CN111473471A - 一种多联机能耗计量方法及*** - Google Patents
一种多联机能耗计量方法及*** Download PDFInfo
- Publication number
- CN111473471A CN111473471A CN202010213975.8A CN202010213975A CN111473471A CN 111473471 A CN111473471 A CN 111473471A CN 202010213975 A CN202010213975 A CN 202010213975A CN 111473471 A CN111473471 A CN 111473471A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- neural network
- network model
- consumption data
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 111
- 238000010977 unit operation Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 17
- 238000004378 air conditioning Methods 0.000 description 13
- 238000012937 correction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/547—Messaging middleware
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Fluid Mechanics (AREA)
- Thermal Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种多联机能耗计量方法及***。其中,该方法包括:接收多联机上传的机组运行数据;根据所述机组运行数据实时计算得到第一能耗数据;利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。本发明通过接收多联机的机组运行数据,能够在线实时计算多联机能耗,并且利用基于大数据训练得到的神经网络模型对计算的多联机能耗进行修正,实现多联机能耗的精准计量,实现大量多联机组能耗的综合计量和统计,无需耗费大量人力使用电表进行实测,便捷、准确且高效。
Description
技术领域
本发明涉及多联机技术领域,具体而言,涉及一种多联机能耗计量方法及***。
背景技术
空调的能效比(COP)是指空调的制冷量与空调的输入功率的比值,反映空调的节能水平,制定能效等级的目的是为了节约能源,发展节约型、环保型经济。
近年来,多联机在市场的影响越来越大,占有率逐年提高,而且各个厂家都标称能效很高,可是实际上在全国范围内的多联机用电情况无法直接获得,需要人工亲自上门使用电表来测试。人工采集数据的方法会耗费大量的人力以及成本,并且效率较低,且无法实现大数据分析。
通过目前空调返回来的常规参数,难以计算出电量和制冷量,计算出的准确率目前达不到要求。有别于一拖一的家用空调,多联机是一种状态方程非常复杂的多元非线性***,难以用精确的数学模型对***进行完整建模。
针对现有技术中多联机能耗计量准确率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种多联机能耗计量方法及***,以解决现有技术中多联机能耗计量准确率低的问题。
为解决上述技术问题,本发明实施例提供了一种多联机能耗计量方法,所述方法由服务端执行,所述方法包括:接收多联机上传的机组运行数据;根据所述机组运行数据实时计算得到第一能耗数据;利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。
可选的,根据所述机组运行数据实时计算得到第一能耗数据,包括:根据所述机组运行数据中的用电数据计算得到实时功率和电量;根据所述机组运行数据中指定位置的热物性数据计算得到制冷量;根据所述实时功率和所述制冷量计算得到能效比;其中,所述第一能耗数据包括:所述电量、所述制冷量和所述能效比。
可选的,在根据所述机组运行数据实时计算得到第一能耗数据之前,还包括:获取所述多联机的机型信息;根据预存配置信息确定所述机型信息对应的能耗算法,以按照所述能耗算法计算所述第一能耗数据。
可选的,利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据,包括:将所述第一能耗数据作为所述神经网络模型的输入,得到所述神经网络模型的输出,将所述输出作为所述修正后的能耗数据。
可选的,在利用神经网络模型对所述第一能耗数据进行修正之前,还包括:搭建神经网络,并初始化所述神经网络的参数;获取样本数据,其中,所述样本数据包括:针对至少两个多联机计算得到的理论能耗数据及对应的实际测量的真实数据;将所述理论能耗数据作为所述神经网络的输入,得到所述神经网络的输出;判断所述神经网络的输出与所述真实数据的误差是否处于第一预设误差范围内;若是,则确定神经网络模型训练完成;若否,则调节所述神经网络的参数,并返回执行将所述理论能耗数据作为所述神经网络的输入的步骤。
可选的,在确定神经网络模型训练完成后,还包括:在针对各所述多联机实时计算的第一能耗数据中,选择用于更新模型的更新数据,并获取所述更新数据对应的真实数据;根据所述更新数据及对应的真实数据,更新所述神经网络模型。
可选的,在确定神经网络模型训练完成后,还包括:将训练得到的神经网络模型发送给各所述多联机,以使各所述多联机存储所述训练得到的神经网络模型。
可选的,在将训练得到的神经网络模型发送给各所述多联机之后,还包括:按照预设周期接收所述多联机上传的第二能耗数据,其中,所述第二能耗数据是所述多联机本地存储的神经网络模型最近一次修正后的能耗数据;判断所述第二能耗数据与所述服务端基于相同机组运行数据和当前所述神经网络模型得到的修正后的能耗数据的误差是否处于第二预设误差范围内;若否,则将当前所述神经网络模型发送给所述多联机进行本地模型更新。
可选的,还包括:若检测到所述服务端存在失效的会话,则确定所述会话所属的服务器故障,将故障服务器上的应用或服务转移到所述服务端中任一目标服务器上,以使所述目标服务器继续执行当前任务。
可选的,在接收多联机上传的机组运行数据之后,还包括:按照预设规则提取所述机组运行数据中的有效数据;将所述有效数据以队列的形式实时存储到消息中间件中,其中,所述消息中间件中存储的数据的有效期为预设时长。
可选的,还包括:至少将所述机组运行数据、所述第一能耗数据、所述修正后的能耗数据和所述神经网络模型存储到非关系型数据库中。
本发明实施例还提供了一种多联机能耗计量方法,所述方法由多联机执行,所述方法包括:获取机组运行数据;根据所述机组运行数据实时计算得到能耗数据;利用本地存储的神经网络模型对计算的能耗数据进行修正,得到修正后的能耗数据。
可选的,还包括:若到达预设周期,则将最近一次修正后的能耗数据上传给服务端,以使所述服务端判断所述多联机本地存储的神经网络模型是否需要更新。
可选的,在将最近一次修正后的能耗数据上传给服务端之后,还包括:检测是否接收到模型更新信号;若是,则利用接收的新神经网络模型替换本地存储的原有神经网络模型。
可选的,根据所述机组运行数据实时计算得到能耗数据,包括:根据所述机组运行数据中的用电数据计算得到实时功率和电量;根据所述机组运行数据中指定位置的热物性数据计算得到制冷量;根据所述实时功率和所述制冷量计算得到能效比;其中,所述能耗数据包括:所述电量、所述制冷量和所述能效比。
可选的,利用本地存储的神经网络模型对计算的能耗数据进行修正,得到修正后的能耗数据,包括:将计算的能耗数据作为所述神经网络模型的输入,得到所述神经网络模型的输出,将所述输出作为所述修正后的能耗数据。
本发明实施例还提供了一种多联机能耗计量***,包括:服务端和至少两个多联机;所述服务端,用于接收所述多联机上传的机组运行数据;根据所述机组运行数据实时计算得到第一能耗数据;利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如本发明实施例所述的方法。
应用本发明的技术方案,通过接收多联机的机组运行数据,能够在线实时计算多联机能耗,并且利用基于大数据训练得到的神经网络模型对计算的多联机能耗进行修正,实现多联机能耗的精准计量,实现大量多联机组能耗的综合计量和统计,无需耗费大量人力使用电表进行实测,便捷、准确且高效。
附图说明
图1是本发明实施例一提供的多联机能耗计量方法的流程图;
图2是本发明实施例一提供的神经网络模型训练流程图;
图3是本发明实施例一提供的本地与服务端的计算流程图;
图4是本发明实施例一提供的多联机能耗计量的整体架构图;
图5是本发明实施例二提供的多联机能耗计量方法的流程图;
图6是本发明实施例三提供的多联机能耗计量装置的结构框图;
图7是本发明实施例四提供的多联机能耗计量装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
实施例一
本实施例提供一种多联机能耗计量方法,该方法由服务端执行,可准确计量多联机能耗。图1是本发明实施例一提供的多联机能耗计量方法的流程图,如图1所示,该方法包括以下步骤:
S101,接收多联机上传的机组运行数据。
S102,根据机组运行数据实时计算得到第一能耗数据。其中,第一能耗数据包括:电量、制冷量和能效比(即COP)。
S103,利用神经网络模型对第一能耗数据进行修正,得到修正后的能耗数据。
具体的,利用神经网络模型对第一能耗数据进行修正,得到修正后的能耗数据,包括:将第一能耗数据作为神经网络模型的输入,得到神经网络模型的输出,将输出作为修正后的能耗数据。本实施例中的神经网络模型是在海量数据集的支持下训练出的一个优化模型,该模型输出的理论预测值(即修正后的能耗数据)与电表的实测值的误差处于允许的误差范围内,例如5%。
本实施例通过接收多联机的机组运行数据,能够在线实时计算多联机能耗,并且利用基于大数据训练得到的神经网络模型对计算的多联机能耗进行修正,实现多联机能耗的精准计量,实现大量多联机组能耗的综合计量和统计,无需耗费大量人力使用电表进行实测,便捷、准确且高效。
具体的,根据机组运行数据实时计算得到第一能耗数据,包括:根据机组运行数据中的用电数据计算得到实时功率和电量;根据机组运行数据中指定位置的热物性数据计算得到制冷量;根据实时功率和制冷量计算得到能效比。
其中,第一能耗数据就是依据多联机自己采集的已有参数计算得到的。机组运行数据是多联机的全工况数据,如,压缩机运行频率、风机运行频率、高低压、电压、电流、膨胀阀开度、温度等。用电数据包括:电流、电压和高低压参数等,其中,高低压参数是指压缩机压缩前后的压力,具体的,压缩机压缩之前的压力为低压,压缩机压缩之后的压力为高压。基于电流、电压和高低压参数等进行拟合,得出多联机的实时功率,功率通过对时间积分得出电量。指定位置包括:压缩机进出口和蒸发器进出口,热物性数据包括:温度、压力、密度、焓值和熵。具体可通过多联机上的温度传感和压力传感器检测相关数值,计算得到指定位置的热物性数据,然后通过关键点的焓差得到制冷量。功率的计算、热物性数据的计算以及通过焓差计算制冷量均采用现有计算公式,本实施例对此不进行赘述。
考虑到多联机的不同机型有不同的能耗算法,本实施方式预先将已知的所有多联机机型信息及对应的能耗算法写入配置文件中,只需在运行前读取该配置文件,即可在运行时将该机型与对应的算法动态绑定,使用合适的算法计算第一能耗数据。具体的,在根据机组运行数据实时计算得到第一能耗数据之前,还包括:获取多联机的机型信息;根据预存配置信息确定机型信息对应的能耗算法,以按照能耗算法计算第一能耗数据。
因此,获取多联机的机组运行数据,对该数据进行提取与解析,根据解析后的数据以及匹配的能耗算法,即可计算出各种类型的多联机对应的功率、电量、制冷量以及COP。
在一个可选的实施方式中,在利用神经网络模型对第一能耗数据进行修正之前,需要利用样本数据进行训练以得到神经网络模型。参考图2,训练过程包括:搭建神经网络,并初始化神经网络的参数;获取样本数据,其中,样本数据包括:针对至少两个多联机计算得到的理论能耗数据及对应的实际测量的真实数据;将理论能耗数据作为神经网络的输入,得到神经网络的输出;判断神经网络的输出与真实数据的误差是否处于第一预设误差范围内;若是,则确定神经网络模型训练完成,该模型可用于后续的能耗数据修正;若否,则调节神经网络的参数,并返回执行将理论能耗数据作为神经网络的输入的步骤,继续利用样本数据进行训练。其中,真实数据(也可称为实测数据)包括:电量、制冷量和COP,电量可通过电表直接测量,制冷量可通过室内焓变(通过温度与压力得到)来体现,通过电量和制冷量可计算出COP。
具体的,可建立BP神经网络表达多联机的复杂非线性***,将该***视为黑盒,采用采用随机梯度下降法(Stochastic Gradient Descent,SGD)与误差反向传播(BackPropagation,BP)等理论训练出神经网络模型用于非线性回归,拟合度比最小二乘法高,误差更小。
本实施方式搭建神经网络,将计算的理论值作为神经网络的输入,通过实际测量的真实值作为标签来进行监督学习,得到可靠的神经网络模型,利用该神经网络模型对实时计算的能耗数据进行修正,提高能耗计量的准确率。
为了进一步保证能耗计量的准确性,可对已经训练好的神经网络模型进行及时更新。具体的,在确定神经网络模型训练完成后,还包括:在针对各多联机实时计算的第一能耗数据中,选择用于更新模型的更新数据,并获取更新数据对应的真实数据;根据更新数据及对应的真实数据,更新神经网络模型。更新模型的过程与训练模型的过程类似,将更新数据作为神经网络模型的输入,判断神经网络模型的输出与对应的真实数据的误差是否处于第一预设误差范围内,若是,则无需更新,若否,则调节神经网络的参数,继续进行训练。
本实施方式仅需针对选取的更新数据获取对应的真实数据,而不是针对所有能耗数据均获取对应的真实数据,无需耗费过多人力即可实现模型的及时更新。
为了缓解服务器压力,待服务端的神经网络模型完善后,可将服务端训练好的神经网络模型同步更新到多联机本地,使多联机具备修正参数的能力。若不联网,多联机本地计算即可代替远程服务端的计算,实现能耗精确预测与计量,并且本地计量效率高,用户体验好。
具体的,在确定神经网络模型训练完成后,还包括:将训练得到的神经网络模型发送给各多联机,以使各多联机存储训练得到的神经网络模型。
考虑到服务端的神经网络模型可根据数据实时更新,因此可能会出现多联机本地和服务器的调优误差不同,若误差太大,则将服务端的神经网络模型发给多联机以及时更新本地模型,保证本地修正结果的准确可靠。具体的,参考图3,在将训练得到的神经网络模型发送给各多联机之后,还包括:按照预设周期接收多联机上传的第二能耗数据,其中,第二能耗数据是多联机本地存储的神经网络模型最近一次修正后的能耗数据;判断第二能耗数据与服务端基于相同机组运行数据和当前神经网络模型得到的修正后的能耗数据的误差是否处于第二预设误差范围内;若否,则将当前神经网络模型发送给多联机进行本地模型更新。
其中,预设周期是指预设的抽样周期,周期到达,则需要抽样数据以判断多联机本地存储的神经网络模型是否需要更新。具体可以依据多联机通信地址来实现神经网络模型的发送。较优的,第二预设误差范围小于第一预设误差范围。
本实施方式通过定时抽样对比多联机本地与服务端的修正结果,对多联机本地的神经网络模型进行及时更新,保证本地修正结果的准确可靠,实现一个闭环反馈的稳定***,稳定可靠。
本实施例的服务端可包括至少一个服务器,即构成服务器集群,各服务器可提供相同服务。在一个可选的实施方式中,若检测到服务端存在失效的会话,则确定该会话所属的服务器故障,将故障服务器上的应用或服务转移到服务端中任一目标服务器上,以使目标服务器继续执行当前任务。在实际使用中,若服务器意外中止时,会话便不能维持从而超时失效,整个集群可以快速地检测到该失效,并立即将该服务器上的应用或服务自动转移到其他服务器上,通过会话机制实现故障转移。在正式计算时,可以在线扩展集群(即增加服务器)或调整程序并行度来优化性能。同时,为了使集群具有更好的负载均衡,使用智能的主服务器选举算法,并且若某工作节点宕机,会自动尝试重启节点。本实施例利用服务器集群实现分布式计算,可扩容,提高性能和计算效率。
此外,本实施例结合大数据实现多联机能耗的精准计量,对于大数据的持久化,通过以下两点实现:
(1)消息中间件
在接收多联机上传的机组运行数据之后,还包括:按照预设规则提取机组运行数据中的有效数据;将有效数据以队列的形式实时存储到消息中间件中,其中,消息中间件中存储的数据的有效期为预设时长。
由于多联机实时上传数据给服务端,每次上传的数据可能存在重复数据,因此可按照预设规则提取其中的有效数据进行存储,以防止不必要的存储空间占用,例如,预设规则可以是间隔预设时间提取一次数据。预设时长可根据实际需求设置,例如,7天、30天等,即消息中间件中存储最近7天的有效数据。以队列形式存储有效数据,可结合发布订阅模式在后续需要时读取相应的有效数据,实现数据的重复利用。结合队列模式以及发布订阅模式,在一个可配置的时间段内的多联机数据可以被重复利用,提高了可复用性,在低延迟的前提下也能保证高吞吐量,而且不会因持久化海量的数据导致性能受到影响。
(2)非关系型数据库
上述方法还包括:至少将机组运行数据、第一能耗数据、修正后的能耗数据和神经网络模型存储到非关系型数据库中。具体可以将多联机能耗计量过程中的所有信息和数据存储到非关系型数据库中。
采用消息中间件和非关系型数据库来持久化数据,使数据的存储方与使用方耦合度更低,提高了工作效率,减少了日后维护***的时间和人力成本。
参考图4,为整体架构图,服务器可以通过多联机的通信模块(无线或有线方式)获取全国各地多联机机组的全工况实时数据,并将这些数据持久化到消息中间件中,利用大数据流式计算平台可计算得到能耗数据,然后利用神经网络模型对计算的能耗数据进行修正,实现能耗精准计量。值得注意的是,该示例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
实施例二
本实施例提供一种多联机能耗计量方法,该方法由多联机执行,可准确计量多联机能耗。与上述实施例相同或相应的术语解释,本实施例不再赘述。
图5是本发明实施例二提供的多联机能耗计量方法的流程图,如图5所示,该方法包括以下步骤:
S501,获取机组运行数据。
S502,根据机组运行数据实时计算得到能耗数据。
S503,利用本地存储的神经网络模型对计算的能耗数据进行修正,得到修正后的能耗数据。
具体的,利用本地存储的神经网络模型对计算的能耗数据进行修正,得到修正后的能耗数据,包括:将计算的能耗数据作为神经网络模型的输入,得到神经网络模型的输出,将输出作为修正后的能耗数据。
本实施例中多联机通过获取自身机组运行数据,能够在线实时计算自身能耗,并且利用本地存储的神经网络模型对计算的能耗进行修正,实现多联机能耗的精准计量,并且本地计量效率高,用户体验好。
若到达预设周期,则将最近一次修正后的能耗数据上传给服务端,以使服务端判断多联机本地存储的神经网络模型是否需要更新。
进一步的,在将最近一次修正后的能耗数据上传给服务端之后,还包括:检测是否接收到模型更新信号;若是,则利用接收的新神经网络模型替换本地存储的原有神经网络模型。实现本地模型的及时更新,保证本地修正结果的准确可靠。
具体的,根据机组运行数据实时计算得到能耗数据,包括:根据机组运行数据中的用电数据计算得到实时功率和电量;根据机组运行数据中指定位置的热物性数据计算得到制冷量;根据实时功率和制冷量计算得到能效比;其中,能耗数据包括:电量、制冷量和能效比。
实施例三
基于同一发明构思,本实施例提供了一种多联机能耗计量装置,应用于服务端,该装置可以用于实现上述实施例一所述的多联机能耗计量方法,该装置可以通过软件和/或硬件实现。
图6是本发明实施例三提供的多联机能耗计量装置的结构框图,如图6所示,该装置包括:
接收模块61,用于接收多联机上传的机组运行数据;
第一计算模块62,用于根据所述机组运行数据实时计算得到第一能耗数据;
第一修正模块63,用于利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。
可选的,所述第一计算模块62具体用于:根据所述机组运行数据中的用电数据计算得到实时功率和电量;根据所述机组运行数据中指定位置的热物性数据计算得到制冷量;根据所述实时功率和所述制冷量计算得到能效比;其中,所述第一能耗数据包括:所述电量、所述制冷量和所述能效比。
可选的,上述装置还包括:
信息获取模块,用于在根据所述机组运行数据实时计算得到第一能耗数据之前,获取所述多联机的机型信息;
确定模块,用于根据预存配置信息确定所述机型信息对应的能耗算法,以按照所述能耗算法计算所述第一能耗数据。
可选的,所述第一修正模块63具体用于:将所述第一能耗数据作为所述神经网络模型的输入,得到所述神经网络模型的输出,将所述输出作为所述修正后的能耗数据。
可选的,上述装置还包括:
搭建模块,用于在利用神经网络模型对所述第一能耗数据进行修正之前,搭建神经网络,并初始化所述神经网络的参数;
数据获取模块,用于获取样本数据,其中,所述样本数据包括:针对至少两个多联机计算得到的理论能耗数据及对应的实际测量的真实数据;
输入模块,用于将所述理论能耗数据作为所述神经网络的输入,得到所述神经网络的输出;
第一判断模块,用于判断所述神经网络的输出与所述真实数据的误差是否处于第一预设误差范围内;
处理模块,用于若是,则确定神经网络模型训练完成;若否,则调节所述神经网络的参数,并返回执行将所述理论能耗数据作为所述神经网络的输入的步骤。
可选的,上述装置还包括:第一更新模块,用于在确定神经网络模型训练完成后,在针对各所述多联机实时计算的第一能耗数据中,选择用于更新模型的更新数据,并获取所述更新数据对应的真实数据;以及根据所述更新数据及对应的真实数据,更新所述神经网络模型。
可选的,上述装置还包括:发送模块,用于在确定神经网络模型训练完成后,将训练得到的神经网络模型发送给各所述多联机,以使各所述多联机存储所述训练得到的神经网络模型。
可选的,所述接收模块61,还用于在将训练得到的神经网络模型发送给各所述多联机之后,按照预设周期接收所述多联机上传的第二能耗数据,其中,所述第二能耗数据是所述多联机本地存储的神经网络模型最近一次修正后的能耗数据;
所述装置还包括:第二判断模块,用于判断所述第二能耗数据与所述服务端基于相同机组运行数据和当前所述神经网络模型得到的修正后的能耗数据的误差是否处于第二预设误差范围内;
所述发送模块,还用于若否,则将当前所述神经网络模型发送给所述多联机进行本地模型更新。
可选的,上述装置还包括:故障处理模块,用于若检测到所述服务端存在失效的会话,则确定所述会话所属的服务器故障,将故障服务器上的应用或服务转移到所述服务端中任一目标服务器上,以使所述目标服务器继续执行当前任务。
可选的,上述装置还包括:第一存储模块,用于在接收多联机上传的机组运行数据之后,按照预设规则提取所述机组运行数据中的有效数据;以及将所述有效数据以队列的形式实时存储到消息中间件中,其中,所述消息中间件中存储的数据的有效期为预设时长。
可选的,上述装置还包括:第二存储模块,用于至少将所述机组运行数据、所述第一能耗数据、所述修正后的能耗数据和所述神经网络模型存储到非关系型数据库中。
上述装置可执行本发明实施例一所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例一提供的方法。
实施例四
基于同一发明构思,本实施例提供了一种多联机能耗计量装置,应用于多联机,该装置可以用于实现上述实施例二所述的多联机能耗计量方法,该装置可以通过软件和/或硬件实现。
图7是本发明实施例四提供的多联机能耗计量装置的结构框图,如图7所示,该装置包括:
获取模块71,用于获取机组运行数据;
第二计算模块72,用于根据所述机组运行数据实时计算得到能耗数据;
第二修正模块73,用于利用本地存储的神经网络模型对计算的能耗数据进行修正,得到修正后的能耗数据。
可选的,上述装置还包括:上传模块,用于若到达预设周期,则将最近一次修正后的能耗数据上传给服务端,以使所述服务端判断所述多联机本地存储的神经网络模型是否需要更新。
可选的,上述装置还包括:第二更新模块,用于在将最近一次修正后的能耗数据上传给服务端之后,检测是否接收到模型更新信号;若是,则利用接收的新神经网络模型替换本地存储的原有神经网络模型。
可选的,第二计算模块72具体用于:根据所述机组运行数据中的用电数据计算得到实时功率和电量;根据所述机组运行数据中指定位置的热物性数据计算得到制冷量;根据所述实时功率和所述制冷量计算得到能效比;其中,所述能耗数据包括:所述电量、所述制冷量和所述能效比。
可选的,第二修正模块73具体用于:将计算的能耗数据作为所述神经网络模型的输入,得到所述神经网络模型的输出,将所述输出作为所述修正后的能耗数据。
上述装置可执行本发明实施例二所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例二提供的方法。
实施例五
本实施例提供一种多联机能耗计量***,包括:服务端和至少两个多联机。服务端,用于接收多联机上传的机组运行数据;根据机组运行数据实时计算得到第一能耗数据;利用神经网络模型对第一能耗数据进行修正,得到修正后的能耗数据。具体的,服务端包括本发明实施例三所述的多联机能耗计量装置;多联机包括本发明实施例四所述的多联机能耗计量装置。
服务端可包括至少一个服务器,即构成服务器集群,各服务器可提供相同服务。
本实施例能够在线实时计算多联机能耗,并且利用基于大数据训练得到的神经网络模型对计算的多联机能耗进行修正,实现多联机能耗的精准计量,实现大量多联机组能耗的综合计量和统计,无需耗费大量人力使用电表进行实测,便捷、准确且高效。
实施例六
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例一所述的服务端的多联机能耗计量方法,或者,实现如本发明实施例二所述的多联机侧的多联机能耗计量方法。
实施例七
本实施例提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时实现如本发明实施例一所述的服务端的多联机能耗计量方法,或者,实现如本发明实施例二所述的多联机侧的多联机能耗计量方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多联机能耗计量方法,其特征在于,所述方法由服务端执行,所述方法包括:
接收多联机上传的机组运行数据;
根据所述机组运行数据实时计算得到第一能耗数据;
利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。
2.根据权利要求1所述的方法,其特征在于,根据所述机组运行数据实时计算得到第一能耗数据,包括:
根据所述机组运行数据中的用电数据计算得到实时功率和电量;
根据所述机组运行数据中指定位置的热物性数据计算得到制冷量;
根据所述实时功率和所述制冷量计算得到能效比;
其中,所述第一能耗数据包括:所述电量、所述制冷量和所述能效比。
3.根据权利要求1所述的方法,其特征在于,在根据所述机组运行数据实时计算得到第一能耗数据之前,还包括:
获取所述多联机的机型信息;
根据预存配置信息确定所述机型信息对应的能耗算法,以按照所述能耗算法计算所述第一能耗数据。
4.根据权利要求1所述的方法,其特征在于,利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据,包括:
将所述第一能耗数据作为所述神经网络模型的输入,得到所述神经网络模型的输出,将所述输出作为所述修正后的能耗数据。
5.根据权利要求1所述的方法,其特征在于,在利用神经网络模型对所述第一能耗数据进行修正之前,还包括:
搭建神经网络,并初始化所述神经网络的参数;
获取样本数据,其中,所述样本数据包括:针对至少两个多联机计算得到的理论能耗数据及对应的实际测量的真实数据;
将所述理论能耗数据作为所述神经网络的输入,得到所述神经网络的输出;
判断所述神经网络的输出与所述真实数据的误差是否处于第一预设误差范围内;
若是,则确定神经网络模型训练完成;
若否,则调节所述神经网络的参数,并返回执行将所述理论能耗数据作为所述神经网络的输入的步骤。
6.根据权利要求5所述的方法,其特征在于,在确定神经网络模型训练完成后,还包括:
在针对各所述多联机实时计算的第一能耗数据中,选择用于更新模型的更新数据,并获取所述更新数据对应的真实数据;
根据所述更新数据及对应的真实数据,更新所述神经网络模型。
7.根据权利要求5所述的方法,其特征在于,在确定神经网络模型训练完成后,还包括:
将训练得到的神经网络模型发送给各所述多联机,以使各所述多联机存储所述训练得到的神经网络模型。
8.根据权利要求7所述的方法,其特征在于,在将训练得到的神经网络模型发送给各所述多联机之后,还包括:
按照预设周期接收所述多联机上传的第二能耗数据,其中,所述第二能耗数据是所述多联机本地存储的神经网络模型最近一次修正后的能耗数据;
判断所述第二能耗数据与所述服务端基于相同机组运行数据和当前所述神经网络模型得到的修正后的能耗数据的误差是否处于第二预设误差范围内;
若否,则将当前所述神经网络模型发送给所述多联机进行本地模型更新。
9.一种多联机能耗计量***,其特征在于,包括:服务端和至少两个多联机;
所述服务端,用于接收所述多联机上传的机组运行数据;根据所述机组运行数据实时计算得到第一能耗数据;利用神经网络模型对所述第一能耗数据进行修正,得到修正后的能耗数据。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213975.8A CN111473471A (zh) | 2020-03-24 | 2020-03-24 | 一种多联机能耗计量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213975.8A CN111473471A (zh) | 2020-03-24 | 2020-03-24 | 一种多联机能耗计量方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111473471A true CN111473471A (zh) | 2020-07-31 |
Family
ID=71747704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213975.8A Pending CN111473471A (zh) | 2020-03-24 | 2020-03-24 | 一种多联机能耗计量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111473471A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111964217A (zh) * | 2020-08-26 | 2020-11-20 | 特灵空调***(中国)有限公司 | 空调控制方法、***和存储介质 |
CN112364563A (zh) * | 2020-11-11 | 2021-02-12 | 清华大学 | 一种多联机空调分户计量与计费方法及装置 |
WO2023090144A1 (ja) * | 2021-11-18 | 2023-05-25 | アズビル株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与*** |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN110749028A (zh) * | 2019-10-29 | 2020-02-04 | 珠海格力电器股份有限公司 | 空调运行功率的确定方法、***和装置 |
-
2020
- 2020-03-24 CN CN202010213975.8A patent/CN111473471A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与*** |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN110749028A (zh) * | 2019-10-29 | 2020-02-04 | 珠海格力电器股份有限公司 | 空调运行功率的确定方法、***和装置 |
Non-Patent Citations (1)
Title |
---|
邓钊鹏: "一种基于BP神经网络的建筑能耗分析模型的研究与实现", 一种基于BP神经网络的建筑能耗分析模型的研究与实现, pages 7 - 35 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111964217A (zh) * | 2020-08-26 | 2020-11-20 | 特灵空调***(中国)有限公司 | 空调控制方法、***和存储介质 |
CN112364563A (zh) * | 2020-11-11 | 2021-02-12 | 清华大学 | 一种多联机空调分户计量与计费方法及装置 |
WO2023090144A1 (ja) * | 2021-11-18 | 2023-05-25 | アズビル株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111473471A (zh) | 一种多联机能耗计量方法及*** | |
CN109937331B (zh) | 空调机以及空调*** | |
CN106326990A (zh) | 一种智能冰箱远程故障诊断及服务***及其方法 | |
CN107062559B (zh) | 一种空调器缺氟检测方法、装置及空调*** | |
US20170356665A1 (en) | Method and apparatus for providing equipment maintenance via a network | |
US20200379423A1 (en) | Systems and methods for detecting changes in energy usage in a building | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN111999692B (zh) | 一种多表误差的校准方法和装置 | |
Wang et al. | A load modeling algorithm for distribution system state estimation | |
CN112462135B (zh) | 基于分户计费***的电量确定方法及空调机组 | |
CN110880055A (zh) | 楼宇智能电表*** | |
CN113009406A (zh) | 一种电量计量修正方法、装置及空调*** | |
CN107121943B (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
CN116154765A (zh) | 电力拓扑关系的识别方法、装置、计算机设备及存储介质 | |
CN114135984A (zh) | 空调的仿真控制*** | |
CN115493248A (zh) | 一种中央空调***全生命周期的智能诊断方法和*** | |
CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
WO2016136391A1 (ja) | 事故点標定装置及び方法、電力系統監視システム、設備計画支援システム | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、***、计算机设备及存储介质 | |
KR102432287B1 (ko) | 실시간 원격 검침 방법 및 장치 | |
CN113566374A (zh) | 建筑负荷确定方法及*** | |
CN114089260A (zh) | 一种电量计量修正方法、装置及微网*** | |
CN114897196B (zh) | 一种办公建筑供水网络的运行管理方法、设备及介质 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN118034990B (zh) | 一种基于机器学习的集中器校验方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |