JP5233423B2 - 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム - Google Patents
消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム Download PDFInfo
- Publication number
- JP5233423B2 JP5233423B2 JP2008149840A JP2008149840A JP5233423B2 JP 5233423 B2 JP5233423 B2 JP 5233423B2 JP 2008149840 A JP2008149840 A JP 2008149840A JP 2008149840 A JP2008149840 A JP 2008149840A JP 5233423 B2 JP5233423 B2 JP 5233423B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- energy consumption
- unknown parameter
- value
- data
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims description 217
- 238000000034 method Methods 0.000 claims description 59
- 238000012546 transfer Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000013500 data storage Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 description 72
- 238000012545 processing Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 18
- 238000009825 accumulation Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 239000013598 vector Substances 0.000 description 14
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
既存の情報から各機器の消費エネルギーを推定する装置・方法としては、特許文献1に開示されているような方法が提案されている。
すなわち、例えば、前記未知パラメータ値決定手段は、前記未知パラメータの値を任意に決める毎に該決定した未知パラメータ値と少なくとも前記稼動データを用いて前記第2のモデルにより全体の消費エネルギー理論値を算出して、該全体の消費エネルギー理論値と前記全体の消費エネルギー実績データとのノルムに基づく距離を最小化する未知パラメータの値を探索することで、前記未知パラメータ推定値を求める。
また、本発明は、上記消費エネルギー推定装置に限らず、上記未知パラメータ推定値を求める為の未知パラメータ値推定装置として構成してもよいし、これら消費エネルギー推定装置、未知パラメータ値推定装置の処理機能をコンピュータにより実現させる為のプログラムとして構成してもよい。
図1は、本例の消費エネルギー推定装置の機能ブロック図である。
図示の消費エネルギー推定装置10は、データ格納(蓄積)部11、モデルA形式設定部12、モデルB形式設定13、未知パラメータ推定部14、消費電力推定部15等を有する。消費エネルギー推定装置10は、例えば一般的なパソコンやサーバ装置等により実現されるものである。つまり、パソコンは、一般的に、CPU等の演算プロセッサ、ハードディスク等の記憶装置、メモリ、キーボード、ディスプレイ、入出力インタフェース等を備えており、記憶装置に予め記憶されている所定のアプリケーションプログラムを、CPU等が読出し・実行することにより、上記消費エネルギー推定装置10における各種機能部11〜15による後述する処理機能が実現される。
データ格納(蓄積)部11は、(a)設備別稼動時系列データ(機器の稼動データ)、(b)既知変数データ(計測値等)、(c)全設備消費電力時系列データ(全体の消費エネルギー実績値)等の、主に未知パラメータ推定部14による処理に必要な各種データが格納・蓄積する記憶部である。これら各種データは、MES(製造実行システム)、DCS(分散制御システム)、電力計などから随時収集して時系列的に蓄積した過去データである。
消費電力推定部15は、モデルA形式設定部12、モデルB形式設定13によって作成されたモデルA、モデルBの各未知パラメータに対して、上記未知パラメータ推定値を設定することで、未知のパラメータを含まないモデルA、モデルBを作成する。よって、この様なモデルA,Bに対して、上記データ格納(蓄積)部11から既知変数や設備別稼動時系列データ等を取得して設定することで、特にモデルAによって各設備(機器)毎の消費電力推定値を得ることができる。よって、個々の機器に各種センサを設置する必要なく、高コストになることなく、個々の機器についての消費エネルギー量を知ることができるようになる。
図2は、未知パラメータ推定部14による概略的な処理イメージを示す図である。
図2には、モデルBの概略的なイメージを示す。
w(n,t)=1(機器nが時刻tにおいて稼動状態)
w(n,t)=0(機器nが時刻tにおいて停止状態)
ここでtは連続値であっても一定のサンプリング時刻にサンプリングされた離散値であってもよい。離散値の場合にはw(n,t)は各機器nについて数列となる。
次に、各機器nに関して、稼動時の消費エネルギーが依存する条件(条件1という)に対応した変数またはパラメータがあるものとし、このうち既知(条件に対応する変数値が指定された値としてわかったりセンサ等で得られたりする)のものをp(n,i)(i=1…I)、未知のものをa(n,j)(j=1…J)とする。ここでは、p(n,i)は上記既知変数(モデルA用)、a(n,j)は上記未知パラメータ(モデルA用)に相当すると考えてもよい。各p(n,i)やa(n,j)は離散値か連続値かのいずれかをとる変数とする。
を入力とし、各機器(機器n)のエネルギー消費量の時間変化E1(n,t)(0≦t≦T)を計算する計算モデル(上記モデルAの一例)がある。
結局、「計算モデル」(関数)は、
E1(n,t)=E1(n,t, w(n,t’),p(n,i), a(n,j))(0≦t’≦t)(i=1…I),(j=1…J) ・・・(1)式
と表される。
(i=1…I)(j=1…J)(n=1…N)(l=1…L)(m=1…M)
ここでの表記方法も(1)式と同様である。
以下、上述した表記方法を用いて、主に未知パラメータ推定値を求める処理について、各種実施例を説明する。
ここで、上記(2)式において、その値が分かっていないものは(a(n,j)(j=1…J)(n=1…N))とb(m) (m=1…M)であり、これらa(n,j)、b(m)の値を任意に決めてやれば、全消費エネルギー理論値E2(t)の具体的な算出値が得られることになる。尚、以下の説明では、a(n,j) 、b(m)を未知パラメータa(n,j)、b(m)と呼ぶ場合もある。
まず、上記「全消費エネルギー理論値」E2(t)と「全消費エネルギー実績値」E0(t)との一般のノルムに基づく距離が小さいほど、両者の時系列関数は「近い」ことになり、両者はより合致することになる。
e(p,a(n,j), b(m))を最小化する未知パラメータ(a(n,j)(j=1…J)(n=1…N), b(m)(m=1…M))を求めることで、これを上記未知パラメータ推定値として決定してよいものである。
本問題における決定変数は一般にa(n,j)(j=1…J)(n=1…N), b(m)(m=1…M)で表されるように高次元であり、また離散変数と連続変数を含みうる。一方で評価関数e(p,a(n,j), b(m))は決定変数に関して一般に非線形である。
図5は、実施例2における未知パラメータ推定部14の機能ブロックと処理フローを示す図である。
上記の通り、データベース(データ格納(蓄積)部11)には対象期間0≦t≦Tの各機器nの稼動データ(w(n,t))、個々の機器nに関する条件(条件1:p(n,i)(i=1…I))に対応する変数実績値、個々の機器でなく全体に関する条件(条件2:q(l)(l=1…L))に対応する変数実績値、ならびに当該対象期間の「全消費エネルギー実績値」E0(t)(時系列)が格納されている。
この処理は、ステップS11で未知パラメータ(a(n,j), b(m))の値を任意に決定する毎に、この未知パラメータの値を上記各種変数等の実績値データと共にモデルB((2)式)に代入して「全消費エネルギー理論値」E2(t)を算出し(ステップS12)、算出したE2(t)と上記入力したE0(t)とから上記(3)式によってp-ノルムを算出する(ステップS13)。そして、ステップS13では更に、算出したp-ノルム値と記憶してある最小p-ノルム値とを比較して、
算出したp-ノルム値<最小p-ノルム値
である場合には、算出したp-ノルム値を新たな最小p-ノルム値として記憶すると共に、このときのステップS11における未知パラメータの値を、最適未知パラメータ値候補として記憶する。尚、一番最初にステップS13で算出したp-ノルム値は、そのまま最小p-ノルム値として記憶する。勿論、そのときの未知パラメータの値も、最適未知パラメータ値候補として記憶する。
ここで、上記実施例1,2において、上記最適未知パラメータ値(未知パラメータ推定値)は、消費電力推定部15に渡され、消費電力推定部15は上述したように未知パラメータ推定値を適用したモデルAを用いることで、各機器毎の消費エネルギー理論値を算出することができる。
上記最適未知パラメータ値(未知パラメータ推定値)として得られたパラメータa(n,j)(j=1…J)(n=1…N),b(m)(m=1…M)の値を用いてE2(t)を算出した場合、
E2(t, w(n,t),p(n,i),a(n,j),q(l),b(m))≠E0(t)
となる場合が少なくないと考えられる。
次に、以下、実施例3について説明する。
上述した未知パラメータ推定部14における未知パラメータ推定値を求める処理に関して、所定期間の機器全体の消費エネルギーデータ理論値(「全消費エネルギー理論値」)を計算する計算モデル(モデルB)の出力値が、同期間の各機器の消費エネルギー理論値(「各機器消費エネルギー理論値」)を算出する計算モデル(モデルA)の出力値の単純和となっている場合には、最小二乗法により未知パラメータを推定することができる。
まず、「全消費エネルギー実績値」E0(t)は、所定のサンプリング周期Δtでサンプリングされており、各機器の起動・停止もΔtの整数倍の離散的なタイミングにおいてのみ行えるものとする。
対象期間0≦t≦T(T=KΔt)の間にRn回の起動−停止を行うものとし、r回目の起動、停止時刻をそれぞれ、ks(n,r) Δt≦t≦ke(n,r) Δt(s:start,e:endの略)とする。
w(n,kΔt) = 1(ks (n,r)≦k≦ke (n,r),r=1…Rn)
w(n,kΔt) = 0(それ以外)
と表される。
ここで各機器のエネルギー消費量モデルE1(n,t)ついて、離散時刻t=kΔtに対して定義されるため、E1(n, kΔt)について以下のように定義(仮定)する。
これは図6で示されるような、各機器は稼働時間(起動−停止の間)は機器ごとに定まる一定値のエネルギー消費量が継続し、稼動時間以外はエネルギー消費はゼロとするものである。つまり、この例ではa(n,1)は、各機器n(n;1〜N)毎の単位時間当たりのエネルギー消費量と考えることができる。尚、図6は、各機器のエネルギー消費量、及びこれと全体のエネルギー消費量との関係の一例を示す図である。
a=[a(1,1) a(2,1) … a(N,1)] T,w1(k)=[w(1,kΔt) w(2,kΔt) … w(n,kΔt)]T
ここで右肩のTは行列(ベクトル)の転置を表し、aとw1(k)はともに縦ベクトルである。
ここで、E2(t)−E0(t)を2-ノルムで以下のように評価する。
Wa−E0
となる。
これを満たす未知パラメータa0=[a(1,1) a(2,1) … a(N,1)] T、すなわち上記未知パラメータ推定値は、最小二乗法により求めることができ、以下のように表すことができる。
従って、実施例3における未知パラメータ推定部14は、データ格納(蓄積)部11から上記w(n,k Δt)とE0(k Δt)を取得して、これらを上記(6)行列式に対して設定して上記(7)式を演算することで、最適な未知パラメータ値としての未知パラメータ推定値を求めることができる。
「各機器毎の消費エネルギー理論値」が
E1(n,t)=E1(n,t, w(n,t),p(n,i),a(n,j))
と表され、「全消費エネルギー理論値」が
E2(t)=E2(t, w(n,t),p(n,i), a(n,j),q(l),b(m))
と表されるものとする。
よって、実施例2、実施例3のいずれかの未知パラメータ推定手法を用いることにより、a(n,j)(j=1…J)(n=1…N), b(m)(m=1…M)を正確に定めることができる。尚、これは、後述する実施例3の変形例等に関しても同様である。
当該変形例においても、未知パラメータ推定値を最小二乗法により求めることについては実施例3と同様である。変形例では、モデル(特にモデルA;モデルBにおけるモデルAの部分も同様)が実施例3とは異なる。すなわち、実施例3では、モデルAは、上記図6に示したように、単純に、各設備毎に、稼動時にその設備に応じた所定値を消費エネルギーとしていたが、本手法では後述する図8に示すようにインパルス応答モデル(有限インパルス応答(FIR)モデル)を用いる。
これは、入力としてインパルス入力を与えた場合の応答時系列b1,n,iから得られるモデルである(図7(a))。
u(k)=[w(1,(k-1)Δt) w(1,(k-2) Δt)…w(1,(k-I)Δt) w(2,(k-1)Δt)…w(2,(k-I)Δt)…w(N,(k-I) Δt)]T,
b=[b1,1,1 b1,1,2 …b1,1,I b1,2,1…b1,2,I …b1,N,I]T
の縦ベクトルである。
ここで、E2(t)−E0(t)を2-ノルムで以下の(11)式のように評価する。
Ub−E0
ここで、
そして、ここでは例えば、Ub−E0の2ノルム、すなわち
b=[b1,1,1 b1,1,2 …b1,1,Ib1,2,1…b1,2,I …b1,N,I]T
を求める。
b0=arg min ‖Ub−E0‖=(UTU)−1 UTE0 ・・・(13)式
従って、実施例3の変形例における未知パラメータ推定部14は、データ格納(蓄積)部11から上記w(n,k Δt)とE0(k Δt)を取得して、これらに基づいて上記(12)行列式の各要素を設定して上記(13)式を演算することで、最適な未知パラメータ値としての未知パラメータ推定値を求めることができる。
また、上記説明では未知パラメータを「エネルギー消費の大きさ」の1つとするモデルであったが、例えばこのようにインパルス応答モデルであればそのモデルを時間的に区切ってそのそれぞれについての「大きさ」を未知パラメータとすることもできる。
次に、以下、他の具体例を例示して、この具体例に対応する実施例(他の実施例という)に係る処理例を説明する。
当該工程において、従来、2台のタンクの加熱ヒータのそれぞれについて、その起動・停止(タイミング)のデータを蓄積している。
w(n,j,t) = 1(時刻tにタンクnにおいて品目jを処理運転時)
w(n,j,t) = 0(上記以外)
として0と1の2値で与えられる変数である。尚、「タンク1」、「タンク2」は機器n(n=1,2)、「品目1」、「品目2」は品目j(j=1,2)と表す。
図10において、機器n(n=1,2)が品目j(j=1,2)を処理する際の単位時間当たりの消費エネルギー(図10のグラフの「高さ」)は、使用するタンクと品目の組み合わせによって定まるため、タンク(2台)×品目(2種類)の2×2のテーブルとして表されるが、これらのテーブル値を未知パラメータとしてa(n,j)(n,j= 1,2)と表すものとする。すると、時刻tにおけるタンク1,2個々の消費エネルギーE1(n,t)は、以下の(14)式のモデルで計算されることになる。すなわち、
(14)式において、a(n,j) (n,j= 1,2)が未知パラメータである。
E2(θ,t)= E1(1,t)+ E1(2,t) + bθ(t)+c
=a(1,1)w(1,1,t)+a(1,2)w(1,2,t)+a(2,1)w(2,1,t)+a(2,2)w(2,2,t)+bθ(t)+c ・・・(15)式
ここでb,cが未知パラメータである(勿論、a(n,j)も)。
(b)消費エネルギーに影響を与える既知変数
(c)全消費エネルギーの時系列データ(実績値)E0(t)
「(b)消費エネルギーに影響を与える既知変数」としては、当該実施例においては、具体的には、以下のものがある。
これは具体的には各タンクで製品(品目)が処理されたときに、品目1を処理したか、品目2を処理したかの履歴記録があるということである。
したがって、上記(a)〜(c)のデータをデータ格納(蓄積)部11から取得することにより、特に(a)と(b−1)によって、各時刻tにおいてタンクnが運転中であったか停止中であったか、また運転中であった場合に品目1が処理されていたか品目2が処理されていたかのデータが得られ、モデル中((15)式)の変数w(n,j,t)が定まることになる。
θ(kΔt)(k=1,2,…,K)
E0(kΔt) k=1,2,…,K)
これらの値から、E2(θ,t)とE0(t)が各時刻t=kΔt, k=1,2,…,Kにおいてできるだけ合致するように未知パラメータa(i,j),b,cを定める。
まず、上記(15)式は、行列表現として以下のように書き換えられる。
= bθ(t)+c+ a(1,1)w(1,1,t)+ a(1,2)w(1,2,t)+ a(2,1)w(2,1,t)+ a(2,2)w(2,2,t)
= [w(1,1,t) w(1,2,t) w(2,1,t) w(2,2,t) θ(t) 1] [a(1,1) a(1,2) a(2,1) a(2,2) b c]T
(最後の右肩のTは転置)
これを、t=kΔt, k=1,2,…,Kについて並べると、以下のようになる。
従って、当該他の実施例における未知パラメータ推定部14は、データ格納(蓄積)部11から取得したデータに基づいて上記w(n,j,kΔt)(n=1,2, j=1,2, k=1,2,…,K)、θ(kΔt)(k=1,2,…,K)、E0(kΔt) k=1,2,…,K)を生成して行列Wを設定して、これらを用いて上記(16)式を演算することで、最適な未知パラメータ値としての未知パラメータ推定値を求めることができる。
図11に示す未知パラメータ決定用画面40は、基本的には図4と同様に、「全消費エネルギー実績値」E0の時系列グラフ(折れ線グラフ)を表示すると共に、設定領域41における各未知パラメータ値の設定内容に応じた「全消費エネルギー理論値」E2の時系列グラフ(棒グラフ)を表示するものである。すなわち、ユーザがこの設定領域41において各未知パラメータの値を画面上等の「スライダー」により任意に設定することで、この設定値に応じたE2(t)を算出して図示の棒グラフとして表示するものである。
当該他の実施例(その2)では、モデルとして2ステップ(Δt)前までの値を使うFIRモデルを仮定すると、時刻tにおけるタンク1,2個々の消費エネルギー理論値E1(n,t)は、以下の(17)式で表されることになる。すなわち、
すなわち、外気温度も時系列として各時刻について得られるので、θ(t)として、
E2(t)= E1(1,t)+ E1(2,t) + b(1)θ(t-Δt)+ b(2) θ(t-2Δt)+c
= a(1,1,1)w(1,1,t-Δt)+ a(1,1,2)w(1,1,t-2Δt)+ a(1,2,1)w(1,2,t-Δt) +a(1,2,2)w(1,2,t-2Δt)+a(2,1,1)w(2,1,t-Δt)+ a(2,1,2)w(2,1,t-2Δt)+ a(2,2,1)w(2,2,t-Δt) + a(2,2,2)w(2,2,t-2Δt)+ b(1) θ(t-Δt)+ b(2) θ(t-2Δt)+c
= [w(1,1,t-Δt) w(1,1,t-2Δt) w(1,2,t-Δt) w(1,2,t-2Δt) w(2,1,t-Δt) w(2,1,t-2Δt) w(2,2,t-Δt) w(2,2,t-2Δt) θ(t) 1] * [a(1,1,1) a(1,1,2) a(1,2,1) a(1,2,2) a(2,1,1) a(2,1,2) a(2,2,1) a(2,2,2) b(1) b(2) c]T
・・・(18)式
となる。
エネルギー消費理論値の時系列を並べたベクトルは、上記「他の実施例」と同様に、パラメータa(n,j,i),b(i),cのベクトル(Aとする)と、w(n,j,kΔt),θ(kΔt)の行列(他の実施例と同様にWとする)の積として、以下の様に表される。
A=[a(1,1,1) a(1,1,2) a(1,2,1) a(1,2,2) a(2,1,1) a(2,1,2) a(2,2,1) a(2,2,2) b(1) b(2) c]T
は,最小二乗法により以下のように求めることができる。
以下、まず、実施例4について説明する。
この実施例4では、まず、稼動データw(n,t)を時系列に沿った信号列とする。
ここでtは連続時間であれば一定時間でサンプリングすることで離散時間とすることができるため、一般に離散時間であるとする。
離散変数について、それぞれの変数がとる値の組み合わせごとに、稼動データを分ける(図12のw(1,t)・・・w(N,t)の各稼動データを分解する)。図12では離散変数が1変数(bk;k=1…K)しかない場合を記しているが、これが複数ある場合にはそれらがとる組み合わせ毎に分けられる。すなわち、w(1,t)・・・w(N,t)を、それぞれ、離散変数がとる組み合わせごとに分解(分離)し、各組み合わせをとった部分だけを抽出し、それ以外はゼロをとるような時系列を作成する。
次に、各機器について、離散変数のとる組み合わせ毎に(上記例では離散変数のとる各離散値毎に)、図13のようにして分解した離散変数の時系列データと、連続値をとる既知変数の時系列とを組み合わせたベクトルを入力とする線形動的モデル(伝達関数モデル)(図14に示すG1,1、G1,2等)を人間が考えて設定する。当然、この線形動的モデルには上記未知パラメータに相当するものが含まれている。尚、線形動的モデルとは、線形の伝達関数を意味する。特に過去データの影響を受けるものを意味するものと考えても良い。
この説明は、上記他の具体例を用いて説明する。すなわち、タンク1、2、品目1、2の例を用いて説明する。
よって、タンク1、2ならびに品目1、2のそれぞれの合計4つの組み合わせに対する時定数と無駄時間を推定することになる。
を用いている。また、これは「モデルB」の既知変数である外気温度の時系列データuTに対しても図示のように略同様の伝達関数を用いている。
尚、モデルBは、図示の通り、これら各伝達関数の出力の単純和となっている。
尚、上記“MATLAB”に関しては、例えば参考文献2「MATLAB System Identification Toolbox 7 User’s Guide」が知られている。
pem{入力データ,‘モデル’}
ここで、「入力データ」および「‘モデル’」はpem関数への引数(関数への入力)であり、「‘モデル’」でモデル形式を指定する。本実施例においては「連続1次遅れ+無駄時間のモデル」を指定する。また、「入力データ」としては上記入力データU1,1、U1,2、・・・UTを指定すると共に「全消費エネルギー実績値」を教師データとして指定するものである。これにより、「pem関数」の機能により、伝達関数Gn,jにおける未知パラメータが求められることになる。
図19(a)に示す入力データU1,1、U1,2、・・・に対する伝達関数Gn,jの出力が、図19(b)である。図示のように、機器の起動から無駄時間L遅れた、所定の時定数L、ゲインKによって決まる出力が得られる。
実施例5に関しても、上記実施例4等と同様に、上述した「他の具体例」の状況を例にして説明するものとする。そして、ここでは、上記モデルA、モデルBとしては線形動的モデルとして離散伝達関数を用いるものとする。
但し、実施例5では、入力(各タンクの稼動データと外気温度)から出力(全消費電力)までを、多入力1出力の1つのモデルと考える。つまり、本例ではモデルは5入力1出力の線形動的モデルとなる(図20)。
y(k) = Cx(k) + Du(k)
図21に示すように、離散状態空間モデルは上記のように表され、以下のように離散型伝達関数に変換することができる(参考文献4;「ディジタル制御理論入門」、荒木光彦著,1991.6.10,朝倉書店、186-189頁)。
ここでY(z)はスカラー、U(z)は稼動データならびに既知変数を並べたベクトルであるので、離散型伝達関数[C (zI−A)-1B+D]は1行、この変数の数分の列を持った伝達関数行列(横ベクトル)であり、各要素となる離散型伝達関数は対応する入力に対する「モデルA」になっている。
x(k+1) = Ax(k) + Bu(k)
y(k) = Cx(k) + Du(k)
(ここでu(k) = [u1,1(k) u1,2(k) u2,1(k) u2,2(k) uT(k)]T,
ui,j:タンクi, 品目jでの稼動データ,uT:外気温度時系列)
上記状態空間モデルは、以下のようにして離散型伝達関数に変換される。
ここで、U(z)は[u1,1(k) u1,2(k) u2,1(k) u2,2(k) uT(k)]に対応するため5変数のベクトルであるから、3入力1出力の離散型伝達関数行列[Cj(zI−Aj)-1Bj + Dj]は1行5列であり、以下のように表される。
このようにして各タンク・各品目に対する伝達関数G1,1(k), G1,2(k), G2,1(k), G2,2(k)が得られるので、これを各タンク・各品目に対する電力消費モデルとしてその未知パラメータを求めることができる。これは、例えば上記実施例4と同様、“MATLAB”を用いることで求めることができる。
ここで、上記各実施例における各種設定方法の一例について以下に説明する。
図24は、上記「モデルA」「モデルB」の形式を設定する画面例(モデル設定画面50)であり、モデルへの入力の候補である既知変数が表示されている。ユーザはこれらの中から採用する変数を選択する。
同画面において、図示の「未知パラメータ推定」ボタンが設けられ、例えばこれを押下することにより装置内において上述した未知パラメータ推定処理が実施される。
図示のように、消費エネルギー推定装置10のハードウェアは、汎用のコンピュータ60の構成であってよい。
メモリ62は、任意の処理実行の際に、記憶部65(あるいは可搬型記録媒体69)に記憶されているプログラムあるいはデータを一時的に格納するRAM等のメモリである。CPU61は、メモリ62に読み出したプログラム/データを用いて、各種処理を実行する。
ネットワーク接続部67は、例えば任意のネットワークに接続して、他の情報処理装置との通信(コマンド/データ送受信等)を行う為の構成であり、例えば上記MES、DCS、電力計等から上述した各種データを取得することができる。
あるいは、上記記憶部65に格納される各種プログラム/データは、可搬型記録媒体69に記憶されているものであってもよい。この場合、可搬型記録媒体69に記憶されているプログラム/データは、記録媒体駆動部66によって読み出される。可搬型記録媒体69とは、例えば、FD(フレキシブル・ディスク)69a、CD−ROM69b、その他、DVD、光磁気ディスク等である。
上記装置10により、個々の機器にエネルギー消費に関するデータを検知するセンサ等の特別な機器を取り付けることなく、各機器のエネルギー消費量時系列データをほぼ正確に推定することができる。
これには以下の使い方が考えられる。
11 データ格納(蓄積)部
12 モデルA形式設定部
13 モデルB形式設定
14 未知パラメータ推定部
15 消費電力推定部
20 未知パラメータ決定用画面
21 設定領域
31 データ入力部
32 最適化処理部
33 最適未知パラメータ出力部
40 未知パラメータ決定用画面
41 設定領域
50 モデル設定画面
60 コンピュータ
61 CPU
62 メモリ
63 入力部
64 出力部
65 記憶部
66 記録媒体駆動部
67 ネットワーク接続部
68 バス
69 可搬型記録媒体
Claims (9)
- 複数の機器の稼動データと、消費エネルギーに影響を与える条件を表す既知変数と、全体の消費エネルギー実績データを格納する既知データ格納手段と、
少なくとも前記稼動データを用いた、未知パラメータを含む消費エネルギー計算モデルとして、前記各機器毎のモデルである第1のモデルと、全体のモデルであり該第1のモデルを含むモデルである第2のモデルとを任意に作成させるモデル作成支援手段と、
少なくとも前記稼動データ、全体の消費エネルギー実績データと、前記第2のモデルとを用いて、前記未知パラメータの推定値を求める未知パラメータ値決定手段と、
該未知パラメータ推定値決定手段により求めた未知パラメータ推定値を、前記第1のモデルの未知パラメータに設定することで、該設定後の第1のモデルを用いて前記各機器毎の消費エネルギーの理論値を算出する各機器毎消費エネルギー算出手段と、
を有することを特徴とする消費エネルギー推定装置。 - 前記未知パラメータ値決定手段は、前記全体の消費エネルギー実績データをグラフ表示すると共に、前記未知パラメータの値を任意に設定させる毎に該設定された未知パラメータ値と少なくとも前記稼動データを用いて前記第2のモデルにより全体の消費エネルギー理論値を算出してグラフ表示することで、前記未知パラメータ推定値を任意に決定させることを特徴とする請求項1記載の消費エネルギー推定装置。
- 前記未知パラメータ値決定手段は、前記未知パラメータの値を任意に決める毎に該決定した未知パラメータ値と少なくとも前記稼動データを用いて前記第2のモデルにより全体の消費エネルギー理論値を算出して、該全体の消費エネルギー理論値と前記全体の消費エネルギー実績データとのノルムに基づく距離を最小化する未知パラメータの値を探索することで、前記未知パラメータ推定値を求めることを特徴とする請求項1記載の消費エネルギー推定装置。
- 前記第2のモデルによる前記全体の消費エネルギー理論値を、前記各機器毎の第1のモデルの出力の単純和とする場合には、前記未知パラメータ値決定手段は最小二乗法により前記未知パラメータ推定値を求めることを特徴とする請求項1記載の消費エネルギー推定装置。
- 前記第1のモデルとして、インパルス応答モデルを用いることを特徴とする請求項4記載の消費エネルギー推定装置。
- 前記第1のモデル、第2のモデルとして、伝達関数によるモデルを用いることを特徴とする請求項1記載の消費エネルギー推定装置。
- 各機器毎の消費エネルギー推定の為に未知パラメータ値を推定する装置であって、
複数の機器の稼動データと、消費エネルギーに影響を与える条件を表す既知変数と、全体の消費エネルギー実績データを格納する既知データ格納手段と、
少なくとも前記稼動データを用いた、未知パラメータを含む消費エネルギー計算モデルとして、前記各機器毎のモデルである第1のモデルと、全体のモデルであり該第1のモデルを含むモデルである第2のモデルとを任意に作成させるモデル作成支援手段と、
少なくとも前記稼動データ、全体の消費エネルギー実績データと、前記第2のモデルとを用いて、前記未知パラメータの推定値を求める未知パラメータ値決定手段と、
を有することを特徴とする未知パラメータ値推定装置。 - コンピュータを、
複数の機器の稼動データと、消費エネルギーに影響を与える条件を表す既知変数と、全体の消費エネルギー実績データを格納する既知データ格納手段と、
少なくとも前記稼動データを用いた、未知パラメータを含む消費エネルギー計算モデルとして、前記各機器毎のモデルである第1のモデルと、全体のモデルであり該第1のモデルを含むモデルである第2のモデルとを任意に作成させるモデル作成支援手段と、
少なくとも前記稼動データ、全体の消費エネルギー実績データと、前記第2のモデルとを用いて、前記未知パラメータの推定値を求める未知パラメータ値決定手段、
として機能させる為のプログラム。 - コンピュータを、
複数の機器の稼動データと、消費エネルギーに影響を与える条件を表す既知変数と、全体の消費エネルギー実績データを格納する既知データ格納手段と、
少なくとも前記稼動データを用いた、未知パラメータを含む消費エネルギー計算モデルとして、前記各機器毎のモデルである第1のモデルと、全体のモデルであり該第1のモデルを含むモデルである第2のモデルとを任意に作成させるモデル作成支援手段と、
少なくとも前記稼動データ、全体の消費エネルギー実績データと、前記第2のモデルとを用いて、前記未知パラメータの推定値を求める未知パラメータ値決定手段と、
該未知パラメータ推定値決定手段により求めた未知パラメータ推定値を、前記第1のモデルの未知パラメータに設定することで、該設定後の第1のモデルを用いて前記各機器毎の消費エネルギーの理論値を算出する各機器毎消費エネルギー算出手段、
として機能させる為のプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008149840A JP5233423B2 (ja) | 2008-06-06 | 2008-06-06 | 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008149840A JP5233423B2 (ja) | 2008-06-06 | 2008-06-06 | 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009295047A JP2009295047A (ja) | 2009-12-17 |
JP5233423B2 true JP5233423B2 (ja) | 2013-07-10 |
Family
ID=41543150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008149840A Active JP5233423B2 (ja) | 2008-06-06 | 2008-06-06 | 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5233423B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9600149B2 (en) | 2010-07-15 | 2017-03-21 | Nec Corporation | Display processing system, display processing method, and information storage medium |
JP5269215B2 (ja) * | 2011-05-23 | 2013-08-21 | パナソニック株式会社 | 設備稼働状態診断方法および設備稼働状態診断装置 |
CN102855354B (zh) * | 2012-08-21 | 2014-11-05 | 南京南瑞继保电气有限公司 | 一种面向工业企业在线多维能耗数据统计建模方法 |
CN111125608B (zh) * | 2019-11-14 | 2023-05-05 | 国网浙江海宁市供电有限公司 | 一种基于召测数据的理论线损估算方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07105177A (ja) * | 1993-09-30 | 1995-04-21 | Kawasaki Steel Corp | 信号処理方法 |
JPH08308108A (ja) * | 1995-04-27 | 1996-11-22 | Hitachi Ltd | 電力需要量予測方法およびその装置 |
JP2000276460A (ja) * | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP2000274668A (ja) * | 1999-03-25 | 2000-10-03 | Osaka Gas Co Ltd | ガス機器判別装置及びガス機器判別システム |
JP2000298790A (ja) * | 1999-04-14 | 2000-10-24 | Osaka Gas Co Ltd | ロードサーベイシステム |
WO2001077696A1 (fr) * | 2000-04-12 | 2001-10-18 | Central Research Institute Of Electric Power Industry | Systeme et procede permettant d'estimer la consommation en energie d'un appareil electrique, et dispositif d'alarme faisant appel auxdits systeme et procede |
JP4454001B2 (ja) * | 2001-06-19 | 2010-04-21 | 財団法人電力中央研究所 | 遠隔電気機器監視方法及び装置並びにそれを利用した消費電力推定方法及び装置 |
JP4659304B2 (ja) * | 2001-09-21 | 2011-03-30 | 大阪瓦斯株式会社 | 住宅のエネルギー消費量演算用データ作成装置 |
JP4661250B2 (ja) * | 2005-02-09 | 2011-03-30 | 富士電機ホールディングス株式会社 | 予測方法、予測装置および予測プログラム |
-
2008
- 2008-06-06 JP JP2008149840A patent/JP5233423B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2009295047A (ja) | 2009-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kleijnen et al. | Constrained optimization in expensive simulation: Novel approach | |
Barbosa et al. | Using performance profiles to analyze the results of the 2006 CEC constrained optimization competition | |
JP6950119B2 (ja) | 材料設計システム、材料設計方法、及び材料設計プログラム | |
JP5233423B2 (ja) | 消費エネルギー推定装置、その未知パラメータ値推定装置、プログラム | |
WO2019176370A1 (ja) | 将来状態推定装置および将来状態推定方法 | |
Zapater et al. | Runtime data center temperature prediction using Grammatical Evolution techniques | |
JP7350601B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
Batur et al. | Quantile regression metamodeling: Toward improved responsiveness in the high-tech electronics manufacturing industry | |
JP6947108B2 (ja) | データ予測装置、方法、及びプログラム | |
CN115689502A (zh) | 设备排产方法、装置、生产系统及存储介质 | |
Cheng et al. | Learning-based metaheuristic for scheduling unrelated parallel machines with uncertain setup times | |
JP2005537539A (ja) | 技術システムを設計するための方法及び装置 | |
Hamadameen et al. | A compromise solution for the fully fuzzy multiobjective linear programming problems | |
JP2007004728A (ja) | プロセスの操業状態の制御方法、装置、及びコンピュータプログラム | |
JP7288189B2 (ja) | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 | |
KR20090046741A (ko) | 제조 설비에 관련된 예보를 생성하기 위한 시뮬레이션 사용 | |
JP2020144530A (ja) | パラメータ推定装置、方法、及びプログラム | |
Squillante et al. | Analysis of job arrival patterns and parallel scheduling performance | |
JP5125875B2 (ja) | Pidコントローラのチューニング装置、pidコントローラのチューニング用プログラムおよびpidコントローラのチューニング方法 | |
Ahmadikatouli et al. | New evolutionary approach to business process model optimization | |
Brännvall et al. | Digital twin for tuning of server fan controllers | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
JP2006048429A (ja) | 解析エンジン交換型システム及びデータ解析プログラム | |
WO2020003624A1 (ja) | 消費電力推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110414 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121122 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130226 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130311 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5233423 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160405 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |