CN112560973A - 一种应用于能源管理系统中可节能设备的自动判断方法 - Google Patents
一种应用于能源管理系统中可节能设备的自动判断方法 Download PDFInfo
- Publication number
- CN112560973A CN112560973A CN202011529407.5A CN202011529407A CN112560973A CN 112560973 A CN112560973 A CN 112560973A CN 202011529407 A CN202011529407 A CN 202011529407A CN 112560973 A CN112560973 A CN 112560973A
- Authority
- CN
- China
- Prior art keywords
- energy
- equipment
- data
- management system
- saving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 238000004378 air conditioning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种应用于能源管理系统中可节能设备的自动判断方法,包括如下步骤:S1、从能源管理系统中获取设备历史运行阶段性数据,记为(x1,...,xn),xn为设备在第n时刻的能耗数据;S2、采用K‑均值算法对设备历史运行阶段性数据进行聚类;S3、取最大聚类中心值作为参考数据得到设备历史运行曲线,将设备历史运行曲线图作为所述设备的正常运行的理想曲线;S4、采集设备的实时运行数据;与理想曲线上历史时刻的数据点进行比较,若比较误差的绝对值大于H,则判定有节能空间,否则判定无节能空间。通过K‑均值算法将历史能耗数据进行聚类分析得到能耗理想曲线,计算出各点之间的差值,用于识别可节能设备。
Description
技术领域
本发明涉及能源管理技术领域,具体的,涉及一种应用于能源管理系统中可节能设备的自动判断方法。
背景技术
在传统的能源管理缺少识别可节能设备的功能,有时需要人工去排查设备,效率低,准确性也不高。在一些现有识别技术中往往也存在识别可节能设备时需要经过复杂运算,消耗计算资源过大,结果不准确等问题。可能会造成浪费计算资源,错误报告,生成结果实时性较差等问题。
发明内容
本发明的目的是解决现有能源设备缺少能源自动识别是否可节能的方法,提出了一种应用于能源管理系统中可节能设备的自动判断方法,通过K-均值算法将历史能耗数据进行聚类分析得到可用于比较实际能耗值的理想曲线,将当日的实际能耗值与模型值进行对比,计算出各点之间的差值,用于识别可节能设备,为控制成本提升设备使用效率起到一定作用。
为实现上述技术目的,本发明提供的一种技术方案是,一种应用于能源管理系统中可节能设备的自动判断方法,包括如下步骤:
S1、从能源管理系统中获取设备历史运行阶段性数据,记为(x1,...,xn),xn为设备在第n时刻的能耗数据;
S2、采用K-均值算法对设备历史运行阶段性数据进行聚类;
S3、取最大聚类中心值作为参考数据得到设备历史运行曲线,将设备历史运行曲线图作为所述设备的正常运行的理想曲线;
S4、采集设备的实时运行数据;与理想曲线上历史时刻的数据点进行比较,若比较误差的绝对值大于H,则判定有节能空间,否则判定无节能空间。
S2中,采用K-均值算法对数据进行聚类包括如下步骤:
S21、设观测集(x1,...,xn);xn为设备在第n时刻的能耗数据;
S22、将观测集(x1,...,xn)中的n个观测数据分到k个集合中,使得组内平方和最小;按照点的误差平方和局部最小进行分类;
S23、初始划分k个聚类Ji(i=1,2,...,k),计Γi=[J1,Jk];
S24、计算k个聚类的误差平方和Je;
S25、计算k个聚类的均值mi;
S26、任意在k个聚类中取出一个样本y属于Ji;计算将样本y加入聚类Jj的增加量ρj与Ji的减小量ρi进行比较;
S27、如果增加量ρj中的最小量ρk,满足ρk<ρi,就将样本xi从Ji移到Jk;重新计算各聚类的均值和误差平方和;
S27、在连续n次迭代后,如果总的误差平方和在区间[-ε,ε]内不再改变,则停止迭代,否则跳至步骤S26。
k个聚类的误差平方和Je计算公式如下:
其中:mi是Γi中所有点的均值,N为聚类中样本数量。
k个聚类的均值mi的计算公式如下:
其中,Ni为第i个聚类中样本的数量。
增加量ρj的计算公式如下:
Nj为第j个聚类中样本的数量。
减小量ρi的计算公式如下:
本发明的有益效果:本发明一种应用于能源管理系统中可节能设备的自动判断方法,基于设别运行的大量历史数据,为正确快速的识别出可变设备提高了准确率;当历史数据生成正常用能曲线后,可以实时比较今日数据,随时监控设备运行状况;具备良好的节省性能,只需要系统运行初期或调整参数时读取一次历史数据,在之后的运算中,不需要再次去反复运算,大大提高了系统性能,节约了计算成本;可以自由的设定阈值,随时调整运行曲线,适应多种环境下使用;适应性强,适应多种设备,由于每个设备的正常运行曲线都是有独立的历史数据产生的,只需调整阈值,可以在不同设备下使用。
附图说明
图1为本发明的一种应用于能源管理系统中可节能设备的自动判断方法的流程图。
图2为本发明的可节能设备能耗曲线比较图。
图3为本发明的不可节能设备能耗曲线比较图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本发明作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本发明的一种最佳实施例,仅用以解释本发明,并不限定本发明的保护范围,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。
实施例:如图1所示,一种应用于能源管理系统中可节能设备的自动判断方法的流程图,包括如下步骤:
S1、从能源管理系统中获取设备历史运行阶段性数据,记为(x1,...,xn),xn为设备在第n时刻的能耗数据;
S2、采用K-均值算法对设备历史运行阶段性数据进行聚类;
S3、取最大聚类中心值作为参考数据得到设备历史运行曲线,将设备历史运行曲线图作为所述设备的正常运行的理想曲线;
S4、采集设备的实时运行数据;与理想曲线上历史时刻的数据点进行比较,若比较误差的绝对值大于H,则判定有节能空间,否则判定无节能空间。
S2中,采用K-均值算法对数据进行聚类包括如下步骤:
S21、设观测集(x1,...,xn);xn为设备在第n时刻的能耗数据;
S22、将观测集(x1,...,xn)中的n个观测数据分到k个集合中,使得组内平方和最小;按照点的误差平方和局部最小进行分类;
S23、初始划分k个聚类Ji(i=1,2,...,k),计Γi=[J1,Jk];
S24、计算k个聚类的误差平方和Je;k个聚类的误差平方和Je计算公式如下:
其中:mi是Γi中所有点的均值,N为聚类中样本数量;
S25、计算k个聚类的均值mi;k个聚类的均值mi的计算公式如下:
其中,Ni为第i个聚类中样本的数量;
S26、任意在k个聚类中取出一个样本y属于Ji;计算将样本y加入聚类Jj的增加量ρj与Ji的减小量ρi进行比较;增加量ρj的计算公式如下:
减小量ρi的计算公式如下:
S27、如果增加量ρj中的最小量ρk,满足ρk<ρi,就将样本xi从Ji移到Jk;重新计算各聚类的均值和误差平方和;
S27、在连续n次迭代后,如果总的误差平方和在区间[-ε,ε]内不再改变,则停止迭代,否则跳至步骤S26。
图2和图3是某地地铁空调通风系统能耗趋势图,其中H=5%,ε为3%,可知,图1中的两条曲线的拟合程度很低,表示该空调通风系统在该月份具备节能空间。图2中的两条曲线拟合程度较高,表示该空调通风系统在该月份不具备节能空间,或者该空调通风系统在该月份的可调节节能空间较少。
以上所述之具体实施方式为本发明一种应用于能源管理系统中可节能设备的自动判断方法的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (6)
1.一种应用于能源管理系统中可节能设备的自动判断方法,其特征在于:包括如下步骤:
S1、从能源管理系统中获取设备历史运行阶段性数据,记为(x1,...,xn),xn为设备在第n时刻的能耗数据;
S2、采用K-均值算法对设备历史运行阶段性数据进行聚类;
S3、取最大聚类中心值作为参考数据得到设备历史运行曲线,将设备历史运行曲线图作为所述设备的正常运行的理想曲线;
S4、采集设备的实时运行数据;与理想曲线上历史时刻的数据点进行比较,若比较误差的绝对值大于H,则判定有节能空间,否则判定无节能空间。
2.根据权利要求1所示的一种应用于能源管理系统中可节能设备的自动判断方法,其特征在于:S2中,采用K-均值算法对数据进行聚类包括如下步骤:
S21、设观测集(x1,...,xn);xn为设备在第n时刻的能耗数据;
S22、将观测集(x1,...,xn)中的n个观测数据分到k个集合中,使得组内平方和最小;按照点的误差平方和局部最小进行分类;
S23、初始划分k个聚类Ji(i=1,2,...,k),计Γi=[Ji,Jk];
S24、计算k个聚类的误差平方和Je;
S25、计算k个聚类的均值mi;
S26、任意在k个聚类中取出一个样本y属于Ji;计算将样本y加入聚类Jj的增加量ρj与Ji的减小量ρi进行比较;
S27、如果增加量ρj中的最小量ρk,满足ρk<ρi,就将样本xi从Ji移到Jk;重新计算各聚类的均值和误差平方和;
S27、在连续n次迭代后,如果总的误差平方和在区间[-ε,ε]内不再改变,则停止迭代,否则跳至步骤S26。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529407.5A CN112560973A (zh) | 2020-12-22 | 2020-12-22 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011529407.5A CN112560973A (zh) | 2020-12-22 | 2020-12-22 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560973A true CN112560973A (zh) | 2021-03-26 |
Family
ID=75030815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011529407.5A Pending CN112560973A (zh) | 2020-12-22 | 2020-12-22 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560973A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103742901A (zh) * | 2013-12-24 | 2014-04-23 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组耗差分析优化目标值体系的确定方法 |
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN105759608A (zh) * | 2016-02-26 | 2016-07-13 | 北京邮电大学 | 一种节能方法及系统 |
CN108920790A (zh) * | 2018-06-20 | 2018-11-30 | 国网上海市电力公司 | 一种基于历史数据的公共建筑用电模式识别模型建立方法 |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
-
2020
- 2020-12-22 CN CN202011529407.5A patent/CN112560973A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103742901A (zh) * | 2013-12-24 | 2014-04-23 | 广州市恒力安全检测技术有限公司 | 一种循环流化床机组耗差分析优化目标值体系的确定方法 |
CN104299115A (zh) * | 2014-11-11 | 2015-01-21 | 国网重庆市电力公司电力科学研究院 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
CN105759608A (zh) * | 2016-02-26 | 2016-07-13 | 北京邮电大学 | 一种节能方法及系统 |
CN108920790A (zh) * | 2018-06-20 | 2018-11-30 | 国网上海市电力公司 | 一种基于历史数据的公共建筑用电模式识别模型建立方法 |
CN110764468A (zh) * | 2018-07-26 | 2020-02-07 | 国家能源投资集团有限责任公司 | 一种确定火电机组运行参数基准值的方法及装置 |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
Non-Patent Citations (4)
Title |
---|
周志华等: "《城镇建筑低碳新能源供应技术及应用》", 天津大学出版社 * |
王鹏: "百万超超临界机组汽轮机抽汽回热系统能效评价与诊断的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
蔡雨: "基于大数据挖掘的火电机组能耗特性分析及诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵海湉等: "一种基于数据驱动的空调系统能耗逐日评价指标", 《暖通空调》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034504B (zh) | 一种短期负荷预测模型建立方法及装置 | |
CN110995275B (zh) | 一种对于旋转门压缩算法的改进算法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN110259648B (zh) | 一种基于优化K-means聚类的风机叶片故障诊断方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN114330583B (zh) | 一种异常用电识别方法和异常用电识别系统 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
CN113626767A (zh) | 一种风机限电识别方法、系统、设备和存储介质 | |
CN116433085A (zh) | 一种轧制过程控制系统性能评估方法 | |
CN107895058A (zh) | 一种快速识别风速最优分布规律的方法 | |
CN112560973A (zh) | 一种应用于能源管理系统中可节能设备的自动判断方法 | |
CN107862866B (zh) | 基于平均偏移量平移的数据噪音点检测方法 | |
CN111881974A (zh) | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 | |
CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
CN108304610B (zh) | 一种大气高污染过程动态追踪方法 | |
CN112413814B (zh) | 基于综合距离的在线可更新暖通空调传感器故障检测方法 | |
CN115438312A (zh) | 一种新能源出力的概率分布模型建立、应用方法及介质 | |
CN115587311A (zh) | 一种虚拟电厂调节负荷分解与辨识方法 | |
CN115169707A (zh) | 基于多元线性回归的设备能耗预测方法及装置 | |
CN110849050A (zh) | 利用风机振动和神经网络的热泵除霜控制装置及控制方法 | |
CN117828371B (zh) | 一种综合运维平台的业务信息智能分析方法 |
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 |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |