CN113361829B - 基于人工智能和大数据的合同能源管理的时间调整方法 - Google Patents
基于人工智能和大数据的合同能源管理的时间调整方法 Download PDFInfo
- Publication number
- CN113361829B CN113361829B CN202110905442.0A CN202110905442A CN113361829B CN 113361829 B CN113361829 B CN 113361829B CN 202110905442 A CN202110905442 A CN 202110905442A CN 113361829 B CN113361829 B CN 113361829B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- value
- angle
- evaluation value
- state evaluation
- 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
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,具体涉及一种基于人工智能和大数据的合同能源管理的时间调整方法,该方法包括:根据耗能设备评价指标得到当前的第一耗能状态评价值;根据经营信息指标和现金流指标得到当前的第一经营状态评价值;根据第一耗能状态评价值和第二耗能状态评价值得到耗能状态变化评价指标;根据第一经营状态评价值和第二经营状态评价值得到经营状态变化评价指标;根据耗能状态变化评价指标和经营状态变化评价指标动态调节收益分配比例得到第一收益分配比例;根据第一收益分配比例的波动偏差调整项目改造的剩余时间。本发明实施例中通过收益波动偏差调整项目的剩余时间,能够及时终止项目的施工,以达到及时止损的目的。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能和大数据的合同能源管理的时间调整方法。
背景技术
对于需要做项目节能改造以节省能源的公司来说,节能改造所需的成本较大,未来所能节省的成本或者收益不确定,需要承担改造的较大风险。然而合同能源管理能够帮助企业降低节能改造的风险,是目前企业改造常选择的一种规避风险的方式。合同能源管理是节能服务公司与用能单位约定节能项目的节能目标,节能服务公司向用能单位提供服务,用能单位根据节能的收益支付节能服务公司相应的报酬的一种机制。其实质是以节能改造过程中所节省的能源费用来支付节能项目全部成本的一种节能投资方式,其允许需要做项目节能改造的单位使用未来节能省下的节能收益为工厂进行改造升级,降低运行成本。
合同能源管理包括多种不同类型的节能模式,其中节能效益分享型是一种根据节能量约定收益比例,改造成本由节能服务公司与用能单位共同承担或者节能公司单独承担的模式。项目建设施工完成后确认节能量,进而按照约定比例分享收益。
发明人在实践中发现上述技术方案存在以下缺陷:
由于现有的节能效益分享型是根据项目建设施工完成之后再进行节能量的统计以及收益的分配,无法根据项目建设施工的实时收益来判断改造是否合理,无法达到及时止损的目的。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能和大数据的合同能源管理的时间调整方法,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能和大数据的合同能源管理的时间调整方法,所述方法包括:
采集当前时段内项目改造中的经营信息指标、现金流指标和耗能设备评价指标,根据所述耗能设备评价指标得到当前的第一耗能状态评价值;根据所述经营信息指标和现金流指标得到当前的第一经营状态评价值;
根据所述第一耗能状态评价值和第二耗能状态评价值得到耗能状态变化评价指标;根据所述第一经营状态评价值和第二经营状态评价值得到经营状态变化评价指标;所述第二耗能状态评价值和第二经营状态评价值为上一时段获得的评价值;
根据所述耗能状态变化评价指标和经营状态变化评价指标动态调节第二收益分配比例,得到当前时段的第一收益分配比例;
根据所述第一收益分配比例的波动偏差调整项目改造的剩余时间。
进一步,所述根据所述第一耗能状态评价值和所述第二耗能状态评价值得到耗能状态变化评价指标的方法包括:获取上一时段的所述第二耗能状态评价值与当前时段的所述第一耗能状态评价值的第一差值对耗能角度阈值的第一角度影响程度;所述耗能角度阈值是耗能角度区间的最小值,所述耗能角度区间是标准耗能状态变化曲线与纵轴的夹角确定的夹角范围,所述标准耗能状态变化曲线是耗能状态评价值随采集次数变化的曲线;根据所述第一角度影响程度得到耗能状态变化评价指标。
进一步,根据所述第二耗能状态评价值与所述第一耗能状态评价值的第一差值对耗能角度阈值的第一角度影响程度的方法包括:通过所述第一差值计算对应的角度,根据所述耗能角度阈值与所述角度的第三差值与耗能角度阈值的比值作为所述第一角度影响程度。
进一步,所述根据所述第一角度影响程度得到耗能状态变化评价指标还包括:根据所述耗能角度区间的最小值和最大值之差得到第一区间影响系数;以所述第一区间影响系数与所述第一角度影响程度的乘积作为所述耗能状态变化评价指标。
进一步,所述根据所述耗能设备评价指标得到当前的第一耗能状态评价值的方法为:将所述耗能设备评价指标输入到耗能状态评价网络,输出第一耗能状态评价值。
进一步,所述耗能设备评价指标包括耗能设备的设备类别标识、每类标识的数量和耗能设备所消耗的能量。
进一步,所述经营状态评价值是经营评价值和财务评价值的均值,所述经营评价值是将经营信息输入训练好的回归网络得到的预测值;所述财务评价值是将现金流信息输入训练好的TCN网络中的得到的预测值。
进一步,所述根据所述第一经营状态评价值和所述第二经营状态评价值得到耗能状态变化评价指标的方法包括:获取当前时段的所述第一经营状态评价值对状态评价阈值的阈值影响程度;获取上一时段的所述第二经营状态评价值与当前时段的所述第一经营状态评价值的第一差值对经营角度阈值的第二角度影响程度;所述经营角度阈值是经营角度区间的最小值,所述经营角度区间是标准经营状态变化曲线与纵轴的夹角确定的夹角范围,所述标准经营状态变化曲线是随采集次数变化的标准的经营状态评价值的曲线;对所述第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标。
进一步,获取当前时段的所述第一经营状态评价值对经营状态评价阈值的阈值影响程度的方法包括:以所述第一经营状态评价值与所述经营状态评价阈值之差的绝对值作为第二差值;通过所述第二差值与所述经营状态评价阈值的比值得到所述阈值影响程度。
进一步,对所述第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标还包括:根据所述经营角度区间的最小值和最大值之差得到第二区间影响系数;以所述第二区间影响系数修正所述第二角度影响程度,以修正后的第二角度影响程度与阈值影响程度的加权求和得到所述经营状态变化评价指标。
本发明实施例具有如下有益效果:
本发明实施例提供的一种基于人工智能和大数据的合同能源管理的时间调整方法,根据每间隔一段时间反馈的耗能状态变化指标和经营状态变化指标动态调节收益分配比例,获取随着检测次数变化的收益分配比例的波动偏差,根据该偏差调整项目的剩余时间。在波动偏差较大时,说明项目改造不合理,需要及时终止项目的施工,以达到及时止损的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能和大数据的合同能源管理的时间调整方法流程图;
图2为本发明一个实施例所提供的根据历史数据拟合出标准的耗能状态变化曲线图;
图3为本发明一个实施例所提供的根据历史数据拟合出标准的经营状态变化曲线图;
图4为本发明一个实施例所提供的横轴为波动偏差,纵轴为稳定程度的部分曲线示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能和大数据的合同能源管理的时间调整方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例适用的具体场景为合同能源管理的双方,包括用能单位和节能服务公司。用能单位为需要进行节能改造的单位,节能服务公司为帮助用能单位进行节能改造的服务公司。以用能单位为煤化公司、节能服务公司为以流体输送系统节能服务为主营业务的公司为例,节能项目为针对煤化公司的鼓风机工作效率低下的情况进行合同能源管理,改造前的问题在于:由于液力耦合器调速滞后导致的鼓风机能耗高,需要改造的鼓风机设备共计50台,以鼓风机的耗电量作为设备所消耗的能量。本发明实施例中的节能改造项目施工建设的约定时间为五年,每间隔一个月实时采集一次相应的数据信息,根据采集的数据信息动态调整当月的收益分配比例,根据收益分配比例的波动情况调整项目的剩余时间。本实施例以用能单位作为该方法的执行主体对本发明实施例进行详细的说明,当然该方法同样适用于节能服务公司,应用该方法的节能服务公司同样在本发明的保护范围内。
下面结合附图具体的说明本发明所提供的一种基于人工智能和大数据的合同能源管理的时间调整方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能和大数据的合同能源管理的时间调整方法流程图,该方法包括以下步骤:
步骤S001:采集当前时段内项目改造中的经营信息指标、现金流指标和耗能设备评价指标,根据耗能设备评价指标得到当前的第一耗能状态评价值,根据经营信息指标和现金流指标得到当前的第一经营状态评价值。
按照预设的时间长度将项目改造的总时间长度划分为多个时段,每隔一个时段采集一次在项目改造过程中的经营信息指标、现金流指标和耗能设备指标。本发明实施例中的间隔时段设为一个月。
经营信息指标是指在相应的时段内的多个指标,该经营信息指标包括产品销售比、产品市场占有率、月销售收入、资金周转率和用能单位资信,其中用能单位资信是指用能单位的资产与负债之比,产品销售比是指销售量与生产量之比。
现金流是指该项目在相应时段内所发生的现金流出和现金流入的全部资金收付数量。
耗能设备评价指标包括耗能设备的设备类别标识、每类标识的数量和耗能设备在预设时段内所消耗的能量。
优选的,在本发明实施例中,通过机器学习的方式获取当前的第一耗能状态评价值和第一经营状态评价值。通过第一耗能状态评价值反映当前耗能设备的耗能大小。通过第一经营状态评价值反映用能单位的经营状况的好坏。
具体的,对于第一耗能状态评价值的获取方法为:以耗能设备评价指标作为回归网络的输入,输出耗能状态评价值。该回归网络采用编码器-全连接(Encoder-FC)的网络架构,在耗能设备评价指标送入编码器中,输出耗能状态评价特征张量,耗能状态评价特征张量经展平(Flatten)操作后,送入第一全连接层,输出耗能状态评价值。该回归网络的训练过程包括:以多个相同类型改造项目中耗能设备在不同时段采集的耗能设备评价指标作为训练集,由第三方监督机构对相应的数据标注耗能状态评价值,值域为[0,100]的整数,采用均方误差(MSE)损失函数作为训练的损失函数;耗能状态评价值越小说明该节能单位的节能状态的评价越好,越大说明该节能单位的节能状态的评价越差。以训练好的网络作为耗能状态评价网络,将当前时段内的耗能设备评价指标输入该耗能状态评价网络,输出的耗能状态评价值作为第一耗能状态评价值。
对于第一经营状态评价值的获取方法为:经营状态评价值是经营评价值和财务评价值的均值,经营评价值是将经营信息输入到训练好的回归网络得到的预测值,该回归网络采用编码器-全连接(Encoder-FC)的网络架构,将经营信息送入编码器中,输出经营评价特征张量,经营评价特征张量经展平(Flatten)操作后,送入第二全连接层,输出经营评价值;财务评价值是将现金流信息输入到训练好的TCN网络中得到的预测值,该网络为时序预测网络,网络架构为TCN-FC,网络输入为连续时序的现金流信息,连续时序的现金流信息送入TCN网络中,TCN网络中滑窗长度设置为3,隐藏层数为3,滑窗移动步长设置为1,采用非空洞卷积方式提取特征,输出财务评价特征张量,财务评价特征张量经展平(Flatten)操作后,送入第三全连接层,输出财务评价值。具体的,以经营状态评价网络作为输入为经营信息指标和现金流指标、输出为经营状态评价值的多输入单输出的神经网络架构。该经营状态评价网络包括用于得到经营评价值的TCN网络分支和用于得到财务评价值的回归网络分支。其中,TCN网络分支的输入为现金流,输出为财务评价值;TCN网络分支的训练过程包括:以多个相同类型改造项目的现金流数据作为训练集,由第三方监督机构对相应的数据标注财务评价值,评价值的值域为[0,100],采用均方误差(MSE)损失函数作为训练的损失函数;评价值越大说明用能单位的财务状况评价越好。回归网络分支的输入为经营信息,输出为经营评价值;该回归网络的训练过程包括:以多个相同类型改造项目的经营信息指标作为训练集,由第三方监督机构对相应的数据标注经营评价值,评价值的值域为[0,100],采用均方误差(MSE)损失函数作为训练的损失函数;评价值越大说明用能单位的经营状况越好。其中,经营信息指标是根据产品销售比、产品市场占有率、月销售收益、资金周转率和用能单位资信构建的1*N尺寸的输入向量,通过该输入向量与标注的经营评价值共同训练回归网络,通过全连接层输出预测值。将当前时段内的经营信息和现金流数据输入到该经营状态评价网络中,得到的经营状态评价值作为第一经营状态评价值。
步骤S002,根据第一耗能状态评价值和第二耗能状态评价值得到耗能状态变化评价指标;根据第一经营状态评价值和第二经营状态评价值得到经营状态变化评价指标;第二耗能状态评价值和第二经营状态评价值为上一时段获得的评价值。
随着节能改造项目施工建设的推进,及时的动态调节双方的收益比例,不仅能够提高双方合作中收益的抗风险能力,而且能够及时根据收益波动调整项目施工时间,防止沿着错误的节能改造路线进行改造,及时止损。动态调整需要将当前时段的实时数据和上一时段的实时数据反馈至动态调整模型之后进行效益分享。
优选的,由于有节能服务公司提供节能服务,默认耗能状态评价值是变小的,因此只考虑耗能状态评价值变小的情况,耗能状态评价值的变化速率相较于正常的耗能状态评价值的变化速率高的情况下,说明节能服务效率较高,同样时间下相应的收益增加,对双方来说无收益风险,因此在相较于正常的耗能状态评价值变化速率高的情况下不调整收益分配比;耗能状态评价值的变化速率相较于正常的耗能状态评价值的变化速率低的情况下,节能服务效率较低,也就是说在分配比例不变的情况下,相同时间下待分配的收益总量减少,此时对双方来说需要承担的一定的收益风险。因此,在本发明实施例中仅获取耗能状态评价值的变化速率相较于正常耗能状态评价值变化速率低的情况下的耗能变化评价指标。对于耗能变化评价指标的获取方法包括以下步骤:
步骤S201,获取上一时段的第二耗能状态评价值与当前时段的第一耗能状态评价值的第一差值对耗能角度阈值的第一角度影响程度;耗能角度阈值是耗能角度区间的最小值,耗能角度区间是标准耗能状态变化曲线与纵轴的夹角确定的夹角范围,标准耗能变化曲线是耗能状态评价值随采集次数变化的曲线。
首先根据历史数据拟合出标准的耗能状态变化曲线,具体的方法为:基于大数据获取多个相同类型改造项目中耗能设备的耗能状态变化曲线,该耗能状态变化曲线是耗能状态评价值随着采集次数变化的曲线;也即该耗能状态变化曲线是以采集次数作为横轴,以耗能状态评价值作为纵轴的曲线,拟合得到的标准耗能状态变化曲线如图2所示。在本发明实施例中大数据采用数据库共享数据的方式实现,数据传输采用常规的传输方式,例如:Kafka、Logstash、Sqoop等方式;数据库共享数据的方式,即各系统通过连接同一个数据库服务器的同一张表进行数据交换,所述数据库可采用MySQL、Hbase等,该数据库可置于云端中,用户需要获取所存储的大量数据时可访问云端数据库进行读写。所存储的数据包括但不限于多个相同类型改造项目中的耗能设备的耗能状态评价值、经营状态评价值、经营信息、耗能状态评价指标、现金流等数据。需要说明的是,由于随着项目时间的推进,每间隔一段时间采集一次数据,因此以采集次数作为横轴也可以理解为随时间变化的曲线。在获取的耗能状态变化曲线中选取多个正常的耗能状态变化曲线,将多个正常的耗能状态变化曲线进行拟合得到一个标准耗能状态变化曲线。由于耗能状态变化曲线上的相邻两个耗能状态评价值构成的连线与纵轴之间的夹角大小能够表征耗能状态,角度越小说明耗能降低速度越快,节能服务效率越高,角度越大表示耗能的速度越慢。因此以标准的耗能状态变化曲线与纵轴的夹角范围确定节能状态变化的耗能角度区间,该耗能角度区间为正常的角度变化区间,反映了耗能状态评价值的正常变化趋势,以该耗能角度区间作为相应曲线的标准角度区间。
以第次检测的耗能状态评价值作为上一时段的第二耗能状态评价值,以第次检测的耗能状态评价值作为当前时段的第一耗能状态评价值,则相应的第一差值为:。通过第一差值计算对应的角度,根据耗能角度阈值与该角度的第三差值与耗能角度阈值的比值作为第一角度影响程度,通过数学建模的方法拟合得到的第一角度影响程度的公式为:
由第一角度影响程度的公式可知,随着第一耗能状态评价值越大,第一角度影响程度越大。
步骤S202,根据第一角度影响程度得到耗能状态变化评价指标。
根据先验知识可知,耗能越大说明节能服务效率较低,在收益比例不变的情况下,在相同时间内分配的收益总量减少,双方需要承担的风险大,需要调节相应的分配比例以降低风险,因此以耗能状态变化评价指标来表征耗能状态变化的情况,以作为调节收益比例的影响因子。由于在耗能状态变化曲线中,在相同时间内曲线变化的角度越大,说明耗能状态评价值的变化速率越小,节能服务效率越低,收益风险越大,越需要调整分配比例;因此以角度影响程度表征耗能状态变化评价指标,由于相同的角度变化相对于不同的耗能角度区间来说其影响程度不同,因此通过区间影响系数来调节角度影响程度。根据耗能角度区间的最小值和最大值之差得到第一区间影响系数;以第一区间影响系数与第一角度影响程度的乘积作为耗能状态变化评价指标。通过数学建模的方法拟合得到的该耗能状态变化评价指标的公式为:
第一区间影响系数和耗能状态变化评价指标的值域均为[0,1]。根据耗能状态变化评价指标可知:随着耗能角度区间越大,其第一区间影响系数越靠近1;随着第一耗能状态评价值越大,第一角度影响程度越大;最终的耗能状态评价指标越靠近1,说明耗能状态变化越异常。
优选的,由于在前后两次获得的经营状态评价值变大的情况下说明经营状态变好,节能收益增大,对双方来说无收益风险,因此在经营状态评价值变大的情况下,不调整收益分配比。相应的,由于在前后两次获得的经营状态评价值变小的情况下说明经营状态变差,在分配比例不变的情况下,可分配收益减少,那么此时对双方来说需要承担的一定的收益风险。因此,在本发明实施例中仅获取经营评价值变小的情况下的经营变化评价指标。对于经营变化评价指标的获取方法包括以下步骤:
步骤S210,获取当前时段的第一经营状态评价值对状态评价阈值的阈值影响程度。
以第一经营状态评价值与经营状态评价阈值之差的绝对值作为第二差值;通过第二差值与经营状态评价阈值的比值得到阈值影响程度。以第次检测的第一经营状态评价值作为当前时段的第一经营评价值,通过数学建模的方法拟合得到的阈值影响程度为:
该经营评价阈值是标准经营状态变化曲线的最大幅值,也即经营状态变化曲线中经营状态评价值的最大值。以标准经营状态变化曲线与纵轴的夹角范围确定经营角度区间,该经营角度区间反映了正常的角度变化区间,以该经营角度区间作为相应曲线的标准角度区间。拟合得到的标准经营状态变化曲线如图3所示。该标准经营状态变化曲线及其经营角度区间的获取方法,与标准耗能状态变化曲线及其耗能角度区间的获取方法相同,不再赘述。
步骤S211,获取上一时段的第二经营状态评价值与当前时段的第一经营状态评价值的第一差值对经营角度阈值的第二角度影响程度;经营角度阈值是经营角度区间的最小值,经营角度区间是标准经营状态变化曲线与纵轴的夹角确定的夹角范围,标准经营状态变化曲线是随采集次数变化的标准的经营状态评价值的曲线。
步骤S212,对第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标。
根据经营角度区间的最小值和最大值之差得到第二区间影响系数;以第二区间影响系数修正第二角度影响程度,以修正后的第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标。则通过数学建模的方法拟合得到的该经营状态变化评价指标为:
根据经营状态变化评价指标可知:阈值影响程度随着第一经营状态评价值越大,该阈值影响程度就越大;第二区间影响系数随着经营角度区间越大,其第二区间影响系数越靠近1;第二角度影响程度随着评价值的差异越小,第二角度影响程度越小;最终的经营状态评价指标越靠近1,说明经营状态变化越异常。
步骤S003,根据耗能状态变化评价指标和经营状态变化评价指标动态调节第二收益分配比例,得到当前时段的第一收益分配比例。
动态调节是指实时的根据当前时段的数据以及上一时段的数据调节上一时段生成的收益分配比例,得到当前时段的收益分配比例。通过数学建模的方法拟合得到的调整收益的函数为:
根据调整收益的函数可知:在经营状态评价指标大于耗能状态评价指标时,指数函数的取值大于0小于1,也即在经营状态收益较高时,将用能单位的收益分配比例调小;在经营状态评价指标小于耗能状态评价指标时,指数函数的取值大于1,也即在耗能较大时,将用能单位的分配比例调大。采用动态调节的收益比例的方式相比于现有技术中固定的分配方式来说,能够有效的降低双方的风险,提高合作效率。
步骤S004,根据第一收益分配比例的波动偏差调整项目改造的剩余时间。
基于步骤S003中所得到的实时动态调整的收益比例,对项目的剩余时间进行优化调整,通过收益波动来监测节能服务实施过程中的风险,以避免出现无效的资料消耗。
具体的,按照数据检测的顺序对该项目在每个时段获取的收益分享比例进行均方差的计算,该均方差表征收益分享比例的波动偏差情况,以表示第次检测时的项目剩余时间,则通过数学建模的方法拟合得到的优化后的项目剩余时间为:
采用函数的形式的目的是令值域为,且随着波动程度的增大,该项越靠近0,进而缩短改造项目的剩余时间,更新后在次检测时项目剩余时间即为。假设以剩余工期为6个月,预设的间隔时段为0.5个月,以剩余时间小于间隔时段为合同提前终止的条件,收益分配比例的最大值为1,最小值为0.6为例进行说明,首先为了方便描述将定义为稳定程度,以收益分配比例的中间值作为均值,可以得到收益分配比例的均方差的取值范围为[0,0.04],也即波动偏差的取值范围为[0,0.04],则稳定程度的取值与波动偏差的关系曲线如图3所示,由于该曲线的整体图像为指数函数,整体图像过大,无法突出具体取值,因此截取了在[0,0.04]这个取值范围内的部分图像,在波动偏差取最小值0时,稳定程度的取值为1;在波动偏差取最大值0.04时,稳定程度的取值为0.9048。由于稳定程度的取值范围为,则存在,也即随着检测次数增加,越来越小,直至合同提前终止。具体的,在波动偏差较大,也即稳定程度最小时,根据优化后的项目剩余时间的计算方法,也即以剩余的6个月乘以稳定程度0.9048计算下一时段的剩余时间为5.4288,然后以下一时段的剩余时间5.4288再次乘以稳定程度计算再下一时段的剩余时间,以此类推不断迭代,直到获得的剩余时间小于0.5时停止迭代。由于项目的终止条件为剩余时间小于间隔时段0.5个月,因此在剩余时间减去0.5小于0时,项目终止。如表1所示,在该表中的x表示合同的剩余时间,在经过7个间隔时段,也即经过7次检测之后合同终止,剩余合同期限为7*0.5+0.33390982=3.83390982个月,相较于第一次检测的剩余合同期限6个月而言,起到了提前终止的作用。
表1项目剩余时间
综上所述,本发明实施例提供的一种基于人工智能和大数据的合同能源管理的时间调整方法,根据每间隔一段时间反馈的耗能状态变化指标和经营状态变化指标动态调节收益分配比例,获取随着时间变化的收益分配比例的波动偏差预测项目的剩余时间。在偏差较大时,说明项目改造不合理,需要及时终止项目的施工,以达到及时止损的目的。
优选的,用能单位初始的效益分配比例,相应的节能服务公司的初始效益分配比例为。耗能状态评价值越大说明节能收益减少,因此需要增加用能单位的收益分配比例,降低节能服务公司的收益比例,因此耗能状态评价值与收益分配比例为负相关;由于经营状态评价值越低说明收益差,越需要降低分配比例,因此经营评价值与效益分配比例正相关。通过数学建模的方法拟合得到的初始的效益分配比例为:
在本发明实施例中,最大效益分享比例为0.2。初始的经营状态评价值和初始的节能状态评价值分别通过步骤S001中的网络得到。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能和大数据的合同能源管理的时间调整方法,应用于用能单位,其特征在于,所述方法包括:
采集当前时段内项目改造中的经营信息指标、现金流指标和耗能设备评价指标,根据所述耗能设备评价指标得到当前的第一耗能状态评价值;根据所述经营信息指标和现金流指标得到当前的第一经营状态评价值;
根据所述第一耗能状态评价值和第二耗能状态评价值得到耗能状态变化评价指标;根据所述第一经营状态评价值和第二经营状态评价值得到经营状态变化评价指标;所述第二耗能状态评价值和第二经营状态评价值为上一时段获得的评价值;
根据所述耗能状态变化评价指标和经营状态变化评价指标动态调节第二收益分配比例,得到当前时段的第一收益分配比例;
根据所述第一收益分配比例的波动偏差调整项目改造的剩余时间;
其中,所述根据所述第一耗能状态评价值和所述第二耗能状态评价值得到耗能状态变化评价指标的方法包括:
获取上一时段的所述第二耗能状态评价值与当前时段的所述第一耗能状态评价值的第一差值对耗能角度阈值的第一角度影响程度;所述耗能角度阈值是耗能角度区间的最小值,所述耗能角度区间是标准耗能状态变化曲线与纵轴的夹角确定的夹角范围,所述标准耗能状态变化曲线是耗能状态评价值随采集次数变化的曲线;其中,第一角度影响程度是通过所述第一差值计算对应的角度,所述耗能角度阈值与所述角度的第三差值与耗能角度阈值的比值为所述第一角度影响程度;
根据所述第一角度影响程度得到耗能状态变化评价指标。
2.根据权利要求1所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,所述根据所述第一角度影响程度得到耗能状态变化评价指标还包括:
根据所述耗能角度区间的最小值和最大值之差得到第一区间影响系数;
以所述第一区间影响系数与所述第一角度影响程度的乘积作为所述耗能状态变化评价指标。
3.根据权利要求1所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,所述根据所述耗能设备评价指标得到当前的第一耗能状态评价值的方法为:将所述耗能设备评价指标输入到耗能状态评价网络,输出第一耗能状态评价值。
4.根据权利要求1所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,所述耗能设备评价指标包括耗能设备的设备类别标识、每类标识的数量和耗能设备所消耗的能量。
5.根据权利要求1所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,所述经营状态评价值是经营评价值和财务评价值的均值,所述经营评价值是将经营信息输入训练好的回归网络得到的预测值;所述财务评价值是将现金流信息输入训练好的TCN网络中的得到的预测值。
6.根据权利要求1所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,所述根据所述第一经营状态评价值和所述第二经营状态评价值得到经营状态变化评价指标的方法包括:
获取当前时段的所述第一经营状态评价值对状态评价阈值的阈值影响程度;
获取上一时段的所述第二经营状态评价值与当前时段的所述第一经营状态评价值的第一差值对经营角度阈值的第二角度影响程度;所述经营角度阈值是经营角度区间的最小值,所述经营角度区间是标准经营状态变化曲线与纵轴的夹角确定的夹角范围,所述标准经营状态变化曲线是随采集次数变化的标准的经营状态评价值的曲线;
对所述第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标。
7.根据权利要求6所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,获取当前时段的所述第一经营状态评价值对经营状态评价阈值的阈值影响程度的方法包括:
以所述第一经营状态评价值与所述经营状态评价阈值之差的绝对值作为第二差值;通过所述第二差值与所述经营状态评价阈值的比值得到所述阈值影响程度。
8.根据权利要求6所述的一种基于人工智能和大数据的合同能源管理的时间调整方法,其特征在于,对所述第二角度影响程度与阈值影响程度的加权求和得到经营状态变化评价指标还包括:
根据所述经营角度区间的最小值和最大值之差得到第二区间影响系数;
以所述第二区间影响系数修正所述第二角度影响程度,以修正后的第二角度影响程度与阈值影响程度的加权求和得到所述经营状态变化评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905442.0A CN113361829B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能和大数据的合同能源管理的时间调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110905442.0A CN113361829B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能和大数据的合同能源管理的时间调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361829A CN113361829A (zh) | 2021-09-07 |
CN113361829B true CN113361829B (zh) | 2021-11-02 |
Family
ID=77540602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110905442.0A Active CN113361829B (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能和大数据的合同能源管理的时间调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361829B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590610A (zh) * | 2017-09-20 | 2018-01-16 | 四川长虹电器股份有限公司 | 基于线性回归的空调合同能源管理项目节能量评估方法 |
CN110309975A (zh) * | 2019-06-28 | 2019-10-08 | 深圳前海微众银行股份有限公司 | 项目研发过程管理方法、装置、设备及计算机存储介质 |
CN110363400A (zh) * | 2019-06-25 | 2019-10-22 | 深圳市紫衡技术有限公司 | 一种建筑节能改造在线评估方法、系统及存储介质 |
CN110956383A (zh) * | 2019-11-25 | 2020-04-03 | 深圳市紫衡技术有限公司 | 一种建筑节能改造方法、系统及终端设备 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN112862213A (zh) * | 2021-03-09 | 2021-05-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于周期回馈lstm的供热需求量预估方法、系统及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8587425B2 (en) * | 2011-10-27 | 2013-11-19 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for power management |
CN110873360B (zh) * | 2018-09-03 | 2021-12-28 | 国网信息通信产业集团有限公司 | 供暖节能改造项目的节能量确定方法及装置 |
US11562186B2 (en) * | 2018-09-05 | 2023-01-24 | Siemens Aktiengesellschaft | Capturing network dynamics using dynamic graph representation learning |
CN109961187A (zh) * | 2019-03-27 | 2019-07-02 | 廊坊新奥泛能网络科技服务有限公司 | 能源规划方法和能源规划系统 |
CN112165126A (zh) * | 2020-09-27 | 2021-01-01 | 新风光电子科技股份有限公司 | 双向变流器并联运行环流抑制自适应控制方法 |
-
2021
- 2021-08-09 CN CN202110905442.0A patent/CN113361829B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590610A (zh) * | 2017-09-20 | 2018-01-16 | 四川长虹电器股份有限公司 | 基于线性回归的空调合同能源管理项目节能量评估方法 |
CN110363400A (zh) * | 2019-06-25 | 2019-10-22 | 深圳市紫衡技术有限公司 | 一种建筑节能改造在线评估方法、系统及存储介质 |
CN110309975A (zh) * | 2019-06-28 | 2019-10-08 | 深圳前海微众银行股份有限公司 | 项目研发过程管理方法、装置、设备及计算机存储介质 |
CN110956383A (zh) * | 2019-11-25 | 2020-04-03 | 深圳市紫衡技术有限公司 | 一种建筑节能改造方法、系统及终端设备 |
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN112862213A (zh) * | 2021-03-09 | 2021-05-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于周期回馈lstm的供热需求量预估方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
Household-Level Energy Forecasting in Smart Buildings Using a Novel Hybrid Deep Learning Model;DABEERUDDIN SYED等;《IEEE Access》;20210323;33498 - 33511 * |
基于GM-RBF 神经网络的高校建筑能耗预测;赵超等;《南京理工大学学报》;20140228;第38卷(第1期);48-53 * |
论合同能源管理项目收益的动态分享;杨丽婕;《石油石化绿色低碳》;20190420(第02期);15-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361829A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663493B2 (en) | Method and system of dynamic model selection for time series forecasting | |
MXPA01008623A (es) | Metodos y sistemas para muestrear de manera eficiente carteras para suscripcion optima. | |
CA2362441A1 (en) | Methods and systems for optimizing return and present value | |
US11476669B2 (en) | Method and system for building reinforcement learning (RL) based model for generating bids | |
Motiwalla et al. | Predictable variation and profitable trading of US equities: a trading simulation using neural networks | |
CN112884590A (zh) | 基于机器学习算法的电网企业融资决策方法 | |
CN109543988A (zh) | 优化交易超时阀值的方法、装置和存储介质 | |
CN113361829B (zh) | 基于人工智能和大数据的合同能源管理的时间调整方法 | |
US8527403B2 (en) | Lateness migration model | |
US20230186385A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
CN111667307A (zh) | 一种理财产品销量的预测方法及装置 | |
CN113837648B (zh) | 企业关联性分析方法、关联企业推荐方法和装置 | |
CN112508608B (zh) | 一种推广活动配置方法、系统、计算机设备及存储介质 | |
Lin et al. | Online portfolio selection of integrating expert strategies based on mean reversion and trading volume | |
TWI720638B (zh) | 存款利率議價調整系統及其方法 | |
KR20220167039A (ko) | 딥러닝과 경제 지표 기반 주가 예측 시스템 | |
TW202121157A (zh) | 基於確定值及預測值的數據定量化方法 | |
Pai et al. | Neural Network Model for Efficient portfolio Management and Time Series Forecasting | |
Deng et al. | Mean-entropy uncertain portfolio with risk curve and total mental accounts under multiple background risks | |
US20220414764A1 (en) | Financing analysis method and system based on life policy information | |
Li et al. | Asset Allocation Based On Reinforcement Learning | |
Cui et al. | Maximizing the lender’s profit: profit-oriented loan default prediction based on a weighting model | |
Liu et al. | An Algorithm for Identifying Abnormal Behavior and Potential Opportunities in the Fund Market Based on Deep Learning | |
CHAPARRO PORTILLO | A DEEP LEARNING STATE-BASED MARKET MICROSTRUCTURE APPROACH FOR THE PRICE MOVEMENT PREDICTION TASK | |
Bagherpour | Some Ideas for Improving Stock Price Prediction Based on Machine Learning |
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 |