CN103761580A - 一种能源动态预测的啤酒生产企业能源消耗监督方法 - Google Patents
一种能源动态预测的啤酒生产企业能源消耗监督方法 Download PDFInfo
- Publication number
- CN103761580A CN103761580A CN201310753423.6A CN201310753423A CN103761580A CN 103761580 A CN103761580 A CN 103761580A CN 201310753423 A CN201310753423 A CN 201310753423A CN 103761580 A CN103761580 A CN 103761580A
- Authority
- CN
- China
- Prior art keywords
- energy
- value
- consumption
- workshop
- month
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种能源动态预测的啤酒生产企业能源消耗***及监督方法,该***包括能源数据输入单元、数据处理单元、能源预测单元、能源管理单元、能耗报警及处理单元,所述数据处理单元通过[0,1]归一化的方法,将数据统一进行归一化处理,如果能源消耗不正常时,能耗报警及处理单元通过报警声或发光二极管发出报警提示,本发明所述的一种能源动态预测的啤酒生产企业能源消耗监督方法与已有的依靠管理者经验判断的方法相比,具有使用简单、增加了客观评价标准的特点。
Description
技术领域
本发明涉及一种能源消耗***及监督方法,具体的涉及一种能源动态预测的啤酒生产企业能源消耗***及监督方法。
背景技术
啤酒企业历来是能耗大户,据统计,吨啤耗粮国内企业间相差30公斤,啤酒总损失率相差5%~6%,吨啤耗水国内平均为20吨,国际为6吨;吨啤耗电,国内为130度,国际为110度;吨啤耗标准煤,国内为170千克,国际为80千克。近年来,国内啤酒工业发展迅猛,啤酒产量每年以20%左右的速度递增,如何在提高产品的同时尽快节能降耗,提高效益,日益成为各啤酒生产企业和整个啤酒行业关注的焦点。啤酒厂主要的能源消耗为蒸汽、水、电、二氧化碳。2010年,全国啤酒产量为6483万吨,按照平均吨酒成本1500元计算,全国每年生产啤酒的成本为872亿元,按照啤酒使用能源占成本的17%计算,每年生产啤酒使用能源约148亿元。由于全国啤酒企业普遍没有有效的计量分析手段,所以能源浪费情况严重,存在很大的节能降耗空间。
啤酒企业节能降耗问题涉及到多方面原因,应用高效的节能设备、采用先进的生产工艺、提高操作者的技能和责任心、科学的能源监督管理,均是有效实现啤酒企业节能降耗的有效方法。其中,利用高效的节能设备和先进的生产工艺,可以实现节能减排,并且效果明显,但需要投入大量资金成本;提高操作者的技能和责任心也可以实现啤酒企业节能降耗的目地。利用科学的能源监督管理,可以在现有啤酒设备和生产工艺的基础上,实现对能源使用、消耗的监督作用,促进操作者在主观上提高技能和责任心,避免不必要的能源消耗和浪费。可见,有效实施科学的能源消耗监督管理,在不投入大量资金成本的前提下,可以实现能源有效利用的最大化。
传统啤酒企业的能源消耗监督方法是利用管理者的经验,实现各生产车间对能源使用情况的预测,从而判断能源消耗量是否正常,管理者的能源预测经验积累、对影响啤酒生产的市场销售情况变化性等方面主观了解的及时性,都会对能源监督管理产生直接的影响,这种管理方法具有主观性,并且影响啤酒企业能源消耗的因素众多,各因素之间往往互相影响和制约,管理者要从众多影响因素中判断出能源消耗监督的有效方法,通常具有不易性。在已有的能源预测方法中,利用神经网络、时间序列模型、统计模型等进行的能源预测,具有所需样本多、未体现出动态预测的特点;已出现的利用支持向量机进行能源预测的方法,具有所需样本少的特点,但未体现出动态预测的特点。为了降低科学能源消耗监督方法中对管理者主观性的依赖性、增加科学能源消耗监督的客观评价标准以及能及时反映出能源变化的趋势,通过利用啤酒生产企业的能源动态预测,实现为管理者进行能源消耗监督时提供重要的客观参考依据,具有重要的现实意义。
发明内容
本发明所要解决的技术问题是克服了现有啤酒企业能源消耗监督中存在的过多依靠管理者对能源预测的主观判断性、对影响能源消耗的众多因素变化难以及时反应和能源预测动态性的问题,提供了一种基于能源动态预测的啤酒生产企业能源消耗监督方法。
本发明的一种能源动态预测的啤酒生产企业能源消耗监督方法,主要通过支持向量机,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别采用多项式核函数、线性核函数、高斯核函数、sigmoid核函数,分别对啤酒企业的包装车间、动力车间、酿造车间所需能源进行预测。比较每个车间采用不同核函数时的能源预测精度,利用实现预测精度最高的核函数对该车间的未来能源消耗进行预测。通过支持向量机不断寻找和利用对能源消耗预测精度最高的核函数、不断增加预测模型的输入值,使得预测模型动态地变化,并且提高了预测精度,实现了能源的动态预测,通过预测消耗值与实际消耗值,实现了啤酒生产企业的能源消耗监督功能,提高了生产车间人员的节能主观能动性。
本发明的一种能源动态预测的啤酒生产企业能源消耗监督方法,包括以下步骤:
1)、能源消耗***的构建:能源消耗***包括能源数据输入单元、数据处理单元、能源预测单元、能源管理单元、能耗报警及处理单元,所述数据处理单元通过[0,1]归一化的方法,将数据统一进行归一化处理,能源预测单元中设有支持向量机,对能源使用情况进行预测,如果能源消耗不正常时,能耗报警及处理单元通过报警声或发光二极管发出报警提示;
2)、统计数据:通过人工统计的方式前n个月份的W(x)车间E(y)能源的实际消耗值数据输入到能源数据输入单元中;
3)、数据处理单元处理数据:通过人工统计的方式将前(n-1)个月份的W(x)车间E(y)能源的实际消耗值作为W(x)车间E(y)能源预测模型的输入数据,该单元为EXCEL表;数据处理单元通过[0,1]归一化的方法,将数据统一进行归一化处理;
4)、能源预测单元对能源使用情况进行预测:通过支持向量机,分别将PK、LK、GK、SK作为核函数,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,支持向量机通过对输入数据的学习,得到W(x)车间E(y)能源预测模型,利用能源预测模型可以得到第n个月份的W(x)车间E(y)能源消耗预测值M(n)_W(x)_E(y)_PV,计算M(n)_W(x)_E(y)_DV,比较PK、LK、GK、SK核函数条件下产生的M(n)_W(x)_E(y)_DV值的大小,找出使得M(n)_W(x)_E(y)_DV值最小的核函数K1;将M(n)_W(x)_E(y)_RV增加到预测模型的输入数据中,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,利用核函数K1对第(n+1)月份的W(x)车间E(y)能源消耗进行预测,得到第(n+1)月份的W(x)车间E(y)能源消耗预测值,即M(n+1)_W(x)_E(y)_PV,设Times(n)=0;
5)、如果M(n+1)_W(x)_E(y)_DV≤5%*M(n+1)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+1)月份的能源消耗量处于正常范围内,累计次数Times(n+1)的值不变,如果M(n+1)_W(x)_E(y)_DV>5%*M(n+1)_W(x)_E(y)_RV,则累计次数Times(n+1)的值增加1次,将M(n+1)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+2)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+2)_W(x)_E(y)_PV;
6)、如果M(n+2)_W(x)_E(y)_DV≤5%*M(n+2)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+2)月份的能源消耗量处于正常范围内,累计次数Times(n+2)的值不变,如果M(n+2)_W(x)_E(y)_DV>5%*M(n+2)_W(x)_E(y)_RV,则累计次数Times(n+2)的值增加1次,将M(n+2)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+3)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+3)_W(x)_E(y)_PV;
7)、如果M(n+3)_W(x)_E(y)_DV≤5%*M(n+3)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+3)月份的能源消耗量处于正常范围内,累计次数Times(n+3)的值不变,如果M(n+3)_W(x)_E(y)_DV>5%*M(n+3)_W(x)_E(y)_RV,则累计次数Times(n+3)的值增加1次,如果Times(n+3)<3,则能源消耗监督***认定W(x)车间E(y)能源消耗处于正常范围内,将M(n+3)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+4)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+4)_W(x)_E(y)_PV;
8)、按照步骤7)的方法判断Times(n+4)的值,如果Times(n+4)<3,则继续按照步骤(6)的方法判断Times(n+5)的值,如果Times(n+5)<3,则继续按照步骤7)的方法判断Times(n+6)的值,直到Times(n+m)≥3;
9)、能耗报警及处理单元进行报警:如果Times(n+m)≥3,则能源消耗监督***认定W(x)车间E(y)能源消耗处于不正常范围内,啤酒生产企业能源消耗监督***对W(x)车间E(y)能源消耗情况发出警报,
要求管理者到W(x)车间查看E(y)能源使用、消耗情况,排查W(x)车间人员是否存在E(y)能源浪费的情况;
10)、将累计次数Times(n+3)的值清零,即Times(n+3)=0,同时按照步骤1)和步骤2)的方法重新寻找最佳核函数;
其中,PK:多项式核函数;
LK:线性核函数;
GK:高斯核函数;
SK:sigmoid核函数;
M(n):第n月份,n为正整数;
M(n+m):第(n+m)月份,n、m为正整数;
W(x):x车间;
E(y):y能源;
PV:预测消耗值;
RV:实际消耗值;
M(n)_W(x)_E(y)_PV:第n月份W(x)车间的E(y)能源预测消耗值;
M(n)_W(x)_E(y)_RV:第n月份W(x)车间的E(y)能源实际消耗值;
M(n)_W(x)_E(y)_DV:第n月份W(x)车间的E(y)能源预测消耗值与实际消耗值之间差值的绝对值,M(n)_W(x)_E(y)_DV=|M(n)_W(x)_E(y)_PV-M(n)_W(x)_E(y)_RV|;
Times(n+m):同一个月份W(x)车间的E(y)能源预测消耗值与实际消耗值之间的差值大于实际消耗值5%的前(n+m)个月份中累计次数。
啤酒生产企业包装车间的能源消耗主要有生产耗水、生产耗电、生产耗汽、照明耗电、压空电耗、二氧化碳电耗,动力车间的能源消耗主要有制冷耗水、制冷耗电、注塑电耗、注塑水耗、动力照明、压空电耗、二氧化碳电耗、污水耗电、水处理耗电、采暖耗汽,酿造车间的能源消耗主要有生产耗水、生产耗电、生产耗汽、压空电耗、二氧化碳电耗、糖化照明、采暖耗汽。通过W(x)和E(y)的不同组合表示不同车间的不同能源,即:W(1)_E(1)为包装车间的生产耗水、W(1)_E(2)为包装车间的生产耗电、W(1)_E(3)为包装车间的生产耗汽、W(1)_E(4)为包装车间的照明耗电、W(1)_E(5)为包装车间的压空电耗、W(1)_E(6)为包装车间的二氧化碳电耗、W(2)_E(1)为动力车间的制冷耗水、W(2)_E(2)为动力车间的制冷耗电、W(2)_E(3)为动力车间的注塑电耗、W(2)_E(4)为动力车间的注塑水耗、W(2)_E(5)为动力车间的动力照明、W(2)_E(6)为动力车间的压空电耗、W(2)_E(7)为动力车间的二氧化碳电耗、W(2)_E(8)为动力车间的污水耗电、W(2)_E(9)为动力车间的水处理耗电、W(2)_E(10)为动力车间的采暖耗汽、W(3)_E(1)为酿造车间的生产耗水、W(3)_E(2)为酿造车间的生产耗电、W(3)_E(3)为酿造车间的生产耗汽、W(3)_E(4)为酿造车间的压空电耗、W(3)_E(5)为酿造车间的二氧化碳电耗、W(3)_E(6)为酿造车间的糖化照明、W(3)_E(7)为酿造车间的采暖耗汽,利用第1步至第10步所述方法,啤酒生产企业消耗监督***可以判断出未来一个月包装车间、动力车间、酿造车间的各自能源消耗量是否存在异常,为能源管理者提供客观评价标准,同时促进了提高车间人员节能的主观能动性,减少由于人为原因引起的能源浪费情况发生。
与现有技术相比本发明的有益效果有以下几点:
(1)本发明所述的一种能源动态预测的啤酒生产企业能源消耗监督方法与已有的依靠管理者经验判断的方法相比,具有使用简单、增加了客观评价标准的特点。
(2)本发明所述的一种能源动态预测的啤酒生产企业能源消耗监督方法与已有的利用BP神经网络、小波分析等能源预测方法相比,具有所需原始的能源数据样本少、建立的能源预测模型泛化能力强、能源预测具有动态性、利用更新核函数和输入数据实现更高预测精度的特点。
(3)本发明所述的一种能源动态预测的啤酒生产企业能源消耗监督方法与已有的利用支持向量机实现能源预测方法相比,具有能源预测具有动态性、利用更新核函数和输入数据实现更高预测精度的特点。
(4)本发明所述的一种能源动态预测的啤酒生产企业能源消耗监督方法,其能源预测过程简单,预测精度高,能源消耗监督具有客观评价标准,避免了不同管理者具有不同主观判断标准的缺陷,过程简单、方便,速度快,步骤清晰,省时,省力。
附图说明
图1是能源动态预测的啤酒生产企业能源消耗***图。
图2是能源动态预测的啤酒生产企业能源消耗监督方法流程示意图。
具体实施方式
下面结合实施例对本发明做进一步说明:
1.参阅图1,通过人工统计的方式将各月份不同能源消耗的数据输入到能源数据输入单元中,该单元为EXCEL表;数据处理模块通过[0,1]归一化的方法,将数据统一进行归一化处理,该模块为matlab中的mapminmax()函数;能源预测单元接收处理后的数据,采用支持向量机进行能源消耗值的预测;将能源消耗预测结果和当月实际能源消耗值同时输入到能源管理单元中,分析能源消耗是否处于正常范围内:若能源消耗正常,则继续下一阶段的能源消耗预测;若能源消耗不正常,则进行能源消耗报警单元及处理单元,通过报警声或发光二极管发出报警提示,管理人员对该能源消耗情况进行审查。
Matlab为矩阵实验室。
2.参阅图2,在能源预测单元中,通过支持向量机,利用grid-search算法寻找最佳惩罚参数c和gamma值,分别采用多项式核函数、线性核函数、高斯核函数、sigmoid核函数,啤酒生产企业能源消耗监督***对第(n+m)月份的W(x)车间的E(y)能源进行能源动态预测,比较每个车间采用不同核函数时的能源预测精度,利用实现预测精度最高的核函数对该车间的未来能源消耗进行预测。根据预测结果,若满足评价标准(一)判断条件,即:预测月份的W(x)车间E(y)能源预测消耗值与实际消耗值之间的差值小于或等于实际消耗值的5%。,则能源监督***认定W(x)车间E(y)能源消耗处于正常范围内;若满足评价标准(二)条件,即:预测月份的W(x)车间E(y)能源预测消耗值与实际消耗值之间的差值大于实际消耗值的5%,但该差值大于实际消耗值的5%累计次数小于3次,则能源监督***认定W(x)车间E(y)能源消耗处于正常范围内;若满足评价标准(三)条件,即:预测月份的W(x)车间E(y)能源预测消耗值与实际消耗值之间的差值大于实际消耗值的5%,并且累计次数等于或大于3次,则能源监督***认定W(x)车间E(y)能源消耗处于不正常范围内,需要管理者调查W(x)车间E(y)能源的使用、消耗情况。
以包装车间的生产耗水为例,说明本发明的一种能源动态预测的啤酒生产企业能源消耗监督方法。
1.统计某啤酒生产企业包装车间在2010年1月至12月、2011年1月至12月、2012年1月至12月的共36个月的生产耗水数据,如表1。
单位:吨
表1包装车间生产耗水统计表
2.将2010年1月至12月、2011年1月至12、2012年1月至7月共31个月的生产耗水量数据作为训练集,寻找预测精度最高的核函数。将前30个月(即2010年1月至12月,2011年1月至12月,2012年1月至6月)的包装车间生产耗水的实际消耗值数据作为预测模型的输入数据,即(1.90,1.83,…,1.31),支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为2.918和12.892,支持向量机分别采用线性核函数、多项式核函数、高斯核函数、sigmoid核函数时,得到的第31月(即2012年7月)的生产耗水消耗预测值如表2。
单位:吨
表2采用不同核函数时的生产耗水预测值
计算M(31)_W(1)_E(1)_DV=|M(24)_W(1)_E(1)_PV-M(24)_W(1)_E(1)_RV|,可得线性核函数条件下的M(31)_W(1)_E(1)_DV=2,多项式核函数条件下的M(31)_W(1)_E(1)_DV=1,高斯核函数条件下的M(31)_W(1)_E(1)_DV=0,sigmoid核函数条件下的M(31)_W(1)_E(1)_DV=1,可见,支持向量机采用高斯核函数时,其预测精度最高。将第31月的实际消耗值数据1.31增加到预测模型的输入数据中,即(1.90,1.83,…,1.31,1.31),支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为1.298和13.128,采用高斯核函数,对第32月(即2012年8月)的生产耗水消耗进行预测,得到消耗预测值M(32)_W(1)_E(1)_PV为1.31。
3.计算
M(32)_W(1)_E(1)_DV=|M(32)_W(1)_E(1)_PV-M(32)_W(1)_E(1)_RV|=|1.31-1.32|
=0.01,5%*M(32)_W(1)_E(1)_RV=0.066,则M(32)_W(1)_E(1)_DV≤5%*M(32)_W(1)_E(1)_RV,故啤酒生产企业能源消耗监督***认定第(32)月份的能源消耗量处于正常范围内,包装车间人员具备责任心,不存在生产耗水能源浪费现象,前32个月中的超标累计次数Times(32)=0。
4.将M(32)_W(1)_E(1)_RV增加为输入值,即(1.90,1.83,…,1.31,1.31,1.32),由于累计次数Times(32)=0,故继续使用高斯核函数对第(33)月份(即2012年9月)的生产耗水能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为3.596和20.926,得到M(33)_W(1)_E(1)_PV为1.40。
5.计算
M(33)_W(1)_E(1)_DV=|M(33)_W(1)_E(1)_PV-M(33)_W(1)_E(1)_RV|=|1.40-1.62|
=0.22,5%*M(33)_W(1)_E(1)_RV=0.081,则M(33)_W(1)_E(1)_DV>5%*M(33)_W(1)_E(1)_RV,故啤酒生产企业能源消耗监督***认定第(33)月份的生产耗水能源消耗量处于不正常范围内,发出警告,需要管理者调查包装车间生产耗水能源的使用、消耗情况,减少不必要的生产耗水浪费。前33个月中的超标累计次数Times(33)增加一次,即Times(33)=1。
6.将M(33)_W(1)_E(1)_RV增加为输入值,即(1.90,1.83,…,1.31,1.31,1.32,1.62),由于累计次数Times(33)<3,故继续使用高斯核函数对第(34)月份(即2012年10月)的生产耗水能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为1.046和18.418,得到M(34)_W(1)_E(1)_PV为1.41。
7.计算
M(34)_W(1)_E(1)_DV=|M(34)_W(1)_E(1)_PV-M(34)_W(1)_E(1)_RV|=|1.41-1.63|
=0.22,5%*M(34)_W(1)_E(1)_RV=0.0815,则M(34)_W(1)_E(1)_DV>5%*M(34)_W(1)_E(1)_RV,故啤酒生产企业能源消耗监督***认定第(34)月份的生产耗水能源消耗量处于不正常范围内,发出警告,需要管理者调查包装车间生产耗水能源的使用、消耗情况,减少不必要的生产耗水浪费。前34个月中的超标累计次数Times(34)增加一次,即Times(34)=2。
8.将M(34)_W(1)_E(1)_RV增加为输入值,即(1.90,1.83,…,1.31,1.31,1.32,1.62,1.63),由于累计次数Times(34)<3,故继续使用高斯核函数对第(35)月份(即2012年11月)的生产耗水能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为6.003和15.936,得到M(35)_W(1)_E(1)_PV为1.45。
9.计算
M(35)_W(1)_E(1)_DV=|M(35)_W(1)_E(1)_PV-M(35)_W(1)_E(1)_RV|=|1.45-1.61|
=0.16,5%*M(34)_W(1)_E(1)_RV=0.0805,则M(35)_W(1)_E(1)_DV>5%*M(35)_W(1)_E(1)_RV,故啤酒生产企业能源消耗监督***认定第(35)月份的生产耗水能源消耗量处于不正常范围内,发出警告,需要管理者调查包装车间生产耗水能源的使用、消耗情况,减少不必要的生产耗水浪费。前35个月中的超标累计次数Times(35)增加一次,即Times(35)=3。由于累计次数Times(35)达到了3次,故重新寻找预测精度最高的核函数,即:支持向量机分别将线性核函数、多项式核函数、高斯核函数、sigmoid核函数作为核函数,输入前(34)个月份的生产耗水能源实际消耗值数据(1.90,1.83,…,1.63),作为预测模型的输入数据,利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为2.198和10.391,支持向量机通过对输入数据的学习,得到预测模型,利用该预测模型可以得到第(35)月份的生产耗水能源消耗预测值,即M(35)_W(1)_E(1)_PV,可得线性核函数条件下的M(35)_W(1)_E(1)_PV=1.39,多项式核函数条件下的M(35)_W(1)_E(1)_PV=1.46,高斯核函数条件下的M(35)_W(1)_E(1)_PV=1.45,sigmoid核函数条件下的M(35)_W(1)_E(1)_PV=1.49,分别计算不同核函数下的M(35)_W(1)_E(1)_DV=|M(35)_W(1)_E(1)_PV-M(35)_W(1)_E(1)_RV|,可得线性核函数条件下的M(35)_W(1)_E(1)_DV=0.22,多项式核函数条件下的M(35)_W(1)_E(1)_DV=0.15,高斯核函数条件下的M(35)_W(1)_E(1)_DV=0.16,sigmoid核函数条件下的M(35)_W(1)_E(1)_DV=0.12。可见,sigmoid核函数使得M(35)_W(1)_E(1)_DV值最小,将M(35)_W(1)_E(1)_RV增加到生产耗水能源预测模型的输入数据中,即(1.90,1.83,…,1.63,1.61),支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,分别为3.285和6.189,利用sigmoid核函数对第(36)月份(即2012年12月)的生产耗水能源消耗进行预测,得到M(36)_W(1)_E(1)_PV为1.46。由于重新寻找了预测精度的核函数,故将前35个月中的超标累计次数Times(35)清零,即Times(35)=0。
10.计算
M(36)_W(1)_E(1)_DV=|M(36)_W(1)_E(1)_PV-M(36)_W(1)_E(1)_RV|=|1.46-1.45|
=0.01,5%*M(36)_W(1)_E(1)_RV=0.0725,则M(36)_W(1)_E(1)_DV<5%*M(36)_W(1)_E(1)_RV,故啤酒生产企业能源消耗监督***认定第(36)月份的能源消耗量处于正常范围内,包装车间人员具备责任心,不存在生产耗水能源浪费现象,前36个月中的超标累计次数Times(36)=0。
Claims (1)
1.一种能源动态预测的啤酒生产企业能源消耗监督方法,其特征在于包括以下步骤:
1)、能源消耗***的构建:能源消耗***包括能源数据输入单元、数据处理单元、能源预测单元、能源管理单元、能耗报警及处理单元,所述数据处理单元通过[0,1]归一化的方法,将数据统一进行归一化处理,能源预测单元中设有支持向量机,对能源使用情况进行预测,如果能源消耗不正常时,能耗报警及处理单元通过报警声或发光二极管发出报警提示;
2)、统计数据:通过人工统计的方式前n个月份的W(x)车间E(y)能源的实际消耗值数据输入到能源数据输入单元中;
3)、数据处理单元处理数据:通过人工统计的方式将前(n-1)个月份的W(x)车间E(y)能源的实际消耗值作为W(x)车间E(y)能源预测模型的输入数据,该单元为EXCEL表;数据处理单元通过[0,1]归一化的方法,将数据统一进行归一化处理;
4)、能源预测单元对能源使用情况进行预测:通过支持向量机,分别将PK、LK、GK、SK作为核函数,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,支持向量机通过对输入数据的学习,得到W(x)车间E(y)能源预测模型,利用能源预测模型可以得到第n个月份的W(x)车间E(y)能源消耗预测值M(n)_W(x)_E(y)_PV,计算M(n)_W(x)_E(y)_DV,比较PK、LK、GK、SK核函数条件下产生的M(n)_W(x)_E(y)_DV值的大小,找出使得M(n)_W(x)_E(y)_DV值最小的核函数K1;将M(n)_W(x)_E(y)_RV增加到预测模型的输入数据中,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,利用核函数K1对第(n+1)月份的W(x)车间E(y)能源消耗进行预测,得到第(n+1)月份的W(x)车间E(y)能源消耗预测值,即M(n+1)_W(x)_E(y)_PV,设Times(n)=0;
5)、如果M(n+1)_W(x)_E(y)_DV≤5%*M(n+1)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+1)月份的能源消耗量处于正常范围内,累计次数Times(n+1)的值不变,如果M(n+1)_W(x)_E(y)_DV>5%*M(n+1)_W(x)_E(y)_RV,则累计次数Times(n+1)的值增加1次,将M(n+1)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+2)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+2)_W(x)_E(y)_PV;
6)、如果M(n+2)_W(x)_E(y)_DV≤5%*M(n+2)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+2)月份的能源消耗量处于正常范围内,累计次数Times(n+2)的值不变,如果M(n+2)_W(x)_E(y)_DV>5%*M(n+2)_W(x)_E(y)_RV,则累计次数Times(n+2)的值增加1次,将M(n+2)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+3)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+3)_W(x)_E(y)_PV;
7)、如果M(n+3)_W(x)_E(y)_DV≤5%*M(n+3)_W(x)_E(y)_RV,则啤酒生产企业能源消耗监督***认为第(n+3)月份的能源消耗量处于正常范围内,累计次数Times(n+3)的值不变,如果M(n+3)_W(x)_E(y)_DV>5%*M(n+3)_W(x)_E(y)_RV,则累计次数Times(n+3)的值增加1次,如果Times(n+3)<3,则能源消耗监督***认定W(x)车间E(y)能源消耗处于正常范围内,将M(n+3)_W(x)_E(y)_RV增加为W(x)车间E(y)能源预测模型的输入值,继续使用核函数K1对第(n+4)月份的W(x)车间E(y)能源消耗进行预测,支持向量机利用grid-search算法寻找最佳惩罚参数c和gamma值,得到M(n+4)_W(x)_E(y)_PV;
8)、按照步骤7)的方法判断Times(n+4)的值,如果Times(n+4)<3,则继续按照步骤(6)的方法判断Times(n+5)的值,如果Times(n+5)<3,则继续按照步骤7)的方法判断Times(n+6)的值,直到Times(n+m≥3;
9)、能耗报警及处理单元进行报警:如果Times(n+m)≥3,则能源消耗监督***认定W(x)车间E(y)能源消耗处于不正常范围内,啤酒生产企业能源消耗监督***对W(x)车间E(y)能源消耗情况发出警报,要求管理者到W(x)车间查看E(y)能源使用、消耗情况,排查W(x)车间人员是否存在E(y)能源浪费的情况;
10)、将累计次数Times(n+3)的值清零,即Times(n+3)=0,同时按照步骤1)和步骤2)的方法重新寻找最佳核函数;
其中,PK:多项式核函数;
LK:线性核函数;
GK:高斯核函数;
SK:sigmoid核函数;
M(n):第n月份,n为正整数;
M(n+m):第(n+m)月份,n、m为正整数;
W(x):x车间;
E(y):y能源;
PV:预测消耗值;
RV:实际消耗值;
M(n)_W(x)_E(y)_PV:第n月份W(x)车间的E(y)能源预测消耗值;
M(n)_W(x)_E(y)_RV:第n月份W(x)车间的E(y)能源实际消耗值;
M(n)_W(x)_E(y)_DV:第n月份W(x)车间的E(y)能源预测消耗值与实际消耗值之间差值的绝对值,M(n)_W(x)_E(y)_DV=|M(n)_W(x)_E(y)_PV-M(n)_W(x)_E(y)_RV|;
Times(n+m):同一个月份W(x)车间的E(y)能源预测消耗值与实际消耗值之间的差值大于实际消耗值5%的前(n+m)个月份中累计次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753423.6A CN103761580A (zh) | 2013-12-31 | 2013-12-31 | 一种能源动态预测的啤酒生产企业能源消耗监督方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310753423.6A CN103761580A (zh) | 2013-12-31 | 2013-12-31 | 一种能源动态预测的啤酒生产企业能源消耗监督方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103761580A true CN103761580A (zh) | 2014-04-30 |
Family
ID=50528814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310753423.6A Pending CN103761580A (zh) | 2013-12-31 | 2013-12-31 | 一种能源动态预测的啤酒生产企业能源消耗监督方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761580A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN107146028A (zh) * | 2017-05-10 | 2017-09-08 | 北京泰清科技有限公司 | 一种灌装包装生产线二氧化碳能耗评价方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156463A (zh) * | 2011-03-25 | 2011-08-17 | 浙江汉爵科技有限公司 | 建筑物能源计划管理控制*** |
CN102193544A (zh) * | 2011-03-25 | 2011-09-21 | 汉鼎信息科技股份有限公司 | 一种智能建筑能源管理*** |
CN102982383A (zh) * | 2012-05-15 | 2013-03-20 | 红云红河烟草(集团)有限责任公司 | 一种基于支持向量机的能源供需预测方法 |
CN103194553A (zh) * | 2013-04-07 | 2013-07-10 | 昆明理工大学 | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及*** |
-
2013
- 2013-12-31 CN CN201310753423.6A patent/CN103761580A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156463A (zh) * | 2011-03-25 | 2011-08-17 | 浙江汉爵科技有限公司 | 建筑物能源计划管理控制*** |
CN102193544A (zh) * | 2011-03-25 | 2011-09-21 | 汉鼎信息科技股份有限公司 | 一种智能建筑能源管理*** |
CN102982383A (zh) * | 2012-05-15 | 2013-03-20 | 红云红河烟草(集团)有限责任公司 | 一种基于支持向量机的能源供需预测方法 |
CN103194553A (zh) * | 2013-04-07 | 2013-07-10 | 昆明理工大学 | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676670A (zh) * | 2014-11-18 | 2016-06-15 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN105676670B (zh) * | 2014-11-18 | 2019-07-19 | 北京翼虎能源科技有限公司 | 用于处理能源数据的方法和*** |
CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
CN105117787B (zh) * | 2015-07-14 | 2019-01-08 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
CN107146028A (zh) * | 2017-05-10 | 2017-09-08 | 北京泰清科技有限公司 | 一种灌装包装生产线二氧化碳能耗评价方法及*** |
CN107146028B (zh) * | 2017-05-10 | 2021-02-23 | 南京水木自动化科技有限公司 | 一种灌装包装生产线二氧化碳能耗评价方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Study on the decoupling relationship between CO2 emissions and economic development based on two-dimensional decoupling theory: A case between China and the United States | |
Yang et al. | Digitalization and carbon emissions: how does digital city construction affect China's carbon emission reduction? | |
Zhang et al. | A study of green development mode and total factor productivity of the food industry based on the industrial internet of things | |
Liu et al. | An empirical analysis of dynamic changes in ecological sustainability and its relationship with urbanization in a coastal city: The case of Xiamen in China | |
Lin et al. | Which provinces should pay more attention to CO2 emissions? Using the quantile regression to investigate China's manufacturing industry | |
George et al. | The environmental impact of AI: a case study of water consumption by chat GPT | |
Gao et al. | Study on the relationship between comprehensive transportation freight index and GDP in China | |
Ma et al. | Influencing factors and multi-scenario prediction of China's ecological footprint based on the STIRPAT model | |
Tian et al. | Four-dimensional evaluation and forecasting of marine carrying capacity in China: Empirical analysis based on the entropy method and grey Verhulst model | |
CN103761580A (zh) | 一种能源动态预测的啤酒生产企业能源消耗监督方法 | |
Siping et al. | Decoupling environmental pressures from economic growth based on emissions monetization: Case in Yunnan, China | |
Jiang et al. | Can government environmental auditing improve static and dynamic ecological efficiency in China? | |
CN111476390A (zh) | 一种智慧能源监管服务*** | |
CN110766328B (zh) | 基于水质达标的污染源排污许可监控方法及*** | |
Wang et al. | Integrated sustainability assessment of chemical production chains | |
Chen et al. | Analysis of influencing factors of CO2 emissions based on different coal dependence zones in China | |
Candelieri et al. | Smart water in urban distribution networks: limited financial capacity and Big Data analytics | |
Zhu et al. | Study on the relationship between Shanghai air logistics and international trade | |
Tiawon et al. | Empirical Assessment for Driving Forces of CO2 Emissions: Application of STIRPART Model on the Leading ASEAN Countries | |
CN106447185A (zh) | 用于产品设计的再利用经济可行性动态评估方法及*** | |
CN105469181A (zh) | 一种基于大数据分析的铝电解过程能效管理*** | |
Song et al. | Research on the calculation and influencing factors of the green development of regional industry in China | |
CN103049796A (zh) | 一种节能量碳减排量运营*** | |
Sun et al. | The impact of environmental regulation on agricultural green total factor productivity: evidence from China | |
Yang et al. | The Productivity Dynamics of China’s Environmentally Friendly Production Technologies in terms of Wastewater Treatment Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140430 |
|
RJ01 | Rejection of invention patent application after publication |