CN114893402A - 基于人工智能的并联空压机能耗调控方法及系统 - Google Patents
基于人工智能的并联空压机能耗调控方法及系统 Download PDFInfo
- Publication number
- CN114893402A CN114893402A CN202210353263.5A CN202210353263A CN114893402A CN 114893402 A CN114893402 A CN 114893402A CN 202210353263 A CN202210353263 A CN 202210353263A CN 114893402 A CN114893402 A CN 114893402A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- energy consumption
- value
- neural network
- network algorithm
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 5
- 210000003792 cranial nerve Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
- F04C28/00—Control of, monitoring of, or safety arrangements for, pumps or pumping installations specially adapted for elastic fluids
- F04C28/02—Control of, monitoring of, or safety arrangements for, pumps or pumping installations specially adapted for elastic fluids specially adapted for several pumps connected in series or in parallel
-
- 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
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明提供一种基于人工智能的并联空压机能耗调控方法及系统,涉及空压机能耗控制技术领域。本发明首先获取并联空压机系统中空压机工作相关数据,同时获取主备机更新次序;然后基于空压机工作相关数据,利用神经网络算法模型获取并联空压机系统中空压机的耗能估计值;再将耗能估计值与目标耗能值进行比较,并调整神经网络算法模型的参数直到耗能估计值与目标耗能值之间的误差满足预设条件时停止;最后基于参数调整后的神经网络算法模型获取并联空压机系统运行的最优方案,然后基于主备机更新次序,并按照该最优方案精准执行,以实现对并联空压机的能耗进行调控。
Description
技术领域
本发明涉及空压机能耗控制技术,具体涉及一种基于人工智能的并联空压机能耗调控方法及系统。
背景技术
在水泥生产过程中,空压机作为重点能耗设备,其能源损耗较大,一般空压机系统所消耗的电能占企业电力消耗的20%~30%,严重影响企业的经济效益和社会效益。因此降低空压机能耗是压缩空气系统节能降耗的关键所在。
目前,降低空压机能耗主要是以单个空压机为对象,通过对压气机系统中安装余热回收装置,实现了整机系统的能耗降低和低成本运行;也有少数针对多台并联螺杆式空压机系统的联动控制系统进行改造从而实现能耗降低。
然而,大部分针对单个螺杆式空压机的能耗降低技术,无法适用于整个并联空压机系统能耗效率低和目标压力控制稳定性低等问题的解决;而现有的降低并联空压机系统的能耗解决方案中,其并联空压机系统中的主备机次序是固定的,如果不能及时、精准的进行人工调整,会使得机组的寿命差异扩大,导致维修保养的困难。由此可见,现有技术暂不存在可精准调控并联空压机能耗的方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能的并联空压机能耗调控方法及系统,解决了现有技术无法精准调控并联空压机的能耗。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明首先提出了一种基于人工智能的并联空压机能耗调控方法,所述方法包括:
获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
优选的,所述空压机工作相关数据包括:
空气压缩机内空气流速数据、空气压缩机外部环境的温度数据、空气压缩机不同功率数据、空气压缩机的输出端与外界大气压之间的压差数据,以及空气压缩机不同连续工作时长下的耗能数据。
优选的,所述最优方案包括:整个并联空压机系统中不同空压机的负荷情况、预计耗能情况,以及预计所耗时长。
优选的,所述调整所述神经网络算法模型参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止包括:
S31、获取所述耗能估计值与目标耗能值的差值并重复预设次数次后不断调整所述神经网络算法模型的参数,直到误差值满足预设条件时则停止;
S32、若重复调整所述神经网络算法模型参数达到预设次数后,误差无法达到预设要求,则更改所述目标耗能值,再重复步骤S31直到误差值满足预设条件时停止。
优选的,所述获取并联空压机系统中空压机的主备机更新次序包括:
在每个预设时间点对并联空压机系统中所有空压机按照其工作总耗能的大小进行升序排列,所述排列的顺序即为并联空压机系统中空压机的主备机更新次序。
第二方面,本发明还提出了一种基于人工智能的并联空压机能耗调控系统,所述系统包括:
数据获取模块,用于获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
耗能估计值获取模块,用于基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
模型调整模块,用于调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
能耗调控模块,用于基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
优选的,所述空压机工作相关数据包括:
空气压缩机内空气流速数据、空气压缩机外部环境的温度数据、空气压缩机不同功率数据、空气压缩机的输出端与外界大气压之间的压差数据,以及空气压缩机不同连续工作时长下的耗能数据。
优选的,所述最优方案包括:整个并联空压机系统中不同空压机的负荷情况、预计耗能情况,以及预计所耗时长。
优选的,所述模型调整模块调整所述神经网络算法模型参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止包括:
S31、获取所述耗能估计值与目标耗能值的差值并重复预设次数次后不断调整所述神经网络算法模型的参数,直到误差值满足预设条件时则停止;
S32、若重复调整所述神经网络算法模型参数达到预设次数后,误差无法达到预设要求,则更改所述目标耗能值,再重复步骤S31直到误差值满足预设条件时停止。
优选的,所述获取并联空压机系统中空压机的主备机更新次序包括:
在每个预设时间点对并联空压机系统中所有空压机按照其工作总耗能的大小进行升序排列,所述排列的顺序即为并联空压机系统中空压机的主备机更新次序。
(三)有益效果
本发明提供了一种基于人工智能的并联空压机能耗调控方法及系统。与现有技术相比,具备以下有益效果:
1、本发明获取并联空压机系统中空压机工作相关数据并进行预处理后,同时获取主备机更新次序,将空压机工作相关数据输入神经网络算法模型以获取耗能估计值;然后不断调整神经网络算法模型直到耗能估计值与目标耗能值之间的误差满足预设要求时停止;最后基于调整后的神经网络算法模型获取最优方案,最后基于主备机更新次序并通过执行最优方案进行并联空压机的能耗调控。本发明利用神经网络算法模型将数据运算后的估计值与目标值反复比对,并将模型参数调整到最合适状态,从而形成抽象经验,利用调整后的模型获取的最优方案对并联空压机系统的能耗进行调控会更加精准,从而可以指导工业企业减少用电能耗,提高工业企业的用电效率,辅助企业上层做出科学合理用电决策,节约资金,提高利润。
2、本发明通过上传云端的数据在预设时间点对并联空压机系统中空压机的主备机次序进行排序和更新,可以改变现有技术中主备机次序固定的问题,使得并联空压机系统中机器按照负荷最优排序运转,缩小了机器间老旧化差距,便于维修和保养。
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他的附图。
图1为本发明实施例中所涉及的并联空压机系统结构图;
图2为本发明实施例中一种基于人工智能的并联空压机能耗调控方法流程图。
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,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。
本申请实施例通过提供一种基于人工智能的并联空压机能耗调控方法及系统,解决了现有技术无法精准调控并联空压机的能耗的问题,实现减少工业企业用电能耗,提高工业企业用电效率的目的。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
为了精准调控并联空压机的能耗问题,实现减少工业企业用电能耗,提高工业企业用电效率的目的,本发明首先获取并联空压机系统中空压机工作相关数据,同时获取主备机更新次序;然后基于空压机工作相关数据,利用神经网络算法模型获取并联空压机系统中空压机的耗能估计值;再将耗能估计值与目标耗能值进行比较,并调整神经网络算法模型的参数直到耗能估计值与目标耗能值之间的误差满足预设条件时停止;最后基于参数调整后的神经网络算法模型获取并联空压机系统运行的最优方案,然后基于主备机更新次序,并按照该最优方案精准执行,以实现对并联空压机的能耗进行调控。为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1,为本发明所研究的并联空压机系统(图中以九台螺杆式空压机为例)。该系统具体特点为采用并联方式联合供气,通过对单台螺杆式空压机采用加卸载压力控制方式,并对多台机组采用错开的压力带设定的方法来实现多机组的并联和自动启停。系统中九台螺杆式空压机均为加卸载控制,并通过压力带阶梯性设定的方法进行系统控制。
实施例1:
第一方面,本发明首先提出了一种基于人工智能的并联空压机能耗调控方法,参见图2,该方法包括:
S1、获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
S2、基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
S3、调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
S4、基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
可见,本实施例获取并联空压机系统中空压机工作相关数据并进行预处理后,将空压机工作相关数据输入神经网络算法模型以获取耗能估计值;然后不断调整神经网络算法模型直到耗能估计值与目标耗能值之间的误差满足预设要求时停止;最后基于调整后的神经网络算法模型获取最优方案,并通过执行最优方案进行并联空压机的能耗调控。本实施例利用神经网络算法模型将数据运算后的估计值与目标值反复比对,并将模型参数调整到最合适状态,从而形成抽象经验,利用调整后的模型获取的最优方案对并联空压机系统的能耗进行调控会更加精准,从而可以指导工业企业减少用电能耗,提高工业企业的用电效率,辅助企业上层做出科学合理用电决策,节约资金,提高利润
下面结合对附图1-2以及对S1-S4具体步骤的解释,来详细说明本发明一个实施例的实现过程。
S1、获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理。
获取主备机更新次序。由于在现有的降低并联空压机系统能耗解决的方案中,常规化并联空压机系统中的主备机次序是确定,主备机次序也只能通过现场改变各台空压机的压力带设定来实现,如果不能及时、准确的进行调整会使得机组的寿命差异扩大,导致维修保养的困难。所以,在本实施例中很重要的一点在于对九台螺杆式空压机系统中的主备机次序的排序。具体的,根据云端传输的数据,系统会在每个预设时间点进行九台机器工作总耗能由大到小的排序工作,然后根据该排序重新确定一至九台螺杆式空压机的主次序,即累计总耗能数值大的往后排,耗能小的往前排,从而便可以精准实现机组的轮换,防止机组寿命差异扩大,解决维修保养困难等问题。其中,上述预设时间点可以根据实际需要灵活调整比如,每个月月末,即一个月进行一次主备机次序更新。
空压机工作相关数据的采集和获取。利用数据采集与控制终端采集获取空气压缩机工作时的相关数据,并对采集的空压机工作相关数据进行存储,以及上传至云端。具体的,采集的空压机工作相关数据包括:空气压缩机内空气流速、空气压缩机外部环境的温度、不同功率、空气压缩机的输出端与外界大气压之间的压差、不同连续工作时长下总耗能情况等数据。数据采集过程中,将并联空压机系统中多台空气压缩机与采集与控制终端上的串口或接口连接,再将两者之间进行网络连接,就能实现采集与控制终端对空气压缩机的数据采集。
对获取的空压机工作相关数据进行数据审核、数据筛选等处理加工,以保证上传数据的真实可靠性,和准确性。同时,将经过预处理之后的空压机工作相关数据利用采集与控制终端进行存储,并上传至云端。
S2、基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值。
脑神经网络具备学习能力,其能通过学习带正确答案的实例集自动提取出求解规则。脑神经网络具有良好的自适应、自学习功能,脑神经网络通过学习训练获得网络的权值与结构,呈现出很强的自学习能力和对环境的自适应能力。脑神经网络所具有的自学习过程模拟了人的形象思维方法,这是与传统符号逻辑完全不同的一种非逻辑非语言,自适应性根据所提供的数据,通过学习和训练,便可找出输入和输出之间的内在关系,从而求取问题的解,而不是依据对问题的经验知识和规则。因而具有自适应功能,这对于弱化权重确定人为因素是十分有益的。
脑神经网络实质为从输入到输出的映射功能,本实施例利用脑神经网络中包含任何线性和复杂非线性映射计算的功能,将经过预处理之后的空压机工作相关数据输入脑神经网络算法模型,然后利用脑神经网络算法模型进行数学运算,得出在大致已知所需供气量的前提下的耗能估计值或耗能估计值区间。
S3、调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止。
在获取上述耗能估计值或耗能估计值区间之后,将这个估计值或估计值区间与目标耗能值进行比对,这两者的差即为模型的误差值,然后不断重复上述估算和比对过程,并记录下每次产生的误差值。模型误差值反复比对的次数多于六次,再不断调整算法模型的参数,使得这个误差值逐步减小直到误差值满足预设(企业允许)的误差区间,则得到实时分析形成的抽象经验,此时认为脑神经网络算法模型训练结束了。若多次更改参数后还是无法满足误差要求,则可更改目标耗能值,再进行重复训练和实验,直到误差值满足预设(企业允许)的误差区间时停止。
S4、基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
获取最优方案。将需要进行预测的空压机工作相关数据输入到调整后的上述神经网络算法模型中,模型利用上述训练得到的抽象经验进行决策,分析空气压缩机工作时的各项实时数据、历史数据、分时数据参数,然后基于这些数据形成一个最优方案,该最优方案包括的内容有:整个并联空压机系统不同空压机的负荷情况、预计耗能情况、预计所耗时长等,并通过控制终端存储最优方案所对应的相关数据。
结合更新后的主备机次序精准执行最优方案,对并联空压机的能耗调控。根据获取的最优方案对应的数据,以及更新后的主备机次序,利用控制终端控制空气压缩机的工作与否、工作时长以及工作功率,同时将空气压缩机的工作信息和节能总量记录下来并上传至云端。通过分析控制终端监测到的空气压缩机的工作与否、工作时长以及工作功率可以帮助操作者了解空气压缩机运行时的安全风险,避免空气压缩机在损坏时造成高能耗,通过分析控制终端监测到的空气压缩机的工作信息和节能总量,操作者可以了解到每一个空气压缩机的实时能耗变化情况,避免长期高能耗运行,造成资源的浪费。具体的,数据采集与控制终端存储有节能总量的历史数据,数据采集与控制终端记录的空气压缩机的节能量与历史数据记录的节能总量进行比较,形成空气压缩机节能量的汇总数据;数据采集与控制终端通过记录的空气压缩机的即时节能量,与数据采集与控制终端的过去节能量进行比对,比对后能够判断节能量的增减情况。若发现现有的空气压缩机的节能总量低于历史记录的节能总量,数据采集与控制终端即给出需要更换空气压缩机的指示,当数据采集与控制终端给出更换空气压缩机的意见时说明空气压缩机已经老化、能耗过高或者已经故障,可以根据指示立刻对空气压缩机进行升级。当数据采集与控制终端发现空气压缩机现场运作发生故障或空气压缩机实时能耗数据相比历史数据记录的能耗高时,将第一时间通过采集与控制终端在最快速度下提出预警。
实施例2:
第二方面,本发明还提供了一种基于人工智能的并联空压机能耗调控系统,该系统包括:
数据获取模块,用于获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
耗能估计值获取模块,用于基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
模型调整模块,用于调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
能耗调控模块,用于基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
可选的,所述空压机工作相关数据包括:
空气压缩机内空气流速数据、空气压缩机外部环境的温度数据、空气压缩机不同功率数据、空气压缩机的输出端与外界大气压之间的压差数据,以及空气压缩机不同连续工作时长下的耗能数据。
可选的,所述最优方案包括:整个并联空压机系统中不同空压机的负荷情况、预计耗能情况,以及预计所耗时长。
可选的,所述模型调整模块调整所述神经网络算法模型参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止包括:
S31、获取所述耗能估计值与目标耗能值的差值并重复预设次数次后不断调整所述神经网络算法模型的参数,直到误差值满足预设条件时则停止;
S32、若重复调整所述神经网络算法模型参数达到预设次数后,误差无法达到预设要求,则更改所述目标耗能值,再重复步骤S31直到误差值满足预设条件时停止。
可选的,所述获取并联空压机系统中空压机的主备机更新次序包括:
在每个预设时间点对并联空压机系统中所有空压机按照其工作总耗能的大小进行升序排列,所述排列的顺序即为并联空压机系统中空压机的主备机更新次序。
可理解的是,本发明实施例提供的基于人工智能的并联空压机能耗调控系统与上述基于人工智能的并联空压机能耗调控方法相对应,其有关内容的解释、举例、有益效果等部分可以参照基于人工智能的并联空压机能耗调控方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明获取并联空压机系统中空压机工作相关数据并进行预处理后,同时获取主备机更新次序,将空压机工作相关数据输入神经网络算法模型以获取耗能估计值;然后不断调整神经网络算法模型直到耗能估计值与目标耗能值之间的误差满足预设要求时停止;最后基于调整后的神经网络算法模型获取最优方案,最后基于主备机更新次序并通过执行最优方案进行并联空压机的能耗调控。本发明利用神经网络算法模型将数据运算后的估计值与目标值反复比对,并将模型参数调整到最合适状态,从而形成抽象经验,利用调整后的模型获取的最优方案对并联空压机系统的能耗进行调控会更加精准,从而可以指导工业企业减少用电能耗,提高工业企业的用电效率,辅助企业上层做出科学合理用电决策,节约资金,提高利润。
2、本发明通过上传云端的数据在预设时间点对并联空压机系统中空压机的主备机次序进行排序和更新,可以改变现有技术中主备机次序固定的问题,使得并联空压机系统中机器按照负荷最优排序运转,缩小了机器间老旧化差距,便于维修和保养。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (10)
1.一种基于人工智能的并联空压机能耗调控方法,其特征在于,所述方法包括:
获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
2.如权利要求1所述的方法,其特征在于,所述空压机工作相关数据包括:
空气压缩机内空气流速数据、空气压缩机外部环境的温度数据、空气压缩机不同功率数据、空气压缩机的输出端与外界大气压之间的压差数据,以及空气压缩机不同连续工作时长下的耗能数据。
3.如权利要求1所述的方法,其特征在于,所述最优方案包括:整个并联空压机系统中不同空压机的负荷情况、预计耗能情况,以及预计所耗时长。
4.如权利要求1所述的方法,其特征在于,所述调整所述神经网络算法模型参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止包括:
S31、获取所述耗能估计值与目标耗能值的差值并重复预设次数次后不断调整所述神经网络算法模型的参数,直到误差值满足预设条件时则停止;
S32、若重复调整所述神经网络算法模型参数达到预设次数后,误差无法达到预设要求,则更改所述目标耗能值,再重复步骤S31直到误差值满足预设条件时停止。
5.如权利要求1所述的方法,其特征在于,所述获取并联空压机系统中空压机的主备机更新次序包括:
在每个预设时间点对并联空压机系统中所有空压机按照其工作总耗能的大小进行升序排列,所述排列的顺序即为并联空压机系统中空压机的主备机更新次序。
6.一种基于人工智能的并联空压机能耗调控系统,其特征在于,所述系统包括:
数据获取模块,用于获取并联空压机系统中空压机的主备机更新次序,同时获取并联空压机系统中空压机工作相关数据并进行预处理;
耗能估计值获取模块,用于基于所述预处理后的空压机工作相关数据,利用神经网络算法模型获取耗能估计值;
模型调整模块,用于调整所述神经网络算法模型的参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止;
能耗调控模块,用于基于调整后的所述神经网络算法模型获取最优方案,基于所述主备机次序执行所述最优方案进行并联空压机的能耗调控。
7.如权利要求6所述的系统,其特征在于,所述空压机工作相关数据包括:
空气压缩机内空气流速数据、空气压缩机外部环境的温度数据、空气压缩机不同功率数据、空气压缩机的输出端与外界大气压之间的压差数据,以及空气压缩机不同连续工作时长下的耗能数据。
8.如权利要求6所述的系统,其特征在于,所述最优方案包括:整个并联空压机系统中不同空压机的负荷情况、预计耗能情况,以及预计所耗时长。
9.如权利要求6所述的系统,其特征在于,所述模型调整模块调整所述神经网络算法模型参数直到所述耗能估计值与目标耗能值之间的误差达到预设要求时停止包括:
S31、获取所述耗能估计值与目标耗能值的差值并重复预设次数次后不断调整所述神经网络算法模型的参数,直到误差值满足预设条件时则停止;
S32、若重复调整所述神经网络算法模型参数达到预设次数后,误差无法达到预设要求,则更改所述目标耗能值,再重复步骤S31直到误差值满足预设条件时停止。
10.如权利要求6所述的系统,其特征在于,所述获取并联空压机系统中空压机的主备机更新次序包括:
在每个预设时间点对并联空压机系统中所有空压机按照其工作总耗能的大小进行升序排列,所述排列的顺序即为并联空压机系统中空压机的主备机更新次序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353263.5A CN114893402A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的并联空压机能耗调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353263.5A CN114893402A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的并联空压机能耗调控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114893402A true CN114893402A (zh) | 2022-08-12 |
Family
ID=82715954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353263.5A Pending CN114893402A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的并联空压机能耗调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114893402A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008064490A1 (de) * | 2008-12-23 | 2010-06-24 | Kaeser Kompressoren Gmbh | Verfahren zum Steuern einer Kompressoranlage |
CN104635684A (zh) * | 2014-12-25 | 2015-05-20 | 冶金自动化研究设计院 | 一种空压机集群优化控制系统 |
JP2017198098A (ja) * | 2016-04-25 | 2017-11-02 | 三浦工業株式会社 | エアコンプレッサ分散制御システム |
CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
CN112529320A (zh) * | 2020-12-18 | 2021-03-19 | 上海应用技术大学 | 空压机集群智能诊断系统 |
CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
CN112901449A (zh) * | 2021-03-17 | 2021-06-04 | 英赛孚工业智能科技(苏州)有限公司 | 一种基于机器学习的空气压缩机系统能耗优化方法 |
-
2022
- 2022-04-06 CN CN202210353263.5A patent/CN114893402A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008064490A1 (de) * | 2008-12-23 | 2010-06-24 | Kaeser Kompressoren Gmbh | Verfahren zum Steuern einer Kompressoranlage |
CN104635684A (zh) * | 2014-12-25 | 2015-05-20 | 冶金自动化研究设计院 | 一种空压机集群优化控制系统 |
JP2017198098A (ja) * | 2016-04-25 | 2017-11-02 | 三浦工業株式会社 | エアコンプレッサ分散制御システム |
CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
WO2020140564A1 (zh) * | 2019-01-02 | 2020-07-09 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
US20200342150A1 (en) * | 2019-01-02 | 2020-10-29 | Dalian University Of Technology | Method for optimal scheduling decision of air compressor group based on simulation technology |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
CN112529320A (zh) * | 2020-12-18 | 2021-03-19 | 上海应用技术大学 | 空压机集群智能诊断系统 |
CN112901449A (zh) * | 2021-03-17 | 2021-06-04 | 英赛孚工业智能科技(苏州)有限公司 | 一种基于机器学习的空气压缩机系统能耗优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3483517B1 (en) | System and method for predicting load of and controlling subway heating, ventilation, and air conditioning system | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
TW201523174A (zh) | 智能學習節能調控系統與方法 | |
CN117093823B (zh) | 基于数据分析的工厂能源消耗管理方法 | |
CN112506162A (zh) | 一种基于数据模型和机理运算的氧化风系统控制方法 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
CN110673482A (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 | |
CN114893402A (zh) | 基于人工智能的并联空压机能耗调控方法及系统 | |
CN117217407A (zh) | 一种用于预评估电力系统碳排放量的方法、介质及装置 | |
CN113769880B (zh) | 一种基于工业大数据水泥生产原料磨系统控制指标优化方法 | |
CN106779321A (zh) | 一种基于供能系统的供能控制方法及装置 | |
CN115616993B (zh) | 基于工业机器视觉检测技术的工业设备运行管控系统 | |
CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 | |
CN110829460B (zh) | 一次调频控制方法及装置 | |
CN113198591B (zh) | 基于滚动时域估计的辊式立磨自适应预测控制系统 | |
CN114109465A (zh) | 一种矿井通风系统智能分析决策方法 | |
CN110633844B (zh) | 基于emd和ann的建筑能源系统模拟预测方法及应用 | |
CN113847232A (zh) | 基于云边协同的空压机集群运行调节方法及系统 | |
CN104866725A (zh) | 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法 | |
CN106099924B (zh) | 一种基于分项计量的负荷削减量采集计算方法 | |
CN112257278A (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 | |
CN115869745B (zh) | 一种脱硫处理方法及装置 | |
CN117674142B (zh) | 一种基于分时电量核算的电力调度方法及调度装置 | |
CN116009494A (zh) | 一种产线的冷凝隧道的控制系统及方法 | |
CN105511439A (zh) | 用于控制伺服电动机的物理信息系统及其控制方法 |
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 |