ES2967447T3 - Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales - Google Patents

Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales Download PDF

Info

Publication number
ES2967447T3
ES2967447T3 ES19828799T ES19828799T ES2967447T3 ES 2967447 T3 ES2967447 T3 ES 2967447T3 ES 19828799 T ES19828799 T ES 19828799T ES 19828799 T ES19828799 T ES 19828799T ES 2967447 T3 ES2967447 T3 ES 2967447T3
Authority
ES
Spain
Prior art keywords
energy consumption
curve
pattern
curves
time
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.)
Active
Application number
ES19828799T
Other languages
English (en)
Inventor
Unda Iñaki Grau
Gaitan Alicia Rubio
Lopez Sergio Gil
Olavarria Eugenio Perea
Telleria Izaskun Mendia
Marquina Adelaida Lejarazu
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gestamp Automocion Sa
Fundacion Tecnalia Research and Innovation
Original Assignee
Gestamp Automocion Sa
Fundacion Tecnalia Research and Innovation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gestamp Automocion Sa, Fundacion Tecnalia Research and Innovation filed Critical Gestamp Automocion Sa
Application granted granted Critical
Publication of ES2967447T3 publication Critical patent/ES2967447T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

Un método implementado por computadora para evaluar el consumo de energía en una planta industrial, que comprende: en una pluralidad de instantes de tiempo, capturar con una pluralidad de sensores, datos de sensores de al menos un nivel de la planta industrial, en donde dicha pluralidad de sensores comprende energía sensores de medición; a partir de dichos datos del sensor, obtener digitalmente una pluralidad de curvas de consumo de energía xj, representando una curva de consumo de energía, a lo largo de un cierto período de tiempo T, valores discretos de consumo de energía correspondientes a intervalos de tiempo Δt en los que se divide dicho período de tiempo T; a partir de dichas curvas de consumo de energía xj, aplicando un algoritmo de agrupamiento para calcular digitalmente una pluralidad de K patrones de consumo de energía Ck, en donde cada patrón de consumo de energía Ck representa un conjunto de curvas de consumo de energía xj agrupadas de acuerdo con una métrica de similitud, en donde cada patrón de consumo de energía Ck comprende valores discretos de consumo de energía correspondientes a dichos intervalos de tiempo Δt en los que se divide dicho período de tiempo T; capturar datos de la producción lograda durante dicho período de tiempo T en dicho al menos un nivel de la planta industrial; calcular, para cada curva de consumo de energía perteneciente a cada patrón, la suma agregada de los valores discretos de consumo de energía durante dicho período de tiempo T, obteniendo así el consumo de energía agregado para cada curva de consumo de energía durante dicho período de tiempo T; establecer digitalmente una relación entre el consumo de energía agregado para cada curva de consumo de energía durante dicho período de tiempo T y dichos datos capturados de producción. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales
Campo técnico
La presente invención se refiere al campo de la supervisión y el análisis del consumo de energía en entornos industriales.
Estado de la técnica
En las últimas décadas, la eficiencia energética es un objetivo de la política energética declarado en casi todos los países. Los argumentos para una eficiencia energética mejorada en entornos industriales y otros edificios se centran en costes de energía reducidos para fabricantes y consumidores, seguridad de suministro de energía, comodidad mejorada, menores emisiones de gases de efecto invernadero y una contribución principal al objetivo de desarrollo sostenible.
En la industria, una mejora en la eficiencia energética debe considerarse como cualquier acción realizada por un fabricante que reduce el uso de energía por unidad de salida sin afectar al nivel de servicio proporcionado. Las mejoras en la eficiencia energética pueden considerarse, por lo tanto, en todas las etapas de los diversos niveles de entornos industriales.
Hoy en día, la así llamada Industria 4.0 prevé el uso de inteligencia embebida implementando sistemas ciberfísicos (CPS) que incluyen datos que conducen a soluciones basándose en estructuras e infraestructuras de grandes volúmenes de datos. Por ejemplo, Lee J., Kao H. A., y Yang S., Service innovation and smart analytics for Industry 4.0 and big data environment, La 6a Conferencia sobre Sistemas de Producto-Servicio Industrial del CIRP, Elsevier, Vol.
16, pp. 3-8, 2014, divulgan un CPS que usa algoritmos de aprendizaje adaptativos para representar la degradación y comportamiento de rendimiento de una máquina en el mundo físico.
Bhatnager R. Y Rao Ch., Energy Resource Management Based on Data Mining and Artificial Intelligence, Estudio de Verano de ACEEE sobre Eficiencia Energética en la Industria, 2005 ha descrito un conjunto de algoritmos de minería de datos para determinar comportamientos temporales típicos del consumo energético y la frecuencia de su ocurrencia. Por lo tanto, para diferentes perfiles de consumo de potencia eléctrica que corresponden a un dispositivo, se obtienen patrones de uso pertinentes para el dispositivo.
El documento US8989910B1 divulga métodos y sistemas para recopilar y analizar datos relativos al consumo de energía y a los factores que afectan a la producción de energía. El documento US10120353B2 divulga un método de gestión de energía en el que se recopilan datos y se identifican y clasifican grupos de datos. El documento US2015/0316904A1 divulga un componente de automatización industrial para identificar patrones similares en diferentes conjuntos de datos.
Sin embargo, los enfoques propuestos no permiten realizar una gestión energética integrada de toda una planta industrial.
Por lo tanto, existe una necesidad de desarrollar un método mejorado de gestión de energía en una planta industrial.
Descripción de la invención
El método implementado por ordenador y sistema para evaluar el consumo de energía en entornos industriales descrito en la presente divulgación pretende resolver las deficiencias de los métodos de la técnica anterior y sistemas de los mismos.
El método de la presente divulgación realiza un análisis y una evaluación integrados de consumo de energía en plantas industriales. En realizaciones de la invención, la planta industrial puede considerarse, desde el punto de vista del punto de conexión del servicio público, como una colección de cargas agrupadas en diferentes niveles de submedición. Gracias al despliegue de IoT (Internet de las Cosas), equipo como contadores y pasarelas habilitan medir una diversidad de magnitudes físicas y conectar componentes industriales, habilitando la recopilación de datos en niveles de submedición. A través del análisis de patrones y datos de producción no observados ni correlacionados anteriormente, pueden interpretarse los comportamientos de energía. En realizaciones de la invención, también pueden detectarse ineficiencias energéticas en un proceso de producción y puede evaluarse la causa de esas ineficiencias. Por lo tanto, el método de la presente divulgación permite evaluar si los comportamientos de energía descubiertos se deben o no a cambios de producción.
Un primer aspecto de la invención se refiere a un método implementado por ordenador para evaluar el consumo de energía en una planta industrial, que comprende: en una pluralidad de instantes de tiempo, capturar con una pluralidad de sensores, datos de sensor desde al menos un nivel de la planta industrial, en donde dicha pluralidad de sensores comprenden sensores de medición de energía; a partir de dichos datos de sensor, obtener digitalmente una pluralidad de curvas de consumo de energía X<j>, en dondej = 0, 1,2,..., J-1, siendo J un número natural, representando una curva de consumo de energía, a lo largo de cierto periodo de tiempo T, valores discretos de consumo de energía que corresponden a intervalos de tiempo At en los que se divide dicho periodo de tiempo T; a partir de dichas curvas de consumo de energía X<j>, aplicar un algoritmo de agrupación para calcular digitalmente una pluralidad de K patrones de consumo de energía C<k>, en donde k = 0, 1, 2,..., K-1, siendo K un número natural, K < J, en donde cada patrón de consumo de energía C<k>representa un conjunto de curvas de consumo de energía X<j>agrupadas juntas de acuerdo con una métrica de similitud, en donde cada patrón de consumo de energía C<k>comprende valores discretos de consumo de energía que corresponden a dichos intervalos de tiempo At en los que se divide dicho periodo de tiempo T; capturar datos de la producción conseguida durante dicho periodo de tiempo T en dicho al menos un nivel de la planta industrial; calcular, para cada curva de consumo de energía que pertenece a cada patrón, la suma agregada de los valores discretos de consumo de energía durante dicho periodo de tiempo T, obteniendo por lo tanto el consumo de energía agregado para cada curva de consumo de energía durante dicho periodo de tiempo T; y establecer digitalmente una relación entre consumo de energía agregado para cada curva de consumo de energía durante dicho periodo de tiempo T y dichos datos de producción capturados.
En realizaciones de la invención, la etapa de capturar con una pluralidad de sensores, datos de sensor desde al menos un nivel de la planta industrial, se hace en instantes de tiempo periódicos separados en intervalos de tiempo At.
En realizaciones de la invención, el al menos un nivel de la planta industrial es al menos uno de planta industrial, línea, proceso, máquina o componente de una máquina.
En realizaciones de la invención, cada patrón de consumo de energía C<k>se calcula como el valor medio de cada componente x<y>de cada curva de consumo de energía X<j>que pertenece a dicho patrón.
En realizaciones de la invención, el algoritmo de agrupación aplica el siguiente proceso iterativo para minimizar la distancia entre elementos que forman una agrupación y su correspondiente patrón:
argmin
en donde X<ij>es el i<ésimo>componente de la j<ésima>curva de consumo de energía X<j>, C<ik>es el i<ésimo>componente del k<ésim°>patrón de consumo de energía en el instante de tiempo t, K es el número total de patrones de consumo de energía e I es el número de mediciones dentro de todo el periodo de tiempo,
en donde el número óptimo K de patrones para todo el conjunto de curvas X<j>V j = 1,..., J viene dado por el punto de máXima desviación en la representación de la varianza entre grupos divididos por la varianza total de la selección del conjunto de curvas, es decir:
en donde VAR<in>es la varianza entre los elementos de un grupo o agrupación, y
en donde VAR<in>se define:
VARin= Z£=1nk(C £ -C ‘ ) / ( f f - 1 ) ,
en donde K es el número total de patrones de consumo de energía, es decir, el número total de grupos de curvas de consumo de energía relacionadas con una métrica de similitud definida para un grupo, n<k>es el número de elementos que forman el k<ésimo>grupo o curvas, C<k*>es el patrón de características para el k<ésimo>grupo de curvas y C£ es el patrón medio de toda la selección de curvas de consumo de energía.
En realizaciones de la invención, para una nueva curva de consumo de energía obtenida a partir de datos de sensor en un nuevo periodo de tiempo T, el grado de similitud/disimilitud con respecto a patrones actuales se evalúa comparando la nueva curva de consumo de energía con los K patrones ya definidos y, si la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud, se determina que dicha nueva curva de consumo de energía pertenece a dicho patrón en el que encaja la nueva curva de consumo de energía.
En realizaciones de la invención, si la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud, la nueva curva de consumo de energía se compara digitalmente con todas las curvas de consumo de energía que pertenecen a la agrupación representada por el patrón, comparando por lo tanto la nueva curva con la curva de máXimo consumo de energía y con la curva de mínimo consumo de energía.
En realizaciones de la invención, si la nueva curva de consumo de energía pertenece a un patrón de consumo de energía existente, la nueva curva de consumo de energía se asocia al grupo de curvas representado por dicho patrón y el patrón se actualiza teniendo en cuenta la nueva curva de consumo de energía.
En realizaciones de la invención, si la nueva curva de consumo de energía no encaja en un patrón definido anteriormente en términos de una métrica de similitud, se determina si la nueva curva de consumo de energía representa un consumo anómalo o si representa la apariencia de un tipo nuevo de patrón de consumo de energía. En realizaciones de la invención, si se determina que la nueva curva de consumo de energía representa un consumo anómalo, desencadenar una alarma asociada al consumo de energía.
En realizaciones de la invención, el método comprende adicionalmente: capturar datos de la producción conseguida durante el mismo periodo de tiempo T de la nueva curva de consumo de energía; y comparar digitalmente el consumo de energía y la producción asociada durante dicho periodo de tiempo de la nueva curva de consumo de energía, con la relación energía frente a producción inferida a partir de curvas históricas.
En realizaciones de la invención, si como resultado de la comparación digital se determina que existe una ineficiencia energética, desencadenar una alarma asociada a la producción.
En realizaciones de la invención, el método comprende adicionalmente usar mediciones de submedición para interpretar la diferencia en consumo de energía que provoca el consumo anómalo.
En realizaciones de la invención, si se desencadena una alarma de energía, y/o se desencadena una alarma de producción, puede desencadenarse una alarma final, indicando un comportamiento anómalo que puede indicar un excesivo consumo de energía.
Un segundo aspecto de la invención se refiere a un sistema que comprende medios de procesamiento, estando el sistema configurado para realizar las etapas del método ya divulgado.
Un tercer aspecto de la invención se refiere a un producto de programa informático que comprende instrucciones/código de programa informático para realizar el método del primer aspecto de la invención.
Un cuarto aspecto de la invención se refiere a una memoria/medio legible por ordenador que almacena instrucciones/código de programas para realizar el método del primer aspecto de la invención.
Se harán evidentes ventajas y características adicionales de la invención a partir de la descripción detallada que sigue y que se señalarán particularmente en las reivindicaciones adjuntas.
Breve descripción de los dibujos
Para completar la descripción y para proporcionar un mejor entendimiento de la invención, se proporciona un conjunto de dibujos. Dichos dibujos forman una parte integral de la descripción e ilustran una realización de la invención, que no debería interpretarse como que restringe el alcance de la invención, sino simplemente como un ejemplo de cómo puede llevarse a cabo la invención. Los dibujos comprenden las siguientes figuras:
La Figura 1 muestra un diagrama esquemático de la infraestructura industrial de una empresa.
La Figura 2 ilustra un esquema de un sistema ciber-físico adecuado para realizar el método de la presente divulgación.
La Figura 3 muestra un ejemplo de curvas de consumo de energía obtenidas de acuerdo con realizaciones de la presente divulgación.
La Figura 4 muestra un ejemplo de un conjunto de curvas de consumo de energía y los patrones de consumo de energía resultantes a los que pertenece el conjunto de curvas, obtenidos de acuerdo con realizaciones de la presente divulgación.
La Figura 5 muestra un gráfico que representa la producción frente al consumo de energía, obtenido de acuerdo con realizaciones de la presente divulgación.
Descripción de una manera para llevar a cabo la invención
La Figura 1 muestra esquemáticamente los niveles en los que puede dividirse la infraestructura de una planta industrial. En un nivel superior 1000 se representa una planta industrial. La empresa a la que pertenece la planta industrial puede tener otras plantas industriales, por ejemplo, en diferentes países o, en general, ubicaciones, pero para el propósito de la presente divulgación, se representa una planta industrial. La planta 1000 se compone de varias líneas industriales, que forman un segundo nivel. A modo de ejemplo, en la Figura 1 se muestran cuatro líneas 1100, 1200, 1300, 1400 de la planta 1000. Un tercer nivel de despliegue se compone de máquinas que forman parte de cada línea industrial. Por ejemplo, en la Figura 1, se esquematizan dos máquinas 1101, 1102 que pertenecen a la línea 1100.
Las máquinas 1101, 1102 que pertenecen a la línea 1100 comprenden varios componentes. Por ejemplo, la máquina 1101 puede ser una herramienta de mecanización que comprende una unidad de mecanización 1101a, una herramienta 1101b, etc. Cada componente puede tener, a su vez, varios elementos; por ejemplo, la unidad de mecanización puede comprender servomotores para mover la unidad de mecanización a lo largo de 3 ejes y un árbol. El árbol a su vez comprende diferentes subelementos a controlar, tales como un motor y un cojinete. El esquema de la Figura 1 representa la jerarquía de la conexión eléctrica de la planta industrial. Además, una línea industrial puede abarcar varios procesos. Por ejemplo, un proceso puede implicar varias máquinas. La estructura de la planta industrial esquematizada en la Figura 1 es ilustrativa y pretende mostrar la distribución de supervisión de energía jerárquica de una planta industrial y, por lo tanto, reflejar la capacidad del método de la presente divulgación para trabajar con datos de diferentes niveles de supervisión de energía jerárquicos. La estructura mostrada no debería considerarse, por lo tanto, de una forma limitante, siendo también posibles otras estructuras industriales jerárquicas.
Alguno o todos de los diferentes componentes en diferentes niveles en la planta industrial se asocian a sensores, no mostrados en la Figura 1. Los sensores pueden ser sensores de medición de energía, tal como sensores de medición de electricidad o sensores de medición de gas, y sensores para medir otras magnitudes físicas relacionadas con energía, tales como temperatura, presión de aire y tasa de flujo, tal como tasa de flujo de gas, aceite o agua, etc. Protocolos de comunicación, que están fuera del alcance de la presente invención, pueden habilitar el registro de las señales de controlador. Por ejemplo, puede usarse un sistema de gestión de energía (EMS) para recopilar las mediciones capturadas por los sensores en diferentes niveles en la planta industrial: consumo total de planta de una planta industrial, consumo de una línea de producción, consumo de un proceso, consumo de una máquina, consumo de diferentes componentes de una máquina, etc. El método también incluye mediciones indirectas, es decir, mediciones basándose en inferencias indirectas. Por ejemplo, si se usa el principio de conservación de energía, la energía asociada a cargas no supervisadas puede deducirse conociendo simplemente la energía total de un transformador al que se conectan cargas tanto supervisadas como no supervisadas, y la energía de las cargas supervisadas asociadas al transformador. Restar la energía de las cargas supervisadas de la energía total del transformador resulta en la energía de las cargas no supervisadas. En suma, el método incluye mediciones directas y también mediciones indirectas inferidas a partir de las anteriores. A modo de ejemplo, si existe un contador que supervisa la energía total consumida por una planta que tiene 40 máquinas y, también se supervisa el consumo de energía de 30 de las 40 máquinas en la planta, es posible inferir el consumo agregado de las 10 máquinas no supervisadas restando del consumo medido por el contador de planta la suma agregada de los consumos supervisados de esas 30 máquinas.
La medición también puede clasificarse como mediciones de cargas productivas, siendo las cargas productivas cargas asociadas a la producción, mediciones de cargas auxiliares, siendo las cargas auxiliares cargas no asociadas directamente a la producción, y mediciones de cargas sin supervisión. Dependiendo del nivel industrial y del tipo de elemento o carga, el consumo puede obtenerse directamente de un sensor de medición (este puede ser el caso, por ejemplo, de un componente de una máquina), u obtenerse indirectamente, o bien desde diferentes sensores de medición (este puede ser el caso, por ejemplo, de una línea de producción o planta) o desde inferencias indirectas como ya se ha explicado. Las mediciones se almacenan normalmente, o bien localmente o en la nube, para su análisis, evaluación, supervisión y/o procesamiento posterior. Las mediciones se toman en diferentes instantes de tiempo, tal como periódicamente. Preferentemente, algunos o todos los datos capturados deben tener la misma discretización de tiempo. Por esta razón, puede usarse una función de homogeneización de tiempo para obtener un conjunto de datos consistente para algunas o todas las mediciones hechas en uno o más niveles de la planta industrial.
Además, en la actualidad, en muchas plantas industriales, los datos de producción también se miden y almacenan, por ejemplo, mediante sistemas de ejecución de fabricación (MES), normalmente independientes de los EMS. Los datos de producción se refieren a la producción (por ejemplo, en kilogramos (kg, 103 gr) de algo, tal como material procesado, o simplemente número de artículos producidos) conseguida en un cierto nivel (por ejemplo, nivel de línea o nivel de máquina) durante un cierto periodo de tiempo, tal como, pero sin limitación, por día.
La Figura 2 ilustra un diagrama de bloques 4000 de los elementos implicados en la ejecución del método de la presente divulgación. El bloque 1000 representa al menos una planta industrial 1000, tal como la ilustrada en la Figura 1. La al menos una planta industrial 1000 forma un sistema ciber-físico, entendido como un conjunto de máquinas conectadas bidireccionalmente entre sí y con capacidad de interacción entre sí de acuerdo con la operación de planta industrial. El diagrama de bloques 4000 también muestra al menos un medio de procesamiento 2000, representado en la Figura 2 por un servidor. El método de la presente divulgación se aplica y/o ejecuta en el al menos un medio de procesamiento 2000. La planta industrial 1000 representa el mundo físico, es decir, el conjunto de líneas, procesos, máquinas, componentes, sensores asociados, etc., mientras que el medio de procesamiento 2000 representa el mundo computacional. El diagrama de bloques 4000 también muestra un medio de almacenamiento 3000, en el que se almacenan las mediciones de datos recopiladas desde los diferentes niveles jerárquicos de la planta industrial 1000. Una plataforma de supervisión no ilustrada está a cargo de la recopilación de datos de las máquinas, componentes, líneas, procesos etc. y el almacenamiento de los datos en la base de datos 3000. El medio de almacenamiento 3000 puede ubicarse o bien localmente, por ejemplo, dentro de una red local de la planta industrial, o bien remotamente, por ejemplo, en la nube. El medio de procesamiento, tal como el servidor 2000, recopila los datos almacenados y realiza el método de la presente divulgación. El medio de procesamiento 2000 puede ubicarse o bien localmente, por ejemplo, dentro de una red local de la planta industrial, o bien remotamente, por ejemplo, en la nube o en cualquier otro entorno que proporciona suficiente capacidad de cálculo. Por lo tanto, para evaluar el consumo de energía en una planta industrial 1000, los datos de consumo de energía recopilados, medidos en diferentes niveles, tales como nivel de planta, nivel de línea, nivel de máquina, y así sucesivamente, incluyendo potenciales inferencias indirectas, y almacenados en la base de datos 3000, se usan por el medio de procesamiento 2000 para realizar los análisis requeridos. Además, los datos de producción de los diferentes niveles jerárquicos en la planta industrial 1000 también pueden capturarse y almacenarse, si la planta industrial está equipada con un sistema para medir y capturar datos de producción. La carga de datos en el medio de procesamiento 2000 puede hacerse periódicamente, tal como sobre una base diaria y preferentemente en un momento predeterminado, o puede hacerse en cualquier momento en el que va a evaluarse el consumo de energía.
A partir de las mediciones de datos recopilados desde los diferentes niveles jerárquicos de la planta industrial, pueden separarse las cargas de diferente naturaleza.
En algunas realizaciones, las cargas (mediciones de energía) se separan o dividen en tres grupos: (1) mediciones de energía productiva, que son mediciones de energía asociadas con la producción; las mediciones de energía productiva pueden implicar análisis de energía (por ejemplo, pueden contribuir a la creación de patrones) y análisis de producción; (2) mediciones de energía auxiliares y (3) mediciones de energía no supervisadas. Las mediciones de energía auxiliares y no supervisadas no están directamente asociadas con la producción y, por lo tanto, pueden implicar únicamente análisis de energía, pero no análisis de producción.
Separando las mediciones de energía de diferente naturaleza permite no procesar las mismasjuntas, lo que provocaría una incertidumbre cuando se detectan ineficiencias energéticas, por ejemplo, debido a que las mediciones de energía no asociadas, de hecho, a la producción se asociarían realmente a la misma. Esto provocaría el desperdicio del espacio ocupado por los patrones de características, como se divulgará a continuación, y su variabilidad natural, y podrían incluso solaparse, conduciendo potencialmente a la invalidación de las técnicas de agrupación ya que diferentes comportamientos podían no ser distinguibles. Con los datos de consumo de energía capturados por los sensores en diferentes instantes de tiempo (por ejemplo, con cierta periodicidad, es decir, en ciertos intervalos de tiempo At, tales como cada 15 minutos) durante un cierto periodo de tiempo T (por ejemplo, pero sin limitación, durante un día), se obtienen una pluralidad de J curvas de consumo de energía Xj. En otras palabras, una curva de consumo de energía Xj representa un perfil de consumo de energía medido con cierta discretización de tiempo At, es decir, en intervalos At de cierta periodicidad, tal como a intervalos de 15 minutos. El subíndice "j" es un número entero positivo que indica una curva de consumo de energía específica. En otras palabras, j = 0, 1, 2,..., J-1, siendo J un número natural. En este contexto, una curva de consumo de energía representa, por un cierto componente, máquina, proceso, línea, planta, etc., la distribución de consumo de energía a lo largo de cierto periodo de tiempo T (por ejemplo, un día) en instantes de tiempo discretos At dentro de dicho periodo de tiempo T. En otras palabras, una curva de consumo de energía representa, a lo largo de cierto periodo de tiempo T, valores discretos de consumo de energía que corresponden a intervalos de tiempo At en los que se subdivide dicho periodo de tiempo T. El periodo de tiempo T a lo largo del que se representan las curvas de consumo de energía puede ser, por ejemplo, un día, pero también medio día, o incluso una hora o menos. La discretización o subdivisión de este periodo de tiempo se hace por intervalos de tiempo At en los que se indica el consumo de energía. Estos intervalos deben ser preferentemente iguales, por medio de muestreo de medición periódica. La discretización del periodo de tiempo T puede ser horas, medias horas, cuartos de hora o incluso menor. Por lo tanto, xy es el iésimo componente de la jésima curva de consumo de energía, en donde "i" representa el intervalo de tiempo discreto en el que se mide el consumo de energía (potencia media entre los instantes m=i-1 e i). Por ejemplo, si se define un periodo de tiempo de 24 horas y el periodo de tiempo T se divide en intervalos de discretización At de 15 minutos, entonces i varía de 0 a 95. En otras palabras, una curva de consumo de energía representa el consumo de energía de un componente, máquina, proceso, línea o planta, indicada (medida, incluyendo inferencias indirectas) a intervalos de tiempo At regulares dentro de todo un periodo de tiempo T (por ejemplo, diariamente).
Un horizonte de tiempo H se define como un conjunto de periodos de tiempo T (tal como días, medios días, horas, etc.) usado para extraer patrones de características. El horizonte de tiempo H puede considerarse como un horizonte de entrenamiento, para obtener datos históricos con los que pueden compararse los datos diarios. Por ejemplo, puede seleccionarse que el horizonte de tiempo H sea un mes (30 días), puede seleccionarse que el periodo de tiempo T a lo largo del cual se presentan las curvas de consumo de energía sea 1 día y puede seleccionarse que el intervalo de discretización de tiempo (intervalo de tiempo) At de las curvas de consumo de energía sea 15 minutos. En este caso, en el horizonte de tiempo H seleccionado habrá 30 curvas de consumo de energía, teniendo cada una de las mismas 96 valores. La Figura 3 muestra un ejemplo de curvas de consumo de energía. En particular, la Figura 3 muestra tres curvas de consumo de energía de una planta industrial a lo largo de tres periodos de tiempo de 24 horas diferentes. El horizonte de tiempo es, por lo tanto, 72 horas. El intervalo de discretización temporal es 15 minutos, es decir, el consumo de energía se ha medido cada 15 minutos. Por lo tanto, cada curva tiene 96 valores que corresponden al periodo de tiempo de 24 horas.
Como ya se ha explicado, los perfiles de consumo de energía pueden corresponder no únicamente a mediciones de cargas productivas, sino también a mediciones de cargas auxiliares y mediciones de cargas sin supervisar. Además, dependiendo del elemento de la planta industrial al que corresponda la curva de consumo de energía, la curva puede representar el consumo de energía acumulado de diferentes componentes, tales como mediciones de consumo de energía directas (este es el caso, por ejemplo, de un componente de nivel bajo, tal como un árbol) o mediciones de consumo de energía indirectas, que corresponden a las mediciones agregadas de diferentes componentes comprendidas en un nivel superior de la planta industrial. En otras palabras, las curvas de consumo de energía pueden obtenerse en diferentes niveles de submedición, tales como en los diferentes niveles de la planta industrial ilustrada en la Figura 1. En este contexto, la expresión "nivel de submedición" se entiende para ser cada uno de los diferentes niveles de supervisión de energía jerárquica en la planta industrial.
Opcionalmente, para cada artículo de planta industrial, para cada una de las J curvas de consumo de energía xj generadas, por ejemplo, obtenidas en J días diferentes formando un horizonte de tiempo H, puede verificarse si los datos están o no completos, es decir, puede verificarse si existe o no alguna ausencia de mediciones, debido a, por ejemplo, errores en uno o más sensores de medición, fallo en el enlace de comunicaciones o cualquier otra razón. Cuando se detecta una ausencia de datos, los datos pueden completarse. En realizaciones de la invención, los datos se completan únicamente cuando la ausencia de datos no se expande con el paso del tiempo más de una cierta duración de tiempo máxima establecida anteriormente como un umbral. Pueden usarse diferentes técnicas basadas en formulaciones matemáticas para completar los datos en las curvas de consumo de energía. Por ejemplo, pero de una forma no limitante, los datos faltantes pueden completarse con el valor medio de las curvas de consumo de energía que pertenecen a una misma agrupación o patrón (que se explica a continuación), seleccionando el valor medio en los instantes de tiempo faltantes.
Una vez que, para un cierto horizonte de tiempo H, se ha obtenido una pluralidad de J curvas de consumo de energía xj para un cierto elemento de la planta industrial o, en otras palabras, para un cierto nivel de submedición, también llamado nivel de agregación, y opcionalmente se completa si se requiere, se crean una pluralidad de K patrones de consumo de energía Ck en ese nivel. Los patrones de consumo de energía Ckse obtienen a partir de la asociación basada en similitud de un conjunto de curvas de consumo de energía xj. Por lo tanto, los patrones de consumo de energía se extraen para un mismo nivel de submedición o agregación, en donde pueden esperarse curvas de consumo de energía similares. El subíndice "k" es un número entero positivo que indica un patrón de consumo de energía específico. En otras palabras, k = 0, 1, 2,..., K-1, siendo K un número natural. En general, K<J, y en la práctica K<J. Los patrones de consumo de energía Ck se obtienen a partir de un conjunto de las curvas de consumo de energía xj. Los patrones de consumo de energía Ck se obtienen comparando las curvas de consumo de energía de un conjunto de las mismas que sigue una cierta métrica matemática e identificando curvas de consumo de energía xj similares de acuerdo con una métrica de similitud, también denominada como métrica de proximidad. En otras palabras, en este contexto, la similitud significa proximidad en términos de una cierta métrica matemática. Por lo tanto, un patrón de consumo de energía representa un comportamiento o modelo de energía que representa un conjunto de curvas de consumo de energía (curvas de consumo de energía similares). En un ejemplo no limitante, la métrica de similitud usada para agrupar curvas de consumo de energía en patrones es una distancia euclídea entre curvas. Normalmente, cada patrón de consumo de energía constituye un grupo de curvas de consumo de energía. En otras palabras, un patrón de consumo de energía puede verse como una curva de consumo de energía virtual (sintética) que representa un cierto grupo de curvas de consumo de energía reales que cumplen con una restricción de similitud impuesta por o de acuerdo con una cierta métrica de similitud. En suma, se organizan los datos capturados y se buscan relaciones (en términos de similitud) entre curvas de consumo de energía existentes, creando/obteniendo por lo tanto diferentes patrones de comportamiento representados por patrones. Esto se hace para aplicar técnicas de agrupación, también denominadas como algoritmos de agrupamiento. En realizaciones de la invención, se usa la técnica de agrupación de K-medias, en la que se obtiene un número de agrupaciones óptimo usando el método de codo, que estudia la varianza acumulada, y que está fuera del alcance de la presente invención.
Por tanto, los patrones de consumo de energía se obtienen analizando las curvas de consumo de energía en un cierto horizonte de tiempo H. Esta etapa puede verse como una etapa de entrenamiento. En la etapa de entrenamiento, se analizan los datos históricos, es decir, curvas de consumo de energía definidas por valores de consumo de energía en intervalos de discretización de tiempo At dados, dentro de un periodo de tiempo T y estableciendo un horizonte de tiempo H de entrenamiento. Cada patrón de consumo de energía tiene los mismos intervalos de tiempo At discretos (por ejemplo, cuartos de una hora). Además, todas las curvas de consumo de energía deben tener el mismo periodo de tiempo T (por ejemplo, un día). Durante la etapa de entrenamiento, para cada intervalo de tiempo At (por ejemplo, cada 15 minutos), el patrón tiene un valor que se calcula a partir de los valores correspondientes, para el mismo intervalo de tiempo At, de las curvas de consumo de energía diferentes que pertenecen al conjunto representado por el patrón. Cada valor (en cada instante de tiempo) de un patrón se obtiene calculando, por ejemplo, el valor medio de todos los valores que corresponden a todas las curvas de consumo de energía del conjunto, en el correspondiente instante de tiempo. El objetivo de este cálculo es obtener un patrón de consumo de energía, es decir, la curva en cantidad (valor de consumo de energía) y forma (también denominada como tendencia) más similares al conjunto de curvas de consumo de energía que han participado en el cálculo en un horizonte de tiempo definido.
La siguiente formulación representa un algoritmo de agrupación o cálculo que puede usarse para obtener K patrones de consumo de energía Ck a partir de J curvas de consumo de energía xj, en donde K<J:
argm in£{=1 \\xy -C[k\\V k = 1......K}
en donde x¡j es el iésimo componente de la jésima curva de consumo de energía xj, Cik* es el iésimo componente del késimo patrón de consumo de energía, K es el número total de patrones de consumo de energía e I es el número de mediciones dentro de todo el periodo de tiempo (por ejemplo, 96 mediciones tomadas a lo largo de 1 día; es decir, una medición tomada cada 15 minutos). En realizaciones de la invención, cada patrón se calcula como el valor medio de las curvas de consumo de energía que pertenecen a dicho patrón, en cada componente i. La formulación anterior representa el proceso iterativo para identificar las curvas que pertenecen a un patrón, minimizando la distancia entre los elementos que forman una agrupación y su correspondiente patrón.
En realizaciones en las que se aplica agrupación de K-medias, el número óptimo de patrones Ck para todo el conjunto de curvas Xi V i = 1,...,J viene dado por el punto de máxima desviación en la representación de la varianza entre grupos (agrupaciones) divididos por la varianza total de la selección del conjunto de curvas, es decir, si se usa el método de codo:
en donde VARin es la varianza entre los elementos de una agrupación o grupo y VAR es la varianza total de la selección, y en donde VARin se define:
VARn= Z£=1nk( C £ - C * ) / ( f f - l ) ,
en donde K es el número total de agrupaciones, estando cada agrupación representada por un patrón de consumo de energía y todas sus curvas de consumo de energía relacionadas con una métrica de similitud, nk es el número de elementos que forman el késimo grupo o curvas, Ck* es el patrón de características para el késimo grupo de curvas y C£ es el patrón medio de toda la selección de curvas de consumo de energía.
El algoritmo de agrupación, tal como K-medias, es un algoritmo iterativo, en el que las curvas de consumo de energía se comparan una a una y las curvas de consumo de energía se asocian a patrones. Los patrones se recalculan iterativamente hasta que todas las curvas de consumo de energía se hayan asociado a un patrón. El grado de similitud/disimilitud de nuevas curvas de consumo de energía con respecto a patrones actuales puede evaluarse como se indica a continuación:
Xj e Capara k / a rgm in[\\X j — C¡¿\\V = 1 ,...,J,k = 1 ,...,K }
en dondeXjes la jésima curva de consumo de energía yCk1es el késimo patrón.
El proceso de obtención de patrones es iterativo. Existirán tantos patrones como diferentes comportamientos se identifiquen entre las diferentes curvas de consumo de energía dentro del horizonte de tiempo seleccionado. Se finaliza un proceso de creación de patrones cuando todas las curvas de consumo de energía dentro de un mismo patrón son más similares entre sí que con cualquier otra curva que pertenece a un patrón diferente. Posteriormente, durante la ejecución -por ejemplo- diariamente del método de la presente divulgación para una evaluación diaria del consumo de energía, se compararán nuevas curvas de consumo de energía con los patrones obtenidos para una evaluación adicional -por ejemplo, diariamente- del comportamiento de energía.
La Figura 4 representa un ejemplo de cálculo de patrón realizado con las fórmulas mencionadas anteriormente a partir de una colección de curvas de consumo de energía. Las curvas de consumo de energía se definieron mediante datos de consumo de electricidad recopilados en el punto de conexión de red de distribución eléctrica de una planta industrial. Se seleccionó que el horizonte de tiempo H de entrenamiento sea 50 días. El periodo de tiempo T usado para conformar los patrones de consumo de energía fue 24 horas, medido en intervalos de tiempo de 15 minutos At. Existen, por lo tanto, 50 curvas de consumo de energía, teniendo cada una un periodo de tiempo T de 24 horas. El consumo de energía se representa en kWh (kilovatio hora). La figura muestra claramente tres patrones de energía diferentes, cuyas correspondientes curvas de consumo de energía se reconocen perfectamente. Un primer patrón de energía (línea continua a aproximadamente 200 kWh en la Figura 4) agrupa 10 curvas de consumo de energía (líneas finas), una línea continua de segundo patrón de energía parcialmente a aproximadamente 300 kWh y parcialmente a aproximadamente 800 kWh en la Figura 4) agrupa 20 curvas de consumo de energía (líneas finas) y un tercer patrón de energía (línea continua a aproximadamente 600 kWh en la Figura 4) agrupa 20 curvas de consumo de energía (líneas finas). En cada patrón, cada valor puede obtenerse como el valor medio -en cada instante de tiempo- de los correspondientes valores de las curvas representadas por el patrón.
Hasta ahora, se ha divulgado una etapa de entrenamiento, en la que, para un componente, máquina, línea de producción, proceso, etc., nuevas curvas de consumo de energía pueden obtenerse repetidamente para diferentes periodos de tiempo T (siendo T, por ejemplo, un día). Esto se repite para un cierto horizonte de tiempo, tal como uno o más meses, o cualquier otro. Las curvas de consumo de energía pueden almacenarse para su análisis y/o procesamiento adicional. Para cada componente, máquina, línea, etc., la base de datos, por ejemplo, la base de datos 3000 mostrada en la Figura 2, puede contener los registros (curvas de consumo de energía) de consumo de energía para cualquier horizonte de tiempo seleccionado. Estos datos históricos se usan habitualmente en una etapa de entrenamiento realizada antes de la ejecución diaria del método de la presente divulgación.
Una vez que está disponible un conjunto de K patrones de consumo de energía Ck que tiene un cierto periodo de tiempo T, por ejemplo obtenido durante una etapa de entrenamiento realizada con datos obtenidos durante un cierto horizonte de tiempo H, con el análisis aplicado a los datos de consumo de energía del método de la presente divulgación, es posible identificar cualquier comportamiento característico (comportamiento estadístico) derivado a partir de las curvas de consumo de energía, incluso si se produce con poca frecuencia. Por ejemplo, el método de la presente divulgación permite extraer, para cada componente, máquina, etc. de la planta industrial, el día de consumo de energía máximo y el día de consumo de energía mínimo asociados con cada uno de los patrones de características extraídos del conjunto de datos de entrenamiento históricos.
En realizaciones de la invención, una vez que está disponible un conjunto de K patrones de consumo de energía Ck que tiene un cierto periodo de tiempo T, y usando los datos de producción que corresponden a dicho cierto periodo de tiempo T, la producción se compara con las curvas de consumo de energía comprendida en cada uno de los patrones de consumo de energía para, por ejemplo, detectar posibles ineficiencias energéticas. Los datos de producción se obtienen normalmente durante intervalos de tiempo mayores que los intervalos de tiempo At discretizados en los que se mide el consumo de energía mediante sensores. Por ejemplo, mientras que los sensores pueden configurarse para medir la energía consumida en un cierto componente (o máquina, etc.) en una planta industrial cada 15 minutos (intervalo de tiempo At discretizado), los datos de producción asociados a dicho componente (o máquina, etc.) pueden estar disponibles habitualmente únicamente cada 8 horas (periodo de tiempo de funcionamiento) o incluso en periodos más largos. Por esta razón, para comparar consumo de energía con producción con respecto a un mismo periodo de tiempo T, el consumo de energía agregado para cada periodo de tiempo T se obtiene preferentemente a partir de la curva de consumo de energía del periodo de tiempo, por ejemplo, un día.
En otras palabras, con los valores de consumo de energía agregados obtenidos durante un cierto periodo de tiempo, y los valores de producción obtenidos para el mismo periodo de tiempo, se representa energía frente a producción y se infiere una relación entre energía y producción, como se representa en la Figura 5. Ahí, se muestra un consumo de energía agregado frente a producción de periodos que tienen un patrón de consumo similar. La Figura 5 muestra un gráfico que representa la producción (en kg) frente al consumo de energía agregado (en kWh) en un periodo de tiempo de análisis de energía-producción dado que corresponden a una planta industrial. Cada tipo de punto (punto negro, punto blanco, punto con rallas horizontales, etc.) representa el consumo de energía agregado de una curva de consumo de energía en el periodo de tiempo (por ejemplo, un día) en relación con la producción en el mismo periodo de tiempo. Por lo tanto, el número total de puntos corresponde a la cantidad de periodos de tiempo (es decir, días) dentro del horizonte de tiempo bajo análisis. Cada agrupación se representa mediante un tipo diferente de punto (negro, blanco, con rallas horizontales, con rallas oblicuas, etc.). En otras palabras, cada tipo de punto identifica las curvas de consumo de energía asociadas a un mismo patrón. En el ejemplo, como resultado de un ejercicio de cálculo de patrón anterior (etapa de entrenamiento), no ilustrado, las curvas de consumo de energía en el horizonte de tiempo seleccionado se agruparon en seis -6- patrones de energía. La línea continua representa una interpolación, es decir, una línea que se ajusta mejor al conjunto representado de puntos. En este caso, esta línea es una línea recta obtenida por medio de un ajuste para mínimos cuadrados. Esta línea sirve para representar la relación energía frente a producción. En el caso de un ajuste para mínimos cuadrados, este ajuste se caracteriza por una magnitud estadística: Chi2. Esta métrica se usa, cuando se contrasta, por ejemplo, un día nuevo, para determinar si ese día responde a la relación histórica (no empeora la Chi2) o si no (empeora Chi2) en cuyo caso puede desencadenarse una alarma de producción. Por lo tanto, si, por ejemplo, los datos de producción están disponibles cada 24 horas, el consumo de energía agregado para 24 horas se obtiene para cada curva que forma cada patrón. Posteriormente, durante, por ejemplo, la ejecución diaria del método de la presente divulgación, comparando la producción diaria de un cierto elemento o máquina (o, en general, nivel de submedición en la planta industrial) con el consumo de energía agregado de todas las curvas que forman los K patrones (en el ejemplo, K=6), es posible evitar falsas alarmas de ineficiencia energética (es decir, alarmas asociadas a ineficiencia energética). En otras palabras, si un aumento en el consumo de energía se provoca por un aumento en la producción, no debería desencadenarse ninguna alarma. Por el contrario, si un aumento en el consumo de energía no está asociado con un aumento en la producción, debería desencadenarse una alarma. Por lo tanto, la producción es extremadamente importante para evitar falsas alarmas.
Es posible, por lo tanto, representar bidimensionalmente la relación energía frente a producción, como se muestra en la Figura 5. Una formulación matemática que representa esta relación se explica a continuación. En otras palabras, se explica cómo calcular la relación energía-producción de acuerdo con realizaciones de la invención. El objetivo es detectar un consumo de energía intensivo, mayor del esperado, no asociado con aumentos de producción.
Desde un punto de vista matemático, dado un conjunto de datos históricos de producción (habitualmente 1 valor por día) y datos históricos de consumo de energía (como la agregación o integración de valores de una curva de consumo de energía), se realiza una representación gráfica de producción frente a energía. En esta representación gráfica, existen tantos puntos como días históricos (periodos de tiempo) se usan en el análisis para obtener patrones de consumo de energía (etapa de entrenamiento). Esto se muestra en la Figura 5.
La relación entre el conjunto de pares de energía - producción{Ei\Pi}'¡l=1,en donde Ei y Pi son respectivamente, en una realización particular, valores diarios de energía y producción, y N es el conjunto de días (horizonte de tiempo) usados en la etapa de entrenamiento, puede expresarse como se indica a continuación:
Ei = f(Pi)
En otras palabras, el objetivo es encontrar la función f que minimiza el error:
ei=Ei = f(P)
Para hacer esto, puede usarse la raíz del error cuadrático medio (RMSE):
2
RSME=lff-i(«l)
N
Por lo tanto, el objetivo es encontrar los valores constantes ci que minimiza la RSME, cuyo valor se obtiene a partir de las ecuaciones normales de Gauss que resultan de:
d (R S M E )_ Q
dci
Cuya formulación y resolución matemática se conoce bien. Por ejemplo, paraEi = aPi b,resolviendo la ecuación normal de Gauss definida anteriormente, los coeficientes a y b son:
_N ( Z P jE i ) - ( Z P i ) ( Z E i )
W(P?)-(£B¡)2
b_(SEi)-a(ZPi)
N
En suma, minimizando la raíz del error cuadrático medio (RMSE), se evalúa la calidad del cálculo de la relación energía-producción. En otras palabras, la curva que minimiza la RMSE se usa para evaluar la calidad de la relación de energía-producción. Posteriormente, durante, por ejemplo, la ejecución diaria del método de la presente divulgación, cualquier día nuevo puede representarse y analizarse de una manera similar, evaluando por lo tanto si un aumento de consumo de energía requerido para producir cierta cantidad de producción (kg) es una ineficiencia energética o no.
El gráfico como el de la Figura 5 permite detectar ineficiencias: para colecciones de periodos (por ejemplo, días) que tienen un comportamiento (patrón) de consumo de energía similar, el consumo de energía agregado puede compararse contra la producción obtenida: pueden identificarse periodos (días) con producción similar pero diferente (mayor o menor) consumo de energía, o periodos (días) con consumo de energía similar, pero pueden identificarse diferentes (mayores o menores) producciones; también, puede observarse si un cierto periodo (día) tiene una relación de consumo de energía frente a producción que sigue la tendencia de los periodos del patrón, o mayor, o menor.
Hasta ahora, el comportamiento de energía de una planta industrial (o, más en general, de un nivel de submedición del mismo) se ha analizado analizando patrones históricos, tales como el patrón ilustrado en la Figura 4. A continuación, el análisis realizado cada vez que se obtiene una nueva curva de consumo de energía a partir de datos capturados de la planta industrial se explica basándose en este comportamiento inferido estadísticamente. Una vez que se obtienen varios (K) patrones durante una etapa de entrenamiento usando datos recopilados para un cierto horizonte de tiempo, cada vez que se obtiene una nueva curva de consumo de energía, por ejemplo, sobre una base diaria, se determina a qué patrón pertenece la nueva curva (si pertenece a alguno, como se explicará más adelante). Esto se hace comparando la nueva curva con los K patrones. Esta comparación se hace de acuerdo con una métrica de similitud. El grado de similitud/disimilitud de una nueva curva de consumo de energía con respecto a patrones existentes puede evaluarse como se indica a continuación:
Xj e Capara k / argm in [\\Xj — C¡¿\\V = l , ... ,J,k = 1, ... ,K}
en dondexjes la jésima curva de consumo de energía y Ck‘ es el késimo patrón. En realizaciones de la invención, la nueva curva de consumo de energía, bajo evaluación, se asocia al patrón del conjunto de K patrones que tienen distancia mínima, siempre que dicha distancia mínima no sea mayor que la distancia de la curva más alejada dentro de dicho patrón.
En otras palabras, dada una curva de consumo de energía de un día nuevo (en general, periodo de tiempo), puede confrontarse contra el comportamiento de energía analizado representado por patrones. En otras palabras, una nueva curva de consumo de energía puede evaluarse con respecto a un modelo discreto de comportamiento de energía (es decir, con respecto a un patrón de consumo de energía). Para una nueva curva de consumo de energía xj, esta evaluación puede hacerse usando formulaciones matemáticas de similitud/disimilitud, tales como se indica a continuación:
¿Í = [Xj\ \\Xj - C¡|| < || X¡ - C£||V 1 < k < K}
en donde A ‘ es el iésimo grupo, Xj es la jésima curva de consumo de energía, C es el patrón para el iésimo grupo y K es el número total de patrones. Es decir, una nueva curva de consumo de energía pertenece a un cierto patrón si la distancia al centroide de dicho cierto patrón es menor que la distancia a cualquier otro centroide (centroide de cualquier otro patrón), siempre que dicha distancia mínima no es mayor que la distancia de la curva más alejada dentro de dicho cierto patrón.
Hasta ahora, para cada nueva curva de consumo de energía obtenida a partir de los datos de sensor en un nuevo periodo de tiempo T, el grado de similitud/disimilitud con respecto a patrones actuales se evalúa comparando la nueva curva de consumo de energía con los K patrones, o con cada curva que pertenece a cada patrón, ya definido (por ejemplo, en una etapa de entrenamiento). Y, si la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud, se determina que la nueva curva de consumo de energía pertenece a ese patrón en el que encaja la nueva curva de consumo de energía.
Pueden surgir dos escenarios: en un primer escenario, la nueva curva de consumo de energía se explica mediante un modelo (patrón) de energía discreto anterior, es decir, la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud. En este caso, la nueva curva de consumo de energía se compara digitalmente con todas las curvas de consumo de energía que pertenecen a la agrupación representada por el patrón al que pertenece. Esto se realiza en un medio de procesamiento, por ejemplo, en el medio de procesamiento 2000 como se muestra en la Figura 2. En realizaciones de la invención, si como resultado de esta evaluación se determina que la nueva curva de consumo de energía pertenece a un cierto patrón de consumo de energía, la nueva curva de consumo de energía se asocia al grupo de curvas representado por dicho patrón y el patrón de consumo de energía se actualiza incluyendo la nueva curva de consumo de energía. Cuando la nueva curva de consumo de energía se compara digitalmente con todas las curvas de consumo de energía que pertenecen a la agrupación representada por el patrón al que pertenece, la nueva curva se compara, entre otras, con la curva de máximo consumo de energía y con la curva de mínimo consumo de energía dentro de la agrupación.
En un segundo escenario, la nueva curva de consumo de energía no se explica mediante un modelo (patrón) de energía discreto generado durante el horizonte de tiempo seleccionado. En otras palabras, la nueva curva de consumo de energía no encaja en un patrón definido anteriormente en términos de una métrica de similitud. En este caso, puede representar un consumo anómalo, en cuyo caso puede generarse o desencadenarse una alarma asociada al consumo de energía (alarma de energía). Como alternativa, puede representar la apariencia de un tipo nuevo de comportamiento de consumo, es decir, un patrón nuevo. En otras palabras, para cada nueva curva de consumo de energía (por ejemplo, cada día), se comprueba si debería provocar o no una alarma de energía. Esto puede hacerse comparando la nueva curva de consumo de energía con los K patrones ya definidos, por ejemplo, durante un análisis de datos históricos o etapa de entrenamiento.
Si como resultado de esta evaluación se determina que la nueva curva de consumo de energía no pertenece a ninguno de los K patrones de consumo de energía, la nueva curva de consumo de energía puede compararse con curvas de consumo de energía de cualquier patrón, o con datos de producción asociados a curvas de consumo de energía.
En realizaciones de la invención, la nueva curva de consumo de energía se compara con la curva de consumo de energía más cercana. En realizaciones de la invención, "más cercana" debería entenderse como "más cercana de acuerdo con una cierta distancia". Por ejemplo, puede ser la más cercana en distancia euclídea. En realizaciones de la invención, la nueva curva de consumo de energía se compara con el día (curva) de consumo mínimo de energía. En realizaciones de la invención, la nueva curva de consumo de energía se compara con el día (curva) de consumo máximo de energía. Si no es similar a una de estas curvas con las que se compara, puede generarse una alarma de consumo de energía. Esta comparación puede hacerse automáticamente o a demanda.
Adicionalmente, la nueva curva de consumo de energía puede evaluarse en términos de energía frente a producción. La producción conseguida durante el periodo de tiempo de la nueva curva de consumo de energía se captura y almacena, por ejemplo, en la base de datos 3000. Una vez que la nueva curva de consumo de energía se ha sometido a la evaluación para determinar si pertenece o no a un modelo discreto de comportamiento de energía (patrón), con esta generación posterior o no de una alarma asociada a consumo de energía, la nueva curva de consumo de energía se compara con una relación esperada de energía frente a producción (por ejemplo, obtenida durante el análisis de datos históricos o etapa de entrenamiento, como se representa, por ejemplo, en la Figura 5). En realizaciones de la invención, se capturan los datos de la producción conseguidos durante el mismo periodo de tiempo de la nueva curva de consumo de energía. El consumo de energía y la producción asociada durante el periodo de tiempo de la nueva curva puede compararse con la relación energía frente a producción inferida a partir de curvas históricas. En realizaciones de la invención, si la relación energía frente a producción de la nueva curva de consumo de energía no puede explicarse por la variabilidad estadística del modelo inferido durante la etapa de entrenamiento, puede generarse una alarma de producción. En otras palabras, si como resultado de la comparación digital se determina que existe una ineficiencia energética, se desencadena una alarma asociada a la producción. Volviendo de nuevo a la Figura 5, si una nueva curva de consumo de energía, representada como un nuevo punto en el gráfico de la Figura 5, provoca que empeore la Chi2 anteriormente mencionada, entonces puede deducirse que dicha curva de consumo de energía no corresponde a la relación producción-energía derivada. Por lo tanto, puede desencadenarse una alarma de producción. De otra manera, puede establecerse que dicha nueva curva de consumo de energía representa un comportamiento esperado.
En realizaciones de la invención, la nueva curva de consumo de energía se compara con el día de producción más similar, en cuyo caso debería compararse con una línea de interpolación continua (véase, por ejemplo, la Figura 5). Esto puede resultar en la generación de una alarma de producción. Esta comparación puede hacerse automáticamente o a demanda.
En realizaciones de la invención, se identifican la carga o cargas en la planta industrial que han provocado dicho consumo de energía anómalo. Es decir, se identifica qué carga o cargas han provocado que la nueva curva de consumo de energía de la planta industrial no pertenezca a ningún patrón identificado (agrupación de curvas); o han provocado que la energía agregada (obtenida a partir de la nueva curva de consumo de energía) frente a producción no siga el perfil (línea) obtenido con datos históricos.
En realizaciones de la invención, una vez que se ha identificado un día (o periodo de tiempo, en general) contra el que se comparará la nueva curva de consumo de energía que provoca la alarma (alarma de consumo de energía y/o alarma de producción), pueden usarse mediciones de submedición para interpretar la diferencia en consumo de energía. Esto puede hacerse comparando cargas supervisadas con un perfil de referencia seleccionado, siendo el perfil de referencia, por ejemplo, el día (curva) de consumo mínimo de energía entre las curvas en la misma agrupación, o el día (curva) de consumo máximo de energía entre las curvas en la misma agrupación, o el día con producción más similar, o cualquier otro perfil de referencia. Estas cargas supervisadas corresponden a niveles de submedición del nivel de jerarquía más alta bajo análisis como se muestra, por ejemplo, en la Figura 1. La submedición implica analizar el consumo de energía asociada a, por ejemplo, un proceso específico (es decir, estampación en caliente) en los dos periodos de tiempo identificados (el nuevo y el seleccionado para la comparación). Por ejemplo, el consumo de energía de las máquinas implicadas en el proceso puede analizarse individualmente. O, por ejemplo, puede analizarse el consumo de energía empleado en la climatización, iluminación o cualquier otra tarea. Por lo tanto, para el consumo de energía agregado total, se determina el porcentaje de consumo de energía que corresponde a cada carga de menor nivel (carga de submedición). Esta comparación puede representarse en un gráfico, tal como un gráfico de tarta que contrasta consumo de energía individual asociado a niveles jerárquicos menores. Otro indicador matemático que puede usarse para identificar un consumo de energía excesivo es la correlación entre los residuales (diferencia entre la curva asociada con la alarma de energía y el perfil de referencia usado para la comparación) y las cargas individuales asociadas a niveles jerárquicos menores. Una mayor correlación significa que puede identificarse el problema que provoca la ineficiencia.
Por tanto, usando datos de submedición, se desglosan porcentajes de consumo de energía atribuibles a diferentes componentes en un cierto nivel de producción (línea, proceso, máquina, etc.). Esto habilita, por ejemplo, identificar un elemento que provoca la ineficiencia energética (y, por lo tanto, por ejemplo, que provoca una alarma). Este procedimiento surge, por ejemplo, después de la identificación de la curva de consumo de energía diaria que tiene el menor o mayor consumo asociado con el patrón de consumo de energía más similar al nuevo comportamiento de energía de la curva de consumo de energía que se está evaluando. Dicha elección surge después de identificar, por ejemplo, el patrón más similar y las curvas de consumo de energía más extremas (menores y mayores) asociadas con el mismo, que serán candidatos potenciales.
Además, de vez en cuando, definida por un parámetro configurable, la generación de patrones de consumo de energía puede actualizarse usando nuevas curvas de consumo de energía que se han medido después de que los patrones actuales de consumo de energía se hayan obtenido en el horizonte de tiempo usado en la etapa de entrenamiento. En otras palabras, pueden actualizarse los datos históricos usados, por ejemplo, para entrenamiento. Por lo tanto, pueden obtenerse nuevos patrones de consumo de energía teniendo en cuenta las nuevas curvas de consumo de energía. En realizaciones de la invención, los patrones se actualizan cada vez que se obtiene una nueva curva de consumo de energía. Una nueva curva de consumo de energía se compara con cada uno de los K patrones de consumo de energía ya definidos. También de vez en cuando, definidos por un parámetro configurable, pueden obtenerse nuevos modelos de consumo de energía frente a producción. Haciendo de nuevo referencia a los dos escenarios ya analizados: en un primer escenario, en el que la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente, a continuación, la nueva curva de consumo de energía se asocia al grupo de curvas que forman ese patrón y se recalcula el comportamiento (patrón) de características. En un segundo escenario, en el que la nueva curva de consumo de energía no se explica por un modelo (patrón) de energía discreto ya generado: si se determina que la nueva curva representa un consumo anómalo, la nueva curva no debería contribuir a actualizar un patrón. Si, por el contrario, se determina que la nueva curva no representa un consumo anómalo, puede determinarse que representa la aparición de un tipo nuevo de comportamiento de consumo, es decir, un patrón nuevo.
La invención evidentemente no está limitada a la realización o realizaciones específicas descritas en este documento, sino que también abarca cualquier variación (por ejemplo, con respecto a la elección de materiales, dimensiones, componentes, configuración, etc.), dentro del alcance de la invención como se define en las reivindicaciones.

Claims (15)

REIVINDICACIONES
1. Un método implementado en ordenador para evaluar el consumo de energía en una planta industrial (1000), que comprende:
en una pluralidad de instantes de tiempo, capturar con una pluralidad de sensores, datos de sensor desde al menos un nivel de la planta industrial (1000), en donde dicha pluralidad de sensores comprende sensores de medición de energía,
estando el método caracterizado por que comprende, además:
a partir de dichos datos de sensor, obtener digitalmente una pluralidad de curvas de consumo de energía x<j>, en donde j = 0, 1, 2,..., J-1, siendo J un número natural, representando una curva de consumo de energía, a lo largo de cierto periodo de tiempo T, valores discretos de consumo de energía que corresponden a intervalos de tiempo At en los que se divide dicho periodo de tiempo T,
a partir de dichas curvas de consumo de energía X<j>, aplicar un algoritmo de agrupación para calcular digitalmente una pluralidad de K patrones de consumo de energía C<k>, en donde k = 0, 1, 2,..., K-1, siendo K un número natural, K < J, en donde cada patrón de consumo de energía C<k>representa un conjunto de curvas de consumo de energía X<j>agrupadas juntas de acuerdo con una métrica de similitud, en donde cada patrón de consumo de energía C<k>comprende valores discretos de consumo de energía que corresponden a dichos intervalos de tiempo At en los que se divide dicho periodo de tiempo T,
capturar datos de la producción conseguida durante dicho periodo de tiempo T en dicho al menos un nivel de la planta industrial (1000),
calcular, para cada curva de consumo de energía que pertenece a cada patrón, la suma agregada de los valores discretos de consumo de energía durante dicho periodo de tiempo T, obteniendo por lo tanto el consumo de energía agregado para cada curva de consumo de energía durante dicho periodo de tiempo T,
establecer digitalmente una relación entre consumo de energía agregado para cada curva de consumo de energía durante dicho periodo de tiempo T y dichos datos de producción capturados.
2. El método de la reivindicación 1, en donde la etapa de capturar, con una pluralidad de sensores, datos de sensor desde al menos un nivel de la planta industrial (1000), se hace en instantes de tiempo periódicos separados en intervalos de tiempo At.
3. El método de cualquier reivindicación anterior, en donde dicho al menos un nivel de la planta industrial (1000) es al menos uno de planta industrial (1000), línea (1100, 1200, 1300, 1400), proceso, máquina (1101, 1102) o componente (1101a, 1101b) de una máquina.
4. El método de cualquier reivindicación anterior, en donde cada componente de patrón de consumo de energía C<k>se calcula como el valor medio de los correspondientes componentes x<y>de cada curva de consumo de energía X<j>que pertenece a dicho patrón.
5. El método de cualquier reivindicación anterior, en donde dicho algoritmo de agrupación aplica el siguiente proceso iterativo para minimizar la distancia entre elementos que forman una agrupación y su correspondiente patrón:
argm in£{=1 \\xy -C[k\\V k = 1......K}
en donde X<ij>es el i<ésimo>componente de la j<ésima>curva de consumo de energía X<j>, C<ik>es el i<ésimo>componente del k<ésim°>patrón de consumo de energía en el instante de tiempo t, K es el número total de patrones de consumo de energía e I es el número de mediciones dentro de todo el periodo de tiempo,
en donde el número óptimo K de patrones para todo el conjunto de curvas X<j>V j = 1,..., J viene dado por el punto de máXima desviación en la representación de la varianza entre grupos divididos por la varianza total de la selección del conjunto de curvas, es decir:
am 3max\{(.—v a r ^ K , V A R ¡ Í s )
V A—R ')-v (—V A R-)'f),V fc= 1 ,...,K
en donde VAR<in>es la varianza entre los elementos de un grupo o agrupación, y
en donde VAR<in>se define:
VARn= Z£=1nk(C £ -C * ) / ( f f - 1 ) ,
en donde K es el número total de patrones de consumo de energía, es decir, el número total de grupos de curvas de consumo de energía relacionadas con una métrica de similitud definida para un grupo, n<k>es el número de elementos que forman el k<® ^ ™>grupo o curvas, C<k*>es el patrón de características para el k<® ^ ™>grupo de curvas y C£ es el patrón medio de toda la selección de curvas de consumo de energía.
6. El método de cualquier reivindicación anterior, en donde para una nueva curva de consumo de energía obtenida a partir de datos de sensor en un nuevo periodo de tiempo T, el grado de similitud/disimilitud con respecto a patrones actuales se evalúa comparando la nueva curva de consumo de energía con los K patrones ya definidos y, si la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud, se determina que dicha nueva curva de consumo de energía pertenece a dicho patrón en el que encaja la nueva curva de consumo de energía.
7. El método de la reivindicación 6, en donde si la nueva curva de consumo de energía encaja matemáticamente en un patrón definido anteriormente en términos de una métrica de similitud, la nueva curva de consumo de energía se compara digitalmente con todas las curvas de consumo de energía que pertenecen a la agrupación representada por el patrón, comparando por lo tanto la nueva curva con la curva de máximo consumo de energía y con la curva de mínimo consumo de energía.
8. El método de cualquiera de las reivindicaciones 6 o 7, en donde si la nueva curva de consumo de energía pertenece a un patrón de consumo de energía existente, la nueva curva de consumo de energía se asocia al grupo de curvas representado por dicho patrón y el patrón se actualiza teniendo en cuenta la nueva curva de consumo de energía.
9. El método de la reivindicación 6, en donde si la nueva curva de consumo de energía no encaja en un patrón definido anteriormente en términos de una métrica de similitud, determinar si la nueva curva de consumo de energía representa un consumo anómalo o si representa la apariencia de un tipo nuevo de patrón de consumo de energía.
10. El método de la reivindicación 9, en donde si se determina que la nueva curva de consumo de energía representa un consumo anómalo, desencadenar una alarma asociada al consumo de energía.
11. El método de una cualquiera de las reivindicaciones 6-10, que comprende adicionalmente:
capturar datos de la producción conseguida durante el mismo periodo de tiempo T de la nueva curva de consumo de energía,
comparar digitalmente el consumo de energía y la producción asociada durante dicho periodo de tiempo de la nueva curva de consumo de energía, con la relación energía frente a producción inferida a partir de curvas históricas.
12. El método de la reivindicación 11, en donde si como resultado de la comparación digital se determina que existe una ineficiencia energética, desencadenar una alarma asociada a la producción.
13. El método de una cualquiera de las reivindicaciones 10-12, que comprende adicionalmente usar mediciones de submedición para interpretar la diferencia en consumo de energía que provoca el consumo anómalo.
14. Un sistema que comprende medios de procesamiento, estando el sistema configurado para realizar las etapas del método de una cualquiera de las reivindicaciones 1-13.
15. Un producto de programa informático que comprende instrucciones/código de programa informático para realizar el método de acuerdo con una cualquiera de las reivindicaciones 1-13 o una memoria/medio legible por ordenador que almacena instrucciones/código de programa para realizar el método de acuerdo con una cualquiera de las reivindicaciones 1-13.
ES19828799T 2019-01-02 2019-12-30 Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales Active ES2967447T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19382002.4A EP3677976A1 (en) 2019-01-02 2019-01-02 Method, system and computer program product for evaluation of energy consumption in industrial environments
PCT/EP2019/087142 WO2020141154A1 (en) 2019-01-02 2019-12-30 Method, system and computer program product for evaluation of energy consumption in industrial environments

Publications (1)

Publication Number Publication Date
ES2967447T3 true ES2967447T3 (es) 2024-04-30

Family

ID=65023835

Family Applications (1)

Application Number Title Priority Date Filing Date
ES19828799T Active ES2967447T3 (es) 2019-01-02 2019-12-30 Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales

Country Status (11)

Country Link
US (1) US12001199B2 (es)
EP (2) EP3677976A1 (es)
JP (1) JP7451854B2 (es)
KR (1) KR20210137435A (es)
CN (1) CN113632025B (es)
BR (1) BR112021013153A2 (es)
ES (1) ES2967447T3 (es)
MX (1) MX2021008067A (es)
PL (1) PL3906447T3 (es)
PT (1) PT3906447T (es)
WO (1) WO2020141154A1 (es)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230053970A (ko) 2021-10-15 2023-04-24 주식회사 엘지에너지솔루션 가압 채널 및 이를 포함하는 이차전지 충방전 장치
CN113985831B (zh) * 2021-11-17 2023-06-16 河北工业大学 一种工业控制系统状态机构建方法
CN115081795B (zh) * 2022-04-27 2024-09-27 国网山东省电力公司泰安供电公司 多维场景下企业能耗异常成因分析方法及系统
US20230418276A1 (en) * 2022-06-24 2023-12-28 Budderfly, Inc. Dynamic Real Time Average Monthly Energy Management System

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO309550B1 (no) 1998-04-07 2001-02-12 It & Process As System for styring av effektforbruk hos en bruker av elektrisk effekt
FI116253B (fi) * 2003-12-22 2005-10-14 Abb Oy Sähkökäytön energiakulutus
EP2204712A1 (en) * 2008-12-17 2010-07-07 Bayer MaterialScience AG Method and system for monitoring and analysing energy consumption in operated chemical plants
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
US8989910B1 (en) * 2010-12-31 2015-03-24 C3, Inc. Systems and methods for data mining of energy consumption data
US9108652B2 (en) * 2012-07-09 2015-08-18 General Electric Company Method and system for timetable optimization utilizing energy consumption factors
US20150316904A1 (en) * 2014-05-01 2015-11-05 Rockwell Automation Technologies, Inc. Systems and methods for adjusting operations of an industrial automation system based on multiple data sources
CN104111978B (zh) * 2014-06-25 2017-08-29 京东方科技集团股份有限公司 能量消耗测量方法以及能量消耗测量系统
US10515308B2 (en) * 2015-10-30 2019-12-24 Global Design Corporation Ltd. System, method and cloud-based platform for predicting energy consumption
US10754918B2 (en) * 2016-02-23 2020-08-25 Opower, Inc. System for providing remote building efficiency audits
US10120353B2 (en) * 2016-04-05 2018-11-06 Schneider Electric USA, Inc. Energy management system and method
CN106249681B (zh) 2016-09-18 2018-10-12 北京博锐尚格节能技术股份有限公司 建筑能耗异常监控方法和装置
EP3511879A1 (en) * 2018-01-12 2019-07-17 Siemens Aktiengesellschaft Method for monitoring and controlling the energy cost for the production of a product lot

Also Published As

Publication number Publication date
CN113632025A (zh) 2021-11-09
BR112021013153A2 (pt) 2021-09-08
PT3906447T (pt) 2024-01-08
EP3677976A1 (en) 2020-07-08
EP3906447B1 (en) 2023-11-29
JP2022522939A (ja) 2022-04-21
EP3906447A1 (en) 2021-11-10
US20220091601A1 (en) 2022-03-24
MX2021008067A (es) 2021-12-10
WO2020141154A1 (en) 2020-07-09
CN113632025B (zh) 2024-05-28
KR20210137435A (ko) 2021-11-17
JP7451854B2 (ja) 2024-03-19
PL3906447T3 (pl) 2024-07-29
US12001199B2 (en) 2024-06-04

Similar Documents

Publication Publication Date Title
ES2967447T3 (es) Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales
CN108700851B (zh) 用于预测能量消耗的系统、方法和基于云的平台
ES2688196T3 (es) Procedimiento de monitorización de condición
CN112204631A (zh) 管理智能警报的系统和方法
JP2009294969A (ja) 需要予測方法および需要予測装置
US9299051B2 (en) Methods and systems for evaluating the performance of building processes
CN110019124A (zh) 一种集合天气预报修订方法及系统
CN117932501B (zh) 一种电能表运行状态管理方法和系统
García Valverde et al. Water demand estimation and outlier detection from smart meter data using classification and Big Data methods
CN104715156B (zh) 一种建筑节能潜力动态评估方法
Stoian et al. SCADA and modeling in water management
CN103066572A (zh) 基于保信系统的继电保护在线监测方法与装置
US20230419222A1 (en) Method to optimize cleaning of solar panels through quantification of losses in photovoltaic modules in solar power plants
CN115526275B (zh) 一种用于用电安全的远程多源数据监测分析方法及系统
US11200524B2 (en) Technique for utility network management
CN106197759A (zh) 一种温度传感器控制系统
Kala et al. Introduction to condition monitoring of PV system
CN110264380A (zh) 一种基于人工智能的物业管理方法和系统
CN109670243A (zh) 一种基于勒贝格空间模型的寿命预测方法
CN116223969A (zh) 配用电监测方法、设备及装置和计算机设备
CN117196591B (zh) 一种设备失效模式预判与剩余寿命预测耦合系统及方法
Johansson et al. N-dimensional fault detection and operational analysis with performance metrics
ES2910855T3 (es) Detección a distancia de una anomalía que afecta a una instalación fotovoltaica
Oluyomi et al. Detection of False Data Injection in Smart Water Metering Infrastructure
Liang et al. Anomalous Access Behavior Detection Method Based on Multi-Source Data Fusion