CN112801129A - 一种基于用户侧的高耗能企业能耗实时监测方法 - Google Patents

Abstract

一种基于用户侧的高耗能企业能耗实时监测方法，具体包括以下步骤：1.对历史能耗数据进行预处理和特征提取，决定主要能耗特征，如每小时平均能耗和每小时最高能耗量；2.对历史能耗数据中所蕴含的能耗模式进行识别，并在数据中进行标记；根据标记结果对历史能耗数据进行分类训练，建立能耗模式判定树；3.当采集到新数据时，对当前能耗数据判定所属能耗模式，与相同能耗模式的历史数据进行离群点分析，判断当前能耗数据是否为离群点，若是则表明能耗异常，应报警并记录；当未采集到能耗数据时，则判断是否到达重建周期，若到达，则执行前述识别能耗模式和重建能耗模式判定树的过程。本发明的有益效果是：帮助管理人员及时有效地了解能耗情况。

Description

一种基于用户侧的高耗能企业能耗实时监测方法

技术领域

本发明属于电力系统自动控制技术领域，具体涉及一种基于用户侧的高耗能企业能耗实 时监测方法。

背景技术

我国国有工业企业能耗物耗占企业生产成本的比重在70％以上。另一方面，企业还将为 此承担外部成本，如交纳碳排放税和环境污染费等。此外，企业还要履行必须承担的节能义 务，完成节能指标。因而，能耗管理在企业管理中的重要性有了进一步的提高。

由于能耗涉及面比较广，很多情形下工业企业对能耗很难监测到位，而信息技术的发展 为解决这一难题提供了基础平台。现阶段能效分析和电能质量治理只有对配电端口进行电压、 电流、谐波等参数进行简单分析，尚无快速、有效的方法进行异常预警和处理技术。本方法 基于快速、高效、低成本的系统关键部件状态监测和系统预警技术，为提高能效和电能质量 治理提供技术分析手段。

发明内容

针对背景技术中提到的能效分析和电能质量治理中存在的问题，本发明提出了一种基于 用户侧的高耗能企业能耗实时监测方法，在实际运用中，该方法可嵌入能源管理系统中，帮 助管理人员及时有效地了解能耗情况，为采取有效的节能措施提供决策支持。

一种基于用户侧的高耗能企业能耗实时监测方法，其特征在于，所述方法具体包括以下 步骤：

(1)对历史能耗数据进行预处理和特征提取，决定主要能耗特征，如每小时平均能耗 和每小时最高能耗量；

(2)对历史能耗数据中所蕴含的能耗模式进行识别，并在数据中进行标记；根据标记 结果对历史能耗数据进行分类训练，建立能耗模式判定树；

(3)当采集到新数据时，对当前能耗数据判定所属能耗模式，与相同能耗模式的历史 数据进行离群点分析，判断当前能耗数据是否为离群点，若是则表明能耗异常，应报警并记 录；当未采集到能耗数据时，则判断是否到达重建周期，若到达，则执行前述识别能耗模式 和重建能耗模式判定树的过程。

与现有技术相比，本发明的有益效果是：

由于本发明提出了一种基于用户侧的高耗能企业能耗实时监测方法，在实际运用中，该 方法可嵌入能源管理系统中，帮助管理人员及时有效地了解能耗情况，为采取有效的节能措 施提供决策支持。

附图说明

图1是本发明的基于用户侧的高耗能企业能耗实时监测方法的流程图。

图2是本发明实施例的聚类结果图。

图3是本发明实施例的能耗模式判定树的图形。

具体实施方式

下面结合附图对本发明的基于用户侧的高耗能企业能耗实时监测方法作进一步的详细 说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

一种基于用户侧的高耗能企业能耗实时监测方法，所述方法具体包括以下步骤：

步骤一：对历史能耗数据进行预处理和特征提取，决定主要能耗特征。

为了使用聚类分析发现高耗能企业潜在的能耗模式，需要从能耗时间序列数据中采集出 反映能耗情况的重要的特征向量：即每小时平均能耗和每小时最高能耗。

步骤二：对历史能耗数据中所蕴含的能耗模式进行识别，并在数据中进行标记；根据标 记结果对历史能耗数据进行分类训练，建立能耗模式判定树。

模型建立过程如下：

(1)对历史数据进行聚类分析，识别不同的能耗模式；

首先，输入包含n个历史数据的数据库，半径e以及最少数目的MinPts(邻域参数)；其次，从数据集中任意选取一数据点p，判断其邻域内点的数目n，如果n大于给定的 参数MinPts(邻域参数)，则p为核心点，否则p为边界点；如果p为核心点，则建立 以p为核心点的簇，并依次检查p的邻域内的各点q，赋予簇标识，并将可合并的簇赋 予同样的簇标识；若数据集中没有未遍历的点时，聚类过程结束。最后，根据聚类结果 对能耗模式进行判定。

(2)根据标记结果对历史能耗数据进行分类训练，建立能耗模式判定树；

首先，计算每个属性的信息增益率：

式中:GainRatio是信息增益率，Gain是信息增益，SplitI是信息分裂程度，

式中：p_i是第i个历史数据。

其次，选取GainRatio(A)最大，即具有最高增益率的属性作为给定集合的分裂属性。对 被选取的分裂属性创建一个结点，并以该属性标记，对该属性的每个值创建一个分支，并据 此划分样本，建立能耗模式判定树。

其次，选取具有最高增益率的属性作为给定集合的分裂属性。对被选取的分裂属性创建 一个结点，并以该属性标记，对该属性的每个值创建一个分支，并据此划分样本，建立能耗 模式判定树。

步骤三：当采集到新数据时，对当前能耗数据判定所属能耗模式，与相同能耗模式的历 史数据进行离群点分析。

离群点分析采用LOF算法，步骤如下：

1)对数据集D中每个对象进行邻域查找，计算其最少数目MinPts(邻域参数)的邻域， 并存储每个对象与其邻域中对象的距离；

2)计算每个对象的局部可达密度和局部离群点因子LOF；

3)根据设定的LOF阈值，将LOF值大于该阈值的对象判定为离群点。

根据离群点分析，判断当前能耗数据是否为离群点，若是则表明能耗异常，应报警并记 录。当未采集到能耗数据时，则判断是否到达重建周期，若到达则执行前述识别能耗模式和 重建能耗模式判定树的过程。

具体实施例

对企业2016年夏季的历史数据应用DBSCAN算法进行聚类的结果如图2所示。从图中可 得知该企业夏季能耗情况存在3种模式，通过调查分析，这3种能耗模式分别对应“工作日 上班时段”、“节假日上班时段、工作日下班时段”和“节假日下班时段”时的用能情况。由 于某综合楼晚上10点关门，且节假日也在使用，因此每晚和节假日也有较高的能耗值。

在识别建筑存在的能耗模式之后，为便于分析能耗模式的判别条件，需要构造2个新的 属性:能耗标签和是否周末。将3.2节聚类得到的数据簇结果填入能耗标签属性中，根据日 期判断是否周末将结果填入周末属性中。

对构造了新属性之后的能耗数据应用C4.5算法进行分类，得到能耗模式判定树如图3 所示，使用3/4的数据作为训练集，剩下的1/4数据作为检验集，分类误差为2.71％。。

设定Minpts(邻域参数)＝40，计算各数据点的局部离群点因子LOF结果，其中离群点 LOF的最大值为5.621，最小值为1.929；聚类簇中点LOF的最大值为1.274，最小值为0.906。 对应的数据点的LOF值为4.373，因此应为离群点，表明能耗出现异常，应立即向建筑管理 人员报警。经管理人员检查发现，造成能耗异常的原因是因为1号冷水机组出现故障，2号 冷水机组自动启动承担负载，但1号冷水机组重启后2号冷水机组并未关闭，出现2台冷水 机组同时工作的情况，导致能耗异常。在关闭2号冷水机组后，能耗又恢复正常。

通过对能耗数据进行的分析表明，能够在耗能设备系统实际运行过程中对每个采样点的 能耗数据进行分析，及时发现和报告能耗异常。

与现有技术相比，本发明的有益效果是：

由于本发明提出了一种基于用户侧的高耗能企业能耗实时监测方法，在实际运用中，该 方法可嵌入能源管理系统中，帮助管理人员及时有效地了解能耗情况，为采取有效的节能措 施提供决策支持。

Claims (1)

1.一种基于用户侧的高耗能企业能耗实时监测方法，其特征在于，所述方法具体包括以下步骤：

(1)对历史能耗数据进行预处理和特征提取，决定主要能耗特征，如每小时平均能耗和每小时最高能耗量；

(2)对历史能耗数据中所蕴含的能耗模式进行识别，并在数据中进行标记；根据标记结果对历史能耗数据进行分类训练，建立能耗模式判定树；

(3)当采集到新数据时，对当前能耗数据判定所属能耗模式，与相同能耗模式的历史数据进行离群点分析，判断当前能耗数据是否为离群点，若是则表明能耗异常，应报警并记录；当未采集到能耗数据时，则判断是否到达重建周期，若到达，则执行前述识别能耗模式和重建能耗模式判定树的过程。

Images