，其中块86以迭代反馈回路循环回到块82。该回路可以是实时的(由所接收/测量的每个新的数据点触发)或者在任何其他相关的时间间隔。(可能的触发间隔的示例：每小时、每日、每周)

在本公开的另一实施例中，系统自动地定义每个站点的相关集群的数量。

一些仪表或站点可以仅表现“开”或“关”能量消耗。例如，这可以是具有分表的站点的情况，其中只有单件装备耦合到分表。在一些站点中，电流/电力变压器可能是低质量或不适合足够的精度或预期的负载的，因此它们可能提供错误的能量消耗数据。

一些仪表可能表现两个元类别而没有斜上升/下降或近似没有斜上升/下降值。其他仪表可能表现三个元类别、四个元类别或更多的元类别。

数据集群指示站点处的能量使用的状态。例如，数据集群可以指示其中能量使用是相对恒定、大体上增加或大体上降低的时间段。对于许多仪表，能量消耗行为的更好的统计表示可以通过增加的数据集群的数量或者有时仅通过2个集群来实现。本文中的讨论在六个组之间进行区分：2个集群组、3个集群组、4个集群组、5个集群组、6个集群组和7个集群组。

最佳的集群数量可以由系统自动地确定为系统中全局设置的或逐个站点设置的参数。或者，这可以是另一实施例中的全局设置或逐个站点设置的手动参数。

3个集群的行为是常见的并且以上关于图3论述，其中存在“全开”模式、“全关”模式和“斜上升/下降”模式。

2个集群的行为是3个集群的行为的简化版本。它反映了仅存在两个模式：“全开”32和“全关”30，而没有“斜上升/下降”模式，如图7所示。这种情况的示例是没有加热/冷却系统的大型储存建筑物。相反，只有灯被同时打开或关闭。因此，站点仅具有两个有意义的操作模式。该站点处的能量消耗数据的聚类和分类反映了这个。

由于灯比预期更早或更晚地打开或关闭，因此能量消耗中的仅有的变化出现在“开”或“关”模式间隔的开始和结束处。该信息可能在统计术语中不是有意义的，在商业术语中也不是有意义的。在这种情况下，根据本公开的方法的实施例中的一个，在仅有“开”或“关”模式的站点处存在五种类别的能量消耗数据。第一类别(类别1)是低于类别2的所有数据点。类别2是“全关”模式。类别4是类别2和类别6之间的数据点。类别6是“全开”模式。类别7是高于类别6的数据点。在2个集群行为的情况下，不需要类别3和5。

对4个集群的行为的分析类似于对2个集群的行为的分析，但对4个集群的分析利用类别3和类别5。类别1低于类别2。类别2是“全关”模式。类别6是“全开”模式。类别7高于类别6。

斜上升/下降模式是高于“全关”类别的类别。这被计算并且取决于检测到的操作模式。如果类别2是“关闭时间”，则类别3是斜上升/下降。如果存在两个关闭模式，则类别3是第二关闭模式且类别4是斜上升/下降模式。

对5个集群行为的分析。类别1低于最低集群且类别7高于最高集群。类别2是最低(第一)集群。类别3是第二集群。类别4是第三集群。类别5是第四集群且类别6是最高集群。

对6个集群行为和7个集群行为的分析类似于对4个集群行为的分析的逻辑，具有浮动的斜上升/下降元类别。

如果需要，所使用的类别的数量能够增加至8或9个类别。例如，将存在用于每个集群的类别、用于高于最高集群的数据点的类别、用于低于最低集群的数据点的类别以及用于在四个集群之间的三个相应间隙中的每一个中的数据点的三个类别。

在本公开的另一方面，系统基于站点的使用行为来将有意义的元类别分配给数据。在一个示例中，类别2可以是基线“全关”模式，且类别1可低于类别2。在该示例中，类别3是“斜上升/下降”模式，且类别4、5、6和7对应于运行时间。

在另一实施例中，在运行时间对应于“全开”模式的情况下，在运行时间中可能存在很小的变化。在该示例中，使类别6对应于“全开”且类别7对应于高于“全开”模式的数据可能是有用的。类别5将是“斜上升/下降”模式，而类别1、2、3和4将对应于关闭时间。在关闭时间的能量消耗中存在变化的情况下，例如在存在逐步关闭过程的情况下，这将是特别有用的。

在一些实施例中，本公开的方法检查能量使用以查看哪种方法是最佳的。在过程检测到存在逐步关闭过程并且在过程检测到运行时间期间使用中的变化很小的情况下，该过程警告用户这是这种情况和/或改变过程的规则以适当地定义类别。

在本公开的另一实施例中，系统在图8的过程390中使用元类别来定义站点配置文件。该方法在图8中的块90确定天的类型并且确定在每个元类别中花费的时间。在块92，系统确定哪些天是“开放”、“24小时开放”和“24小时关闭”。系统确定一周每天的开放时间的持续时间、一周每天的关闭时间的持续时间、一周每天的斜上升时间的持续时间和一周每天的斜下降时间的持续时间。

然后在块94，系统使用每日配置文件来对站点进行概要分析。这可用于块64中的日分类。例如，对于其中所有天都被识别为24小时开放日的站点，该站点可被分析为始终运行的站点。

在块96，系统针对每种类型的天确定所有相关的配置文件(例如，季节性加热工作日、冷却工作日、春季、独特异常高等)。在块98，系统基于总体配置文件来对站点分类。例如，系统创建所有配置文件中的配置文件并计算每个配置文件中的天数。

在本公开的另一实施例中，系统在每日阈值和每日平均值之间进行区分并且定义每类别和元类别的实际使用。

阈值分析可能有助于识别趋势、配置文件、季节性。典型的阈值将是当从类别2(cat 2)移动到类别3(cat 3)时，因为这是当从关闭元类别移动到斜上升和下降元类别时。然后，系统使用每个类别的平均值并且也使用每个元操作模式的平均值，以查找每日配置文件的变化。例如，系统可确定在“关”时间期间哪些天具有较低的平均能量消耗。

在本公开的另一实施例中，系统使用元类别来定义和分类每日配置文件。通过使用每元类别的实际使用，系统将天分类成等效配置文件或者识别新的配置文件以对每天进行分类。系统可以找到与“正常开放日”的季节相关的配置文件。例如，商店可以在一整年中的星期日具有不同的配置文件。在夏季期间(例如，六月和八月之间)，商店可以被检测到开放10个小时。在四月和夏季的开始之间，同一个商店可能仅在上午时间开放。在一年的余下时间，商店在星期日关闭。

在本公开的另一实施例中，系统自动地检测和命名每日配置文件。系统识别能量消耗的经常性行为和模式，诸如加热或冷却季节性配置文件，或诸如“具有异常行为的单日”。系统可包括用于诸如站点、站点中的建筑物、建筑物中的楼层、开放空间或制造空间的各种空间的数据。系统还可以包括用于诸如照明、加热、冷却、机器、IT空间等的不同能量消耗类型的数据。数据可被分成相关的时间段。本公开的系统提供有意义的能量管理信号和配置文件。这些信号和配置文件有助于解释能量消耗行为和能量消耗行为建模以及对可操作建议的定义是有用的。因此，请求这些配置文件以用于丰富分析是可能的。(用于说明目的的示例，其不是限制性：关于配置文件的温度回归、特定配置文件的日光变化回归。)

在一个实施例中，系统根据从能量使用信息提取的条件来自动地命名经常性的配置文件。例如，在第一配置文件中，在4月10日和6月15日之间存在较低的基本负荷能量消耗值，并且在一周的所有天存在较长的基本负荷持续时间。第二配置文件对应于较长的基本负荷持续时间，其通常发生在星期六和星期日。第三配置文件对应于每星期一的时段的最大峰值，其在12月10日至3月31日发生。规则可被添加到过程以协助命名过程。例如，规则建立，使得该第一配置文件发生在供暖和冷却季节，该第二配置文件在24小时关闭日的周末发生，并且(如在该第三配置文件中看到的)最大峰值在供暖期内发生。特征提取可能有助于从波形中提取出有意义的特点。

在本公开的另一实施例中，除了上面数据的分类之外，系统还分析能量使用数据的波形。可能执行与天的类型中的每一种(开放日、24小时开放日和24小时关闭日)有关的以及与由系统检测和命名的经常性配置文件有关的波形分析。

能量使用数据的波形分析可用于识别数据中的开放-关闭“碰撞(bumps)”的数量。例如，在12:00h至14:00h之间关闭的银行办公室中，一切都在12:00h至13:30h之间关闭。波形分析可用于测量“斜上升”和“斜下降”数据的角。如果角太平坦，则可能存在能够在时间优化方面节省能量的过程变化。波形分析可用于分析使用数据中的平稳段水平(plateaulevel)的数量和差异。例如，第一加热或冷却步骤较早地开始以达到舒适区。系统分析该数据以确定该第一过程步骤是否过早地开始，并且确定通过稍后开始第一过程步骤能够节省多少钱。

图9-14示出了示例排名图形，其可通过诸如通过网络连接到控制器的计算机或移动设备的电子设备上的用户接口被提供给用户或者在报告中提供。

本公开的方法和系统分析从每个仪表收集的相应数据、根据能量管理效率对仪表进行排名并向用户通知仪表排名。图9示出了站点中的一组仪表的总分的排名的示例。每个仪表具有示出其总分的柱130A、130B、130C...。良好管理的站点具有较低的分数，而管理较差的站点具有较高的分数。用户可以快速地查看图9的图表并确定哪些仪表在提高能量管理效率方面需要注意。在图9中，与柱130E对应的仪表具有最差的能量管理效率，而与柱130F对应的仪表具有最佳的能量管理效率。总分是基于按照从仪表收集的数据计算的各种度量。系统使用术语能量管理效率，因为它指示如何一致管理站点。不仅是指示站点如何相对于一些或多或少类似的其他站点执行。相关或不相干以及不相干的类型给我们提供如何良好管理能量的有力指标。因此，系统将能够提供有价值的观点和/或建议：“异常峰值在冬季供暖期内频繁地出现并且当由外部温度变化归一化时似乎反映异常行为”，或“在关闭时间持续时间期间的工作日之间特别是每月的第二个星期四存在不一致性”。

图10-14示出了可以在系统使用的各种度量。在图10中，图表用于基于良好管理的时间程度来对仪表进行排名。在其中全开时期密切地对应于其间站点被调度为开放营业的时间时，仪表受到良好管理。全开时期延伸远至调度的关闭时间的仪表没有被良好管理。在图11中，仪表基于其斜上升/下降时期的斜率来进行排名。斜上升/下降模式中的陡坡对应于其中设备是有效的仪表。图12示出了基于基本负荷波动的仪表的排名。其中基本负荷具有小波动的仪表对应于有效的能量使用。图13示出了基于仪表的全开能量消耗与仪表的基本负荷能量消耗的比率的仪表的排名。具有全开能量使用与基本负荷能量使用的高比率的仪表对应于有效的能量使用。图14示出了基于仪表的工作日能量消耗模式的一致性的仪表的排名。

为了计算图11的斜率值，至少一个实施例中的系统识别与在正常运行时间和正常关闭时间之间转变的能量消耗对应的数据集群，并且使用线性回归或其他统计分析来计算数据集群的斜率。如果斜率低于临界斜率，则该方法可以通知用户。临界斜率由用户或通过方法被预定义为一斜率，在该斜率下能量使用是低效的。

为了计算图13的比值，系统识别与正常运行时间对应的第一数据集群，然后识别与正常关闭时间对应的第二数据集群，计算第一数据集群的第一平均能量消耗值和第二数据集群的第二平均能量消耗值，并且计算第一平均能量消耗值与第二平均能量消耗值的比率。第一数据集群和第二数据集群分别是基本负荷和全开模式的数据集群。如果第一平均能量消耗值与第二平均能量消耗值的比率低于临界比值，则系统可以通过电子设备上的用户接口来向用户提供通知。临界比值由用户或系统被预定义为一比率，高于或低于该比率，能量使用是低效的。

在一些实施例中，这些能量管理性能指标可被组合以对建筑物的行为(或楼层或特定过程或特定器件)进行建模并且细化相关联的配置文件。作为示例，它可连接到税率引擎以优化成本降低。(“我们应该由于2小时前的较低率而提前开始该过程么？”)。

本文所述的至少一些方法和系统能够向用户发送自动警报和报告，确定用户应当采取的动作以提高能量消耗站点的能量效率，不管能量消耗站点是设施、设施内的建筑物、建筑物内的楼层或另一计量的区域还是任何过程或任何特定的器件。

该详细描述讨论涉及本公开的方法和系统的实施例。系统的实施例被配置为执行方法的一个或多个实施例的步骤。在讨论方法的实施例的步骤的情况下，它们同样适用于系统的实施例的能力。

通常，本公开的方法和系统有助于检测与预期的建筑物操作的典型偏差。由本公开使用的过程能够在设施中的仪表上实现，并且评估结果可以显示在仪表上或者通过网络被发送给用户。本公开的方法和系统可以在包括云中或设备或两者的某种组合的多个场景中实现。方法和系统可以利用绿色/黄色/红色信号灯评估可视化，以便于向用户通知可提高能量效率的动作。本公开的系统分析设施的间隔能量数据并自动地将间隔数据的集群分配给几个每日配置文件元素中的一个(诸如基本负荷、全开、全关等)。一天内的特定的一组配置文件元素的存在用于对这一天期间的设施操作模式进行分类(诸如开放日、24小时开放日、24小时关闭日等)。

图15示出形成系统400的计算组件的示例框图，其可被配置为实现本文公开的一个或多个方面。例如，系统400可以可通信地耦合到控制器110、被包括在控制器110内、耦合到计算机(或其他电子设备)120、被包括在计算机(或其他电子设备)120内、耦合到每个仪表118A、118B、118C或被包括在每个仪表118A、118B、118C内。系统400还可以被配置为对能量消耗进行分析，如以上更详细讨论的。

系统400可包括例如计算平台，如基于英特尔奔腾类型的处理器、摩托罗拉的PowerPC、SunUltraSPARC、德州仪器DSP、惠普PA-RISC处理器或任何其它类型的处理器的那些计算平台。系统400可包括专门编程的专用硬件，例如专用集成电路(ASIC)。本公开内容的各个方面可被实施为在如图15所示的系统400上执行的专业软件。

系统400可以包括连接到如磁盘驱动器、存储器、闪存或用于存储数据的其它设备的一个或多个存储器设备410的处理器/ASIC 406。存储器410可以在系统400的操作期间用于存储程序和数据。计算机系统400的组件可以由互连机构408耦合，该互连机构308可包括一个或多个总线(例如，集成于同一机器内的组件之间)和/或网络(例如，存在于分立机器上的组件之间)。互连机构408使通信(例如，数据、指令)能够在系统400的组件之间进行交换。系统400也包括一个或多个输入设备404，其可包括例如键盘或触摸屏。系统400包括一个或多个输出设备402，其可包括例如显示器。此外，计算机系统400可包含可将计算机系统400连接至通信网络(额外地或作为互连机构408的替代)的一个或多个接口(未示出)。

系统400可包括储存系统412，其可包括计算机可读和/或可写的非易失性介质，其中信号可被存储以提供由处理器执行的程序或提供在介质上或在介质中存储的由程序处理的信息。介质可例如是磁盘或闪存存储器，并且在一些实施例中可包括RAM或其他非易失性存储器，如EEPROM。在一些实施例中，处理器可使数据从非易失性介质被读取到另一个存储器410中，这允许与介质相比处理器/ASIC更快地访问信息。这个存储器410可以是易失性的随机存取存储器，例如动态随机存取存储器(DRAM)或静态随机存取存储器(SRAM)。它可位于储存系统412中或存储器系统410中。处理器406可操纵集成电路存储器410内的数据并且接着在完成处理之后将数据复制到储存器412。已知用于管理储存器412和集成电路存储器元件410之间的数据移动的各种机构，并且本公开内容不限于此。本公开内容不限于特定的存储器系统410或储存系统412。

系统400可以包括可使用高级计算机编程语言编程的计算机平台。系统400也可使用专业编程的专用硬件(例如，ASIC)来实现。系统400可包括处理器406，其可以是市场上可买到的处理器，例如从英特尔公司可购得的公知的奔腾类处理器。许多其他处理器是可用的。处理器406可执行操作系统，其可以是例如从微软公司可购买的Windows操作系统、从苹果电脑公司可购买的MAC OS系统X、从Sun Microsystems可购买的Solaris操作系统或者从各种来源可获得的UNIX和/或LINUX。可使用许多其他操作系统。

处理器和操作系统可共同形成计算机平台，对于该计算机平台可以用高级编程语言编写应用程序。应当理解，本公开不限于特定的计算机系统平台、处理器、操作系统或网络。此外，对本领域的技术人员应当明显的是，本公开不限于特定的编程设计语言或计算机系统。此外应该认识到，还可使用其他适合的编程语言和其他适合的计算机系统。

在一些实施例中，本发明的方法和系统可以从除了能量仪表之外的数据源(诸如来自计算机可读存储器组件的数据文件)收集数据。

在一些实施例中，系统可以在主站点或仪表级处触发警报。还可以使用连接到单个仪表的分表，并且每个分表可以触发警报。

上面的方法和系统的关于“能量”消耗的描述也旨在涵盖与“功率”消耗有关的方法和系统。类似地，上面的方法和系统的关于“功率”消耗的描述也旨在涵盖与“能量”消耗有关的方法和系统。

实施例在其应用中不限于下面描述中所阐述或在附图中示出的组件的结构和布置的细节。另外，本文所用的措辞和术语也是出于描述的目的，并且不应被视为具有限制性。“包括(including)”、“包含(comprising)”，或“具有(having)”、“含有(containing)”、“涉及(involving)”以及本文中其变型的使用意为包括以下列出的项目及其等同形式以及其他项目。

至此，已经描述了至少一个实施例的几个方面，应认识到，本领域的技术人员将容易想到各种改变、修改和改进。这样的改变、修改和改进旨在成为本公开的一部分，并且旨在落入本公开的范围内。因此，前文的描述和附图仅仅是示例性的。

Claims (21)

1.一种用于能量管理的方法，所述方法包括：

使用一个或多个能量消耗仪表来在一时间段期间收集站点的能量消耗数据；

识别所述能量消耗数据内的数据集群，所述数据集群指示所述站点处的能量消耗的状态；

对在所述时间段中的所述数据集群进行分类；

对所述数据集群进行分析；以及

将多个能量消耗分类中的一个分配给所述时间段。

2.如权利要求1所述的方法，其中，所述时间段被分类为以下中的一个：开放日、24小时开放日和24小时关闭日。

3.如权利要求1所述的方法，还包括：

关于所述时间段期间的实际能量消耗将所述时间段识别为以下中的一个：正常时间段和异常时间段。

4.如权利要求3所述的方法，还包括：

响应于对异常时间段的识别，控制至少一个设备以管理能量消耗。

5.如权利要求1所述的方法，还包括：

向用户提供至少一个建议以提高所述站点的能量消耗效率。

6.如权利要求1所述的方法，还包括：

提供所述时间段的期望的能量使用和期望的分类；

将实际能量使用与所述期望的能量使用进行比较；以及

将分配给所述时间段的能量消耗分类与所述期望的分类进行比较。

7.如权利要求1所述的方法，还包括：

执行自学习和连续自适应过程，以用于学习所述站点的正常能量消耗模式。

8.如权利要求1所述的方法，还包括：

提供多个仪表；

对从每个仪表收集的数据进行分析；

根据能量管理效率，将所述仪表进行排名；

通知用户所述仪表排名。

9.如权利要求1所述的方法，还包括：

识别与正常运行时间对应的第一数据集群；

识别与正常关闭时间对应的第二数据集群；

计算所述第一数据集群的第一平均能量消耗值和所述第二数据集群的第二平均能量消耗值；以及

计算所述第一平均能量消耗值与所述第二平均能量消耗值的比率。

10.如权利要求9所述的方法，还包括：

如果所述第一平均能量消耗值与所述第二平均能量消耗值的所述比率低于临界比值，则通知用户。

11.如权利要求1所述的方法，还包括：

识别与在正常运行时间和正常关闭时间之间转变的能量消耗对应的数据集群；

计算所述数据集群的斜率；以及

如果所述斜率低于临界斜率，则通知用户。

12.一种用于能量管理的系统，所述系统包括：

至少一个能量消耗仪表；

控制器，所述控制器具有处理器和存储器组件，所述控制器与所述至少一个能量消耗仪表进行通信；

其中，所述处理器被配置为：

使用所述至少一个能量消耗仪表来在一时间段期间收集站点的能量消耗数据；

识别所述能量消耗数据内的数据集群，所述数据集群指示所述站点处的能量消耗的状态；

对在所述时间段中的所述数据集群进行分类；

对所述数据集群进行分析；以及

将多个能量消耗分类中的一个分配给所述时间段。

13.如权利要求12所述的系统，其中，所述处理器还被配置为将时间段分类为以下中的一种：开放日、24小时开放日和24小时关闭日。

14.如权利要求12所述的系统，其中，所述处理器还被配置为关于所述时间段期间的实际能量消耗将所述时间段识别为以下中的一种：正常时间段和异常时间段。

15.如权利要求14所述的系统，其中，所述处理器还被配置为响应于对异常时间段的识别，控制至少一个设备以实时地管理所述能量消耗。

16.如权利要求12所述的系统，其中，所述处理器还被配置为向用户提供建议以提高所述站点的能量消耗效率。

17.如权利要求12所述的系统，其中，所述处理器还被配置为：

提供所述时间段的期望的能量使用和期望的分类；

将实际能量使用与所述期望的能量使用进行比较；以及

将分配给所述时间段的所述能量消耗分类与所述期望的分类进行比较。

18.如权利要求12所述的系统，其中，所述处理器还被配置为执行自学习过程，以用于学习所述站点的正常能量消耗模式。

19.如权利要求12所述的系统，其中，所述处理器还被配置为：

对从每个仪表收集的相应数据进行分析；

根据能量效率，将所述仪表进行排名；以及

通知用户所述仪表排名。

20.如权利要求12所述的系统，其中，所述处理器还被配置为：

识别与正常运行时间对应的第一数据集群；

识别与正常关闭时间对应的第二数据集群；

计算所述第一数据集群的第一平均能量消耗值和所述第二数据集群的第二平均能量消耗值；以及

计算所述第一平均能量消耗值与所述第二平均能量消耗值的比率。

21.如权利要求12所述的系统，其中，所述处理器还被配置为：

识别作为异常能量消耗的主要贡献者的能量消耗仪表。