CN114861939B - 一种基于ahp模型自学习的能耗分析方法及装置 - Google Patents
一种基于ahp模型自学习的能耗分析方法及装置 Download PDFInfo
- Publication number
- CN114861939B CN114861939B CN202210791327.XA CN202210791327A CN114861939B CN 114861939 B CN114861939 B CN 114861939B CN 202210791327 A CN202210791327 A CN 202210791327A CN 114861939 B CN114861939 B CN 114861939B
- Authority
- CN
- China
- Prior art keywords
- factor
- energy consumption
- data
- ahp model
- ahp
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于AHP模型自学习的能耗分析方法及装置,所述方法包括:获取能耗信息,确定能耗因子,并获取因子属性,根据能耗信息建立AHP模型的第一层结构,并根据能耗因子的因子属性构建AHP模型的第二、三层结构;获取能耗信息对应生产线的历史数据,并获取历史数据对应的数据大小及数据标签,根据数据大小及数据标签,对AHP模型的能耗因子进行自下而上的遍历匹配,调整AHP模型中能耗因子的因子权重;获取生产线的任意能耗因子的实时数据,输入模型,得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及总能耗。采用本方法能够快速准确地提供能耗的核心指标,提高生产效率,为生产的节能减排决策提供有力的帮助。
Description
技术领域
本发明涉及能源计算技术领域,尤其涉及一种基于AHP模型自学习的能耗分析方法及装置。
背景技术
近年来,随着工业制造突飞猛进地发展,制造企业已经在制造强国的战略牵引下逐步从粗放管理转向精细化、高质量发展的成长阶段。现阶段的工业行业领域几乎都涉及能耗,传统的参与生产所消耗的水、电、煤等数据分析工作,主要通过手工方式采集并上报计算机系统,结合专家经验人工分析判断进行能源消耗的相关分析工作。由于生产指标数据、设备运行参数等能耗相关的数据量太大,很难全流程完整地进行人工采集和录入上报;同时,因为对数据异常点的定义标准不统一、定义内容不明确,很难以专家经验的角度人工判断能耗异常的程度,就无法快速找到能耗优化的机会;
现有的技术中,有通过AHP分析法来进行耗能分析,但是单纯的AHP分析法无法考虑其指标选择的科学性和赋权过程中存在的多种无法预料到的制约和反馈关系。所以目前建立一套科学高效的能耗分析方法和系统,对于构建绿色制造体系是一种十分有效的方法,且具有十分重要的意义。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种基于AHP模型自学习的能耗分析方法及装置。
本发明实施例提供一种基于AHP模型自学习的能耗分析方法,包括:
获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;
根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构;
获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重;
获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
在其中一个实施例中,所述方法还包括:
根据所述数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果;
根据所述数据标签,与所述AHP模型的能耗因子的数据标签进行对比,得到第二对比结果;
结合所述第一对比结果及第二对比结果,得到所述能耗因子的对比评分,当所述能耗因子,与所述历史数据进行遍历对比后,得到所述能耗因子的总评分,并根据所述总评分,确定所述能耗因子的因子权重。
在其中一个实施例中,所述方法还包括:
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小大于所述AHP模型的能耗因子的因子数值上限,小于所述AHP模型的能耗因子的因子数值下限时,对应的对比评分为高评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时,对应的对比评分为中评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签不匹配,对应的对比评分为低评分等级。
在其中一个实施例中,所述方法还包括:
根据所述能耗因子的因子权重确定所述能耗因子的因子等级,并在所述遍历匹配过程中,检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时,删除所述能耗因子。
在其中一个实施例中,所述方法还包括:
判断所述总能耗以及生产线中的所有能耗因子对应的因子能耗是否处于正常数据范围;
当所述总能耗以及生产线中的所有能耗因子对应的因子能耗中存在能耗数据不处于正常数据范围时,输出对应的报警信息。
本发明实施例提供一种基于AHP模型自学习的能耗分析装置,包括:
第一获取模块,用于获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;
模型建立模块,用于根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构;
第二获取模块,用于获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重;
能耗确定模块,用于获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
在其中一个实施例中,所述装置还包括:
第一对比模块,用于根据所述数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果;
第二对比模块,用于根据所述数据标签,与所述AHP模型的能耗因子的数据标签进行对比,得到第二对比结果;
评分模块,用于结合所述第一对比结果及第二对比结果,得到所述能耗因子的对比评分,当所述能耗因子,与所述历史数据进行遍历对比后,得到所述能耗因子的总评分,并根据所述总评分,确定所述能耗因子的因子权重。
在其中一个实施例中,所述装置还包括:
删除模块,用于根据所述能耗因子的因子权重确定所述能耗因子的因子等级,并在所述遍历匹配过程中,检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时,删除所述能耗因子。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于AHP模型自学习的能耗分析方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于AHP模型自学习的能耗分析方法的步骤。
本发明实施例提供的一种基于AHP模型自学习的能耗分析方法及装置,获取能耗信息,确定对应的能耗因子,并获取能耗因子的因子属性,因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;根据能耗信息建立AHP模型的第一层结构,并根据能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在AHP模型中,每一层为下一层的父集结构;获取能耗信息对应生产线的历史数据,并获取历史数据对应的数据大小及数据标签,根据数据大小及数据标签,对AHP模型的能耗因子进行自下而上的遍历匹配,并根据遍历匹配的结果,调整AHP模型中能耗因子的因子权重;获取生产线的任意能耗因子的实时数据,输入调整后的AHP模型,得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出总能耗以及生产线中的所有能耗因子及对应的因子权重。这样能够针对海量工业生产中的设备运行数据、生产数据、电耗及其它能耗数据,结合构建完成的AHP层次分析模型进行分析,可实现任何时候无论多少数据,只要输入即能分析出能耗的总数值及产生能耗的原因等。能够快速准确地提供能耗的核心指标,提高生产效率,为生产的节能减排决策提供有力的帮助。
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,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地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例中一种基于AHP模型自学习的能耗分析方法的流程图;
图2为本发明实施例中一种AHP模型图;
图3为本发明实施例中一种基于AHP模型自学习的能耗分析装置的结构图;
图4为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。基于本发明中的实施例,本领域普通技术人员在没有作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。
图1为本发明实施例提供的一种基于AHP模型自学习的能耗分析方法的流程示意图,如图1所示,本发明实施例提供了一种基于AHP模型自学习的能耗分析方法,包括:
步骤S101,获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限。
具体地,获取能耗信息,能耗信息可以比如:综合电耗、水量消耗等等能源消耗信息,然后确定对应的能耗因子,比如综合电耗的能耗因子可以包括熟料台产、烧成电耗、原料电耗、石灰石破碎电耗,对于每个能耗因子来说,包含对应的因子属性,因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限,其中,每个能耗因子可能包括多个数据标签,比如多个数据来源,对应的因子数值上限、因子数据下限为合理能耗数值范围,初始的因子权重均设定为一样大小。
步骤S102,根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构。
具体地,根据能耗信息建立AHP模型的第一层结构,根据因子编号、因子名称、因子层级、因子父集构建AHP模型的第二层结构,根据数据标签、因子层级、因子父集构建AHP模型的第三层结构,在AHP模型中,每一层为下一层的父集结构,作为AHP模型的第一层,用来描述能耗主要成因的集合,作为AHP模型的第二层,用来表示每个末级数据标签点位的组,作为AHP模型的第三层,用来表示每个末级数据标签点位,举例说明:能耗信息为综合电耗,影响综合电耗的因素有:熟料台产、烧成电耗、原料电耗、石灰石破碎电耗4个因素,而熟料台产是由A和B两个标签数据影响,即熟料台产的子节点是A和B。根据上述例子得出:AHP第一层模型的节点为“综合电耗”,可以用代号RES1表示;第二层为熟料台产、烧成电耗、原料电耗、石灰石破碎电耗,分别以COL1、COL2、COL3、COL4表示;第三层为数据标签点位层,比如COL1下面有两个数据标签,即A和B,具体的AHP模型图如图2所示。
步骤S103,获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重。
具体地,选取大量包含第一层能耗原因的生产线的历史数据,根据上述步骤构建的AHP模型,按自底向上的顺序,进行自学习,最终形成AHP的判断矩阵。所述生产线历史数据包括生产过程中设备的运行指标、生产产量、电耗、电压、风力等数据。
自下而上的遍历匹配的过程可以包括:根据数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果,根据数据标签,与AHP模型的能耗因子的数据标签进行对比,得到第二对比结果;结合第一对比结果及第二对比结果,得到能耗因子的对比评分,当能耗因子,与历史数据进行遍历对比后,得到能耗因子的总评分,并根据总评分,确定能耗因子的因子权重,其中,当数据标签与所述AHP模型的能耗因子的数据标签匹配,且数据大小大于AHP模型的能耗因子的因子数值上限,小于AHP模型的能耗因子的因子数值下限时,对应的对比评分为高评分等级(即匹配到了与定义的模型一致的逻辑,数据异常引起第二级节点再引起了第一级节点的现象,得分最高),当数据标签与所述AHP模型的能耗因子的数据标签匹配,且数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时,对应的对比评分为中评分等级;当数据标签与所述AHP模型的能耗因子的数据标签不匹配,对应的对比评分为低评分等级。在完成至少一个月的历史数据完成遍历。最后每个因子得到一个总分数,根据总分数的大小,调整AHP模型中能耗因子的因子权重。
并且还可以根据总分数的大小确定该能耗因子对应的因子等级,并在遍历匹配过程中,检测到能耗因子的因子等级小于预设等级的次数达到预设次数时,比如某个因子等级连续10次以上都处于1(最低级),删除能耗因子。
所述自学习在创建的AHP模型的基础上,从历史数据中学习得到另外的能耗相关因素对能耗结果的影响关系和隐藏的规律,从而减少因单纯依靠专家经验生成的AHP判断矩阵带来的误判。
步骤S104,获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
具体地,还可以获取生产线的任意能耗因子的实时数据,输入调整后的AHP模型,完成能耗分析,能耗分析步骤可以包括:将实时数据根据AHP模型第三层对应的数据标签填入相应的因子,对同一层同一父层的所有因子数据相加的和,得出AHP模型第二层各因子的数值;将实时数据根据AHP模型第二层对应因子与第一层的每个因子一一对应,得出导致每个二层因子即汇总数值的原因。然后得到总能耗值,从而能够分析出能耗高或低的相应原因。
本发明实施例提供的一种基于AHP模型自学习的能耗分析方法,获取能耗信息,确定对应的能耗因子,并获取能耗因子的因子属性,因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;根据能耗信息建立AHP模型的第一层结构,并根据能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在AHP模型中,每一层为下一层的父集结构;获取能耗信息对应生产线的历史数据,并获取历史数据对应的数据大小及数据标签,根据数据大小及数据标签,对AHP模型的能耗因子进行自下而上的遍历匹配,并根据遍历匹配的结果,调整AHP模型中能耗因子的因子权重;获取生产线的任意能耗因子的实时数据,输入调整后的AHP模型,得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出总能耗以及生产线中的所有能耗因子及对应的因子权重。这样能够针对海量工业生产中的设备运行数据、生产数据、电耗及其它能耗数据,结合构建完成的AHP层次分析模型进行分析,可实现任何时候无论多少数据,只要输入即能分析出能耗的总数值及产生能耗的原因等。能够快速准确地提供能耗的核心指标,提高生产效率,为生产的节能减排决策提供有力的帮助。
图3为本发明实施例提供的一种基于AHP模型自学习的能耗分析装置,包括:第一获取模块S201、模型建立模块S202、第二获取模块S203、能耗确定模块S204,其中:
第一获取模块,用于获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下。
模型建立模块,用于根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构。
第二获取模块,用于获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重。
能耗确定模块,用于获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
在一个实施例中,装置还可以包括:
第一对比模块,用于根据所述数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果。
第二对比模块,用于根据所述数据标签,与所述AHP模型的能耗因子的数据标签进行对比,得到第二对比结果。
评分模块,用于结合所述第一对比结果及第二对比结果,得到所述能耗因子的对比评分,当所述能耗因子,与所述历史数据进行遍历对比后,得到所述能耗因子的总评分,并根据所述总评分,确定所述能耗因子的因子权重。
在一个实施例中,装置还可以包括:
删除模块,用于根据所述能耗因子的因子权重确定所述能耗因子的因子等级,并在所述遍历匹配过程中,检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时,删除所述能耗因子。
关于基于AHP模型自学习的能耗分析装置的具体限定可以参见上文中对于基于AHP模型自学习的能耗分析方法的限定,在此不再赘述。上述基于AHP模型自学习的能耗分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304,其中,处理器301,存储器302,通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令,以执行如下方法:获取能耗信息,确定对应的能耗因子,并获取能耗因子的因子属性,因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;根据能耗信息建立AHP模型的第一层结构,并根据能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在AHP模型中,每一层为下一层的父集结构;获取能耗信息对应生产线的历史数据,并获取历史数据对应的数据大小及数据标签,根据数据大小及数据标签,对AHP模型的能耗因子进行自下而上的遍历匹配,并根据遍历匹配的结果,调整AHP模型中能耗因子的因子权重;获取生产线的任意能耗因子的实时数据,输入调整后的AHP模型,得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出总能耗以及生产线中的所有能耗因子及对应的因子权重。
此外,上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取能耗信息,确定对应的能耗因子,并获取能耗因子的因子属性,因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;根据能耗信息建立AHP模型的第一层结构,并根据能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在AHP模型中,每一层为下一层的父集结构;获取能耗信息对应生产线的历史数据,并获取历史数据对应的数据大小及数据标签,根据数据大小及数据标签,对AHP模型的能耗因子进行自下而上的遍历匹配,并根据遍历匹配的结果,调整AHP模型中能耗因子的因子权重;获取生产线的任意能耗因子的实时数据,输入调整后的AHP模型,得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出总能耗以及生产线中的所有能耗因子及对应的因子权重。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于AHP模型自学习的能耗分析方法,其特征在于,包括:
获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;
根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构;
获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重;
获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重;
其中,所述根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重,包括:
根据所述数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果;
根据所述数据标签,与所述AHP模型的能耗因子的数据标签进行对比,得到第二对比结果;
结合所述第一对比结果及第二对比结果,得到所述能耗因子的对比评分,当所述能耗因子,与所述历史数据进行遍历对比后,得到所述能耗因子的总评分,并根据所述总评分,确定所述能耗因子的因子权重;
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小大于所述AHP模型的能耗因子的因子数值上限,小于所述AHP模型的能耗因子的因子数值下限时,对应的对比评分为高评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时,对应的对比评分为中评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签不匹配,对应的对比评分为低评分等级。
2.根据权利要求1所述的基于AHP模型自学习的能耗分析方法,其特征在于,所述调整所述AHP模型中能耗因子的因子权重之后,还包括:
根据所述能耗因子的因子权重确定所述能耗因子的因子等级,并在所述遍历匹配过程中,检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时,删除所述能耗因子。
3.根据权利要求1所述的基于AHP模型自学习的能耗分析方法,其特征在于,所述输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重后,还包括:
判断所述总能耗以及生产线中的所有能耗因子对应的因子能耗是否处于正常数据范围;
当所述总能耗以及生产线中的所有能耗因子对应的因子能耗中存在能耗数据不处于正常数据范围时,输出对应的报警信息。
4.一种基于AHP模型自学习的能耗分析装置,其特征在于,所述装置包括:
第一获取模块,用于获取能耗信息,确定对应的能耗因子,并获取所述能耗因子的因子属性,所述因子属性包括:因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限;
模型建立模块,用于根据所述能耗信息建立AHP模型的第一层结构,并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构,在所述AHP模型中,每一层为下一层的父集结构;
第二获取模块,用于获取所述能耗信息对应生产线的历史数据,并获取所述历史数据对应的数据大小及数据标签,根据所述数据大小及数据标签,对所述AHP模型的能耗因子进行自下而上的遍历匹配,并根据所述遍历匹配的结果,调整所述AHP模型中能耗因子的因子权重;
能耗确定模块,用于获取所述生产线的任意能耗因子的实时数据,输入调整后的所述AHP模型,得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重,以及生产线中的总能耗,输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重;
第一对比模块,用于根据所述数据大小,与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比,得到第一对比结果;
第二对比模块,用于根据所述数据标签,与所述AHP模型的能耗因子的数据标签进行对比,得到第二对比结果;
评分模块,用于结合所述第一对比结果及第二对比结果,得到所述能耗因子的对比评分,当所述能耗因子,与所述历史数据进行遍历对比后,得到所述能耗因子的总评分,并根据所述总评分,确定所述能耗因子的因子权重;
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小大于所述AHP模型的能耗因子的因子数值上限,小于所述AHP模型的能耗因子的因子数值下限时,对应的对比评分为高评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签匹配,且所述数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时,对应的对比评分为中评分等级;
当所述数据标签与所述AHP模型的能耗因子的数据标签不匹配,对应的对比评分为低评分等级。
5.根据权利要求4中所述的基于AHP模型自学习的能耗分析装置,其特征在于,所述装置还包括:
删除模块,用于根据所述能耗因子的因子权重确定所述能耗因子的因子等级,并在所述遍历匹配过程中,检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时,删除所述能耗因子。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述基于AHP模型自学习的能耗分析方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述基于AHP模型自学习的能耗分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791327.XA CN114861939B (zh) | 2022-07-07 | 2022-07-07 | 一种基于ahp模型自学习的能耗分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791327.XA CN114861939B (zh) | 2022-07-07 | 2022-07-07 | 一种基于ahp模型自学习的能耗分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861939A CN114861939A (zh) | 2022-08-05 |
CN114861939B true CN114861939B (zh) | 2022-10-18 |
Family
ID=82627055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210791327.XA Active CN114861939B (zh) | 2022-07-07 | 2022-07-07 | 一种基于ahp模型自学习的能耗分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861939B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
CN113689225A (zh) * | 2021-05-18 | 2021-11-23 | 重庆唯渡科技有限公司 | 一种烟草专卖市场监管中异常客户的分析方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9171255B2 (en) * | 2012-07-10 | 2015-10-27 | Ali Abbas | Method, software, and system for making a decision |
CN104077489A (zh) * | 2014-07-09 | 2014-10-01 | 国家电网公司 | 一种能耗设备能效分析方法及其分析系统 |
CN107145995A (zh) * | 2017-03-17 | 2017-09-08 | 北京市安全生产科学技术研究院 | 生产环境安全性预测方法、装置和系统 |
CN107256445B (zh) * | 2017-04-27 | 2018-05-01 | 清华大学 | 生产环境安全性的分析方法、装置和系统 |
CN111507552A (zh) * | 2019-01-31 | 2020-08-07 | 深圳富桂精密工业有限公司 | 深度学习方法、系统、服务器及可读存储介质 |
CN111695830A (zh) * | 2020-06-17 | 2020-09-22 | 广东电网有限责任公司计量中心 | 一种电力资源分配方法、系统以及设备 |
CN112390127B (zh) * | 2020-12-12 | 2022-12-23 | 中铁第四勘察设计院集团有限公司 | 基于健康度模型的自动扶梯预防性维修策略生成方法 |
CN113723801A (zh) * | 2021-08-27 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种村庄类型划分方法、装置、设备及存储介质 |
CN113762795A (zh) * | 2021-09-13 | 2021-12-07 | 浙江万维空间信息技术有限公司 | 一种基于层次分析的产业链诊断方法及系统 |
-
2022
- 2022-07-07 CN CN202210791327.XA patent/CN114861939B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
CN113689225A (zh) * | 2021-05-18 | 2021-11-23 | 重庆唯渡科技有限公司 | 一种烟草专卖市场监管中异常客户的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114861939A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160038B (zh) | 一种基于审计知识库的数据分析方法及系统 | |
CN113672230B (zh) | 一种工业要素标识编码方法 | |
CN104778540A (zh) | 一种建材装备制造bom管理方法及管理系统 | |
CN106354106A (zh) | 一种基于mes的数据处理系统 | |
Aich et al. | An interpretive structural model of green supply chain management in Indian computer and its peripheral industries | |
CN105405069A (zh) | 一种购电经营决策分析与数据处理方法 | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
CN111489053A (zh) | 一种基于FP-growth算法的电网异常原因确定方法及系统 | |
Si et al. | Optimization of regional forestry industrial structure and economic benefit based on deviation share and multi-level fuzzy comprehensive evaluation | |
CN112416904A (zh) | 电力数据规范化处理方法及装置 | |
CN114861939B (zh) | 一种基于ahp模型自学习的能耗分析方法及装置 | |
Zhou et al. | [Retracted] Research on Intelligent Solution of Service Industry Supply Chain Network Optimization Based on Genetic Algorithm | |
CN115982177B (zh) | 一种基于树形维度的数据归集的方法、装置、设备及介质 | |
CN117171145A (zh) | 一种企业管理系统数据的分析处理方法、设备及存储介质 | |
CN116341861A (zh) | 一种基于决策规则模型的水库调度运用方式推荐方法 | |
CN115952914A (zh) | 一种基于大数据的电力计量运维工作判别规划方法 | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
Zhao et al. | A learning-to-rank-based investment portfolio optimization framework for smart grid planning | |
CN104102739B (zh) | 一种扩充实体库的方法及装置 | |
CN102566536B (zh) | 系统流程控制设备和方法 | |
Safavi Mirmahalleh et al. | A model for risk management in the supply chain of Iran's gas industry | |
CN111026705A (zh) | 建筑工程文件管理方法、系统及终端设备 | |
CN110837526A (zh) | 一种基于物料信息管理平台的电子元器件选型方法及系统 | |
CN104615605A (zh) | 用于预测数据对象的类目的方法和装置 | |
Anuar et al. | Integrated Operations for Gas Lift Optimization: A Successful Story at Peninsular Malaysia Field |
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 |