TWI821641B - 人工智慧生產製造節能管理系統及其方法 - Google Patents
人工智慧生產製造節能管理系統及其方法 Download PDFInfo
- Publication number
- TWI821641B TWI821641B TW110108803A TW110108803A TWI821641B TW I821641 B TWI821641 B TW I821641B TW 110108803 A TW110108803 A TW 110108803A TW 110108803 A TW110108803 A TW 110108803A TW I821641 B TWI821641 B TW I821641B
- Authority
- TW
- Taiwan
- Prior art keywords
- prediction
- power consumption
- data
- historical
- result
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims description 73
- 238000013473 artificial intelligence Methods 0.000 claims description 55
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004904 shortening Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
一種人工智慧生產製造節能管理系統,其包含監測模組及預測模組。監測模組收集一區域的歷史用電資料及歷史溫度資料。預測模組接收歷史用電資料、歷史溫度資料及此區域的氣溫預測資料。其中,預測模組執行前處理程序以對歷史用電資料及歷史溫度資料進行前處理,並執行基於極限梯度提升演算法的訓練模型對一預測周期之氣溫預測資料及此預測周期之前的所有歷史用電資料及歷史溫度資料進行訓練以產生此預測周期的用電預測結果,並根據評價指標及用電預測結果產生評價結果以決定採用此用電預測結果或重新建立訓練模型。
Description
本揭露係有關於一種節能管理系統,特別是一種人工智慧生產製造節能管理系統。本揭露還涉及此系統的節能管理方法。
由於科技的進步,能源管理監控系統(EMS)的功能也愈來愈強大;目前,能源管理監控系統已廣泛應用於住商大樓、醫院、學校等場域。然而,現有的能源管理監控系統大多是設計用於滿足高用電量用戶的降載需求,但卻缺少自動化監控管理機制和關鍵預測技術量能,無法達到提前預測用電的功能。
因此,一般而言,當用戶的電力用量超過契約容量時,大多只能被動地根據能源管理監控系統發出警報執行即時負載切離或卸載,可能造成管理人員無法即時處理用電過量的情形或影響空調的舒適度等等問題。
根據本揭露之一實施例,本揭露提出一種人工智慧生產製造節能管理系統,其包含監測模組及預測模組。監測模組收集一區域的歷史用電資料及歷史溫度資料。預測模組接收歷史用電資料、歷史溫度資料及此區域的氣溫預測資料。其中,預測模組執行前處理程序以對歷史用電資料及歷史溫度資料進行前處理,並執行基於極限梯度提升演算法的訓練模型對一預測周期之該氣
溫預測資料、此預測周期之前的所有歷史用電資料及歷史溫度資料進行訓練以產生此預測周期的用電預測結果,並根據評價指標及用電預測結果產生評價結果以決定採用此用電預測結果或重新建立訓練模型。
在一實施例中,評價指標為決定係數。
在一實施例中,當評價結果為決定係數大於0.9時,預測模組決定採用用電預測結果,而當評價結果為決定係數小於0.9時,預測模組執行模型重建程序以重新建立訓練模型。
在一實施例中,模型重建程序包含增加變數、補充遺失值、縮短該預測周期及正規化。
在一實施例中,人工智慧生產製造節能管理系統更包含分析模組,分析模組在預測模組決定採用用電預測結果時將用電預測結果與契約容量比較,並在用電預測結果超過契約容量時產生用電建議及警示訊號中之一或以上。
根據本揭露之另一實施例,本揭露提出一種人工智慧生產製造節能管理方法,其包含下列步驟:透過監測模組收集區域的歷史用電資料及歷史溫度資料;經由預測模組接收歷史用電資料、歷史溫度資料及此區域的氣溫預測資料;以預測模組執行前處理程序以對歷史用電資料及歷史溫度資料進行前處理;經由預測模組執行基於極限梯度提升演算法的訓練模型對一預測周期之該氣溫預測資料、此預測周期之前的所有歷史用電資料及歷史溫度資料進行訓練以產生此預測周期的用電預測結果;以及透過預測模組根據評價指標及用電預測結果產生評價結果以決定採用此用電預測結果或重新建立訓練模型。
在一實施例中,評價指標為決定係數。
在一實施例中,透過預測模組根據評價指標及用電預測結果產生評價結果以決定採用用電預測結果或重新建立訓練模型之步驟更包含:透過預測模組在評價結果為決定係數大於0.9時決定採用此用電預測結果;以及透過該預測模組在評價結果為決定係數小於0.9時執行模型重建程序以重新建立訓練模型。
在一實施例中,模型重建程序包含增加變數、補充遺失值、縮短該預測周期及正規化。
在一實施例中,人工智慧生產製造節能管理方法更包含下列步驟:透過分析模組在預測模組決定採用此用電預測結果時將用電預測結果與契約容量比較;以及透過分析模組在用電預測結果超過契約容量時產生用電建議及警示訊號中之一或以上。
承上所述,依本揭露之人工智慧生產製造節能管理系統及其方法,其可具有一或多個下述優點:
(1)本揭露之一實施例中,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時產生警示訊號以警示管理人員,故可以節省電力且避免額外的電費罰款,藉此有效地執行節能管理。
(2)本揭露之一實施例中,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時提供用電建議,使管理人員能即時採取最適當的節電措施,藉此更有效地執行節能管理。
(3)本揭露之一實施例中,人工智慧生產製造節能管理系統採用極限梯度提升演算法,並以決定係數做為評價指標,其更能精確地評價用電預測結果是否接近實際用電結果,故能有效地提升人工智慧生產製造節能管理系統的效能。
(4)本揭露之一實施例中,人工智慧生產製造節能管理系統之訓練模型整合極限梯度提升演算法及時間序列的概念,經實驗證明此訓練模型更能滿足用電預測的需求,使用電預測結果更為精確,故能進一步提升人工智慧生產製造節能管理系統的效能。
(5)本揭露之一實施例中,人工智慧生產製造節能管理系統不但能應用於各種產品的生產流程或製造流程,更能應用於各種不同場所的用電預測,故應用上極為廣泛。
1:人工智慧生產製造節能管理系統
11:監控介面入口
12:監測模組
13:預測模組
14:分析模組
H:歷史用電資料
T:歷史溫度資料
F:氣溫預測資料
R:用電預測結果
E:評價結果
S:用電建議
W:警示訊號
A,A’,B,B’:曲線
S21~S25,S31~S38:步驟流程
第1圖 係為本揭露之第一實施例之人工智慧生產製造節能管理系統之方塊圖。
第2圖 係為本揭露之第一實施例之人工智慧生產製造節能管理方法之流程圖。
第3圖 係為本揭露之第二實施例之人工智慧生產製造節能管理方法之流程圖。
第4圖 係為本揭露之第二實施例之實驗結果圖。
以下將參照相關圖式,說明依本揭露之人工智慧生產製造節能管理系統及其方法之實施例,為了清楚與方便圖式說明之故,圖式中的各部件在
尺寸與比例上可能會被誇大或縮小地呈現。在以下描述及/或申請專利範圍中,當提及元件「連接」或「耦合」至另一元件時,其可直接連接或耦合至該另一元件或可存在介入元件;而當提及元件「直接連接」或「直接耦合」至另一元件時,不存在介入元件,用於描述元件或層之間之關係之其他字詞應以相同方式解釋。為使便於理解,下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖,其係為本揭露之第一實施例之人工智慧生產製造節能管理系統之方塊圖。如圖所示,人工智慧生產製造節能管理系統1包含監控介面入口11、監測模組12、預測模組13及分析模組14。在一實施例中,人工智慧生產製造節能管理系統1可為一電腦主機,而監測模組12、預測模組13及分析模組14可為一整合所有功能的晶片或獨立的晶片。
監控介面入口11與一區域的用戶連接。其中,此區域可為但不限於工廠、辦公大樓、購物中心及學校等。
監測模組12與監控介面入口11連接,並透過監控介面入口11收集此區域的歷史用電資料H及歷史溫度資料T。
預測模組13與監測模組12連接,並由監測模組12接收歷史用電資料H及歷史溫度資料T,且由氣象局獲取此區域的氣溫(外氣溫度)預測資料F。其中,預測模組13可執行前處理程序以對歷史用電資料H及歷史溫度資料T進行前處理。此前處理程序可包含主動識別資料欄位型態、處理遺失值(missing values)、調整共線性(collinearity)、特徵篩選、滾動式自我迴歸及標準化(normalization)中之一個或多個。
接下來,預測模組13執行基於極限梯度提升演算法(XGBoost)的訓練模型對一預測周期的氣溫預測資料F及此預測周期之前的所有歷史用電資
料H及歷史溫度資料T進行訓練以產生此預測周期的用電預測結果R;其中,用電預測結果R包含但不限於用電單位、日期、用電監測裝置標籤及總功率中之一或以上。另外,前述之預測周期可依實際需求進行調整;例如,預測周期可為一周、15天、一個月或二個月等等。此外,預測模組13能夠以一預設時間間隔整合歷史用電資料H、歷史溫度資料T及氣溫預測資料F;例如,預測模組13能夠(但不限於)「每分鐘」為一預設時間間隔整合歷史用電資料H、歷史溫度資料T及氣溫預測資料F。另外,預測模組13能夠以一預設的量及頻率取得氣溫預測資料F;例如,預測模組13能夠(但不限於)每次抓二天的量而間隔時間為三小時以取得氣溫預測資料F。
然後,預測模組13根據評價指標及用電預測結果R產生評價結果E;在本實施例中,評價指標可為決定係數(coefficient of determination,R2)。當評價結果E產生後,預測模組13可根據評價結果E決定採用此用電預測結果R或重新建立訓練模型。評價結果E可有效地評估訓練模型是否能有效地解釋此區域的用電狀況。在本實施例中,當評價結果E為決定係數大於0.9時,預測模組13決定採用此用電預測結果R,並同時儲存此用電預測結果R,再將此用電預測結果R傳送至分析模組14。
接下來,分析模組14在預測模組13決定採用此用電預測結果R時將用電預測結果R與契約容量比較。當用電預測結果R超過契約容量時,分析模組14產生用電建議S及/或警示訊號W。其中,用電建議S可根據電預測結果R與契約容量的差值提出最適當的節電措施,使管理人員能夠盡可能在維持區域中的設施正常運作且能降低足夠的用電量。警示訊號W則可有效地提醒管理人員在預測周期內的用電量可能會超過契約容量,故必須盡快採取必要措施。
相反的,當評價結果E為決定係數小於0.9時,預測模組13執行模型重建程序以重新建立訓練模型。在一實施例中,此模型重建程序包含增加變數、補充遺失值、縮短預測周期及正規化。當評價結果E為決定係數小於0.9時,表示訓練模型無法有效地解釋此區域的用電狀況,故預測模組13可以多種方式重新建立訓練模型,使訓練模型能有效地解釋此區域的用電狀況。例如,預測模組13可讓資料集後續增加時也能主動識別型態,或針對測點異常或遺失的欄位進行處理以提高資料正確性與準確度。例如,預測模組13可將在共線性在迴歸模型中彼此相關係數超過0.7的變數去除,以避免演算法理論建構不正確。例如,若此區域為學校,「社團活動事件」(例如社團借用教室)可能為影響用電量的重要變數,故預測模組13可增加對應的變數至訓練模型中。透過上述的方式,預測模組13可透過模型重建程序重新建立更為適合此區域的訓練模型。例如,若此區域為工廠,「訂單數量」可能為影響用電量的重要變數,故預測模組13也可增加對應的變數至訓練模型中。在另一實施例中,評價指標也可為均方誤差(MSE)、均方根差(RMSE)或平均絕對誤差(MAE)等等。預測模組13透過模型重建程序重新建立訓練模型後,預測模組13會再次透過此訓練模型產生用電預測結果R,且根據評價指標及用電預測結果R產生評價結果E,並根據評價結果E決定採用此用電預測結果R或重新建立訓練模型。
如前述,預測模組13執行基於極限梯度提升演算法(XGBoost)的訓練模型對預測周期之前的所有歷史用電資料H進行訓練以產生此預測周期的用電預測結果R,故預測模組13之訓練模型已整合極限梯度提升演算法及時間序列的概念。換句話說,隨著時間過去會一直有新的實際用電量發生,此訓練模型將這些實際用電量依時間順序納入模型考量,且每次僅預測下一個預測周期
值;例如:使用2017/12月的實際用電量產生後,利用2012/2~2017/12的歷史資料,預測2018/1數值。經實驗證明整合極限梯度提升演算法及時間序列的概念的訓練模型更能滿足用電預測的需求,使用電預測結果更為精確,故能進一步提升人工智慧生產製造節能管理系統1的效能。
如前述,人工智慧生產製造節能管理系統1採用基於極限梯度提升演算法(Extreme Gradient Boosting,XGBoost)的訓練模型,且採用決定係數(R2)做為評價指標。決定係數的定義代表迴歸模式之變異值與所有yi變異量之比例,決定係數愈大,表示此迴歸模式能夠解釋全體yi變異量的比例愈大。本實施例以決定係數是否大於0.9做為評價指標,經實驗證明最能符合用電預測的需求。極限梯度提升演算法為一種迭代的決策樹演算法,經實驗證明整合極限梯度提升演算法及時間序列概念的訓練模型最能符合用電預測的需求。
透過上述的機制,人工智慧生產製造節能管理系統1能產生用電預測結果R,並將用電預測結果R與契約容量比較,且在用電預測結果R超過契約容量時產生用電建議S及警示訊號W,故可以節省電力且避免額外的電費罰款,且使管理人員能即時採取最適當的節電措施藉此有效地執行節能管理。
另外,人工智慧生產製造節能管理系統1能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時提供用電建議,使管理人員能即時採取最適當的節電措施,藉此更有效地執行節能管理。
當然,上述僅為舉例,人工智慧生產製造節能管理系統1的各元件及其協同關係均可依實際需求變化,本揭露並不以此為限。
值得一提的是,當用戶的電力用量超過契約容量時,現有的能源管理監控系統只能發出警報警示管理人員執行即時負載切離或卸載,故可能造成管理人員無法即時處理用電過量的情形或影響空調的舒適度等等問題。相反的,根據本揭露之實施例,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時產生警示訊號以警示管理人員,故可以節省電力且避免額外的電費罰款,藉此有效地執行節能管理。
此外,根據本揭露之實施例,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時提供用電建議,使管理人員能即時採取最適當的節電措施,藉此更有效地執行節能管理。
另外,根據本揭露之實施例,人工智慧生產製造節能管理系統之訓練模型整合極限梯度提升演算法及時間序列的概念,經實驗證明此訓練模型更能滿足用電預測的需求,使用電預測結果更為精確,故能進一步提升人工智慧生產製造節能管理系統的效能。由上述可知,本揭露之人工智慧生產製造節能管理系統確實可達極佳的技術效果。
請參閱第2圖,其係為本揭露之第一實施例之人工智慧生產製造節能管理方法之流程圖。如圖所示,本實施例之人工智慧生產製造節能管理方法包含下列步驟:
步驟S21:透過監測模組收集一區域的歷史用電資料及歷史溫度資料。
步驟S22:經由預測模組接收歷史用電資料、歷史溫度資料及此區域的氣溫預測資料。
步驟S23:以預測模組執行前處理程序以對歷史用電資料及歷史溫度資料進行前處理。
步驟S24:經由預測模組執行基於極限梯度提升演算法的訓練模型對一預測周期之氣溫預測資料、此預測周期之前的所有歷史用電資料及歷史溫度資料進行訓練以產生預測周期的用電預測結果。
步驟S25:透過預測模組根據評價指標及用電預測結果產生評價結果以決定採用此用電預測結果或重新建立訓練模型。
請參閱第3圖,其係為本揭露之第二實施例之人工智慧生產製造節能管理方法之流程圖。如圖所示,本實施例舉例說明了人工智慧生產製造節能管理方法更詳細的步驟:
步驟S31:透過監測模組收集一區域的歷史用電資料及歷史溫度資料,並進入步驟S32。
步驟S32:經由預測模組接收歷史用電資料、歷史溫度資料及此區域的氣溫預測資料,並進入步驟S33。
步驟S33:以預測模組執行前處理程序以對歷史用電資料及歷史溫度資料進行前處理,並進入步驟S34。
步驟S34:經由預測模組執行基於極限梯度提升演算法的訓練模型對一預測周期之氣溫預測資料、此預測周期之前的所有歷史用電資料及歷史溫度資料進行訓練以產生預測周期的用電預測結果,並進入步驟S35。
步驟S36:透過預測模組根據評價指標及用電預測結果產生評價結果,並判斷評價結果是否為決定係數大於0.9?若是,則進入步驟S37;若否(決定係數小於0.9),則進入步驟S361。
步驟S361:透過預測模組執行模型重建程序以重新建立訓練模型,並回到步驟S34。
步驟S37:透過分析模組判斷用電預測結果是否超過契約容量?若是,則進入步驟S38;若否,則回到步驟S31。
步驟S38:透過分析模組產生用電建議及警示訊號,並回到步驟S31。
請參閱第4圖,其係為本揭露之第二實施例之實驗結果圖。本實施例以淡江大學的二個不同的區域做為測試區域(以下稱為A區域及B區域),並以2020/11/23至2020/11/29區間的資料作為訓練資料進行訓練,並產生預測周期為2020/11/30-2020/12/06的用電預測結果,並以第4圖表示2020/11/30-2020/12/02的用電預測結果。如圖所示,曲線A表示A區域的實際用電量,曲線A’表示A區域的用電預測結果;曲線B表示B區域的實際用電量,曲線B’表示B區域的用電預測結果。由圖中可看出,A區域的用電預測結果符合A區域的實際用電量,而B區域的用電預測結果也符合B區域的實際用電量(R2為0.984862342120521,大於0.9)。由實驗結果可知,人工智慧生產製造節能管理系統之訓練模型整合極限梯度提升演算法及時間序列的概念,更能滿足用電預測的需求,使用電預測結果更為精確,故能進一步提升人工智慧生產製造節能管理系統的效能。
綜上所述,根據本揭露之實施例,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結
果超過契約容量時產生警示訊號以警示管理人員,故可以節省電力且避免額外的電費罰款,藉此有效地執行節能管理。
又,根據本揭露之實施例,人工智慧生產製造節能管理系統能產生用電預測結果,並將用電預測結果與契約容量比較,且在用電預測結果超過契約容量時提供用電建議,使管理人員能即時採取最適當的節電措施,藉此更有效地執行節能管理。
此外,根據本揭露之實施例,人工智慧生產製造節能管理系統採用極限梯度提升演算法,並以決定係數做為評價指標,其更能精確地評價用電預測結果是否接近實際用電結果,故能有效地提升人工智慧生產製造節能管理系統的效能。
另外,根據本揭露之實施例,人工智慧生產製造節能管理系統之訓練模型整合極限梯度提升演算法及時間序列的概念,經實驗證明此訓練模型更能滿足用電預測的需求,使用電預測結果更為精確,故能進一步提升人工智慧生產製造節能管理系統的效能。
再者,根據本揭露之實施例,人工智慧生產製造節能管理系統不但能應用於各種產品的生產流程或製造流程,更能應用於各種不同場所的用電預測,故應用上極為廣泛。
可見本揭露在突破先前之技術下,確實已達到所欲增進之功效,且也非熟悉該項技藝者所易於思及,其所具之進步性、實用性,顯已符合專利之申請要件,爰依法提出專利申請,懇請 貴局核准本件發明專利申請案,以勵創作,至感德便。
以上所述僅為舉例性,而非為限制性者。其它任何未脫離本揭露之精神與範疇,而對其進行之等效修改或變更,均應該包含於後附之申請專利範圍中。
1:人工智慧生產製造節能管理系統
11:監控介面入口
12:監測模組
13:預測模組
14:分析模組
H:歷史用電資料
T:歷史溫度資料
F:氣溫預測資料
R:用電預測結果
E:評價結果
S:用電建議
W:警示訊號
Claims (10)
- 一種人工智慧生產製造節能管理系統,係包含:一監測模組,係收集一區域的一歷史用電資料及一歷史溫度資料;以及一預測模組,係接收該歷史用電資料、該歷史溫度資料及該區域的一氣溫預測資料;其中,該預測模組執行一前處理程序以對該歷史用電資料及該歷史溫度資料進行前處理,並執行基於一極限梯度提升演算法的一訓練模型對一預測周期之該氣溫預測資料、該預測周期之前的所有該歷史用電資料及該歷史溫度資料進行訓練,使該訓練模型透過該極限梯度提升演算法以產生該預測周期的基於時間序列的一用電預測結果,使該預測周期的該用電預測結果將實際用電量依時間順序納入該訓練模型考量,並根據一評價指標及該用電預測結果產生一評價結果以決定採用該用電預測結果或重新建立該訓練模型。
- 如請求項1所述之人工智慧生產製造節能管理系統,其中該評價指標為一決定係數。
- 如請求項2所述之人工智慧生產製造節能管理系統,其中當評價結果為該決定係數大於0.9時,該預測模組決定採用該用電預測結果,而當評價結果為該決定係數小於0.9時,該預測模組執行一模型重建程序以重新建立該訓練模型。
- 如請求項3所述之人工智慧生產製造節能管理系統,其中該模型重建程序包含增加變數、補充遺失值、縮短該預測周期及正規化。
- 如請求項1所述之人工智慧生產製造節能管理系統,更包含一分析模組,該分析模組在該預測模組決定採用該用電預測結果時將該用電預測結果與一契約容量比較,並在該用電預測結果超過該契約容量時產生一用電建議及一警示訊號中之一或以上。
- 一種人工智慧生產製造節能管理方法,係包含:透過一監測模組收集一區域的一歷史用電資料及一歷史溫度資料;經由一預測模組接收該歷史用電資料、該歷史溫度資料及該區域的一氣溫預測資料;以該預測模組執行一前處理程序以對該歷史用電資料及該歷史溫度資料進行前處理;經由該預測模組執行基於一極限梯度提升演算法的一訓練模型對一預測周期之該氣溫預測資料、該預測周期之前的所有該歷史用電資料及該歷史溫度資料進行訓練,使該訓練模型透過該極限梯度提升演算法以產生該預測周期的基於時間序列的一用電預測結果,並使該預測周期的該用電預測結果將實際用電量依時間順序納入該訓練模型考量;以及透過該預測模組根據一評價指標及該用電預測結果產生一評價結果以決定採用該用電預測結果或重新建立該訓練模型。
- 如請求項6所述之人工智慧生產製造節能管理方法,其中該評價指標為一決定係數。
- 如請求項7所述之人工智慧生產製造節能管理方法,其中透過該預測模組根據該評價指標及該用電預測結果產生該評價結果以決定採用該用電預測結果或重新建立該訓練模型之步驟更包含: 透過該預測模組在該評價結果為該決定係數大於0.9時決定採用該用電預測結果;以及透過該預測模組在評價結果為該決定係數小於0.9時執行一模型重建程序以重新建立該訓練模型。
- 如請求項8所述之人工智慧生產製造節能管理方法,其中該模型重建程序包含增加變數、補充遺失值、縮短該預測周期及正規化。
- 如請求項6所述之人工智慧生產製造節能管理方法,更包含:透過一分析模組在該預測模組決定採用該用電預測結果時將該用電預測結果與一契約容量比較;以及透過該分析模組在該用電預測結果超過該契約容量時產生一用電建議及一警示訊號中之一或以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110108803A TWI821641B (zh) | 2021-03-12 | 2021-03-12 | 人工智慧生產製造節能管理系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110108803A TWI821641B (zh) | 2021-03-12 | 2021-03-12 | 人工智慧生產製造節能管理系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202236198A TW202236198A (zh) | 2022-09-16 |
TWI821641B true TWI821641B (zh) | 2023-11-11 |
Family
ID=84957206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110108803A TWI821641B (zh) | 2021-03-12 | 2021-03-12 | 人工智慧生產製造節能管理系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI821641B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010671B (zh) * | 2023-10-07 | 2023-12-05 | 中国信息通信研究院 | 基于区块链的分布式柔性车间调度方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233321A (zh) * | 2014-04-25 | 2016-12-14 | 三星电子株式会社 | 用于优化电力消耗的智能系统的操作方法和装置 |
CN111260108A (zh) * | 2019-10-16 | 2020-06-09 | 华北电力大学 | 一种基于区间预测的能源枢纽鲁棒优化方法 |
CN111324642A (zh) * | 2019-12-12 | 2020-06-23 | 国家电网有限公司大数据中心 | 一种面向电网大数据分析的模型算法选型与评价方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
-
2021
- 2021-03-12 TW TW110108803A patent/TWI821641B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233321A (zh) * | 2014-04-25 | 2016-12-14 | 三星电子株式会社 | 用于优化电力消耗的智能系统的操作方法和装置 |
CN111260108A (zh) * | 2019-10-16 | 2020-06-09 | 华北电力大学 | 一种基于区间预测的能源枢纽鲁棒优化方法 |
CN111324642A (zh) * | 2019-12-12 | 2020-06-23 | 国家电网有限公司大数据中心 | 一种面向电网大数据分析的模型算法选型与评价方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202236198A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110558A1 (zh) | 一种智能电能表故障预警方法及装置 | |
US10223167B2 (en) | Discrete resource management | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
Xiao et al. | Data mining in building automation system for improving building operational performance | |
US8532808B2 (en) | Systems and methods for measuring and verifying energy savings in buildings | |
CN102222276B (zh) | 电网二次设备状态检修方法及装置 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
US9196011B2 (en) | Smoothing power output from a wind farm | |
CN107017630A (zh) | 一种多时间尺度的电力需求侧响应方法 | |
JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
CN110388964A (zh) | 一种隧道电缆数据采集的方法、装置和系统 | |
TWI821641B (zh) | 人工智慧生產製造節能管理系統及其方法 | |
CN102931625A (zh) | 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用 | |
CN106709823A (zh) | 一种电力用户用电信息采集系统的运行性能评价方法 | |
CN110675070A (zh) | 智能微网设备关键度分析方法 | |
CN107368940A (zh) | 计及响应不确定性温控负荷聚合响应潜力评估方法及系统 | |
Fu et al. | Data-quality detection and recovery for building energy management and control systems: Case study on submetering | |
CN104715156A (zh) | 一种建筑节能潜力动态评估方法 | |
CN117010946A (zh) | 一种火电厂生产经营成本核算系统及其使用方法 | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN107563626B (zh) | 一种基于工艺制造过程中预浸料的成本测算和监控系统 | |
Ma et al. | A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven | |
CN111968008A (zh) | 基于多能协作的综合能源监控系统及方法 | |
Chelmis et al. | Estimating reduced consumption for dynamic demand response | |
CN112462648A (zh) | 一种用于建筑综合环境监测及预测系统 |