CN116205467A - 一种基于工业物联网的高效能耗管理系统及方法 - Google Patents

一种基于工业物联网的高效能耗管理系统及方法 Download PDF

Info

Publication number
CN116205467A
CN116205467A CN202310480993.6A CN202310480993A CN116205467A CN 116205467 A CN116205467 A CN 116205467A CN 202310480993 A CN202310480993 A CN 202310480993A CN 116205467 A CN116205467 A CN 116205467A
Authority
CN
China
Prior art keywords
energy consumption
equipment
devices
time
group
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.)
Granted
Application number
CN202310480993.6A
Other languages
English (en)
Other versions
CN116205467B (zh
Inventor
彭飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou Polytechnic College
Original Assignee
Yangzhou Polytechnic College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou Polytechnic College filed Critical Yangzhou Polytechnic College
Priority to CN202310480993.6A priority Critical patent/CN116205467B/zh
Publication of CN116205467A publication Critical patent/CN116205467A/zh
Application granted granted Critical
Publication of CN116205467B publication Critical patent/CN116205467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q10/06—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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于工业物联网的高效能耗管理系统及方法，涉及能耗管理技术领域。本发明包括，获取设备的能耗关于时间的历史记录；根据设备的能耗关于时间的历史记录获取具有关联关系的设备以及设备之间的关联关系；根据具有关联关系的设备之间的关联关系获取能耗趋势特征相同的设备作为能耗同步设备组；根据能耗同步设备组中设备的能耗关于时间的历史记录判断能耗同步设备组中的设备是否属于高能耗异常设备；若否则结束对能耗同步设备组的判定；若是则将能耗同步设备组内的设备划定为待检测设备；对高能耗异常设备进行检修。本发明通过实时监控用电设备的用电状态，能够对设备高能耗状态的准确预估定位，实现对高能耗设备的测试管理。

Description

一种基于工业物联网的高效能耗管理系统及方法
技术领域
本发明属于能耗管理技术领域，特别是涉及一种基于工业物联网的高效能耗管理系统及方法。
背景技术
随着工业4.0的快速发展，工业物联网（IIoT）技术得到了广泛应用。工业物联网通过将传感器、控制器、计算机等设备连接在一起，实现智能化的生产与管理。
虽然基于工业互联网的设备信息采集技术日益成熟，但是用电设备包括动力电机、热泵、电热器等复杂用电设备，变电用电设备组成复杂的非线性控制网络，难以对设备的运行用电状态进行准确的预估和管理。尤其是对设备进行能耗现场测试管理的过程中，需要检修人员在设备能耗异常状态下对设备进行现场测试，这就需要对设备的用电状态监测管理，从而对设备的高能耗状态进行准确预估定位。
在公开号为CN105717792A的专利中公开了一种基于物联网的建筑能耗管理系统及方法，其中，所述系统包括：能耗数据采集装置，用于采集建筑物中所在区域内的多种能耗数据；数据网关，用于接收所在区域内的能耗数据采集装置上传的多种能耗数据，并对所述能耗数据进行处理，得到第一数据；本地数据采集及分析服务器，用于获取所在建筑物内所有区域中数据网关的第一数据，并对所述第一数据进行分析处理，得到第二数据；远程数据中心服务器，用于获取所在建筑群内所有建筑物中本地数据采集及分析服务器的第二数据，并对第二数据进行分析，根据分析结果得到能耗控制策略。该方案依靠传感器和通过物联网对建筑能耗进行收集，并不能对异常的能耗状态进行及时现场测试。
发明内容
本发明的目的在于提供一种基于工业物联网的高效能耗管理系统及方法，通过实时监控用电设备的用电状态，能够对设备高能耗状态的准确预估定位，从而实现对高能耗设备的测试管理。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明提供一种基于工业物联网的高效能耗管理方法，包括，
获取设备的能耗关于时间的历史记录；
根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系；
根据具有关联关系的所述设备之间的关联关系获取能耗趋势特征相同的所述设备作为能耗同步设备组；
根据所述能耗同步设备组中所述设备的能耗关于时间的历史记录判断所述能耗同步设备组中的所述设备是否属于高能耗异常设备；
若否则结束对所述能耗同步设备组的判定；
若是则将所述能耗同步设备组内的所述设备划定为待检测设备；
对所述高能耗异常设备进行检修。
本发明还公开了一种基于工业物联网的高效能耗管理系统，包括，
信息读取单元，用于获取设备的能耗关于时间的历史记录；
计算单元，用于根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系；
根据具有关联关系的所述设备之间的关联关系获取能耗趋势特征相同的所述设备作为能耗同步设备组；
根据所述能耗同步设备组中所述设备的能耗关于时间的历史记录判断所述能耗同步设备组中的所述设备是否属于高能耗异常设备；
若否则结束对所述能耗同步设备组的判定；
若是则将所述能耗同步设备组内的所述设备划定为待检测设备；
检修单元，用于对所述高能耗异常设备进行检修。
本发明通过信息读取单元获取设备能耗历史记录，并通过计算单元分析设备间的关联关系。根据关联关系，系统识别出具有相同能耗趋势特征的设备组，并判断设备组内是否存在高能耗异常设备。若存在异常设备，则将其划定为待检测设备，最后由检修单元进行检修。该系统能实时监控用电设备状态，准确预估定位高能耗设备，实现对高能耗设备的有效管理。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明所述一种基于工业物联网的高效能耗管理系统于一实施例的步骤流程示意图；
图2为本发明所述步骤S2于一实施例的步骤流程示意图；
图3为本发明所述步骤S3于一实施例的步骤流程示意图；
图4为本发明所述步骤S4于一实施例的步骤流程示意图一；
图5为本发明所述步骤S4于一实施例的步骤流程示意图二；
图6为本发明所述步骤S43于一实施例的步骤流程示意图；
图7为本发明所述步骤S431于一实施例的步骤流程示意图；
图8为本发明所述步骤S45于一实施例的步骤流程示意图；
图9为本发明所述步骤S458于一实施例的步骤流程示意图；
图10为本发明所述一种基于工业物联网的高效能耗管理系统于一实施例的功能模块示意图。
附图中，各标号所代表的部件列表如下：
1-信息读取单元，2-计算单元，3-检修单元。
具体实施方式
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
对于规模以上工业企业，生产运转所需的设备数量繁多，这就导致对其的能耗检修管理是及其复杂的事情。例如对于大型化工企业，在运行过程中需要使用各种泵机、加热器、传感器、电机、机械臂、振动器、照明灯、运载器、电化学反应器等等，这些设备不仅功能不一，而且具有不同的用电特性，在其出现故障之后较大概率会出现能耗异常增加的现象，因此本方案将设备功能异常增加和设备检修进行结合，提高了海量设备的定位检修效率。具体的流程和原理参见以下方案：
请参阅图1和10所示，本发明提供了一种基于工业物联网的高效能耗管理系统，从功能模块上划分可以包括信息读取单元1、计算单元2、以及检修单元3。在这其中的信息读取单元1可以执行步骤S1获取设备的能耗关于时间的历史记录，在具体实施中信息读取单元可以是连接物联网的信息收发端。由于本方案面向的应用场景具有数量极其庞大的设备，为了对其进行实时的监控和信息交互，需要使用高速物联网技术，因此本方案需要基于物联网得以实现。
为了对信息读取单元1获取的海量数据继续计算，本方案中还需要计算单元1，在执行的过程中首先可以执行步骤S2根据设备的能耗关于时间的历史记录获取具有关联关系的设备以及设备之间的关联关系，也就是在挖掘不同设备之间响应联系。例如作为工作照明的灯具通常是具有恒定的功率，其功能关于时间的关系是恒定的。但是作为反应釜搅拌器的驱动电机则是与反应釜加热装置具有关联关系。接下来可以执行步骤S3根据具有关联关系的设备之间的关联关系获取能耗趋势特征相同的设备作为能耗同步设备组。此步骤是进一步挖掘出关联性更强的设备，之所以没有执行步骤S3是因为这一步需要消耗较多的算力，先执行算力占用较少的步骤S2是为了在整体上更加节省算力，提高解算速度。这个原理在本方案在其它部分也会使用。接下来可以执行步骤S4根据能耗同步设备组中设备的能耗关于时间的历史记录判断能耗同步设备组中的设备是否属于高能耗异常设备。在这一步中判断出哪些设备属于高能耗异常设备，指的是通常能耗正常，但是突然变高，而不是那种能耗一直很高的设备。若否接下来可以执行步骤S5则结束对能耗同步设备组的判定。若是接下来可以执行步骤S6则将能耗同步设备组内的设备划定为待检测设备。最后由检修单元3执行步骤S7对高能耗异常设备进行检修，可以是由自动化设备进行检修，也可以是人工检修。由此可见本方案通过对设备的历史能耗状态进行分析的当时查找出能耗高的异常设备，不仅能够降低整体的能耗，并且还能提高设备检修的效率。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"time"
)
type Device struct {
ID string
EnergyConsumption map[time.Time]float64
}
funcgetDeviceEnergyHistory(device *Device) map[time.Time]float64 {
return device.EnergyConsumption
}
funcfindAssociatedDevices(devices []*Device) [][]*Device {
var associatedDevices[][]*Device
return associatedDevices
}
funcfindEnergySyncDeviceGroups(associatedDevices [][]*Device) [][]*Device {
var energySyncDeviceGroups[][]*Device
return energySyncDeviceGroups
}
funcisHighEnergyConsumptionDevice(deviceGroup []*Device) bool {
return false
}
funcinspectAndRepair(device *Device) {
fmt.Printf("Inspecting and repairing device: %s\n", device.ID)
}
funcmain() {
// 示例设备列表
devices := []*Device{
{ID: "Device1", EnergyConsumption: make(map[time.Time]float64)},
{ID: "Device2", EnergyConsumption: make(map[time.Time]float64)},
{ID: "Device3", EnergyConsumption: make(map[time.Time]float64)},
}
// 获取设备能耗历史记录
for _, device := range devices {
getDeviceEnergyHistory(device)
}
// 查找具有关联关系的设备
associatedDevices := findAssociatedDevices(devices)
// 获取能耗同步设备组
energySyncDeviceGroups := findEnergySyncDeviceGroups(associatedDevices)
// 判断设备组中的设备是否属于高能耗异常设备
for _, deviceGroup := range energySyncDeviceGroups {
if isHighEnergyConsumptionDevice(deviceGroup) {
for _, device := range deviceGroup {
inspectAndRepair(device)
}
} else {
fmt.Println("No high energy consumption devicesfound in thisgroup.")
}
}
}
请参阅图2所示，对于在响应时间上没有延迟的多个设备之间，其能耗变化通常是同步的，依靠此特性上述步骤S2在实施的过程中首先可以执行步骤S21根据每个设备的能耗关于时间的历史记录获取每个设备能耗变化的时刻和/或时间段，最后可以执行步骤S26将能耗变化的时刻和/或时间段相同的设备作为具有关联关系的设备。
但是还有一些设备之间的响应关系是延迟的，为了发掘出这些有关联的设备，上述步骤S2在实施的过程中还可以执行步骤S22获取设备的能耗变化的时刻和/或时间段在时间轴上的分布。接下来可以执行步骤S23设定时长固定的窗口时间段，接下来可以执行步骤S24将窗口时间段在时间轴上滑动。接下来可以执行步骤S25在窗口时间段在时间轴上滑动的过程中，记录每个设备的能耗变化的时刻和/或时间段在时间轴上的分布位于窗口时间段的时长关于窗口时间段移动状态的关系。最后可以执行步骤S26在窗口时间段在时间轴上滑动的全过程中，将能耗变化的时刻和/或时间段在时间轴上的分布位于窗口时间段的时长存在相同状态的设备作为具有关联关系的设备。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"time"
)
type Device struct {
ID string
EnergyConsumption map[time.Time]float64
}
funcgetWindowTimestamps(startTime, endTimetime.Time, windowDuration,stepDurationtime.Duration) []time.Time {
var windowTimestamps[]time.Time
for current := startTime; current.Before(endTime); current =current.Add(stepDuration) {
windowTimestamps = append(windowTimestamps, current)
}
return windowTimestamps
}
funcfindAssociatedDevices(devices []*Device, windowDuration,stepDurationtime.Duration)[][]*Device {
deviceGroups := make(map[time.Time][]*Device)
for _, device := range devices {
for timestamp := range device.EnergyConsumption {
for _, windowTimestamp := rangegetWindowTimestamps(timestamp,timestamp.Add(windowDuration), windowDuration,stepDuration) {
deviceGroups[windowTimestamp]= append(deviceGroups[windowTimestamp], device)
}
}
}
var associatedDevices[][]*Device
for _, group := range deviceGroups {
associatedDevices = append(associatedDevices, group)
}
return associatedDevices
}
funcmain() {
devices := []*Device{
{ID: "Device1", EnergyConsumption: make(map[time.Time]float64)},
{ID: "Device2", EnergyConsumption: make(map[time.Time]float64)},
{ID: "Device3", EnergyConsumption: make(map[time.Time]float64)},
}
windowDuration := 1 * time.Hour
stepDuration := 30 * time.Minute
associatedDevices := findAssociatedDevices(devices,windowDuration, stepDuration)
for i, deviceGroup := range associatedDevices {
fmt.Printf("Device group %d:\n", i+1)
for _, device := range deviceGroup {
fmt.Printf(" - %s\n", device.ID)
}
}
}
请参阅图4所示，关联关系更加紧密的设备之间通常在能耗上具有跟随性，例如反应釜的搅拌驱动电机能耗增加，加热装置的能和也会增加，但是由于工艺问题加热有可能是是迟滞于搅拌的，为了找出功耗上存在上述关系的设备，上述步骤S3在执行的过程中首先可以执行步骤S31根据设备的能耗关于时间的历史记录得到每个设备的能耗关于时间的函数。接下来可以执行步骤S32获取每个设备的能耗关于时间的一阶导函数。接下来可以执行步骤S33获取每个设备的能耗关于时间的一阶导函数的正值区间和负值区间的长度。对于每个设备，接下来可以执行步骤S34将设备的能耗关于时间的一阶导函数的正值区间和负值区间的长度按照时间顺序排列得到增降时间序列。最后可以执行步骤S35将增降时间序列具有重叠部分的设备纳入同一个能耗同步设备组。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"math"
"sort"
"time"
)
type Device struct {
ID string
EnergyConsumption map[time.Time]float64
}
type TimeInterval struct {
Start, End time.Time
}
funcderivative(device *Device) map[time.Time]float64 {
derivatives := make(map[time.Time]float64)
var timestamps []time.Time
for timestamp := range device.EnergyConsumption {
timestamps = append(timestamps, timestamp)
}
sort.Slice(timestamps, func(i, j int) bool {
return timestamps[i].Before(timestamps[j])
})
for i := 1; i<len(timestamps); i++ {
deltaT := timestamps[i].Sub(timestamps[i-1]).Hours()
deltaE := device.EnergyConsumption[timestamps[i]]-device.EnergyConsumption[timestamps[i-1]]
derivatives[timestamps[i]]= deltaE / deltaT
}
return derivatives
}
funcfindEnergySyncDeviceGroups(devices []*Device) [][]*Device {
deviceGroups := make(map[TimeInterval][]*Device)
for _, device := range devices {
derivatives := derivative(device)
var positiveIntervals, negativeIntervals[]TimeInterval
var startTimestamptime.Time
positive := false
for timestamp, value := range derivatives {
if value>0&&!positive {
positive = true
startTimestamp = timestamp
} else if value<0&&positive {
positive = false
interval := TimeInterval{startTimestamp,timestamp}
positiveIntervals = append(positiveIntervals, interval)
}
if value<0&&!negative {
negative = true
startTimestamp = timestamp
} else if value>0&&negative {
negative = false
interval := TimeInterval{startTimestamp,timestamp}
negativeIntervals = append(negativeIntervals, interval)
}
}
intervals := append(positiveIntervals,negativeIntervals...)
for _, interval := range intervals {
deviceGroups[interval]= append(deviceGroups[interval], device)
}
}
var energySyncDeviceGroups[][]*Device
for _, group := range deviceGroups {
if len(group)>1 {
energySyncDeviceGroups = append(energySyncDeviceGroups, group)
}
}
return energySyncDeviceGroups
}
funcmain() {
devices := []*Device{
{ID: "Device1", EnergyConsumption: map[time.Time]float64{
time.Date(2023, 1, 1, 0, 0, 0, 0, time.UTC): 10,
time.Date(2023, 1, 1, 1, 0, 0, 0, time.UTC): 20,
time.Date(2023, 1, 1, 2, 0, 0, 0, time.UTC): 30,
请参阅图5所示，对异常高能耗设备的分析同样是需要消耗较大的算力资源，为了缩减运算量可以将性质相同或相似的设备选择一部分作为样本设备进行判断，具体在实施的过程中首先可以执行步骤S41根据设备的能耗关于时间的历史记录得到每个设备能耗的总量和波动率。接下来可以执行步骤S42将能耗的总量和波动率作为对应的设备的量化标签。接下来可以执行步骤S43根据设备的量化标签得到能耗状态趋同的多个设备作为能耗趋同设备分组。接下来可以执行步骤S44在每个能耗趋同设备分组内抽取若干个设备作为样本设备。接下来可以执行步骤S45根据样本设备的能耗关于时间历史记录得到样本设备的常规能耗区间。接下来可以执行步骤S46判断样本设备的常规能耗区间是否大于设计功率值。若是，则接下来可以执行步骤S47将样本设备对应的能耗趋同设备分组内的设备纳入高能耗异常设备；若否，则最后可以执行步骤S48不进行处理。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"math"
"time"
)
type Device struct {
ID string
EnergyConsumption map[time.Time]float64
}
type EnergySyncDeviceGroup struct {
Devices []*Device
SampleDevice *Device
}
funcgetTotalEnergyAndFluctuation(device *Device) (float64, float64) {
totalEnergy := 0.0
fluctuation := 0.0
var timestamps []time.Time
for timestamp := range device.EnergyConsumption {
timestamps = append(timestamps, timestamp)
}
for i := 1; i<len(timestamps); i++ {
totalEnergy += device.EnergyConsumption[timestamps[i]]
fluctuation += math.Abs(device.EnergyConsumption[timestamps[i]]- device.EnergyConsumption[timestamps[i-1]])
}
fluctuation /= float64(len(timestamps) - 1)
return totalEnergy, fluctuation
}
funccreateEnergySyncDeviceGroups(devices []*Device)[]*EnergySyncDeviceGroup {
return nil
}
funcextractSampleDevices(groups []*EnergySyncDeviceGroup) {
}
funcgetNormalEnergyRange(sampleDevice *Device) (float64, float64) {
return 0, 0
}
funcmain() {
devices := []*Device{
}
for _, device := range devices {
totalEnergy, fluctuation := getTotalEnergyAndFluctuation(device)
fmt.Printf("Device %s: total energy=%.2f, fluctuation=%.2f\n",device.ID, totalEnergy, fluctuation)
}
energySyncDeviceGroups := createEnergySyncDeviceGroups(devices)
extractSampleDevices(energySyncDeviceGroups)
designPowerValue := 100.0
highEnergyAbnormalDevices := make([]*Device, 0)
for _, group := range energySyncDeviceGroups {
sampleDevice := group.SampleDevice
normalEnergyMin, normalEnergyMax := getNormalEnergyRange(sampleDevice)
if normalEnergyMax>designPowerValue {
for _, device := range group.Devices {
highEnergyAbnormalDevices = append(highEnergyAbnormalDevices, device)
}
}
}
fmt.Println("High energy abnormal devices:")
for _, device := range highEnergyAbnormalDevices {
fmt.Println(device.ID)
}
}
请参阅图6所示，为了实现将功能特征相同或近似的设备划入同一个分组内，上述的步骤S43在实施的过程中首先可以执行步骤S431在同一个能耗同步设备组中挑选出若干个设备作为核心设备。接下来可以执行步骤S432获取核心设备与其它设备的量化标签的差值，在这其中，将两个设备对应的能耗的总量和波动率作为两个向量相减后的模长作为量化标签的差值。接下来可以执行步骤S433根据核心设备与其它设备的量化标签的差值得到与每个其它设备量化标签的差值最小的核心设备。接下来可以执行步骤S434将其它设备与量化标签的差值最小的核心设备划入同一个能耗趋同设备分组。接下来可以执行步骤S435获取同一个能耗趋同设备分组内全部设备的量化标签的均值。接下来可以执行步骤S436在同一个能耗趋同设备分组内获取与全部设备的量化标签的均值的差值最小的设备作为更新后的核心设备。接下来可以执行步骤S437持续更新核心设备直至核心设备不再发生改变。最后可以执行步骤S438得到由核心设备和其它设备组成的能耗趋同设备分组。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"math"
"time"
)
type Device struct {
ID string
EnergyConsumption map[time.Time]float64
TotalEnergy float64
Fluctuation float64
}
type EnergyTrendDeviceGroup struct {
Devices []*Device
CoreDevices []*Device
MeanTotalEnergy float64
MeanFluctuation float64
}
funcupdateCoreDevices(group *EnergyTrendDeviceGroup) {
updated := false
for _, device := range group.Devices {
minDiff := math.MaxFloat64
minCoreDevice := group.CoreDevices[0]
for _, coreDevice := range group.CoreDevices {
diff := math.Sqrt(math.Pow(device.TotalEnergy-coreDevice.TotalEnergy, 2) +math.Pow(device.Fluctuation-coreDevice.Fluctuation, 2))
if diff<minDiff {
minDiff = diff
minCoreDevice = coreDevice
}
}
if device != minCoreDevice {
group.CoreDevices = append(group.CoreDevices,device)
updated = true
}
}
if updated {
updateCoreDevices(group)
}
}
funcmain() {
devices := []*Device{
}
energyTrendDeviceGroup :=&EnergyTrendDeviceGroup{
Devices: devices,
}
updateCoreDevices(energyTrendDeviceGroup)
fmt.Println("Energy trend device group:")
for _, device := range energyTrendDeviceGroup.Devices {
fmt.Printf("Device %s: total energy=%.2f, fluctuation=%.2f\n",device.ID, device.TotalEnergy, device.Fluctuation)
}
}
请参阅图7所示，由于同一个能耗同步设备组中可能具有很多设备，为了缩短步骤S431到步骤S438的执行收敛时间，需要选择较为合适的核心设备，因此在同一个能耗同步设备组中，上述的步骤S431首先可以执行步骤S4311获取每个设备的位置。接下来可以执行步骤S4312根据全部设备的位置得到若干个设备位置聚集区，接下来可以执行步骤S4313获取每个设备位置聚集区的密度中心。最后可以执行步骤S4314将距离密度中心最近的设备作为核心设备。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"math"
)
type Device struct {
ID string
Position Position
}
type Position struct {
X float64
Y float64
}
type Cluster struct {
Devices []*Device
Center Position
}
funcdistance(a, b Position) float64 {
return math.Sqrt(math.Pow(a.X-b.X, 2) + math.Pow(a.Y-b.Y, 2))
}
funcfindClosestDevice(devices []*Device, center Position) *Device {
minDistance := math.MaxFloat64
closestDevice := devices[0]
for _, device := range devices {
d := distance(device.Position, center)
if d<minDistance {
minDistance = d
closestDevice = device
}
}
return closestDevice
}
funcmain() {
devices := []*Device{
}
clusters := []*Cluster{
}
for _, cluster := range clusters {
coreDevice := findClosestDevice(cluster.Devices,cluster.Center)
fmt.Printf("Core device for cluster with center (%.2f,%.2f): %s\n",cluster.Center.X, cluster.Center.Y, coreDevice.ID)
}
}
请参阅图8所示，一个设备可能会在多个常规工况下运行，例如泵机通常具有多个常规应用转速，这也就使得设备具有若干个能耗值的密集分布区，根据此原理，上述的步骤S45在实施的过程中首先可以执行步骤S451在样本设备的能耗关于时间历史记录中间隔均匀时间选取多个时间点以及对应的能耗值。接下来可以执行步骤S452剔除选取出来的多个能耗值的异常值，接下来可以执行步骤S453在选取出来的多个能耗值中选取出若干个中心能耗值。接下来可以执行步骤S454获取其它选取出来的能耗值与中心能耗值的差值。接下来可以执行步骤S455将其它选取出来的能耗值与差值最小的中心能耗值划入同一个能耗值分组。接下来可以执行步骤S456获取同一个能耗值分组中能耗值的中位数作为更新后的中心能耗值。接下来可以执行步骤S457持续更新中心能耗值直至中心能耗值和能耗值分组不再发生改变。最后可以执行步骤S458将得到若干个能耗值分组中能耗值的分布区间作为样本设备的常规能耗区间。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"sort"
"math"
)
type EnergySample struct {
Time int64
Value float64
}
funcremoveOutliers(samples []EnergySample) []EnergySample {
return samples
}
funccalculateMedian(samples []EnergySample) float64 {
sort.Slice(samples, func(i, j int) bool {
return samples[i].Value<samples[j].Value
})
n := len(samples)
if n%2 == 0 {
return (samples[n/2-1].Value + samples[n/2].Value) / 2
}
return samples[n/2].Value
}
funcmain() {
sampleDevices := []EnergySample{
}
samples := removeOutliers(sampleDevices)
changed := true
for changed {
changed = false
median := calculateMedian(samples)
}
}
请参阅图9所示，为了得到更为准确的样本设备的常规能耗区间，需要考虑能耗值分组中能耗值的分布区间内两端单个能耗值对区间范围计算的影响问题。为了修正此问题，对于每个能耗值分组，上述的步骤S458在实施的过程中首先可以执行步骤S4581获取能耗值分组中能耗值的最大值和最小值，记为最大能耗值和最小能耗值。接下来可以执行步骤S4582分别获取最大能耗值和最小能耗值与相邻若干个能耗值的平均差值。接下来可以执行步骤S4583将能耗值分组中最大值与相邻若干个能耗值的平均差值作为能耗值分组中能耗值的分布区间的最大值增加扩展区间。接下来可以执行步骤S4584将能耗值分组中最小值与相邻若干个能耗值的平均差值作为能耗值分组中能耗值的分布区间的最小值增加扩展区间。接下来可以执行步骤S4585根据能耗值分组中能耗值的分布区间的最大值增加扩展区间以及能耗值分组中能耗值的分布区间的最小值增加扩展区间对能耗值分组中能耗值的分布区间进行扩充，得到样本设备的常规能耗子区间。最后可以执行步骤S4586将若干个能耗值分组对应的常规能耗子区间进行组合得到样本设备的常规能耗子区间。
上述步骤在具体实施的过程中可以通过以下代码实现：
package main
import (
"fmt"
"sort"
"math"
)
type EnergySample struct {
Time int64
Value float64
}
type EnergyGroup struct {
Samples []EnergySample
}
type RegularEnergyInterval struct {
Min float64
Max float64
}
funcexpandEnergyGroup(group EnergyGroup) RegularEnergyInterval {
sort.Slice(group.Samples, func(i, j int) bool {
return group.Samples[i].Value<group.Samples[j].Value
})
minEnergy := group.Samples[0].Value
maxEnergy := group.Samples[len(group.Samples)-1].Value
var minDiffSum float64
for i := 1; i<len(group.Samples); i++ {
minDiffSum += group.Samples[i].Value - group.Samples[i-1].Value
}
minDiffAvg := minDiffSum / float64(len(group.Samples)-1)
minEnergy -= minDiffAvg
maxEnergy += minDiffAvg
return RegularEnergyInterval{Min: minEnergy, Max: maxEnergy}
}
funcmain() {
energyGroups := []EnergyGroup{
}
var regularEnergyIntervals[]RegularEnergyInterval
for _, group := range energyGroups {
expandedInterval := expandEnergyGroup(group)
regularEnergyIntervals = append(regularEnergyIntervals,expandedInterval)
}
}
综上所述，本发明通过信息读取单元获取设备能耗历史记录，并通过计算单元分析设备间的关联关系。根据关联关系，系统识别出具有相同能耗趋势特征的设备组，并判断设备组内是否存在高能耗异常设备。若存在异常设备，则将其划定为待检测设备，最后由检修单元进行检修。该系统能实时监控用电设备状态，准确预估定位高能耗设备，实现对高能耗设备的有效管理。
本发明所示实施例的上述描述（包括在说明书摘要中的内容）并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例，但是正如本领域技术人员将认识和理解的，各种等效修改是可以在本发明的精神和范围内的。如所指出的，可以按照本发明实施例的上述描述来对本发明进行这些修改，并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外，已经给出了各种具体细节以提供本发明实施例的总体理解。然而，相关领域的技术人员将会认识到，本发明的实施例可以在没有一个或多个具体细节的情况下进行实践，或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下，并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而，尽管本发明在本文已参照其具体实施例进行描述，但是修改自由、各种改变和替换意在上述公开内，并且应当理解，在某些情况下，在未背离所提出发明的范围和精神的前提下，在没有对应使用其他特征的情况下将采用本发明的一些特征。因此，可以进行许多修改，以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例，但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而，本发明的范围将只由所附的权利要求书进行确定。

Claims (10)

1.一种基于工业物联网的高效能耗管理方法，其特征在于，包括，
获取设备的能耗关于时间的历史记录；
根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系；
根据具有关联关系的所述设备之间的关联关系获取能耗趋势特征相同的所述设备作为能耗同步设备组；
根据所述能耗同步设备组中所述设备的能耗关于时间的历史记录判断所述能耗同步设备组中的所述设备是否属于高能耗异常设备；
若否则结束对所述能耗同步设备组的判定；
若是则将所述能耗同步设备组内的所述设备划定为待检测设备；
对所述高能耗异常设备进行检修。
2.根据权利要求1所述的方法，其特征在于，所述根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系的步骤，包括，
根据每个设备的能耗关于时间的历史记录获取每个设备能耗变化的时刻和/或时间段；
将能耗变化的时刻和/或时间段相同的所述设备作为具有关联关系的所述设备。
3.根据权利要求2所述的方法，其特征在于，根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系的步骤，还包括，
获取所述设备的能耗变化的时刻和/或时间段在时间轴上的分布；
设定时长固定的窗口时间段；
将所述窗口时间段在时间轴上滑动；
在所述窗口时间段在时间轴上滑动的过程中，记录每个所述设备的能耗变化的时刻和/或时间段在时间轴上的分布位于所述窗口时间段的时长关于窗口时间段移动状态的关系；
在所述窗口时间段在时间轴上滑动的全过程中，将能耗变化的时刻和/或时间段在时间轴上的分布位于所述窗口时间段的时长存在相同状态的所述设备作为具有关联关系的所述设备。
4.根据权利要求1所述的方法，其特征在于，所述根据具有关联关系的所述设备之间的关联关系获取能耗趋势特征相同的所述设备作为能耗同步设备组的步骤，包括，
在具有关联关系的多个所述设备之间，
根据所述设备的能耗关于时间的历史记录得到每个设备的能耗关于时间的函数；
获取每个设备的能耗关于时间的一阶导函数；
获取每个设备的能耗关于时间的一阶导函数的正值区间和负值区间的长度；
对于每个设备，将所述设备的能耗关于时间的一阶导函数的正值区间和负值区间的长度按照时间顺序排列得到增降时间序列；
将所述增降时间序列具有重叠部分的所述设备纳入同一个所述能耗同步设备组。
5.根据权利要求1所述的方法，其特征在于，所述根据所述能耗同步设备组中所述设备的能耗关于时间的历史记录判断所述能耗同步设备组中的所述设备是否属于高能耗异常设备的步骤，包括，
在同一个所述能耗同步设备组中，
根据所述设备的能耗关于时间的历史记录得到每个设备能耗的总量和波动率；
将能耗的总量和波动率作为对应的所述设备的量化标签；
根据所述设备的量化标签得到能耗状态趋同的多个设备作为能耗趋同设备分组；
在每个能耗趋同设备分组内抽取若干个设备作为样本设备；
根据所述样本设备的能耗关于时间历史记录得到所述样本设备的常规能耗区间；
判断所述样本设备的常规能耗区间是否大于设计功率值；
若是，则将所述样本设备对应的所述能耗趋同设备分组内的所述设备纳入高能耗异常设备；
若否，则不进行处理。
6.根据权利要求5所述的方法，其特征在于，所述根据所述设备的量化标签得到能耗状态趋同的多个设备作为能耗趋同设备分组的步骤，包括，
在同一个所述能耗同步设备组中挑选出若干个设备作为核心设备；
获取核心设备与其它设备的量化标签的差值，其中，将两个所述设备对应的能耗的总量和波动率作为两个向量相减后的模长作为量化标签的差值；
根据核心设备与其它设备的量化标签的差值得到与每个其它设备量化标签的差值最小的核心设备；
将其它设备与量化标签的差值最小的核心设备划入同一个能耗趋同设备分组；
获取同一个能耗趋同设备分组内全部所述设备的量化标签的均值；
在同一个能耗趋同设备分组内获取与全部所述设备的量化标签的均值的差值最小的所述设备作为更新后的核心设备；
持续更新所述核心设备直至所述核心设备不再发生改变；
得到由核心设备和其它设备组成的能耗趋同设备分组。
7.根据权利要求6所述的方法，其特征在于，所述在同一个所述能耗同步设备组中挑选出若干个设备作为核心设备的步骤，包括，
在同一个所述能耗同步设备组中，
获取每个设备的位置；
根据全部设备的位置得到若干个设备位置聚集区；
获取每个设备位置聚集区的密度中心；
将距离密度中心最近的设备作为核心设备。
8.根据权利要求5所述的方法，其特征在于，所述根据所述样本设备的能耗关于时间历史记录得到所述样本设备的常规能耗区间的步骤，包括，
在所述样本设备的能耗关于时间历史记录中间隔均匀时间选取多个时间点以及对应的能耗值；
剔除选取出来的多个能耗值的异常值；
在选取出来的多个能耗值中选取出若干个中心能耗值；
获取其它选取出来的能耗值与所述中心能耗值的差值；
将其它选取出来的能耗值与差值最小的所述中心能耗值划入同一个能耗值分组；
获取同一个所述能耗值分组中能耗值的中位数作为更新后的中心能耗值；
持续更新所述中心能耗值直至所述中心能耗值和能耗值分组不再发生改变；
将得到若干个能耗值分组中能耗值的分布区间作为所述样本设备的常规能耗区间。
9.根据权利要求8所述的方法，其特征在于，所述将得到若干个能耗值分组中能耗值的分布区间作为所述样本设备的常规能耗区间的步骤，包括，
对于每个能耗值分组，
获取所述能耗值分组中能耗值的最大值和最小值，记为最大能耗值和最小能耗值；
分别获取所述最大能耗值和最小能耗值与相邻若干个能耗值的平均差值；
将所述能耗值分组中最大值与相邻若干个能耗值的平均差值作为所述能耗值分组中能耗值的分布区间的最大值增加扩展区间；
将所述能耗值分组中最小值与相邻若干个能耗值的平均差值作为所述能耗值分组中能耗值的分布区间的最小值增加扩展区间；
根据所述能耗值分组中能耗值的分布区间的最大值增加扩展区间以及所述能耗值分组中能耗值的分布区间的最小值增加扩展区间对所述能耗值分组中能耗值的分布区间进行扩充，得到所述样本设备的常规能耗子区间；
将若干个所述能耗值分组对应的所述常规能耗子区间进行组合得到所述样本设备的常规能耗子区间。
10.一种基于工业物联网的高效能耗管理系统，其特征在于，包括，
信息读取单元，用于获取设备的能耗关于时间的历史记录；
计算单元，用于根据所述设备的能耗关于时间的历史记录获取具有关联关系的所述设备以及所述设备之间的关联关系；
根据具有关联关系的所述设备之间的关联关系获取能耗趋势特征相同的所述设备作为能耗同步设备组；
根据所述能耗同步设备组中所述设备的能耗关于时间的历史记录判断所述能耗同步设备组中的所述设备是否属于高能耗异常设备；
若否则结束对所述能耗同步设备组的判定；
若是则将所述能耗同步设备组内的所述设备划定为待检测设备；
检修单元，用于对所述高能耗异常设备进行检修。
CN202310480993.6A 2023-04-28 2023-04-28 一种基于工业物联网的高效能耗管理系统及方法 Active CN116205467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310480993.6A CN116205467B (zh) 2023-04-28 2023-04-28 一种基于工业物联网的高效能耗管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310480993.6A CN116205467B (zh) 2023-04-28 2023-04-28 一种基于工业物联网的高效能耗管理系统及方法

Publications (2)

Publication Number Publication Date
CN116205467A true CN116205467A (zh) 2023-06-02
CN116205467B CN116205467B (zh) 2023-07-11

Family

ID=86513268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310480993.6A Active CN116205467B (zh) 2023-04-28 2023-04-28 一种基于工业物联网的高效能耗管理系统及方法

Country Status (1)

Country Link
CN (1) CN116205467B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372412A (zh) * 2016-08-31 2017-02-01 北京可视化节能科技股份有限公司 联动设备能效分析系统
CN106597862A (zh) * 2016-12-13 2017-04-26 山东建筑大学 基于关联规则挖掘的建筑能耗控制装置及方法
CN111832859A (zh) * 2019-04-18 2020-10-27 万洲电气股份有限公司 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统
CN112150311A (zh) * 2020-09-09 2020-12-29 日立楼宇技术（广州）有限公司 能耗异常状态检测方法、装置、计算机设备和存储介质
CN114879619A (zh) * 2022-05-25 2022-08-09 佛山市利铭蜂窝复合材料有限公司 数字车间能源优化方法及系统
CN114967887A (zh) * 2022-08-01 2022-08-30 中国工业互联网研究院 基于工业智能的能耗管理方法、装置、设备及存储介质
CN115858281A (zh) * 2022-11-22 2023-03-28 中通服和信科技有限公司 一种基于物联网的能耗管理系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372412A (zh) * 2016-08-31 2017-02-01 北京可视化节能科技股份有限公司 联动设备能效分析系统
CN106597862A (zh) * 2016-12-13 2017-04-26 山东建筑大学 基于关联规则挖掘的建筑能耗控制装置及方法
CN111832859A (zh) * 2019-04-18 2020-10-27 万洲电气股份有限公司 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统
CN112150311A (zh) * 2020-09-09 2020-12-29 日立楼宇技术（广州）有限公司 能耗异常状态检测方法、装置、计算机设备和存储介质
CN114879619A (zh) * 2022-05-25 2022-08-09 佛山市利铭蜂窝复合材料有限公司 数字车间能源优化方法及系统
CN114967887A (zh) * 2022-08-01 2022-08-30 中国工业互联网研究院 基于工业智能的能耗管理方法、装置、设备及存储介质
CN115858281A (zh) * 2022-11-22 2023-03-28 中通服和信科技有限公司 一种基于物联网的能耗管理系统及方法

Also Published As

Publication number Publication date
CN116205467B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN110350528B (zh) 一种低压台区拓扑自动辨识方法
CN110288136B (zh) 风电功率多步预测模型建立方法
CN113325308B (zh) 一种用于数据中心的供电故障检测方法
CN113193881A (zh) 一种基于hplc深化应用的智能化功能验证检测方法
CN111131417A (zh) 一种变电站计量监测分析系统及方法
CN115833402B (zh) 基于电力调度人工智能网络命令管理及下发系统
CN112287531B (zh) 一种考虑台风影响的海上风电场多状态可靠性获取方法
CN111767003A (zh) 一种基于不同工况的采掘设备传感器数据自适应采集方法
CN116205467B (zh) 一种基于工业物联网的高效能耗管理系统及方法
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
CN117374978B (zh) 结合知识图谱构建的并网调度管理方法及系统
CN102109551A (zh) 机台能耗与产能检测系统及方法
CN105072056A (zh) 一种交换机自动巡检系统及其巡检方法
CN117154945A (zh) 基于云计算技术的变配电站智能监测方法
CN111861181A (zh) 一种数字能源产品智造生产系统及生产线制定方法
CN116050788A (zh) 一种工业智能排产管理系统
CN112350898A (zh) 一种微服务应用全链路性能实时监测系统及其检测方法
CN116245502B (zh) 一种基于数字孪生的变压器设备虚实交互运检方法和系统
CN116542510B (zh) 船舶电气调试流程的优化配置方法
CN115935289B (zh) 一种站域多态数据融合方法
CN114414938B (zh) 一种配电网故障的动态响应方法及系统
CN117793106B (zh) 一种智能网关、物联网数据采集方法及物联网系统
CN113158552B (zh) 基于时间序列的生物反应器运行状况分级预测方法及系统
CN115269580A (zh) 电力运行多维数据存储及优化处理分析故障薄弱点方法
CN114378835B (zh) 一种基于图像识别的机器手控制系统及其控制方法

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230602

Assignee: NANJING SHANGGU NETWORK TECHNOLOGY CO.,LTD.

Assignor: Yangzhou Vocational University (Yangzhou Open University)

Contract record no.: X2023980043342

Denomination of invention: An Efficient Energy Consumption Management System and Method Based on the Industrial Internet of Things

Granted publication date: 20230711

License type: Exclusive License

Record date: 20231013