CN111047095A - 一种机电设备运行中分析确定高能耗设备的方法 - Google Patents

Abstract

本发明专利涉及机电安装技术领域，具体为一种机电设备运行中分析确定高能耗设备的方法，包括如下步骤：步骤一：决定原始数列X⁽⁰⁾；步骤二：选择数据生成方式‑累加生成X⁽¹⁾；步骤三：建立灰色微分方程式；步骤四：建立数据矩阵並以最小平方法求出a、b值；步骤五：建立数据矩阵；步骤六：利用累減生成还原成预测值；对步骤五中得到的预测数列进行滚动式预测；利用MAPE评估法来衡量预测的准确度；本发明的机电设备运行中分析确定高能耗设备的方法可提供一個滚动式能耗预测分析方法，通过灰色理论(GM(1,1))方法进行耗电量滚动式预测，能夠达到快速即时的能耗分析数据信息；再者可将滚动式能耗预测分析技术导入基于IOT‑BIM的机电设备维护保养智能化管理平台中。

Description

一种机电设备运行中分析确定高能耗设备的方法

技术领域

本发明专利涉及机电安装技术领域，具体为一种机电设备运行中分析确定高能耗设备的方法。

背景技术

目前分析确定高能耗的机电设备(系统)，只能在机电设备运行后，通过统计分析才能析确定高能耗的设备(系统)；而传统的能耗分析方法，通常是使用历史資料然后取均值进行分析，进而判断出高耗能设备並进行调控；但使用均值历史数据进行分析並不能代表实时的耗能现状，而且时间区段越长，数值越不准确。

但目前还没有可以获得准确、即时的能耗数据的方法，即使能获得即时的能耗数据，也存在不准确的问题。

发明内容

本发明针对目前机电安装技术中存在的不足，提供了一种机电设备运行中分析确定高能耗设备的方法。

为解决上述技术问题，本发明所采用的技术方案为：一种机电设备运行中分析确定高能耗设备的方法，包括如下步骤：步骤一：决定原始数列X⁽⁰⁾；

X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),X⁽⁰⁾(3),......X⁽⁰⁾(n)}

＝{X⁽⁰⁾(k)；k＝1,2,3,...,n},X⁽⁰⁾(k)≥0&n≥4

步骤二：选择数据生成方式-累加生成X⁽¹⁾；

范例：X⁽⁰⁾(k)＝﹛1,3,2.5,4﹜

X⁽¹⁾(k)＝﹛1,4,6.5,10.5﹜

步骤三：建立灰色微分方程式

或

其中b为常数項，a为发展系数；

再由导数定义得知：

Δt＝1

由以上推导，可看出兩者存在对应关系：

其中α(k)为灰预测系数，一般来说取α(k)＝0.5

步骤四：建立数据矩阵並以最小平方法求出a、b值

X⁽⁰⁾(2)+az⁽¹⁾(2)＝b

X⁽⁰⁾(3)+az⁽¹⁾(3)＝b

…

X⁽⁰⁾(n)+az⁽¹⁾(n)＝b

以矩阵表示为：

以最小平方法求系数：

将上述矩阵形式的辨识算式展开并隐入中间参数C、D、E、F則有辨识算式：

步骤五：建立数据矩阵，将a、b帶回微分方程式得到

由于原数列与累加后的数列初始值相同，X⁽⁰⁾(1)＝X⁽¹⁾(1)，按一般常微分方程求解：式(1)可得离散化的X⁽¹⁾响应式为：

将式求得的a、b帶入；

步骤六：利用累減生成还原成预测值

由步驟五得到的预测数列，利用累減生成还原成X⁽⁰⁾(k)的形式：

或

作为改进，对步骤五中得到的预测数列进行滚动式预测。

作为改进，利用MAPE评估法来衡量预测的准确度。

作为改进，对能耗数据进行分析时，首先对数据进行观察，若都会发现到有遗漏值的存在，可通过盒须图进行离群值的判定，当发现有离群值存在时，剔除离群值，並以平均数取值取代遗漏值及离群值。

作为改进，使用处理过的数据，通过能耗区域图和能耗产生原因的分析，显示出一组数据的最大值、最小值、中位数、及上下四分位数，并通过直方图找出对应关系；根据能耗区域图和能耗产生原因的分析，以及滚动式动态预测的方法，使用四象限法，找出最需要关注的能耗点。

作为改进，最后根据MAPE评估表进行评判，当发现滚动式预测模式MAPE值均小于10％时，表示已达到高精确度预测結果，代表此模式可以达到运行中设备的高能耗监管的功能。

本发明所达到的有益效果：本发明的机电设备运行中分析确定高能耗设备的方法可提供一個滚动式能耗预测分析方法，通过灰色理论(GM(1,1))方法进行耗电量滚动式预测，能夠达到快速即时的能耗分析数据信息；再者可将滚动式能耗预测分析技术导入基于IOT-BIM的机电设备维护保养智能化管理平台中，在监控的设备的同时，除获得设备的运行状态外，还可以通过滚动式能耗预测分析方法，运算得到设备的即时的能耗分析数据信息；而基于IOT-BIM的机电设备维护保养智能化管理平台可以采用基于浏览器的开发技术，完成系统网页开发后，App也基本同步开发完毕(可认为一次开发，既实现了维保管理系统，又实现了手机App功能)，由于采用基于浏览器的开发技术，手机App可适用于不同操作系统。

附图说明

图1为本发明的建模流程示意图；

图2为本发明的滚动式预测的模式示意图；

图3为本发明的数据处理的示意图；

图4为本发明的能耗区域图示例。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

灰色理论假设任何随机过程都是在一定幅值范围內变化的灰色量，称随机过程为灰色过程，将原始数据累加生成计算，产生明显指数規律以模拟灰色过程，并将离散不规则的原始数据列，转换成指数規律，这是光滑离散函数的一种性质。

模式的建模流程，如图1所示，本专利运用灰色理论中的GM(1,1)模式，即一阶微分、当输入变数为一个时，可普遍用于预测计算方面。

2.2.1GM(1,1)模式的建模流程说明：

步驟一：決定原始序列为X⁽⁰⁾

X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),X⁽⁰⁾(3),......X⁽⁰⁾(n)}

＝{X⁽⁰⁾(k)；k＝1,2,3,...,n},X⁽⁰⁾(k)≥0&n≥4

步驟二：选择数据生成方式——累加生成(Accumulated generation operation，AGO)

范例：X⁽⁰⁾(k)＝﹛1,3,2.5,4﹜

X⁽¹⁾(k)＝﹛1,4,6.5,10.5﹜

步驟三：X⁽⁰⁾(k)+az⁽¹⁾(k)＝b

称为GM(1,1)源模型，从数学观点來说是灰微分方程模式，虽然近似满足微分方程构成条件，但並不能当作真正的微分方程使用，因此在灰预测中常使用一般微分方程：

取代源模型，这是一种「借用」、「白化」的程序，因此称为GM(1,1)源模型的白化方程。其中b为常数項，又称系统的灰作用量；a为发展系数，是GM(1,1)的主要参数，是反应动态过程发展态势的参数，灰预测中常通过发展系数a的大小來判断系统发展的快慢及发展的边界与特征。再由导数定义得知：

为一般的连续动态系统，可用线性微分方程表示，而离散的动态則用差分方式描述；此外灰色模式本质上要求样本为等距间隔期数，即Δt＝1，所以可以近似为差分方程式：

既然GM(1,1)源模型是模仿白化模型建立，由以上推导，可看出兩者存在对应关系：

其中α(k)为灰预测系数，一般来说取α(k)＝0.5

步驟4：建立数据矩阵

X⁽⁰⁾(2)+az⁽¹⁾(2)＝b

X⁽⁰⁾(3)+az⁽¹⁾(3)＝b

…

X⁽⁰⁾(n)+az⁽¹⁾(n)＝b

以矩阵表示为：

以最小平方法(Least Squares Method)求系数：

将上述矩阵形式的辨识算式展开并隐入中间参数C、D、E、F則有辨识算式：

步驟5：建立数据矩阵

由于原数列与累加后的数列初始值相同，X⁽⁰⁾(1)＝X⁽¹⁾(1)，按一般常微分方程求解：式(1)可得离散化的X⁽¹⁾响应式为：

将式求得的a、b帶入

步驟6：由步驟5得到的预测数列，利用累減生成还原成X⁽⁰⁾(k)的形式：

或

采用滚动式预测的模式如图2；随着时间推进，不断获得最新的资讯去修正预测，便可以提升预测准确度，这种概念便是滚动式预测。

滚动式预测是属于一种动态的预测方法。预测不可能完全跟未来实际状况完全符合，而预测的时间区段越长，预测值越不准确。所以随着时间推进，用新采集到的资讯去修正预测，能提高预测的准确度。所以可以用滚动式预测去解决长时段和突发性数据造成预测不准确的情形。

平均绝对百分比误差(Mean Absolute Percent Error,MAPE)又称为平均绝对误差百分比，用以作为预测模式好坏的评价指标。主要因为MAPE为相对数值，不受測量值、預估值单位及大小的影响，能夠客观得获得估计值与评估值间的差异程度。公式如下，本专利使用MAPE来衡量预测的准确度。

Lewis(1982)提出了MAPE的评估标准。见表一

表一MAPE对模型的评估

数据处理

在对能耗数据进行分析时，应首先对数据进行观察，一般都会发现到有遗漏值的存在，可通过盒须图(箱线图、盒式图--Boxplot)进行离群值的判定，当发现有离群值存在时如图3所示，可剔除离群值，並以平均数取值取代遗漏值及离群值。

然后使用处理过的数据，通过能耗区域图和能耗产生原因的分析，显示出一组数据的最大值、最小值、中位数、及上下四分位数，并通过直方图找出对应关系。

根据能耗区域图和能耗产生原因的分析，以及滚动式动态预测的方法，使用四象限法，找出最需要关注的能耗点。

如由于供电的三相不平衡会产生耗电量的大小不均衡，高不平衡率就会产生高耗电量。通过图4所示的区域图分析，可以发现某变电所的411B电表，位于第一象限，表示为高不平衡率且高耗电量之电表，表示此电表是需要进行特別监控，因此当收集到实时的数据时，启动滚动式GM(1,1)预测模型，预测其耗电量的未來值，並进行实时更新监控；如根据该表以后时间段：0點～5點、1點～6點、2點～7點的实测数据，进行滚动式预测，可达到运行中设备高能耗预测分析的功能，並在图中可以发现，滚动式预测模式能随着时间的推进，用新采集到的资讯去修正预测，以提高预测的准确度。

最后根据MAPE评估表进行评判，当发现滚动式预测模式MAPE值均小于10％时，表示已达到高精确度预测結果，代表此模式可以达到运行中设备的高能耗监管的功能。

将滚动式预测模式应用到能耗预测分析中，通过灰色理论(GM(1,1))方法进行能耗的滚动式预测，能夠得到快速即时的能耗分析数据信息；

将滚动式能耗预测分析技术导入基于IOT-BIM的机电设备维护保养智能化管理方法中，在监控的设备的同时，除获得设备的运行状态外，还可以通过滚动式能耗预测分析方法，运算得到设备的即时的能耗分析数据信息，找出高能耗设备，提出处理意见。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种机电设备运行中分析确定高能耗设备的方法，其特征在于：包括如下步骤：步骤一：决定原始数列X⁽⁰⁾；

X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),X⁽⁰⁾(3),......X⁽⁰⁾(n)}

＝{X⁽⁰⁾(k)；k＝1,2,3,...,n},X⁽⁰⁾(k)≥0&n≥4

步骤二：选择数据生成方式-累加生成X⁽¹⁾；

范例：X⁽⁰⁾(k)＝﹛1,3,2.5,4﹜

X⁽¹⁾(k)＝﹛1,4,6.5,10.5﹜

步骤三：建立灰色微分方程式

X⁽⁰⁾(k)+az⁽¹⁾(k)＝b或

其中b为常数項，a为发展系数；

再由导数定义得知：

Δt＝1

由以上推导，可看出兩者存在对应关系：

其中α(k)为灰预测系数，一般来说取α(k)＝0.5

步骤四：建立数据矩阵並以最小平方法求出a、b值

X⁽⁰⁾(2)+az⁽¹⁾(2)＝b

X⁽⁰⁾(3)+az⁽¹⁾(3)＝b

…

X⁽⁰⁾(n)+az⁽¹⁾(n)＝b

以矩阵表示为：

以最小平方法求系数：

将上述矩阵形式的辨识算式展开并隐入中间参数C、D、E、F則有辨识算式：

步骤五：建立数据矩阵

由于原数列与累加后的数列初始值相同，X⁽⁰⁾(1)＝X⁽¹⁾(1)，按一般常微分方程求解：式(1)可得离散化的X⁽¹⁾响应式为：

将式求得的a、b帶入；

步骤六：利用累減生成还原成预测值

由步驟五得到的预测数列，利用累減生成还原成X⁽⁰⁾(k)的形式：

或

2.根据权利要求1所述的机电设备运行中分析确定高能耗设备的方法，其特征在于：对步骤五中得到的预测数列进行滚动式预测。

3.根据权利要求2所述的机电设备运行中分析确定高能耗设备的方法，其特征在于：利用MAPE评估法来衡量预测的准确度。

4.根据权利要求3所述的机电设备运行中分析确定高能耗设备的方法，其特征在于：对能耗数据进行分析时，首先对数据进行观察，若都会发现到有遗漏值的存在，可通过盒须图进行离群值的判定，当发现有离群值存在时，剔除离群值，並以平均数取值取代遗漏值及离群值。

5.根据权利要求4所述的机电设备运行中分析确定高能耗设备的方法，其特征在于：使用处理过的数据，通过能耗区域图和能耗产生原因的分析，显示出一组数据的最大值、最小值、中位数、及上下四分位数，并通过直方图找出对应关系；根据能耗区域图和能耗产生原因的分析，以及滚动式动态预测的方法，使用四象限法，找出最需要关注的能耗点。

6.根据权利要求5所述的机电设备运行中分析确定高能耗设备的方法，其特征在于：最后根据MAPE评估表进行评判，当发现滚动式预测模式MAPE值均小于10％时，表示已达到高精确度预测結果，代表此模式可以达到运行中设备的高能耗监管的功能。

Images