CN108876078A - 计算耗能系统性能的改善策略的方法和耗能系统监控装置 - Google Patents

计算耗能系统性能的改善策略的方法和耗能系统监控装置 Download PDF

Info

Publication number
CN108876078A
CN108876078A CN201710324748.0A CN201710324748A CN108876078A CN 108876078 A CN108876078 A CN 108876078A CN 201710324748 A CN201710324748 A CN 201710324748A CN 108876078 A CN108876078 A CN 108876078A
Authority
CN
China
Prior art keywords
dissipative system
dissipative
value
data
state information
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.)
Granted
Application number
CN201710324748.0A
Other languages
English (en)
Other versions
CN108876078B (zh
Inventor
单联柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN201710324748.0A priority Critical patent/CN108876078B/zh
Publication of CN108876078A publication Critical patent/CN108876078A/zh
Application granted granted Critical
Publication of CN108876078B publication Critical patent/CN108876078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种计算耗能系统集群中的耗能系统的性能的改善策略的方法和耗能系统监控装置，上述方法，包括以下步骤：第一步骤，收集耗能系统集群中各耗能系统的关键状态信息；第二步骤，基于关键状态信息，计算各耗能系统的关键性能指标的第一值；第三步骤，基于各耗能系统的关键状态信息，对各耗能系统进行分类，获得分类结果；第四步骤，基于各耗能系统的关键状态信息的至少一部分、各耗能系统的关键性能指标的第一值和各耗能系统的分类结果，进行数据拟合，计算拟合模型；第五步骤，基于拟合模型，计算各耗能系统的关键性能指标的第二值；以及第六步骤，基于各耗能系统的关键性能指标的第二值，给出各耗能系统中需要改善性能的改善策略。

Description

计算耗能系统性能的改善策略的方法和耗能系统监控装置
技术领域
本发明涉及对耗能系统进行监控的方法和装置，具体涉及一种计算耗能系统集群中耗能系统性能的改善策略的方法和利用该方法进行监控的耗能系统监控装置。
背景技术
为了实现操作指令、提高操作水平，节能减排、提高可靠性等目的，人们提出了各种方法来对设备进行远程监控和分析其关键性能指标(KPI)，并在此基础上提出了各种改进措施。对能耗型设备而言，关键性能指标(KPI)往往指的是其能源利用率。
例如，专利文献l提出了一种利用住宅型负荷的能耗数据、人口、住宅类型等其他信息和经验公式来计算住宅能耗指数的方法，专利文献2提出了一种利用基础设施的信息和住宅内的传感信息以及其他经济计划等信息来计算KPI的方法，专利文献3提出了一种利用来自能源管理系统(EMS)、建筑管理系统(Building Management System)以及其他环境设备如安全、通风温控系统CHVAC)等系统的信息来计算设备或系统的KPI并对一个范围内的总KPI进行优化的方法。专利文献4提出了一种根据用电负荷的各种信息对负荷的KPI、可控性等进行建模，并将发电设备，传输设备，以及用电负荷进行统一调度的方法。专利文献5提出了一种通过检测用电负荷的开启或关闭状态，并基于此信息，通过改变各线路电压，对电网的KPI进行优化的方法。
现有技术文献
专利文献
专利文献1:FU08977404B2
专利文献2:CN000000104200391Al
专利文献3:FU07928839B2
专利文献4:FA13346768Al
专利文献5:FA14265574Al,
专利文献6:FA10201516Al
专利文献7:WO2016054605A2
发明内容
发明要解决的技术问题
然而，专利文献1～5中的技术都需要比较详尽的设备状态数据和环境信息，如设备或系统上的不同传感器数据，外部传感器数据，厂家数据，住宅内部情况等等，而这些数据往往存在于不同的系统或网络中，往往受到保护，或者干脆无法获取，通信系统和传感设备较低的可靠性也使得收集到的数据有缺失。而且不同设备获取到的信息不尽相同，计算KPI的方法也各不一样，不同KPI计算方法之间的可比较性也较差。
专利文献6和专利文献7提出利用物联网的概念来解决数据收集难，通信可靠性低的问题，但物联网CIOT或M2M技术导入传统系统中需要对硬件设备进行大规模地改动，成本和难度很高。
除此之外，上文提到的专利文献所提出的改进KPI的策略，都涉及到对目标设备进行远程控制，而在实际应用中，远程监控者往往没有对设备或者系统进行远程控制的权限。
为了克服现有技术的上述问题，提出了本发明。本发明的目的是，提供计算耗能系统性能的改善策略的方法和耗能系统监控装置，只利用耗能系统的耗能数据(关键状态信息)，来对系统的KPI进行计算，由此选择KPI较差的耗能系统，并对KPI差的耗能系统给出改善策略。
根据本发明的一种计算耗能系统集群中的耗能系统的性能的改善策略的方法，包括以下步骤:第一步骤，收集耗能系统集群中各耗能系统的关键状态信息；第二步骤，基于所述关键状态信息，计算所述各耗能系统的关键性能指标的第一值；第三步骤，基于所述各耗能系统的关键状态信息，对所述各耗能系统进行分类，获得分类结果；第四步骤，基于所述各耗能系统的关键状态信息的至少一部分、所述各耗能系统的关键性能指标的第一值和所述各耗能系统的分类结果，进行数据拟合，计算拟合模型；第五步骤，基于所述拟合模型，计算各所述耗能系统的关键性能指标的第二值；以及第六步骤，基于各所述耗能系统的关键性能指标的第二值，给出所述各耗能系统中需要改善性能的改善策略。其中关键状态信息可以是所述各耗能系统在某一时刻的耗电功率，耗电电流，或者其他类似的信息。
根据如上所述的本发明的实施方式，不需要丰富的传感器信息、耗能系统厂家提供的实验数据等其他数据，只需利用耗电功率、耗电电流等关键状态信息(耗能数据)，就能对系统的KPI进行计算，由此选择KPI较差的耗能系统，并对KPI差的耗能系统给出改善策略，因此，能够利用关键状态信息，利用相同的KPI计算方法对KPI进行计算，因此可靠性高，可比较性好，可用于广泛的应用场景。而且，本发明不需要由厂家提供数据，也不需要对现有的硬件设备进行大规模的改动，通过实时收集耗能系统的关键状态信息，就能计算出KPI，并给出KPI较差的耗能系统的性能改善策略，因此能够降低成本，实时性好。
所述第二步骤可以包括：针对每个耗能系统，通过如下方式(1)～(5)计算该耗能系统的各临时第一值k1～k5的步骤：(1)通过比较耗能系统的关键状态信息在不同时刻的值或比较耗能系统的关键状态信息在不同时间区间的统计值，来计算临时第一值k1；(2)如果不同耗能系统之间的拓扑关系己知，则通过对比该不同耗能系统的关键状态信息的方法来计算第一值k2；(3)如果耗能系统的环境信息己知，则通过计算该耗能系统的关键状态信息和环境信息的相关性来计算第一值k3；(4)如果耗能系统的额定容量己知，则通过比较该耗能系统的关键状态信息与额定容量来计算第一值k4；以及(5)如果耗能系统的有效输出功率己知，则通过比较该耗能系统的关键状态信息与有效输出功率来计算第一值k5；以及按照如下公式计算该耗能系统的关键性能指标的第一值的步骤：其中w′i为k1～k5权重值，gi表示ki是否已知，如果ki已知，则gi＝1，反之gi＝0，i∈N，1≤i≤5。其中，如果耗能系统的类别己知，则采用不同的权重值w1～w5，如果耗能系统的类别未知，则权重值w1～w5采用同样的权重值。
根据如上所述的本发明的实施方式，根据能够获知的耗能系统数据，采用尽可能多的KPI的计算方法，计算出临时KPI值以后，再根据耗能系统的类别，对采用不同方法计算出的KPI进行加权平均，由此充分考虑能够获取到的耗能系统数据，计算出具有很好的可比较性的KPI值，能够消除或抑制不同KPI计算方法所导致的KPI比较性变差的问题。
所述第三步骤可以包括：选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；以及基于各耗能系统的各一系列数据，利用分类算法，获得分类结果，在所述分类结果中，每个不同类别被赋予不同值，各不同值之差表示各不同类别之间的差异性大小。
所述第四步骤可以包括：选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；将处理得到的该一系列数据与所述第三步骤中获得的对应耗能系统的分类结果组合，作为第一序列数据；所述第一序列数据中的至少一部分作为第二序列数据；将所述第二序列数据与在所述第二步骤中获得的对应耗能系统的关键性能指标的第一值组合，作为第三序列数据；和基于各个不同耗能系统的第三序列数据，以耗能系统的关键性能指标为目标变量，计算拟合模型。
所述拟合模型是一条曲线或者是概率函数。如果拟合模型是一条曲线，则可以通过计算各耗能系统在坐标空间中的点与该曲线的距离来计算关键性能指标第二值；如果拟合模型是概率函数，则可以通过计算各耗能系统在该概率函数中的函数值来计算关键性能指标第二值。
所述方法还可以包括：收集与耗能系统相关的其他信息的步骤；和补全步骤，如果所述其他信息中部分信息缺失，则将每个耗能系统的所述第二序列数据和其他信息组合成数据序列，在该数据序列中将所缺失的信息标记为缺失，将各耗能系统的数据序列组合成矩阵，利用数据补全算法，将缺失的数据补全。其中其他信息可以包括耗能系统的类别，环境信息，地理信息，其他监控数据，或者其他与耗能系统相关的信息。
除了耗能系统的关键状态信息外，还通过收集其他信息，并且其他信息中一部分信息缺失时通过补全算法进行补全，能够进一步提高改善策略的可靠性，可应用场景更加广泛。
所述第六步骤可以包括：将每个耗能的第一序列数据中没有被选为第二序列数据的元素组合成第四序列数据；选择特定数量或特定比例的、关键性能指标的第二值最大或者最小的一部分耗能系统；对比所选择的耗能系统的第四序列数据的元素与其他没有被选择的、与该被选择的耗能系统具有相同的第二序列数据的耗能系统的第四序列数据的元素，根据其中差别最大的元素给出该被选择的耗能系统的改善策略。
根据本发明的一种耗能系统监控装置，包括处理器和存储器，所述存储器中存储有可由处理器执行的计算机程序指令，所述计算机程序指令由所述处理器执行时，使得所述耗能系统监控装置实现如上所述的计算耗能系统集群中的耗能系统的性能改善策略的方法。
根据本发明的计算耗能系统性能的改善策略的方法和耗能系统监控装置，只利用耗能系统的耗能数据(关键状态信息)，对系统的KPI进行计算，由此选择KPI较差的耗能系统，并对KPI差的耗能系统给出改善策略。因此，KPI值的可靠性、可比较性、实时性得以提高，所给出的耗能系统性能改善策略的可靠性也得以提高，可应用场景也更加广泛。
附图说明
图1是耗能系统集群布置的硬件结构图。
图2是不同耗能系统(电网)之间拓扑关系的示例图。
图3是不同耗能系统(通信系统)之间拓扑关系的示例图。
图4是不同耗能系统(建筑物)之间拓扑关系的示例图。
图5是本发明的一个实施例的电网中各耗能系统间的信号传递关系图。
图6是本发明的耗能系统监控装置计算耗能系统集群中的耗能系统的性能改善策略的方法的流程图。
图7是图6的序列数据分析1 602的详细流程图。
图8a是表示作为序列数据的选择步骤的图7的特定时段选择步骤702的一个示例的示意图。
图8b是表示作为序列数据的选择步骤的图7的特定时段选择步骤702的另一个示例的示意图。
图9是作为序列数据的分析步骤的图7的信号变换步骤703的一个示例的示意图。
图10是作为序列数据的分析步骤的图6的序列数据分析2的示意图。
图11是图6的耗能系统分类步骤605的分类结果示意图。
图12是耗能系统的KPI的第一值计算步骤(图6的608之一)的详细流程图。
图13是耗能系统的KPI的第二值计算步骤(图6的608之二)的示意图。
图14是耗能系统的KPI评估计算流程图。
图15是图6的KPI改善步骤612的性能改善策略计算结果的一种可视化方法的示意图。
图16是图6的KPI改善步骤612性能改善策略计算结果的另一种可视化方法的示意图。
具体实施方式
以下结合附图描述本发明的具体实施例。但是应该理解，以下对具体实施例的描述仅仅是为了解释本发明的执行示例，而不对本发明的范围进行任何限定。为避免对所述实施例造成不必要的模糊，将略去对公知元件和公知处理技术的说明。在本文中，术语“或”用于表示非排他性的“或”，除非另有说明，“A或B”包括“A但不是B”，“B但不是A”和“A和B”。
图1是耗能系统集群布置的硬件结构图。
101,102,104,108和112表示不同的耗能系统。这些耗能系统101,102,104,108和112可能具有不同类别，可能分布于不同的地理位置。
103,107和109是不同工业耗能系统之间的示意性拓扑关系，如拓扑关系103是设备102和104之间的拓扑关系。该拓扑关系可以是能量/物质11信息的流动，或者其他类似的物理关系。
105,106,111和113是与各耗能系统相关的示意性传感设备，某些传感设备，例如传感设备105属于耗能系统104的一部分，某些传感设备，例如传感设备106安装在耗能系统101之外，但其采集的数据与101有直接联系，例如某些电压/电流传感器安装在耗能系统之外的电力线上，采集到的是该设备的用电量。某些设备，例如设备112不需要额外的传感设备就可采集数据。
114,115和116是示意性的数据收集设备，该收集设备114,115和116包括工厂内的用电量统计设备，小区的电表或其他AMI设备，网关，电网中的PTU，RTU等。在某些情况下该收集设备114,115和116可以具有其他功能或者集成在其他系统中，如工厂内的用电量统计设备可能与工厂的生产管理系统集成在一起，小区的用电量统计设备可能是其BEMS的一部分。数据收集设备114,115和116与传感设备或者耗能系统本身进行通信，收集有关设备状态的数据，通信手段可以是物理连接，局域无线通信如WiFi或者广域网络，如internet，移动通信网络等。在某些情况下，某设备，例如设备102也可以通过其他设备如设备106上传数据到数据收集设备114。
117是耗能系统状态分析系统，该耗能系统状态分析系统117与数据收集设备114,115和116，或者耗能系统101，102,108,110或112本身进行数据交互，数据交互的媒介可以是物理连接，或者其他形式的通信网络如WiFi，internet或者移动通信网络。耗能系统状态分析系统117与耗能系统监控中心118之间也有数据交互存在，其数据交互的媒介可以是物理连接，或者其他形式的通信网络如WiFi，internet或者移动通信网络。
耗能系统状态分析系统117与外部数据源120也可进行数据交互，其数据交互的媒介可以是物理连接，或者其他形式的通信网络如WiFi，internet或者移动通信网络。
118是耗能系统监控中心(耗能系统监控装置)，其从耗能系统101,102,104,108和112或数据收集设备114,115和116采集数据。
需要强调的是，耗能系统状态分析系统117或者耗能系统监控中心118执行后述的本发明的计算耗能系统集群中的耗能系统的性能改善策略的方法。耗能系统状态分析系统117或者耗能系统监控中心118可以是独立的硬件设备，如一个计算设备，或者是一个软件单元运行在其他设备上。例如，设备状态分析系统117可以是一个软件模块运行在耗能系统监控中心之上。或者耗能系统监控中心118可以是一个软件模块分布式地运行在多个数据收集设备114，115，116上。当它们为软件模块时，实现该软件的计算机程序指令被存储在存储器中，并由处理器执行，以实现本发明的计算耗能系统集群中的耗能系统的性能改善策略的方法。
需要强调的是，耗能系统监控中心118可以包含除了监控之外的功能，如统计分析/报表，调度控制，建设规划，或者可以由多个子系统组成。
119是可以与耗能系统状态分析系统117或者耗能系统监控中心118进行数据交互的移动设备，交互手段可以是无线网络或者移动通信网络126。
123是移动设备119的操作者，根据移动设备119收集到的数据，操作者123可以与某耗能系统的操作者进行交互，或者直接调节某个耗能系统的运行模式。
120是外部数据源，包括广域互联网，或者可通过局域网络或广域网络开放其数据的数据库或数据集。
121是耗能系统分析中心117的操作者，通过117的分析结果121可以与耗能系统的操作者进行交互，或者直接调节某个耗能系统的运行模式。类似地，122是设备监控中心的操作者。
需要强调的是，在某些实际部署中，120,121,126,119或者123可以不存在。
接下来，以各种不同用电设备为例对本发明的实施例的耗能系统进行说明，首先说明不同用电设备的拓扑关系和KPI计算方法。
图2是电网的拓扑关系示意图。202是不同类型的用电设备。203～208为功率/电压/电流检测设备，在本实施例中假定为电流检测设备和电压检测设备同时存在。
需要注意的是，在本实施例中，用电设备可以包含电网中的设备，如变压器，线路等。在本实施例中，如果Ixxx表示某设备xxx的电流检测值，那么图2中所示的部分拓扑关系可以表示为I203＝1204＝r*Sum(I205,1206.1207.1208),其中r为传输损耗，如果有一个电网设备，如变压器，或者电力线路安装在电流检测设备203的位置，那么其KPI可以根据该拓扑关系计算为:KPI＝Sum(I205,1206,1207,1208)/1203，或者KPI＝Sum(I205,I206,I207,I208)-I203，或者其他类似函数。
图3是不同通信系统之间拓扑关系的示例图。图中，301,305,306,309,310和311是终端设备的示例，302,303,和308是传输设备的示例，304和307是传输媒介的示例。
作为示例，在图3中，如果Dxxx表示终端设备、传输设备/传输媒介xxx的数据流量。那么拓扑关系的一部分可以被表示为：D302＝r*Sum(D301,D305,D306,D309,D310,D311)，设备302的KPI可以根据拓扑信息计算为：KPI＝SUM(D301,D305,D306,D309,D310,D311)/D302或KPI＝Sum(D301,D305,D306,D309,D310,D311)-D302或其他类似函数。
图4是建筑物拓扑关系的示例图。401和402是建筑物的不同部分。例如，401是一个楼层，402是另一个楼层。403,404,406-408是不同类型的不同传感设备。405是建筑物中不同隔间。409表示建筑物中的空间。
作为示例，在图4中，406是空间409中的空调机的功耗传感器，则P406表示调节器的测量功率，407是空间409的温度传感器，T407表示测量温度，A409表示空间409的面积，则空间409的KPI可以计算为：KPI＝F(T407，A409)/P406或KPI＝F(T407，A409)-P406，F(XXX，YYY)是散热函数。
接下来对本发明的一个实施例的耗能系统监控装置进行说明。图5是本发明的一个实施例的电网中各耗能系统间的信号传递关系图。
其中5101是电网。5102,5103和5104是某工厂内的用电设备，5110是该工厂的生产管理系统，其功能包含统计厂内用电设备的实时用电量并保存。5109是用电设备5102的用电量监控装置，在本实施例中假定为电压和电流互感器。5105是某住宅，5106和5107是另一个住宅的用电设备。5111是5106和5107所在的住宅的能源管理系统或收集数据的网关。
各个用电设备的电压和电流通过数据传输媒介5112，5113,5114及5115收集到用电设备监控中心(耗能系统监控装置的一例)5116中。
在本实施例中，耗能系统的关键状态信息假定为用电设备的电压及电流信息。除了作为关键状态信息的必要的电压和电流外，其他用电设备上或数据收集设备中可能存在的有关用电设备的其他数据(与耗能系统相关的其他信息的一例)也被收集到用电设备监控中心5116中，其他数据包括但不限于：
·用电设备的配置信息，如额定容量，额定效率，设备类型，设备编码等；
·设备的供应商信息；
·除了电压电流之外的设备状态信息，如有效输出功率，实时效率等；
·环境信息，如地理位置，环境温度，海拔等。
用电设备监控中心5116保存有用电设备的关键状态信息和其他信息，以及电网的拓扑架构信息，用电设备监控中心5116可以由多个子系统组成，如AMI电量统计子系统，电网状态监控子系统。或者用电设备监控中心5116也可以是其他系统的一个功能单元。
5117是用电设备分析中心(耗能系统监控装置的一例)，其主要实现本发明的计算耗能系统集群中的耗能系统的性能改善策略的方法功能，包括：计算用电设备的KPI的第一值和第二值；对用电设备进行分类；以及计算用电设备的KPI改进策略。
5118是用电设备监控中心5116与用电设备分析中心5117之间的数据传输媒介。除了有关用电设备本身的关键状态信息和其他信息外，用电设备监控中心5116可以提供给用电设备分析中心5117的数据还包含电网的拓扑关系结构信息。
用电设备分析中心5117通过数据传输媒介5118传输给用电设备监控中心5116的信息包括但不限于：
·补全的用电设备的缺失数据；
·用电设备KPI计算结果；
·分时电价策略；
·用电设备的KPI改善策略；和
·对某些设备的数据进行更新的需求。
用电设备分析中心5117通过数据传输媒介5119从外部数据源5120收集数据，包含两种收集方法：1)通过搜索引擎，厂家网站或数据库等，以从设备本身或者相关的数据收集设备收集的数据为关键词，来查询缺失的数据；2)直接获取外部数据源的数据，如天气信息，GIS信息等。
数据传输媒介5118或5119的数据交互媒介可以是物理连接或者其他形式的通信网络如WiFi，internet或者移动通信网络。
5121为移动设备，其可以通过移动通信网络与用电设备分析中心5117和用电设备监控中心5116进行数据交互，从用电设备分析中心5117和用电设备监控中心5116接收的数据包含：设备KPI分析结果，KPI改善策略，设备状态数据等。
接下来，利用图6～图15，对本发明的耗能系统监控装置(用电设备分析中心)计算耗能系统集群中的耗能系统的性能改善策略的方法进行详细说明。
图6是用电设备分析中心的计算流程图。
601是收集用电设备的关键状态信息和其他信息的步骤。
602是序列数据分析1，其主要过程如图7所示。图7是图6的序列数据分析1 602的详细流程图。
输入数据(关键状态信息)701是用电设备的电压电流数据(关键状态信息)，该数据包含电压的时间序列值和电流的时间序列值。首先702选择特定时段的电压和电流数据，然后被选中的时段的序列数据在信号变换单元703中被处理。
图8-1和图8-2是选择特定时段的示意图，在图8-1中，选择用电设备的关键状态信息在启动时段的序列数据，该部分数据标记为序列数据a1＝(a11，a12，...，a1m)，如图8-1中，I表示某用电设备在某时间段内的耗电电流，例如，[9:35,9:50)时间段内的耗电电流被选中，不同用电设备的启动时段可以不同。通过选择启动时段，可以精确地反映用电设备在短时间内的KPI特性。
在图8-2中，选择用电设备在同一段时间内的序列数据，该部分数据标记为序列数据b1＝(b11，b12，…，b1n)。在本实施例中，选择所有设备在同一时段24小时时间内的电流数据。通过所有用电设备的同一长时段，可以精确地反映不同用电设备在较为固定的长时间段内的KPI的分布特性。
不同的用电设备的电压或电流数据的采样频率可能不同，因此信号变换单元703以被使用的最低的采样频率对所有用电设备的序列数据a1和序列数据b1进行采样。如假定用电设备5202～5107是本实施例中的所有用电设备，用电设备5102～5104的电流采样频率是60Hz，用电设备5105的电流采样频率是20Hz，用电设备5106～5107的采样频率是30Hz，在这种情况下，以最低的采样频率20Hz对所有用电设备的序列数据a1和序列数据b1进行重新采样。并在采样处理后进一步进行归一化处理。处理后的序列数据a1标记为a2＝(a21，a22，…，a2r)，处理后的序列数据b1标记为b2＝(b21，b22，…，b2s)。
信号变换单元703进一步对处理后的序列数据a2以及b2乘以特定的权重，然后组成一个新的序列数据c1＝(waa21，waa22，…，waa2r，wbb21，wbb22，…，wbb2s)，其中权重wa及wb的值由后述的设备分类单元605确定。通过组合反映短时间KPI特性的启动时段的序列数据a2和反映长时段KPI特性的序列数据b2得到的序列数据c1更能够精确地反映用电设备的KPI特性。
除上述的处理方法外，另一种可选的处理序列数据a2的方法是：将序列数据a2根据傅里叶变换或其他类似公知方法进行处理，处理结果如图9所示，并将得到的频域数据F进行采样，得到一组序列数据a3＝(F(f1)，F(f2)，…，F(ft))。然后将a3以及b2乘以特定的权重，然后组成一个新的序列数据C1＝(waF(f1)，waF(f2)，…，waF(ft)wbb21，wbb22，…，wbb2s)。
回到图6，其中603是数据补全计算单元，在此数据补全计算单元603中，序列数据c1＝(c11，c12，…，c1w)与上文提到的其他数据(其他信息)组成序列数据d＝(c11，c12，…，c1w，x1，x2，…，xj)，将不同用电设备的序列数据d组成矩阵Mx:
其中missing表示该数据缺失。
基于矩阵Mx，并利用公知的collaborative filtering或matrix completion等方法，将缺失的数据missing补全。某个用电设备经过上述补全过程补全后的序列数据(补全数据后的d)标记为dr。
604为数据补全计算结果，补全后的数据可由用电设备分析中心5117通过数据传输媒介5118传输给用电设备监控中心5116，或者由用电设备分析中心5117直接传输到用电设备。
605为设备分类单元，在设备分类单元605中，表示不同用电设备的序列数据c1组成一个数据集Set1，根据该数据集Set1，利用公知的分类(clustering)算法如key means,DBSCAN等将各用电设备分为不同的类别，获得分类结果，在该分类结果中，每个不同类别被赋予不同值，各不同值之差表示各不同类别之间的差异性大小。
Set1可以直接作为输入数据进行分类计算，也可以将Set1进行PCA等预处理计算，然后将预处理计算结果作为分类计算的输入数据。
上述利用图7说明的信号变换单元703中的权重wa及wb的值由设备分类单元605根据分类结果经验指定或由分类算法自动寻优来指定。
图11是示意性的设备分类计算结果，其中1101表示不同用电设备，1102,1103及1104代表不同用电设备类别。
回到图6，其中606为用电设备分类结果，该分类结果606可由用电设备分析中心5117通过数据传输媒介5118传输给用电设备监控中心5116，或者由用电设备分析中心5117直接传输到用电设备。
607为序列数据分析2，其中将用电设备的电压及电流时间序列数据进行处理。该处理方法可以采用处理方法1或处理方法2。处理方法l如图9中所示，将电压或电流信号变换到频域，然后对频域中的变换结果F1进行采样，得到一个序列数据e1＝(F1(f′1)，F1(f′2)，…，F1(f′h))，处理方法2如图10所示，将电压或电流信号按照不同特征累加在一起，如将图中峰值和谷值分别累加计算: 然后组成序列数据e1＝(r1，r2)。
需要注意的是，在序列数据分析2607中，同一个用电设备在不同时刻，可以计算出多个不同的序列数据e1，被当作不同设备来处理。因此在后续的计算过程中所指的不同用电设备可能是实际不同的用电设备，也可能是同一用电设备的不同时刻。
608为KPI计算单元，进行KPI的第一值和第二值的计算。KPI计算单元608按照图12所示的方法计算KPI的第一值k。图12是耗能系统的KPI的第一值计算步骤的详细流程图。其中1201为原始或中间数据输入。
在1202，根据用电设备的关键状态信息(在本实施例中为用电设备的电压和电流)计算KPI的临时第一值其中t1＜t2＜t3＜t4为不同的时刻，V为用电设备电压，I为用电设备电流。
在1203，根据其他可用数据(其他信息)和方法计算不同KPI的临时第一值。
如果设备的有效输出功率或输出电流等类似信息己知，那么计算KPI的临时第一值k2＝有效输出功率/P，P＝V*I，V为用电设备电压，I为用电设备电流。
如果设备的额定功率或类似信息已知，那么计算KPI的临时第一值k3＝额定功率/P，P＝V*I，V为用电设备电压，I为用电设备电流。
如果代表环境变化的序列数据已知，那么根据代表环境变化的序列数据和代表设备实时功率的序列数据的相关性来计算KPI的临时第一值k4，在本实施例中假定代表环境变化的数据为温度数据T，那么k4＝1/correlation(T，P)，P＝V*I，V为用电设备电压，I为用电设备电流。计算相关性的方法为公知技术，因此在此省略说明。
如果用电设备之间的拓扑信息已知，那么计算KPI的临时第一值k5，计算方法如图2～图4所示。
在1204，根据能够获得的不同的KPI的临时第一值k1，k2，k3，k4，k5中已知的值，计算KPI的第一值k。其计算方法为：其中w′i为权重值，gi表示ki是否已知，如果ki已知则gi＝1，反之gi＝0，i∈N，1≤i≤5。
如果用电设备的类型信息已知，那么对不同的用电设备，其权重值集合{w′i|i∈[1，5]}是不同的，例如，如果用电设备为供暖或制冷
设备，或者是楼宇/住宅，那么权重w′4的值较高，其他值较低。如果用电设备为机械加工设备，那么权重w′2、w′3的值较高，其他较低。如果用电设备是电网中的设备，那么权重w′5的值较高。
如果用电设备的类型信息未知，则对不同的用电设备按照同样的权重值集合来计算。
回到图6，KPI计算单元608将序列数据dr，序列数据e1，组成一个新的序列数据h，选择h中一部分数据作为序列数据h1，剩余的序列数据为h2，在本实施例中，选择上文提到的计算得到的序列数据c1中的所有数据(c11，c12……c1w)为序列数据h1。序列数据h中未被选中的部分(x1，x2，……xj)为序列数据h2。
代表不同用电设备的序列数据h1和KPI的第一值k组成一个数据集Set2，以KPI的第一值k为目标变量，基于Set2利用公知的拟合算法计算出拟合模型，可选的拟合算法包括但不限于，人工神经网络(ANN)，支持向量机(SVM)，线性/非线性回归等。Set2可以直接作为输入数据输入到拟合模型的算法中，也可以被PCA或类似方法进行预处理，然后预处理结果作为输入数据输入到拟合模型的算法中。计算得到的拟合模型可以是一条曲线，也可以是一个概率模型，在本实施例中，假设计算得到的是一条曲线。计算出的拟合模型示意图如图13所示。其中1301为代表不同设备的点，1302为拟合计算得到的模型。
KPI计算单元608根据计算得到的拟合模型来计算KPI的第二值kp，如果拟合模型是一条曲线，那么kp等于代表某个设备的点与曲线的距离，如图13中的1303所示，以目标变量k的方向为正方向，位于曲线上方的点(如1304)与曲线的距离为正值，位于曲线下方的点(如1305)与曲线的距离为负值。
如果拟合模型是一个概率模型，计算出一条期望值/均值曲线，类似地，以目标变量k的方向为正方向，位于期望值/均值曲线上方的点，其kp＝1-Pr，其中Pr为以该用电设备的序列数据dr和e1作为自变量输入时概率模型的值。位于期望值/均值曲线下方的点，其kp＝Pr。
KPI计算单元608以kp的大小对多个用电设备进行排序，例如，特定大小或特定比例的kp值最小的部分用电设备被选定为KPI较差的部分设备，被选中的部分用电设备集合标记为Set3。未被选定的部分设备集合为Set4。
上文所述的计算kp的方法，对应的是上文中的k值计算方法，在该计算方法中，k值越大，则设备KPI状态越好，如果在其他某些类似的计算方法中，k值越小，则设备的KPI状态越好，那么计算kp的过程，或选择KPI较差的部分设备的过程作相应的调整即可。
KPI评估单元610可以向用电设备监控中心5116或直接向相关设备发送更新被选中的KPI较差的部分设备的数据更新请求，609为更新的数据。KPI评估单元610基于更新的数据重新计算各个设备的kp，计算过程如图14所示。
图14是耗能系统的KPI评估计算流程图。其中1401是所选择的KPI较差的用电设备的原始KPI。1402将数据收集请求发送到所选择的用电设备，所选用电设备的操作者逻辑设备或任何外部源。1403是从所选择的用电设备重新收集的数据(包括关键状态信息和其他信息)。在1404中，根据图12所示的方法，确定重新收集的数据是否足以重新计算所选择的用电设备的KPI值。如果是，则在1405中，进行更新步骤：将重新计算所选择的用电设备的KPI，如上结合图12描述的KPI值计算过程将被再次计算，选择新的KPI值和新一组用电设备。如果否，则在1406中，则使用原始KPI值作为最终KPI值。
更新后，KPI评估单元610将更新的kp作为代表用电设备KPI状态的值输出(611)到用电设备监控中心5116或移动设备5121或用电设备本身。
612为用电设备KPI改善策略计算单元，计算过程如下：将Set3中的某个KPI较差的设备为待改善设备dev，其序列数据h1记为h1b＝(h1b1，h1b2，…h1bk，…，h1bp)，其序列数据h2记为
h2b＝(h2b1，h2b2，…，h2bi，…，h2bq)；其中q为序列数据中数据项的数量。将Set4中与待改善设备的序列数据h1相同、但h2不同的所有用电设备的序列数据h2的集合记为
Set5＝{h21，h22，…，h2j…，h2mm}，其中mm为集合的元素数量，h2j＝(h2j1，h2j2，…，h2ji，…，h2iq)，计算集合Set6：
选择Set6中最大的元素作为设备dev的KPI改善策略。如在本实施例中，被选中的元素可以是KPI较差的用电设备在谷值工作时间的累积值和Set4中的设备在谷值工作时间的累积值的差别，KPI改善策略即为：减少KPI较差的用电设备在低功率下的工作时间，使得其与其他正常用电设备在低功率工作时间相同。
在613，将计算得到的用电设备改善策略输出到用电设备监控中心5116或用电设备本身。用电设备的改善策略可以通过各种方法进行可视化。下面结合图15和图16进行详细说明。
图15与图16性能改善策略计算结果的可视化方法的示意图。
在图15中，不同用电设备按照KPI的优劣进行排序，其中1501为KPI较好的部分设备，1502为选定的KPI较差的部分设备，被显示的设备集合1505可以是所有设备，也可以是符合某个特征的设备集合，如可以是所有的空调类设备，或所有的住宅类设备，或某地区范围内所有的用电设备。被显示的设备1503或1504可以是一个用电设备，也可以是一部分设备的集合，如1503可以表示一个地区的所有用电设备的平均KPI水平，1504可以表示另一个地区的所有用电设备的平均KPI水平。
在图16中，用电设备的KPI水平，或者一部分用电设备的平均KPI水平与其他数据一同显示。例如，1601可以是某省内所有工业用电设备的平均KPI水平，或是某海拔范围内所有电力变压器的平均KPI水平。1602可以是海拔，海拔，天气，省区划分，交通，经济状况等信息。用电设备之间的拓扑关系，如电网结构图，也可以显示在本图中。
根据如上所述的本发明的实施例，不需要丰富的传感器信息、耗能系统厂家提供的实验数据等其他数据，只需利用耗电功率、耗电电流等关键状态信息(耗能数据)，就能对系统的KPI进行计算，由此选择KPI较差的耗能系统，并对KPI差的耗能系统给出改善策略，因此，能够利用关键状态信息，利用相同的KPI计算方法对KPI进行计算，因此可靠性高，可比较性好，可用于广泛的应用场景。而且，本发明不需要由厂家提供数据，也不需要对现有的硬件设备进行大规模的改动，通过实时收集耗能系统的关键状态信息，就能计算出KPI，并给出KPI较差的耗能系统的性能改善策略，因此能够降低成本，实时性好。
根据如上所述的本发明的实施例，根据能够获知的耗能系统数据，采用尽可能多的KPI的计算方法，计算出临时KPI值以后，再根据耗能系统的类别，对采用不同方法计算出的KPI进行加权平均，由此充分考虑能够获取到的耗能系统数据，计算出具有很好的可比较性的KPI值，能够消除或抑制不同KPI计算方法所导致的KPI比较性变差的问题。
根据如上所述的本发明的实施例，除了耗能系统的关键状态信息外，还通过收集其他信息，并且其他信息中一部分信息缺失时通过补全算法进行补全，能够进一步提高改善策略的可靠性，可应用场景更加广泛。
以上，通过如上所述的实施例，对本发明进行了详细描述，但本发明不限于如上所述的各种实施方式，也可以通过如下示例所述的各种实施方式实现。
示例1：一种计算耗能系统集群中的耗能系统的性能改善策略的方法，包括以下步骤:
第一步骤，收集耗能系统集群中各耗能系统的关键状态信息；
第二步骤，基于所述关键状态信息，计算所述各耗能系统的关键性能指标的第一值；
第三步骤，基于所述各耗能系统的关键状态信息，对所述各耗能系统进行分类，获得分类结果；
第四步骤，基于所述各耗能系统的关键状态信息的至少一部分、所述各耗能系统的关键性能指标的第一值和所述各耗能系统的分类结果，进行数据拟合，计算拟合模型；
第五步骤，基于所述拟合模型，计算各所述耗能系统的关键性能指标的第二值；以及
第六步骤，基于各所述耗能系统的关键性能指标的第二值，计算所述各耗能系统中需要改善性能的耗能系统的性能改善策略。
示例2：如示例1所述的方法，所述第二步骤包括：
针对每个耗能系统，通过如下方式(1)～(5)计算该耗能系统的各临时第一值k1～k5的步骤：
(1)通过比较耗能系统的关键状态信息在不同时刻的值或比较耗能系统的关键状态信息在不同时间区间的统计值，来计算临时第一值k1；
(2)如果不同耗能系统之间的拓扑关系己知，则通过对比该不同耗能系统的关键状态信息的方法来计算第一值k2；
(3)如果耗能系统的环境信息己知，则通过计算该耗能系统的关键状态信息和环境信息的相关性来计算第一值k3；
(4)如果耗能系统的额定容量己知，则通过比较该耗能系统的关键状态信息与额定容量来计算第一值k4；以及
(5)如果耗能系统的有效输出功率己知，则通过比较该耗能系统的关键状态信息与有效输出功率来计算第一值k5；以及
按照如下公式计算该耗能系统的关键性能指标的第一值的步骤：
其中w′i为k1～k5的权重值，gi表示ki是否已知，如果ki已知，则gi＝1，反之gi＝0，i∈N，1≤i≤5。
示例3：如示例1所述的方法，所述第三步骤包括：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；以及
基于各耗能系统的各一系列数据，利用分类算法，获得分类结果，在所述分类结果中，每个不同类别被赋予不同值，各不同值之差表示各不同类别之间的差异性大小。
示例4：如示例1所述的方法，所述第四步骤包括：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；
将处理得到的该一系列数据与所述第三步骤中获得的对应耗能系统的分类结果组合，作为第一序列数据；
选择所述第一序列数据中的一部分元素，组合成第二序列数据；
将所述第二序列数据与在所述第二步骤中获得的对应耗能系统的关键性能指标的第一值组合，作为第三序列数据；和
基于各个不同耗能系统的第三序列数据，以耗能系统的关键性能指标为目标变量，计算拟合模型。
示例5：如示例4所述的方法，其中
所述拟合模型是一条曲线或者是概率函数。
示例6如示例5所述的方法，其中，在所述第五步骤中，
如果拟合模型是一条曲线，则通过计算各耗能系统在坐标空间中的点与该曲线的距离来计算关键性能指标第二值；
如果拟合模型是概率函数，则通过计算各耗能系统在该概率函数中的函数值来计算关键性能指标第二值。
示例7：如示例4所述的方法，还包括：
收集与耗能系统相关的其他信息的步骤；和
补全步骤，如果所述其他信息中部分信息缺失，则将每个耗能系统的所述第二序列数据和其他信息组合成数据序列，在该数据序列中将所缺失的信息标记为缺失，将各耗能系统的数据序列组合成矩阵，利用数据补全算法，将缺失的数据补全。
示例8：如示例4所述的方法，所述第六步骤包括：
将每个耗能系统的第一序列数据中没有被选为第二序列数据的元素组合成第四序列数据；
选择特定数量或特定比例的、关键性能指标的第二值最大或者最小的一部分耗能系统；
对比所选择的耗能系统的第四序列数据的元素与其他没有被选择的、与该被选择的耗能系统具有相同的第二序列数据的耗能系统的第四序列数据的元素，根据其中差别最大的元素给出该被选择的耗能系统的性能改善策略。
示例9：一种耗能系统监控装置，包括处理器和存储器，所述存储器中存储有可由处理器执行的计算机程序指令，所述计算机程序指令由所述处理器执行时，使得所述耗能系统监控装置实现示例1～8中任一项所述的计算耗能系统集群中的耗能系统的性能改善策略的方法。
示例10：一种非暂时性计算机可读存储介质，存储有能够由控制器执行的计算机可读程序指令，所述指令当由控制器执行时，使得执行示例1～8中任一项所述的计算耗能系统集群中的耗能系统的性能改善策略的方法。
示例11：一种计算耗能系统集群中的耗能系统的性能改善策略的装置，包括:
第一单元，收集耗能系统集群中各耗能系统的关键状态信息；
第二单元，基于所述关键状态信息，计算所述各耗能系统的关键性能指标的第一值；
第三单元，基于所述各耗能系统的关键状态信息，对所述各耗能系统进行分类，获得分类结果；
第四单元，基于所述各耗能系统的关键状态信息的至少一部分、所述各耗能系统的关键性能指标的第一值和所述各耗能系统的分类结果，进行数据拟合，计算拟合模型；
第五单元，基于所述拟合模型，计算各所述耗能系统的关键性能指标的第二值；以及
第六单元，基于各所述耗能系统的关键性能指标的第二值，计算所述各耗能系统中需要改善性能的耗能系统的性能改善策略。
示例12：如示例11所述的装置，所述第二单元被配置成：
针对每个耗能系统，通过如下方式(1)～(5)计算该耗能系统的各临时第一值k1～k5的：
(1)通过比较耗能系统的关键状态信息在不同时刻的值或比较耗能系统的关键状态信息在不同时间区间的统计值，来计算临时第一值k1；
(2)如果不同耗能系统之间的拓扑关系己知，则通过对比该不同耗能系统的关键状态信息的方法来计算第一值k2；
(3)如果耗能系统的环境信息己知，则通过计算该耗能系统的关键状态信息和环境信息的相关性来计算第一值k3；
(4)如果耗能系统的额定容量己知，则通过比较该耗能系统的关键状态信息与额定容量来计算第一值k4；以及
(5)如果耗能系统的有效输出功率己知，则通过比较该耗能系统的关键状态信息与有效输出功率来计算第一值k5；以及
按照如下公式计算该耗能系统的关键性能指标的第一值：
其中w′i为k1～k5的权重值，gi表示ki是否已知，如果ki已知，则gi＝1，反之gi＝0，i∈N，1≤i≤5。
示例13：如示例11所述的装置，所述第三单元被配置成：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；以及
基于各耗能系统的各一系列数据，利用分类算法，获得分类结果，在所述分类结果中，每个不同类别被赋予不同值，各不同值之差表示各不同类别之间的差异性大小。
示例14：如示例11所述的装置，所述第四单元被配置成：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；
将处理得到的该一系列数据与所述第三步骤中获得的对应耗能系统的分类结果组合，作为第一序列数据；
选择所述第一序列数据中的一部分元素，组合成第二序列数据；
将所述第二序列数据与在所述第二步骤中获得的对应耗能系统的关键性能指标的第一值组合，作为第三序列数据；和
基于各个不同耗能系统的第三序列数据，以耗能系统的关键性能指标为目标变量，计算拟合模型。
示例15：如示例14所述的装置，其中
所述拟合模型是一条曲线或者是概率函数。
示例16：如示例5所述的装置，其中，
如果拟合模型是一条曲线，则所述第五单元通过计算各耗能系统在坐标空间中的点与该曲线的距离来计算关键性能指标第二值；
如果拟合模型是概率函数，则所述第五单元通过计算各耗能系统在该概率函数中的函数值来计算关键性能指标第二值。
示例17：如示例14所述的装置，还包括：
收集与耗能系统相关的其他信息的单元；和
补全单元，如果所述其他信息中部分信息缺失，则将每个耗能系统的所述第二序列数据和其他信息组合成数据序列，在该数据序列中将所缺失的信息标记为缺失，将各耗能系统的数据序列组合成矩阵，利用数据补全算法，将缺失的数据补全。
示例18：如示例14所述的装置，所述第六单元被配置成：
将每个耗能系统的第一序列数据中没有被选为第二序列数据的元素组合成第四序列数据；
选择特定数量或特定比例的、关键性能指标的第二值最大或者最小的一部分耗能系统；
对比所选择的耗能系统的第四序列数据的元素与其他没有被选择的、与该被选择的耗能系统具有相同的第二序列数据的耗能系统的第四序列数据的元素，根据其中差别最大的元素给出该被选择的耗能系统的性能改善策略。
虽然已经参考具体示例性示例描述了实施例，但是显而易见的是，在不脱离本发明的更广泛的精神和范围的情况下，可以对这些实施例进行各种修改和改变。因此，说明书和附图被认为是说明性的而不是限制性的。构成其一部分的附图通过说明而非限制的方式示出可以实现发明主题的具体实施例。所描述的实施例被足够详细地描述，以使本领域技术人员能够实践本文公开的教导。可以利用和导出其他实施例，使得可以在不脱离本发明的范围的情况下进行结构和逻辑替换和改变。因此，这些具体实施例不应被认为是限制性的，并且各种实施例的范围仅由所附权利要求以及这些权利要求所赋予的等同物的全部范围来限定。

Claims (9)

1.一种计算耗能系统集群中的耗能系统的性能改善策略的方法，包括以下步骤:
第一步骤，收集耗能系统集群中各耗能系统的关键状态信息；
第二步骤，基于所述关键状态信息，计算所述各耗能系统的关键性能指标的第一值；
第三步骤，基于所述各耗能系统的关键状态信息，对所述各耗能系统进行分类，获得分类结果；
第四步骤，基于所述各耗能系统的关键状态信息的至少一部分、所述各耗能系统的关键性能指标的第一值和所述各耗能系统的分类结果，进行数据拟合，计算拟合模型；
第五步骤，基于所述拟合模型，计算各所述耗能系统的关键性能指标的第二值；以及
第六步骤，基于各所述耗能系统的关键性能指标的第二值，计算所述各耗能系统中需要改善性能的耗能系统的性能改善策略。
2.如权利要求1所述的方法，所述第二步骤包括：
针对每个耗能系统，通过如下方式(1)～(5)计算该耗能系统的各临时第一值k1～k5的步骤：
(1)通过比较耗能系统的关键状态信息在不同时刻的值或比较耗能系统的关键状态信息在不同时间区间的统计值，来计算临时第一值k1；
(2)如果不同耗能系统之间的拓扑关系己知，则通过对比该不同耗能系统的关键状态信息的方法来计算第一值k2；
(3)如果耗能系统的环境信息己知，则通过计算该耗能系统的关键状态信息和环境信息的相关性来计算第一值k3；
(4)如果耗能系统的额定容量己知，则通过比较该耗能系统的关键状态信息与额定容量来计算第一值k4；以及
(5)如果耗能系统的有效输出功率己知，则通过比较该耗能系统的关键状态信息与有效输出功率来计算第一值k5；以及
按照如下公式计算该耗能系统的关键性能指标的第一值的步骤：
其中W′i为k1～k5的权重值，gi表示ki是否已知，如果ki已知，则gi＝1，反之gi＝0，i∈N，1≤i≤5。
3.如权利要求1所述的方法，所述第三步骤包括：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；以及
基于各耗能系统的各一系列数据，利用分类算法，获得分类结果，在所述分类结果中，每个不同类别被赋予不同值，各不同值之差表示各不同类别之间的差异性大小。
4.如权利要求1所述的方法，所述第四步骤包括：
选择所述各耗能系统的关键状态信息的至少一部分进行处理，针对每个耗能系统获得一系列数据；
将处理得到的该一系列数据与所述第三步骤中获得的对应耗能系统的分类结果组合，作为第一序列数据；
选择所述第一序列数据中的一部分元素，组合成第二序列数据；
将所述第二序列数据与在所述第二步骤中获得的对应耗能系统的关键性能指标的第一值组合，作为第三序列数据；和
基于各个不同耗能系统的第三序列数据，以耗能系统的关键性能指标为目标变量，计算拟合模型。
5.如权利要求4所述的方法，其中
所述拟合模型是一条曲线或者是概率函数。
6.如权利要求5所述的方法，其中，在所述第五步骤中，
如果拟合模型是一条曲线，则通过计算各耗能系统在坐标空间中的点与该曲线的距离来计算关键性能指标第二值；
如果拟合模型是概率函数，则通过计算各耗能系统在该概率函数中的函数值来计算关键性能指标第二值。
7.如权利要求4所述的方法，还包括：
收集与耗能系统相关的其他信息的步骤；和
补全步骤，如果所述其他信息中部分信息缺失，则将每个耗能系统的所述第二序列数据和其他信息组合成数据序列，在该数据序列中将所缺失的信息标记为缺失，将各耗能系统的数据序列组合成矩阵，利用数据补全算法，将缺失的数据补全。
8.如权利要求4所述的方法，所述第六步骤包括：
将每个耗能系统的第一序列数据中没有被选为第二序列数据的元素组合成第四序列数据；
选择特定数量或特定比例的、关键性能指标的第二值最大或者最小的一部分耗能系统；
对比所选择的耗能系统的第四序列数据的元素与其他没有被选择的、与该被选择的耗能系统具有相同的第二序列数据的耗能系统的第四序列数据的元素，根据其中差别最大的元素给出该被选择的耗能系统的性能改善策略。
9.一种耗能系统监控装置，包括处理器和存储器，所述存储器中存储有可由处理器执行的计算机程序指令，所述计算机程序指令由所述处理器执行时，使得所述耗能系统监控装置实现权利要求1～8中任一项所述的计算耗能系统集群中的耗能系统的性能改善策略的方法。
CN201710324748.0A 2017-05-10 2017-05-10 计算耗能系统性能的改善策略的方法和耗能系统监控装置 Active CN108876078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710324748.0A CN108876078B (zh) 2017-05-10 2017-05-10 计算耗能系统性能的改善策略的方法和耗能系统监控装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710324748.0A CN108876078B (zh) 2017-05-10 2017-05-10 计算耗能系统性能的改善策略的方法和耗能系统监控装置

Publications (2)

Publication Number Publication Date
CN108876078A true CN108876078A (zh) 2018-11-23
CN108876078B CN108876078B (zh) 2023-06-20

Family

ID=64287207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710324748.0A Active CN108876078B (zh) 2017-05-10 2017-05-10 计算耗能系统性能的改善策略的方法和耗能系统监控装置

Country Status (1)

Country Link
CN (1) CN108876078B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469401A (zh) * 2020-03-31 2021-10-01 中关村海华信息技术前沿研究院 用于供能系统的控制方法、系统、设备及存储介质
CN113760675A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 负载预测方法和装置、电子设备以及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020194042A1 (en) * 2000-05-16 2002-12-19 Sands Donald Alexander Method of business analysis
CN1575614A (zh) * 2001-10-25 2005-02-02 诺基亚公司 用于优化网络性能的方法和系统
US20090111382A1 (en) * 2007-10-26 2009-04-30 Motorola, Inc. Methods for scheduling collection of key performance indicators from elements in a communications network
CN102289455A (zh) * 2010-06-16 2011-12-21 微软公司 关键性能指标加权
US20150289149A1 (en) * 2014-04-08 2015-10-08 Cellco Partnership D/B/A Verizon Wireless Estimating long term evolution network capacity and performance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020194042A1 (en) * 2000-05-16 2002-12-19 Sands Donald Alexander Method of business analysis
CN1575614A (zh) * 2001-10-25 2005-02-02 诺基亚公司 用于优化网络性能的方法和系统
US20090111382A1 (en) * 2007-10-26 2009-04-30 Motorola, Inc. Methods for scheduling collection of key performance indicators from elements in a communications network
CN102289455A (zh) * 2010-06-16 2011-12-21 微软公司 关键性能指标加权
US20150289149A1 (en) * 2014-04-08 2015-10-08 Cellco Partnership D/B/A Verizon Wireless Estimating long term evolution network capacity and performance

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469401A (zh) * 2020-03-31 2021-10-01 中关村海华信息技术前沿研究院 用于供能系统的控制方法、系统、设备及存储介质
CN113760675A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 负载预测方法和装置、电子设备以及计算机可读存储介质

Also Published As

Publication number Publication date
CN108876078B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Wang et al. Practical issues in implementing machine-learning models for building energy efficiency: Moving beyond obstacles
Jin et al. Virtual occupancy sensing: Using smart meters to indicate your presence
CN117036104B (zh) 一种基于电力物联网的智慧用电方法和系统
CN109035067A (zh) 基于rf和arma算法的建筑能耗处理方法及装置
CN110782153A (zh) 一种企业园区综合能效评估体系建模方法及系统
EP2813979A1 (en) Electric power consumption management system and method
CN110658725B (zh) 一种基于人工智能的能源监管和预测系统及其方法
Huang et al. Distributed machine learning on smart-gateway network toward real-time smart-grid energy management with behavior cognition
CN109409732A (zh) 一种能耗管理系统及管理方法
Ju et al. The use of edge computing-based internet of things big data in the design of power intelligent management and control platform
Tsai et al. Computational awareness for smart grid: a review
Li et al. Swarm decision table and ensemble search methods in fog computing environment: Case of day-ahead prediction of building energy demands using IoT sensors
Wang et al. A review of load forecasting of the distributed energy system
CN107484189B (zh) Lte数据处理系统
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN108876078A (zh) 计算耗能系统性能的改善策略的方法和耗能系统监控装置
Veloso et al. Cognitive smart plugs for signature identification of residential home appliance load using machine learning: From theory to practice
Hanafi et al. Advancing Sustainable Energy Management: A Comprehensive Review of Artificial Intelligence Techniques in Building
Sulistyowati et al. Prototype and monitoring system of phasor measurement unit based on the internet of things
Nichiforov et al. Embedded on-line system for electrical energy measurement and forecasting in buildings
JP2024531032A (ja) ターゲットデバイスの存在を発見するための訓練済みモデル
Petrović et al. Enabling adaptivity in IoT-based smart grid architecture
Tascikaraoglu On Data-Driven Approaches for Demand Response
Zadoian et al. Data mining to achieve quality of life for home automation users
Masroor et al. A survey of intelligent building automation with machine learning and IoT

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
GR01 Patent grant
GR01 Patent grant