CN117555284A - 一种基于plc的动力优化方法、系统、装置和介质 - Google Patents
一种基于plc的动力优化方法、系统、装置和介质 Download PDFInfo
- Publication number
- CN117555284A CN117555284A CN202410035738.5A CN202410035738A CN117555284A CN 117555284 A CN117555284 A CN 117555284A CN 202410035738 A CN202410035738 A CN 202410035738A CN 117555284 A CN117555284 A CN 117555284A
- Authority
- CN
- China
- Prior art keywords
- time
- load
- value
- data
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007667 floating Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000036316 preload Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/14—Plc safety
- G05B2219/14005—Alarm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书实施例提供一种基于PLC的动力优化方法、系统、装置及介质,该方法包括:获取电动机在第一时间的动力数据,动力数据包括负载需求实际值、效率值以及输出功率中的至少一个;获取负载在第一时间的负载数据,基于在第一时间的负载数据,确定负载在第二时间的负载需求计划值,第二时间晚于第一时间;基于动力数据,确定负载在第二时间的负载需求计划值的真实度;基于电动机在第一时间的动力数据以及电动机数据,确定电动机在第二时间的效率值;基于在第二时间的负载需求计划值、真实度、效率值,确定电动机在第二时间的输出功率。
Description
技术领域
本说明书涉及模拟技术领域,特别涉及一种基于PLC的动力优化方法和系统。
背景技术
在现代工业和商业应用中,电动机是驱动各种机械系统的核心组件。为了实现高效、可靠和经济的运行,自动化技术在生产和制造领域中变得愈发重要。PLC(可编程逻辑控制器)和变频器是工业自动化中两个关键的技术组件,它们共同推动了生产过程的数字化、智能化和高效化。
因此,希望提出一种基于PLC的动力优化方法、系统、装置和介质,可以提高预测将来某一时间电动机的输出功率的准确性,能够通过PLC和变频器更有效地规划和调整电动机的使用效率,减少能源浪费,从而实现设备以及发动机的优化运行,这有助于降低设备的运行成本,延长电动机设备寿命,提高电动机和负载的可靠性和稳定性。
发明内容
本说明书提供一种基于PLC的动力优化方法、系统、装置及介质,可以提高预测将来某一时间电动机的输出功率的准确性,能够通过PLC和变频器更有效地规划和调整电动机的使用效率,减少能源浪费,从而实现设备以及发动机的优化运行,这有助于降低设备的运行成本,延长电动机设备寿命,提高电动机和负载的可靠性和稳定性。
本说明书实施例之一提供一种基于PLC的动力优化方法,包括:获取电动机在第一时间的动力数据,动力数据包括负载需求实际值、效率值以及输出功率中的至少一个;获取负载在第一时间的负载数据,基于在第一时间的负载数据,确定负载在第二时间的负载需求计划值,第二时间晚于第一时间;基于动力数据,确定负载在第二时间的负载需求计划值的真实度;基于电动机在第一时间的动力数据以及电动机数据,确定电动机在第二时间的效率值;基于在第二时间的负载需求计划值、真实度、效率值,确定电动机在第二时间的输出功率。
本说明书实施例之一提供一种基于PLC的动力优化系统,包括:第一获取模块,用于获取电动机在第一时间的动力数据,动力数据包括负载需求实际值、效率值以及输出功率中的至少一个;第二获取模块,用于获取负载在第一时间的负载数据,基于在第一时间的负载数据,确定负载在第二时间的负载需求计划值,第二时间晚于第一时间;真实度确定模块,用于基于动力数据,确定负载在第二时间的负载需求计划值的真实度;效率值确定模块,用于基于电动机在第一时间的动力数据以及电动机数据,确定电动机在所述第二时间的效率值;输出功率确定模块,用于基于在第二时间的负载需求计划值、真实度、效率值,确定电动机在第二时间的输出功率。
本说明书一些实施例还提供一种基于PLC的动力优化装置,包括至少一个处理器以及至少一个存储器;该至少一个存储器用于存储计算机指令;该至少一个处理器用于实现上述实施例中任一项所述的基于PLC的动力优化方法。
本说明书实施例之一还提供一种计算机可读存储介质,该存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述的基于PLC的动力优化方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于PLC的动力优化系统的应用场景示意图;
图2是根据本说明书一些实施例所示的基于PLC的动力优化系统的示例性模块图;
图3是根据本说明书一些实施例所示的基于PLC的动力优化方法的示例性流程图;
图4是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的示例性流程图;
图5是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的又一示例性流程图;
图6是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的真实度的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于PLC的动力优化系统的应用场景示意图。
在一些实施例中,基于PLC的动力优化系统的应用场景100可以包括点电动机110、存储设备120、处理器130、用户终端140、网络150。
电动机110可以连接有变频器111。变频器111可以调整电动机110的转速,使其根据实际负载需求灵活变化。在负载较轻的情况下,降低电动机的转速可以有效减少功耗,实现节能。
存储设备120可以用于储存数据和/或指令。数据指对信息的数字化表示,可以包括各种类型,比如二进制数据、文本数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。在一些实施例中,数据可以包括PLC对变频器111关于电动机110的指令。
在一些实施例中,存储设备120可以是处理器130的一部分。存储设备120可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备120可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可在云平台上实现。示例性的,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
处理器130可以用于处理来自基于PLC的动力优化系统的应用场景100的至少一个组件或外部数据源(如,云数据中心)的数据和/或信息。处理器130可以经由网络(图中未示出)或直接连接到存储设备120以访问和/或接收数据和信息。在一些实施例中,PLC可以集成于处理器130上。PLC可以生成对变频器111关于电动机110的指令,并通过网络150传送给变频器111。
用户终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,用户终端140可以是移动设备140-1、平板计算机140-2、笔记本电脑140-3等或其任意组合。在一些实施例中,用户终端140显示当前电动机110以及变频器111的工作状态。
网络150可以用于在PLC的动力优化系统的应用场景100的至少一个组件之间传输数据和/或指令。
应当注意的是,应用场景仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景可以在其他设备上实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的基于PLC的动力优化系统的示例性模块图。如图2所示,基于PLC的动力优化系统200可以包括第一获取模块210、第二获取模块220、真实度确定模块230、效率值确定模块240以及输出功率确定模块250。
第一获取模块210可以用于获取电动机在第一时间的动力数据,动力数据包括负载需求实际值、效率值以及输出功率中的至少一个。
第二获取模块220可以用于获取负载在第一时间的负载数据,基于在第一时间的负载数据,确定负载在第二时间的负载需求计划值,第二时间晚于第一时间。
在一些实施例中,第二获取模块220可以包括:方案获取模块,用于获取第二时间的工作安排方案;故障信息确定模块,用于基于第一时间的负载故障信息以及负载信息,确定负载在第二时间的负载故障信息;计划值获取模块,用于基于第二时间的工作安排方案以及第二时间的负载故障信息,确定负载在第二时间的负载需求计划值。
在一些实施例中,第二获取模块220还可以包括: 数据获取模块,用于获取至少一个与第二时间相关的第三时间的负载数据;样本确定模块,用于确定样本数据,样本数据包括至少一个第一时间、一个第二时间以及至少一个第三时间对应的样本数据;第一时间对应的样本数据包括对应的负载需求实际值,第二时间和/或第三时间对应的样本数据包括对应的负载需求计划值;权重确定模块,用于确定样本数据中各个样本的权重;计划值确定模块,用于基于样本数据中各个样本的权重,通过预设公式确定第二时间的负载需求计划值。
真实度确定模块230可以用于基于动力数据,确定负载在第二时间的负载需求计划值的真实度。
在一些实施例中,真实度确定模块230进一步可以包括:时间序列获取模块可以用于获取与第一时间对应的包括动力数据以及负载需求计划值的时间序列,时间序列中包括至少一组负载需求计划值和相应的负载需求实际值;误差值确定模块可以用于基于时间序列通过预设公式确定负载需求计划值和相应的负载需求实际值的误差值;真实度确定子模块可以用于基于误差值确定负载需求计划值的真实度。
效率值确定模块240可以用于基于电动机在第一时间的动力数据以及电动机数据,确定电动机在第二时间的效率值。
输出功率确定模块250可以用于基于在第二时间的负载需求计划值、真实度、效率值,确定电动机在第二时间的输出功率。
图3是根据本说明书一些实施例所示的基于PLC的动力优化方法的示例性流程图。在一些实施例中,流程300可以由处理器执行。如图3所示,流程300包括下述步骤:
步骤310,获取电动机在第一时间的动力数据,动力数据包括负载需求实际值、效率值以及输出功率中的至少一个。
第一时间可以是已经发生的任意过去时段。在一些实施例中,第一时间可以是过去时间点或者是过去时间段。例如,第一时间可以是周一早上8:00,也可以是周一早上8:00-12:00。
动力数据可以是与电动机有关的运作数据。动力数据都具有动力时间戳。负载需求实际值可以是过去第一时间对应的电动机所连负载的需求值。负载需求实际值可以用电功率表示,例如,在周一早上8:00负载需求值为100KW。效率值可以指第一时间时电动机在转换电能为机械能或输出功率时的能量利用效率。效率值可以受连续工作时间、使用年限、工作环境、电动机的维护情况、电动机的物理性质等影响。输出功率可以指电动机产生的机械功率。
在一些实施例中,电动机在第一时间的动力数据可以通过电动机的工作日志获取。
步骤320,获取负载在第一时间的负载数据,基于在第一时间的负载数据,确定负载在第二时间的负载需求计划值。
负载数据可以指与负载正常运行有关的数据。负载数据都具有负载时间戳。负载数据可以包括负载的工作安排方案、负载故障信息以及负载信息中的至少一种。工作安排方案可以指对负载的工作计划。负载故障信息可以指与负载故障数据有关的信息。负载信息可以指与负载有关的信息,例如,负载当前状态、折旧率、连续工作时长、工作时间、工作环境温度等。负载数据可以基于历史数据获取。关于工作方案安排、负载故障信息有关的详细内容可以参见图4的相关描述。
第二时间可以指当前或者将来的时间段。在一些实施例中,第二时间可以是现在或者将来的时间点或者时间段。
负载需求计划值可以指在第二时间时负载需求的功率值。负载需求计划值可以用电功率表示。在一些实施例中,第二时间可以晚于第一时间。在一些实施例中,第二时间可以和第一时间相对应。例如,第一时间可以指过去某一天的早上8:00,第一时间可以指对应将来某一天的早上8:00。在一些实施例中,可以基于负载在第一时间的负载数据,通过预设关系确定负载在第二时间的负载需求计划值。预设关系可以人工确定。在一些实施例中,可以将负载数据通过嵌入层获取对应的负载数据向量,负载数据之间的相似性可以通过负载数据向量之间的距离表示,向量之间的距离和负载数据之间的相似性成反比。
在一些实施例中,当第一时间点和第二时间点的负载数据相似小于预设值时,可以将负载在第一时间的负载需求计划值作为相对应的第二时间的负载需求计划值。例如,可以将2022年10月8日早8:00-12:00的负载需求计划值直接作为2024年10月8日早8:00-12:00的负载需求计划值。
在一些实施例中,处理器可以确定负载在第二时间的负载需求计划值,进一步包括:获取第二时间的工作安排方案;基于第一时间的负载故障信息以及负载信息,确定负载在第二时间的负载故障信息;基于第二时间的工作安排方案以及第二时间的负载故障信息,确定负载在第二时间的负载需求计划值。具体详细信息可以参见图4的详细描述。
在一些实施例中,处理器可以确定负载在第二时间的负载需求计划值,进一步包括:获取至少一个与第二时间相关的第三时间的负载数据;确定样本数据,确定样本数据中各个样本的权重,基于样本数据中各个样本的权重,通过预设公式确定第二时间的负载需求计划值。具体详细信息可以参见图5的相关说明。
步骤330,基于动力数据,确定负载在第二时间的负载需求计划值的真实度。
在第二时间的负载需求计划值的真实度可以指预测得到的第二时间的负载需求计划值与实际的负载需求值的相似程度。
在一些实施例中,确定负载在第二时间的负载需求计划值的真实度可以包括:获取与第一时间对应的包括动力数据以及负载需求计划值的时间序列,时间序列中包括至少一组负载需求计划值和相应的负载需求实际值;基于时间序列通过预设公式确定负载需求计划值和相应的负载需求实际值的误差值;基于误差值确定负载需求计划值的真实度。关于确定负载在第二时间的负载需求计划值的真实度的相关内容可以参见图6的相关描述。
步骤340,基于电动机在第一时间的动力数据以及电动机数据,确定电动机在第二时间的效率值。
电动机数据可以是电动机自身性能的数据。例如,电动机数据可以包括电动机类型、运行条件、使用寿命、电流、电压、功率、转速等。
在一些实施例中,处理器可以通过效率值模型确定电动机在第二时间的效率值。效率值模型可以是机器学习模型。效率值模型的输入可以包括第一时间的动力数据、电动机数据以及第一时间与第二时间的差值,输出可以包括电动机在第二时间的效率值。
步骤350,基于在第二时间的负载需求计划值、真实度、效率值,确定电动机在第二时间的输出功率。
在一些实施例中,处理器可以基于在第二时间的负载需求计划值、在第二时间的负载需求计划值的真实度以及电动机在第二时间的效率值,通过功率确定模型确定电动机在第二时间的输出功率。
功率确定模型可以包括功率嵌入层、功率确定层。功率嵌入层的输入可以包括在第二时间的负载需求计划值、在第二时间的负载需求计划值的真实度、电动机在第二时间的效率值,输出可以包括电动机的功率向量。功率确定层的可以包括功率向量,输出可以包括电动机在第二时间的输出功率。
在一些实施例中,功率确定模型可以通过功率嵌入层和功率确定层联合训练得到。例如,向初始功率确定模型输入训练样本,并基于标签和初始功率确定模型的输出结果建立损失函数,对初始功率确定模型的参数进行更新,当初始功率确定模型的损失函数满足预设条件时模型训练完成,其中,预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,训练样本可以包括在历史第二时间的历史负载需求计划值、在历史第二时间的负载需求计划值的历史真实度、电动机在历史第二时间的历史效率,训练样本可以基于历史数据获取。训练样本的标签可以是历史第二时间的历史输出功率。标签可以人工标注。
在一些实施例中,确定电动机在第二时间的输出功率后,通过PLC控制变频器控制电动机的输出功率。
通过本说明书的一些实施例,可以通过先预测未来某一时刻的负载需求计划值,进一步地,确定该负载需求计划值的真实度,可以增加负载对电动机的功率的需求程度的预测的准确性。另一方面,又确定未来某一时刻的电动机的转换效率,考虑电动机可能的折旧或损耗对电动机在第二时间的输出功率的影响,可以进一步增加负载对电动机的功率的需求程度的预测的准确性。通过考虑电动机以及负载两方面的因素,从而更准确地预测未来某一时刻的电动机的输出功率,更有效地规划和调整电动机的使用效率,减少能源浪费,从而实现设备以及发动机的优化运行,这有助于降低设备的运行成本,延长电动机设备寿命,提高电动机和负载的可靠性和稳定性。
图4是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的示例性流程图。在一些实施例中,流程400可以由处理器执行。如图4所示,流程400包括下述步骤:
步骤410,获取第二时间的工作安排方案。
工作方案安排可以从工厂的年度计划、月度计划等获取。
步骤420,基于第一时间的负载故障信息以及负载信息,确定负载在第二时间的负载故障信息。
负载故障信息可以指负载第二时间的负载故障信息。负载故障信息可以包括负载在第二时间的故障率、需要修复的时间等。
将多个负载故障信息和多个负载信息输入预置的充电需求预测模型进行充电需求预测,得到充电需求预测数据;具体的,对多个负载故障信息和负载信息进行编码,将其转化为对应的特征编码向量。这一步骤将确保特征能够被准确地输入到负载故障信息预测模型中。将负载故障信息编码向量输入预置负载故障信息预测模型中的第一双向长短时记忆网络(LSTM),以进行特征提取。由于LSTM网络可以捕捉序列数据中的时间依赖性和模式,从而将具有时间戳的负载故障信息进一步转化为更抽象、更有表达力的第一特征提取向量。同样地,将负载信息编码向量输入预置负载故障信息预测模型中的第二双向长短时记忆网络(LSTM),以进行特征提取。这一网络将负载信息转化为第二特征提取向量,用于捕捉与负载故障相关的信息。将第一特征提取向量和第二特征提取向量进行向量融合,生成目标故障向量。向量融合有助于将两种类型的特征信息整合起来,以提供更全面、更准确的预测数据。将目标融合向量输入负载故障信息预测模型中的两层门限循环网络,以进行负载故障信息的预测。门限循环网络能够在序列数据中建模长期依赖关系,从而准确预测未来的负载故障新。模型会考虑历史负载故障信息和历史负载信息,以及它们和时间的关系,从而预测出未来一段时间内的负载故障信息。
步骤430,基于第二时间的工作安排方案以及第二时间的负载故障信息,确定负载在第二时间的负载需求计划值。
在一些实施例中,可以基于第二时间的工作安排方案以及第二时间的负载故障信息通过预设关系确定负载在第二时间的负载需求计划值。
预设关系可以包括工作安排方案、负载故障信息与负载需求计划值的对应关系,预设关系中的工作安排方案、负载故障信息与负载需求计划值对应于同一个时间戳。预设关系可以人工确定,也可以根据历史数据确定。
通过本说明书的一些实施例, 基于第一时间的负载故障信息,能够在第二时间预测负载可能发生的故障情况,提前采取措施,降低系统故障对生产的影响。进一步地,通过结合工作安排方案和负载故障信息,可以提高确定未来某一时刻的负载需求计划值的准确度和真实性,优化负载需求计划值,提高系统的稳定性和效率。
图5是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的又一示例性流程图。在一些实施例中,流程500可以由处理器执行。如图5所示,流程500包括下述步骤:
步骤510,获取至少一个与第二时间相关的第三时间的负载数据。
第三时间可以晚于第二时间。例如,第一时间是已经发生的2023年12月17日早上8:00-12:00,第二时间是未来的2023年12月18日早上8:00-12:00,第三时间是未来的2023年12月19日早上8:00-12:00。第三时间可以为至少一个。
关于第二时间和/或第三时间的工作安排方案和负载故障信息的确定方法可以参见图4的相关内容。
第二时间和/或第三时间的负载信息可以根据预设的负载数据表确定。
负载数据表中包括折旧率和距离第一时间的时间差的对应关系。负载数据表可以基于历史数据确定。在一些实施例中,可以基于负载数据表确定折旧率。基于折旧率、第二时间和/或第三时间与第一时间的时间差确定第二时间和/或第三时间对应的负载数据。例如,第二时间距离第一时间为1天,从负载数据表中确定折旧率为万分之一,则第二时间的负载信息可以为第一时间的状态×(1-0.01%)。
步骤520,确定样本数据。
在一些实施例中,样本数据可以包括至少一个第一时间、一个第二时间以及至少一个第三时间对应的样本数据;第一时间对应的样本数据包括对应的负载需求实际值,第二时间和/或第三时间对应的样本数据包括对应的负载需求计划值。
在一些实施例中,可以基于同样的时间间隔确定第二时间以及对应第三时间。例如,时间间隔为24小时,第一时间是已经发生的2023年12月16日早上8:00-12:00、2023年12月17日早上8:00-12:00等,第二时间是未来的2023年12月18日早上8:00-12:00,第三时间是未来的2023年12月19日早上8:00-12:00以及未来的2023年12月20日早上8:00-12:00等。
在一些实施例中,第一时间的个数可以和第三时间的个数相同。在一些实施例中,第一时间的样本数据的个数可以高于第三时间的样本数据的个数。在一些实施例中,第一时间、第二时间以及第三时间的样本比例可以人工确定。样本数据的总个数可以是第一时间、第二时间以及第三时间的样本的总和。
在一些实施例中,样本数据的总数量可以根据工作安排方案以及负载故障信息确定。在一些实施例中,可以选择工作安排方案和负载故障信息波动浮动在预设范围内的样本,其综合为样本数据的总数量。例如,第一时间为已经发生的2023年12月17日早上8:00-12:00,其工作安排方案为100KW,负载故障信息为0故障,第二时间为未发生的2023年12月18日早上8:00-12:00,其工作安排方案为101KW,负载故障信息为0故障,其中一个第三时间为未发生的2023年12月19日早上8:00-12:00,其工作安排方案为100KW,负载故障信息为0故障,其中另一个第三时间为未发生的2023年12月20日早上8:00-12:00,其工作安排方案为200KW,负载故障信息为0,故障预设范围为上下浮动5%,则样本数量为3个,包括2023年12月17日早上8:00-12:00的负载需求实际值、2023年12月18日早上8:00-12:00的负载需求计划值、2023年12月19日早上8:00-12:00的负载需求计划值。
基于工作安排方案和负载故障信息波动浮动确定样本数据的数量,可以准确的捕捉负载需求的变化趋势,还可以可以平滑噪音。
步骤530,确定样本数据中各个样本的权重。
在一些实施例中,可以基于权重模型确定样本数据中各个样本的权重。同一个样本数据中各个样本的权重之和为1。
在一些实施例中,权重模型可以是机器学习模型。权重模型的输入可以包括样本的时间与第二时间的时间差、是否是样本需求实际值、所在样本数据的总数量,输出为对应样本的权重。当前样本与第二时间的时间差越小,又属于样本需求实际值,对应的样本权重就大。例如,第一时间的样本的权重比第二时间、第三时间的权重大。再例如,样本数据中包括两个第一时间的样本,则距离第二时间较近的第一时间的样本的权重就较大,距离第二时间的较远的第一时间的样本的权重就较小。权重模型可以通过权重样本训练获取。
权重样本可以包括当前样本的时间与历史第二时间的历史时间差、是否是样本需求实际值、所在样本数据的历史总数量,训练样本可以基于历史数据获取。训练样本的标签可以是当前样本对应的历史权重。标签可以人工标注。
方案通过确定样本数据中各个样本的权重,能够根据不同时间点的数据质量和重要性,对预测模型进行灵活调整,提高了模型的鲁棒性和适应性。
步骤540,基于所述样本数据中各个样本的权重,通过预设公式确定第二时间的负载需求计划值。
预设公式可以为公式(1),如下所示:
(1)
其中,表示第二时间的负载需求计划值,/>为各个样本的权重,/>对应的负载需求实际值或者负载需求计划值。/>为样本数据的总数量。
通过本说明书的一些实施例,通过获取第三时间的负载数据,考虑了时序数据的变化,能够更好地反映负载需求的动态演变,提高了预测的准确性。
通过同时选取过去和将来多时间点的样本数据,可以能够综合考虑多个时间点的信息,使得负载需求计划值更具综合性和准确性。其中,第一时间对应的样本数据包括对应的负载需求实际值,这有助于提高预测模型对真实负载需求的理解和反映,增强了预测的实际性。
以上图4以及图5所确定的第二时间的负载需求计划值的方法只是示例,旨不在限制,一切合理的变形均在本申请的保护范围内。示例性地,第二时间的负载需求计划值还可以根据图4和图5得到的负载需求计划值共同确定。
第二时间的负载需求计划值可以通过公式(2)确定:
(2)
其中,为最终第二时间的负载需求计划值,/>为根据图5的流程图确定的第二时间的负载需求计划值,/>为根据图4的流程图确定的第二时间的负载需求计划值,分别为对应的权重。在一些实施例中,当工作安排方案和负载故障信息波动浮动较大时,可以将/>设置的高于/>。例如,/>为1,/>为0。
通过同时考虑图4以及图5所确定的第二时间的负载需求计划值的方法,可以增强数据的全面性和准确度。
图6是根据本说明书一些实施例所示的确定负载在第二时间的负载需求计划值的真实度的示例性流程图。在一些实施例中,流程600可以由处理器执行。如图6所示,流程600包括下述步骤:
步骤610,获取与第一时间对应的包括动力数据以及负载需求计划值的时间序列,时间序列中包括至少一组负载需求计划值和相应的负载需求实际值。
第一时间对应的负载需求计划值可以通过本申请的步骤320获取。例如,第一时间为2022年12月17日,可以将当时预测得到的2022年12月17日的负载需求计划值以及实际发生的负载需求实际值作为一组元素加入时间序列。时间序列中的每一组都对应一个时间戳。
在一些实施例中,时间序列中元素的个数以及每一个元素的时间戳的间隔可以参考图5中确定负载需求计划值的样本数量以及时间间隔的相关内容。
时间序列提供了对负载需求计划值和负载需求计划值值随时间变化的详细洞察。这使得真实度的计算能够更全面地考虑负载的动态变化和周期性特征。 时间序列分析允许对负载需求的长期趋势进行分析,有助于确定真实度中的潜在趋势。这对于长期规划和决策提供了重要信息。
步骤620,基于时间序列通过预设公式确定负载需求计划值和相应的负载需求实际值的误差值。
预设公式可以通过公式(3)确定:
(3)
其中,为误差值,/>为时间序列中元素的个数,/>为负载需求计划值,/>为负载需求计划值。
步骤630,基于误差值确定负载需求计划值的真实度。
在一些实施例中,可以通过预设误差值和真实度的预设关系确定负载需求计划值的真实度。误差值和真实度的预设关系可以人工确定。误差越大,真实度越低。在一些实施例中,当误差值高于误差阈值,可以发出警报,进而人工参与。
通过计算负载需求计划值和实际负载需求值之间的误差值,可以客观地评估在第二时间点的负载需求计划值的准确性,进一步提高了对最后确定电动机在第二时间的输出功率的准确度。这有助于了解模型的性能和提供实际与预测之间的差异。加入时间序列分析有助于检测到负载需求中的异常值时,可以建立有效的反馈机制,及时的进行人工参与,帮助改进和优化负载需求的预测模型,这有助于不断提升预测准确性,适应负载变化的复杂性。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
Claims (10)
1.一种基于PLC的动力优化方法,其特征在于,包括:
获取电动机在第一时间的动力数据,所述动力数据包括负载需求实际值、效率值以及输出功率中的至少一个;
获取负载在所述第一时间的负载数据,基于在所述第一时间的所述负载数据,确定所述负载在第二时间的负载需求计划值,所述第二时间晚于所述第一时间;
基于所述动力数据,确定所述负载在所述第二时间的所述负载需求计划值的真实度;
基于所述电动机在所述第一时间的所述动力数据以及电动机数据,确定所述电动机在所述第二时间的效率值;
基于在所述第二时间的所述负载需求计划值、所述真实度、所述效率值,确定所述电动机在所述第二时间的输出功率。
2.根据权利要求1所述的基于PLC的动力优化方法,其特征在于,所述确定所述负载在第二时间的负载需求计划值,进一步包括:
获取所述第二时间的工作安排方案;
基于所述第一时间的负载故障信息以及负载信息,确定所述负载在所述第二时间的负载故障信息;
基于所述第二时间的所述工作安排方案以及所述第二时间的所述负载故障信息,确定所述负载在所述第二时间的所述负载需求计划值。
3.根据权利要求1所述的基于PLC的动力优化方法,其特征在于,所述确定所述负载在第二时间的负载需求计划值,进一步包括:
获取至少一个与第二时间相关的第三时间的所述负载数据;
确定样本数据,所述样本数据包括至少一个第一时间、一个第二时间以及至少一个第三时间对应的样本数据;所述第一时间对应的样本数据包括对应的负载需求实际值,所述第二时间和/或第三时间对应的样本数据包括对应的负载需求计划值;
确定所述样本数据中各个样本的权重;
基于所述样本数据中各个样本的权重,通过预设公式确定第二时间的负载需求计划值。
4.根据权利要求1所述的基于PLC的动力优化方法,其特征在于,所述确定所述负载在所述第二时间的所述负载需求计划值的真实度,进一步包括:
获取与所述第一时间对应的包括动力数据以及负载需求计划值的时间序列,所述时间序列中包括至少一组负载需求计划值和相应的负载需求实际值;
基于所述时间序列通过预设公式确定所述负载需求计划值和相应的所述负载需求实际值的误差值;
基于所述误差值确定所述负载需求计划值的所述真实度。
5.一种基于PLC的动力优化系统,其特征在于,该系统包括:
第一获取模块,用于获取电动机在第一时间的动力数据,所述动力数据包括负载需求实际值、效率值以及输出功率中的至少一个;
第二获取模块,用于获取负载在所述第一时间的负载数据,基于在所述第一时间的所述负载数据,确定所述负载在第二时间的负载需求计划值,所述第二时间晚于所述第一时间;
真实度确定模块,用于基于所述动力数据,确定所述负载在所述第二时间的所述负载需求计划值的真实度;
效率值确定模块,用于基于所述电动机在所述第一时间的所述动力数据以及电动机数据,确定所述电动机在所述第二时间的效率值;
输出功率确定模块,用于基于在所述第二时间的所述负载需求计划值、所述真实度、所述效率值,确定所述电动机在所述第二时间的输出功率。
6.根据权利要求5所述的系统,其特征在于,所述第二获取模块还包括:
方案获取模块,用于获取所述第二时间的工作安排方案;
故障信息确定模块,用于基于所述第一时间的负载故障信息以及负载信息,确定所述负载在所述第二时间的负载故障信息;
计划值获取模块,用于基于所述第二时间的所述工作安排方案以及所述第二时间的所述负载故障信息,确定所述负载在所述第二时间的所述负载需求计划值。
7.根据权利要求5所述的系统,其特征在于,所述第二获取模块还包括:
数据获取模块,用于获取至少一个与第二时间相关的第三时间的所述负载数据;
样本确定模块,用于确定样本数据,所述样本数据包括至少一个第一时间、一个第二时间以及至少一个第三时间对应的样本数据;所述第一时间对应的样本数据包括对应的负载需求实际值,所述第二时间和/或第三时间对应的样本数据包括对应的负载需求计划值;
权重确定模块,用于确定所述样本数据中各个样本的权重;
计划值确定模块,用于基于所述样本数据中各个样本的权重,通过预设公式确定第二时间的负载需求计划值。
8.根据权利要求5所述的系统,其特征在于,所述真实度确定模块,进一步包括:
时间序列获取模块,用于获取与所述第一时间对应的包括动力数据以及负载需求计划值的时间序列,所述时间序列中包括至少一组负载需求计划值和相应的负载需求实际值;
误差值确定模块,用于基于所述时间序列通过预设公式确定所述负载需求计划值和相应的所述负载需求实际值的误差值;
真实度确定子模块,用于基于所述误差值确定所述负载需求计划值的所述真实度。
9.一种基于PLC的动力优化装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~4中任意一项所述的基于PLC的动力优化方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1~4任意一项所述的基于PLC的动力优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035738.5A CN117555284B (zh) | 2024-01-10 | 2024-01-10 | 一种基于plc的动力优化方法、系统、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410035738.5A CN117555284B (zh) | 2024-01-10 | 2024-01-10 | 一种基于plc的动力优化方法、系统、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117555284A true CN117555284A (zh) | 2024-02-13 |
CN117555284B CN117555284B (zh) | 2024-03-26 |
Family
ID=89820832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410035738.5A Active CN117555284B (zh) | 2024-01-10 | 2024-01-10 | 一种基于plc的动力优化方法、系统、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555284B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079230A (zh) * | 2014-07-07 | 2014-10-01 | 神王伟国 | 异步电动机效率优化控制的方法、装置、系统及电动汽车 |
US20210116888A1 (en) * | 2019-10-21 | 2021-04-22 | Semiconductor Components Industries, Llc | Systems and methods for system optimization and/or failure detection |
CN115822936A (zh) * | 2022-10-28 | 2023-03-21 | 上海华兴数字科技有限公司 | 一种工程机械的功率控制方法及系统 |
CN116505833A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市华科科技有限公司 | 电机数据的处理方法、系统及终端伺服器 |
US20230322202A1 (en) * | 2022-04-08 | 2023-10-12 | Deere & Company | Systems and methods for predictive power requirements and control |
CN117254745A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市精锐昌科技有限公司 | 一种电机的运行控制方法、系统及存储介质 |
-
2024
- 2024-01-10 CN CN202410035738.5A patent/CN117555284B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079230A (zh) * | 2014-07-07 | 2014-10-01 | 神王伟国 | 异步电动机效率优化控制的方法、装置、系统及电动汽车 |
US20210116888A1 (en) * | 2019-10-21 | 2021-04-22 | Semiconductor Components Industries, Llc | Systems and methods for system optimization and/or failure detection |
US20230322202A1 (en) * | 2022-04-08 | 2023-10-12 | Deere & Company | Systems and methods for predictive power requirements and control |
CN115822936A (zh) * | 2022-10-28 | 2023-03-21 | 上海华兴数字科技有限公司 | 一种工程机械的功率控制方法及系统 |
CN116505833A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市华科科技有限公司 | 电机数据的处理方法、系统及终端伺服器 |
CN117254745A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市精锐昌科技有限公司 | 一种电机的运行控制方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117555284B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
WO2011041741A2 (en) | Microgrid model based automated real time simulation for market based electric power system optimization | |
Sučić et al. | The concept of an integrated performance monitoring system for promotion of energy awareness in buildings | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN114638425B (zh) | 一种基于历史数据的大用户月度用电量预测方法及系统 | |
CN113627032A (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN117555284B (zh) | 一种基于plc的动力优化方法、系统、装置和介质 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
Bangalore | Load and risk based maintenance management of wind turbines | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
CN112381266A (zh) | 基于历史供电及天气数据预测未来供电量的系统及其方法 | |
Khodadadi et al. | Essential Data Requirements for Industrial Energy Efficiency with Digital Twins: A Case Study Analysis | |
CN117764515B (zh) | 一种变电站设备的故障检修成本核算方法及系统 | |
Spangler et al. | A Hybrid Reliability Model Using Generalized Renewal Processes for Predictive Maintenance in Nuclear Power Plant Circulating Water Systems | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
Prendl et al. | Framework for Automated Data-Driven Model Adaption for the Application in Industrial Energy Systems | |
Coosemans et al. | Self-Adaptive Ageing Models for Optimal Management and Planning of Assets in Microgrids | |
Gupta et al. | An Overview of Predictive Maintenance and Load Forecasting | |
CN117833361A (zh) | 基于时间序列分析的燃煤电厂深度调峰预测方法及装置 |
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 |