CN117691736A - 非侵入式智能工厂能耗监测方法和系统 - Google Patents
非侵入式智能工厂能耗监测方法和系统 Download PDFInfo
- Publication number
- CN117691736A CN117691736A CN202311412390.9A CN202311412390A CN117691736A CN 117691736 A CN117691736 A CN 117691736A CN 202311412390 A CN202311412390 A CN 202311412390A CN 117691736 A CN117691736 A CN 117691736A
- Authority
- CN
- China
- Prior art keywords
- beta
- refrigeration
- model
- energy consumption
- consumption
- 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 109
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000005611 electricity Effects 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005057 refrigeration Methods 0.000 claims description 144
- 230000008859 change Effects 0.000 claims description 86
- 238000004519 manufacturing process Methods 0.000 claims description 65
- 230000033228 biological regulation Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Abstract
本申请提出了一种非侵入式智能工厂能耗监测方法,包括:步骤1、根据智能工厂的用电量、气温、用电量,构建智能工厂能耗模型;步骤2、对步骤1中得到的模型进行拟合以进行模型的拟合;步骤3、处理模型系数;步骤4、根据确定的该智能工厂的能效水平。上述方法能够方便地进行负荷监测,节省安装和维护所需要的时间和金钱,符合目前整个社会所提倡的建设节约型社会的要求。
Description
技术领域
本申请涉及电力系统的信息技术处理领域,具体涉及非侵入式智能工厂能耗监测方法和系统,特别是一种非侵入式智能工厂能耗监测诊断与节能潜力分析方法。
背景技术
电力系统是国家运行的基础,是现代生活无法缺失的一部分;一旦电力系统由任何问题,都会对整个社会的生产生活造成巨大的影响。一旦电力系统发生任何故障,人类社会将会彻底进入黑暗状态,所以保持电力通常是政府最应该首先解决的问题。近年来,随着我国智能电网高速建设,对整个电力系统的自动化要求也越来越高。
在提升发电和输电效率的同时,工厂的节电也越来越受到重视。生产制造型的工厂在节能方面面临巨大压力。同时,正值产业升级的关键节点上,如何在节能降耗的同时,又能兼顾生产效率,成为了现在经济型企业发展中各方都关注的焦点,特别是在向工业4.0时代前进的过程中,节能是个不得不解决的难题。智能工厂是未来生产制造型的工厂发展的方向,如何科学的进行能耗监测诊断与节能潜力分析是智能工厂必须面对的重要问题。
发明内容
本申请提供了一种非侵入式智能工厂能耗监测方法和系统,能够方便地进行负荷监测,节省安装和维护所需要的时间和金钱,符合目前整个社会所提倡的建设节约型社会的要求。
为了达到上述目的,本申请实施例提出了一种非侵入式智能工厂能耗监测方法,包括:
步骤1、根据智能工厂的用电量、气温、用电量,构建智能工厂能耗模型:
Y=β0+β1(X1-β3)+ (1)
其中X1为室内平均温度,Y为该智能工厂的用电量;β0代表与温度调节无关的设备的耗电量,β1代表制冷敏感度,β3代表制冷变化点;
其中,当温度低于代表制冷变化点β3时制冷设备未开启,则该智能工厂的用电量恒定为β0;当温度大于等于代表制冷变化点β3时制冷设备开启,则制冷导致的耗电量与制冷设备的制冷敏感度β1相关;
当智能工厂的温度恒定;则该智能工厂的用电量随产量的变化曲线为:
Y=β4+β2X2 (2)
其中,X2为主要产品产量,Y为用电量;β4代表与生产无关的设备的耗电量,β2代表生产设备的能耗水平;
当产量为零时,智能工厂的用电量为与生产无关的设备的耗电量β4;
因此智能工厂的用电量同时受到温度以及生产的影响;预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量:
Y=β0+β1(X1-β3)++β2X2 (3)
其中,X1为月平均气温;X2为月产品产量;Y为月用电量;β0代表基本设施用电量;β1代表制冷设备能耗水平;β2代表生产设备能耗水平;β3代表制冷变化点;(X1-β3)+代表当X1<β3时,X1-β3=0;
其中公式(3)中的智能工厂用电量分为三部分:基础设施用电量β0、用于温度调节的用电量β1(X1-β3)+、用于生产的用电量β2;通过输入用电量Y、室外空气温度X1及产量X2,拟合得到模型的参数,相应的对工厂能效作出诊断分析;
步骤2、对步骤1中得到的模型进行拟合以进行模型的拟合;其中产量X2和气温X2作为自变量,用电量Y作为因变量,在一年中的数据样本中以一个月的数据作为一个数据点;
其中智能工厂构建的耗能模型是一个多变量分段线性回归模型,采用梯度下降法辨识得到模型参数并采用损失函数来度量拟合的程度;在最小化损失函数时,可以通过梯度下降法一步步地迭代求解,得到最小化的损失函数和相应的模型参数值;其中,损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数;
对于线性回归,函数表示为:
hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn (4)
其中,θi(i=0,1,2...n)为模型参数,xi(i=1,2,...n)为每个样本的n个特征值;增加一个特征值x0=1,则
对于假设函数,其损失函数为:
通过以下方法进行拟合:
步骤2.1、初始化θ0,θ1,...θn;其中θi(i=0,1,2...n)为模型参数;初始化算法终止距离ε、步长α;
步骤2.2、确定当前位置的损失函数的梯度,对于θi,其梯度表达式如下:
步骤2.3、用步长乘以损失函数的梯度,得到当前位置下降的距离,即:
步骤2.4、确定是否所有的θi下降距离都小于ε,如果小于ε则算法终止,当前的所有θi即为最终结果,转入步骤3;否则转入步骤2.5;
步骤2.5、更新所有的θ,对θi其更新表达式为:
更新完毕后,继续转入步骤步骤2.2;
其中,需要采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合;
其中,制冷变化点β3的最小值Xmin和最大值Xmax值被选为标准片段线性回归方程的初始变化点;然后增加制冷变化点的大小,在X值的范围内重复回归,使模型的均方根误差最小;
步骤3、处理模型系数。
其中,β0与温度调节无关的设备的耗电量,也称为基础负荷;β1代表制冷设备能耗水平,其中制冷设备耗电量均与企业生产规模大小有关;因此,为对智能工厂能效水平作出客观评价,需首先对拟合得到的模型系数进行处理;
β‘0=β0/W
β‘1=β1/W
其中,β‘0为基础负荷系数,β‘1为制冷设备系数;W为企业规划的月产量,反映了企业规模大小。
步骤4、根据确定的该智能工厂的能效水平;
根据企业的基础负荷系数β‘0、制冷设备系数β‘1和制冷变化点β3,确定企业的能效水平;
其中,基础负荷系数β‘0和制冷设备系数β‘1的数值越低,则该智能工厂的能效水平越高;制冷变化点β3的数值越高,则该智能工厂的能效水平越高。
进一步的,所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合,包括:
确定X的最小值Xmin和最大值Xmax;并将由这些值定义的区间划分为宽度为dx的10个增量;
选择X的最小值Xmin作为的初始值,并根据数据对模型进行回归以找到制冷设备能耗水平β1、生产设备的能耗水平β2、均方根误差;
将制冷变化点β3的值增大dx,并再次进行回归,直到制冷变化点β3的值遍历了可能的X值的整个范围,选择使均方根误差最小的制冷变化点β3的值作为初始最佳拟合变化点;
之后使用宽度为2dx的更精细的网格上述步骤,并以制冷变化点β3的初始最佳拟合值为中心,最终求得使模型拟合效果最好的制冷设备能耗水平β1、生产设备的能耗水平β2和制冷变化点β3。
进一步的,所述步骤4还包括:确定能效建议;所述能效建议包括:
若基础负荷系数β‘0较高,需要减少基础设施用电;
若制冷设备系数β‘1较高,则意味着温度每升高一度该智能工厂用于制冷的耗电量比其他同类型企业更高;因此需要提高制冷设备效率,改用能耗更低的设备;同时检查产区房屋结构,对墙壁、天花板等加装隔热层,减少空气渗透;
若生产设备能耗水平β2较高,则意味着每生产单位产量产品该智能工厂的耗电量比其他同类型企业更高;因此需要提高生产设备效率,选用低耗能设备。
进一步的,所述方法还包括:
步骤5、预测耗能情况并量化节能潜力;
确定智能工厂的目标耗能水平,根据目标系数重新运行模型,预测对企业进行改造、达到目标水平后的耗能情况。
同时,本申请实施例还提出了一种非侵入式智能工厂能耗监测系统,包括:
模型构建模块,用于根据智能工厂的用电量、气温、用电量,构建智能工厂能耗模型:
Y=β0+β1(X1-β3)+ (1)
其中X1为室内平均温度,Y为该智能工厂的用电量;β0代表与温度调节无关的设备的耗电量,β1代表制冷敏感度,β3代表制冷变化点;
其中,当温度低于代表制冷变化点β3时制冷设备未开启,则该智能工厂的用电量恒定为β0;当温度大于等于代表制冷变化点β3时制冷设备开启,则制冷导致的耗电量与制冷设备的制冷敏感度β1相关;
当智能工厂的温度恒定;则该智能工厂的用电量随产量的变化曲线为:
Y=β4+β2X2 (2)
其中,X2为主要产品产量,Y为用电量;β4代表与生产无关的设备的耗电量,β2代表生产设备的能耗水平;
当产量为零时,智能工厂的用电量为与生产无关的设备的耗电量β4;
因此智能工厂的用电量同时受到温度以及生产的影响;预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量:
Y=β0+β1(X1-β3)++β2X2 (3)
其中,X1为月平均气温;X2为月产品产量;Y为月用电量;β0代表基本设施用电量;β1代表制冷设备能耗水平;β2代表生产设备能耗水平;β3代表制冷变化点;(X1-β3)+代表当X1<β3时,X1-β3=0;
其中公式(3)中的智能工厂用电量分为三部分:基础设施用电量β0、用于温度调节的用电量β1(X1-β3)+、用于生产的用电量β2;通过输入用电量Y、室外空气温度X1及产量X2,拟合得到模型的参数,相应的对工厂能效作出诊断分析;
其中产量X2和气温X2作为自变量,用电量Y作为因变量,在一年中的数据样本中以一个月的数据作为一个数据点;
其中智能工厂构建的耗能模型是一个多变量分段线性回归模型,采用梯度下降法辨识得到模型参数并采用损失函数来度量拟合的程度;在最小化损失函数时,可以通过梯度下降法一步步地迭代求解,得到最小化的损失函数和相应的模型参数值;其中,损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数;
对于线性回归,函数表示为:
hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn (4)
其中,θi(i=0,1,2...n)为模型参数,xi(i=1,2,...n)为每个样本的n个特征值;增加一个特征值x0=1,则
对于假设函数,其损失函数为:
通过以下方法进行拟合:
步骤2.1、初始化θ0,θ1,...θn;其中θi(i=0,1,2...n)为模型参数;初始化算法终止距离ε、步长α;
步骤2.2、确定当前位置的损失函数的梯度,对于θi,其梯度表达式如下:
步骤2.3、用步长乘以损失函数的梯度,得到当前位置下降的距离,即:
步骤2.4、确定是否所有的θi下降距离都小于ε,如果小于ε则算法终止,当前的所有θi即为最终结果,转入步骤3;否则转入步骤2.5;
步骤2.5、更新所有的θ,对θi其更新表达式为:
更新完毕后,继续转入步骤步骤2.2;
其中,需要采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合;
其中,制冷变化点X0的最小值Xmin和最大值Xmax值被选为标准片段线性回归方程的初始变化点;然后增加制冷变化点的大小,在X值的范围内重复回归,使模型的均方根误差最小;
参数处理模块,用于处理模型系数;其中,β0与温度调节无关的设备的耗电量,也称为基础负荷;β1代表制冷设备能耗水平,其中制冷设备耗电量均与企业生产规模大小有关;因此,为对智能工厂能效水平作出客观评价,需首先对拟合得到的模型系数进行处理;
β‘0=β0/W
β‘1=β1/W
其中,β‘0为基础负荷系数,β‘1为制冷设备系数;W为企业规划的月产量,反映了企业规模大小。
能效模块,用于确定该智能工厂的能效水平;
根据企业的基础负荷系数β‘0、制冷设备系数β‘1和制冷变化点β3,确定企业的能效水平;
其中,基础负荷系数β‘0和制冷设备系数β‘1的数值越低,则该智能工厂的能效水平越高;制冷变化点β3的数值越高,则该智能工厂的能效水平越高。
8.进一步的,所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合,包括:
确定X的最小值Xmin和最大值Xmax;并将由这些值定义的区间划分为宽度为dx的10个增量;
选择X的最小值Xmin作为的初始值,并根据数据对模型进行回归以找到制冷设备能耗水平β1、生产设备的能耗水平β2、均方根误差;
将制冷变化点β3的值增大dx,并再次进行回归,直到制冷变化点β3的值遍历了可能的X值的整个范围,选择使均方根误差最小的制冷变化点β3的值作为初始最佳拟合变化点;
之后使用宽度为2dx的更精细的网格上述步骤,并以制冷变化点β3的初始最佳拟合值为中心,最终求得使模型拟合效果最好的制冷设备能耗水平β1、生产设备的能耗水平β2和制冷变化点β3。
进一步的,所述能效模块还用于执行以下步骤:确定能效建议;所述能效建议包括:
若基础负荷系数β‘0较高,需要减少基础设施用电;
若制冷设备系数β‘1较高,则意味着温度每升高一度该智能工厂用于制冷的耗电量比其他同类型企业更高;因此需要提高制冷设备效率,改用能耗更低的设备;同时检查产区房屋结构,对墙壁、天花板等加装隔热层,减少空气渗透;
若生产设备能耗水平β2较高,则意味着每生产单位产量产品该智能工厂的耗电量比其他同类型企业更高;因此需要提高生产设备效率,选用低耗能设备。
进一步的,所述系统还包括:
预测模块,用于预测耗能情况并量化节能潜力;
确定智能工厂的目标耗能水平,根据目标系数重新运行模型,预测对企业进行改造、达到目标水平后的耗能情况。
本申请的上述技术方案的有益效果如下:本申请提供了一种非侵入式智能工厂能耗监测方法和系统,能够方便地进行负荷监测,节省安装和维护所需要的时间和金钱,符合目前整个社会所提倡的建设节约型社会的要求。
附图说明
图1为本申请实施例的非侵入式智能工厂能耗监测方法的流程示意图;
图2为本申请实施例中拟合出的智能工厂用电量随温度的变化关系图;
图3为本申请实施例中拟合出的智能工厂用电量随产量的变化关系图;
图4为本申请实施例中的梯度下降法流程图;
图5为本申请实施例中的两阶段网格搜索法流程图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
“非侵入式负荷监测(non-intrusive load monitoring,NILM)可以方便地进行负荷监测,节省安装和维护所需要的时间和金钱,符合目前整个社会所提倡的建设节约型社会的要求。以当前的NILM技术为基础,发明人在工作中研发出了一种根据NILM技术进行智能工厂能耗监测诊断与节能潜力分析的方法和系统,主要是通过分析智能工厂的生产工艺流程与用电特性,并基于工厂用电特性构建耗能模型;然后结合用电量、室外空气温度及产量的数据,拟合得到模型的参数,相应对工厂能效作出诊断分析,并提出能效建议。最后,设定工厂的目标耗能水平,根据目标系数重新运行模型,即可预测对工厂进行改造、达到目标水平后的耗能情况。通过比较当前的用电量和目标系数下预测的用电量,进一步量化该工厂能够节约的能源以及能效提升程度,推进该工厂向智能工厂的转变。
为了实现上述技术目的,本申请实施例的技术方案提出了一种非侵入式智能工厂能耗监测方法,其流程如图1所示的,包括:
步骤1、构建智能工厂能耗模型。
对于特定工厂的产量为定值时,用电量随温度的变化曲线如附图2所示的,其室内平均气温X1、用电量Y可以表示为:
Y=β0+β1(X1-β3)+ (1)
其中X1为室内平均温度,Y为该智能工厂的用电量;β0代表与温度调节无关的设备的耗电量,β1代表制冷敏感度,β3代表制冷变化点;
其中,当温度低于代表制冷变化点β3时制冷设备未开启,则该智能工厂的用电量恒定为β0;当温度大于等于代表制冷变化点β3时制冷设备开启,则制冷导致的耗电量与制冷设备的制冷敏感度β1相关;
当智能工厂的温度恒定;则该智能工厂的用电量随产量的变化曲线为:
Y=β4+β2X2 (2)
其中,X2为主要产品产量,Y为用电量;β4代表与生产无关的设备的耗电量,β2代表生产设备的能耗水平;
当产量为零时,智能工厂的用电量为与生产无关的设备的耗电量β4;
因此智能工厂的用电量同时受到温度以及生产的影响;预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量:
Y=β0+β1(X1-β3)++β2X2 (3)
其中,X1为月平均气温;X2为月产品产量;Y为月用电量;β0代表基本设施用电量;β1代表制冷设备能耗水平;β2代表生产设备能耗水平;β3代表制冷变化点;(X1-β3)+代表当X1<β3时,X1-β3=0;
其中公式(3)中的智能工厂用电量分为三部分:基础设施用电量β0、用于温度调节的用电量β1(X1-β3)+、用于生产的用电量β2;通过输入用电量Y、室外空气温度X1及产量X2,拟合得到模型的参数,相应的对工厂能效作出诊断分析;
步骤2、进行模型的拟合。
为实现对工厂的非侵入式辨识,对被分析的工厂,所需输入数据如附表1所示。
表1输入数据
其中,产量和气温作为自变量,用电量作为因变量,以一个月的数据作为一个数据点;为获得更为精确的模型参数,需要足够多的数据样本;通过研究发现至少需要连续一年的数据。当辨识出工厂耗能模型的参数后,还需要与同类型工厂进行对比,以对该企业的能效水平做出评价。
对智能工厂构建的耗能模型是一个多变量分段线性回归模型,为辨识得到模型参数,采用梯度下降法,该方法的计算流程如附
θi,步骤结束;如果否,则重新计算梯度。在微积分中,对多元函数的参数求偏导数,把求得的各个参数的偏导数以向量的形式写出来,就是梯度。比如函数f(x,y),分别对x,y求偏导数,求得的梯度向量就是简称grad f(x,y),对于在点(x,y)的具体梯度向量就是/>梯度向量的几何意义,就是函数变化增加最快的地方。沿着梯度向量的方向,更容易找到函数的最大值;而沿着梯度向量相反的方向,梯度减少最快,也就更加容易找到函数的最小值。
为了评估模型拟合的好坏,采用损失函数来度量拟合的程度。损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数。在最小化损失函数时,可以通过梯度下降法一步步地迭代求解,得到最小化的损失函数和相应的模型参数值。对于线性回归,假设函数表示为:
hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn (4)
其中,θi(i=0,1,2...n)为模型参数,xi(i=1,2,...n)为每个样本的n个特征值;增加一个特征值x0=1,则
对于假设函数,其损失函数为:
算法过程如下:
1)初始化θ0,θ1,...θn、θi(i=0,1,2...n)为模型参数;初始化算法终止距离ε、步长α;
2)确定当前位置的损失函数的梯度,对于θi,其梯度表达式如下:
3)用步长乘以损失函数的梯度,得到当前位置下降的距离,即:
4)确定是否所有的θi下降距离都小于ε,如果小于ε则算法终止,当前的所有θi即为最终结果;否则转入步骤5)
5)更新所有的θ,对θi其更新表达式为:
更新完毕后,继续转入步骤2)。
两阶段网格搜索法。由于耗能模型中“温度调节”一项存在一个制冷变化点β3,因此首先需要确定变化点的大小,对模型进行分段拟合。采用两阶段网格搜索法来确定最合适的变化点。在这种方法中,最小的X值被选为标准片段线性回归方程的初始变化点。增加变化点的大小,在X值的范围内重复回归,使模型RMSE(Root Mean Square Error,均方根误差)最小的变化点为最佳拟合变化点。然后以最初的最佳拟合变化点为中心,用更细的网格重复这一方法。由以上过程可知,变化点的不确定性可以近似于最细网格的宽度。基于这种算法的模型已被广泛用于建筑能源数据。
以公式(3)表示的3P模型为例,对该算法进行描述,计算流程如附图5所示。第一步是确定X的最小值Xmin和最大值Xmax,并将由这些值定义的区间划分为宽度为dx的十个增量。接下来,选择X的最小值Xmin作为的初始值,并根据数据对模型进行回归以找到β1、β2和RMSE。然后β3的值增大dx并再次回归,直到β3的值遍历了可能的X值的整个范围,选择使RMSE最小的β3的值作为初始最佳拟合变化点。之后使用宽度为2dx的更精细的网格重复此方法,并以β3的初始最佳拟合值为中心,最终求得使模型拟合效果最好的β1、β2和β3。β1代表制冷敏感度,β2代表生产设备的能耗水平,β3代表制冷变化点。即,方法包括:
确定Xmin和Xmax;
设置dx=(Xmax-Xmin)/10;
设置β3=Xmin;将模型与数据进行回归,求出β1与β2;记录下使RMSE最小的β3,作为初始最佳拟合变化点β3best;判断β3<Xmin是否成立,如果是则设置设置β3=Xmax,如果否则重复本步骤;
判断是否开展第二轮拟合,如果是则Xmin=β3-dx,Xmax=β3+dx,病重新设置dx=(Xmax-Xmin)/10,并计算β3;如果否则将模型与数据进行回归,求出β1与β2。
步骤3、处理模型系数。
其中,β0与温度调节无关的设备的耗电量,也称为基础负荷;β1代表制冷设备能耗水平,其中制冷设备耗电量均与企业生产规模大小有关;因此,为对智能工厂能效水平作出客观评价,需首先对拟合得到的模型系数进行处理;
β‘0=β0/W
β‘1=β1/W
其中,β‘0为基础负荷系数,β‘1为制冷设备系数;W为企业规划的月产量,反映了企业规模大小。
步骤4、根据确定的能效水平确定能效建议。
一般来说,β‘0和β‘1的数值较低,则意味着更高的能效水平;而对于制冷变化点,较高的数值意味着更高的能效水平。
将被分析的单个智能工厂的系数与基准统计数据进行比较。
若基础负荷系数β‘0较高,需要减少基础设施用电。若制冷设备系数β‘1高,则意味着温度每升高一度,该智能工厂用于制冷的耗电量比其他同类型企业更高。因此需要提高制冷设备效率,改用能耗更低的设备;同时检查产区房屋结构,对墙壁、天花板等加装隔热层,减少空气渗透。若生产设备能耗水平β2高,则意味着每生产单位产量产品,该智能工厂的耗电量比其他同类型企业更高。因此需要提高生产设备效率,选用低耗能设备。同时,可以通过行业调研,选用更为先进的生产工艺,提高生产过程中的能效。
步骤5、预测耗能情况并量化节能潜力。
设定智能工厂的目标耗能水平,根据目标系数重新运行模型,即可预测对企业进行改造、达到目标水平后的耗能情况。通过比较当前的用电量和目标系数下预测的用电量,进一步量化该智能工厂能够节约的能源以及能效提升程度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储介质。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也表示先后顺序。
本申请中的至少一个还可以描述为一个或多个,多个可以是两个、三个、四个或者更多个,本申请不做限制。在本申请实施例中,对于一种技术特征,通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征,该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。
本申请中各表所示的对应关系可以被配置,也可以是预定义的。各表中的信息的取值仅仅是举例,可以配置为其他值,本申请并不限定。在配置信息与各参数的对应关系时,并不一定要求必须配置各表中示意出的所有对应关系。例如,本申请中的表格中,某些行示出的对应关系也可以不配置。又例如,可以基于上述表格做适当的变形调整,例如,拆分,合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称,其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时,也可以采用其他的数据结构,例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。
本申请中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种非侵入式智能工厂能耗监测方法,其特征在于,包括:
步骤1、根据智能工厂的用电量、气温、用电量,构建智能工厂能耗模型:
Y=β0+β1(X1-β3)+ (1)
其中X1为室内平均温度,Y为该智能工厂的用电量;β0代表与温度调节无关的设备的耗电量,β1代表制冷敏感度,β3代表制冷变化点;
其中,当温度低于代表制冷变化点β3时制冷设备未开启,则该智能工厂的用电量恒定为β0;当温度大于等于代表制冷变化点β3时制冷设备开启,则制冷导致的耗电量与制冷设备的制冷敏感度β1相关;
当智能工厂的温度恒定;则该智能工厂的用电量随产量的变化曲线为:
Y=β4+β2X2 (2)
其中,X2为主要产品产量,Y为用电量;β4代表与生产无关的设备的耗电量,β2代表生产设备的能耗水平;
当产量为零时,智能工厂的用电量为与生产无关的设备的耗电量β4;
因此智能工厂的用电量同时受到温度以及生产的影响;预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量:
Y=β0+β1(X1-β3)++β2X2 (3)
其中,X1为月平均气温;X2为月产品产量;Y为月用电量;β0代表基本设施用电量;β1代表制冷设备能耗水平;β2代表生产设备能耗水平;β3代表制冷变化点;(X1-β3)+代表当X1<β3时,X1-β3=0;
其中公式(3)中的智能工厂用电量分为三部分:基础设施用电量β0、用于温度调节的用电量β1(X1-β3)+、用于生产的用电量β2;通过输入用电量Y、室外空气温度X1及产量X2,拟合得到模型的参数,相应的对工厂能效作出诊断分析;
步骤2、对步骤1中得到的模型进行拟合以进行模型的拟合;其中产量X2和气温X2作为自变量,用电量Y作为因变量,在一年中的数据样本中以一个月的数据作为一个数据点;
其中智能工厂构建的耗能模型是一个多变量分段线性回归模型,采用梯度下降法辨识得到模型参数并采用损失函数来度量拟合的程度;在最小化损失函数时,可以通过梯度下降法一步步地迭代求解,得到最小化的损失函数和相应的模型参数值;其中,损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数;
对于线性回归,函数表示为:
hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn (4)
其中,θi(i=0,1,2...n)为模型参数,xi(i=1,2,...n)为每个样本的n个特征值;增加一个特征值x0=1,则
对于假设函数,其损失函数为:
通过以下方法进行拟合:
步骤2.1、初始化θ0,θ1,...θn;其中θi(i=0,1,2...n)为模型参数;初始化算法终止距离ε、步长α;
步骤2.2、确定当前位置的损失函数的梯度,对于θi,其梯度表达式如下:
步骤2.3、用步长乘以损失函数的梯度,得到当前位置下降的距离,即:
步骤2.4、确定是否所有的θi下降距离都小于ε,如果小于ε则算法终止,当前的所有θi即为最终结果,转入步骤3;否则转入步骤2.5;
步骤2.5、更新所有的θ,对θi其更新表达式为:
更新完毕后,继续转入步骤步骤2.2;
其中,需要采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合;
其中,制冷变化点β3的最小值Xmin和最大值Xmax值被选为标准片段线性回归方程的初始变化点;然后增加制冷变化点的大小,在X值的范围内重复回归,使模型的均方根误差最小;
步骤3、处理模型系数;
其中,β0与温度调节无关的设备的耗电量,也称为基础负荷;β1代表制冷设备能耗水平,其中制冷设备耗电量均与企业生产规模大小有关;因此,为对智能工厂能效水平作出客观评价,需首先对拟合得到的模型系数进行处理;
β‘0=β0/W
β‘1=β1/W
其中,β‘0为基础负荷系数,β‘1为制冷设备系数;W为企业规划的月产量,反映了企业规模大小;
步骤4、根据确定的该智能工厂的能效水平;
根据企业的基础负荷系数β‘0、制冷设备系数β‘1和制冷变化点β3,确定企业的能效水平;
其中,基础负荷系数β‘0和制冷设备系数β‘1的数值越低,则该智能工厂的能效水平越高;制冷变化点β3的数值越高,则该智能工厂的能效水平越高。
2.根据权利要求1所述的非侵入式智能工厂能耗监测方法,其特征在于,所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合,包括:
确定X的最小值Xmin和最大值Xmax;并将由这些值定义的区间划分为宽度为dx的10个增量;
选择X的最小值Xmin作为的初始值,并根据数据对模型进行回归以找到制冷设备能耗水平β1、生产设备的能耗水平β2、均方根误差;
将制冷变化点β3的值增大dx,并再次进行回归,直到制冷变化点β3的值遍历了可能的X值的整个范围,选择使均方根误差最小的制冷变化点β3的值作为初始最佳拟合变化点;
之后使用宽度为2dx的更精细的网格上述步骤,并以制冷变化点β3的初始最佳拟合值为中心,最终求得使模型拟合效果最好的制冷设备能耗水平β1、生产设备的能耗水平β2和制冷变化点β3。
3.根据权利要求1所述的非侵入式智能工厂能耗监测方法,其特征在于,所述步骤4还包括:确定能效建议;
所述能效建议包括:
若基础负荷系数β‘0较高,需要减少基础设施用电;
若制冷设备系数β‘1较高,则意味着温度每升高一度该智能工厂用于制冷的耗电量比其他同类型企业更高;因此需要提高制冷设备效率,改用能耗更低的设备;同时检查产区房屋结构,对墙壁、天花板等加装隔热层,减少空气渗透;
若生产设备能耗水平β2较高,则意味着每生产单位产量产品该智能工厂的耗电量比其他同类型企业更高;因此需要提高生产设备效率,选用低耗能设备。
4.根据权利要求1所述的非侵入式智能工厂能耗监测方法,其特征在于,所述方法还包括:
步骤5、预测耗能情况并量化节能潜力;
确定智能工厂的目标耗能水平,根据目标系数重新运行模型,预测对企业进行改造、达到目标水平后的耗能情况。
5.一种非侵入式智能工厂能耗监测系统,其特征在于,包括:
模型构建模块,用于根据智能工厂的用电量、气温、用电量,构建智能工厂能耗模型:
Y=β0+β1(X1-β3)+ (1)
其中X1为室内平均温度,Y为该智能工厂的用电量;β0代表与温度调节无关的设备的耗电量,β1代表制冷敏感度,β3代表制冷变化点;
其中,当温度低于代表制冷变化点β3时制冷设备未开启,则该智能工厂的用电量恒定为β0;当温度大于等于代表制冷变化点β3时制冷设备开启,则制冷导致的耗电量与制冷设备的制冷敏感度β1相关;
当智能工厂的温度恒定;则该智能工厂的用电量随产量的变化曲线为:
Y=β4+β2X2 (2)
其中,X2为主要产品产量,Y为用电量;β4代表与生产无关的设备的耗电量,β2代表生产设备的能耗水平;
当产量为零时,智能工厂的用电量为与生产无关的设备的耗电量β4;
因此智能工厂的用电量同时受到温度以及生产的影响;预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量:
Y=β0+β1(X1-β3)++β2X2 (3)
其中,X1为月平均气温;X2为月产品产量;Y为月用电量;β0代表基本设施用电量;β1代表制冷设备能耗水平;β2代表生产设备能耗水平;β3代表制冷变化点;(X1-β3)+代表当X1<β3时,X1-β3=0;
其中公式(3)中的智能工厂用电量分为三部分:基础设施用电量β0、用于温度调节的用电量β1(X1-β3)+、用于生产的用电量β2;通过输入用电量Y、室外空气温度X1及产量X2,拟合得到模型的参数,相应的对工厂能效作出诊断分析;
拟合模块,用于对模型构建模块得到的模型进行拟合以进行模型的拟合;其中产量X2和气温X2作为自变量,用电量Y作为因变量,在一年中的数据样本中以一个月的数据作为一个数据点;
其中智能工厂构建的耗能模型是一个多变量分段线性回归模型,采用梯度下降法辨识得到模型参数并采用损失函数来度量拟合的程度;在最小化损失函数时,可以通过梯度下降法一步步地迭代求解,得到最小化的损失函数和相应的模型参数值;其中,损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数;
对于线性回归,函数表示为:
hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn (4)
其中,θi(i=0,1,2...n)为模型参数,xi(i=1,2,...n)为每个样本的n个特征值;增加一个特征值x0=1,则
对于假设函数,其损失函数为:
通过以下方法进行拟合:
步骤2.1、初始化θ0,θ1,...θn;其中θi(i=0,1,2...n)为模型参数;初始化算法终止距离ε、步长α;
步骤2.2、确定当前位置的损失函数的梯度,对于θi,其梯度表达式如下:
步骤2.3、用步长乘以损失函数的梯度,得到当前位置下降的距离,即:
步骤2.4、确定是否所有的θi下降距离都小于ε,如果小于ε则算法终止,当前的所有θi即为最终结果,转入步骤3;否则转入步骤2.5;
步骤2.5、更新所有的θ,对θi其更新表达式为:
更新完毕后,继续转入步骤步骤2.2;
其中,需要采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合;
其中,制冷变化点β3的最小值Xmin和最大值Xmax值被选为标准片段线性回归方程的初始变化点;然后增加制冷变化点的大小,在X值的范围内重复回归,使模型的均方根误差最小;
参数处理模块,用于处理模型系数;其中,β0与温度调节无关的设备的耗电量,也称为基础负荷;β1代表制冷设备能耗水平,其中制冷设备耗电量均与企业生产规模大小有关;因此,为对智能工厂能效水平作出客观评价,需首先对拟合得到的模型系数进行处理;
β‘0=β0/W
β‘1=β1/W
其中,β‘0为基础负荷系数,β‘1为制冷设备系数;W为企业规划的月产量,反映了企业规模大小;
能效模块,用于确定该智能工厂的能效水平;
根据企业的基础负荷系数β‘0、制冷设备系数β‘1和制冷变化点β3,确定企业的能效水平;
其中,基础负荷系数β‘0和制冷设备系数β‘1的数值越低,则该智能工厂的能效水平越高;制冷变化点β3的数值越高,则该智能工厂的能效水平越高。
6.根据权利要求5所述的非侵入式智能工厂能耗监测系统,其特征在于,所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合,包括:
确定X的最小值Xmin和最大值Xmax;并将由这些值定义的区间划分为宽度为dx的10个增量;
选择X的最小值Xmin作为的初始值,并根据数据对模型进行回归以找到制冷设备能耗水平β1、生产设备的能耗水平β2、均方根误差;
将制冷变化点β3的值增大dx,并再次进行回归,直到制冷变化点β3的值遍历了可能的X值的整个范围,选择使均方根误差最小的制冷变化点β3的值作为初始最佳拟合变化点;
之后使用宽度为2dx的更精细的网格上述步骤,并以制冷变化点β3的初始最佳拟合值为中心,最终求得使模型拟合效果最好的制冷设备能耗水平β1、生产设备的能耗水平β2和制冷变化点β3。
7.根据权利要求5所述的非侵入式智能工厂能耗监测系统,其特征在于,所述能效模块还用于执行以下步骤:确定能效建议;其中所述能效建议包括:
若基础负荷系数β‘0较高,需要减少基础设施用电;
若制冷设备系数β‘1较高,则意味着温度每升高一度该智能工厂用于制冷的耗电量比其他同类型企业更高;因此需要提高制冷设备效率,改用能耗更低的设备;同时检查产区房屋结构,对墙壁、天花板等加装隔热层,减少空气渗透;
若生产设备能耗水平β2较高,则意味着每生产单位产量产品该智能工厂的耗电量比其他同类型企业更高;因此需要提高生产设备效率,选用低耗能设备。
8.根据权利要求5所述的非侵入式智能工厂能耗监测系统,其特征在于,所述系统还包括:
预测模块,用于预测耗能情况并量化节能潜力;
确定智能工厂的目标耗能水平,根据目标系数重新运行模型,预测对企业进行改造、达到目标水平后的耗能情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412390.9A CN117691736A (zh) | 2023-10-27 | 2023-10-27 | 非侵入式智能工厂能耗监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412390.9A CN117691736A (zh) | 2023-10-27 | 2023-10-27 | 非侵入式智能工厂能耗监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117691736A true CN117691736A (zh) | 2024-03-12 |
Family
ID=90136019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311412390.9A Pending CN117691736A (zh) | 2023-10-27 | 2023-10-27 | 非侵入式智能工厂能耗监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117691736A (zh) |
-
2023
- 2023-10-27 CN CN202311412390.9A patent/CN117691736A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN110375787B (zh) | 一种计量仪表运行状态在线评价方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
US20160283844A1 (en) | Load predictor for a cooling system | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
AU2021329231B2 (en) | Systems and methods to assess and repair data using data quality indicators | |
CN114926004A (zh) | 一种陶瓷基复材母线槽的耐火性能的评价方法及系统 | |
CN117606578A (zh) | 一种智能的气体流量监测方法 | |
CN113792366A (zh) | 一种基于stl分解的隧道收敛变形预测方法 | |
CN117691736A (zh) | 非侵入式智能工厂能耗监测方法和系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
CN117348635B (zh) | 一种智能酒柜温度控制系统及其控制方法 | |
CN117113886B (zh) | 一种压力预测方法及装置 | |
CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
CN117540938B (zh) | 基于td3强化学习优化的集成式建筑能耗预测方法及系统 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN113705932B (zh) | 一种短期负荷预测方法及装置 | |
Zhang et al. | Performance evaluation of analog circuit using improved LSSVR subject to data information uncertainty | |
CN116974320B (zh) | 一种档案智慧管理调控方法及集成控制系统 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
CN117830023A (zh) | 一种能耗管理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |