CN112035797A - 一种基于自主学习的功率状态判决算法 - Google Patents
一种基于自主学习的功率状态判决算法 Download PDFInfo
- Publication number
- CN112035797A CN112035797A CN202010893784.0A CN202010893784A CN112035797A CN 112035797 A CN112035797 A CN 112035797A CN 202010893784 A CN202010893784 A CN 202010893784A CN 112035797 A CN112035797 A CN 112035797A
- Authority
- CN
- China
- Prior art keywords
- data
- executing
- information
- interval
- reading
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 5
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于自主学习的功率状态判决算法,包括数据统计系统、判决系统、数据读取系统、步进区间计算系统、循环检验系统,数据统计系统用于统计企业所有用电数据,判决数据用于判决数据统计系统的数据有效性,数据读取系统用于读取工厂内部用电设备的平均功率信息,步进区间计算系统用于对每一条步进区间执行循环计算操作,循环检验系统用于可信区间的可信度;该算法通过图表展示,直观决断,进行自主学习,推算更精准,结果导向,可信度更高,基于软件自主推断,从用电规律掌握设备运行状态。
Description
技术领域
本发明涉及数据结构与算法技术领域,具体为一种基于自主学习的功率状态判决算法。
背景技术
目前现在对于工况用电监测行业,对于工况设备状态的判定尤为重要。根据《大气污染工况用电监控技术指南》对于设备状态判断依据描述为“生产设施的实际功率在正常生产五日平均值20%上下范围内,治污设施的实际功率低于额定功率的10%或正常治污五日平均值20%以下”。计算的逻辑简单粗暴,由于企业工况用电需要监测的场景众多,需要应对各种情况的设备场景。单纯的靠正常生产五日平均值来衡量,误差率很高。
发明内容
本发明的目的在于提供一种基于自主学习的功率状态判决算法,用于解决工况用电监测设备启停状态判断不准确的问题。
为实现上述目的,本发明提供如下技术方案:一种基于自主学习的功率状态判决算法,包括数据统计系统、判决系统、数据读取系统、步进区间计算系统、循环检验系统,数据统计系统用于统计企业所有用电数据,判决数据用于判决数据统计系统的数据有效性,数据读取系统用于读取工厂内部用电设备的平均功率信息,步进区间计算系统用于对每一条步进区间执行循环计算操作,循环检验系统用于可信区间的可信度。
本发明一种基于自主学习的功率状态判决算法优选方案,采用下列算法步骤:
步骤1:统计企业昨日所有数据信息;
步骤2:判决数据有效性(是否24小时分布均匀,是否采集信息量满足计算要求),如果数据有效,则可执行步骤3;如果无效,则直接结束。
步骤3:读取前15日平均功率信息,作为进一步提取数据的依据;
步骤4:读取昨日的所有点位数据信息;
步骤5:执行判断数据有效性;根据前15日平均用电量信息。昨日数据的最大值必须高于前15日平均功率最大值的5%,否则认为数据无效。如果有效,则执行步骤6;
步骤6:计算可信的区间数量,执行步骤7;
步骤7:计算每次步进的区间间隔,执行步骤8,循环完毕执行步骤10;
步骤8:对于每一条数据执行循环操作;
步骤9:计算点位落入的可信区间;
步骤10:执行循环检验可信区间信息;
步骤11:如果可信度>95%,则检验完毕,执行步骤12;
步骤12:将计算结果,更新入前15日的平均功率信息中;
步骤13:执行完毕。
与现有技术相比,本发明的有益效果是:
1.该用于基于自主学习的功率状态判决算法,所有判断基于软件自主推断,从用电规律掌握设备运行状态,可以应对各种不同情况的设备状态。设备开机、停机、额外负载运行等都可以由程序从历史数据中进行学习,自主学习,推算更精准。
2.该用于基于自主学习的功率状态判决算法,对于计算的结果,进行可信性评估,得出每一个最高值点,最低值点的可信度数据。通过可信度信息,可以推断数据的可信程度,从而为人工决策,数据是否真实可靠提供强有力的依据,结果导向,可信度更高。
3.该用于基于自主学习的功率状态判决算法,对于海量数据来说,人工从大量数据中掌握规律是非常困难的,对于操作性而言,非常不友好,而且非常容易造成判断失误。而把数据信息呈现成图表,则可以直观展现数据规律,从数据规律识别有效信息,对人更为简便有效;通过查看图表信息,结合系统判决的生产基线、停止基线,可以非常快速的帮人识别设备是否开启停止,从而了解企业生产的当前状态,是否有违规生产的可能,图表展示,直观决断。
附图说明
图1为本发明实施例提供的核心算法流程示意图;
图2是通过本算法计算之后得到的15日功率信息及生产基线、停止基线的图表呈现。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的技术方案,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面详细描述本专利的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本专利,而不能理解为对本专利的限制。
在本专利的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本专利和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本专利的限制。
在本专利的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“设置”应做广义理解,例如,可以是固定相连、设置,也可以是可拆卸连接、设置,或一体地连接、设置。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本专利中的具体含义。
请参阅图1,本发明提供一种技术方案:一种基于自主学习的功率状态判决算法,包括数据统计系统、判决系统、数据读取系统、步进区间计算系统、循环检验系统,数据统计系统用于统计企业所有用电数据,判决数据用于判决数据统计系统的数据有效性,数据读取系统用于读取工厂内部用电设备的平均功率信息,步进区间计算系统用于对每一条步进区间执行循环计算操作,循环检验系统用于可信区间的可信度。
本程序在执行时,连接mysql数据库,运行于window系统中,且可以单独运行,同时配合大气工况用电监控系统运行,进行配置windows定时任务执行。
具体的,采用下列算法步骤:
步骤1:统计企业昨日所有数据信息;
通过数据统计系统进行企业数据信息登记,采用计算机对企业各项数据进行统计,包括企业各用电设备位置信息、用电量信息、用电设备名称登记填写,并计算出每台用电设备的平均功率。
步骤2:判决数据有效性(是否24小时分布均匀,是否采集信息量满足计算要求),如果数据有效,则可执行步骤3;如果无效,则直接结束,通过判决系统判断是否采集信息可在计算要求下进行计算,查验所登记的信息是否有效,根据计算结果是否有效进行判决。
步骤3:读取前15日平均功率信息,作为进一步提取数据的依据;
步骤4:读取昨日的所有点位数据信息;
步骤5:执行判断数据有效性;再次通过判决系统,根据前15日平均用电量信息与昨日用电信息比对,且给出昨日数据的最大值必须高于前15日平均功率最大值的5%时,认为有效,否则认为数据无效;如果有效,则执行步骤6;
步骤6:根据前步骤的数据判决得到的有效数据,计算可信的区间数量,执行步骤7;
步骤7:计算每次步进的区间间隔,执行步骤8,循环完毕执行步骤10;
步骤8:对于每一条数据执行循环操作;
步骤9:计算点位落入的可信区间;
步骤10:执行循环检验可信区间信息;
步骤11:如果可信度>95%,则检验完毕,执行步骤12;
步骤12:将计算结果,更新入前15日的平均功率信息中;
步骤13:执行完毕。
采用上述步骤进行实施,如图2,得到通过本程序计算之后得到的15日功率信息及生产基线、停止基线的图表呈现,把数据信息呈现成图表,则可以直观展现数据规律,从数据规律识别有效信息,对人更为简便有效;通过查看图表信息,结合系统判决的生产基线、停止基线,可以非常快速的帮人识别设备是否开启停止,从而了解企业生产的当前状态,是否有违规生产的可能。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于自主学习的功率状态判决算法,其特征在于,包括数据统计系统、判决系统、数据读取系统、步进区间计算系统、循环检验系统,数据统计系统用于统计企业所有用电数据,判决数据用于判决数据统计系统的数据有效性,数据读取系统用于读取工厂内部用电设备的平均功率信息,步进区间计算系统用于对每一条步进区间执行循环计算操作,循环检验系统用于可信区间的可信度。
2.根据权利要求1所述的一种基于自主学习的功率状态判决算法,其特征在于,采用下列算法步骤:
步骤1:统计企业昨日所有数据信息;
步骤2:判决数据有效性(是否24小时分布均匀,是否采集信息量满足计算要求),如果数据有效,则可执行步骤3;如果无效,则直接结束。
步骤3:读取前15日平均功率信息,作为进一步提取数据的依据;
步骤4:读取昨日的所有点位数据信息;
步骤5:执行判断数据有效性;根据前15日平均用电量信息。昨日数据的最大值必须高于前15日平均功率最大值的5%,否则认为数据无效。如果有效,则执行步骤6;
步骤6:计算可信的区间数量,执行步骤7;
步骤7:计算每次步进的区间间隔,执行步骤8,循环完毕执行步骤10;
步骤8:对于每一条数据执行循环操作;
步骤9:计算点位落入的可信区间;
步骤10:执行循环检验可信区间信息;
步骤11:如果可信度>95%,则检验完毕,执行步骤12;
步骤12:将计算结果,更新入前15日的平均功率信息中;
步骤13:执行完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893784.0A CN112035797A (zh) | 2020-08-31 | 2020-08-31 | 一种基于自主学习的功率状态判决算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010893784.0A CN112035797A (zh) | 2020-08-31 | 2020-08-31 | 一种基于自主学习的功率状态判决算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112035797A true CN112035797A (zh) | 2020-12-04 |
Family
ID=73586336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010893784.0A Pending CN112035797A (zh) | 2020-08-31 | 2020-08-31 | 一种基于自主学习的功率状态判决算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035797A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794256A (zh) * | 2013-11-19 | 2014-05-14 | 国核(北京)科学技术研究院有限公司 | 反应堆异常监测方法及系统 |
CN105277783A (zh) * | 2015-07-31 | 2016-01-27 | 杭州赫智电子科技有限公司 | 一种用电信息数据的海量数据采集方法 |
WO2018170253A1 (en) * | 2017-03-16 | 2018-09-20 | Facet Labs, Llc | Edge devices, systems and methods for processing extreme data |
CN109313687A (zh) * | 2016-01-24 | 2019-02-05 | 赛义德·卡姆兰·哈桑 | 基于人工智能的计算机安全 |
CN110658437A (zh) * | 2019-10-14 | 2020-01-07 | 重庆大学 | 一种风电变流器功率模块igbt健康状态评价方法 |
CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
-
2020
- 2020-08-31 CN CN202010893784.0A patent/CN112035797A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794256A (zh) * | 2013-11-19 | 2014-05-14 | 国核(北京)科学技术研究院有限公司 | 反应堆异常监测方法及系统 |
CN105277783A (zh) * | 2015-07-31 | 2016-01-27 | 杭州赫智电子科技有限公司 | 一种用电信息数据的海量数据采集方法 |
CN109313687A (zh) * | 2016-01-24 | 2019-02-05 | 赛义德·卡姆兰·哈桑 | 基于人工智能的计算机安全 |
WO2018170253A1 (en) * | 2017-03-16 | 2018-09-20 | Facet Labs, Llc | Edge devices, systems and methods for processing extreme data |
CN110658437A (zh) * | 2019-10-14 | 2020-01-07 | 重庆大学 | 一种风电变流器功率模块igbt健康状态评价方法 |
CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
Non-Patent Citations (2)
Title |
---|
金昌铉等: "基于数据挖掘判别用电类别异常的分析与研究", 《科技与创新》 * |
陈子轩等: "基于大数据的用电信息采集运维监测系统设计", 《电子设计工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
CN115267323B (zh) | 一种线损分析管理系统 | |
CN115166619B (zh) | 一种智能电能表运行误差监测系统 | |
CN107742053A (zh) | 风电机组异常识别方法及装置 | |
CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
CN112383891A (zh) | 一种基于物模型自动匹配的设备注册方法和装置 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN115965237A (zh) | 一种电力市场风险防控方法、装置及存储介质 | |
CN112035797A (zh) | 一种基于自主学习的功率状态判决算法 | |
CN114020598B (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
CN117439256A (zh) | 一种基于物联网的电站设备管理方法及系统 | |
CN114299489A (zh) | 一种基于大数据的智慧博物馆管理方法及云管理平台 | |
CN114386884A (zh) | 一种电网调度运行精益化评价方法 | |
CN109142979B (zh) | 一种配电网异常状态的检测方法及装置 | |
CN110990424B (zh) | 基于新能源集控系统的光伏逆变器运行状态分析方法 | |
CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
CN111178699B (zh) | 一种调度操作票智能校核系统构建方法 | |
CN112016206A (zh) | 判定塔架失稳状态的方法、系统、计算机设备及应用 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN113780724B (zh) | 产品质量批次稳定性量化评估判据计算方法 | |
CN114037285A (zh) | 一种配网自动化应用成效分析方法及相关系统 | |
CN112819071A (zh) | 故障信息聚类方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |