CN117113006A - 一种数字能源空压站的数据管理系统及其方法 - Google Patents
一种数字能源空压站的数据管理系统及其方法 Download PDFInfo
- Publication number
- CN117113006A CN117113006A CN202311148580.4A CN202311148580A CN117113006A CN 117113006 A CN117113006 A CN 117113006A CN 202311148580 A CN202311148580 A CN 202311148580A CN 117113006 A CN117113006 A CN 117113006A
- Authority
- CN
- China
- Prior art keywords
- data
- air compression
- compression station
- clustering
- task
- 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
- 230000006835 compression Effects 0.000 title claims abstract description 112
- 238000007906 compression Methods 0.000 title claims abstract description 112
- 238000013523 data management Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000013499 data model Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000005265 energy consumption Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract description 6
- 239000012535 impurity Substances 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000007621 cluster analysis Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 238000009776 industrial production Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种数字能源空压站的数据管理系统及其方法,属于数据管理技术领域,包括以下步骤:采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据;将采集到的空压站数据传输至云平台,并对空压站数据进行预处理、清洗和整合,从而建立数据模型;根据建立的数据模型,利用云平台数据分析工具,对采集到的能源数据进行分析和处理;根据数据处理结果,制定优化能源利用效率的综合措施。通过分级采集空压站的相关数据,并建立数学模型,针对数据采集的特性信息进行分析,对完成采集的空压站数据进行类型划分存储,通过对数据的规范和清洗,有效的解决了因格式错误、数据异常等多方面杂质导致的数据处理困难的问题。
Description
技术领域
本发明属于数据管理技术领域,具体地,涉及一种数字能源空压站的数据管理系统及其方法。
背景技术
工业生产数据管理是指对工业生产过程中对所产生的各种数据进行采集、整理、分析和利用的过程,目的是为了帮助企业更好的掌握生产过程、提高生产效率、降低成本、提高质量以及优化生产流程等。
工业生产数据管理是一个系统性的过程,需要采用多种方法和工具进行管理和分析,从而实现对生产过程的全面掌握和优化。大数据以容量大、类型多、存取速度快和应用价值高为主要特征的数据集合,最早应用于I T行业,目前正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析,而无线传感器网络可以看成是由数据获取网络、数据颁布网络和控制管理中心三部分组成,主要组成部分是集成有传感器、处理单元和通信模块的节点,各节点通过协议自组成一个分布式网络,再将采集来的数据通过优化后经无线电波传输给信息处理中心。
但在现有技术中的工业生产加工过程,难以根据工业生产流程进行数据管理,既无法针对数据采集的特性信息进行分析,且不能够对完成采集的空压站数据进行类型划分存储,以至于工业生产数据管理效率低,此外也不能够将工业生产数据进行存储监管,造成实时存储资源分配不合理。
发明内容
为解决上述背景技术中存在的无法针对数据采集的特性信息进行分析,并且不能够对完成采集的空压站数据进行类型划分存储的技术问题,本发明提供了一种数字能源空压站的数据管理方法,包括以下步骤:
采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据;
将采集到的空压站数据传输至云平台,并对空压站数据进行预处理、清洗和整合,从而建立数据模型;
根据建立的数据模型,利用云平台数据分析工具,对采集到的能源数据进行分析和处理;
根据数据处理结果,制定优化能源利用效率的综合措施,包括:
通过对空压站的设备运行参数对空压站设备的压力、温度进行调整;
通过安装热回收装置、余压发电装置,将回收的能量再次利用;
采用智能化控制系统,对空压站的设备进行调度和控制。
进一步的,所述建立数据模型具体包括以下步骤:
收集目标空压站的数据,并进行数据整合以及数据转换;
通过去重、缺失值处理、异常值处理,对目标空压站数据进行数据清洗及预处理;
对采集到的空压站数据进行数据的特性信息进行分析并划分类型,根据数据类型之间的层次关系来定义数据模型;
根据数据的特性进行似性度量,并将数据对象在特征空间中进行划分;
对似性度量后的数据进行聚类分析,得到聚类结果。
进一步的,根据数据的特性进行似性度量具体包括以下步骤:
将空压站数据统一到相同的维数下,根据空压站的数据类型,确定相似度度量的目标;
对空压站数据进行归一化处理,将数据映射到同一范围内,对各个特征属性统一;
基于曼和顿距离对空压站数据之间进行相似度计算,得到相似度值;
对得到的相似度值进行归一化处理,将所有的相似度值映射到0-1之间,从而进行数据分类和处理;
根据得到的相似度值,生成相似度矩阵,从而计算相似度矩阵中的聚类结果;
对于生成的相似度矩阵进行评估,通过K-means聚类方法得到最终的聚类结果。
进一步的,通过K-means聚类方法得到最终的聚类结果,具体包括以下步骤:
随机选择K个样本点作为聚类中心;
使用曼哈顿距离对每个样本点到聚类中心的距离进行计算,然后根据样本点到聚类中心的距离进行归类,将样本点归类到与聚类中心距离最近的聚类中心所在的簇中;
对于每个簇,重新计算其中所有样本的均值,并将其作为簇的新聚类中心;
重复计算样本点到聚类中心的距离,并更新新聚类中心,直至聚类中心稳定不变,从而认为该聚类结果为最终的聚类结果。
进一步的,采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据具体为:
通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算。
进一步的,通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算,具体包括以下步骤:
计算任务采用的三参数模型描述每个计算任务:输入数据大小、计算强度和完成期限,将γm∈[0,λmax]表示为需要卸载的任务m的输入数据大小,其中λmax是最大可能的输入数据大小,设γm∈[0,γmax]表示最大值γmax的任务m的计算强度,以每比特CPU周期为单位,表示计算一比特输入数据需要多少个CPU周期,此外,将Dmax表示为任务m的完成截止时间,以秒为单位;总任务数为m,总基站数为n,每个任务在每个基站需要的计算时间,如下
用户数据从设备通过无线电传输到基站,信道建模如下:
r(m,n)代表任务为m到基站n的最大上行传输速率;Ptx代表使用者传输能量;Hm,n代表通道增益;W代表通道带宽;Im,n代表基站间的干扰;那么任务大小为λ0的任务所需的传输时间为:
对应所需要消耗的能量为:
将一个任务分解成若干个子任务,每个子任务在不同的基站独立卸载;
am=(a1m,a2m,a3m,a4m...,akm),aim表示任务m的第i个子任务卸载的基站,k代表任务m的子任务数,Cm表示一次切换是需要的时间;
计算卸载过程总时延,公式如下:
其中,d代表传输时延,h表示切换时延;
其中,dc代表计算时延,dt代表传输时延。
另一方面,本发明还公开一种数字能源空压站的数据管理系统,执行前述的一种数字能源空压站的数据管理方法,包括实时监测设备、数据中心、移动终端APP;
所述实时监测设备包括数据采集模块,所述数据中心包括数据分析模块、数据管理模块和数据反馈模块;
所述数据采集模块的输出端连接所述分析模块的输入端,所述数据分析模块的输出端连接数据管理模块的输入端,所述数据管理模块的输出端连接数据反馈模块的输入端。
进一步的,所述数据采集模块采集空压站数据中的一级、二级、三级数据;
通过所述数据分析模块对所述数据采集模块采集的信息进行分类、规范和清洗,并将数据进行存储;
通过所述数据管理模块将数据进行比对和去重,并将数据存储进实时数据库;
通过所述数据中心对数据进行接收,并将数据分级上传至移动终端APP。
进一步的,所述数据采集模块包括一级数据采集单元、二级数据采集单元和三级数据采集单元;
通过一级数据采集单元、二级数据采集单元和三级数据采集单元对空压站数据进行分等级采集。
进一步的,所述数据分析模块包括数据分类单元、数据规范单元、数据清洗单元和数据存储单元;
所述数据分类单元用于对所述数据采集单元采集的数据进行分类,所述数据规范单元用于将所采集的数据进行规范,所述数据清洗单元用于将采集的数据清洗,所述数据存储单元用于将分类、规范和清洗后的数据记性存储;
通过所述数据分类单元将采集的数据进行空压站设备数据、环境数据和空气生产量相关数据进行的分类;
通过所述数据规范单元对采集的各类数据进行规范化处理;
通过所述数据清洗单元对采集的缺失数据和大量的无用数据进行清洗。
本发明的有益效果:
本发明公开的一种数字能源空压站的数据管理系统及其方法,通过分级采集空压站的相关数据,并建立数学模型,针对数据采集的特性信息进行分析,对完成采集的空压站数据进行类型划分存储,再通过对空压站相关参数进行边缘计算,通过对数据的规范和清洗,有效的解决了因格式错误、数据异常、数据缺失、重复、矛盾、逻辑关系混乱等多方面杂质导致的数据处理困难的问题。
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为本发明实施例中一种数字能源空压站的数据管理方法的整体流程图;
图2为本发明实施例中步骤S4的具体步骤流程图;
图3为本发明实施例中步骤S2的具体步骤流程图;
图4为本发明实施例中一种数字能源空压站的数据管理系统的总体工作原理框图;
图5为本发明实施例中实时监测设备与数据中心的工作原理框图。
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。
数字能源空压站的数据管理系统是一种高效的数字化能源管理工具,用于监测、控制和优化空压机房的能源消耗生产效率,改系统通过对空压站的运行状态、能源消耗和产出进行实时监测,提供了全面的能源数据和分析报告,帮助用户快速发现潜在的能源浪费和优化机房的能源利用。
在本申请实施例中,一种能源空压站的数据管理方法,如图1所示,包括以下步骤:
步骤S1、采集空压站空气压力、温度、流量、电耗、水耗和气耗的数据;
通过数据采集设备采集上述数据,数据采集设备包括传感器和计量仪器,通过数据采集设备进行数据采集和传输,实现自动化数据采集。
步骤S2、将采集到的空压站数据传输至云平台,并对空压站数据进行预处理、清洗和整合,从而建立数据模型;
所述云平台数据传输设备支持各类型的通信协议,确保数据传输过程的安全性。
将传输至云平台的数据存储至数据中心,并通过数据处理,对空压站数据进行预处理、清洗和整合,建立全面的数据模型,同时,云平台提供数据可视化、分析工具等功能,帮助用户理解数据并快速发现异常情况和潜在问题。
步骤S3、根据建立的数据模型,利用云平台数据分析工具对采集到的能源数据进行分析和处理;
数据分析可以帮助用户识别能源浪费、分析设备运行效率等信息,从而制定优化能源利用和提能源利用效率的综合措施。
步骤S4、根据数据处理结果,制定优化能源利用效率的综合措施。
如图2所示,步骤S4具体包括以下步骤:
步骤S410、通过对空压站的设备运行参数对空压站设备的压力、温度进行调整;
步骤S420、通过安装热回收装置、余压发电装置,将回收的能量再次利用;
步骤S430、采用智能化控制系统,对空压站的设备进行调度和控制;
步骤S440、通过提高设备的稳定性、减少停机维修时间、加强设备的维护保养;
步骤S450、通过对设备的参数监测,筛选高效节能的设备。
步骤S460、优化设备运行参数:通过对空压站的设备运行参数进行优化,如压力、温度、量等参数的调整,以提高设备的能效比,减少能源的消耗。
安装能量回收设备:通过安装能量回收装置,如热回收装置、余压发电装置,将回收的能量再次利用,从而减少能源的浪费,提高能源的利用效率。
应用智能控制系统:采用智能化控制系统,对空压站的设备进行调度和控制,以达到最优的能源利用效率。
优化空压站行管理策略:通过优化空压站的运行管理策略,如提高设备的稳定性、减少停机维修时间、加强设备的维护保养等,从而提高整个空压站的能源利用效率。
采用高效节能设备:选择高效节能的设备,如高效节能压缩机、低能耗干燥器等,从根本上减少空压站的能源消耗。
具体的,在本申请的一种优选实施例中,如图3所示,步骤S2中,建立数据模型具体包括以下步骤:
步骤S210、收集目标空压站的数据,并进行数据整合以及数据转换;
步骤S220、通过去重、缺失值处理、异常值处理,对目标空压站数据进行数据清洗及预处理;
步骤S230、对采集到的空压站数据进行数据的特性信息进行分析并划分类型,根据数据类型之间的层次关系来定义数据模型;
步骤S240、根据数据的特性进行似性度量,并将数据对象在特征空间中进行划分;
步骤S250、对似性度量后的数据进行聚类分析,得到聚类结果。
聚类分析是一种无监督学习方法,通过将空压站数据集中的对象,根据其相似性进行分组,从而将相似的对象归于同一类型,不相似的对象分到不同类型。在聚类分析的过程中,根据数据的特性进行似性度量,并将数据对象在特征空间中进行划分。在本申请实施例中,使用K-means聚类算法根据空压站数据的属性进行聚类,从而得出数据的结构和特性,在本申请实施例中,使用K-means聚类分析对采集到的空压站数据进行分类,划分出不同的能源使用模式或行为类型,通过聚类分析,发现数据中的相似模式和异常模式,对能源使用行为进行分类,从而有针对性地进行能源管理和优化。
K-means聚类算法:K-means是一种常用的聚类算法,将数据对象分为K个不重叠的簇,并以类内的均值作为簇的中心。K-means算法对处理大数据集和高维数据非常有效,且计算复杂度较低,适合处理数字能源空压站中的大量能源数据。
进一步的,在本申请实施例中,根据数据的特性进行似性度量具体包括以下步骤:
将空压站数据统一到相同的维数下,根据空压站的数据类型,确定相似度度量的目标;
对空压站数据进行归一化处理,将数据映射到同一范围内,对各个特征属性统一,从而避免不同维度之间的权重差异对相似度度量的结果产生影响;
基于曼和顿距离对空压站数据之间进行相似度计算,得到相似度值;
对得到的相似度值进行归一化处理,将所有的相似度值映射到0-1之间,从而进行数据分类和处理;
根据得到的相似度值,生成相似度矩阵,从而计算相似度矩阵中的聚类结果;
对于生成的相似度矩阵进行评估,通过K-means聚类方法得到最终的聚类结果。
具体的,在本申请实施例中,K-means聚类算法的实现步骤如下:
随机选择K个样本点作为聚类中心;
使用曼哈顿距离对每个样本点到聚类中心的距离进行计算,然后根据样本点到聚类中心的距离进行归类,将样本点归类到与聚类中心距离最近的聚类中心所在的簇中;
对于每个簇,重新计算其中所有样本的均值,并将其作为簇的新聚类中心;
重复计算样本点到聚类中心的距离,并更新新聚类中心,直至聚类中心稳定不变,从而认为该聚类结果为最终的聚类结果。
K-means算法思路简单,易于理解,实现起来比较方便,适用于处理大数据集,计算复杂度较低,易于扩展,可以采用并行计算方法提高聚类效率。
具体的,聚类分析是一种无监督学习方法,用于对相似性原则进行数据对象的分组。它通过测量数据对象之间的相似性或距离,将相似的对象归为同一类别,并将不相似的对象分到不同的类别中。聚类分析可以帮助我们发现数据中的模式、结构和群组,并从中提取有价值的信息。
聚类分析模型主要由以下几个组成部分:
相似度量:聚类分析依赖于测量数据对象之间的相似性或距离。常用的相似性度量包括欧氏距离、曼哈顿距离、余弦相似度等。这些度量方法可以根据数据的特征和属性的类型进行选择。
聚类算法:聚类算法将根据相似性度量将数据对象进行聚类。常用的聚类算法包括K-means算法、层次聚类算法、密度聚类算法等。这些算法根据将数据对象进行分组,并不断更新聚类中心或层次结构。
距离矩阵:聚类分析通常会计算数据对象之间的距离或相似性,并将其表示为距离矩阵。距离矩阵是一个对称矩阵,其中每个元素表示两个数据对象之间的距离或相似性值。
类别标签或簇:在聚类分析中,根据相似性度量和聚类算法的结果,将数据对象归类到不同的类别或簇中。每个类别通常由一个标签或簇中心来表示,用于描述该簇的特征。
聚类分析模型的应用是广泛的,它可以用于市场细分、客户分类、图像分析、模式发现等领域。在数字能源空压站中,聚类分析可以用来对能源数据进行分类,找出不同类型的能源使用模式,从而帮助优化能源管理,提高能源利用效率。
聚类分析模型的建立过程可以分为以下几个步骤:
确定研究目标和聚类问题:首先需要明确研究目标和聚类问题,确定需要聚类的数据对象和聚的目的。根据目标的不同,可以选择不同的聚类算法和相似性度量方法,以获得具有实际应用价值的聚类结果。
数据预处理:对于原始数据进行预处理,如除空缺值、标准化或归一化数据等操作,以确保能够正确的进行聚类。
选择相似度量方法:根据研究目标和数据特征,选择适当的相似性度量方法在数据是数值变量时,可采用欧氏距离或相关系数等;当数据是二元变量时,可以选择杰卡德指数或其他度量指标。
选择聚类算法:根据数据量、数据类型、算复杂度和聚类目的等因素,选择适当的聚类算法。常用的聚类算法包括层次聚类、K-means聚类、密度聚类、谱聚类等。
设置聚类参数:需要设置聚类算法所需的参数,如层次聚类中的节点距离度量、K-means聚类中的聚类中心数目等等。
聚类分析:基于选定的相似度度量方法、聚算法和参数,对数据进行聚类分析。可以通过绘制聚类图、聚类热图、聚类树等方式来展示得到的聚类结果。
结果解释和评估:根据聚类结果,对聚类质量进行解释和评估。可以通过观察不同类别的特征和实例,比较不同聚类方法的质量指标等方式,来验证聚类结果的效果和实用性。
应用和反馈在经过结果解释和评估后,使用聚类分析结果进行应。可以根据聚类结果,在数据分析、特征提取、模式发现等领域中进行进一步的研究和应用。
本发明实施例提供一种数字能源空压站的数据管理方法,具体包括:采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据具体为:
通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算。
进一步的,在本申请实施例中,通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算,具体包括以下步骤:
计算任务采用的三参数模型描述每个计算任务:输入数据大小、计算强度和完成期限,将γm∈[0,λmax]表示为需要卸载的任务m的输入数据大小,其中λmax是最大可能的输入数据大小,设γm∈[0,γmax]表示最大值γmax的任务m的计算强度,以每比特CPU周期为单位,表示计算一比特输入数据需要多少个CPU周期,此外,将Dmax表示为任务m的完成截止时间,以秒为单位;总任务数为m,总基站数为n,每个任务在每个基站需要的计算时间,如下:
用户数据从设备通过无线电传输到基站,信道建模如下:
r(m,n)代表任务为m到基站n的最大上行传输速率;Ptx代表使用者传输能量;Hm,n代表通道增益;W代表通道带宽;Im,n代表基站间的干扰;那么任务大小为λ0的任务所需的传输时间为:
对应所需要消耗的能量为:
将一个任务分解成若干个子任务,每个子任务在不同的基站独立卸载;
am=(a1m,a2m,a3m,a4m...,akm),aim表示任务m的第i个子任务卸载的基站,k代表任务m的子任务数,Cm表示一次切换是需要的时间;
计算卸载过程总时延D=任务传输时延+任务计算时延,即:
其中,d代表传输时延,h表示切换时延;
其中,dc代表计算时延,dt代表传输时延。
本发明实施例提供的一种数字能源空压站的数据管理系统,执行前述的一种数字能源空压站的数据管理方法,如图4所示,包括实时监测设备、数据中心、移动终端APP;
如图5所示,所述实时监测设备包括数据采集模块,所述数据中心包括数据分析模块、数据管理模块和数据反馈模块;
所述数据采集模块的输出端连接所述分析模块的输入端,所述数据分析模块的输出端连接数据管理模块的输入端,所述数据管理模块的输出端连接数据反馈模块的输入端。
进一步的,在本申请实施例中,所述数据采集模块采集空压站数据中的一级、二级、三级数据;
通过所述数据分析模块对所述数据采集模块采集的信息进行分类、规范和清洗,并将数据进行存储;
通过所述数据管理模块将数据进行比对和去重,并将数据存储进实时数据库;
通过所述数据中心对数据进行接收,并将数据分级上传至移动终端APP。
所述实时监测设备包括运行状态传感器、能耗计量仪、震动检测器等实时监测设备,通过物联网技术将采集到的数据自动传输至所述数据中心;所述数据中心根据采集到的数据,建立全面的数据库和分析模型,进行数据预处理、清洗和整合,并生成图像、报表等可视化展示工具,方便用户快速了解空压站数据;所述移动终端APP基于移动互联网技术,支持用户通过手持可移动终端随时随地查看、控制和优化数字能源空压站的能源消耗和管理。
所述智能监测模块实时监测空压站设备的运行状态,包括压力、温度、振动等指标,确保空压站运行的稳定性和安全性;所述能耗管理模块通过能耗计量仪实时监测数字能源空压站能源消耗,对能源消耗进行实时预警和管理,并提供可视化的能耗分析报告;所述故障诊断模块通过智能分析算法,自动诊断机器运行中的故障原因,提供相应的解决方案;所述运维管理系统通过移动终端APP,对空压站的运维进行全面的管理。
在本申请实施例中,所述数字能源空压站包括空压机、高压储气罐、能耗计量仪、监测设备、控制系统、数据管理系统和移动终端设备。
所述空压机是用于将空气压缩为高压空气的设备,通常由压缩机和电动机组成;所述蒸气净化设备用于去除空气中的水分、杂质和油分,从而确保压缩空气的纯净度;所述高压储气罐用于存储已经压缩好的空气,用于平衡供气压力和需求;所述能耗计量仪用于测量和记录空压机房的能源消耗,包括电力、气体和水的消耗;所述监测设备包括压力传感器、温度传感器、流量计等,用于实时监测空压机房的运行状态和参数。
所述控制系统用于自动化控制和管理空压机房的运行,包括压力调节、温度控制、故障诊断功能;所述数据管理系统用于采集、存储和分析空压机房的数据,提供全面的能源数据和分析报告,帮助用户优化能源消耗和生产效率;所述移动终端设备包括手机、平板电脑等,通过移动应用程序监测和控制空压机房的运行状态和能源管理。
进一步的,在本申请实施例中,所述数据采集模块包括一级数据采集单元、二级数据采集单元和三级数据采集单元;
通过一级数据采集单元、二级数据采集单元和三级数据采集单元对空压站数据进行分等级采集。
进一步的,在本申请实施例中,所述数据分析模块包括数据分类单元、数据规范单元、数据清洗单元和数据存储单元;
所述数据分类单元用于对所述数据采集模块采集的数据进行分类,所述数据规范单元用于将所采集的数据进行规范,所述数据清洗单元用于将采集的数据清洗,所述数据存储单元用于将分类、规范和清洗后的数据记性存储;
通过所述数据分类单元将采集的数据进行空压站设备数据、环境数据和空气生产量相关数据进行的分类;
通过所述数据规范单元对采集的各类数据进行规范化处理;
通过所述数据清洗单元对采集的缺失数据和大量的无用数据进行清洗。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,本申请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全部或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)执行本申请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-onlymemory)、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。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种数字能源空压站的数据管理方法,其特征在于,包括以下步骤:
采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据;
将采集到的空压站数据传输至云平台,并对空压站数据进行预处理、清洗和整合,从而建立数据模型;
根据建立的数据模型,利用云平台数据分析工具,对采集到的能源数据进行分析和处理;
根据数据处理结果,制定优化能源利用效率的综合措施,包括:
通过对空压站的设备运行参数对空压站设备的压力、温度进行调整;
通过安装热回收装置、余压发电装置,将回收的能量再次利用;
采用智能化控制系统,对空压站的设备进行调度和控制。
2.根据权利要求1所述的一种数字能源空压站的数据管理方法,其特征在于,所述建立数据模型具体包括以下步骤:
收集目标空压站的数据,并进行数据整合以及数据转换;
通过去重、缺失值处理、异常值处理,对目标空压站数据进行数据清洗及预处理;
对采集到的空压站数据进行数据的特性信息进行分析并划分类型,根据数据类型之间的层次关系来定义数据模型;
根据数据的特性进行似性度量,并将数据对象在特征空间中进行划分;
对似性度量后的数据进行聚类分析,得到聚类结果。
3.根据权利要求2所述的一种数字能源空压站的数据管理方法,其特征在于,根据数据的特性进行似性度量具体包括以下步骤:
将空压站数据统一到相同的维数下,根据空压站的数据类型,确定相似度度量的目标;
对空压站数据进行归一化处理,将数据映射到同一范围内,对各个特征属性统一;
基于曼和顿距离对空压站数据之间进行相似度计算,得到相似度值;
对得到的相似度值进行归一化处理,将所有的相似度值映射到0-1之间,从而进行数据分类和处理;
根据得到的相似度值,生成相似度矩阵,从而计算相似度矩阵中的聚类结果;
对于生成的相似度矩阵进行评估,通过K-means聚类方法得到最终的聚类结果。
4.根据权利要求3所述的一种数字能源空压站的数据管理方法,其特征在于,通过K-means聚类方法得到最终的聚类结果,具体包括以下步骤:
随机选择K个样本点作为聚类中心;
使用曼哈顿距离对每个样本点到聚类中心的距离进行计算,然后根据样本点到聚类中心的距离进行归类,将样本点归类到与聚类中心距离最近的聚类中心所在的簇中;
对于每个簇,重新计算其中所有样本的均值,并将其作为簇的新聚类中心;
重复计算样本点到聚类中心的距离,并更新新聚类中心,直至聚类中心稳定不变,从而认为该聚类结果为最终的聚类结果。
5.根据权利要求1所述的一种数字能源空压站的数据管理方法,其特征在于,采集空压站的空气压力、温度、流量、电耗、水耗和气耗的数据具体为:
通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算。
6.根据权利要求5所述的一种数字能源空压站的数据管理方法,其特征在于,通过对空压站的空气压力、温度、流量、电耗、水耗和气耗的数据进行分等级采集,并进行边缘计算,具体包括以下步骤:
计算任务采用的三参数模型描述每个计算任务:输入数据大小、计算强度和完成期限,将γm∈[0,λmax]表示为需要卸载的任务m的输入数据大小,其中λmax是最大可能的输入数据大小,设γm∈[0,γmax]表示最大值γmax的任务m的计算强度,以每比特CPU周期为单位,表示计算一比特输入数据需要多少个CPU周期,此外,将Dmax表示为任务m的完成截止时间,以秒为单位;总任务数为m,总基站数为n,每个任务在每个基站需要的计算时间,如下:
用户数据从设备通过无线电传输到基站,信道建模如下:
r(m,n)代表任务为m到基站n的最大上行传输速率;Ptx代表使用者传输能量;Hm,n代表通道增益;W代表通道带宽;Im,n代表基站间的干扰;那么任务大小为λ0的任务所需的传输时间为:
对应所需要消耗的能量为:
将一个任务分解成若干个子任务,每个子任务在不同的基站独立卸载;
am=(a1m,a2m,a3m,a4m...,akm),aim表示任务m的第i个子任务卸载的基站,k代表任务m的子任务数,Cm表示一次切换是需要的时间;
计算卸载过程总时延D,公式如下:
其中,d代表传输时延,h表示切换时延;
其中,dc代表计算时延,dt代表传输时延。
7.一种数字能源空压站的数据管理系统,其特征在于,执行权利要求1至6任一项所述的一种数字能源空压站的数据管理方法,包括实时监测设备、数据中心、移动终端APP;
所述实时监测设备包括数据采集模块,所述数据中心包括数据分析模块、数据管理模块和数据反馈模块;
所述数据采集模块的输出端连接所述分析模块的输入端,所述数据分析模块的输出端连接数据管理模块的输入端,所述数据管理模块的输出端连接数据反馈模块的输入端。
8.根据权利要求7所述的一种数字能源空压站的数据管理系统,其特征在于,所述数据采集模块采集空压站数据中的一级、二级、三级数据;
通过所述数据分析模块对所述数据采集模块采集的信息进行分类、规范和清洗,并将数据进行存储;
通过所述数据管理模块将数据进行比对和去重,并将数据存储进实时数据库;
通过所述数据中心对数据进行接收,并将数据分级上传至移动终端APP。
9.根据权利要求7所述的一种数字能源空压站的数据管理系统,其特征在于,所述数据采集模块包括一级数据采集单元、二级数据采集单元和三级数据采集单元;
通过一级数据采集单元、二级数据采集单元和三级数据采集单元对空压站数据进行分等级采集。
10.根据权利要求7所述的一种数字能源空压站的数据管理系统,其特征在于,所述数据分析模块包括数据分类单元、数据规范单元、数据清洗单元和数据存储单元;
所述数据分类单元用于对所述数据采集模块采集的数据进行分类,所述数据规范单元用于将所采集的数据进行规范,所述数据清洗单元用于将采集的数据清洗,所述数据存储单元用于将分类、规范和清洗后的数据记性存储;
通过所述数据分类单元将采集的数据进行空压站设备数据、环境数据和空气生产量相关数据进行的分类;
通过所述数据规范单元对采集的各类数据进行规范化处理;
通过所述数据清洗单元对采集的缺失数据和大量的无用数据进行清洗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148580.4A CN117113006A (zh) | 2023-09-07 | 2023-09-07 | 一种数字能源空压站的数据管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148580.4A CN117113006A (zh) | 2023-09-07 | 2023-09-07 | 一种数字能源空压站的数据管理系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113006A true CN117113006A (zh) | 2023-11-24 |
Family
ID=88798193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148580.4A Pending CN117113006A (zh) | 2023-09-07 | 2023-09-07 | 一种数字能源空压站的数据管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117514727A (zh) * | 2023-12-06 | 2024-02-06 | 广东鑫钻节能科技股份有限公司 | 数字能源空压站 |
-
2023
- 2023-09-07 CN CN202311148580.4A patent/CN117113006A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117514727A (zh) * | 2023-12-06 | 2024-02-06 | 广东鑫钻节能科技股份有限公司 | 数字能源空压站 |
CN117514727B (zh) * | 2023-12-06 | 2024-04-23 | 广东鑫钻节能科技股份有限公司 | 数字能源空压站 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN117113006A (zh) | 一种数字能源空压站的数据管理系统及其方法 | |
JP6210867B2 (ja) | データ関連性解析システムおよびデータ管理装置 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN104516808A (zh) | 数据预处理装置及方法 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN114462623B (zh) | 基于边缘计算的数据分析方法、系统及平台 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN108596227B (zh) | 一种用户用电行为主导影响因素挖掘方法 | |
CN115936676A (zh) | 一种基于数字孪生的设备健康管理方法及系统 | |
CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
CN114416423A (zh) | 一种基于机器学习的根因定位方法和系统 | |
CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
CN117076521A (zh) | 基于大数据的运营数据分析方法及系统 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
Yuan et al. | Identification of Industrial Process Time Series Events Based on Agglomerative Hierarchical Clustering | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN116595102B (zh) | 一种改进聚类算法的大数据管理方法及系统 | |
CN116703321B (zh) | 一种基于绿色生产的药厂管理方法及系统 | |
CN117171551B (zh) | 大规模工业设备数据分析与智能管理方法 |
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 |