CN109213098A - 调整运行参数的方法、装置、电子设备和计算机可读介质 - Google Patents
调整运行参数的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN109213098A CN109213098A CN201810997284.4A CN201810997284A CN109213098A CN 109213098 A CN109213098 A CN 109213098A CN 201810997284 A CN201810997284 A CN 201810997284A CN 109213098 A CN109213098 A CN 109213098A
- Authority
- CN
- China
- Prior art keywords
- operating parameter
- adjusted
- power consumption
- consuming system
- prediction
- 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及调整运行参数的方法、装置、电子设备和计算机可读介质。调整耗电系统的运行参数的方法,包括:将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对耗电系统的耗电量的影响程度的重要性度量值;以及根据每一个运行参数的重要性度量值选择每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的预测耗电量。根据本发明的调整耗电系统的运行参数的方法和装置,可以定量地确定每个运行参数的重要性,并且可以对运行参数进行调整,来实现最小的耗电量。
Description
技术领域
本发明通常涉及能源管理领域,更具体地,涉及调整运行参数的方法、装置、电子设备和计算机可读介质。
背景技术
冷冻水系统是制造工厂中的一种重要的电能消耗者。冷冻水系统的电能使用效率与很多因素相关。其中之一是冷冻水系统的各个运行参数,例如二次回路流量、供回水温度等等。通常,操作者尝试用专业知识和工作经验,通过逐步地进行试验来调整运行参数以改进电能使用效率。
因此,希望提供一种更加高效且可行地提高电能使用效率的方法。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
根据本发明的一个方面,调整耗电系统的运行参数的方法,包括:将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对所述耗电系统的耗电量的影响程度的重要性度量值;以及根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整以降低所述耗电系统的预测耗电量。
以这样的方式,利用预先构建的耗电系统的运行参数与预测耗电量的预测模型,可以快速、定量地确定每个运行参数的重要性,从而根据运行参数的重要性选择性地对其进行调整,来降低耗电系统的耗电量,从而提高所述耗电系统的电能使用效率。
优选地,在上述方面的一个示例中,根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整包括:根据所述每一个运行参数的重要性度量值按照预定规则从所述每一个运行参数中选择候选待调整运行参数;对所述候选待调整运行参数进行多种不同方式的调整,所述多种不同方式的调整包括:从所述候选待调整运行参数中选择任意一个或多个待调整运行参数进行调整,以及对所选择的一个或多个待调整运行参数依次调整不同的量;针对每一种调整方式,将耗电系统的进行了调整和未进行调整的全部运行参数一起输入所述预测模型来计算在这种调整方式下的运行参数所对应的所述耗电系统的预测耗电量;以及按照与计算出的预测耗电量的最小值对应的运行参数的调整方式来对所述运行参数进行调整。
以这样的方式,可以根据运行参数的重要程度选择候选待调整运行参数,再对候选待调整运行参数进行多种不同的调整方式,从而确定出可以使得预测耗电量最小的运行参数的调整方式。
优选地,在上述方面的一个示例中,采用数值模拟方法来模拟所述耗电系统的全部运行参数的联合分布,针对每一种调整方式,将其对应的全部运行参数的联合分布输入所述预测模型来计算在这种调整方式下的运行参数所对应的预测耗电量。
以这样的方式,通过模拟在对一个或多个运行参数进行调整之后,运行参数的联合分布的变化来找到最优的运行参数的组合。
优选地,在上述方面的一个示例中,对于计算出的每一种调整方式所对应的预测耗电量采用T检验方法来检验所述预测耗电量是否有效,在检验为有效的预测耗电量中确定最小预测耗电量。T检验方法所选用的判定标准可以为p值小于0.05。
以这样的方式,可以减小产生错误结果的概率。
优选地,在上述方面的一个示例中,采用所述耗电系统的所述至少一个运行参数的至少一组值以及所对应的耗电量作为训练数据集进行机器学习来得到所述预测模型,所述预测模型用于预测所述运行参数的所述重要性度量值以及所述耗电系统的预测耗电量。其中,可以采用随机森林算法进行学习。优选地,预测模型是采用从训练数据集中过滤掉噪声数据和异常数据之后的数据作为训练集进行机器学习而得到。
以这样的方式,使用机器学习算法来构建耗电系统的运行参数和耗电量的预测模型,可以定量地确定每个运行参数的重要性,从而根据运行参数的重要程度选择性地对其进行调整。
优选地,在上述方面的一个示例中,上述方法还包括更新所述预测模型的处理,所述更新所述预测模型的处理包括:将所述耗电系统的所述预测耗电量与相同运行参数条件下的实际耗电量进行比较,在确定存在异常的情况下,调整所述训练数据集中的训练数据来重新学习所述预测模型。
以这样的方式,所采用的预测模型具有灵活性,可以对训练集中的数据进行调整,也可以根据需要向预测模型中添加新的特征。
优选地,在上述方面的一个示例中,上述方法还包括反馈处理,反馈处理包括:在所调整的运行参数不满足预定要求的情况下,进一步调整所述运行参数;以及利用所述预测模型来计算进一步调整后的运行参数所对应的所述耗电系统的预测耗电量,以确定是否还需要再对所述运行参数进行调整。
以这样的方式,用户可以基于方法的执行结果提供反馈,考虑到实际运行的复杂性和产线需要,有可能计算的最优解在实际运行中无法实现,在这种情况下,可以重新计算可行的、次优的运行参数组合。
优选地,在上述方面的一个示例中,耗电系统为冷冻水系统。
优选地,在上述方面的一个示例中,耗电系统的运行参数包括以下参数中的至少一项:二次回路流量、供回水温度、环境温度和湿度以及冷却水温度。
根据本发明的另一方面,提供一种用于调整耗电系统的运行参数的装置,包括:预测模块,被配置为将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对所述耗电系统的耗电量的影响程度的重要性度量值;以及调整模块,被配置为根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整以降低所述耗电系统的预测耗电量。
以这样的方式,利用预先构建的耗电系统的运行参数与预测耗电量的预测模型,可以快速、定量地确定每个运行参数的重要性,从而根据运行参数的重要性选择性地对其进行调整,来降低耗电系统的耗电量,从而提高所述耗电系统的电能使用效率。
优选地,在上述方面的一个示例中,调整模块进一步被配置为:根据所述每一个运行参数的重要性度量值按照预定规则从所述每一个运行参数中选择候选待调整运行参数;对所述候选待调整运行参数进行多种不同方式的调整,所述多种不同方式的调整包括:从所述候选待调整运行参数中选择任意一个或多个待调整运行参数进行调整,以及对所选择的一个或多个待调整运行参数依次调整不同的量;针对每一种调整方式,将耗电系统的进行了调整和未进行调整的全部运行参数一起输入所述预测模型来计算在这种调整方式下的运行参数所对应的所述耗电系统的预测耗电量;以及按照与计算出的预测耗电量的最小值对应的运行参数的调整方式来对所述运行参数进行调整。
以这样的方式,可以根据运行参数的重要程度选择候选待调整运行参数,再对候选待调整运行参数进行多种不同的调整方式,从而确定出可以使得预测耗电量最小的运行参数的调整方式。
优选地,在上述方面的一个示例中,采用数值模拟方法来模拟所述耗电系统的全部运行参数的联合分布,针对每一种调整方式,将其对应的全部运行参数的联合分布输入所述预测模型来计算在这种调整方式下的运行参数所对应的预测耗电量。
以这样的方式,通过模拟在对一个或多个运行参数进行调整之后,运行参数的联合分布的变化来找到最优的运行参数的组合。
优选地,在上述方面的一个示例中,对于计算出的每一种调整方式所对应的预测耗电量采用T检验方法来检验所述预测耗电量是否有效,在检验为有效的预测耗电量中确定最小预测耗电量。T检验方法所选用的判定标准为p值小于0.05。
以这样的方式,可以减小产生错误结果的概率。
优选地,在上述方面的一个示例中,所述预测模型是采用所述耗电系统的所述至少一个运行参数的至少一组值以及每一组值所对应的耗电量作为训练数据集进行机器学习而得到,所述预测模型用于预测所述运行参数的所述重要性度量值以及所述耗电系统的预测耗电量。其中,可以采用随机森林算法进行学习。优选地,预测模型是采用从训练数据集中过滤掉噪声数据和异常数据之后的数据作为训练集进行机器学习而得到。
以这样的方式,使用机器学习算法来构建耗电系统的运行参数和耗电量的预测模型,可以定量地确定每个运行参数的重要性,从而根据运行参数的重要程度选择性地对其进行调整。
优选地,在上述方面的一个示例中,调整耗电系统的运行参数的装置还包括更新模块,其被配置为:将所述耗电系统的所述预测耗电量与相同运行参数条件下的实际耗电量进行比较,在确定存在异常的情况下,调整所述训练数据集中的训练数据来重新学习所述预测模型。
以这样的方式,所采用的预测模型具有灵活性,可以对训练集中的数据进行调整,也可以根据需要向预测模型中添加新的特征。
优选地,在上述方面的一个示例中,调整耗电系统的运行参数的装置还包括反馈模块,反馈模块被配置为:在所调整的运行参数不满足预定要求的情况下,进一步调整所述运行参数;以及利用所述预测模型来计算进一步调整后的运行参数所对应的所述耗电系统的预测耗电量,以确定是否还需要再对所述运行参数进行调整。
以这样的方式,用户可以基于方法的执行结果提供反馈,考虑到实际运行的复杂性和产线需要,有可能计算的最优解在实际运行中无法实现,在这种情况下,可以重新计算可行的、次优的运行参数组合。
优选地,在上述方面的一个示例中,耗电系统为冷冻水系统。
优选地,在上述方面的一个示例中,耗电系统的运行参数包括以下参数中的至少一项:二次回路流量、供回水温度、环境温度和湿度以及冷却水温度。
根据本发明的另一方面,提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器耦合的存储器,存储器具有存储于其中的指令,所述指令在被至少一个处理器执行时使电子设备执行如上所述的调整耗电系统的运行参数的方法。
根据本发明的另一方面,提供一种非暂时性机器可读存储介质,其存储有计算机可执行指令,所述计算机指令当被执行时使得至少一个处理器执行如上所述的调整耗电系统的运行参数的方法。
根据本发明的另一方面,提供一种计算机程序产品,所述计算机程序产品能够在处理器上执行以实现如上所述的调整耗电系统的运行参数的方法。
附图说明
通过参照下面的附图,可以实现对于本公开内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同或相似的附图标记。
图1示出了根据本发明的一个实施例的调整耗电系统的运行参数的方法的流程图;
图2示出了利用根据本发明的预测模型得到的冷冻水系统中的一些运行参数的重要性度量值的示意图;
图3示出了图1中的过程根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整以降低所述耗电系统的耗电量的一个示例的流程图;
图4示出了根据本发明的另一个实施例的调整耗电系统的运行参数的方法的流程图;
图5是示出根据本发明的一个实施例的调整耗电系统的运行参数的装置的示例性配置的方框图;
图6是示出根据本发明的另一个实施例的调整耗电系统的运行参数的装置的示例性配置的框图;以及
图7示出了根据本发明的用于调整耗电系统的运行参数的电子设备的方框图。
附图标记
100、400:调整耗电系统的运行参数的方法
S102、S104、S1042、S1044、S1046、S1048、S402、S404、S406、S308:步骤
500、600:调整耗电系统的运行参数的装置
502、602:预测模块
504、604:调整模块
606:更新模块
608:反馈模块
700:电子设备
702:处理器
704:存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
冷冻水系统是制造工厂中的一种重要的电能消耗者。冷冻水系统的电能使用效率与很多因素相关。其中之一是冷冻水系统的各个运行参数,例如二次回路流量、供回水温度等。通常,操作者尝试用专业知识和工作经验来调整一些运行参数来改进能量使用效率。然而,无法定量地确定这些运行参数的重要性,以及这些参数如何影响电能使用效率。
因此,希望提供一种更加高效且可行地提高电能使用效率的方法。
本发明提出了一种调整耗电系统的运行参数的方法,可以定量地分析运行参数对于电能使用的重要性,根据运行参数的重要性并且使用统计分析来对运行参数进行调整,从而找到可以提高电能使用效率的运行参数集合。
虽然在本说明书中以制造工业中的冷冻水系统为例进行具体说明,本领域技术人员可以理解,根据本发明的一个实施例的调整耗电系统的运行参数的方法和装置可以应用于各种耗电系统来提高其电能使用效率,而并不限于冷冻水系统。
现在结合附图来描述根据本发明的实施例的调整耗电系统的运行参数的方法和装置。
图1是根据本发明的一个实施例的调整耗电系统的运行参数的方法100的流程图。
如图1所示,在方框S102中,将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对耗电系统的耗电量的影响程度的重要性度量值。
通过预先存储的预测模型可以得到每个运行参数的重要性度量值,重要性度量值可以定量地表示每个运行参数对于耗电系统的耗电量的影响程度。
图2是利用根据本发明的预测模型得到的冷冻水系统中的一些运行参数的重要性度量值的示意图。在图2中,运行参数的重要性度量值越大,则表示该运行参数对耗电系统的耗电量的影响程度越大。
接着,在图1的方框S104中,根据每一个运行参数的重要性度量值选择每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的预测耗电量。
图3是图1中的根据每一个运行参数的重要性度量值对每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的耗电量的过程S104的一个示例的流程图。
如图3中所示,在方框S1042中,根据每一个运行参数的重要性度量值按照预定规则从每一个运行参数中选择候选待调整运行参数;在方框S1044中,对候选待调整运行参数进行多种不同方式的调整,其中,多种不同方式的调整包括:从候选待调整运行参数中选择任意一个或多个待调整运行参数进行调整,以及对所选择的一个或多个待调整运行参数依次调整不同的量;在方框S1046中,针对每一种调整方式,将耗电系统的进行了调整和未进行调整的全部运行参数一起输入预测模型来计算在这种调整方式下的运行参数所对应的耗电系统的预测耗电量;在方框S1048中,按照与计算出的预测耗电量的最小值对应的运行参数的调整方式来对运行参数进行调整。
在根据本发明的一个示例的方法中,耗电系统的耗电量和运行参数之间的关系是复杂的,很难用简单的公式来表示,也难以使用传统的优化算法例如梯度下降来找到最优解。在本发明的一个示例中,通过机器学习来建模,通过查看运行参数的样本数据,可以认为运行参数服从某种联合分布。因此,在一个示例中,采用数值模拟方法来模拟耗电系统的全部运行参数的联合分布,在这种情况下,针对每一种调整方式,可以将其对应的全部运行参数的联合分布输入预测模型来计算在这种调整方式下的运行参数所对应的预测耗电量。
下面描述根据本发明的一个示例对运行参数进行调整的具体过程。
首先可以根据运行参数的重要性度量值按照预定规则来选择相对重要的运行参数作为候选待调整运行参数。该预定规则例如可以是由本领域技术人员按照需要预先设定一个阈值,选择重要性度量值大于该阈值的运行参数作为候选待调整运行参数。
然后,对选定的候选待调整运行参数进行多种不同方式的调整。多种不同方式的调整包括:选择候选待调整运行参数的不同子集进行调整,以及对每个运行参数调整不同的量。假设选定了N个候选待调整运行参数,可以对所有N个候选待调整运行参数都进行调整,也可以只对其中的1个、2个…或者N-1个候选待调整运行参数进行调整。
对于每个运行参数的调整量可以为依次对该参数增加不同的量或者减少不同的量。
在一个示例中,在对每个运行参数进行调整之前可以对每个运行参数设定一个参数值区间范围,从而可以确定哪些参数有调整空间以及每个参数的调整空间。
可以在每个运行参数的调整空间范围内对该运行参数增加不同的量或者减少不同的量。
然后,可以通过数值模拟方法(例如蒙特卡洛数值模拟方法),模拟在对候选待调整运行参数进行所有调整方式的调整之后分别得到的耗电系统的全部运行参数的联合分布,再将所得到的每一个联合分布分别输入预测模型,可以得到与该联合分布(即运行参数的一种调整方式)对应的耗电系统的预测耗电量。
最后,选择最小预测耗电量所对应的运行参数的调整方式来对运行参数进行调整。
在一个示例中,为了减小产生错误预测耗电量的概率,可以设置置信区间来检查预测耗电量是否有显著差异。在一个示例中,可以采用统计假设检验中的T检验(t.test)来检验预测耗电量的有效性,优选地,选用的判定标准为p值(p-value)小于0.05。这里所说的p值即概率,反映某一事件发生的可能性大小。本领域技术人员可以理解T检验和p值的具体含义,在此不再赘述。
通过T检验(t.test)检验预测耗电量的有效性,在验证为有效的预测耗电量中选择最小的预测耗电量,来确定运行参数的调整方式。
本领域技术人员可以理解,也可以采用其它检验方法来检验调整后的运行参数的有效性,所选用的p值也可以是其它值,而不限于以上示例中所描述的检验方法和p值。
在根据本发明的一个实施例的方法中,可以采用耗电系统的不同运行参数集合和对应的耗电量的历史数据作为训练集,通过机器学习算法来构建耗电系统的运行参数和耗电量的预测模型。通过将耗电系统的一组运行参数输入该预测模型,就可以得到这些运行参数的重要性度量值以及预测耗电量。
本领域技术人员可以理解用耗电系统的运行参数的值和对应的耗电量的历史数据作为训练数据集、通过常用的机器学习算法例如随机森林来构建运行参数的重要性度量值和耗电量的预测模型的具体过程,在此不再赘述。
此外,本领域的技术人员可以理解,对于根据本发明一个实施例的耗电系统的运行参数的调整方法来说,只需要预先存储了一个如上所述的关于耗电系统的运行参数和耗电量的预测模型即可,该预测模型并不限于由以上所述的训练方法生成。
对于在根据本发明一个实施例的耗电系统的运行参数的调整方法中所使用的预测模型,可以使用默认的训练数据区间(如最近一个月的数据)进行模型训练。但是在这些数据中,无法剔除一些算法识别不了的噪声和异常(如运行调整,传感器问题等)。在一个示例中,可以对训练集中的数据进行筛选,例如过滤掉噪声数据和异常数据,再用过滤后的数据进行训练来得到预测模型。
图4是示出根据本发明的另一个实施例的调整耗电系统的运行参数的方法400的流程图。
在方框S402中,将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对耗电系统的耗电量的影响程度的重要性度量值;在方框S404中,根据每一个运行参数的重要性度量值选择每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的预测耗电量。
可以看到,图4中的方法400中的方框S402和S404中的处理与图1中的方框S102和S104中的处理类似,在此不再赘述。
图4中的方法400可以根据调整方法的执行情况来确定是否需要更新预测模型。在方框S406中,将耗电系统的预测耗电量与相同运行参数条件下的实际耗电量进行比较,在确定存在异常的情况下,调整训练数据集中的训练数据来重新学习预测模型。具体地,将耗电系统的一组运行参数输入预测模型得到的预测耗电量与在这些运行参数的情况下的实际耗电量进行比较,如果发现异常(例如预测耗电量与实际耗电量之间的差值大于某个阈值),则可以对训练集中的训练数据进行调整并重新学习预测模型。其中,在预测耗电量与实际耗电量之间的差异较大的情况下,可以向使用者发送预警信息,由使用者确认是系统运行异常,还是数据噪点。如果确认是数据噪点,则可以调整训练数据重新学习预测模型。
例如,可以用最新采集的数据作为训练数据,来更新预测模型。也可以根据需要,在训练集中增加新的运行参数或者取消一些运行参数来训练预测模型。可以看到,本发明所采用的机器学习的预测模型具有灵活性,可以对训练集中的数据进行调整,也可以根据需要向预测模型中添加新的特征。
根据本发明一个实施例的耗电系统的运行参数的调整方法可以根据预先设定的运行参数的参数值区间范围计算运行参数的最优解。考虑到实际运行的复杂性和产线需要,有可能计算的最优解无法在实际运行中实现。因此,可选地,方法400还可以包括方框S408中的处理。在方框S408中,在所调整的运行参数不满足预定要求的情况下,进一步调整运行参数;以及利用预测模型来计算进一步调整后的运行参数所对应的耗电系统的预测耗电量,以确定是否还需要再对运行参数进行调整。也就是说,计算修改后的运行参数对耗电量的影响(可以用数值模拟结果),从而帮助用户找到满足当前运行状态的运行参数的值。这里所述的运行参数所要满足的预定要求可以由用户根据耗电系统的实际运行情况进行设置,在此不再赘述。
这里要说明的是,上面描述的方框S406和S408中的操作是可选操作,方法400可以包括方框S406和S408二者中的操作,也可以只包括其中之一的操作。
下面以制造工厂中的冷冻水系统为例,说明应用根据本发明的一个实施例的调整方法对冷冻水系统的运行参数进行调整的过程。
在具体的应用中,首先可以根据实际情况设定每个运行参数的参数值的区间范围,比如供回水温差不超过7度。冷冻水系统的运行参数可以包括二次回路流量、供回水温度、环境温度和湿度以及冷却水温度等。本领域技术人员可以理解,冷冻水系统可以包括多种运行参数,而不限于以上所述。
在运行参数的参数值区间范围内,根据运行参数对耗电系统的耗电量的影响程度的重要性度量值来选择相对重要的参数(可以根据实际情况设定重要性度量值的阈值,也可以对重要性度量值进行归一化,来反映运行参数的相对重要程度,比如可以选择重要度>=0.2的)和仍有调整空间的参数(比如供回水温差低于5的)进行调整。
根据本发明的方法可以计算出可以调整的参数组合(比如1号出口温差调整1,二号出口不调整,3号出口调整2等等),再对每一组调整组合进行分析(预测模型+蒙特卡洛模拟+统计检验),判定这组调整的参数组合对耗电量的影响。
计算完所有调整的参数组合之后,从中选择耗电量减少最多的那个组合,推荐为理想运行参数组合。
图5是示出根据本发明的一个实施例的调整耗电系统的运行参数的装置500的示例性配置的方框图。如图5所示,装置500包括预测模块502和调整模块504。
预测模块502被配置为将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对耗电系统的耗电量的影响程度的重要性度量值。
调整模块504被配置为根据每一个运行参数的重要性度量值选择每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的预测耗电量。
其中,调整模块504进一步被配置为:根据每一个运行参数的重要性度量值按照预定规则从每一个运行参数中选择候选待调整运行参数;对候选待调整运行参数进行多种不同方式的调整,多种不同方式的调整包括:从候选待调整运行参数中选择任意一个或多个待调整运行参数进行调整,以及对所选择的一个或多个待调整运行参数依次调整不同的量;针对每一种调整方式,将耗电系统的进行了调整和未进行调整的全部运行参数一起输入预测模型来计算在这种调整方式下的运行参数所对应的耗电系统的预测耗电量;以及按照与计算出的预测耗电量的最小值对应的运行参数的调整方式来对运行参数进行调整。
其中,采用数值模拟方法来模拟耗电系统的全部运行参数的联合分布,针对每一种调整方式,将其对应的全部运行参数的联合分布输入预测模型来计算在这种调整方式下的运行参数所对应的预测耗电量。
其中,对于计算出的每一种调整方式所对应的预测耗电量采用T检验方法来检验预测耗电量是否有效,在检验为有效的预测耗电量中确定最小预测耗电。T检验方法所选用的判定标准为p值小于0.05。
其中,预测模型是采用耗电系统的至少一个运行参数的至少一组值以及每一组值所对应的耗电量作为训练数据集进行机器学习而得到,预测模型用于预测运行参数的重要性度量值以及耗电系统的预测耗电量。其中,可以采用随机森林算法进行学习。优选地,预测模型是采用从训练数据集中过滤掉噪声数据和异常数据之后的数据作为训练集进行机器学习而得到。
图6是示出根据本发明的另一个实施例的调整耗电系统的运行参数的装置600的示例性配置的框图。
在图6所示的示例中,装置600包括预测模块602、调整模块604、更新模块606以及反馈模块608。换句话说,图6所示的装置600除了包括图5所示的装置500的各个部件之外,还包括更新模块606和反馈模块608。
装置600所包括的预测模块602和调整模块604的配置与图5中示出的装置500所包括的预测模块502和调整模块504的配置类似,在此不再赘述。
装置600所包括的更新模块606被配置为:将耗电系统的预测耗电量与相同运行参数条件下的实际耗电量进行比较,在确定存在异常的情况下,调整训练数据集中的训练数据来重新学习预测模型。具体地,在预测耗电量与实际耗电量之间的差异较大的情况下,可以向使用者发送预警信息,由使用者确认是系统运行异常,还是数据噪点。如果确认是数据噪点,则可以调整训练数据重新学习预测模型。
反馈模块608被配置为:在所调整的运行参数不满足预定要求的情况下,进一步调整运行参数;以及利用预测模型来计算进一步调整后的运行参数所对应的耗电系统的预测耗电量,以确定是否还需要再对运行参数进行调整。
这里要说明的是,上面描述的更新模块606和反馈模块608是可选的,装置600可以包括更新模块606和反馈模块608二者,也可以包括其中之一,或者更新模块606和反馈模块608可以合成一个模块来执行处理。
这里,耗电系统可以为冷冻水系统。其中,冷冻水系统的运行参数包括以下参数中的至少一项:二次回路流量、供回水温度、环境温度和湿度以及冷却水温度。
调整耗电系统的运行参数的装置500和600的各个部分的操作和功能的细节例如可以与以上结合图1-4描述的根据本发明实施例的调整耗电系统的运行参数的方法的相关部分相同或类似,这里不再详细描述。
在此需要说明的是,图5-6所示的调整耗电系统的运行参数的装置500和600及其组成单元的结构仅仅是示例性的,本领域技术人员可以根据需要对图5-6所示的结构框图进行修改。
根据本发明的调整耗电系统的运行参数的方法和装置,可以帮助操作者快速确定电能使用的关键运行参数。
以上参照图1到图6对根据本发明的用于调整耗电系统的运行参数的方法和装置的实施例进行了描述。上面的用于调整耗电系统的运行参数的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
在本发明中,用于调整耗电系统的运行参数的装置500和600可以利用电子设备实现。图7是根据本发明的用于调整耗电系统的运行参数的电子设备700的方框图。根据一个实施例,电子设备700可以包括处理器702,处理器702执行在计算机可读存储介质(即,存储器704)中存储或编码的一个或多个计算机可读指令(即,以软件形式实现的元素)。
在一个实施例中,在存储器704中存储计算机可执行指令,其当执行时使得一个或多个处理器702:将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对耗电系统的耗电量的影响程度的重要性度量值;以及根据每一个运行参数的重要性度量值选择每一个运行参数中的至少一个运行参数进行调整以降低耗电系统的预测耗电量。
应该理解,在存储器704中存储的计算机可执行指令当执行时使得一个或多个处理器702进行本发明的各个实施例中结合图1-6描述的以上各种操作和功能。
根据一个实施例,提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本发明的各个实施例中以上结合图1-6描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (10)
1.调整耗电系统的运行参数的方法,包括:
将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对所述耗电系统的耗电量的影响程度的重要性度量值;以及
根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整以降低所述耗电系统的预测耗电量。
2.如权利要求1所述的方法,其中,根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整包括:
根据所述每一个运行参数的重要性度量值按照预定规则从所述每一个运行参数中选择候选待调整运行参数;
对所述候选待调整运行参数进行多种不同方式的调整,其中,所述多种不同方式的调整包括:从所述候选待调整运行参数中选择任意一个或多个待调整运行参数进行调整,以及对所选择的一个或多个待调整运行参数依次调整不同的量;
针对每一种调整方式,将耗电系统的进行了调整和未进行调整的全部运行参数一起输入所述预测模型来计算在这种调整方式下的运行参数所对应的所述耗电系统的预测耗电量;以及
按照与计算出的预测耗电量的最小值对应的运行参数的调整方式来对所述运行参数进行调整。
3.如权利要求2所述的方法,其中,采用数值模拟方法来模拟所述耗电系统的全部运行参数的联合分布,针对每一种调整方式,将其对应的全部运行参数的联合分布输入所述预测模型来计算在这种调整方式下的运行参数所对应的预测耗电量。
4.如权利要求2或3所述的方法,其中,对于计算出的每一种调整方式所对应的预测耗电量采用T检验方法来检验所述预测耗电量是否有效,在检验为有效的预测耗电量中确定所述预测耗电量的最小值。
5.如权利要求1-3中任意一项所述的方法,其中,采用所述耗电系统的所述至少一个运行参数的至少一组值以及所对应的耗电量作为训练数据集进行机器学习来得到所述预测模型,所述预测模型用于预测所述运行参数的所述重要性度量值以及所述耗电系统的预测耗电量。
6.如权利要求1-3中任意一项所述的方法,还包括更新所述预测模型的处理,所述更新所述预测模型的处理包括:
将所述耗电系统的所述预测耗电量与相同运行参数条件下的实际耗电量进行比较,在确定存在异常的情况下,调整所述训练数据集中的训练数据来重新学习所述预测模型。
7.如权利要求1-3中任意一项所述的方法,还包括反馈处理,所述反馈处理包括:
在所调整的运行参数不满足预定要求的情况下,进一步调整所述运行参数;以及
利用所述预测模型来计算进一步调整后的运行参数所对应的所述耗电系统的预测耗电量,以确定是否还需要再对所述运行参数进行调整。
8.用于调整耗电系统的运行参数的装置(500),包括:
预测模块(502),被配置为将一个耗电系统的至少一个运行参数输入一个预先存储的预测模型,得到用于衡量所输入的每一个运行参数对所述耗电系统的耗电量的影响程度的重要性度量值;以及
调整模块(504),被配置为根据所述每一个运行参数的所述重要性度量值选择所述每一个运行参数中的至少一个运行参数进行调整以降低所述耗电系统的预测耗电量。
9.电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合的存储器,所述存储器具有存储于其中的计算机可执行指令,所述计算机可执行指令在被所述至少一个处理器执行时使所述电子设备执行如权利要求1到7中任一所述的方法。
10.计算机可读存储介质,其上存储有计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997284.4A CN109213098B (zh) | 2018-08-29 | 2018-08-29 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997284.4A CN109213098B (zh) | 2018-08-29 | 2018-08-29 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213098A true CN109213098A (zh) | 2019-01-15 |
CN109213098B CN109213098B (zh) | 2021-11-26 |
Family
ID=64985312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810997284.4A Active CN109213098B (zh) | 2018-08-29 | 2018-08-29 | 调整运行参数的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213098B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN111767085A (zh) * | 2019-03-27 | 2020-10-13 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN113826294A (zh) * | 2019-05-22 | 2021-12-21 | 西门子(中国)有限公司 | 电力管理方法、装置、计算设备、介质以及产品 |
CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | 系统参数的配置方法和配置装置 |
CN117393140A (zh) * | 2023-12-08 | 2024-01-12 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
CN111767085B (zh) * | 2019-03-27 | 2024-05-17 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043457A (zh) * | 2009-10-23 | 2011-05-04 | 宏碁股份有限公司 | 降低硬盘耗电的方法及降低硬盘耗电的系统 |
CN102197349A (zh) * | 2008-10-22 | 2011-09-21 | 微软公司 | 使用预测建模和信令来节省功率 |
CN102346452A (zh) * | 2010-06-30 | 2012-02-08 | 西门子公司 | 用于能量利用的综合需求响应 |
KR20120089654A (ko) * | 2009-08-21 | 2012-08-13 | 비질런트 코포레이션 | 데이터 센터 냉각 유닛을 효율적으로 조정하는 방법 및 장치 |
CN103544544A (zh) * | 2013-10-29 | 2014-01-29 | 广东工业大学 | 一种能源消耗预测方法及装置 |
CN108089440A (zh) * | 2017-12-06 | 2018-05-29 | 北京百度网讯科技有限公司 | 节能控制方法和装置 |
CN108317670A (zh) * | 2018-03-02 | 2018-07-24 | 深圳市华之任有限公司 | 一种基于机器学习的制冷系统节能控制方法及系统 |
-
2018
- 2018-08-29 CN CN201810997284.4A patent/CN109213098B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102197349A (zh) * | 2008-10-22 | 2011-09-21 | 微软公司 | 使用预测建模和信令来节省功率 |
KR20120089654A (ko) * | 2009-08-21 | 2012-08-13 | 비질런트 코포레이션 | 데이터 센터 냉각 유닛을 효율적으로 조정하는 방법 및 장치 |
CN102043457A (zh) * | 2009-10-23 | 2011-05-04 | 宏碁股份有限公司 | 降低硬盘耗电的方法及降低硬盘耗电的系统 |
CN102346452A (zh) * | 2010-06-30 | 2012-02-08 | 西门子公司 | 用于能量利用的综合需求响应 |
CN103544544A (zh) * | 2013-10-29 | 2014-01-29 | 广东工业大学 | 一种能源消耗预测方法及装置 |
CN108089440A (zh) * | 2017-12-06 | 2018-05-29 | 北京百度网讯科技有限公司 | 节能控制方法和装置 |
CN108317670A (zh) * | 2018-03-02 | 2018-07-24 | 深圳市华之任有限公司 | 一种基于机器学习的制冷系统节能控制方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487875A (zh) * | 2019-01-28 | 2020-08-04 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN111487875B (zh) * | 2019-01-28 | 2021-07-23 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN111767085A (zh) * | 2019-03-27 | 2020-10-13 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN111767085B (zh) * | 2019-03-27 | 2024-05-17 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN113826294A (zh) * | 2019-05-22 | 2021-12-21 | 西门子(中国)有限公司 | 电力管理方法、装置、计算设备、介质以及产品 |
CN113826294B (zh) * | 2019-05-22 | 2023-08-29 | 西门子(中国)有限公司 | 电力管理方法、装置、计算设备、介质以及产品 |
CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | 系统参数的配置方法和配置装置 |
CN117393140A (zh) * | 2023-12-08 | 2024-01-12 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
CN117393140B (zh) * | 2023-12-08 | 2024-04-05 | 广东壹健康健康产业集团股份有限公司 | 基于历史数据的智能指环控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109213098B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213098A (zh) | 调整运行参数的方法、装置、电子设备和计算机可读介质 | |
Mueller-Gritschneder et al. | A successive approach to compute the bounded Pareto front of practical multiobjective optimization problems | |
US10915835B2 (en) | Systems and methods for maximizing expected utility of signal injection test patterns in utility grids | |
Fei et al. | Vectorial surrogate modeling method for multi-objective reliability design | |
CN104200087A (zh) | 用于机器学习的参数寻优及特征调优的方法及系统 | |
JP2012528392A5 (zh) | ||
Zaefferer et al. | A case study on multi-criteria optimization of an event detection software under limited budgets | |
Aliabadi et al. | An empirical technique for predicting noise exposure level in the typical embroidery workrooms using artificial neural networks | |
Yao et al. | Genetic algorithm-based test data generation for multiple paths via individual sharing | |
CN109408360A (zh) | 一种软件可靠性评估方法和系统 | |
Liu et al. | Behavioral study of the surrogate model-aware evolutionary search framework | |
Agarwal et al. | A comparative study of artificial neural networks and info-fuzzy networks as automated oracles in software testing | |
Olguin-Carbajal et al. | Micro-differential evolution with local search for high dimensional problems | |
Villarreal-Marroquín et al. | A multicriteria simulation optimization method for injection molding | |
US20220084704A1 (en) | Physics-guided analytical model validation | |
CN106294174B (zh) | 测试充分性的多维度度量方法及装置 | |
Shavarani et al. | Realistic utility functions prove difficult for state-of-the-art interactive multiobjective optimization algorithms | |
CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
Al-Zuheri et al. | The role of randomness of a manual assembly line with walking workers on model validation | |
Ghani et al. | Comparing algorithms for search-based test data generation of Matlab® Simulink® models | |
CN113987718B (zh) | 一种基于多目标粒子群优化的产品变更方案设计方法 | |
Hanh et al. | A novel test data generation approach based upon mutation testing by using artificial immune system for Simulink models | |
Uri | The industrial demand for energy | |
Pecenka et al. | Evolution of synthetic RTL benchmark circuits with predefined testability | |
Senyard et al. | Software engineering methods for neural networks |
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 |