CN105759608B - 一种节能方法及*** - Google Patents
一种节能方法及*** Download PDFInfo
- Publication number
- CN105759608B CN105759608B CN201610109373.1A CN201610109373A CN105759608B CN 105759608 B CN105759608 B CN 105759608B CN 201610109373 A CN201610109373 A CN 201610109373A CN 105759608 B CN105759608 B CN 105759608B
- Authority
- CN
- China
- Prior art keywords
- consuming apparatus
- history
- current consuming
- power consumption
- energy conservation
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明实施例提供了一种节能方法及***,方法包括:获取电力***的当前工况类型,并获取在当前工况类型下的耗电设备在预设时间段内的耗电数据;将当前工况类型与预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断耗电数据与匹配成功的历史工况类型所对应的耗电设备在预设时间段内的历史耗电数据的大小关系;当判断耗电数据与该历史耗电数据的差值的绝对值大于预设阈值时,确定耗电设备处于异常工作模式,并利用匹配成功的历史工况类型中所对应的耗电设备所对应的节能措施对耗电设备进行节能操作。应用本发明实施例,降低了用户实施较佳的节能措施的门槛,进而降低了节能成本。
Description
技术领域
本发明涉及能量控制技术领域,特别是涉及一种节能方法及***。
背景技术
目前,在对电力***的节能控制中,通常通过手动方式选择节能措施来实现对电力***中各个耗电设备的节能。而该种实施节能措施的方法对操作人员的技术水平具有较高的要求,也就是说,需要经验丰富的管理人员根据机房的能耗数据选择合适的节能措施,而对于普通技术人员来说,很难选择合适的节能措施,即选择较佳的节能措施对普通操作人员来说具有较高的门槛,因此造成该种节能方式成本较高。
因此,亟需提供一种新的节能方案,以降低用户实施较佳的节能措施的门槛,进而降低节能成本。
发明内容
本发明实施例的目的在于提供一种节能方法及***,以降低用户实施较佳的节能措施的门槛,进而降低节能成本。具体技术方案如下:
第一方面,本发明实施例提供了一种节能方法,应用于电力***,所述电力***包括耗电设备,所述方法可以包括:
获取所述电力***的当前工况类型,并获取在所述当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,所述当前工况类型包括至少一种影响耗电设备耗电数据的条件;
将所述当前工况类型与预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的大小关系,其中,所述历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;
当判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定所述耗电设备处于异常工作模式;
当确定所述耗电设备处于异常工作模式时,利用所述匹配成功的历史工况类型中所对应的所述耗电设备所对应的节能措施对所述耗电设备进行节能操作。
优选地,所述耗电设备的历史耗电数据,包括:所述耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,所述耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
优选地,利用分类算法预先构建节能措施模型,其中,所述分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
优选地,所述利用分类算法预先构建节能措施模型,包括:
利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,所述电力***包括至少两个耗电设备;
创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,所述耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
按照预设的预处理方式对所述历史耗电数据进行预处理,以得预处理后的历史耗电数据;
基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
优选地,所述预处理方式包括:空缺值处理法和计算行列式法中的至少一种。
优选地,本发明实施例中,还包括:
若判断不存在匹配成功的历史工况类型,则基于所述耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
第二方面,本发明实施例提供了一种节能***,应用于电力***,所述电力***包括耗电设备,所述***可以包括:获取单元、匹配单元、节能措施模型构建单元、确定单元和判断单元;
所述获取单元,用于获取所述电力***的当前工况类型,并获取在所述当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,所述当前工况类型包括至少一种影响耗电设备耗电数据的条件;
所述匹配单元,用于将所述当前工况类型与所述节能措施模型构建单元预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的大小关系,其中,所述历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;
所述确定单元,用于当判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定所述耗电设备处于异常工作模式;
所述判断单元,用于当确定所述耗电设备处于异常工作模式时,利用所述匹配成功的历史工况类型中所对应的所述耗电设备所对应的节能措施对所述耗电设备进行节能操作。
优选地,所述耗电设备的历史耗电数据,包括:所述耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,所述耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
优选地,所述节能措施模型构建单元用于利用分类算法预先构建节能措施模型,其中,所述分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
优选地,所述节能措施模型构建单元包括:分类模型构建子单元、映射关系表创建子单元、预处理子单元和节能措施使用模型构建子单元;
所述分类模型构建子单元,用于利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,所述电力***包括至少两个耗电设备;
所述映射关系表创建子单元,用于创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,所述耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
所述预处理子单元,用于按照预设的预处理方式对所述历史耗电数据进行预处理,以得预处理后的历史耗电数据;
所述节能措施使用模型构建子单元,用于基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
优选地,所述预处理方式包括:空缺值处理法和计算行列式法中的至少一种。
优选地,在本发明实施例中,所述匹配单元还用于:若判断不存在匹配成功的历史工况类型,则基于所述耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
本发明实施例提供的节能方法及***,可以预先构建节能措施模型,即根据历史工况类型、历史耗电数据和有经验的技术人员所采用的节能措施抽象出节能措施推荐模型,实现在不同的历史工况类型下对耗电设备在正常工作模式下的耗电数据及节能措施和有经验的工作人员在应对异常工作模式所采用的节能措施及耗电数据进行分析和学习,进而只需获取电力***的当前工况类型及耗电设备所对应的耗电数据即可通过预先构建的节能措施模型判断当前工况类型下耗电设备是否处于异常工作模式,若判断处于异常工作模式,则根据预先构建的节能措施模型中该工况类型下耗电设备所对应的节能措施对耗电设备进行节能,即可获得有经验的技术人员历史上在面对该种情况下所采用的节能措施并采取较佳的节能操作,提供了节能措施的预测方法,降低了用户实施较佳的节能措施的门槛,提高了用户体验,从而降低了节能成本。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种节能方法的流程示意图;
图2为本发明实施例提供的一种节能***的结构示意图;
图3为本发明实施例提供的一种预先构建的节能措施模型的示意图;
图4为本发明实施例提供的另一种预先构建的节能措施模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术问题,本发明实施例提供了一种节能方法及***。
第一方面,本发明实施例提供了一种节能方法,应用于电力***,该电力***包括耗电设备,如图1所示,该节能方法可以包括如下步骤:
S101:获取该电力***的当前工况类型,并获取在该当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,该当前工况类型包括至少一种影响耗电设备耗电数据的条件;
其中,首先获取该电力***的当前工况类型,并获取耗电设备在预设时间段内的耗电数据,可以理解的是,该电力***中可以包括多个耗电设备,且在包括多个耗电设备时,获取该多个耗电设备在预设时间段内所对应的耗电数据。
需要强调的是,技术人员可以根据具体情况设定预设时间段的大小,并且,可将温度、湿度和工作时长等因素设定为影响工况类型的因素,并且当温度、湿度和工作时长等因素的取值超过预设范围时默认工况类型不相同。
S102:将该当前工况类型与预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断该耗电数据与匹配成功的历史工况类型所对应的该耗电设备在预设时间段内的历史耗电数据的大小关系,其中,该历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;
其中,该预先构建的节能措施模型是一种基于分类的监督学习模型。历史工况类型可属于预先构建的节能措施中的一个分类,且历史工况类型中可能存在历史工况类型1、历史工况类型2和历史工况类型3等;预先构建的节能措施模型可对该历史工况类型1-3以及历史工况类型1-3中耗电设备的历史耗电数据进行分类监督学习;此时只需要将当前工况类型和当前工况类型下耗电设备的耗电数据输入预先构建的节能措施模型中,该预先构建的节能措施即可提供预测的节能措施,且该预测的节能措施是根据历史上有经验的技术人员在应对相应情况所采用的历史节能措施得到的。
S103:当判断该耗电数据与匹配成功的历史工况类型所对应的该耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定该耗电设备处于异常工作模式;
其中,在确定该耗电设备处于异常工作模式时,可以发出报警,提示用户当前工况类型下的耗电设备处于异常工作模式,引起用户的重视,避免事故的发生,可以理解的是,该种发出警报的方式也是可行的。
S104:当确定该耗电设备处于异常工作模式时,利用该匹配成功的历史工况类型中所对应的该耗电设备所对应的节能措施对该耗电设备进行节能操作。
其中,被确定为处于异常工作模式的耗电设备存在至少一种对应的节能措施。
值得注意的是,利用该预先构建的节能措施模型预测节能措施的一个实施例的步骤具体可为:将当前工况类型和当前工况类型下耗电设备的耗电数据输入预先构建的节能措施模型;在模型中进行当前工况类型与历史工况类型进行匹配;在当前工况类型存在匹配成功的历史工况类型时,将当前工况下耗电设备的耗电数据与该种历史工况下同种耗电设备的历史耗电数据进行比较;并可通过做差值进行比较,且差值的绝对值大于预设阈值时,确定此时耗电设备处于异常工作模式,则采用匹配成功的历史工况类型中所对应的该耗电设备所对应的节能措施对该耗电设备进行节能操作;或通过做差值进行比较,且差值的绝对值小于预设阈值时,将当前工况类型下另一耗电设备的能耗数据与该种历史工况类型下同种耗电设备的耗电数据进行比较,直至在该预先构建的节能措施模型中能够匹配到节能措施并采用该节能措施对该耗电设备进行节能操作。
当然,另一实施例中,可在该预先构建的节能措施模型中匹配到节能措施后,可以将该匹配的节能措施提示给用户而不是直接采用该节能措施对该耗电设备进行节能操作,让用户决定是否采用该节能措施,可以理解的是,该种节能方式也是可行的。
本发明实施例中,可以预先构建节能措施模型,即根据历史工况类型、历史耗电数据和有经验的技术人员所采用的节能措施抽象出节能措施推荐模型,实现在不同的历史工况类型下对耗电设备在正常工作模式下的耗电数据及节能措施和有经验的工作人员在应对异常工作模式所采用的节能措施及耗电数据进行分析和学习,进而只需获取电力***的当前工况类型及耗电设备所对应的耗电数据即可通过预先构建的节能措施模型判断当前工况类型下耗电设备是否处于异常工作模式,若判断处于异常工作模式,则根据预先构建的节能措施模型中该工况类型下耗电设备所对应的节能措施对耗电设备进行节能,即可获得有经验的技术人员历史上在面对该种情况下所采用的节能措施并采取较佳的节能操作,提供了节能措施的预测方法,降低了用户实施较佳的节能措施的门槛,提高了用户体验,从而降低了节能成本。
更进一步地,该耗电设备的历史耗电数据,包括:该耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,该耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
可以理解的是,在预先构建节能措施模型时,可以记录耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,该耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据作为耗电设备所对应的历史耗电数据,则此时耗电设备的历史耗电数据都为正常工作时所对应的数据。在利用该预先构建的节能措施模型预测较佳的节能措施时,查找到当前工况类型所对应的历史工况类型,查找成功后,可以判断在当前工况类型下的耗电设备对应的耗电数据与该种耗电设备的历史耗电数据的差值的绝对值是否大于预设阈值,当大于阈值时,可确定该耗电设备处于异常工作模式,且利用该匹配成功的历史工况类型中所对应的该耗电设备所对应的节能措施对该耗电设备进行节能操作。
需要强调的是,技术人员可以根据具体需要设置该预设阈值。
更进一步地,利用分类算法预先构建节能措施模型,其中,该分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
可以理解的是,利用决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种分类算法预先构建节能措施模型可对历史上有经验的技术人员在电力***中手动执行的节能措施和对应的电力***的耗电设备的耗电数据进行分析和学习,从而可将当前电力***中的耗电设备的耗电数据和当前工况类型输入该预先构建的节能措施模型中,获取通过该模型预测得到的较佳的节能措施。
需要强调的是,决策树C45算法、朴素贝叶斯算法和支持向量机算法的算法本身是现有技术,在此不做赘述。
更进一步地,该利用分类算法预先构建节能措施模型,包括:
利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,该电力***包括至少两个耗电设备;
创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,该耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
按照预设的预处理方式对该历史耗电数据进行预处理,以得预处理后的历史耗电数据;
基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
可以理解的是,在该种实现方式中,可根据分类模型和分类模型之间的映射关系表建立预先构建节能措施模型,历史工况类型对应一个分类,历史工况类型中的每个耗电设备对应一个分类,每个耗电设备所对应的节能措施对应一个分类,根据分类与分类之间的映射关系最终能对应上至少一种节能措施。
下面通过图3对利用决策树C45算法预先构建的一种节能措施模型进行说明。
如图3所示,该电力***中包括服务器、照明设备和送风机三种耗电设备,依据决策树C45分类算法将历史工况类型,耗电设备类型和节能措施作为分类,即将历史工况类型,耗电设备类型和节能措施设置于节点位置,且节能措施只能设置在叶子节点位置,分叉路径中代表映射关系,这就保证了在将当前工况类型和耗电设备对应的耗电数据输入至该决策树中时,能够预测得到至少一种节能措施,从而降低用户采用较佳的节能措施的门槛,其中,图3中的判断大小关系的大于等于或小于符号之前都为耗电设备历史耗电数据和当前耗电数据的求差取绝对值所对应的数值,该不等式构成分叉路径中的映射关系。
具体地,将当前工况类型与历史工况类型进行匹配,得知当前工况类型属于工况类型1,此时将当前工况类型下的服务器耗电数据与工况类型1下的服务器的历史耗电数据的差值的绝对值跟a°进行比较,当该绝对值大于等于a°时,得知当前服务器处于异常工作模式,则此时预测得到节能措施1;当差值小于a°时,判断当前工况类型下的照明设备的耗电数据与工况类型1下的照明设备的历史耗电数据的差值的绝对值跟b°的大小关系,当该绝对值大于等于b°时,得知当前照明设备处于异常工作模式,则此时预测得到节能措施2;当差值小于b°时,判断当前工况类型下的送风机的耗电数据与工况类型1下的送风机的历史耗电数据的差值的绝对值跟c°的大小关系,当该绝对值大于等于c°时,得知当送风机处于异常工作模式,则此时预测得到节能措施3;当差值小于c°时,由于此时无其他耗电设备,则此时参考历史上有经验的工作人员在该种情况下手动执行的节能措施4,其中,该历史耗电数据为该耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,该耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
需要强调的,在当前工况类型属于工况类型2或工况类型3时,预测得到节能措施的方法同工况类型1的方法,在此不再赘述;另外,电力***中可以包括但是并不局限于服务器、照明设备和送风机三种耗电设备;此外,预先构建的节能措施模型包括但并不局限于如图3所示的节能措施模型。
其中,如图3中所示的a°、b°和c°可由本领域的技术人员根据具体要求进行设定,并且节能措施1至节能措施12可属于相同的节能措施,也可属于不同的节能措施,且取决于用于构建该节能措施模型的训练数据。
更进一步地,该预处理方式包括:空缺值处理法和计算行列式法中的至少一种。
可以理解的是,在该种实现方式中,在模型的训练阶段,空缺值处理法可以删除耗电设备所对应的历史耗电数据中存在空缺值的样本数据,使得建立的模型更准确,获得更佳的预测的节能措施;在模型的训练阶段,也可以根据计算行列式法计算两种耗电设备所对应的历史耗电数据的商,且该商可以衡量电力***的能效水平,在一定取值范围内,不同的能效水平对应不同的节能措施,则在模型的使用阶段,可通过对能效水平的判断,实现对节能措施的预测。
更进一步地,在本发明实施例中,还包括:
若判断不存在匹配成功的历史工况类型,则基于该耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
可以理解的是,在该种实现方式中,若判断不存在匹配成功的历史工况类型时,则跳过对历史工况类型的匹配,直接基于该耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
下面通过图4对利用决策树C45算法预先构建的另一种节能措施模型进行说明。
如图4所示,该电力***中包括如图3所示的分类中的部分分类,即在当前工况类型与历史工况类型均不能匹配成功,则直接通过耗电设备的耗电数据与同种耗电设备所对应的历史耗电数据进行匹配,其中,该历史耗电数据可为异常工作模式时未经修正的耗电设备的未修正历史耗电数据,则此时如图4所示的30°为服务器处于异常工作模式下的未修正历史耗电数据;5°为照明设备处于异常工作模式下的未修正历史耗电数据;20°为送风机处于异常工作模式下的未修正历史耗电数据。当前电力***中的服务器耗电的耗电数据大于等于30°时,预测得到节能措施13;小于30°时,对照明设备的耗电数据进行判断;当判断照明设备的耗电数据大于等于5°时,预测得到节能措施14;小于5°时,对送风机的耗电数据进行判断;当判断送风机的耗电数据大于等于20°时,预测得到节能措施15;小于20°时,预测得到节能措施16。
需要强调的是,在预先构建节能措施模型时,为了提高预测节能措施的速度,如图4所示的只建立对耗电设备的历史耗电数据分类和节能措施分类,且简化映射关系的方法也是可行的,其中,本文中所提及的历史耗电数据和耗电数据均应理解为在预设时间段内所对应的数据。
第二方面,相应于上述方法实施例,本发明实施例还提供了一种节能***,应用于电力***,该电力***包括耗电设备,如图2所示,该***可以包括:获取单元201、匹配单元202、节能措施模型构建单元203、确定单元204和判断单元205;
该获取单元201,用于获取该电力***的当前工况类型,并获取在该当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,该当前工况类型包括至少一种影响耗电设备耗电数据的条件;
该匹配单元202,用于将该当前工况类型与该节能措施模型构建单元203预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断该耗电数据与匹配成功的历史工况类型所对应的该耗电设备在预设时间段内的历史耗电数据的大小关系,其中,该历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;
该确定单元204,用于当判断该耗电数据与匹配成功的历史工况类型所对应的该耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定该耗电设备处于异常工作模式;
该判断单元205,用于当确定该耗电设备处于异常工作模式时,利用该匹配成功的历史工况类型中所对应的该耗电设备所对应的节能措施对该耗电设备进行节能操作。
本发明实施例中,可以预先构建节能措施模型,即根据历史工况类型、历史耗电数据和有经验的技术人员所采用的节能措施抽象出节能措施推荐模型,实现在不同的历史工况类型下对耗电设备在正常工作模式下的耗电数据及节能措施和有经验的工作人员在应对异常工作模式所采用的节能措施及耗电数据进行分析和学习,进而只需获取电力***的当前工况类型及耗电设备所对应的耗电数据即可通过预先构建的节能措施模型判断当前工况类型下耗电设备是否处于异常工作模式,若判断处于异常工作模式,则根据预先构建的节能措施模型中该工况类型下耗电设备所对应的节能措施对耗电设备进行节能,即可获得有经验的技术人员历史上在面对该种情况下所采用的节能措施并采取较佳的节能操作,提供了节能措施的预测方法,降低了用户实施较佳的节能措施的门槛,提高了用户体验,从而降低了节能成本。
更进一步地,该耗电设备的历史耗电数据,包括:该耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,该耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
更进一步地,该节能措施模型构建单元203用于利用分类算法预先构建节能措施模型,其中,该分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
更进一步地,该节能措施模型构建单元203包括:分类模型构建子单元、映射关系表创建子单元、预处理子单元和节能措施使用模型构建子单元;
该分类模型构建子单元,用于利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,该电力***包括至少两个耗电设备;
该映射关系表创建子单元,用于创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,该耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
该预处理子单元,用于按照预设的预处理方式对该历史耗电数据进行预处理,以得预处理后的历史耗电数据;
该节能措施使用模型构建子单元,用于基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
更进一步地,所述预处理方式包括:空缺值处理法和计算行列式法中的至少一种。
更进一步地,在本发明实施例中,该匹配单元202还用于:
若判断不存在匹配成功的历史工况类型,则基于所述耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种节能方法,其特征在于,应用于电力***,所述电力***包括耗电设备,所述方法包括:
获取所述电力***的当前工况类型,并获取在所述当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,所述当前工况类型包括至少一种影响耗电设备耗电数据的条件;
将所述当前工况类型与预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的大小关系,其中,所述历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;所述节能措施模型是基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建得到的;所述第一映射关系表为:历史工况类型的分类模型与其所对应的耗电设备的分类模型的映射关系表;所述第二映射关系表为:耗电设备的分类模型与节能措施的分类模型的映射关系表;
当判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定所述耗电设备处于异常工作模式;
当确定所述耗电设备处于异常工作模式时,利用所述匹配成功的历史工况类型中所对应的所述耗电设备所对应的节能措施对所述耗电设备进行节能操作。
2.根据权利要求1所述的方法,其特征在于,所述耗电设备的历史耗电数据,包括:
所述耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,
所述耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
3.根据权利要求1或2中任一项所述的方法,其特征在于,利用分类算法预先构建节能措施模型,其中,所述分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
4.根据权利要求3所述的方法,其特征在于,所述利用分类算法预先构建节能措施模型,包括:
利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,所述电力***包括至少两个耗电设备;
创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,所述耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
按照预设的预处理方式对所述历史耗电数据进行预处理,以得预处理后的历史耗电数据;
基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
5.根据权利要求4所述的方法,其特征在于,所述预处理方式包括:空缺值处理法和计算行列式法中的至少一种。
6.根据权利要求1或2中任一项所述的方法,其特征在于,还包括:
若判断不存在匹配成功的历史工况类型,则基于所述耗电设备在预设时间段内的耗电数据和预先构建的节能措施模型中的耗电设备在预设时间段内的历史耗电数据向用户推荐节能措施。
7.一种节能***,其特征在于,应用于电力***,所述电力***包括耗电设备,所述***包括:
获取单元,用于获取所述电力***的当前工况类型,并获取在所述当前工况类型下的耗电设备在预设时间段内的耗电数据,其中,所述当前工况类型包括至少一种影响耗电设备耗电数据的条件;
匹配单元,用于将所述当前工况类型与节能措施模型构建单元预先构建的节能措施模型中的历史工况类型进行匹配,判断是否存在匹配成功的历史工况类型,若存在,则判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的大小关系,其中,所述历史工况类型中包括至少一种影响耗电设备的历史耗电数据的条件;所述节能措施模型是基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建得到的;所述第一映射关系表为:历史工况类型的分类模型与其所对应的耗电设备的分类模型的映射关系表;所述第二映射关系表为:耗电设备的分类模型与节能措施的分类模型的映射关系表;
确定单元,用于当判断所述耗电数据与匹配成功的历史工况类型所对应的所述耗电设备在预设时间段内的历史耗电数据的差值的绝对值大于预设阈值时,确定所述耗电设备处于异常工作模式;
判断单元,用于当确定所述耗电设备处于异常工作模式时,利用所述匹配成功的历史工况类型中所对应的所述耗电设备所对应的节能措施对所述耗电设备进行节能操作。
8.根据权利要求7所述的***,其特征在于,所述耗电设备的历史耗电数据,包括:
所述耗电设备被手动执行节能措施后在预设时间段内的修正耗电数据,或,
所述耗电设备未被手动执行节能措施时在预设时间段内的正常耗电数据。
9.根据权利要求7或8中任一项所述的***,其特征在于,所述节能措施模型构建单元用于利用分类算法预先构建节能措施模型,其中,所述分类算法包括决策树C45算法、朴素贝叶斯算法和支持向量机算法中的一种或多种。
10.根据权利要求9所述的***,其特征在于,所述节能措施模型构建单元包括:
分类模型构建子单元,用于利用分类算法构建历史工况类型的分类模型、历史工况类型中的耗电设备的分类模型和耗电设备所对应的节能措施的分类模型,其中,所述电力***包括至少两个耗电设备;
映射关系表创建子单元,用于创建历史工况类型的分类模型与其所对应的耗电设备的分类模型的第一映射关系表,及耗电设备的分类模型与节能措施的分类模型的第二映射关系表,其中,所述耗电设备的分类模型中包括耗电设备所对应的历史耗电数据;
预处理子单元,用于按照预设的预处理方式对所述历史耗电数据进行预处理,以得预处理后的历史耗电数据;
节能措施使用模型构建子单元,用于基于历史工况类型的分类模型、耗电设备的分类模型和节能措施的分类模型,以及第一映射关系表、第二映射关系表和预处理后的历史耗电数据构建节能措施使用模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109373.1A CN105759608B (zh) | 2016-02-26 | 2016-02-26 | 一种节能方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610109373.1A CN105759608B (zh) | 2016-02-26 | 2016-02-26 | 一种节能方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105759608A CN105759608A (zh) | 2016-07-13 |
CN105759608B true CN105759608B (zh) | 2018-12-28 |
Family
ID=56331430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610109373.1A Expired - Fee Related CN105759608B (zh) | 2016-02-26 | 2016-02-26 | 一种节能方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105759608B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357673A (zh) * | 2017-06-28 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种检测异常耗电的方法、终端以及计算机可读存储介质 |
CN109272059B (zh) * | 2018-12-04 | 2021-05-04 | 合肥泰禾光电科技股份有限公司 | 一种动态数据分类方法及装置 |
CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理***中可节能设备的自动判断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872437A (zh) * | 2009-04-27 | 2010-10-27 | 深圳市中电电力技术有限公司 | 一种节能处理方法及*** |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
CN104091042A (zh) * | 2014-06-15 | 2014-10-08 | 西南交通大学 | 一种基于运行数据对中央空调***节能诊断及节能潜力分析的方法 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
-
2016
- 2016-02-26 CN CN201610109373.1A patent/CN105759608B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872437A (zh) * | 2009-04-27 | 2010-10-27 | 深圳市中电电力技术有限公司 | 一种节能处理方法及*** |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN103853106A (zh) * | 2012-11-28 | 2014-06-11 | 同济大学 | 一种建筑能源供应设备的能耗预测参数优化方法 |
CN104091042A (zh) * | 2014-06-15 | 2014-10-08 | 西南交通大学 | 一种基于运行数据对中央空调***节能诊断及节能潜力分析的方法 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN105759608A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11392096B2 (en) | Heuristic method of automated and learning control, and building automation systems thereof | |
Capozzoli et al. | Automated load pattern learning and anomaly detection for enhancing energy management in smart buildings | |
Mouzon et al. | Operational methods for minimization of energy consumption of manufacturing equipment | |
Wong et al. | Evaluating the system intelligence of the intelligent building systems: Part 1: Development of key intelligent indicators and conceptual analytical framework | |
Wijayasekara et al. | Mining building energy management system data using fuzzy anomaly detection and linguistic descriptions | |
CN105759608B (zh) | 一种节能方法及*** | |
CN111352971A (zh) | 银行***监控数据异常检测方法及*** | |
US20120197560A1 (en) | Signal identification methods and systems | |
CN111160616B (zh) | 一种基于边云协同的厨电设备预测性维护***及方法 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
CN106022646A (zh) | 电力用户信息数据分析***及分析方法 | |
Linda et al. | Computational intelligence based anomaly detection for building energy management systems | |
CN110084158A (zh) | 一种基于智能算法的用电设备识别方法 | |
Pasini | Connecting BIM and IoT for addressing user awareness toward energy savings | |
Safe et al. | A Markov chain approach for double-objective economic statistical design of the variable sampling interval control chart | |
CN105488599B (zh) | 预测文章热度的方法和装置 | |
Schlegel et al. | Developing and harnessing the potential of SMEs for eco-efficient flexible production | |
KR101655247B1 (ko) | Bems 데이터를 이용한 에너지 분석 시스템 | |
Yao et al. | Study and application of an elevator failure monitoring system based on the internet of things technology | |
CN206421211U (zh) | 一种远程设备监控*** | |
Liu et al. | Identifying contaminant sources for water distribution systems using a hybrid method | |
Singer et al. | From product documentation to a ‘method prototype’and standard times: a new technique for complex manual assembly | |
Megoze Pongha et al. | Optimal joint production, maintenance and product quality control policies for a continuously deteriorating manufacturing system | |
Passath et al. | A knowledge-based digital lifecycle-oriented asset optimisation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 Termination date: 20210226 |
|
CF01 | Termination of patent right due to non-payment of annual fee |