CN105045096A - 一种基于神经网络的智慧能源节能方法及*** - Google Patents
一种基于神经网络的智慧能源节能方法及*** Download PDFInfo
- Publication number
- CN105045096A CN105045096A CN201510526523.4A CN201510526523A CN105045096A CN 105045096 A CN105045096 A CN 105045096A CN 201510526523 A CN201510526523 A CN 201510526523A CN 105045096 A CN105045096 A CN 105045096A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- consumption data
- bottom hardware
- neural network
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及智慧能源领域，公开了一种基于神经网络的智慧能源节能方法及***，通过获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。本发明实现了能源管理平台的能源调度与远端节能控制优化。
Description
技术领域
本发明涉及智慧能源领域，尤其涉及一种基于神经网络的智慧能源节能方法及***。
背景技术
随着信息技术高速，2014年起，“能源互联网”一词席卷能源圈，物联网、大数据、智能化等技术已逐渐应用于传统的能源行业，利用互联网“开放化、实时化、数据化、规模化”的四大优势，应用大数据、云计算等互联网技术搭建节能监测和智慧能源管理平台，实现智能化动态调配能源生产、传输和消费，达到提高效率、节能减排等作用，已经成为大势所趋。
目前，节能监测和能源管理平台通常采用三层架构，最底层为计量仪表、传感器或执行装置；第二次层为各类网关，实现了集中采集、协议转换、数据传输与控制指令下达等功能；第三层为数据中心，实现各类数据集中管理，基于云计算、大数据为基础，提供数据统计分析、节能诊断及节能控制优化等功能。
底层的数据采集与传输控制等技术已经较为成熟，基本上已经实现了标准化、产业化，而各类网关设备在整个***架构中处于承上启下的核心位置，传统意义上的网关设备智慧化程度有限，大都只能完成底层协议转换、数据采集与传输作用，存在连接性差、运算性能差、功能单一等问题，能源管理平台无法进行能源调度与远端节能控制优化。
发明内容
本发明提供一种基于神经网络的智慧能源节能方法及***，解决现有技术中能源管理平台无法进行能源调度与远端节能控制优化的技术问题。
本发明的目的是通过以下技术方案实现的：
一种基于神经网络的智慧能源节能方法，包括：
获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；
根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
一种基于神经网络的智慧能源节能***，其特征在于，包括：
接入网关，用于获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
智慧能源管理平台，用于接收底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；向所述接入网关发送所述节能优化策略；
接入网关还用于接收所述节能优化策略，根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
本发明提供一种基于神经网络的智慧能源节能方法及***，通过获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。本发明实现了能源管理平台的能源调度与远端节能控制优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可根据这些附图获得其他的附图。
图1为本发明实施例的应用场景图；
图2为本发明实施例提供的一种基于神经网络的智慧能源节能方法流程图；
图3为本发明实施例提供的一种基于神经网络的智慧能源节能***的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示为本发明实施例的应用场景图，整个场景的应用基于IEEE1888标准，IEEE1888通过远程网络，实现对大范围社区内的耗能设施进行统一管理、智能控制，达到能耗监测、能耗节约的目的。图中远程智慧能源管理平台，通过IEEE1888接入网关，与传感器、计量仪表、执行装置连接，远程智慧能源管理平台通过IEEE1888接入网关对网络的能耗进行监测。下面结合图1，详细介绍一种基于神经网络的智慧能源节能方法，如图2所示，包括：
步骤201、获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
其中，底层硬件包括传感器、执行装置、计量仪表。
步骤201具体可以包括：
步骤201-1、采集底层硬件的能耗数据；
步骤201-2、对所述能耗数据进行压缩；
步骤201-3、将所述压缩后的能耗数据，通过IEEE1888数据通道加密发送至智慧能源管理平台。
步骤202、所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；
其中，步骤202中，至少设置一个负载阈值。如果负载高于负载阈值，则需要对数据中心进行降负载操作；如果负载低于负载阈值，则不需要对数据中心进行节能优化操作。
步骤202之前，包括：
将获取的底层硬件的所述能耗数据作为LM算法的输入，对BP神经网络进行训练。
在本步骤中，数据中心采用BP神经网络来实现。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能学***方和最小。LM算法是一种利用标准的数值优化技术的快速算法，是梯度下降法与高斯-牛顿法的结合，是高斯-牛顿法的改进形式，其既有高斯-牛顿法的局部收敛性，又具有梯度下降法的全局特性。LM算法利用近似的二阶导数信息，其收敛速度优于梯度下降法。
具体的，本步骤中，数据中心基于预先获取的大规模的数据中心的负载数据，采用LM(Levenberg-Marquardt)算法对BP神经网络进行训练。每一个能耗数据为四维输入向量P：
P＝{x1，x2，x3，x4}，
其中，x1表示传感器能耗，x2表示计量仪表能耗，x3执行装置能耗，x4为其他影响建筑能耗的因素，例如室外气候条件、人员活动规律、办公设备变化规律、设备运行规律等。
在其他的实施方式中，能耗数据可以设定为其他维度输入向量，在此不限制。
LM算法从一较高负载数据作为初始输入，对当前负载数据重复“产生新解→计算目标函数差→接受或舍弃”的迭代，结合概率突跳特性在解空间中寻找负载近似最优解。经过不断训练的BP神经网络能够提高获得最优解的收敛速度。
具体如何利用LM算法对BP神经网络进行训练属于本领域技术人员的惯用技术手段，其具体实现并不用于限定本发明的保护范围，这里不再赘述。
步骤203、根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
其中，所述接入网关310接收所述节能优化策略，根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
本发明提供一种基于神经网络的智慧能源节能方法及***，通过获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。本发明实现了能源管理平台的能源调度与远端节能控制优化。
本发明实施例还提供了一种基于神经网络的智慧能源节能***，如图3所示，包括：
接入网关310，用于获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
智慧能源管理平台320，用于接收底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；向所述接入网关发送所述节能优化策略；
所述接入网关310还用于接收所述节能优化策略，根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
其中，本***还包括底层硬件330，所述底层硬件330包括传感器、执行装置、计量仪表。
以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于神经网络的智慧能源节能方法，其特征在于，包括：
获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
所述智慧能源管理平台根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；
根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
2.根据权利要求1所述的基于神经网络的智慧能源节能方法，其特征在于，底层硬件包括传感器、执行装置、计量仪表。
3.根据权利要求1所述的基于神经网络的智慧能源节能方法，其特征在于，所述将所述能耗数据发送至智慧能源管理平台，包括：
对所述能耗数据进行压缩；
将所述压缩后的能耗数据，通过IEEE1888数据通道加密发送至智慧能源管理平台。
4.根据权利要求1所述的基于神经网络的智慧能源节能方法，其特征在于，根据底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解的步骤之前，包括：
将获取的底层硬件的所述能耗数据作为LM算法的输入，对BP神经网络进行训练。
5.一种基于神经网络的智慧能源节能***，其特征在于，包括：
接入网关，用于获取底层硬件的能耗数据，并将所述能耗数据发送至智慧能源管理平台；
智慧能源管理平台，用于接收底层硬件的所述能耗数据，利用经过训练的BP神经网络得到能耗数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能优化策略；向所述接入网关发送所述节能优化策略；
接入网关还用于接收所述节能优化策略，根据所述节能优化策略，调节底层硬件的控制参数，以优化底层硬件的能耗。
6.根据权利要求5所述的基于神经网络的智慧能源节能***，其特征在于，还包括底层硬件，所述底层硬件包括传感器、执行装置、计量仪表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510526523.4A CN105045096A (zh) | 2015-08-26 | 2015-08-26 | 一种基于神经网络的智慧能源节能方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510526523.4A CN105045096A (zh) | 2015-08-26 | 2015-08-26 | 一种基于神经网络的智慧能源节能方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105045096A true CN105045096A (zh) | 2015-11-11 |
Family
ID=54451716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510526523.4A Pending CN105045096A (zh) | 2015-08-26 | 2015-08-26 | 一种基于神经网络的智慧能源节能方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105045096A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110138604A (zh) * | 2019-04-29 | 2019-08-16 | 浙江大学 | 一种面向多性能指标的物联网硬件平台自动生成方法 |
| CN113448249A (zh) * | 2021-06-28 | 2021-09-28 | 南京天溯自动化控制***有限公司 | 一种能源***节能诊断方法、装置、存储介质及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200075A1 (en) * | 2002-04-19 | 2003-10-23 | Computer Associates Think, Inc. | Automatic model maintenance through local nets |
| CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及*** |
| CN102063327A (zh) * | 2010-12-15 | 2011-05-18 | 中国科学院深圳先进技术研究院 | 具有功耗意识的数据中心应用服务调度方法 |
| CN102999034A (zh) * | 2012-12-13 | 2013-03-27 | 北京天地互连信息技术有限公司 | 基于ieee1888标准的工业监测*** |
| CN102999035A (zh) * | 2012-12-13 | 2013-03-27 | 北京天地互连信息技术有限公司 | 基于ieee1888标准的楼宇智能节能*** |
| CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
| CN104503847A (zh) * | 2015-01-22 | 2015-04-08 | 浪潮(北京)电子信息产业有限公司 | 一种数据中心节能方法和装置 |
-
2015
- 2015-08-26 CN CN201510526523.4A patent/CN105045096A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200075A1 (en) * | 2002-04-19 | 2003-10-23 | Computer Associates Think, Inc. | Automatic model maintenance through local nets |
| CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及*** |
| CN102063327A (zh) * | 2010-12-15 | 2011-05-18 | 中国科学院深圳先进技术研究院 | 具有功耗意识的数据中心应用服务调度方法 |
| CN102999034A (zh) * | 2012-12-13 | 2013-03-27 | 北京天地互连信息技术有限公司 | 基于ieee1888标准的工业监测*** |
| CN102999035A (zh) * | 2012-12-13 | 2013-03-27 | 北京天地互连信息技术有限公司 | 基于ieee1888标准的楼宇智能节能*** |
| CN103428282A (zh) * | 2013-08-06 | 2013-12-04 | 浪潮(北京)电子信息产业有限公司 | 一种云计算数据中心的在线节能控制方法及装置 |
| CN104503847A (zh) * | 2015-01-22 | 2015-04-08 | 浪潮(北京)电子信息产业有限公司 | 一种数据中心节能方法和装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110138604A (zh) * | 2019-04-29 | 2019-08-16 | 浙江大学 | 一种面向多性能指标的物联网硬件平台自动生成方法 |
| CN113448249A (zh) * | 2021-06-28 | 2021-09-28 | 南京天溯自动化控制***有限公司 | 一种能源***节能诊断方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111176929A (zh) | 一种面向边缘联邦学习的高能效计算通信联合优化方法 | |
| CN110851774B (zh) | 一种城市供水管网的漏损估计方法 | |
| CN114265631B (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
| CN114885340B (zh) | 一种基于深度迁移学习的超密集无线网络功率分配方法 | |
| CN105490269A (zh) | 基于wams量测的多区域电力***状态估计方法及*** | |
| CN113675947A (zh) | 输电网关的输电侧设备状态监测方法、及输电网关 | |
| CN102065510A (zh) | 基于模糊逻辑的无线传感器网络节点自适应功率控制***及方法 | |
| CN105045096A (zh) | 一种基于神经网络的智慧能源节能方法及*** | |
| CN104503847A (zh) | 一种数据中心节能方法和装置 | |
| Manman et al. | Energy-efficient dynamic clustering for IoT applications: A neural network approach | |
| CN116346819A (zh) | 一种基于云边协同的工业互联网*** | |
| CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
| CN103267871A (zh) | 基于ZigBee技术的风速监测*** | |
| CN107835043B (zh) | 一种快速评估无线供电通信中信息传输中断概率的方法 | |
| CN116614195A (zh) | 基于边缘容器的电碳计算智能融合终端及时间同步方法 | |
| CN109578209A (zh) | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制*** | |
| CN106412935B (zh) | 一种基于复杂网络理论的网络拓扑结构建立方法 | |
| CN111669767B (zh) | 一种传感器网络动态部署方法 | |
| Strelkovskaya et al. | Comparative analysis of the methods of wavelet-and spline-extrapolation in problems of predicting self-similar traffic | |
| CN103402276A (zh) | 物联网海量感知数据高效传输***及方法 | |
| Cai et al. | Urban water supply network monitoring and management platform based on wireless sensor network | |
| CN112601246A (zh) | 一种多节点协作无线视觉传感器网络中的最优功率分配算法 | |
| CN112486667A (zh) | 一种基于边缘计算精准处理数据的方法及装置 | |
| CN104217372A (zh) | 一种适用于大规模复杂配电网的供电路径追踪的方法 | |
| CN111082522A (zh) | 基于泛在电力物联网的配网状态监测与故障处理*** |
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: 20151111 |
|
| RJ01 | Rejection of invention patent application after publication |