CN109471381B - 基于大数据融合的设备能效综合控制方法 - Google Patents

Abstract

本发明涉及一种基于大数据融合的设备能效综合控制方法，解决了现有技术的不足，技术方案为：包括以下步骤：步骤一，对各个设备的相关性进行设定同时获取各个运行设备的运行参数，并进行大数据预处理，基于大数据预处理的数据进行多源异构大数据的融合；步骤二，计算目标设备的能效数据；步骤三，对具有相关性的目标设备的能效数据进行隶属度换算，进行整合后进行分析，判断得出具有相关性的目标设备是否需要改进。

Description

基于大数据融合的设备能效综合控制方法

技术领域

本发明涉及一种设备能效控制方法，具体涉及一种基于大数据融合的设备能效综合控制方法。

背景技术

我国需要开发一种能效控制平台及其控制方法，实现对城市用电数据的采集、监测、分析、挖掘，使政府能及时了解电能供应、配送及用电情况，掌握电能消耗情况与用电趋势等，对整个城市能源能够进行合理的管理与调配，实现合理用电，降低用能成本，同时为能源政策制定、节能减排指标管理及宏观经济运行分析提供决策支持；通过延伸到用户内部的广覆盖、细粒度的数据采集网络，实时掌握用户用能情况，实现电网与用户间耗能数据的在线互动，使电力公司调控城市区域负荷，优化城市负荷曲线，实现削峰填谷，减少设备维护频率，保障电网稳定经济运行，促进城市经济发展，实现节能降耗，响应国家能源战略要求。但是目前的设备由于历史遗留问题，存在很多不同形式结构的数据采集器，因此获取的数据结构千差万别，数据类型差异度很大，因此，缺少一种能够针对各种数据来源统一处理的设备能效控制方法。

发明内容

本发明的目的在于解决上述现有技术缺少一种能够针对各种数据来源统一处理的设备能效控制方法的问题，提供基于大数据融合的设备能效综合控制方法。

本发明解决其技术问题所采用的技术方案是：一种基于大数据融合的设备能效综合控制方法，包括以下步骤：

步骤一，对各个设备的相关性进行设定同时获取各个运行设备的运行参数，并进行大数据预处理，基于大数据预处理的数据进行多源异构大数据的融合；

步骤二，计算目标设备的能效数据；

步骤三，对具有相关性的目标设备的能效数据进行隶属度换算，进行整合后进行分析，判断得出具有相关性的目标设备是否需要改进。本发明在综合判断的时候增加了隶属度的转换，通过对不同设备的转换，将各种能效设备综合到一个标准下进行判断，提高了整体判断的准确性。

作为优选，所述步骤一中，包括以下子步骤：

预处理子步骤一，对目标设备的数据源进行属性分析，建立属性索引和分类；

预处理子步骤二，根据目标设备的数据源进行属性分析结果，首先执行数据评估分步骤、数据重组分步骤；然后根据目标设备的数据源进行属性分析结果，执行数据清洗分步骤，再根据数据集的大小确定进行数据抽取分步骤，再对数据集中不符合挖掘格式的数据进行数据过滤分步骤，若数据集中的冗余属性较多，则进行数据归约分步骤后保存为数据矩阵的格式，否则直接保存为数据矩阵的格式；

预处理子步骤三，建立多源数据的结构化低秩表示模型，表征多模态数据间的结构关系，通过矩阵的低秩与结构化稀疏性约束对数据质量进行检测，从稀疏的误差中恢复出关系矩阵。

作为优选，多源异构大数据的融合包括以下子步骤：

多源异构大数据的融合步骤一，将N个模态的目标设备相关数据资料，记为{X¹,X²,...,X^N}，每个模态的数据集包含p个观测样本

采用多核学习算法对N个模态的数据分别设计一个核函数K^m(x_i,x_j)，每个核函数隐式确定一个非线性映射函数φ^m(x_i)；

多源异构大数据的融合步骤二，通过非线性映射函数φ^m(x_i)获得各个模态的观测资料X^m，将各个模态的观测资料X^m分别输入对应的核函数K^m(x_i,x_j) 进行映射,生成M个同维的K^m∈R^p×p核矩阵，从而嵌入一个同性的多核元空间；

多源异构大数据的融合步骤三，对多元核空间的数据采用嵌入投影算法进行多源融合。

作为优选，在步骤一中，所述运行设备包括变压器、电动机、电加热设备和/或空调制冷设备；针对上述设备中具有相关性的目标设备构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t),f(t/h)]，h,t＝1，2，....，n.；

f(h/t)表示目标设备h被目标设备t的支持程度,h,t＝1，2，....，n；

通过以下公式计算各个目标设备被其他具有相关性的设备之间相关的程度：

其中，

表示第h个目标设备被其他目标设备相关的程度。

作为优选，在步骤三中，根据目标设备的种类建立对应的能效隶属度函数，将目标设备的能效数据代入能效隶属度函数，根据能效隶属度函数的计算结果获得能效隶属度，计算所有与目标设备具有相关性设备的能效隶属度，并与目标设备相关的程度相乘，获得能效分析值E，若能效分析值E 小于设定值则判断为需要改进。

作为优选，在目标设备为变压器时，

在步骤一中，获得目标变压器的实测运行数据和铭牌数据，

在步骤二中，执行以下变压器能效计算子步骤：

变压器能效计算子步骤一，计算获得变压器日均负载率β(％)；

变压器能效计算子步骤二，根据日变压器投入运行的工作时间T、变压器的空载损耗P_o、变压器的负载损耗P_N和额定容量S_N通过以下计算公式：

ΔA_p＝(P_o+β²P_N)T

计算得出变压器日均有功电能损耗ΔA_p；

变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔA_p和变压器日的输出电量A_Z，通过以下计算公式：

计算得出变压器实际运行效率η_d；

变压器能效计算子步骤三，计算压器的最佳负荷率

和变压器的最大效率

在步骤三中，以

时判断为目标变压器的能效隶属度为1；

若在设定时长内变压器的负载率均低于30％，则判断为需要改用符合

的计算结果的变压器，上式中S为实际使用负荷；

若变压器的运行效率

时，则以能效隶属度

作为目标变压器的能效隶属度。

作为优选，在目标设备为电动机时，

在步骤一中，获得目标电动机的实测运行数据和铭牌数据，

在步骤二中，执行以下电动机能效计算子步骤：

电动机能效计算子步骤一，根据获取的实测电动机的输入线电流I₁、实测电动机的输入线电压U、电动机的额定电流I_N、电动机的额定电压U_N、电动机的额定效率η_N、电动机的空载有功损耗P_O和电动机的额定空载电流I_ON通过以下计算公式：

计算得出电动机运行负载率β，上式中，I_O为电动机输入线电压为非额定值时的空载电流，I_O的计算公式如下：

电动机能效计算子步骤二，通过以下计算公式：

计算得出电动机运行效率ηc；

在步骤三中，若β位于60％～80％之间，则判断目标电动机的能效隶属度为1，ηc≥0.6时，则判断为目标电动机的能效隶属度e为1，

目标电动机的能效隶属度e根据以下公式计算得出：

e＝1/(1+g(0.6-ηc)^k)，g和k由人工设定。

作为优选，在目标设备为电加热设备时，

在步骤一中，获得目标电加热设备的实测运行数据和铭牌数据，

在步骤二中，执行以下电加热设备能效计算子步骤：

电加热设备能效计算子步骤一：根据获取的实际生产耗电量W和产品的实际质量m_i通过以下计算公式：

计算测试周期内的合格产品的可比用电单耗b_k，上式中，M₂--测试周期的总折合质量，i＝1,2,3,....,n，为产品或工件品种，K₁为产品或工件单件质量折算系数，K₂为产品或工件类别折算系数，K₃为热处理温度折算系数，K₄为热处理工艺折算系数；

电加热设备能效计算子步骤二：用温度测量仪表测量电炉最高工作温度下的热稳定状态时炉体外表面任意测量点的温度与特定环境温度之差Δθ；在步骤三中，若b_k≤0.600kwh/kg且Δθ符合设定值，则目标电加热设备的隶属度为1，否则目标电加热设备的能效隶属度e由以下计算式计算得出： e＝1/(1+c(b_k-0.6)^d)，上式中，c和d由人工设定；

所述的单价质量折算系数符合以下要求，

单件产品或工件质量>0.3kg/件时，K₁＝1.0，

单件产品或工件质量＜0.1kg/件时，K₁＝1.5，

单件产品或工件质量≥0.1kg/件且≤0.3kg/件时，K₁＝1.2；

产品或工件类别折算系数符合以下要求，

当产品或工件类别为工模具类时，K₂＝1.2，否则K₂＝1.0；

热处理温度折算系数符合以下要求，

热处理温度＞1000℃时，K₃＝1.5，

热处理温度≥700℃且≤1000℃时，K₃＝1.0，

热处理温度≥500℃且＜700℃时，K₃＝0.7，

热处理温度≥350℃且＜500℃时，K₃＝0.5，

热处理温度＜350℃时，K₃＝0.3；

热处理工艺折算系数符合以下要求，

渗碳渗氮的折算系数K₄＝2.0，

盐浴工艺的折算系数K₄＝1.5，

铝合金淬火工艺的折算系数K₄＝1.1，

钢材淬火工艺的折算系数K₄＝1.1，

退火保温工艺的时间>20h时的折算系数K₄＝1.7，

退火保温工艺的时间10～20h时的折算系数K₄＝1.3，

正火工艺或退火保温工艺的时间<10h时折算系数K₄＝1.0。

作为优选，在目标设备为空调制冷设备时，

在步骤一中，获得目标空调制冷设备的实测运行数据和铭牌数据，

在步骤二中，执行以下空调制冷设备能效计算子步骤：

空调制冷设备能效计算子步骤一，根据获取的空调制冷设备运行时间T、冷水进口温度t₁、冷水出口温度t₂、冷水质量流量q_m、平均温度下水的比热容C和制冷消耗电量A_P，通过以下计算公式：

Q_n＝Cq_m(t₂-t₁)T计算得出运行期间的制冷量Q_n；

通过以下计算公式：

计算得出运行平均能效比运行平均能效比COP；

在步骤三中，COP≥COP_N则空调制冷设备的能效隶属度e为1，否则，目标空调制冷设备的能效隶属度e由以下计算式计算得出：

e＝1/(1+c(COP_N-COP)^d)，上式中，c和d由人工设定。

作为优选，能效分析值E由以下公式计算得出，

上式中，e_i表示与目标设备具有相关性的第i个设备自身的能效隶属度，c_i表示与目标设备具有相关性的第i个设备与目标设备之间的相关性，h为与目标设备具有相关性的设备的总数，在上式中，c_i的值若小于设定值则直接取值为0。

作为优选，在步骤一中，还输入企业供配电线路的基本信息，

在步骤二中，执行以下企业总线损率能效计算子步骤，

企业总线损率能效计算子步骤一，根据日线路运行时间T、日内平均环境温度t、线路长度L、20℃时导线的单位电阻值R₂₀和线路每小时的实测负荷电流I_j，通过以下计算公式：

计算每相导线的电阻R，

上式中，t_x为导线最高允许温度，I_x为环境温度为25℃时，导线的允许载流，K为温度换算系数，

I_i为线路中实测负荷电流的均方根值，

通过以下计算公式：

计算每条线路的日平均电能损耗ΔA_sx

上式中，m为相数系数，单相m＝2，三相3线m＝3，三相4线m＝3.5；企业总线损率能效计算子步骤二，根据获取的企业每台变压器损耗：ΔA_Pi、企业每条线路损耗：ΔA_sxi和企业代表日受入电量：A_Z，通过以下计算公式：

计算得出企业总线损率α，上式中，n₁为变压器台数，n₂为线路条数；

在步骤三中，对于一次变压，α小于3.5％、对于二次变压，α小于5.5％、对于三次变压，α小于7％且用电体系中单条线路的损耗电量小于该线路首端输送的有功电量的5％的企业判断为保持现状，否则判断为需要采取以下措施：将配电变压器安排在负荷中心、缩短低压线路的长度、提高供电线路的功率因数、减少线路输送的无功电流、采用无功就地补偿、减少负荷波动引起的附加线损或提高输送电压。

本发明的实质性效果是：多源异构数据在表示方式、数据维度等方面存在诸多的差异，无法直接进行联合处理。因此本发明首先针对多源异构的各种数据的特点分析其差异性，将数据进行分类，然后研究如何将各数据映射至同一的同性元空间，最后基于同性元空间进行数据的融合。本发明设计与各模态数据自身特征相匹配的核函数，将其映射至同一“多核元空间”，然后通过超图谱嵌入方法实现分布式新能源相关的多源异构数据的融合。多源异构数据存在着各种属性，在进行预处理和数据融合前需要对数据进行属性的分析，建立合适的属性索引和分类，为数据的预处理奠定基础。数据预处理可以改进数据的质量，消除数据的不完整性、冗余性和模糊性等，从而有助于提高其后的挖掘过程的精度和性能。通过数据评估、数据重组、数据清洗、数据抽取、数据过滤、数据归约等技术实现分布式新能源相关的多源异构数据的预处理。数据控制的质量关系到大数据的融合及相关关系分析的准确性。本项目拟在矩阵恢复理论框架下构建结构化的低秩表示模型,建立结构化稀疏约束与低秩约束，有效分离误差数据，修补缺损数据，实现数据完整性、一致性及准确性。本发明在综合判断的时候增加了隶属度的转换，通过对不同设备的转换，将各种能效设备综合到一个标准下进行判断，提高了整体判断的准确性。

具体实施方式

下面通过具体实施例，对本发明的技术方案作进一步的具体说明。

实施例1：

一种基于大数据融合的设备能效综合控制方法，包括以下步骤：

步骤一，对各个设备的相关性进行设定同时获取各个运行设备的运行参数，并进行大数据预处理，基于大数据预处理的数据进行多源异构大数据的融合；

步骤二，计算目标设备的能效数据；

步骤三，对具有相关性的目标设备的能效数据进行隶属度换算，进行整合后进行分析，判断得出具有相关性的目标设备是否需要改进。本发明在综合判断的时候增加了隶属度的转换，通过对不同设备的转换，将各种能效设备综合到一个标准下进行判断，提高了整体判断的准确性。

所述步骤一中，包括以下子步骤：

预处理子步骤一，对目标设备的数据源进行属性分析，建立属性索引和分类；

预处理子步骤二，根据目标设备的数据源进行属性分析结果，首先执行数据评估分步骤、数据重组分步骤；然后根据目标设备的数据源进行属性分析结果，执行数据清洗分步骤，再根据数据集的大小确定进行数据抽取分步骤，再对数据集中不符合挖掘格式的数据进行数据过滤分步骤，若数据集中的冗余属性较多，则进行数据归约分步骤后保存为数据矩阵的格式，否则直接保存为数据矩阵的格式；

预处理子步骤三，建立多源数据的结构化低秩表示模型，表征多模态数据间的结构关系，通过矩阵的低秩与结构化稀疏性约束对数据质量进行检测，从稀疏的误差中恢复出关系矩阵。

多源异构大数据的融合包括以下子步骤：

多源异构大数据的融合步骤一，将N个模态的目标设备相关数据资料，记为{X¹,X²,...,X^N}，每个模态的数据集包含p个观测样本

采用多核学习算法对N个模态的数据分别设计一个核函数K^m(x_i,x_j)，每个核函数隐式确定一个非线性映射函数φ^m(x_i)；

多源异构大数据的融合步骤二，通过非线性映射函数φ^m(x_i)获得各个模态的观测资料X^m，将各个模态的观测资料X^m分别输入对应的核函数K^m(x_i,x_j) 进行映射,生成M个同维的K^m∈R^p×p核矩阵，从而嵌入一个同性的多核元空间；

多源异构大数据的融合步骤三，对多元核空间的数据采用嵌入投影算法进行多源融合。

在步骤一中，所述运行设备包括变压器、电动机、电加热设备和/或空调制冷设备；针对上述设备中具有相关性的目标设备构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t),f(t/h)]，h,t＝1，2，....，n.；

f(h/t)表示目标设备h被目标设备t的支持程度,h,t＝1，2，....，n；

通过以下公式计算各个目标设备被其他具有相关性的设备之间相关的程度：

其中，

表示第h个目标设备被其他目标设备相关的程度。

在步骤三中，根据目标设备的种类建立对应的能效隶属度函数，将目标设备的能效数据代入能效隶属度函数，根据能效隶属度函数的计算结果获得能效隶属度，计算所有与目标设备具有相关性设备的能效隶属度，并与目标设备相关的程度相乘，获得能效分析值E，若能效分析值E小于设定值则判断为需要改进。

在目标设备为变压器时，

在步骤一中，获得目标变压器的实测运行数据和铭牌数据，

在步骤二中，执行以下变压器能效计算子步骤：

变压器能效计算子步骤一，计算获得变压器日均负载率β(％)；

变压器能效计算子步骤二，根据日变压器投入运行的工作时间T、变压器的空载损耗P_o、变压器的负载损耗P_N和额定容量S_N通过以下计算公式：

ΔA_p＝(P_o+β²P_N)T

计算得出变压器日均有功电能损耗ΔA_p；

变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔA_p和变压器日的输出电量A_Z，通过以下计算公式：

计算得出变压器实际运行效率η_d；

变压器能效计算子步骤三，计算压器的最佳负荷率

和变压器的最大效率

在步骤三中，以

时判断为目标变压器的能效隶属度为1；

若在设定时长内变压器的负载率均低于30％，则判断为需要改用符合

的计算结果的变压器，上式中S为实际使用负荷；

若变压器的运行效率

时，则以能效隶属度

作为目标变压器的能效隶属度。

在目标设备为电动机时，

在步骤一中，获得目标电动机的实测运行数据和铭牌数据，

在步骤二中，执行以下电动机能效计算子步骤：

电动机能效计算子步骤一，根据获取的实测电动机的输入线电流I₁、实测电动机的输入线电压U、电动机的额定电流I_N、电动机的额定电压U_N、电动机的额定效率η_N、电动机的空载有功损耗P_O和电动机的额定空载电流I_ON通过以下计算公式：

计算得出电动机运行负载率β，上式中，I_O为电动机输入线电压为非额定值时的空载电流，I_O的计算公式如下：

电动机能效计算子步骤二，通过以下计算公式：

计算得出电动机运行效率ηc；

在步骤三中，若β位于60％～80％之间，则判断目标电动机的能效隶属度为1，ηc≥0.6时，则判断为目标电动机的能效隶属度e为1，

目标电动机的能效隶属度e根据以下公式计算得出：

e＝1/(1+g(0.6-ηc)^k)，g和k由人工设定。

在目标设备为电加热设备时，

在步骤一中，获得目标电加热设备的实测运行数据和铭牌数据，

在步骤二中，执行以下电加热设备能效计算子步骤：

电加热设备能效计算子步骤一：根据获取的实际生产耗电量W和产品的实际质量m_i通过以下计算公式：

计算测试周期内的合格产品的可比用电单耗b_k，上式中，M₂--测试周期的总折合质量，i＝1,2,3,....,n，为产品或工件品种，K₁为产品或工件单件质量折算系数，K₂为产品或工件类别折算系数，K₃为热处理温度折算系数，K₄为热处理工艺折算系数；

电加热设备能效计算子步骤二：用温度测量仪表测量电炉最高工作温度下的热稳定状态时炉体外表面任意测量点的温度与特定环境温度之差Δθ；在步骤三中，若b_k≤0.600kwh/kg且Δθ符合设定值，则目标电加热设备的隶属度为1，否则目标电加热设备的能效隶属度e由以下计算式计算得出： e＝1/(1+c(b_k-0.6)^d)，上式中，c和d由人工设定；

所述的单价质量折算系数符合以下要求，

单件产品或工件质量>0.3kg/件时，K₁＝1.0，

单件产品或工件质量＜0.1kg/件时，K₁＝1.5，

单件产品或工件质量≥0.1kg/件且≤0.3kg/件时，K₁＝1.2；

产品或工件类别折算系数符合以下要求，

当产品或工件类别为工模具类时，K₂＝1.2，否则K₂＝1.0；

热处理温度折算系数符合以下要求，

热处理温度＞1000℃时，K₃＝1.5，

热处理温度≥700℃且≤1000℃时，K₃＝1.0，

热处理温度≥500℃且＜700℃时，K₃＝0.7，

热处理温度≥350℃且＜500℃时，K₃＝0.5，

热处理温度＜350℃时，K₃＝0.3；

热处理工艺折算系数符合以下要求，

渗碳渗氮的折算系数K₄＝2.0，

盐浴工艺的折算系数K₄＝1.5，

铝合金淬火工艺的折算系数K₄＝1.1，

钢材淬火工艺的折算系数K₄＝1.1，

退火保温工艺的时间>20h时的折算系数K₄＝1.7，

退火保温工艺的时间10～20h时的折算系数K₄＝1.3，

正火工艺或退火保温工艺的时间<10h时折算系数K₄＝1.0。

在目标设备为空调制冷设备时，

在步骤一中，获得目标空调制冷设备的实测运行数据和铭牌数据，

在步骤二中，执行以下空调制冷设备能效计算子步骤：

空调制冷设备能效计算子步骤一，根据获取的空调制冷设备运行时间T、冷水进口温度t₁、冷水出口温度t₂、冷水质量流量q_m、平均温度下水的比热容C和制冷消耗电量A_P，通过以下计算公式：

Q_n＝Cq_m(t₂-t₁)T计算得出运行期间的制冷量Q_n；

通过以下计算公式：

计算得出运行平均能效比运行平均能效比COP；

在步骤三中，COP≥COP_N则空调制冷设备的能效隶属度e为1，否则，目标空调制冷设备的能效隶属度e由以下计算式计算得出：

e＝1/(1+c(COP_N-COP)^d)，上式中，c和d由人工设定。

能效分析值E由以下公式计算得出，

上式中，e_i表示与目标设备具有相关性的第i个设备自身的能效隶属度，c_i表示与目标设备具有相关性的第i个设备与目标设备之间的相关性，h为与目标设备具有相关性的设备的总数，在上式中，c_i的值若小于设定值则直接取值为0。

在步骤一中，还输入企业供配电线路的基本信息，

在步骤二中，执行以下企业总线损率能效计算子步骤，

企业总线损率能效计算子步骤一，根据日线路运行时间T、日内平均环境温度t、线路长度L、20℃时导线的单位电阻值R₂₀和线路每小时的实测负荷电流I_j，通过以下计算公式：

计算每相导线的电阻R，

上式中，t_x为导线最高允许温度，I_x为环境温度为25℃时，导线的允许载流，K为温度换算系数，

I_i为线路中实测负荷电流的均方根值，

通过以下计算公式：

计算每条线路的日平均电能损耗ΔA_sx

上式中，m为相数系数，单相m＝2，三相3线m＝3，三相4线m＝3.5；企业总线损率能效计算子步骤二，根据获取的企业每台变压器损耗：ΔA_Pi、企业每条线路损耗：ΔA_sxi和企业代表日受入电量：A_Z，通过以下计算公式：

计算得出企业总线损率α，上式中，n₁为变压器台数，n₂为线路条数；

在步骤三中，对于一次变压，α小于3.5％、对于二次变压，α小于5.5％、对于三次变压，α小于7％且用电体系中单条线路的损耗电量小于该线路首端输送的有功电量的5％的企业判断为保持现状，否则判断为需要采取以下措施：将配电变压器安排在负荷中心、缩短低压线路的长度、提高供电线路的功率因数、减少线路输送的无功电流、采用无功就地补偿、减少负荷波动引起的附加线损或提高输送电压。

本实施例中多源异构数据在表示方式、数据维度等方面存在诸多的差异，无法直接进行联合处理。因此本实施例首先针对多源异构的各种数据的特点分析其差异性，将数据进行分类，然后研究如何将各数据映射至同一的同性元空间，最后基于同性元空间进行数据的融合。本实施例设计与各模态数据自身特征相匹配的核函数，将其映射至同一“多核元空间”，然后通过超图谱嵌入方法实现分布式新能源相关的多源异构数据的融合。多源异构数据存在着各种属性，在进行预处理和数据融合前需要对数据进行属性的分析，建立合适的属性索引和分类，为数据的预处理奠定基础。数据预处理可以改进数据的质量，消除数据的不完整性、冗余性和模糊性等，从而有助于提高其后的挖掘过程的精度和性能。通过数据评估、数据重组、数据清洗、数据抽取、数据过滤、数据归约等技术实现分布式新能源相关的多源异构数据的预处理。数据控制的质量关系到大数据的融合及相关关系分析的准确性。本项目拟在矩阵恢复理论框架下构建结构化的低秩表示模型,建立结构化稀疏约束与低秩约束，有效分离误差数据，修补缺损数据，实现数据完整性、一致性及准确性。本实施例在综合判断的时候增加了隶属度的转换，通过对不同设备的转换，将各种能效设备综合到一个标准下进行判断，提高了整体判断的准确性。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (6)

1.一种基于大数据融合的设备能效综合控制方法，其特征在于，包括以下步骤：

步骤一，对各个设备的相关性进行设定同时获取各个运行设备的运行参数，并进行大数据预处理，基于大数据预处理的数据进行多源异构大数据的融合；在步骤一中，所述运行设备包括变压器、电动机、电加热设备和/或空调制冷设备；针对上述设备中具有相关性的目标设备构建一个秩为n的矩阵方阵f(h/t)，f(h/t)的相关性函数如下：

f(h/t)＝f(h/t)/max[f(h/t),f(t/h)]，h,t＝1，2，....，n.；

f(h/t)表示目标设备h被目标设备t的支持程度,h,t＝1，2，....，n；

通过以下公式计算各个目标设备被其他具有相关性的设备之间相关的程度：

其中，

表示第h个目标设备被其他目标设备相关的程度；

所述步骤一中，包括以下子步骤：

预处理子步骤一，对目标设备的数据源进行属性分析，建立属性索引和分类；

预处理子步骤二，根据目标设备的数据源进行属性分析结果，首先执行数据评估分步骤、数据重组分步骤；然后根据目标设备的数据源进行属性分析结果，执行数据清洗分步骤，再根据数据集的大小确定进行数据抽取分步骤，再对数据集中不符合挖掘格式的数据进行数据过滤分步骤，若数据集中的冗余属性较多，则进行数据归约分步骤后保存为数据矩阵的格式，否则直接保存为数据矩阵的格式；

预处理子步骤三，建立多源数据的结构化低秩表示模型，表征多模态数据间的结构关系，通过矩阵的低秩与结构化稀疏性约束对数据质量进行检测，从稀疏的误差中恢复出关系矩阵；

多源异构大数据的融合步骤一，将N个模态的目标设备相关数据资料，记为{X¹,X²,...,X^N}，每个模态的数据集包含p个观测样本

采用多核学习算法对N个模态的数据分别设计一个核函数K^m(x_i,x_j)，每个核函数隐式确定一个非线性映射函数φ^m(x_i)；

多源异构大数据的融合步骤二，通过非线性映射函数φ^m(x_i)获得各个模态的观测资料X^m，将各个模态的观测资料X^m分别输入对应的核函数K^m(x_i,x_j)进行映射,生成M个同维的K^m∈R^p×p核矩阵，从而嵌入一个同性的多核元空间；

多源异构大数据的融合步骤三，对多元核空间的数据采用嵌入投影算法进行多源融合；

步骤二，计算目标设备的能效数据；

步骤三，对具有相关性的目标设备的能效数据进行隶属度换算，进行整合后进行分析，判断得出具有相关性的目标设备是否需要改进；

在目标设备为变压器时，

在步骤一中，获得目标变压器的实测运行数据和铭牌数据，

在步骤二中，执行以下变压器能效计算子步骤：

变压器能效计算子步骤一，计算获得变压器日均负载率β(％)；

变压器能效计算子步骤二，根据日变压器投入运行的工作时间T、变压器的空载损耗P_o、变压器的负载损耗P_N和额定容量S_N通过以下计算公式：

ΔA_p＝(P_o+β²P_N)T

计算得出变压器日均有功电能损耗ΔA_p；

变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔA_p和变压器日均输出电量A_Z，通过以下计算公式：

计算得出变压器实际运行效率η_d；

计算变压器的最佳负荷率

和变压器的最大效率

在步骤三中，以

时判断为目标变压器的能效隶属度为1；

若在设定时长内变压器的负载率均低于30％，则判断为需要改用符合

的计算结果的变压器，上式中S为实际使用负荷；

若变压器的运行效率

时，则以能效隶属度

作为目标变压器的能效隶属度。

2.根据权利要求1所述的基于大数据融合的设备能效综合控制方法，其特征在于：在步骤三中，根据目标设备的种类建立对应的能效隶属度函数，将目标设备的能效数据代入能效隶属度函数，根据能效隶属度函数的计算结果获得能效隶属度，计算所有与目标设备具有相关性设备的能效隶属度，并与目标设备相关的程度相乘，获得能效分析值E，若能效分析值E小于设定值则判断为需要改进。

3.根据权利要求1所述的基于大数据融合的设备能效综合控制方法，其特征在于：在目标设备为电动机时，

在步骤一中，获得目标电动机的实测运行数据和铭牌数据，

在步骤二中，执行以下电动机能效计算子步骤：

电动机能效计算子步骤一，根据获取的实测电动机的输入线电流I₁、实测电动机的输入线电压U、电动机的额定电流I_N、电动机的额定电压U_N、电动机的额定效率η_N、电动机的空载有功损耗P_O和电动机的额定空载电流I_ON通过以下计算公式：

计算得出电动机运行负载率β，上式中，I_O为电动机输入线电压为非额定值时的空载电流，I_O的计算公式如下：

电动机能效计算子步骤二，通过以下计算公式：

计算得出电动机运行效率η_c；

在步骤三中，若β位于60％～80％之间，则判断目标电动机的能效隶属度为1，η_c≥0.6时，则判断为目标电动机的能效隶属度e为1，

目标电动机的能效隶属度e根据以下公式计算得出：

e＝1/(1+g(0.6-η_c)^k)，g和k由人工设定。

4.根据权利要求1所述的基于大数据融合的设备能效综合控制方法，其特征在于：在目标设备为电加热设备时，

在步骤一中，获得目标电加热设备的实测运行数据和铭牌数据，

在步骤二中，执行以下电加热设备能效计算子步骤：

电加热设备能效计算子步骤一：根据获取的实际生产耗电量W和产品的实际质量m_i通过以下计算公式：

计算测试周期内的合格产品的可比用电单耗b_k，上式中，M₂--测试周期的总折合质量，i＝1,2,3,....,n，为产品或工件品种，K₁为产品或工件单件质量折算系数，K₂为产品或工件类别折算系数，K₃为热处理温度折算系数，K₄为热处理工艺折算系数；

电加热设备能效计算子步骤二：用温度测量仪表测量电炉最高工作温度下的热稳定状态时炉体外表面任意测量点的温度与特定环境温度之差Δθ；

在步骤三中，若b_k≤0.600kwh/kg且Δθ符合设定值，则目标电加热设备的隶属度为1，否则目标电加热设备的能效隶属度e由以下计算式计算得出：e＝1/(1+c(b_k-0.6)^d)，上式中，c和d由人工设定；

所述的单件质量折算系数符合以下要求，

单件产品或工件质量>0.3kg/件时，K₁＝1.0，

单件产品或工件质量＜0.1kg/件时，K₁＝1.5，

单件产品或工件质量≥0.1kg/件且≤0.3kg/件时，K₁＝1.2；

产品或工件类别折算系数符合以下要求，

当产品或工件类别为工模具类时，K₂＝1.2，否则K₂＝1.0；

热处理温度折算系数符合以下要求，

热处理温度＞1000℃时，K₃＝1.5，

热处理温度≥700℃且≤1000℃时，K₃＝1.0，

热处理温度≥500℃且＜700℃时，K₃＝0.7，

热处理温度≥350℃且＜500℃时，K₃＝0.5，

热处理温度＜350℃时，K₃＝0.3；

热处理工艺折算系数符合以下要求，

渗碳渗氮的折算系数K₄＝2.0，

盐浴工艺的折算系数K₄＝1.5，

铝合金淬火工艺的折算系数K₄＝1.1，

钢材淬火工艺的折算系数K₄＝1.1，

退火保温工艺的时间>20h时的折算系数K₄＝1.7，

退火保温工艺的时间10～20h时的折算系数K₄＝1.3，

正火工艺或退火保温工艺的时间<10h时折算系数K₄＝1.0。

5.根据权利要求3所述的基于大数据融合的设备能效综合控制方法，其特征在于：

在目标设备为空调制冷设备时，

在步骤一中，获得目标空调制冷设备的实测运行数据和铭牌数据，

在步骤二中，执行以下空调制冷设备能效计算子步骤：

空调制冷设备能效计算子步骤一，根据获取的空调制冷设备运行时间T、冷水进口温度t₁、冷水出口温度t₂、冷水质量流量q_m、平均温度下水的比热容C和制冷消耗电量A_P，通过以下计算公式：

Q_n＝Cq_m(t₂-t₁)T计算得出运行期间的制冷量Q_n；

通过以下计算公式：

计算得出运行平均能效比COP；

在步骤三中，若COP≥COP_N则空调制冷设备的能效隶属度e为1，否则，目标空调制冷设备的能效隶属度e由以下计算式计算得出：

e＝1/(1+c(COP_N-COP)^d)，上式中，c和d由人工设定。

6.根据权利要求1所述的基于大数据融合的设备能效综合控制方法，其特征在于：在步骤一中，还输入企业供配电线路的基本信息，

在步骤二中，执行以下企业总线损率能效计算子步骤，

企业总线损率能效计算子步骤一，根据日线路运行时间T、日内平均环境温度t、线路长度L、20℃时导线的单位电阻值R₂₀和线路每小时的实测负荷电流I_j，通过以下计算公式：

计算每相导线的电阻R，

上式中，t_x为导线最高允许温度，I_x为环境温度为25℃时，导线的允许载流，K为温度换算系数，

I_i为线路中实测负荷电流的均方根值，

通过以下计算公式：

计算每条线路的日平均电能损耗ΔA_sx

上式中，m为相数系数，单相m＝2，三相3线m＝3，三相4线m＝3.5；

企业总线损率能效计算子步骤二，根据获取的企业每台变压器损耗：ΔA_Pi、企业每条线路损耗：ΔA_sxi和企业代表日受入电量：A_Z，通过以下计算公式：

计算得出企业总线损率α，上式中，n₁为变压器台数，n₂为线路条数；

在步骤三中，对于一次变压，α小于3.5％、对于二次变压，α小于5.5％、对于三次变压，α小于7％且用电体系中单条线路的损耗电量小于该线路首端输送的有功电量的5％的企业判断为保持现状，否则判断为需要采取以下措施：将配电变压器安排在负荷中心、缩短低压线路的长度、提高供电线路的功率因数、减少线路输送的无功电流、采用无功就地补偿、减少负荷波动引起的附加线损或提高输送电压。