CN110019173B - 大数据的设备能效控制方法 - Google Patents
大数据的设备能效控制方法 Download PDFInfo
- Publication number
- CN110019173B CN110019173B CN201811062238.1A CN201811062238A CN110019173B CN 110019173 B CN110019173 B CN 110019173B CN 201811062238 A CN201811062238 A CN 201811062238A CN 110019173 B CN110019173 B CN 110019173B
- Authority
- CN
- China
- Prior art keywords
- data
- energy efficiency
- transformer
- load
- motor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 69
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 238000010438 heat treatment Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000005057 refrigeration Methods 0.000 claims description 26
- 238000005485 electric heating Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000004378 air conditioning Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000000137 annealing Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000011065 in-situ storage Methods 0.000 claims description 6
- 238000010791 quenching Methods 0.000 claims description 6
- 230000000171 quenching effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000011157 data evaluation Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 229910000838 Al alloy Inorganic materials 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000005255 carburizing Methods 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005121 nitriding Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种大数据的设备能效控制方法，解决了现有技术的不足，技术方案为：包括以下步骤：步骤一，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，对目标设备的能效数据进行分析，发布能效分析结果。
Description
技术领域
本发明涉及一种设备能效控制方法，具体涉及一种大数据的设备能效控制方法。
背景技术
目前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，提供大数据的设备能效控制方法。
本发明解决其技术问题所采用的技术方案是：一种大数据的设备能效控制方法，包括以下步骤：
步骤一，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，对目标设备的能效数据进行分析，发布能效分析结果。
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,...,XN}，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Km(xi,xj)，每个核函数隐式确定一个非线性映射函数φm(xi)；
多源异构大数据的融合步骤二，通过非线性映射函数φm(xi)获得各个模态的观测资料Xm，将各个模态的观测资料Xm分别输入对应的核函数Km(xi,xj)进行映射,生成M个同维的Km∈Rp×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。
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Po、变压器的负载损耗PN和额定容量SN通过以下计算公式：
ΔAp＝(Po+β2PN)T
计算得出变压器日均有功电能损耗ΔAp；
变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔAp和变压器日的输出电量AZ，通过以下计算公式：
计算得出变压器实际运行效率ηd；
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，若
则判断为维持现状；
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，则判断为需要执行以下动作：增加无功就地补偿。
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IN、电动机的额定电压UN、电动机的额定效率ηN、电动机的空载有功损耗PO和电动机的额定空载电流ION通过以下计算公式：
计算得出电动机运行负载率β，上式中，IO为电动机输入线电压为非额定值时的空载电流，IO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，则判断为维持现状，ηc≥0.6时，则判断为维持现状，
若β在设定时长内均小于40％则判断为需要执行以下动作：需要更换小容量的电动机，
对于设定时长内ηc＜0.6的轻载、空载或周期性负载条件下使用的电动机，判断为需要执行以下动作：进行无功就地补偿或安装节能控制器；
对于大于设定时长依然存在ηc＜0.6的轻载、空载或周期性变动负载下运行的电动机，判断为需要执行以下动作：采用异步电动机轻载调压节能装置，定子输入端加装△-Y转换串电抗器自动有级调压节电器以降低轻载运行时电动机的输入电压，提高电动机运行效率，减少电机损耗。
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mi
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bk，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bk≤0.600kwh/kg且Δθ符合设定值，则判断为保持现状，否则判断为需要执行以下动作：缩小和密封电加热设备的开口部分或开口处安装双层封盖、减少热损失；在加热或热处理的电炉中，改进升温曲线；电加热设备集中生产，减少空载损失。
作为优选，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qm、平均温度下水的比热容C和制冷消耗电量AP，通过以下计算公式：
Qn＝Cqm(t2-t1)T计算得出运行期间的制冷量Qn；
通过以下计算公式：
在步骤三中，COP≥COPN则判断为保持现状，COPN为设定的能效比，否则判断为需要执行以下动作：定期清洗换热器、提高制冷设备冷水的出口温度，检查冷凝效果，定期对冷却水进行排放。
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Ij，通过以下计算公式：
计算每条线路的日平均电能损耗ΔAsx
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：ΔAPi、企业每条线路损耗：ΔAsxi和企业代表日受入电量：AZ，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。
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：
一种大数据的设备能效控制方法，包括以下步骤：
步骤一，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，对目标设备的能效数据进行分析，发布能效分析结果。
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,...,XN}，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Km(xi,xj)，每个核函数隐式确定一个非线性映射函数φm(xi)；
多源异构大数据的融合步骤二，通过非线性映射函数φm(xi)获得各个模态的观测资料Xm，将各个模态的观测资料Xm分别输入对应的核函数Km(xi,xj)进行映射,生成M个同维的Km∈Rp×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。
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。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Po、变压器的负载损耗PN和额定容量SN通过以下计算公式：
ΔAp＝(Po+β2PN)T
计算得出变压器日均有功电能损耗ΔAp；
变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔAp和变压器日的输出电量AZ，通过以下计算公式：
计算得出变压器实际运行效率ηd；
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，若
则判断为维持现状；
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，则判断为需要执行以下动作：增加无功就地补偿。
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IN、电动机的额定电压UN、电动机的额定效率ηN、电动机的空载有功损耗PO和电动机的额定空载电流ION通过以下计算公式：
计算得出电动机运行负载率β，上式中，IO为电动机输入线电压为非额定值时的空载电流，IO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，则判断为维持现状，ηc≥0.6时，则判断为维持现状，若β在设定时长内均小于40％则判断为需要执行以下动作：需要更换小容量的电动机，
对于设定时长内ηc＜0.6的轻载、空载或周期性负载条件下使用的电动机，判断为需要执行以下动作：进行无功就地补偿或安装节能控制器；
对于大于设定时长依然存在ηc＜0.6的轻载、空载或周期性变动负载下运行的电动机，判断为需要执行以下动作：采用异步电动机轻载调压节能装置，定子输入端加装△-Y转换串电抗器自动有级调压节电器以降低轻载运行时电动机的输入电压，提高电动机运行效率，减少电机损耗。
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mi
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bk，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bk≤0.600kwh/kg且Δθ符合设定值，则判断为保持现状，否则判断为需要执行以下动作：缩小和密封电加热设备的开口部分或开口处安装双层封盖、减少热损失；在加热或热处理的电炉中，改进升温曲线；电加热设备集中生产，减少空载损失。
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qm、平均温度下水的比热容C和制冷消耗电量AP，通过以下计算公式：
Qn＝Cqm(t2-t1)T计算得出运行期间的制冷量Qn；
通过以下计算公式：
在步骤三中，COP≥COPN则判断为保持现状，COPN为设定的能效比，否则判断为需要执行以下动作：定期清洗换热器、提高制冷设备冷水的出口温度，检查冷凝效果，定期对冷却水进行排放。
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Ij，通过以下计算公式：
计算每条线路的日平均电能损耗ΔAsx
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：ΔAPi、企业每条线路损耗：ΔAsxi和企业代表日受入电量：AZ，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。
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。
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 (7)
1.一种大数据的设备能效控制方法，其特征在于，包括以下步骤：
步骤一，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；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；
步骤二，计算目标设备的能效数据，
步骤三，对目标设备的能效数据进行分析，发布能效分析结果；
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Po、变压器的负载损耗PN和额定容量SN通过以下计算公式：ΔAp＝(Po+β2PN)T
计算得出变压器日均有功电能损耗ΔAp；
变压器能效计算子步骤三，根据变压器日均有功电能损耗ΔAp和变压器日均输出电量AZ，通过以下计算公式：
计算得出变压器实际运行效率ηd；
变压器能效计算子步骤三，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，若
则判断为维持现状；
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，则判断为需要执行以下动作：增加无功就地补偿。
2.根据权利要求1所述的大数据的设备能效控制方法，其特征在于：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,...,XN}，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Km(xi,xj)，每个核函数隐式确定一个非线性映射函数φm(xi)；
多源异构大数据的融合步骤二，通过非线性映射函数φm(xi)获得各个模态的观测资料Xm，将各个模态的观测资料Xm分别输入对应的核函数Km(xi,xj)进行映射,生成M个同维的Km∈Rp×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。
3.根据权利要求1所述的大数据的设备能效控制方法，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IN、电动机的额定电压UN、电动机的额定效率ηN、电动机的空载有功损耗PO和电动机的额定空载电流ION通过以下计算公式：
计算得出电动机运行负载率β，上式中，IO为电动机输入线电压为非额定值时的空载电流，IO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，则判断为维持现状，ηc≥0.6时，则判断为维持现状，
若β在设定时长内均小于40％则判断为需要执行以下动作：需要更换小容量的电动机，
对于设定时长内ηc＜0.6的轻载、空载或周期性负载条件下使用的电动机，判断为需要执行以下动作：进行无功就地补偿或安装节能控制器；
对于大于设定时长依然存在ηc＜0.6的轻载、空载或周期性变动负载下运行的电动机，判断为需要执行以下动作：采用异步电动机轻载调压节能装置，定子输入端加装△-Y转换串电抗器自动有级调压节电器以降低轻载运行时电动机的输入电压，提高电动机运行效率，减少电机损耗。
4.根据权利要求1所述的大数据的设备能效控制方法，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mi
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bk，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bk≤0.600kwh/kg且Δθ符合设定值，则判断为保持现状，否则判断为需要执行以下动作：缩小和密封电加热设备的开口部分或开口处安装双层封盖、减少热损失；在加热或热处理的电炉中，改进升温曲线；电加热设备集中生产，减少空载损失。
5.根据权利要求4所述的大数据的设备能效控制方法，其特征在于：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。
6.根据权利要求1所述的大数据的设备能效控制方法，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qm、平均温度下水的比热容C和制冷消耗电量AP，通过以下计算公式：
Qn＝Cqm(t2-t1)T计算得出运行期间的制冷量Qn；
通过以下计算公式：
在步骤三中，COP≥COPN则判断为保持现状，COPN为设定的能效比，否则判断为需要执行以下动作：定期清洗换热器、提高制冷设备冷水的出口温度，检查冷凝效果，定期对冷却水进行排放。
7.根据权利要求2所述的大数据的设备能效控制方法，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Ij，通过以下计算公式：
上式中，tx为导线最高允许温度，Ix为环境温度为25℃时，导线的允许载流，K为温度换算系数，
Ii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ΔAsx
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：ΔAPi、企业每条线路损耗：ΔAsxi和企业代表日受入电量：AZ，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811062238.1A CN110019173B (zh) | 2018-09-12 | 2018-09-12 | 大数据的设备能效控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811062238.1A CN110019173B (zh) | 2018-09-12 | 2018-09-12 | 大数据的设备能效控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110019173A CN110019173A (zh) | 2019-07-16 |
| CN110019173B true CN110019173B (zh) | 2023-05-05 |
Family
ID=67188461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811062238.1A Active CN110019173B (zh) | 2018-09-12 | 2018-09-12 | 大数据的设备能效控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110019173B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114879622B (zh) * | 2022-07-12 | 2022-09-27 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于多源数据的工控日志审计系统及方法 |
| CN116552306B (zh) * | 2023-07-12 | 2023-09-22 | 江西驴充充充电技术有限公司 | 直流桩的监控系统及其方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184465A (zh) * | 2011-04-19 | 2011-09-14 | 中国电力科学研究院 | 一种变电站能效评估方法 |
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN107832949A (zh) * | 2017-11-09 | 2018-03-23 | 苏州大成电子科技有限公司 | 一种面向电力用户的大数据服务方法 |
-
2018
- 2018-09-12 CN CN201811062238.1A patent/CN110019173B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184465A (zh) * | 2011-04-19 | 2011-09-14 | 中国电力科学研究院 | 一种变电站能效评估方法 |
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN107832949A (zh) * | 2017-11-09 | 2018-03-23 | 苏州大成电子科技有限公司 | 一种面向电力用户的大数据服务方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于SCADA平台的能效评估系统开发与应用;甘凌霄等;《电气应用》;20120620(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110019173A (zh) | 2019-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
| CN106877338A (zh) | 含高密度间歇性能源的交直流微电网不确定优化运行方法 | |
| CN110955954B (zh) | 一种分层解耦的电气热综合能源系统最优负荷削减量方法 | |
| CN110019173B (zh) | 大数据的设备能效控制方法 | |
| CN104635080B (zh) | 一种预测电网线损率的方法 | |
| CN111695742A (zh) | 一种综合能源系统日前调度区间优化方法、系统及设备 | |
| CN105978016A (zh) | 一种基于最优潮流的多端柔性直流输电系统优化控制方法 | |
| WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及系统 | |
| CN111489022B (zh) | 一种基于工业园区的电力综合能源优化配置方法 | |
| CN111585310B (zh) | 一种分布式电源出力预测的方法和装置 | |
| CN115099007B (zh) | 基于综合成本-能耗曲线的综合能源系统优化运行方法 | |
| CN107404118A (zh) | 基于随机响应面法的电气互联系统概率最优潮流计算方法 | |
| CN109471381B (zh) | 基于大数据融合的设备能效综合控制方法 | |
| CN115730256A (zh) | 一种基于油温自适应控制的变压器负载增容策略 | |
| CN113887061B (zh) | 一种计及多因素修正的输电线路动态增容系统 | |
| CN114818078A (zh) | 考虑长短期不确定性的净零能耗建筑能源系统规划方法 | |
| CN113609699A (zh) | 辐射状配电网交流潮流模型的计算方法和系统 | |
| CN109471411B (zh) | 综合能效监控方法 | |
| CN112886566A (zh) | 一种电网调峰需求计算方法和系统 | |
| CN109472437B (zh) | 设备能效综合控制平台及其控制方法 | |
| CN109460888B (zh) | 能效监控报警方法 | |
| CN115549118A (zh) | 配电网无功补偿设备出力平滑指数预测方法 | |
| CN111682574B (zh) | 一种交直流混联系统运行场景辨识方法、存储介质和设备 | |
| CN111798044B (zh) | 基于改进最小叉熵的ries运行规划仿真方法 | |
| Huang et al. | Energy Efficiency Evaluation for Battery Energy Storage Stations Based on AHP-TOPSIS |
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 |