TWI825844B - 工廠用電的節能預估方法及電子裝置 - Google Patents
工廠用電的節能預估方法及電子裝置 Download PDFInfo
- Publication number
- TWI825844B TWI825844B TW111126231A TW111126231A TWI825844B TW I825844 B TWI825844 B TW I825844B TW 111126231 A TW111126231 A TW 111126231A TW 111126231 A TW111126231 A TW 111126231A TW I825844 B TWI825844 B TW I825844B
- Authority
- TW
- Taiwan
- Prior art keywords
- power consumption
- actual
- consumption
- power
- factory
- Prior art date
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 description 22
- 238000004378 air conditioning Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25289—Energy saving, brown out, standby, sleep, powerdown modus for microcomputer
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Power Sources (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本揭露提供一種工廠用電的節能預估方法及電子裝置。所述方法包括下列步驟。基於單位時段內的工廠實際運作資訊而利用一用電預測模型預測單位時段內的基準用電量。獲取前述單位時段內的一實際用電量。於用電基準介面顯示基準用電量與實際用電量。根據基準用電量與實際用電量之間的第一差異值提供一功能。
Description
本揭露是有關於一種用電分析方法,且特別是有關於一種工廠用電的節能預估方法及電子裝置。
隨著溫室氣體減量與節能減碳的環保議題日趨重要,節能成為當今工廠的重點發展項目之一。若能有效找到浪費電的原因並給予合適的節能方式,不只對環保有所貢獻,也對於工廠成本與獲利有很大的助益。
於工廠用電來說,包含許多不同面向的用電,例如:與環境溫度調節相關的空調用電、與生產產品相關的空壓用電與生產用電、與維持一般環境使用的基礎用電等等,這些都包含在工廠用電當中。對應地,由於工廠的用電包含許多不同面向,因此並不容易即時判斷出節能措施的有效性或節電效率,也難以及時發現用電異常的狀況,進而導致不理想的耗電與能源成本的上升。
有鑑於此,本揭露提供一種工廠用電的節能預估方法及電子裝置,其可用於解決上述技術問題。
本發明實施例提供一種工廠用電的節能預估方法,其包括下列步驟。基於單位時段內的工廠實際運作資訊而利用一用電預測模型預測單位時段內的基準用電量。獲取前述單位時段內的一實際用電量。於用電基準介面顯示基準用電量與實際用電量。根據基準用電量與實際用電量之間的第一差異值提供一功能。
本發明實施例提供一種電子裝置,其包括顯示器、儲存電路及處理器。儲存電路儲存多個指令。處理器耦接顯示器與儲存電路,存取前述指令而經配置以執行下列步驟。基於單位時段內的工廠實際運作資訊而利用一用電預測模型預測所述單位時段內的基準用電量。獲取前述單位時段內的一實際用電量。於用電基準介面顯示基準用電量與實際用電量。根據基準用電量與實際用電量之間的第一差異值提供一功能。
為讓本揭露能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
本發明的部份實施例接下來將會配合附圖來詳細描述,以下的描述所引用的元件符號,當不同附圖出現相同的元件符號將視為相同或相似的元件。這些實施例只是本發明的一部份,並未揭示所有本發明的可實施方式。更確切的說,這些實施例只是本發明的專利申請範圍中的裝置與方法的範例。
請參照圖1,其是依據本發明之一實施例繪示的電子裝置示意圖。在不同的實施例中,電子裝置100例如是具有運算能力的筆記型電腦、桌上型電腦、伺服器、工作站等計算機裝置,但可不限於此。電子裝置100可包括顯示器110、儲存電路120,以及處理器130。
顯示器110例如是內建於電子裝置100的液晶顯示器(Liquid Crystal Display,LCD)、發光二極體(Light Emitting Diode,LED)顯示器、有機發光二極體(Organic Light Emitting Diode,OLED)等各類型的顯示器,但可不限於此。在其他實施例中,顯示器110亦可以是外接於電子裝置100的任何顯示裝置。
儲存電路120例如是任意型式的固定式或可移動式隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash memory)、硬碟或其他類似裝置或這些裝置的組合,而可用以記錄多個程式碼或軟體模組。
處理器130例如是中央處理單元(central processing unit,CPU)、應用處理器(application processor,AP),或是其他可程式化之一般用途或特殊用途的微處理器(microprocessor)、數位訊號處理器(digital signal processor,DSP)、影像訊號處理器(image signal processor,ISP)、圖形處理器(graphics processing unit,GPU)或其他類似裝置、積體電路及其組合。處理器130可存取並執行記錄在儲存電路120中的軟體模組,以實現本發明實施例中的工廠用電的節能預估方法。上述軟體模組可廣泛地解釋為意謂指令、指令集、代碼、程式碼、程式、應用程式、軟體套件、執行緒、程序、功能等,而不管其是被稱作軟體、韌體、中間軟體、微碼、硬體描述語言亦或其他者。
於本發明的實施例中,處理器130可根據工廠過去的歷史運作資訊來建立用電預測模型,訓練完成的用電預測模型可紀錄於儲存電路120中。也就是說,用電預測模型是處理器130依據訓練資料集進行機器學習或統計計算後所創建之用以預估基準用電量的預測模型,而基準用電量是基於一歷史時段內的過往用電模式而產生的預測值。此外,於一些實施例中,工廠的用電還可區分為多種用電類型,而處理器130可針對各種用電類型建立專屬的用電預測模型。上述用電類型例如是空壓用電、空調用電、生產用電,以及基礎用電等等,但可不限於此。
值得一提的是,於一些實施例中,處理器130是根據工廠尚未執行某一節電項目的情況下所收集到的歷史運作資訊來建立用電預測模型,亦即用電預測模型所輸出的基準用電量是尚未考量到前述節電項目或某些耗電項目之影響的預測結果。於是,在工廠開始執行節電項目之後,處理器130可根據用電預測模型所輸出的基準用電量以及工廠的實際用電量來判斷前述節電項目的效益。並且,處理器130也可根據用電預測模型所輸出的基準用電量以及工廠的實際用電量來判斷是否存在異常耗電項目,好讓工廠管理者可以即時進行處置。也就是說,基於過往用電模式與歷史運作資訊而建立之用電預測模型所預測的基準用電量可做為一種用電評估基準。透過比對用電預測模型所預測的基準用電量與實際用電量,可判斷節電項目的效益與即時發現異常耗電項目的存在。
詳細而言,圖2是依據本發明一實施例繪示的工廠用電的節能預估方法的流程圖。請參圖1與圖2,本實施例的方式適用於上述實施例中的電子裝置100,以下即搭配電子裝置100中的各項元件說明本實施例之工廠用電的節能預估方法的詳細步驟。
於步驟S210,處理器130基於一單位時段內的工廠實際運作資訊而利用一用電預測模型預估單位時段內的一基準用電量。單位時段的時間長度可以是一個月、一周、一日、一小時或一分鐘等等,本發明對此不限制。然而,為了清楚說明本發明,後續實施例將以單位時段的時間長度為一個月為範例繼續進行說明。處理器130可根據特定時間點之前的多個過去單位時段的歷史運作資訊建立用電預測模型,並根據用電預測模型與該特定時間點之後的至少一單位時段的工廠實際運作資訊與來預測某一用電類型的至少一基準用電量。
舉例而言,處理器130可根據一月至九月的空調用電的歷史運作資訊建立用電預測模型。在十月結束之後,處理器130可根據十月的工廠實際運作資訊而利用此用電預測模型來預測十月的空調用電的基準用電量,且處理器130也可根據十一月的工廠實際運作資訊而利用此用電預測模型來預測十一月的空調用電的基準用電量。詳細而言,處理器130可從某一個月內的工廠實際運作資訊提取出多個重要特徵變量,並將這些重要特徵變量輸入至用電預測模型,以驅使用電預測模型輸出該月份中某一用電類型的基準用電量。上述重要特徵變量可包括產品產量、產品產線數量、工廠人數、營業額、平均溫度、前一單位時段內的用電量,或基於上述任意兩者而產生之交互特徵等等。
於步驟S220,處理器130獲取單位時段內的一實際用電量。於一些實施例中,在單位時段之後,工廠的實際用電量可以是由工廠電錶提供給處理器130或由管理人員將工廠電錶所量測的實際用電量輸入至電子裝置100。舉例而言,在十月結束之後,處理器130可從工廠電錶獲取各用電類型的實際用電量。
於步驟S230,處理器130於用電基準介面顯示基準用電量與實際用電量。換言之,顯示器110可顯示用電基準介面,而用電基準介面呈現有一或多個用電類型各自的基準用電量與實際用電量。於一些實施例中,處理器130可將基準用電量與實際用電量透過一圖表顯示於用電基準介面。於一些實施例中,上述圖表可包括折線圖,而此折線圖包括預測基準線與實際用電線。前述預測基準線至少包括對應至一個單位時段的基準用電量,而前述實際用電線至少包括對應至一個單位時段的實際用電量。此外,於其他實施例中,上述圖表也可以是柱狀圖、直條圖或橫條圖等等。或者,於其他實施例中,處理器130也可利用表格而將基準用電量與實際用電量呈現於用電基準介面之中。於一些實施例中,用電基準介面可呈現過去多個單位時段所對應的多個基準用電量與多個實際用電量。
舉例而言,請參照圖3,其是依據本發明一實施例繪示的用電基準介面的示意圖。處理器130可透過顯示器110顯示用電基準介面31,用電基準介面31可呈現各個用電類型對應於多個單位時段的基準用電量與實際用電量。於圖3的範例中,處理器130可將空壓用電、空調用電、生產用電,以及基礎用電的基準用電量與實際用電量透過折線圖311、312、313、314而顯示於用電基準介面31。以基礎用電的折線圖311來說明,折線圖311包括預測基準線L1與實際用電線L2。處理器130可依照多個單位時段的先後順序而將各個單位時段所對應的基準用電量連接為預測基準線L1,即將每月份的基準用電量連接為預測基準線L1。相似的,處理器130可依照多個單位時段的先後順而將各個單位時段所對應的實際用電量連接為實際用電線L2,即將每月份的實際用電量連接為實際用電線L2。也就是說,預測基準線L1包括分別對應至不同單位時段的多個基準用電量,像是對應至10月的基準用電量R1。實際用電線L2包括對應至不同單位時段的多個實際用電量,像是對應至10月的實際用電量R2。
如此一來,工廠管理人員可透過觀看用電基準介面31而快速理解用電預測模型所輸出的各個單位時段之基準用電量與各個單位時段之實際用電量之間的差距,而可概略的判斷出各個單位時段的用電情況是否符合預期或有異常狀況發生。舉例而言,理想上,若工廠有執行一些節電項目,則實際用電量理應反應節電項目的實施而小於基準用電量。因此,在工廠執行一些節電項目之後,若實際用電量卻大於基準用電量,代表工廠內存在異常耗電,則工廠管理人員可盡快去對該用電類型的用電情況進行評估與異常問題處置。需說明的是,工廠所施行的一些節電項目與可知的一些異常耗電項目可紀錄於儲存電路120中,處理器130可搜尋儲存電路120而獲取各個單位時段的節電項目與異常耗電項目。
於步驟S240,處理器130根據基準用電量與實際用電量之間的第一差異值提供一功能。於一些實施例中,處理器130可根據基準用電量與實際用電量之間的第一差異值來判斷節電項目的效益。或者,處理器130也可根據基準用電量與實際用電量之間的第一差異值來判斷工廠是否存在異常耗電項目。基此,於一些實施例中,上述功能可包括根據第一差異值控制用電基準介面的介面顯示效果來提示工廠管理人員。於一實施例中,反應於某一單位時段對應的第一差異值符合特定條件,處理器130可對用電基準介面中單位時段的基準用電量與實際用電量進行醒目標示。也就是說,根據某一單位時段對應的第一差異值是否符合特定條件,處理器130可決定是否對用電基準介面中該單位時段的基準用電量與實際用電量進行醒目標示。若某一單位時段對應的第一差異值未符合特定條件,例如未介於預設數值範圍內,處理器130可決定對用電基準介面中該單位時段的基準用電量與實際用電量進行醒目標示。舉例而言,處理器130例如可於圖3所示的折線圖311上某月份的基準用電量與實際用電量進行醒目標示。或者,上述功能可包括根據第一差異值來提供一節電管理介面。又或者,上述功能可包括根據某一單位時段對應的第一差異值來搜尋出與該單位時段相關的節電項目或異常耗電項目。
舉例而言,假設10月份空調用電的第一差異值為12萬度。由於10月份有節慶而工廠空調有停機3日,因此處理器130可根據10月份的空調用電的實際用電量估算出這3日空調停機的減少用電量大約是4萬度。此外,因10月溫度降低,部分時段啟用節電項目「外氣調節」來減少空調開啟時間。處理器130可根據外氣調節的總啟用時數來估算出節電項目「外氣調節」的節電量大約為9萬度。由於反應節慶而產生之減少用電量與節電項目的節電量的總和(4萬度+9萬度=13萬度)與第一差異值(即12萬度)之間的差距(13萬度-12萬度=1萬度)小於預設閥值,代表兩者之間的差距相近,因此處理器130可判定10月份未出現異常。
另外,假設處理器130可觀察到7月份的實際耗電量大於基準用電量且第一差異值約為5萬度。接著,處理器130搜尋新產品試產紀錄而得知7月份的實際試產時數,經由此實際試產時計算耗電額度為約為5.5萬度。如此一來,由於第一差異值約略接近於新產品試產的耗電量,因此處理器130可判定7月份的耗電項目包括新產品試產,未出現異常。
值得一提的是,於一些實施例中,用以預測基準用電量的用電預測模型也可用來預測未來單位時段的用電量,以進一步實現用電成本的估算與衡量未來綠能採買之數量。
圖4是依據本發明一實施例繪示的工廠用電的節能預估方法的流程圖。請參圖1與圖4,本實施例的方式適用於上述實施例中的電子裝置100,以下即搭配電子裝置100中的各項元件說明本實施例之工廠用電的節能預估方法的詳細步驟。
於步驟S410,處理器130建立用電預測模型。更詳細而言,請參照圖5,其為依據本發明一實施例繪示的建立用電預測模型的流程圖。於圖5的實施例中,步驟S410可實施為步驟S411~步驟S416。
於步驟S411,處理器130取得用電類型於一歷史時段內的多個特徵變量。詳細而言,在決定針對某一用電類型建立用電預測模型後,處理器130可針對該用電類型收集歷史時段(即過去多個單位時段)內的歷史運作資訊。歷史運作資訊可包括多個歷史實際用電量以及與歷史時段內可能影響用電的多個特徵變量。於一些實施例中,處理器130可自配置於工廠內外的感測器或量測儀器獲取一些特徵變量,也可接收由工廠管理人員輸入的一些特徵變量。
於一些實施例中,處理器130還可產生這些特徵變量其中任意兩者的多個交互作用特徵變量。交互作用特徵變量可為這些特徵變量其中任意兩者的乘積。舉例而言,處理器130可取得9個特徵變量,其分別為「A產品產量」、「B產品產量」、「A產品產線數量」、「B產品產線數量」、「工廠人數」、「營業額」、「外氣平均溫度」、「基於外溫指示調整的空調設備的開啟數量與開啟時數」以及「前一期用電」,且處理器130可根據這9個特徵變量其中任意兩者取得36個交互特徵變量。
於步驟S412,處理器130針對用電類型自特徵變量挑選出多組重要特徵變量。於一些實施例中,處理器130可從多個特徵變量以及多個交互作用特徵變量之中基於特徵工程中的多個特徵選擇演算法而挑選出多組重要特徵變量,各前述多組重要特徵變量可包括多個重要特徵變量。詳細而言,處理器130可根據第一特徵選擇演算法而從多個特徵變量以及多個交互作用特徵變量之中挑選出一組重要特徵變量,並可根據第二特徵選擇演算法而從多個特徵變量以及多個交互作用特徵變量之中挑選出另一組重要特徵變量。這些特徵選擇演算法可包括傳統統計方式中的逐步選取法(Stepwise Method)或特徵收縮法(Shrinkage Method)。或者,這些特徵選擇演算法可包括機器學習方式中的排列特徵重要性法(Permutation Importance)。又或者,這些特徵選擇演算法可包括深度學習方式中的基於特徵權重(Feature Weight)的特徵選擇法。
舉例而言,表1列舉了處理器130針對某一用電類型基於三種特徵選擇演算法而挑選出的三組重要特徵變量。如表1所示,處理器130可根據逐步選取法挑選出包括7個重要特徵變量的第一組重要特徵變量。處理器130可根據特徵收縮法挑選出包括6個重要特徵變量的第二組重要特徵變量。處理器130可根據排列特徵重要性法挑選出包括4個重要特徵變量的第三組重要特徵變量。
表1
Stepwise | Shrinkage | Permutation Importance |
1. 基於外氣平均溫度與B產品產線數量的交互特徵變量 | 1. 基於A產品產量與前一期用電的交互特徵變量 | 1. A產品產量 |
2. 基於營業額與外氣平均溫度的交互特徵變量 | 2. 基於A產品產量與B產品產量的交互特徵變量 | 2. 前一期用電 |
3.外氣平均溫度 | 3. 基於前一期用電與B產品產量的交互特徵變量 | 3. 基於A產品產量與外溫指示調整的交互特徵變量 |
4. 基於外氣平均溫度與A產品產線數量的交互特徵變量 | 4. 基於工廠人數與前一期用電的交互特徵變量 | 4. 基於外溫指示調整與前一期用電的交互特徵變量 |
5. B產品產線數量 | 5. 基於A產品產量與工廠人數的交互特徵變量 | |
6. 基於營業額與前一期用電的交互特徵變量 | 6. 基於B產品產量與工廠人數的交互特徵變量 | |
7. 基於工廠人數與外氣平均溫度的交互特徵變量 |
值得一提的是,於一些實施例中,處理器130可針對各用電類型進行特徵挑選,而這些用電類型也會分別對應至不同組合的重要特徵變量。
接著,於步驟S413,處理器130基於多個模型類型而利用多組重要特徵變量以及歷史時段內的歷史實際用電量訓練多個預測模型。這些模型類型可包括傳統統計模型,例如線性回歸(Linear Regression)模型或最小絕對值收斂和選擇算子(least absolute shrinkage and selection operator,LASSO)模型。或者,這些模型類型可包括機器學習模型,例如支援向量機(Support Vector Machine,SVM)模型或隨機森林(Random Forest)模型。又或者,這些模型類型可包括深度學習模型,例如循環神經網路(Recurrent Neural Network,RNN)模型或長短期記憶(Long Short-Term Memory,LSTM)模型。又或者,這些模型類型可包括整合式模型,例如堆疊(Stacking)模型或加權法(Weighted Sum)模型。然而,本發明對於模型類型並不限制,其可視實際應用而設置。
於此,各個預測模型是基於多組重要特徵變量其中之一組與模型類型其中之一而訓練。詳細來說,於一些實施例中,若處理器130可針對某一用電類型獲取第一組重要特徵變量以及第二組重要特徵變量。處理器130會基於第一組重要特徵變量與第一模型類型以及歷史時段內的歷史實際用電量訓練出第一個預測模型。處理器130會基於第一組重要特徵變量與第二模型類型以及歷史時段內的歷史實際用電量訓練出第二個預測模型。此外,處理器130會基於第二組重要特徵變量與第一模型類型以及歷史時段內的歷史實際用電量訓練出第三個預測模型,並且處理器130會基於第二組重要特徵變量與第二模型類型以及歷史時段內的歷史實際用電量訓練出第四個預測模型。換言之,處理器130會利用同一組重要特徵變量與不同模型類型而分別建立出對應至不同模型類型的多個預測模型。處理器130會利用多組重要特徵變量與某一模型類型而分別建立出對應至不同組重要特徵變量的多個預測模型。
於步驟S414,處理器130利用模型測試資料測試多個預測模型。處理器130先取得用電類型另一歷史時段內的模型測試資料,在對分別對應至多個模型類型的多個預測模型進行測試。模型測試資料可包括另一歷史時段內多個歷史實際用電量以及與另一歷史時段內可能影響用電的多個特徵變量。於模型測試階段,處理器130可根據模型測試資料獲取另一歷史時段內用於測試這些預測模型的多組重要特徵變量。處理器130將各組重要特徵變量分別輸入至對應的預測模型而獲取這些預測模型之輸出數據,以獲取這些預測模型之輸出數據與對應的歷史實際用電量之間的誤差來評估這些預測模型的優劣。
於步驟S415,處理器130根據模型衡量指標自預測模型挑選出用電預測模型。於一些實施例中,於模型測試階段,處理器130可透過利用模型測試資料測試這些預測模型而獲取對應的模型衡量指標。上述模型衡量指標例如是平均絕對誤差(Mean absolute error,MAE)或平均絕對百分比誤差(Mean absolute Percentage error,MAPE),但本發明不限制於此。於一些實施例中,處理器130可比較各個預測模型的模型衡量指標,並選擇具有最小模型衡量指標的預測模型作為最終的用電預測模型。
舉例而言,假設處理器130基於三種特徵選擇演算法與三種模型類型產生9個預測模型,則處理器130可在對這9個預測模型進行測試之後獲取各個預測模型的模型衡量指標。表2列舉了9個預測模型的模型衡量指標的範例。
表2
基於表2的範例,透過搜尋出最小的模型衡量指標MAPE,處理器130可從這9個預測模型中選擇出對應至Permutation Importance以及堆疊模型的預測模型作為用電預測模型。換言之,於此範例中,用電預測模型的輸入資料是基於Permutation Importance而決定的重要特徵變數。因此,不需要人為挑選重要特徵變數,可節省時間與人力成本。
特徵選擇演算法 | 模型類型 | 模型衡量指標(MAPE) |
Stepwise | 線性回歸模型 | 0.031 |
Stepwise | 隨機森林模型 | 0.013 |
Stepwise | 堆疊模型 | 0.093 |
Shrinkage | 線性回歸模型 | 0.044 |
Shrinkage | 隨機森林模型 | 0.054 |
Shrinkage | 堆疊模型 | 0.096 |
Permutation Importance | 線性回歸模型 | 0.078 |
Permutation Importance | 隨機森林模型 | 0.043 |
Permutation Importance | 堆疊模型 | 0.001 |
回到圖4,於步驟S420,處理器130基於單位時段內的工廠實際運作資訊而利用一用電預測模型預測單位時段內的基準用電量。可知的,基於模型建立時期已決定的重要特徵變量,處理器130可從單位時段內的工廠實際運作資訊獲取多個重要特徵變量,並將對應於單位時段的重要特徵變量輸入至用電預測模型來預測單位時段內一用電類型的基準用電量。於步驟S430,處理器130獲取單位時段內一實際用電量。於步驟S440,處理器130於用電基準介面顯示基準用電量與實際用電量。於步驟S450,處理器130根據基準用電量與實際用電量之間的第一差異值提供一功能。步驟S420至S450的詳細實施方式已於圖2的實施例中的步驟S210至步驟S240清楚說明,於此不再加以贅述。
於一些實施例中,處理器130可預測一未來單位時段內的工廠預測運作資訊。於一些實施例中,處理器130可預測未來單位時段內的工廠預測運作資訊。舉例而言,處理器130可根據工廠生產計劃、工廠人數、平均氣溫或是營業額資訊預測未來單位時段內的工廠預測運作資訊。於一些實施例中,工廠預測運作資訊可由工廠管理人員經由電子裝置100的輸入裝置而提供。
於一些實施例中,處理器130可基於未來單位時段內的工廠預測運作資訊而利用一用電預測模型決定未來單位時段內的一預測用電量。詳細而言,於步驟S460,處理器130基於未來單位時段內的工廠預測運作資訊而利用用電預測模型預測未來單位時段內的預測基準用電量。具體而言,處理器130將未來單位時段內的重要特徵變量輸入至用電預測模型,致使用電預測模型可產生一筆預測基準用電量。
需說明的是,由於未來單位時段工廠會繼續執行節能項目,或是繼續執行耗電項目,因此處理器130可進一步根據預測基準用電量與節電項目可能導致的節電量或是耗電項目增加的耗電量來決定未來單位時段的預測用電量。於步驟S470,處理器130至少根據某一單位時段內基準用電量與實際用電量之間的第一差異值而決定一差異調整率。於步驟S480,處理器130依據預測基準用電量以及差異調整率決定預測用電量。前述差異調整率是至少根據某一單位時段內基準用電量與實際用電量之間的第一差異值而決定,而差異調整率介於0%~100%之間。舉例而言,處理器130可基於步驟S420至S430而獲取10月份的基準用電量與10月份的實際用電量之間的第一差異值,而此第一差異值相關於某一節電項目所造成的節電量。因此,處理器130可根據此第一差異值計算出差異調整率。舉例而言,假設10月份的基準用電量為X度,而實際用電量為Y度。處理器130可獲取第一差異值為(X-Y)度,而差異調整率即為[1-(X-Y)/X]*100%。處理器130可將11月份的預測基準用電量乘上前述差異調整率而獲取11月份的預測用電量。
此外,於一些實施例中,處理器130還可根據多個單位時段內多個基準用電量與對應的多個實際用電量之間的多個第一差異值計算出差異調整率。於一些實施例中,處理器130可根據對應至多個單位時段的多個第一差異值而分別計算出分別對應至多個單位時段的不同第一差異調整率。之後,處理器130對這些第一差異調整率進行平均運算而獲取用於決定預測用電量的第二差異調整率。
於一些實施例中,在處理器130獲取多個單位時段內多個基準用電量與對應的多個實際用電量之間的多個第一差異值之後,處理器130可先計算這些第一差異值的平均值。接著,處理器130可將預測基準用電量減去這些第一差異值的平均值而獲取未來單位時段的預測用電量。舉例而言,處理器130可獲取6月份至10月份的5筆第一差異值,處理器130將計算這5筆第一差異值的平均值。之後,假設5筆第一差異值的平均值為Z度,處理器130可將11月份的預測基準用電量減去Z度而獲取11月份的預測用電量。
於一些實施例中,處理器130可透過顯示器110於一個預測用電介面顯示至少一未來單位時段的預測用電量。於一些實施例中,處理器130可根據多個單位時段內的實際用電量與多個未來單位時段的預測用電量產生工廠的整體用電報表或決定工廠的電力採購量。
於一些實施例中,為了根據單位時段的基準用電量與實際用電量之間的第一差異值來檢測節能項目的效益或判斷是否有異常耗電項目存在,處理器130將判斷第一差異值而根據第一差異值提供一功能。請參照圖6,其是依據本發明一實施例繪示的工廠用電的節能預估方法的流程圖。本實施例的方式適用於上述實施例中的電子裝置100,以下即搭配電子裝置100中的各項元件說明本實施例之根據第一差異值提供一功能的詳細步驟。
於步驟S610,處理器130判斷第一差異值是否大於等於第一門檻值。於圖6的範例中,第一差異值是一種絕對差值。若第一差異值未大於等於第一門檻值(步驟S610判定為否),於步驟S670,處理器130顯示基準用電量與實際用電量。若第一差異值大於等於第一門檻值(步驟S610判定為是),於步驟S620,處理器130判斷實際用電量是否小於基準用電量。若實際用電量未小於基準用電量(步驟S620判定為否),於步驟S680,反應於實際用電量大於基準用電量且第一差異值大於等於第一門檻值,處理器130於節電管理介面顯示耗電項目。具體而言,若實際用電量大於基準用電量且第一差異值大於等於第一門檻值,代表工廠必然存在有耗電項目的存在,實際用電量才會在工廠有執行節能項目的情況下明顯大於基準用電量。
另一方面,若實際用電量小於基準用電量(步驟S620判定為是),於步驟S630,反應於實際用電量小於基準用電量且第一差異值大於等於第一門檻值,處理器130計算第一差異值與一節電相關因子之間的第二差異值。第二差異值可以是一種絕對差值。具體而言,若實際用電量小於基準用電量且第一差異值大於等於第一門檻值,代表工廠所執行的至少一節電項目有達成一定的節電功效。於一些實施例中,節電相關因子為至少一節電項目的總節電量。於一些實施例中,處理器130可進一步判斷某一節電項目所造成的節電量與第一差異值之間的第二差異值是否夠小。或者,於一些實施例中,處理器130可進一步判斷多個節電項目的多個節電量的總和與第一差異值之間的第二差異值是否夠小。
舉例而言,節能項目「冰水主機智能開關調整」於1月份的實際節電量為M度,節能項目「冰水主機智能開關調整」於2月份的實際節電量為N度。節能項目「中央空調群控系統調整」於2月份的實際節電量為P度。處理器130可將與空調用電相關的1月份的節電相關因子設定為M度,並將與空調用電相關的2月份的節電相關因子設定為(N+P)度。
於是,於步驟S640,處理器130判斷第二差異值是否小於第二門檻值。若第二差異值小於第二門檻值(步驟S640判定為是),於步驟S650,反應於第二差異值小於第二門檻值,處理器130於一節電管理介面顯示對應節電相關因子的一節電項目。具體而言,若第二差異值小於第二門檻值,代表至少一節電項目的節電量是符合預期的。因此,處理器130可透過一節電管理介面顯示對應節電相關因子的一節電項目,以讓工廠管理人員理解各節電項目的對應節電量。
此外,若第二差異值未小於第二門檻值(步驟S640判定為否),於步驟S660,反應於第二差異值未小於第二門檻值,處理器130於節電管理介面顯示異常項目。於此,異常項目可包括異常耗電項目、節電相關異常項目,或其他異常項目。
具體而言,若第二差異值未小於第二門檻值,有一種情況是,代表工廠可能存在有異常耗電項目的存在,第一差距值才會在工廠有執行節能項目的情況下與節電相關因子具有一定差距。因此,處理器130可透過一節電管理介面顯示可能的異常耗電項目,以讓工廠管理人員查看。於一些實施例中,處理器130更可查找其他產品生產資訊(例如新產品試產紀錄)而去搜尋到試產新產品而發生的耗電項目。舉例而言,對於生產用電來說,工廠1月份進行新產品A的試產以及新產品B的試產,處理器130可反應於判定耗電項目的存在而搜尋到試產這些新產品而造成的額外耗電量。另一方面,若第二差異值未小於第二門檻值,有另一種情況是,代表節電相關因子有估測錯誤的情況發生,或者是節電項目的節電效率超乎預期,致使第一差距值與節電相關因子具有一定差距。因此,處理器130可透過一節電管理介面顯示可能的異常項目,以讓工廠管理人員查看。舉例而言,處理器130可於節電管理介面顯示節電相關異常項目與對應的節電相關因子供工廠管理人員確認。
舉例而言,圖7A是依據本發明一實施例繪示的用電基準介面的示意圖。圖7B依據本發明一實施例繪示的節電管理介面的示意圖。請參照圖7B與圖7A,在獲取各個用電類型於不同單位時段內的實際用電量與基準用電量之後,處理器130可於用電基準介面31呈現折線圖311、312、313、314。各折線圖311、312、313、314分別包括實際用電線與預測基準線。以基礎用電的折線圖311來說,處理器130可根據3月份的實際用電量R3以及基準用電量R4而獲取第一差異值D1。如圖7A所示,假設第一差異值D1與節電相關因子之間第二差異值小於第二門檻值。於是,請參照圖7B,處理器130可於節電管理介面71顯示基礎用電的節能項目711以及節能項目711對應的節電量。另一方面,以空壓用電的折線圖313來說,處理器130可根據4月份的實際用電量R6以及基準用電量R5而獲取第一差異值D2。如圖7A所示,實際用電量R6大於基準用電量R5,於是,請參照圖7B,處理器130可於節電管理介面71顯示空壓用電的異常耗電項目712以及異常耗電項目712對應的耗電量。
綜上所述,於本發明的實施例,工廠內某一用電類型的基準用電量可以被經訓練的用電預測模型預測出來,而基準用電量是基於過往用電模式而產生的預測值。因此,基準用電量與實際用電量可被顯示於用電基準介面供工廠管理人員察看,而讓工廠管理人員可針對不同時段進行用電狀態的評估,而基準用電量與實際用電量之間的差異值更可讓工廠管理人員及時了解節能項目的效益或是否有用電異常的狀況發生。此外,本發明實施例可針對多種用電類型建立不同的用電預測模型,可幫助工廠管理者更容易地找出用電異常的部分並進行改善措施。
此外,於本發明的實施例中,經訓練的用電預測模型也可用於決定未來單位時段的預測用電量。基於用電預測模型與差異調整率所決定的預測用電量可更貼近真實情況,而讓工廠管理者可據以進行用電成本的估算與衡量未來整體用電與綠能採買之數量。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:電子裝置
110:顯示器
120:儲存電路
130:處理器
31:用電基準介面
311, 312, 313, 314:折線圖
L1:預測基準線
L2:實際用電線
R1, R4, R5:基準用電量
R2, R3, R6:實際用電量
D1, D2:第一差異值
71:節電管理介面
711:節能項目
712:異常耗電項目
S210~S240, S410~S470, S411~S415, S610~S660:步驟
圖1是依據本發明一實施例繪示的電子裝置的示意圖。
圖2是依據本發明一實施例繪示的工廠用電的節能預估方法的流程圖。
圖3是依據本發明一實施例繪示的用電基準介面的示意圖。
圖4是依據本發明一實施例繪示的工廠用電的節能預估方法的流程圖。
圖5是依據本發明一實施例繪示的建立用電預測模型的流程圖。
圖6是依據本發明一實施例繪示的根據第一差異值提供一功能的流程圖。
圖7A是依據本發明一實施例繪示的用電基準介面的示意圖。
圖7B依據本發明一實施例繪示的節電管理介面的示意圖。
S210~S240:步驟
Claims (18)
- 一種工廠用電的節能預估方法,包括:基於一單位時段內的工廠實際運作資訊利用一用電預測模型預測所述單位時段內的一基準用電量;獲取所述單位時段內的一實際用電量;於一用電基準介面顯示所述基準用電量與所述實際用電量;以及根據所述基準用電量與所述實際用電量之間的第一差異值提供一功能,其中根據所述基準用電量與所述實際用電量之間的所述第一差異值提供所述功能的步驟包括:反應於所述實際用電量小於所述基準用電量且所述第一差異值大於等於第一門檻值,計算第一差異值與一節電相關因子之間的第二差異值,其中所述節電相關因子為至少一節電項目的總節電量,且所述節電項目系由工廠執行;以及反應於所述第二差異值小於第二門檻值,於一節電管理介面顯示對應所述節電相關因子的所述節電項目。
- 如請求項1所述的工廠用電的節能預估方法,其中於所述用電基準介面顯示所述基準用電量與所述實際用電量的步驟包括:將所述基準用電量與所述實際用電量透過一圖表顯示於所述用電基準介面,其中所述圖表包括一折線圖,所述折線圖包括一預測基準線與 一實際用電線,所述預測基準線至少包括所述基準用電量,而所述實際用電線至少包括所述實際用電量。
- 如請求項1所述的工廠用電的節能預估方法,其中在基於所述單位時段內的所述工廠實際運作資訊而利用所述用電預測模型預測所述單位時段內的所述基準用電量的步驟之前,更包括:取得一用電類型於一歷史時段內的多個特徵變量;自所述特徵變量挑選出多組重要特徵變量;基於多個模型類型而利用所述多組重要特徵變量以及所述歷史時段內的歷史實際用電量訓練多個預測模型,其中各所述預測模型是基於所述多組重要特徵變量其中之一組與所述模型類型其中之一而訓練;以及根據一模型衡量指標自所述預測模型挑選出所述用電類型的所述用電預測模型。
- 如請求項3所述的工廠用電的節能預估方法,更包括:根據所述特徵變量其中任意兩者產生多個交互特徵變量,其中自所述特徵變量挑選出所述多組重要特徵變量的步驟包括:基於多個特徵選擇演算法而自所述特徵變量與所述交互特徵變量決定所述多組重要特徵變量,其中各所述多組重要特徵變量包括多個重要特徵變量。
- 如請求項1所述的工廠用電的節能預估方法,其中根據所述基準用電量與所述實際用電量之間的所述第一差異值提供所述功能的步驟還包括: 反應於所述第二差異值未小於第二門檻值,於所述節電管理介面顯示一異常項目。
- 如請求項1所述的工廠用電的節能預估方法,其中根據所述基準用電量與所述實際用電量之間的所述第一差異值提供所述功能的步驟還包括:反應於所述實際用電量大於所述基準用電量且所述第一差異值大於等於所述第一門檻值,於所述節電管理介面顯示一耗電項目。
- 如請求項1所述的工廠用電的節能預估方法,其中根據所述基準用電量與所述實際用電量之間的所述第一差異值提供所述功能的步驟還包括:反應於所述單位時段對應的所述第一差異值符合特定條件,對所述用電基準介面中所述單位時段的所述基準用電量與所述實際用電量進行醒目標示。
- 如請求項1所述的工廠用電的節能預估方法,更包括:基於未來單位時段內的工廠預測運作資訊而利用所述用電預測模型決定所述未來單位時段內的一預測用電量。
- 如請求項8所述的工廠用電的節能預估方法,其中基於所述未來單位時段內的所述工廠預測運作資訊而利用所述用電預測模型預測所述未來單位時段內的所述預測用電量的步驟包括:基於所述未來單位時段內的所述工廠預測運作資訊而利用所述用電預測模型預測所述未來單位時段內一用電類型的一預測基準用電量;以及 依據所述預測基準用電量以及一差異調整率決定所述預測用電量,其中所述差異調整率是至少根據所述基準用電量與所述實際用電量之間的所述第一差異值而決定。
- 一種電子裝置,包括:一顯示器;一儲存電路,儲存多個指令;一處理器,其耦接所述顯示器以及所述儲存電路,並存取所述指令而經配置以:基於一單位時段內的工廠實際運作資訊利用一用電預測模型預測所述單位時段內的一基準用電量;獲取所述單位時段內的一實際用電量;於一用電基準介面顯示所述基準用電量與所述實際用電量;以及根據所述基準用電量與所述實際用電量之間的第一差異值提供一功能,其中所述處理器更經配置以:反應於所述實際用電量小於所述基準用電量且所述第一差異值大於等於第一門檻值,計算第一差異值與一節電相關因子之間的第二差異值,其中所述節電相關因子為至少一節電項目的總節電量,且所述節電項目系由工廠執行;以及反應於所述第二差異值小於第二門檻值,於一節電管理介面顯示對應所述節電相關因子的所述節電項目。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:將所述基準用電量與所述實際用電量透過一圖表顯示於所述用電基準介面,其中所述圖表包括一折線圖,所述折線圖包括一預測基準線與一實際用電線,所述預測基準線至少包括所述基準用電量,而所述實際用電線至少包括所述實際用電量。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:取得一用電類型於一歷史時段內的多個特徵變量;自所述特徵變量挑選出多組重要特徵變量;基於多個模型類型而利用所述多組重要特徵變量以及所述歷史時段內的所述歷史實際用電量訓練多個預測模型,其中各所述預測模型是基於所述多組重要特徵變量其中之一組與所述模型類型其中之一而訓練;以及根據一模型衡量指標自所述預測模型挑選出所述用電類型的所述用電預測模型。
- 如請求項12所述的電子裝置,其中所述處理器更經配置以:根據所述特徵變量其中任意兩者產生多個交互特徵變量;以及基於多個特徵選擇演算法而自所述特徵變量與所述交互特徵變量決定所述多組重要特徵變量,其中各所述多組重要特徵變量包括多 個重要特徵變量。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:反應於所述第二差異值未小於第二門檻值,於所述節電管理介面顯示一異常項目。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:反應於所述實際用電量大於所述基準用電量且所述第一差異值大於等於所述第一門檻值,於所述節電管理介面顯示一耗電項目。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:反應於所述單位時段對應的所述第一差異值符合特定條件,對所述用電基準介面中所述單位時段的所述基準用電量與所述實際用電量進行醒目標示。
- 如請求項10所述的電子裝置,其中所述處理器更經配置以:基於未來單位時段內的工廠預測運作資訊而利用所述用電預測模型決定所述未來單位時段內的一預測用電量;以及於一預測用電介面顯示所述預測用電量。
- 如請求項17所述的電子裝置,其中所述處理器更經配置以:基於所述未來單位時段內的所述工廠預測運作資訊而利用所述 用電預測模型預測所述未來單位時段內的一預測基準用電量;以及依據所述預測基準用電量以及一差異調整率決定所述預測用電量,其中所述差異調整率是至少根據所述基準用電量與所述實際用電量之間的所述第一差異值而決定。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111126231A TWI825844B (zh) | 2022-07-13 | 2022-07-13 | 工廠用電的節能預估方法及電子裝置 |
CN202210940442.9A CN117455023A (zh) | 2022-07-13 | 2022-08-02 | 工厂用电的节能预估方法及电子装置 |
US17/901,810 US20240019827A1 (en) | 2022-07-13 | 2022-09-01 | Energy-saving prediction method for factory electricity consumption and electronic apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111126231A TWI825844B (zh) | 2022-07-13 | 2022-07-13 | 工廠用電的節能預估方法及電子裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI825844B true TWI825844B (zh) | 2023-12-11 |
TW202403651A TW202403651A (zh) | 2024-01-16 |
Family
ID=89509750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111126231A TWI825844B (zh) | 2022-07-13 | 2022-07-13 | 工廠用電的節能預估方法及電子裝置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240019827A1 (zh) |
CN (1) | CN117455023A (zh) |
TW (1) | TWI825844B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI506581B (zh) * | 2011-09-15 | 2015-11-01 | Panasonic Corp | 節能評估裝置、節能評估方法、伺服器裝置及程式 |
US20190122132A1 (en) * | 2016-04-19 | 2019-04-25 | Grid4C | Method and system for energy consumption prediction |
CN109727155A (zh) * | 2018-08-02 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于电量预测的用电控制方法、装置、设备和存储介质 |
US20210215370A1 (en) * | 2019-07-05 | 2021-07-15 | Lg Electronics Inc. | Artificial intelligence based apparatus and method for forecasting energy usage |
CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
CN113240333A (zh) * | 2021-06-08 | 2021-08-10 | 南方电网数字电网研究院有限公司 | 一种重点用能单位节能量评估方法、装置和计算机设备 |
CN114219204A (zh) * | 2021-11-03 | 2022-03-22 | 北京天泽智云科技有限公司 | 一种能源需量的智能管理系统 |
-
2022
- 2022-07-13 TW TW111126231A patent/TWI825844B/zh active
- 2022-08-02 CN CN202210940442.9A patent/CN117455023A/zh active Pending
- 2022-09-01 US US17/901,810 patent/US20240019827A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI506581B (zh) * | 2011-09-15 | 2015-11-01 | Panasonic Corp | 節能評估裝置、節能評估方法、伺服器裝置及程式 |
US20190122132A1 (en) * | 2016-04-19 | 2019-04-25 | Grid4C | Method and system for energy consumption prediction |
CN109727155A (zh) * | 2018-08-02 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于电量预测的用电控制方法、装置、设备和存储介质 |
US20210215370A1 (en) * | 2019-07-05 | 2021-07-15 | Lg Electronics Inc. | Artificial intelligence based apparatus and method for forecasting energy usage |
CN113222403A (zh) * | 2021-05-10 | 2021-08-06 | 湖南省计量检测研究院 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
CN113240333A (zh) * | 2021-06-08 | 2021-08-10 | 南方电网数字电网研究院有限公司 | 一种重点用能单位节能量评估方法、装置和计算机设备 |
CN114219204A (zh) * | 2021-11-03 | 2022-03-22 | 北京天泽智云科技有限公司 | 一种能源需量的智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117455023A (zh) | 2024-01-26 |
TW202403651A (zh) | 2024-01-16 |
US20240019827A1 (en) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10187707B2 (en) | Home intelligence system | |
US8340831B2 (en) | Non-intrusive load monitoring system and method | |
JP4648482B1 (ja) | 分析装置及び計測管理システム | |
JP5914891B2 (ja) | 省エネ評価装置、省エネ評価方法、サーバ装置、プログラム | |
TWI663510B (zh) | 設備保養預測系統及其操作方法 | |
JP2007156881A (ja) | 制御系解析装置およびプログラム | |
JP2012038069A (ja) | 監視システムおよび監視方法 | |
JP2018041326A (ja) | 異常検知装置、異常検知方法、およびプログラム | |
TWI825844B (zh) | 工廠用電的節能預估方法及電子裝置 | |
US20120166151A1 (en) | System and method for performance monitoring of commercial refrigeration | |
JP5283143B1 (ja) | 機器や設備に対して稼働状況の診断を行う稼働状況診断装置、稼働状況診断方法、及び、稼働状況診断プログラム | |
JP2006350920A (ja) | エネルギー需要予測システム及び需要予測方法 | |
JP7520302B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2012027919A (ja) | 評価支援システム、方法およびプログラム | |
TWI825970B (zh) | 汰換設備的推薦方法及電子裝置 | |
JP6202988B2 (ja) | 電力計測システム、電力計測方法、及びプログラム | |
TWI833604B (zh) | 設備參數推薦方法、電子裝置及非暫態電腦可讀取記錄媒體 | |
JP6664914B2 (ja) | コージェネレーション運転評価装置及び運転評価方法並びにコージェネレーション装置運転制御システム | |
KR101954645B1 (ko) | 성과검증을 위한 기반정보시스템 | |
JP7435047B2 (ja) | 情報管理装置及びプログラム | |
US20240311894A1 (en) | Equipment recommendation method, electronic device and non-transitory computer readable recording medium | |
US20130085694A1 (en) | Energy usage amount managing apparatus, energy usage amount management method, and computer readable medium | |
TWI840215B (zh) | 用電設備設定方法及電子裝置 | |
CN116976706B (zh) | 建筑能效监测方法、设备和可读存储介质 | |
TW202416217A (zh) | 設備保養建議方法、電子裝置及電腦可讀取記錄媒體 |