DE4235274A1 - Verfahren zur Einrichtung und zum Betrieb eines Verbundes von elektrischen Geräten - Google Patents

Description

Die Erfindung betrifft ein Verfahren zur Einrichtung und zum Betrieb eines Verbundes von elektrischen Geräten, wobei der Verbund nicht-steuerbare und/oder steuerbare Geräte umfaßt, wobei zumindest eine Folge von momentanen Leistungsaufnahmewerten des Verbundes und/oder Gerätegruppen und/oder der einzelnen Geräte innerhalb einer aktuellen Meßperiode mit Leistungssensoren gemessen und in einem Prognoserechner abgespeichert wird, wobei eine aktuelle Folge von momentanen Leistungsaufnahmewerten mit dem Prognoserechner zumindest auf einen Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode extrapoliert wird und wobei die momentanen Leistungaufnahmewerte eines oder mehrerer Geräte nach Maßgabe einer maximalen Differenz des extrapolierten Energieverbrauchswertes zu einem vorgegebenen maximalen Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode gesteuert werden. - Die meisten Betriebe, insbesondere Produktionsbetriebe, arbeiten mit einer Mehrzahl von elektrischen Geräten, deren Betrieb aufgrund der Arbeitsprozesse mittelbar oder unmittelbar, beispielsweise im Rahmen einer Produktionslinie, miteinander zu einem funktionellen Verbund verbunden ist. Elektrische Geräte sind dabei Vorrichtungen, die elektrische Energie zumindest zum Teil in andere Energieformen umwandeln. Hierunter fallen insbesondere Arbeitsmaschinen, Heiz- und Kühlgeräte und Beleuchtungsmittel. Nicht-steuerbare Geräte sind Geräte, die während des Betriebes mit konstanter Leistungsaufnahme, der sogenannten Grundlast, arbeiten. Steuerbare Geräte können nach Maßgabe von Steuerungssignalen mit variabler Leistungsaufnahme betrieben werden. Im einfachsten Fall sind steuerbare Geräte ein- und ausschaltbar.

Die zum Betrieb eines Verbundes in einem größeren Zeitraum, beispielsweise in einem Jahr, insgesamt benötigte Menge elektrischer Energie ist durch die Arbeitsprozesse grundsätzlich festgelegt, nicht jedoch die Verteilung von in vergleichsweise kurzen Meßperioden, beispielsweise in einer Viertelstunde, registrierten Energieverbrauchswerten innerhalb des größeren Zeitraumes. Diese Energieverbrauchswerte können aufgrund variierender elektrischer Leistungsaufnahmen im Rahmen des Verbundes von Meßperiode zu Meßperiode beträchtlich schwanken. Dabei muß ein elektrisches Versorgungsnetz zur Versorgung des Verbundes nicht nach Maßgabe einer aus der in einem größeren Zeitraum benötigten Energiemenge ermittelten mittleren Leistungsaufnahme ausgelegt werden, sondern nach Maßgabe einer aus dem höchsten Energieverbrauchswert am Endzeitpunkt einer Meßperiode ermittelten Leistungsspitze. Mit anderen Worten muß das elektrische Versorgungsnetz für einen Verbund mit variierenden Energieverbrauchswerten technisch aufwendiger aufgebaut sein als für einen Verbund mit gleichmäßigen Energieverbrauchswerten bei ansonsten gleicher in dem größeren Zeitraum verbrauchter Menge elektrischer Energie. Dies schlägt sich letztendlich u. a. in dem sog. Leistungspreisanteil bei der Abrechnung mit Energieversorgungsunternehmen nieder, der zusätzlich zu dem von der Energie bestimmten Arbeitsanteil erhoben wird und abhängig von Leistungsspitzen ist. Aus diesen Gründen ist es wünschenswert, diese Energieverbrauchswerte (möglichst knapp) unterhalb eines vorgegebenen maximalen Energieverbrauchswertes zum Endzeitpunkt der Meßperiode zu halten.

Aus der Praxis sind hierzu verschiedene Verfahren bekannt. Ein besonders einfaches Verfahren arbeitet mit einer kontinuierlichen Messung der Leistungsaufnahme und somit des Energieverbrauchswertes in einer Meßperiode, wobei bei Erreichen des vorgegebenen maximalen Energieverbrauchswertes am Endzeitpunkt der Meßperiode vor dem Endzeitpunkt der Meßperiode ein sogenannter Lastabwurf, d. h. eine Abschaltung der angeschlossenen elektrischen Geräte, durch einen Maximumwächter erfolgt. Dieses einfache Verfahren führt jedoch bei Lastabwurf zu einem in erheblichem Maße störenden Eingriff in die Arbeitsprozesse, da es jeglicher Flexibilität entbehrt.

Ebenfalls aus der Praxis ist ein Verfahren der eingangs genannten Art bekannt. Hierbei wird innerhalb einer Meßperiode, welche beispielsweise eine Viertelstunde, eine halbe Stunde oder eine Stunde beträgt, der Verlauf der elektrischen Leistungsaufnahme als zeitliche Folge von momentanen Leistungsaufnahmewerten gemessen und abgespeichert. Dabei wird mit jeder Messung und Abspeicherung eines neuen momentanen Leistungsaufnahmewertes ein neuer, um diesen Leistungsaufnahmewert vermehrter Satz von Leistungsaufnahmewerten gebildet. Dieser neue Satz von Leistungsaufnahmewerten ist die jeweils aktuelle Folge von momentanen Leistungsaufnahmewerten und korrespondiert mit dem Zeitpunkt der Messung des letzten Leistungsaufnahmewertes. Mit einem Prognoserechner läßt sich die jeweils aktuelle Folge von momentanen Leistungsaufnahmewerten auf den Endzeitpunkt extrapolieren, wodurch der voraussichtliche jeweilige Energieverbrauchswert zum Endzeitpunkt der aktuellen Meßperiode gegeben ist. Dabei wird die Extrapolation nach den Regeln der Trendrechnung durchgeführt. Liegt der extrapolierte Energieverbrauchswert über einem vorgegebenen maximalen Verbrauchswert, so erfolgt als Steuerungsmaßnahme ein (begrenzter) Lastabwurf, wobei eines oder mehrere elektrische Geräte mit zumindest reduzierter Leistung angesteuert werden. Liegt der extrapolierte Energieverbrauchswert dagegen unter dem vorgegebenen maximalen Energieverbrauchswert, so werden umgekehrt eines oder mehrere elektrische Geräte mit zumindest erhöhter Leistung angesteuert. Es versteht sich, daß nur solche elektrischen Geräte gesteuert werden, die nicht unbedingt aus produktionstechnischen Gründen gleichzeitig mit hoher oder mit geringer Leistungsaufnahme betrieben werden müssen. Zur Vermeidung von störenden Steuerungsmaßnahmen insbesondere von häufigen Ein- und Ausschaltungen ist im übrigen ein erlaubtes "Fenster" bezüglich des Energieverbrauchswertes eingerichtet. Dies ist unter anderem dadurch einrichtbar, daß der extrapolierte Energieverbrauchswert und der vorgegebene maximale Energieverbrauchswert nicht exakt übereinstimmen müssen, sondern daß eine Abweichung innerhalb der vorgegebenen maximalen Differenz dieser beiden Werte keine Steuerungsmaßnahmen auslöst. Im Ergebnis wird erreicht, daß einerseits Geräte mit hoher Leistungsaufnahme, die nicht gleichzeitig betrieben werden müssen, nicht ständig eingeschaltet sind, sondern beispielsweise in verschiedenen Meßperioden im Gegentakt gesteuert werden, und daß andererseits der vorgegebene maximale Energieverbrauchswert ausgenutzt wird.

Dieses bekannte Verfahren hat sich bewährt, ist jedoch verbesserungsfähig, da sich gezeigt hat, daß insbesondere bei stark schwankenden Leistungsaufnahmen unnötige, die Arbeitsprozesse störende Steuerungen der Leistungsaufnahmewerte erfolgen. Auch finden vereinzelt unzulässige Überschreitungen der vorgegebenen maximalen Energieverbrauchswerte statt mit der möglichen Folge von in besonderem Maße störenden Sicherheitsabschaltungen der steuerbaren Geräte des gesamten Verbundes durch zusätzliche Maximumwächter. Meist wird ferner der vorgegebene maximale Energieverbrauchswert nicht gut ausgenutzt.

Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Einrichtung und zum Betrieb eines Verbundes von elektrischen Geräten anzugeben, welches mit erhöhter Zuverlässigkeit bezüglich eventueller Überschreitungen des vorgegebenen maximalen Energieverbrauchswertes arbeitet, diesen aber auch besonders gut ausnutzt.

Zur Lösung dieser Aufgabe lehrt die Erfindung, daß der Prognoserechner zumindest ein neuronales Netzwerk aus einer Mehrzahl von miteinander verbundenen Subrechnern aufweist, daß in einer Einrichtungsverfahrensstufe eine Mehrzahl von Fakten, welche jeweils zumindest eine gemessene und gespeicherte Folge momentaner Leistungsaufnahmewerte und einen korrespondierenden gemessenen und gespeicherten Energieverbrauchswert am Endzeitpunkt einer Meßperiode als Bestandteile aufweisen, dem neuronalen Netzwerk eingegeben wird, wobei zumindest eine Gewichtungsmatrix des neuronalen Netzwerkes berechnet und gespeichert wird, daß in einer Arbeitsverfahrensstufe die aktuelle Folge von momentanen Leistungsaufnahmewerten mit den Leistungssensoren gemessen und dem neuronalen Netzwerk eingegeben wird, wobei mittels der Gewichtsmatrix der Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode berechnet wird, und daß in der Arbeitsverfahrensstufe die Energieverbrauchswerte an den Endzeitpunkten abgelaufener Meßperioden gemessen, gespeichert und mit den korrespondierenden Folgen momentaner Leistungsaufnahmewerte als Bestandteile zusätzlicher Fakten dem neuronalen Netzwerk eingegeben werden. Vorzugsweise geschieht dieses so, daß die Gewichtsmatrix unter Berücksichtigung aller eingegebener Fakten neu berechnet wird. - Die Subrechner eines neuronalen Netzwerkes besitzen jeweils eine Mehrzahl von Eingängen, jedoch nur einen Ausgang. Ein Subrechner arbeitet in der Regel so, daß ein einem Eingang zugeführtes elektrisches Signal bzw. Datenwert mit einem einstellbaren Gewichtungsfaktor multipliziert wird, daß alle mit den gegebenenfalls verschiedenen Gewichtungsfaktoren multiplizierten Signale bzw. Datenwerte zu einer Summe addiert werden und daß durch Anwendung einer wählbaren Übertragungsfunktion aus der Summe ein Ausgangssignal gebildet wird. Die Subrechner eines neuronalen Netzwerkes sind in zumindest zwei Schichten, selten mehr als fünf Schichten, organisiert und miteinander verbunden. Dabei bildet eine Schicht die Eingangsschicht, deren Subrechner elektrische Signale bzw. Datenwerte zuführbar sind. Eine andere Schicht bildet die Ausgangsschicht, von deren Subrechnern elektrische Signale bzw. Datenwerte abnehmbar sind. Weitere Schichten sind als sogenannte verborgene Schichten zwischen der Eingangsschicht und der Ausgangsschicht angeordnet. Dabei ist der einzelne Ausgang eines Subrechners einer Schicht jeweils mit zumindest einem der Eingänge der Subrechner einer anderen Schicht verbunden. Dabei wird unterschieden zwischen vorwärts gekoppelten neuronalen Netzwerken, bei welchen die Ausgänge der Subrechner einer Schicht nur mit Eingängen von Subrechnern nachgeordneter Schichten verbunden sind, und rückwärts gekoppelten neuronalen Netzwerken, bei welchen auch Verbindungen der Ausgänge von Subrechnern einer nachgeordneten Schicht mit Eingängen von Subrechnern vorgeordneter Schichten eingerichtet sind. Die Gewichtungsfaktoren eines neuronalen Netzwerkes bilden zumindest eine Gewichtsmatrix, wobei die Anzahl der Gewichtungsmatrizen im wesentlichen von der Anzahl Schichten abhängt. Die Subrechner sind vorteilhafterweise als parallel arbeitende Prozessoren ausgebildet, können aber auch mit einem üblichen Rechner, beispielsweise mit Von-Neumann-Architektur, virtuell gebildet werden. Neuronale Netzwerke benötigen vor dem praktischen Einsatz ein sogenanntes "Training". Dabei werden dem neuronalen Netzwerk beispielsweise Signale bzw. Daten sowie mit diesen Signalen bzw. Daten korrelierte Ergebnissignale bzw. -daten eingegeben. Die Gesamtheit eines Satzes solcher Signale bzw. Daten bezeichnet man als Fakt. Mit der Eingabe einer Mehrzahl unterschiedlicher Fakten mit variierenden Bestandteilen ist eine Gewichtungmatrix erhaltbar, die alle "trainierten" Fakten berücksichtigt. Mit einem solchermaßen "trainierten" neuronalen Netzwerk lassen sich beispielsweise die fehlenden Bestandteile unvollständig eingegebener Fakten mit besonders hoher Zuverlässigkeit berechnen. Die Eingabe weiterer Fakten verbessert diese Zuverlässigkeit.

Neuronale Netzwerke sind an sich und für sich bekannt. Für eine allgemeine Darstellung der Funktionsweise neuronaler Netzwerke wird ergänzend auf das DE-Buch "Neuronale Netze", Jeannette Lawrence, Systema-Verlag GmbH, München, 1992, verwiesen. Bezüglich der Mathematik der Zusammenhänge, insbesondere des "Trainings" von neuronalen Netzwerken wird auf das US-Buch "Neural Networks and Fuzzy Systems", B. Kosko, Prentice Hall Inc., Englewood Cliffs, N.Y., USA, 1992, verwiesen.

Die Erfindung geht aus von der Erkenntnis, daß einerseits die momentanen Leistungsaufnahmewerte und damit die Energieverbrauchswerte an den Endzeitpunkten der Meßperioden bei einem Verbund im wesentlichen einer Systematik unterliegen, welche für den jeweiligen Verbund eigentümlich, jedoch komplex ist, welche sich aber auch über mehrere Meßperioden erstrecken und mittel- und langfristig variieren kann, und daß andererseits eine solche Systematik zumindest näherungsweise erfaßt und genutzt werden kann, wenn ein neuronales Netzwerk im Rahmen der konkreten erfindungsgemäßen Verfahrensweise mit einer Einrichtungsverfahrensstufe zum "Trainieren" des neuronalen Netzwerkes und einer selbstadaptierenden Arbeitsverfahrensstufe eingesetzt wird. Gegenüber den aus der Praxis genannten Verfahren der eingangs genannten Art weist das erfindungsgemäße Verfahren als Vorteile auf, daß auch bei innerhalb einer aktuellen Meßperiode stark schwankenden Leistungsaufnahmewerten eine sehr sichere Extrapolation des Energieverbrauchswertes am Ende der Meßperiode berechenbar ist, daß häufige und unnötige Steuerungen oder Sicherheitsabschaltungen bzw. Überlastungen praktisch nicht mehr auftreten, und daß der vorgegebene maximale Energieverbrauchswert praktisch stets gut ausgenutzt wird. Insofern wird sowohl eine Leistungssteigerung des Verbundes der elektrischen Geräte als auch eine erhöhte Zuverlässigkeit erreicht.

In einer bevorzugten Ausführungsform der Erfindung weist der Prognoserechner zumindest ein vorwärts gekoppeltes neuronales Netzwerk, vorzugsweise mit nicht-linearer und stetig differenzierbarer, Neuronenübertragungsfunktion, auf. Neuronale Netzwerke diesen Aufbaus sind relativ einfach, sind aber dennoch besonders gut für Extrapolationen geeignet. Im übrigen arbeiten sie besonders schnell, so daß Echtzeit-Extrapolationen möglich sind. Hierdurch sind störende Verzögerungen der eventuell erforderlichen Steuerungen vermeidbar. Übliche nicht-lineare Übertragungsfunktionen sind die lineare Schwellenwertfunktion, die Stufenfunktion und die sigmoiden Funktionen.

Das neuronale Netzwerk kann zumindest ein Gegenstrom-Netzwerk aufweisen, wobei mit jeder Eingabe eines Faktes automatisch eine Neuberechnung der Gewichtungsmatrix unter Berücksichtigung des eingegebenen Faktes und der zuvor eingegebenen Fakten erfolgt. Diese Funktion bezeichnet man als Counter-Propagation. Alternativ kann in dem neuronalen Netzwerk bei üblicher Schaltung mit jeder Eingabe eines Faktes ein Fehlerkorrektursignal rückwärts durch das neuronale Netzwerk geführt werden, wobei die Gewichtungsmatrix durch das Fehlerkorrektursignal unter Berücksichtigung des eingegebenen Faktes und der zuvor eingegebenen Fakten neu berechnet wird. Dies wird als Back-Propagation bezeichnet. In ersterem Fall weist das neuronale Netzwerk beispielsweise fünf Schichten auf, wobei die beiden außenliegenden Schichten Eingangsschichten sind, die nächstinneren Schichten, die sogenannten Grossberg-Module, Ausgangsschichten sind und die mittlere Schicht, die sogenannte Kohonen-Schicht, eine verborgene Schicht ist. Bei einem solchen Gegenstrom-Netzwerk kann die Einrichtungsverfahrensstufe ohne Überwachung durchgeführt werden, sie ist jedoch vergleichsweise langsam aufgrund von besonderen Maßnahmen, welche erforderlich sind, um Konvergenzprobleme zu vermeiden. In letzterem Fall ist das neuronale Netzwerk beispielsweise von klassischem Aufbau mit drei Schichten. In der Einrichtungsverfahrensstufe sind dann jedoch die angegebenen Überwachungsmaßnahmen erforderlich.

In einer weiterhin bevorzugten Ausführungsform der Erfindung werden nicht-elektrische, im Rahmen des Verbundes die Leistungsaufnahmewerte beeinflussende Größen gemessen, in elektrische Signale umgewandelt, gespeichert und dem neuronalen Netzwerk zugeführt. Solche Größen sind beispielsweise Temperaturen der Umgebung, von Materialien und Geräten, Mengenströme, Umdrehungszahlen, Taktzahlen und Geschwindigkeiten. Wenn Größen dieser Art in geeigneter Form dem neuronalen Netzwerk in der Einrichtungsverfahrensstufe als Bestandteile der Fakten zusammen mit den korrespondierenden Folgen momentaner Leistungsaufnahmewerte und Energieverbrauchswerte zugeführt werden, arbeitet die Arbeitsverfahrensstufe mit besonders hoher Zuverlässigkeit.

Eine besonders vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens ist dadurch gekennzeichnet, daß die Steuerung der momentanen Leistungsaufnahmewerte eines oder mehrerer Geräte zusätzlich nach Maßgabe vorgegebener, ggf. variabler minimaler und maximaler Leistungsaufnahmewerte der Geräte mittels eines Optimierungsrechners durchgeführt wird. Durch die Vorgabe von minimalen und maximalen Leistungsaufnahmewerten einzelner Geräte oder Gerätegruppen ggf. in Verbindung mit korrelierten Vorgaben für andere Geräte bzw. Gerätegruppen läßt sich mittels eines Optimierungsrechners eine für den Arbeitsprozeß besonders günstige Konfiguration der Leistungsaufnahmewerte zu allen Zeitpunkten bestimmen und steuern. Dabei kann der Optimierungsrechner ein integraler Bestandteil des neuronalen Netzwerkes sein, wobei nicht-elektrische, mit den Leistungsaufnahmewerten verknüpfte Größen des Verbundes gemessen, in elektrische Signale umgewandelt, gespeichert und als Bestandteile von Fakten dem neuronalen Netzwerk eingegeben werden. Der Optimierungsrechner kann aber auch ein getrenntes neuronales Netzwerk, vorzugsweise ein rückgekoppeltes Hopfield-Netzwerk, sein, wobei nicht-elektrische, mit den Leistungsaufnahmewerten verknüpfte Größen des Verbundes gemessen, in elektrische Signale umgewandelt, gespeichert und als Bestandteile von Fakten dem Optimierungsrechner eingegeben werden. Ein Hopfield-Netzwerk kann mit lediglich einer Eingangs- und einer Ausgangsschicht ausgebildet sein, und ist durch besonders schnelle und dennoch zuverlässige Optimierungsrechnungen charakterisiert. Weiterhin alternativ kann der Optimierungsrechner als Expertensystem ausgebildet sein und nach Maßgbe eines Satzes von vorgegebenen Schalt- und Steuerkombinationsregeln betrieben werden. Einen besonders leistungsfähigen Prognoserechner bzw. Optimierungsrechner erhält man, wenn der Prognoserechner und/oder der Optimierungsrechner zumindest zum Teil mit Fuzzy-Logic-Baugruppen arbeitet. Bezüglich weiterer Einzelheiten zu den verschiedenen vorwärts gekoppelten und rückwärts gekoppelten neuronalen Netzwerken sowie zur Fuzzy-Logic wird ergänzend auf die Literaturstelle "Neural Networks and Fuzzy Systems, B. Kosko, Prentice Hall Inc., Englewood Cliffs, N.Y., USA, 1992, verwiesen.

Die erreichten Vorteile sind, zusammengefaßt, darin zu sehen, daß eine optimale Ausnutzung des vorgegebenen maximalen Energieverbrauchswertes erreicht wird, ohne daß der Betriebsablauf dabei mehr als unbedingt nötig gestört wird. Im übrigen erreicht die Erfindung eine erhöhte Zuverlässigkeit bezüglich eventueller Überschreitungen des vorgegebenen maximalen Energieverbrauchswertes. Es versteht sich, daß die Subrechner auch in einem Chip untergebracht werden können.

Die Erfindung wird im folgenden anhand lediglich Ausführungsbeispiele darstellenden Zeichnungen näher erläutert. Es zeigt

Fig. 1 eine Anordnung zur Durchführung des erfindungsgemäßen Verfahrens mit einem Prognoserechner mit lediglich einem neuronalen Netzwerk,

Fig. 2 eine Anordnung zur Durchführung des erfindungsgemäßen Verfahrens mit einem Prognoserechner mit mehreren neuronalen Netzwerken.

Der grundsätzliche Aufbau der Anordnungen gemäß der Fig. 1 und 2 besteht aus einem Verbund 1 von elektrischen Geräten 2a-d, einem Versorgungsnetz 3 zur Versorgung der elektrischen Geräte 2a-d mit Strom, Leistungssensoren 4a-d zur Messung der momentanen elektrischen Leistungsaufnahmen, einem Prognoserechner 5, einem Optimierungsrechner 10, Steuerungsvorrichtungen 9a-c sowie Sensoren 12a-d und Speicher 13 zur Messung und Speicherung nicht-elektrischer Größen der Geräte 2a-d, wie beispielsweise Umdrehungszahlen. Mit dem Terminal 8 sind dem Optimierungsrechner 10 maximale Energieverbrauchswerte am Endzeitpunkt einer Meßperiode sowie die maximal zulässige (ggf. unsymmetrische) Differenz eines mit dem Prognoserechner 5 extrapolierten Energieverbrauchswertes hierzu eingebbar. Die neuronalen Netzwerke 7 bzw. 7a-d weisen jeweils eine Mehrzahl von in Schichten miteinander verbundenen, parallel arbeitenden Subrechnern auf, welche aus Gründen der Übersichtlichkeit nicht gezeichnet sind.

In der Anordnung Fig. 1 ist das Gerät 2d nicht steuerbar, während die Geräte 2a-c mit den Steuerungsvorrichtungen 9a-c steuerbar sind. Der Prognoserechner 5 weist vier Speicher 6a-d auf, in welchen die aktuelle Folge von momentanen Leistungsaufnahmewerten jedes Gerätes 2a-d in der aktuellen Meßperiode von einer Viertelstunde Dauer gebildet und gespeichert wird. In den Speichern 6a-d sind ferner die Folgen momentaner Leistungsaufnahmewerte abgelaufener Meßperioden mit den daraus ermittelten korrespondierenden Energieverbrauchswerten abgespeichert und abrufbar. Hierzu korrespondierend sind in dem Speicher 13 für nicht-elektrische Größen der Geräte 2a-d diese Größen abgespeichert und abrufbar. Die Speicherinhalte der Speicher 6a-d, 13, bilden Sätze von Fakten. Der Prognoserechner weist ferner ein einzelnes neuronales Netzwerk 7 auf. In einer Einrichtungsverfahrensstufe werden dem neuronalen Netzwerk 7 eine Mehrzahl von in den Speichern 6a-d, 13 abgespeicherte Fakten eingegeben, wobei mit der Eingabe jedes Faktes mittels Back-Propagation eine Gewichtungsmatrix des neuronalen Netzwerkes 7 neu berechnet wird, welche alle eingegebenen Fakten berücksichtigt. In einer Arbeitsverfahrensstufe, welche nach Abschluß der Einrichtungsverfahrensstufe durchgeführt wird, werden die einzelnen aktuellen Folgen von momentanen Leistungsaufnahmewerten aus den Speichern 6a-d zusammen mit den aktuellen gemessenen, nicht-elektrischen Größen dem neuronalen Netzwerk 7 zugeführt, in welchem mittels der Gewichtungsmatrix der voraussichtliche gesamte Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode extrapoliert bzw. berechnet wird. Das Ergebnis der Extrapolation wird dem Optimierungsrechner 10 zugeführt, welcher ein Expertensystem 11′ aufweist. Der Optimierungsrechner steuert die Geräte 2a-c über die Steuerungsvorrichtungen 9a-c so, daß eine mit dem Terminal 8 eingegebene maximale Differenz zu einem vorgegebenen maximalen Energieverbrauchswert am Ende einer Meßperiode nicht überschritten wird. Nach Ablauf jeder Meßperiode in der Arbeitsverfahrensstufe wird die Gewichtungsmatrix des neuronalen Netzwerkes 7 mit dem bei Ablauf der Meßperiode entstandenen vollständigen Fakt neu berechnet, wodurch eine automatische Adaption an sich ändernde Verhältnisse in dem Verbund 1 erfolgt.

In der Anordnung Fig. 2 weist der Prognoserechner 5 mehrere neuronale Netzwerke 7a-d auf, welche jeweils einem Speicher 6a-d zugeordnet sind. Dabei sind die Speicher 6b-d jeweils einem Gerät 2a-c zugeordnet, während der Speicher 6a dem Verbund 1 insgesamt zugeordnet ist. In der Einrichtungsverfahrensstufe werden den neuronalen Netzwerken 7a-d die jeweiligen zugehörigen Fakten eingegeben und es werden die entsprechenden Gewichtungsmatrizen berechnet. In der Arbeitsverfahrensstufe wird mittels der Gewichtungsmatrizen nicht nur der voraussichtliche gesamte Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode extrapoliert und berechnet, sondern zusätzlich auch die voraussichtlichen Energieverbrauchswerte für die einzelnen Geräte 2a-c. Dieser Satz von extrapolierten Energieverbrauchswerten wird dem Optimierungsrechner 10, welcher ein Hopfield-Netzwerk 11 aufweist, als Fakt zugeführt. Es versteht sich dabei, daß das Hopfield-Netzwerk 11 eine geeignete Gewichtungsmatrix bereits enthält. Es versteht sich weiterhin, daß abweichend von der gezeichneten Ausführungsform auch dem Hopfield-Netzwerk 11 die nicht-elektrischen Größen aus dem Speicher 13 zugeführt werden können. Die Steuerung der Geräte 2a-c erfolgt analog dem Ausführungsbeispiel Fig. 1, wobei auch das Hopfield-Netzwerk 11 an sich verändernde Verhältnisse in dem Verbund 1 adaptierbar ist.

Claims (10)

1. Verfahren zur Einrichtung und zum Betrieb eines Verbundes von elektrischen Geräten, wobei der Verbund nicht-steuerbare und/oder steuerbare Geräte umfaßt,
wobei zumindest eine Folge von momentanen Leistungsaufnahmewerten des Verbundes und/oder Gerätegruppen und/oder der einzelnen Geräte innerhalb einer aktuellen Meßperiode mit Leistungssensoren gemessen und in einem Prognoserechner abgespeichert wird,
wobei eine aktuelle Folge vom momentanen Leistungsaufnahmewerten mit dem Prognoserechner zumindest auf einen Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode extrapoliert wird und
wobei die momentanen Leistungsaufnahmewerte eines oder mehrerer Geräte nach Maßgabe einer maximalen Differenz des extrapolierten Energieverbrauchswertes zu einem vorgegebenen maximalen Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode gesteuert werden,
dadurch gekennzeichnet,
daß der Prognoserechner (5) zumindest ein neuronales Netzwerk (7, 7a-d) aus einer Mehrzahl von miteinander verbundenen Subrechnern aufweist,
daß in einer Einrichtungsverfahrensstufe eine Mehrzahl von Fakten, welche zumindest eine gemessene und gespeicherte Folge momentaner Leistungsaufnahmewerte und einen korrespondierenden gemessenen und gespeicherten Energieverbrauchswert am Endzeitpunkt einer Meßperiode als Bestandteile aufweisen, dem neuronalen Netzwerk (7, 7a-d) eingegeben wird, wobei zumindest eine Gewichtungsmatrix des neuronalen Netzwerkes (7, 7a-d) berechnet und gespeichert wird,
daß in einer Arbeitsverfahrensstufe die aktuelle Folge von momentanen Leistungsaufnahmewerten mit den Leistungssensoren (4a-d) gemessen und dem neuronalen Netzwerk (7, 7a-d) eingegeben wird, wobei mittels der Gewichtungsmatrix der Energieverbrauchswert am Endzeitpunkt der aktuellen Meßperiode berechnet wird, und
daß in der Arbeitsverfahrensstufe die Energieverbrauchswerte an den Endzeitpunkten abgelaufener Meßperioden gemessen, gespeichert und mit den korespondierenden Folgen momentaner Leistungsaufnahmewerte als Bestandteile zusätzlicher Fakten dem neuronalen Netzwerk (7, 7a-d) eingegeben werden.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Prognoserechner (5) zumindest ein vorwärts gekoppeltes neuronales Netzwerk (7, 7a-d), vorzugsweise mit nicht linearer und stetig differenzierbarer Neuronenübertragungsfunktion, aufweist.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß das neuronale Netzwerk (7, 7a-d) zumindest ein Gegenstrom-Netzwerk aufweist, wobei mit jeder Eingabe eines Faktes automatisch eine Neuberechnung der Gewichtungsmatrix unter Berücksichtigung des eingegebenen Faktes und der zuvor eingegebenen Fakten erfolgt (Counter-Propagation).

4. Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, daß in dem neuronalen Netzwerk (7, 7a-d) mit jeder Eingabe eines Faktes ein Fehlerkorrektursignal rückwärts durch das neuronale Netzwerk (7, 7a-d) geführt wird, wobei die Gewichtungsmatrix durch das Fehlerkorrektursignal unter Berücksichtigung des eingegebenen Faktes und der zuvor eingegebenen Fakten neu berechnet wird (Back-Propagation).

5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß nicht-elektische, im Rahmen des Verbundes (1) die Leistungsaufnahmewerte beeinflussende Größen gemessen, in elektrische Signale umgewandelt, gespeichert und dem neuronalen Netzwerk (7, 7a-d) zugeführt werden.

6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, daß die Steuerung der momentanen Leistungsaufnahmewerte eines oder mehrerer Geräte (2a-d) zusätzlich nach Maßgabe vorgegebener, ggf. variabler, minimaler und maximaler Leistungsaufnahmewerte der Geräte (2a-d) mittels eines Optimierungsrechners (10) durchgeführt wird.

7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß der Optimierungsrechner (10) ein integraler Bestandteil des neuronalen Netzwerkes (7, 7a-d) ist, wobei nicht-elektrische, mit den Leistungsaufnahmewerten verknüpfte Größen des Verbundes (1) gemessen, in elektrische Signale umgewandelt, gespeichert und als Bestandteile von Fakten dem neuronalen Netzwerk (7, 7a-d) eingegeben werden.

8. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß der Optimierungsrechner (10) ein getrenntes neuronales Netzwerk (11), vorzugsweise ein rückgekoppeltes Hopfield-Netzwerk, ist, wobei nicht-elektrische, mit den Leistungsaufnahmewerten verknüpfte Größen des Verbundes (1) gemessen, in elektrische Signale umgewandelt, gespeichert und als Bestandteile von Fakten dem Optimierungsrechner (10) eingegeben werden.

9. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, daß der Optimierungsrechner (10) als Expertensystem (11′) ausgebildet ist und nach Maßgabe eines Satzes von vorgegebenen Schalt- und Steuerkombinationsregeln betrieben wird.

10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, daß der Prognoserechner (5) und/oder der Optimierungsrechner (10) zumindest zum Teil mit Fuzzy-Logic-Baugruppen arbeitet.