CN108595757A - 能源设备建模、能源站调度方法、装置以及设备 - Google Patents
能源设备建模、能源站调度方法、装置以及设备 Download PDFInfo
- Publication number
- CN108595757A CN108595757A CN201810235082.6A CN201810235082A CN108595757A CN 108595757 A CN108595757 A CN 108595757A CN 201810235082 A CN201810235082 A CN 201810235082A CN 108595757 A CN108595757 A CN 108595757A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- energy
- energy device
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了能源设备建模、能源站调度方法、装置以及设备,方案包括:获取能源设备的历史运行数据,历史运行数据包括设备输入数据和对应的设备输出数据,利用历史运行数据,构建机器学习模型并进行训练,保存训练后的机器学习模型,用于模拟能源设备以预测设备输出数据,以及还能够用于根据预测结果和用户需求数据,调度能源站为能源设备进行能源输入。从而能够在满足用户需求的同时,达到合理利用能源的目的。
Description
技术领域
本申请涉及能源和计算机技术领域,尤其涉及能源设备建模、能源站调度方法、装置以及设备。
背景技术
能源领域会研究和使用多种专用的能源设备,比如,燃气锅炉、微燃机、储冷罐、储热罐等。
在现有技术中,对能源设备建模,是从能源设备的物理机制入手,构建显式模型。但是,实际操作过程中,一个能源设备的输出的影响因素很多,比如耗电量、设备负荷、设备效率等,同时还有很多环境因素和随机因素的影响。因此传统基于机理的设备建模,效率和可靠性都很低。
基于现有技术,需要更为高效可靠的能源设备建模方案。
发明内容
本申请的一些实施例提供能源设备建模、能源站调度方法、装置以及设备,用以解决现有技术中的如下技术问题:需要更为高效可靠的能源设备建模方案。
本申请的一些实施例采用下述技术方案:
一种能源设备建模方法,包括:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
可选地,若所述能源设备为燃气锅炉,则所述设备输入数据包括耗气量、入水温度、入水量、环境温度中的至少一种,所述设备输出数据包括出水温度、出水量中的至少一种。
可选地,若所述能源设备为微燃机,则所述设备输入数据包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度中的至少一种,所述设备输出数据包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力中的至少一种。
可选地,所述机器学习模型包括神经网络模型;
所述利用所述历史运行数据,构建机器学习模型,具体包括:
根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;
确定所述神经网络的中间层层数以及每个中间层的节点数量;
根据确定的所述神经网络的数据,构建神经网络模型。
一种能源站调度方法,包括:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
一种能源站调度方法,包括:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
一种能源设备建模装置,包括:
获取模块,获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
构建训练模块,利用所述历史运行数据,构建机器学习模型并进行训练;
保存模块,保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
可选地,若所述能源设备为燃气锅炉,则所述设备输入数据包括耗气量、入水温度、入水量、环境温度中的至少一种,所述设备输出数据包括出水温度、出水量中的至少一种。
可选地,若所述能源设备为微燃机,则所述设备输入数据包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度中的至少一种,所述设备输出数据包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力中的至少一种。
可选地,所述机器学习模型包括神经网络模型;
所述构建训练模块利用所述历史运行数据,构建机器学习模型,具体包括:
所述构建训练模块根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;
确定所述神经网络的中间层层数以及每个中间层的节点数量;
根据确定的所述神经网络的数据,构建神经网络模型。
一种能源站调度装置,包括:
第一获取模块,获取能源设备的设备输出数据;
推测模块,根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
第一确定模块,确定所述设备输入数据与用户需求数据间的差值;
第一调度模块,根据所述差值,调度能源站为所述能源设备进行能源输入。
一种能源站调度装置,包括:
第二获取模块,获取能源设备的设备输入数据;
预测模块,根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
第二确定模块,确定所述设备输出数据与用户需求数据间的差值;
第二调度模块,根据所述差值,调度能源站为所述能源设备进行能源输入。
一种能源设备建模设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
一种能源站调度设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
一种能源站调度设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
本申请的一些实施例采用的上述至少一个技术方案能够达到以下有益效果:能够针对能源设备构建并训练出更可靠的模型,用于模拟能源设备以预测设备输出数据,以及还能够用于根据预测结果和用户需求数据,调度能源站为能源设备进行能源输入。从而能够在满足用户需求的同时,达到合理利用能源的目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请的一些实施例提供的能源设备建模方法的流程示意图;
图2为本申请的一些实施例提供的一种能源站调度方法的流程示意图;
图3为本申请的一些实施例提供的另一种能源站调度方法的流程示意图;
图4为本申请的一些实施例提供的能源设备建模装置的结构示意图;
图5为本申请的一些实施例提供的对应于图2的能源站调度装置的结构示意图;
图6为本申请的一些实施例提供的对应于图3的能源站调度装置的结构示意图;
图7为本申请的一些实施例提供的能源设备建模设备的结构示意图;
图8为本申请的一些实施例提供的对应于图2的能源站调度设备的结构示意图;
图9为本申请的一些实施例提供的对应于图3的能源站调度设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在实际应用中,为能源设备建模通常是为了了解能源设备输入和输出之间的数据关系,从而便于合理地调度能源站为能源设备进行能源输入。本申请从能源设备的历史运行数据入手,用机器学习的方式来构建能源设备输入和输出之间的数据关系,使用者不必了解设备运行的内在物理机制,即可根据模型来计算一定输入条件下能源设备的输出。下面对本申请的方案进行详细说明。
图1为本申请的一些实施例提供的一种能源设备建模方法的流程示意图。在该流程中,从设备角度而言,执行主体可以为机器学习设备,如神经网络服务器等,本申请对此不做具体限定。
另外,从程序角度而言,本申请实施例中的一些步骤的执行主体可以为上述设备中安装的程序。该程序的形式可以是客户端、网页端或者服务端等,本申请对此不作具体限定。
图1中的流程可以包括以下步骤:
S102:获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据。
在本申请的一些实施例中,能源设备能够利用一种或多种能源,比如天然气、氢、风能、太阳能、煤等,为用户提供冷、热、电、动力等一种或多种能源应用方式。能源设备包括但不限于:锅炉、储冷设备、储热设备、发电机、内燃机等。
在本申请的一些实施例中,根据能源设备的历史运行数据,能够了解能源设备以往的工作表现,进而预测以后的工作表现。设备输入数据包括多个参数,能够反映的能源设备的能源输入情况,还可能反映环境情况;设备输出数据也可以包括多个参数,能够反映在对应的设备输入数据的条件下,能源设备通过对输入的能源进行消耗而达到的输出效果。
S104:利用所述历史运行数据,构建机器学习模型并进行训练。
在本申请的一些实施例中,机器学习模型比如包括神经网络、决策树、回归、支持向量机、贝叶斯分类器、强化学习、概率图、聚类等模型。
下面一些实施例主要以神经网络模型为例进行说明,在这种情况下,可以根据历史运行数据包含的设备输出数据,得到训练标签,通过有监督学习,对构建的机器学习模型进行训练,以使训练后的机器学习能够尽量准确地表达能源设备输入和输出之间的数据关系。
S106:保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
在本申请的一些实施例中,训练后的机器学习模型可以保存为实体文件(计算机中的数据文件),从而提供给本设备或者其他设备使用,根据预测结果和实际结果的误差,可以修正机器学习模型。当然,当能源设备的历史运行数据更新时,还可以对机器学习模型进一步地进行训练,使得机器学习模型可能趋向于越来越可靠。
通过图1的方法,能够针对能源设备构建并训练出更可靠的模型,用于模拟能源设备以预测设备输出数据,以及还能够用于根据预测结果和用户需求数据,调度能源站为能源设备进行能源输入。从而能够在满足用户需求的同时,达到合理利用能源的目的。
基于图1的方法,本申请的一些实施例还提供了该方法的一些具体实施方案,以及扩展方案,下面进行说明。
在本申请的一些实施例中,对于不同的能源设备,所利用的设备输入数据和对应的设备输出数据包含的具体参数可能不同,本申请对此不做具体限定,可用根据实际情况进行选择。为了便于理解,用两个例子进行说明。
例如,若能源设备为燃气锅炉,则设备输入数据比如包括耗气量、入水温度、入水量、环境温度等参数中的至少一种,设备输出数据比如包括出水温度、出水量等参数中的至少一种。
又例如,若能源设备为微燃机(比如燃气冷热电三联供系统的设备等),则设备输入数据比如包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度等参数中的至少一种,设备输出数据比如包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力等参数中的至少一种。
在本申请的一些实施例中,若机器学习模型为神经网络模型,则对于步骤S104,所述利用所述历史运行数据,构建机器学习模型,具体可以包括:根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;确定所述神经网络的中间层层数以及每个中间层的节点数量;根据确定的所述神经网络的数据,构建神经网络模型。
确定节点数量的具体方式是多样的,本申请对此不做具体限定。比如,若设备输入数据包含n个参数,设备输出数据包含m个参数,则比如可以将神经网络的输入层节点数量和输出层节点数量也对应地分别确定为n、m。或者,也可以将设备输入数据转换为一个固定维度的特征向量(特征向量的维度不一定等于n),然后将输入层节点数量确定为该维度,输出层节点数量也可以采用类似的方式确定。为了提高模型处理速度,神经网络的中间层层数不宜过多,比如可以是2~3层,通常不超过5层,每个中间层的节点数量比如不小于n。需要说明的是,节点数量还可以根据模型的训练和后续使用情况调整。
上面例子中的模型构建方案是示例性的,并非唯一。比如,也可以在不依据能源设备的历史运行数据的情况下,直接指定节点数量,从而先构建出一个神经网络,再根据该神经网络,对设备输入数据和对应的设备输出数据进行适应性处理,以使处理后的数据能够适用于该神经网络。
在实际应用中,通常通过能源站为能源设备供能。在这种情况下,基于上面训练后的机器学习模型,本申请的一些实施例还提供了一种能源站调度方法的流程示意图,如图2所示。图2中的流程可以由调度设备执行,主要包括以下步骤:
S202:获取能源设备的设备输出数据。
S204:根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据。
S206:确定所述设备输入数据与用户需求数据间的差值。
S208:根据所述差值,调度能源站为所述能源设备进行能源输入。
在本申请的一些实施例中,步骤S202获取的可以是实时的设备输出数据。根据实时的设备输出数据,可以推测当前能源输入情况,从而判断当前能源输入是否满足用户需求(根据历史数据可以预估每个时段、和/或某个地方的能源用量),如果不满足的情况下,可以判断当前能源输入量与用户需求量间的差值,并通过调度能源站为能源设备进行能源输入,以满足用户需求。
图2的方法是利用机器学习模型,根据设备输出数据推测设备输入数据。类似地,也可以利用机器学习模型设备,根据设备输入数据,预测设备输出数据,基于此,本申请的一些实施例还提供了另一种能源站调度方法的流程示意图,如图3所示。图3中的流程可以由调度设备执行,主要包括以下步骤:
S302:获取能源设备的设备输入数据。
S304:根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据。
S306:确定所述设备输出数据与用户需求数据间的差值。
S308:根据所述差值,调度能源站为所述能源设备进行能源输入。
在本申请的一些实施例中,步骤S302获取的可以是实时的设备输入数据。根据当前的能源设备的实时输入数据,基于上述模型,确定能源设备实时的输出数据,如果超过用户需求量,可以酌情控制减少能源设备的实时能源输入量,从而在满足用户需求的同时,达到合理利用能源的目的。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的装置、设备和非易失性计算机存储介质,参见图4~图9。
图4为本申请的一些实施例提供的能源设备建模装置的结构示意图,所述装置包括:
获取模块401,获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
构建训练模块402,利用所述历史运行数据,构建机器学习模型并进行训练;
保存模块403,保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
可选地,若所述能源设备为燃气锅炉,则所述设备输入数据包括耗气量、入水温度、入水量、环境温度中的至少一种,所述设备输出数据包括出水温度、出水量中的至少一种。
可选地,若所述能源设备为微燃机,则所述设备输入数据包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度中的至少一种,所述设备输出数据包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力中的至少一种。
可选地,所述机器学习模型包括神经网络模型;
所述构建训练模块402利用所述历史运行数据,构建机器学习模型,具体包括:
所述构建训练模块402根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;
确定所述神经网络的中间层层数以及每个中间层的节点数量;
根据确定的所述神经网络的数据,构建神经网络模型。
图5为本申请的一些实施例提供的对应于图2的能源站调度装置的结构示意图,所述装置包括:
第一获取模块501,获取能源设备的设备输出数据;
推测模块502,根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
第一确定模块503,确定所述设备输入数据与用户需求数据间的差值;
第一调度模块504,根据所述差值,调度能源站为所述能源设备进行能源输入。
图6为本申请的一些实施例提供的对应于图3的能源站调度装置的结构示意图,所述装置包括:
第二获取模块601,获取能源设备的设备输入数据;
预测模块602,根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
第二确定模块603,确定所述设备输出数据与用户需求数据间的差值;
第二调度模块604,根据所述差值,调度能源站为所述能源设备进行能源输入。
图7为本申请的一些实施例提供的能源设备建模设备的结构示意图,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
图8为本申请的一些实施例提供的对应于图2的能源站调度设备的结构示意图,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
图9为本申请的一些实施例提供的对应于图3的能源站调度设备的结构示意图,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
本申请的一些实施例提供的对应于图1的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
本申请的一些实施例提供的对应于图2的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用上述能源设备建模方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
本申请的一些实施例提供的对应于图3的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用上述能源设备建模方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种能源设备建模方法,其特征在于,包括:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
2.如权利要求1所述的方法,其特征在于,若所述能源设备为燃气锅炉,则所述设备输入数据包括耗气量、入水温度、入水量、环境温度中的至少一种,所述设备输出数据包括出水温度、出水量中的至少一种。
3.如权利要求1所述的方法,其特征在于,若所述能源设备为微燃机,则所述设备输入数据包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度中的至少一种,所述设备输出数据包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力中的至少一种。
4.如权利要求1所述的方法,其特征在于,所述机器学习模型包括神经网络模型;
所述利用所述历史运行数据,构建机器学习模型,具体包括:
根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;
确定所述神经网络的中间层层数以及每个中间层的节点数量;
根据确定的所述神经网络的数据,构建神经网络模型。
5.一种能源站调度方法,其特征在于,包括:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
6.一种能源站调度方法,其特征在于,包括:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
7.一种能源设备建模装置,其特征在于,包括:
获取模块,获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
构建训练模块,利用所述历史运行数据,构建机器学习模型并进行训练;
保存模块,保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
8.如权利要求7所述的装置,其特征在于,若所述能源设备为燃气锅炉,则所述设备输入数据包括耗气量、入水温度、入水量、环境温度中的至少一种,所述设备输出数据包括出水温度、出水量中的至少一种。
9.如权利要求7所述的装置,其特征在于,若所述能源设备为微燃机,则所述设备输入数据包括天然气瞬时流量、天然气累计流量、燃气压力、燃气温度、空气温度、空气进入量、空气压力、空气湿度中的至少一种,所述设备输出数据包括输出电量、烟气出口温度、烟气出口流量、烟气出口压力中的至少一种。
10.如权利要求7所述的装置,其特征在于,所述机器学习模型包括神经网络模型;
所述构建训练模块利用所述历史运行数据,构建机器学习模型,具体包括:
所述构建训练模块根据所述设备输入数据确定神经网络的输入层节点数量,以及根据所述设备输出数据确定所述神经网络的输出层节点数量;
确定所述神经网络的中间层层数以及每个中间层的节点数量;
根据确定的所述神经网络的数据,构建神经网络模型。
11.一种能源站调度装置,其特征在于,包括:
第一获取模块,获取能源设备的设备输出数据;
推测模块,根据所述设备输出数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
第一确定模块,确定所述设备输入数据与用户需求数据间的差值;
第一调度模块,根据所述差值,调度能源站为所述能源设备进行能源输入。
12.一种能源站调度装置,其特征在于,包括:
第二获取模块,获取能源设备的设备输入数据;
预测模块,根据所述设备输入数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
第二确定模块,确定所述设备输出数据与用户需求数据间的差值;
第二调度模块,根据所述差值,调度能源站为所述能源设备进行能源输入。
13.一种能源设备建模设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的历史运行数据,所述历史运行数据包括设备输入数据和对应的设备输出数据;
利用所述历史运行数据,构建机器学习模型并进行训练;
保存训练后的所述机器学习模型,用于模拟所述能源设备以预测设备输出数据。
14.一种能源站调度设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输出数据;
根据所述设备输出数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,推测所述能源设备对应的设备输入数据;
确定所述设备输入数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
15.一种能源站调度设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取能源设备的设备输入数据;
根据所述设备输入数据,利用如权利要求1~4任一项所述的方法所训练后的机器学习模型,预测所述能源设备对应的设备输出数据;
确定所述设备输出数据与用户需求数据间的差值;
根据所述差值,调度能源站为所述能源设备进行能源输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810235082.6A CN108595757A (zh) | 2018-03-21 | 2018-03-21 | 能源设备建模、能源站调度方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810235082.6A CN108595757A (zh) | 2018-03-21 | 2018-03-21 | 能源设备建模、能源站调度方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108595757A true CN108595757A (zh) | 2018-09-28 |
Family
ID=63627088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810235082.6A Pending CN108595757A (zh) | 2018-03-21 | 2018-03-21 | 能源设备建模、能源站调度方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595757A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320878A (zh) * | 2019-07-24 | 2019-10-11 | 新奥数能科技有限公司 | 一种公共信息模型构建方法及装置 |
CN111291462A (zh) * | 2018-12-06 | 2020-06-16 | 西门子股份公司 | 生成电厂的管道和仪表图p&id的装置和方法 |
CN112733454A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112856478A (zh) * | 2021-01-14 | 2021-05-28 | 新智数字科技有限公司 | 燃气锅炉的空燃比调节方法、装置、设备和介质 |
CN114593920A (zh) * | 2020-12-02 | 2022-06-07 | 新智数字科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
CN114877250A (zh) * | 2022-05-05 | 2022-08-09 | 成都秦川物联网科技股份有限公司 | 一种汽化自控式lng分布式能源物联网智能供气方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033978A (zh) * | 2010-09-19 | 2011-04-27 | 首钢总公司 | 一种淬透性预报及生产窄淬透性带钢的方法 |
CN102212680A (zh) * | 2011-06-10 | 2011-10-12 | 攀钢集团有限公司 | 预先湿润烧结返矿的设备和方法 |
CN103530526A (zh) * | 2013-10-29 | 2014-01-22 | 天津大学 | 一种基于神经网络预测吹填土标高的方法 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
-
2018
- 2018-03-21 CN CN201810235082.6A patent/CN108595757A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033978A (zh) * | 2010-09-19 | 2011-04-27 | 首钢总公司 | 一种淬透性预报及生产窄淬透性带钢的方法 |
CN102212680A (zh) * | 2011-06-10 | 2011-10-12 | 攀钢集团有限公司 | 预先湿润烧结返矿的设备和方法 |
CN103530526A (zh) * | 2013-10-29 | 2014-01-22 | 天津大学 | 一种基于神经网络预测吹填土标高的方法 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
Non-Patent Citations (1)
Title |
---|
唐开元等: "《高等内燃机学》", 31 August 2008 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291462A (zh) * | 2018-12-06 | 2020-06-16 | 西门子股份公司 | 生成电厂的管道和仪表图p&id的装置和方法 |
CN111291462B (zh) * | 2018-12-06 | 2023-08-08 | 西门子能源国际公司 | 生成电厂的管道和仪表图p&id的装置和方法 |
CN110320878A (zh) * | 2019-07-24 | 2019-10-11 | 新奥数能科技有限公司 | 一种公共信息模型构建方法及装置 |
CN110320878B (zh) * | 2019-07-24 | 2021-11-30 | 新奥数能科技有限公司 | 一种公共信息模型构建方法及装置 |
CN114593920A (zh) * | 2020-12-02 | 2022-06-07 | 新智数字科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
CN114593920B (zh) * | 2020-12-02 | 2024-01-12 | 新奥新智科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
CN112733454A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112733454B (zh) * | 2021-01-13 | 2024-04-30 | 新奥新智科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112856478A (zh) * | 2021-01-14 | 2021-05-28 | 新智数字科技有限公司 | 燃气锅炉的空燃比调节方法、装置、设备和介质 |
CN114877250A (zh) * | 2022-05-05 | 2022-08-09 | 成都秦川物联网科技股份有限公司 | 一种汽化自控式lng分布式能源物联网智能供气方法及装置 |
CN114877250B (zh) * | 2022-05-05 | 2023-05-19 | 成都秦川物联网科技股份有限公司 | 一种汽化自控式lng分布式能源物联网智能供气方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595757A (zh) | 能源设备建模、能源站调度方法、装置以及设备 | |
Bahrami et al. | A decentralized energy management framework for energy hubs in dynamic pricing markets | |
JP6292076B2 (ja) | 時系列予測アンサンブル | |
Nürnberg et al. | A two-stage planning model for power scheduling in a hydro-thermal system under uncertainty | |
US20180004172A1 (en) | Hvac system using model predictive control with distributed low-level airside optimization | |
CA2865176C (en) | Online heurisitc algorithm for combined cooling heating and power plant optimization | |
WO2015154318A1 (zh) | 梯级水电站群日发电计划编制方法 | |
Yin et al. | Design of a novel smart generation controller based on deep Q learning for large-scale interconnected power system | |
Zhao et al. | Exploiting the flexibility inside park-level commercial buildings considering heat transfer time delay: A memory-augmented deep reinforcement learning approach | |
Bao et al. | Accuracy analysis and improvement of the state‐queuing model for the thermostatically controlled loads | |
Ahmad et al. | Model predictive control approach for optimal power dispatch and duck curve handling under high photovoltaic power penetration | |
Bao et al. | Control parameter optimization of thermostatically controlled loads using a modified state-queuing model | |
Guo et al. | Distributed optimal energy scheduling based on a novel PD pricing strategy in smart grid | |
Mishra et al. | Enabling cyber‐physical demand response in smart grids via conjoint communication and controller design | |
Schwung et al. | Self-optimization of energy consumption in complex bulk good processes using reinforcement learning | |
Chen et al. | N‐1 security‐constrained coordinated scheduling of integrated electricity and natural gas system considering gas dynamics and wind power uncertainty | |
Zadeh et al. | Optimized day-ahead hydrothermal wind energy systems scheduling using parallel PSO | |
Zhang et al. | Stochastic unit commitment with air conditioning loads participating in reserve service | |
Bao et al. | Hybrid short-term load forecasting using principal component analysis and mea-elman network | |
US20150097531A1 (en) | System and method for controlling networked, grid-level energy storage devices | |
CN102109820A (zh) | 用于将连续系统转换成马尔可夫决策过程的方法 | |
Yu et al. | Application of improved PSO-BP neural network in cold load forecasting of mall air-conditioning | |
Stoyanova et al. | Distributed model predictive control strategies for coordination of electro‐thermal devices in a cooperative energy management concept | |
de Oliveira et al. | Dynamic online optimization of a house heating system in a fluctuating energy price scenario | |
Standardi et al. | Computational efficiency of economic MPC for power systems operation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |