CN113344192A - 企业级电机***节能优化自动控制方法及*** - Google Patents
企业级电机***节能优化自动控制方法及*** Download PDFInfo
- Publication number
- CN113344192A CN113344192A CN202110602910.7A CN202110602910A CN113344192A CN 113344192 A CN113344192 A CN 113344192A CN 202110602910 A CN202110602910 A CN 202110602910A CN 113344192 A CN113344192 A CN 113344192A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- motor system
- enterprise
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种企业级电机***节能优化自动控制方法及***。该***包括:使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测。本发明提供的企业级电机***节能优化自动控制方法及***能够节省判断逻辑判断时间,提高计算效率,得到每个离散电机***的能效和能耗情况预测。
Description
技术领域
本发明涉及能耗管理技术领域,特别是涉及一种企业级电机***节能优化自动控制方法及***。
背景技术
1.电机***节能背景
电机***指由驱动电动机、电控或调速装置、传动机构、控制(调速)、被拖动装置和***功能组件所组成的总体。***通过电动机将电能装换为机械能,再通过被拖动装置做功实现各种功能。
目前我国电机***的用电量约占我国总用电量的60%,其中风机、泵类、压缩机和空调制冷机的用电量分别占全国用电量的10.4%,20.9%,9.4%,6%。由此可见,企业级的电机***优化及能源匹配非常重要,是提升工业领域能源使用效率的重要手段。现工业领域电机***用电量约占全国工业总用电总量 75%,然而我国电机***效率比发达国家低10-30%,相当于国际20世纪70-80 年代水平[中国电机***能源效率与市场潜力分析,中国电机***节能项目组,机械工业出版社]。
电机***节能已成为工业节能关键。未来电机的发展趋势必须是高效节能,提高效率节省资源,减少环境污染。国家非常重视电机***节能,早在 2008年就将电机***节能列入国家十大节能工程之一,2009年又把高效、超高效电机应用列入惠民工程。
巴黎协定签订后,我国越来越重视节能减排工作。积极参与国际社会碳减排,主动顺应全球绿色低碳发展潮流,,国家也从源头上做出部署,要求加快调整优化产业结构、能源结构,以及大力发展新能源,继续打好污染防治攻坚战等。要加快调整优化产业结构、能源结构,推动煤炭消费尽早达峰,大力发展新能源,加快建设全国用能权、碳排放权交易市场,完善能源消费双控制度。要继续打好污染防治攻坚战,实现减污降碳协同效应。开展大规模国土绿化行动,提升生态***碳汇能力。
根据调研,在国家层面上,我国现在规模以上企业单位工业能耗增加从 2015年的2019年下降了超过15%,相当于节能4.8亿吨标准煤,节约能源成本大约4000亿元,在企业层面上,根据国家建设能源监控平台的要求,很多都已经建立了能源消耗的数据统计机制,但是对数据的利用,对未来能源的预测及使用的监控、调配都没有深入挖掘。主要问题如下:
(1)企业无法从现有数据中挖掘节能潜力,也没有国家的强制性要求和国家的补贴,企业积极性不足,没有动力推进。
(2)电机***的影响因素太多,无法通过简单的管理手段直接反馈作用获得节能效果,没有手段和方法开展。
(3)现有节能调控手段过于复杂,无法实现统一管理,无法针对设备层面监管。
正因为上述原因,企业级设备的能耗情况不容乐观。我国电机市场主流系列为:JO2系列、Y系列、Y2系列、YX系列,效率远不及永磁电机及磁阻电机等高效电机、超高效电机等产品的能效,而这类高效电机的使用率不超过15%,从调研情况得知,企业及用户均了解这类技术,但是他们也指出目前已有的***或拟定新建的***是否需要这类高效电机,使用高效电机是否能够获得满意的节能量等问题。由此可见,尽管目前节能改造或者新建高效电机***的市场潜力非常巨大,推动高效电机***及节能改造非常重要。
通过节能量的预测不仅能够对企业减少资源消耗,合理安排能源,更好的排产,较少废弃物,介绍碳排量,还能节约能源,真正的让企业走一条低消耗、高效益、低排放、高产出的新型工业化道路。
2.研究背景研究方法现状
企业级能源消耗与产量直接相关,单位产品使用能源一定的情况下,产量高则消耗能源会增加;此外对设备和能源分配有要求,否则无法保证单位产品能源消耗保持一致;再次,生产设备效率最优化设置。所以,企业级节能优化包括三个层次,首先是满足企业的生产需求,能源要满足当月产量的要求;其次,设备的使用要能够满足生产需要;再次,设备要达到高效运行的需要。另外,要考虑到企业生产的产品类型更换,节假日的产量等情况下的能源消耗点。同时,企业级生产必然是连续的时序过程,方法要考虑到能够覆盖整个时间序列,且能够对特殊的生产情况有容错性。根据上述需求发现,在企业级电机***节能优化自动控制方面,至少要有如下技术亟待突破。
(1)考虑时序及容错性的节能量预测及分析方法;
(2)企业级分布式综合能源消耗及分析方法;
(3)实时监测及控制条件下的数据反馈平台;
(4)根据多组离散反馈信号的实时控制。
3.节能量预测研究现状
3.1.能耗分析及预测方法
关于企业级这类较大规模的节能量预测协***况,在不同领域和不同的情况下有使用,本文以建筑、矿井安全为例分析节能量算法。选取建筑能耗分析的原因是建筑能耗用能周期明显,外界影响、人为影响明显,希望通过对建筑能耗分析的方法总结,找到周期性的长时间段的数据筛选和清洗方法,用于节能量预测;选取矿井安全分析的原因是,不受外界以影响,自身的变化主导主要的用能,且无人为因素,但是或然性高,希望通过对矿井安全的分析总结,能找到突发性数据预测的方法。
3.1.1.建筑能效能耗分析方法
建筑能效是在保证实现建筑功能的条件下,依托现有标准规范指导建筑合理使用能源,减少在实际使用过程中对电能等一次能源的消耗,而能效管理,就是要强调通过技术管理等手段减少能源浪费,提高能源利用效率[龙惟定. 对建筑节能2.0的思考[J].暖通空调,2016,46(08):1-12]。现在常用能耗定额法,以建筑所在地区的能耗水平和建筑自身的节能潜力为基础来制定合理的能耗定额,帮助建筑评价其用能情况并指导节能工作的开展。建筑能耗定额是通过一定科学方法确定的建筑在定额期内正常完成建筑使用功能所消耗能源的数量指标,其目的是确定样本建筑的能耗量,并以此为基准评价目标建筑的能耗状况以及判断是否节能。英国从1989年开始对医院建筑能耗进行评价,向用户提供免费信息,帮助其减少能源消,并颁布了Energy Performance in the Government’s CivilEstate对建筑能耗进行评价,该标准将办公建筑分为4类,以统计数据为基础制定了2个建筑基准,通过计算影响建筑能耗因子占比确定建筑节能率[Tian W,Choudhary R.Aprobabilistic energy model for non-domestic building sectors applied toanalysis of school buildings in greater London[J].Energy& Buildings,2012,54(NOV.):1-11],[杨秀.英国公共建筑能耗情况初探[J]. 建设科技,2009(08):54-55]。德国在1994年发布了VDI3807指标体系,能够对建筑能耗进行基准值计算和评估。通过对建筑能耗分类来制定能耗的标准值和指导值,分别计算单项能耗的额定值,再确定整体能耗定额值,保证能耗基准的公平合理[曹勇,魏峥,刘辉,等.德国VDI3807标准对我国能耗定额的启示[J].建设科技,2011(22):78-81]。美国推出“Energy Star”能源之星能耗基准评价工具[徐伟,邹瑜.公共建筑节能改造技术指南[M].北京:中国建筑工业出版社,2010:219-223],[Gale Boyd,Elizabeth Dutrow,Walt Tunnessen.The evolution of the ENERGY STARenergy performance indicator for benchmarking industrial plant manufacturingenergy use[J].Journal of Cleaner roduction,2008,16(6):709-715]对建筑用能情况进行评价。该测评方法将环境气象参数、工作时长等影响因子作为自变量,能耗强度作为因变量,拟合回归方程,达到预测建筑能耗,并预测值来评判建筑实际用能情况。日本也通过建立空调***的能量消费系数(CEC)来评价其节能定额[张学景,刘民科.不同冷源方式下空调***CEC的研究[J]. 制冷与空调,2011,11(06):10-12],通过比较空调***全年实际总运行能耗和计算负荷的累计值来判断建筑的能源利用效率。
北京地区较早就对公共建筑能耗定额制定方法进行了研究,分别采用美国和德国的能耗定额方法[曹勇,刘益民,于丹,等.德国与美国能耗基准确定方法在北京地区办公建筑空调***能耗定额确定方面的应用及对比[J].建筑科学,2012,28(04):17-24+90],对北京地区办公建筑空调***的用能情况进行定额评价。通过调研统计北京市公共建筑电能使用情况,确定能耗定额计算原则,并对能耗定额合理性或局限性做分析[李超,薛军,刘斐,等.北京市公共建筑电耗限额值的确定方法研究[J].建筑节能,2018,46(08):129-133]。清华大学通过统计样本建筑能耗数据发现能耗分布近似为正态分布,计算样本建筑的平均值和标准差作为能耗定额,并用使用年限对定额进行修正。还有一些地区也采用适当的方法确定了当地的定额值,但由于建筑类型和使用功能的不同,只能使用不同的能耗指标评价建筑实际能耗会得到不同的能耗定额。研究发现,目前对大型公建的分类方式并不能满足能耗定额的编制要求,还需对大型公共建筑进行更为细致的分类[黄志峰.公共建筑合理分类对能耗定额编制的影响[J].建设科技,2012(14):50-51]。
建筑能耗受到本身建筑结构、使用功能、人为活动和空间利用情况,以及建筑所在地区气候环境、经济发展等复杂因素的影响,使高精度的能耗预测变得更加困难。随着现代科技的不断发展和智能电网研究的不断深入,建筑用电能耗预测工作已经取得了一定的进展,总结现有的建筑能耗预测方法,可以将其分为基于统计学方法的传统负荷预测方法和基于人工智能的现代负荷预测方法。传统的电网负荷预测模型的建立大多基于线性方法,而在现实生活中,建筑能耗会受到所在地区温度、湿度等各种因素的影响,同时统计学方法还有准确度低和灵活性差等不足,从而导致传统线性负荷预测方法建模复杂,且无法满足精度要求,使得实际应用受到很大的限制。现代负荷预测方法主要有灰色数学理论[邹品晶,姚建刚,孔维辉,等.基于多变量时间序列反演自记忆模型的中长期电力负荷预测[J].电力***及其自动化学报,2017,29(10): 98-105]、支持向量机法(SVM)[李霄,王昕,郑益慧,等.基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测[J].电力***保护与控制,2015,43(11):63-69][Song Qiang,Yang Pu.Short-term power loadforecasting based on support vector machine and particle swarm optimization[J].Journal of Algorithms&Computational Technology,2018,13:1-8]、遗传算法(Genetic Algorithm)及神经网络理论 (neural networks)等[孔祥玉,郑锋,鄂志君,等.基于深度信念网络的短期负荷预测方法[J].电力***自动化,2018,42(05):133-139]。在现代负荷预测方法中,人工神经网络的发展最为迅速,文献将人工神经网络与集成方法用于建筑冷负荷动态预测模型[Lan Wang,Eric W.M.Lee,Richard K.K. Yuen.Noveldynamic forecasting model for building cooling loads combining an artificialneural network and an ensemble approach[J]. Applied Energy,2018,228:1740-1753],不仅可以用于评价动态预测模型,而且可以保证所提出的预测模型能够立即用于供暖、通风和空调***。目前,反向传播(back propagation,BP)神经网络预测模型的应用最为广泛,然而常规的BP神经网络收敛速度较慢且容易陷入局部最优;网络层数和神经元个数的选择大多依靠研究者的经验,缺少切实可行的理论方法;且预测因素单一,无法全面考虑影响负荷变化的各类因素,因此在实际应用中精确度不高,需要与其他算法组合使用以达到预计的预测效果。然而BP神经网络结构不易确定、容易陷入局部最优的不足依然会对预测结果造成不利影响,而径向基函数 (Radial Basis Function,RBF)神经网络具有结构简单、全局逼近能力强、学习速度快等优点,可以取得更好的预测效果。但是无法考虑实时变负荷和突发性事件的影响。
3.1.2.矿井安全分析方法
矿井安全主要涉及瓦斯涌出和泄露,因为无法确定突发点,所以对算法要求较高,由于对离散数据的分析在企业级能耗预测和分析非常重要,所以选取这类突发情况分析的类型进行分析。另外,考虑到瓦斯突出是一个复杂的,持续变化的过程。举例来说,煤层的瓦斯压力,瓦斯含量,煤层埋深,地应力,瓦斯放散的初速度等因素都是研究瓦斯突出过程中的重要影响因素[刘彦伟, 陈攀,魏建平.煤层地质构造对煤与瓦斯突出的控制作用[J].煤炭科学技术,2010,38(1):24-27.][段东.煤与瓦斯突出影响因素及微震前兆分析[D].沈阳:东北大学,2009.],只有了解清楚这些因素对瓦斯突出造成的影响,才能更好地对瓦斯时间序列的数据进行预测。近年来,瓦斯浓度的时间序列预测研究有了较大进展,诸多专家学者采用了灰色关联理论与传统神经网络相结合的方法,取得了一定的突破[胡广青,姜波,吴胡.基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型[J].中国煤炭地质,2011,23(09):22-26.][温廷新,于凤娥,邵良杉.基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型[J/OL]. 计算机应用研究,2018(11):1-6.]。其中一个较大的原因在于传统神经网络只要拥有足够多的样本,便可以无限逼近一个任意的复杂非线性函数。对矿井安全性分析,主要有两个方向,一个是改进神经网络模型,提高训练的精度和效率,另一个就是在实践序列条件下,进行模型对照分析时序影响并分析安全性。 Kourentzes[Barrow D K,Crone S,Kourentzes N.An evaluation of neural network ensembles and modelselection for time series prediction[C]. Dallas:International JointConference on Neural Networks.IEEE,2013: 1-8.]在2013年提出了一种时间序列预测的集成神经网络,并进行了模型选择评价。提出了一种混合多目标进化算法,用于训练和优化时间序列预测的递归神经网络结构。然后提出了从Pareto解集选择单个预测模型的方法。 Jin[Smith C,Jin Y.Evolutionary multi-objective generation of recurrentneural network ensembles for time series prediction[J]. Neurocomputing,2014,143(16):302-311.]在2014年提出了一种时间序列预测的多目标循环神经网络集成进化算法。用于对雅虎公司财务数据进行分类,并利用反向传播和递推最小二乘算法的混合技术学习LLRBFNN模型。Das 等[Al-Askar H,Hussain A J,Al-Jumeily D,et al.RegularizedDynamic Self Organized Neural Network Inspired by the Immune Algorithm forFinancial Time Series Prediction[J].Neurocomputing,2016,188:23-30.] 在2015年提出了一种金融时间序列预测的自适应局部线性优化径向基函数神经网络模型。
目前国内在对瓦斯时间序列的预测上主要分为三类:1)使用支持向量机及其演进形式进行时间序列预测,但多以短期为主。2)使用遗传算法与深度神经网络相结合的方式,避免深度神经网络在时间序列预测中陷入局部最小值的问题。3)利用瓦斯时间序列的混沌性,依据相空间重构等理论,挖掘影响瓦斯时间序列各因素之间内在的联系,以深度神经网络等方法作为工具进行预测。于光华[赵金宪,于光华.瓦斯浓度预测的混沌时序RBF神经网络模型[J]. 黑龙江科技学院学报,2010,20(02):131-134.]在2010年提出了一种基于混沌时间序列的RBF神经网络模型。在验证了瓦斯时间序列的混沌性之后,利用相空间重构得到神经网络的输入标签,并建立预测模型。朱宇[朱宇.构造性神经网络在瓦斯时间序列预测中的应用[D].太原:太原理工大学,2010]指出传统的时间序列在预测过程中,由于时间序列数据本身数据多,且具有非线性与模糊的性质,因此导致效率低下,精度较低。乔美英等[乔美英,马小平,兰建义, 王莹.基于加权LS-SVM时间序列短期瓦斯预测研究[J].采矿与安全工程学报,2011,28(02):310-314]在2011年提出了一种LS-SVM模型下的瓦斯的短期时间序列预测,针对传统神经网络自身模型较为笨重且容易陷入局部极小值这一问题,提出可使用LS-SVM进行瓦斯时间序列预测。王鹤等[王鹤,邵良杉, 邱云飞.基于蚁群神经网络的煤矿瓦斯含量预测模型[J].微计算机信息,2011,27(05):197-198+226.]在2011年提出了基于蚁群算法的神经网络模型。有效地避免神经网络在梯度下降过程中陷入局部极小值的问题。刘奕君等 [刘奕君,赵强,郝文利.基于遗传算法优化BP神经网络的瓦斯浓度预测研究 [J].矿业安全与环保,2015,42(02):56-60]在2015年提出了遗传算法与BP 神经网络结合的瓦斯浓度预测,建立了GA-BP算法,实验表明该算法有较高的精度与稳定性。
目前,无论是面向流程工业,还是离散制造业,关于能量有效制造的研究主要集中于能耗***建模、能效分析与评价、能量***的优化调度三方面,并且取得了一定的研究成果。从研究方法来看,前期研究均基于机理模型,缺乏对制造全生命过程全局和***建模与分析,研究成果也受到了模型局限性的约束。伴随离散制造过程复杂程度的增加,难于建立机理模型的情况已经得到了研究者的普遍共识。然而,值得注意的是,工业信息化、数据采集和存储技术的发展,为企业积累了巨量与制造过程、能量***、设备状态、产品信息、决策管理等相关的海量数据[郑力,江平宇,乔立红等.制造***研究的挑战和前沿[J].机械工程学报,2010,46(21):124-136.][Bunse K,Vodicka M. Managing energy efficiency inmanufacturing processes-implementing energy performance in productioninformation technology systems[J]. IFIP Advances in Information andCommunication Technology,2010,328: 260-268.]。为制造***能耗与能效的研究提供了方便。
3.2.1.小结
通过上述分析,考虑到企业级能耗分析的特殊性,利用离散***的分析,针对不同的***不同运行情况进行综合分析。
3.3.自动控制研究现状
就目前我国在自动控制领域的实际情况来看,虽然自动控制技术得到了长足的发展以及比较广泛地实际应用,但是这与国外发达国家的自动控制技术水平及应用程度还有很大的差距。我国想要提高自动控制技术的水平,就必须加大投资与科研的力度,对新型的生产线要科学合理地对其进行自动化的设计及未来发展的预设,要特别注重自动化信息流的作用,从而提升我国自动控制水平及应用,进而提高我国企业的国际竞争力。
从目前我国自动控制技术在应用领域中的作用来看,主要是为提高设备的运行效率。根据我国发展的具体情况,研制开发自动控制技术,从而避免研制自动控制技术的盲目性。但是,还是存在自动控制技术在研发过程中缺乏宏观层面上的明确指导,在投入实际生产中所获得的经济效益比较低的现象,在我国自主研发的自动化设备上还存在精确度比较差、可靠性比较低以及实用性比较差的现象。随着手工制造业在国家经济建设中逐渐丧失了优势地位,自动化生产在社会生产中日益显示出其生产操作简单、产品质量高及生产效率高等特点,成为企业生产中的主要模式。在我国自动控制技术的发展也是非常不平衡的,大部分生产领域的自动化程度还非常低,例如,玩具、服装等。
我国想要提高自动控制水平并不是很容易,这即需要对新的自动控制技术的研发,也要对原有企业的生产设备进行自动化改造,这样不但能够提高生产效率而且还能起到降低成本的作用。可以通过数控技术等自动控制技术改造原有机械设备,提高传统机械设备的自动化程度,从而提高设备的使用率和生产率。在机床上通过控制技术的改造,充分发挥计算计技术的优势,实现设备及生产线的自动化的改造,从而提高生产效率。未来的发展方向必然是智能化、网络化、微型化及各个层次的综合。
3.3.1.智能化自动控制技术的发展
自动控制技术水平的发展是现代化生产不断推进的动力和基础力量,在自动化生产的开始阶段,控制***比较简单,控制规律也很简单,因此,采用常规的控制方法就可以完成作业。智能化是自动化控制技术发展的更高水平,智能化主要表现在控制的功能多样化和用途多样化,智能化是未来制造业发展的方向。随着科学技术的不断进步,现代化生产的发展方向逐步向人工智能与自动控制技术相结合应用的趋势。人工智能理论向自动控制技术领域的渗透,不但理论上而且在实践上都是新的发展途径,为智能化的自动控制技术,提供了新的思想和方法。
人工智能与自动控制技术相结合,能够根据生产过程中的变化情况,对***采取更为有效的控制。在目前许多生产领域都采用了智能化控制技术应用于生产***中,智能化控制技术的水平和应用程度关系到企业现代化生产自动化水平及程度的高低。
3.3.2.网络化、微型化自动控制技术的发展
从自动控制技术的发展历程来看,在比较长的时期内,自动控制技术都是在工业生产领域内进行的。自动控制技术为工业生产所需的各种机械设备,提供了可靠性及性能都非常高的控制设备。在科学技术快速发展的当下,各领域之间都不是独立发展进行的,而是相互借鉴促进甚至结合发展成为新的发展领域。自动控制技术的发展当然也离不开对其他领域的借鉴与冲击,其中来自工业PC的影响最为严重。网络化及微型化是将来自动控制技术发展的必然趋势,在自动控制技术***发展的初期,其形态非常的大而且价格又非常的高。自动控制技术未来发展的方向必然也离不开网络化,网络技术在现代化生产中具有重要的作用。尤其是对生产过程中信息数据的传递以及分析起到了关键作用,对自动控制***发现安全问题采取合理的处理措施,预防故障的发生等都起到行之有效的作用。随科学技术的不断进步,发展到现在它与以前相比已经改变了很多,正在向微型化发展而且在价格上也在逐步的下降。随着自动控制***的控制软件的进一步的完善和发展,未来能够安装控制***软件的市场份额将会逐步呈上涨趋势。
3.3.3.综合化自动控制技术的发展
在现代化自动控制技术领域中已经建立模糊控制、智能控制及专家***等控制技术的发展方向,这些方向自动控制技术的主要特点就是综合性。这些特殊方向性的控制***都是以自动控制技术理论为基础,从而对整个设备或流程进行综合控制。其中涉及的理论知识比较多,不在是单一的自动控制技术知识,还包括电子技术、计算机技术、机械技术等等。自动控制技术要想得到快速的发展,从而适应并促进社会的进步,就必须把自动控制技术与相关技术相结合进而发展成为一个新的方向,这样才能够给自动控制技术领域注入新鲜养分与活力,才能提高自动控制技术的可靠性、精确性与高效性。不断发展各项自动控制技术,例如,各种控制***、专用计算机等自动控制技术的基础技术,不断引进多个领域的新知识、新理论及新技术。
3.3.4.小结
通过上述分析,目前企业级能源管理问题亟待解决的不简单是能耗预测和能源的管理,更进一步的希望通过现有数据和分析结果,对当前***进行控制从而实现节能减排效果。同时,随着工业互联网的发展,利用互联网进行智能化、网络化管理和调整实现节能减排成为第一要务。
4.问题及不足
综上所述,虽然有较为先进的人工智能算法用于计算,但是针对企业级、离散的电机***的能效预测和计算方法还不完善,应用还比较少;现有人工智能方法和统计学方法都过于简单,因为考虑参数过多可能造成算法不收敛等问题,统计学方法还存在不精确等方面问题;现有方法中对同一企业中的不同用能单元还不能简单通过数据统计和其他方法整合分析;平台搭建虽然多,但多数是采集数据并不提供回馈控制,或者不提供对某类***进行控制,对预测结果的反馈没有再给生产和能源分配提供建议;控制***还比较复杂,尚未完全的实现智能化。以上是本文中可能涉及到的企业级能效分析的其中一部分问题和不足。
发明内容
本发明要解决的技术问题是提供一种企业级电机***节能优化自动控制方法及***,能够节省判断逻辑判断时间,提高计算效率,得到每个离散电机***的能效和能耗情况预测。
为解决上述技术问题,本发明提供了一种企业级电机***节能优化自动控制方法,所述方法包括:使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测。
在一些实施方式中,改进结构的LSTM模型的隐藏层单元中,通过如下方式对计算节点状态进行优化:
ct=tanh(Wc(ht-1,xt)+bc)
ct=ct-1ft+itct
其中,ct为计算节点状态,Wc为权重系数矩阵,bc为偏置向量,ft为激活函数,t表示时刻。
在一些实施方式中,改进结构的LSTM模型的输入数据包括:历史能耗数据、产品要素、单个电动机***影响因素、电动机单机影响因素、时间因素。
在一些实施方式中,还包括:在使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测之前,利用粒子群算法对训练数据进行寻优,并利用优化后的训练数据训练改进结构的LSTM。
在一些实施方式中,还包括:在使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测之后,对单个离散电机***的能耗数据进行加权平均,得到企业级电机***总能耗的预测值。
在一些实施方式中,还包括:运用BP神经网络,计算第i台电机***,及对应的某个设备对总能耗的影响程度。
此外,本发明还提供了一种企业级电机***节能优化自动控制***,所述***包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的企业级电机***节能优化自动控制方法。
采用这样的设计后,本发明至少具有以下优点:
利用LSTM模型考虑时序,同时为了提高算法效率,修改隐藏层,将每个单元设置记忆单元将本次计算结果和上阶段输入、上一层输入做更新,节省判断逻辑判断时间,提高计算效率,得到每个离散电机***的能效和能耗情况预测。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是企业级能耗层级及影响因素;
图2是企业级能源关系图;
图3是电动机设备能耗;
图4是离散电机***能耗简图;
图5是企业级电机***能耗及各部分对能耗的影响;
图6是技术方案思路的示意图;
图7是LSTM模型理论图;
图8是LSTM考虑时序的算法模型图;
图9是根据离散***特点修正后的LSTM考虑时序的算法模型图;
图10是第i个离散电机***预测的原理图;
图11是单个离散电机***预能耗测流程图;
图12是企业级电机***影响因素预测;
图13是企业级能耗反向影响因素分析流程图;
图14是企业级电机***能耗数据采集网络部署;
图15是数据采集及架构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
1.应用及实施潜力
1.1.应用场景
针对企业中的离散的电动机***,利用改进的机器学习方法预测能耗数据,反馈回***利用工业互联网设备控制离散的电动机***实现企业级多电动机协同工作,实现高效能源利用。
1.2.企业级电机***节能减排潜力
全国现有的各类电动机***装机保有容量约17亿kw。整个电动机***用电量约占全国用电量的60%以上。其中风机、泵类、压缩机和空调制冷机的用电量10.4%、20.9%、9.4%、和6%。与国外先进水平相比,电动机的制造技术和工艺有一定的差距,电动机传动调速及***控制技术差距较大。因此,我国在提高电动机***效率、加强***节能管理方面有着巨大的节能潜力。
国家正加快调整优化产业结构、能源结构,提升能源使用效率降低排放,推动煤炭消费尽早达峰。本发明的使用必然为能效能耗双控制政策提供良好的技术支持,实现减污降碳协同效应,帮助企业完成节能降碳的基础性基础支撑。
图1示出了企业级能耗层级及影响因素。
企业级能耗意味着,多台设备串联或者并联后,在某工艺或者某个生产阶段使用,或者为整个车间和企业提供动力的电动机***,基于设备的能耗,还要考虑多个设备的匹配。
离散***综合能耗直接影响企业能耗,同时,不同离散***的匹配实用也会间接的影响企业能耗,此外,产量、生产时间、产品工艺、产品类型都将影响企业能耗。
在设备级能耗方面,电动机电体、变频器、拖动设备等设备层级的能耗情况,影响因素多,来源较为复杂。
2.发明的创新点
创新点1:改良考虑时序的长短周期机器学习算法
由于企业的生产排期具有周期性,不同时段会根据产品类型、产量产量对生产做调整,所以要将算法改良对不同周期的产品生产能耗不过分敏感;其次,企业的生产能耗预测要考虑时序,时序由于有长期和短期,要高效匹配和数据收敛,选择LSTM时序模型进行修正后获得最后符合要求的模型;由于数据输入量较大,要高效的计算并得到收敛的结果实时反馈回信号,需要在数据筛选过程中利用高效的方法清洗掉不合理的数据,从而为后续计算做准备。整个过程还要考虑到不同的电动机***数据间的整合和分配。此种方法在工业领域的机器算法中未见过,经过数据验证,数据收敛快,预测结果准确。
创新点2:企业级离散电机***节能量精确预测
通过上述机器学习算法,利用训练好的模型对实时采集的数据进行单个***的能好预测,然后整合整个多个离散电机***对企业级用能做预估和分析。论文中常见的是对单个电机或者对机组的能耗进行预测,本文中对多个离散***进行整合,形成的企业级能耗预测方案尚未在能好预测领域相关论文中见过,经过小规模数据验证,结果准确。
创新点3:基于企业级的多电机***协同控制
根据生产优先级和***的要求及自身属性,将预测数据与离散的单个信息影响因素作对照,分析企业级***里的最优化方案,并通过调节变频器的方式,对多个电动机***进行协同控制。
3.发明的技术难点
3.1.建模方法及能耗预测
由于输入参数多,且统计学意义上的相关性较小,包括企业层、***层、设备层等不同层级的关联,所以选择机器学习的方法;也正是由于数据多且关联性差导致算法收敛难度大,同时由于有数据实时控制的需要,所以对计算的速度要求高;根据企业生产产品类型不同,会使计算的周期长短不同,要解决周期不同的变化,重新对不同数据类型进行分析和处理,实现长短周期都能够适应的机器学习建模是本文的难点之一。
3.2.***协同控制
协同控制有众多理论,但是在协同控制后能够实现最佳的能效表现,符合初始设定的能好预测值,非常困难,需要对电动机单体***及各个离散***间参数进行协调,保证在输入稳定的情况下能有最佳的输出,实现节能减排的效果。另外,根据调研,现有的大多数企业具备变频等调速调频装置,获得反馈信息后利用物联网协议直接对变频器作用,利用变频器的参数调整满足多个离散电机***的协同作用,是本文的难点之一。
4.发明的技术方案
4.1.设计构思
现场采集电机***各个重点部件的能耗数据,通过有线/无线方式将接收到的数据传回能耗数据库;或者通过企业的能源管理***读取相应数据,作为训练模型的数据集。
利用LSTM模型考虑时序,同时为了提高算法效率,修改隐藏层,将每个单元设置记忆单元将本次计算结果和上阶段输入、上一层输入做更新,节省判断逻辑判断时间,提高计算效率,得到每个离散电机***的能效和能耗情况预测。
利用离散电机***的能耗情况对企业级的数据进行预测,将现有能耗与预测能耗作对比,如低于预测值那么利用离散电机***能耗值以及设备层数据,利用蚁群算法寻优并进行全局优化和***匹配,判定控制参数并反馈给变频器,由变频器作用于对应的离散***实现优化控制策略。
通过以上分析可见,离散制造***是一个复杂的大***,以上文中提到的建筑为例,延伸到制造业的每个车间,期间有零件的运输、加工、装配等过程,还有各种废料的排放,各种信息的传递。单针对企业级电机***能耗来看,表现为耗能设备多、消耗能源种类相对单一、能源消耗量差异性大。车间根据规模大小,排产的情况以及产品差异,使用到的电动机单体或按照机组分布的包含供配电及管网输出等设备非常多,能源消耗主要是电能,通过调研某些企业也会采集电能稳定的数据,大量使用变频器也会影响电能的品质。由此,推广到整个企业层级将会更加复杂,如何去协调不同车间,以及车间职工的不同电机***、甚至是***中的不同设备都非常的困难。因此,离散制造***是一个复杂的,集能量、管理等信息强耦合作用下的有机整体[尹久.基于一阶混合 Petri网的机械制造***碳流动态模型及应用[D]:[硕士学位论文].重庆: 重庆大学,2012.],简单的示意图如图2。
设备层能耗如图3。
离散电动机***由多个机组串联或者并联形成,一部分原因是保证正常生产需要一备多用,另一部分原因是需要提供较大的输出,所以以这种形式构成,其能耗分析简图如图4所示。
参见图4,离散电机***的能耗由每个不同的机组的能耗共同组成。而每一个机组的能耗又具体包括:输配电损耗、变频器损耗、启停损耗、开关损耗、电动机本体损耗、传动***损耗、阻尼损耗、摩擦损耗。
企业层能耗分析简图如图5所示。
参见图5,企业级电机***的能耗由不同车间的能耗共同组成。而每个车间的能耗又具体包含生产能耗及运行能耗。运行能耗受运行时间、产量、产品类型多种因素的影响。生产能耗与每个车间生成过程中运行电机带动的设备数量有关。
4.2.技术方案
技术方案分为3层,分别为设备级、离散电机***级、企业级。参见图6,设备运行带来能耗,集中反映到电机***,多个离散***能耗集中反映到企业整体的电机***能耗,通过技术方案,利用相应数据从最底层分析数据,根据管理要求和运行时间、产量和产品类型利用训练模型分析能耗,进而判定的当前能耗差异和能耗的奇异点,再通过自动控制手段对设备进行控制,实现企业的节能减排。以下分别从模型设备和离散***能耗预测模型建立、企业级能耗模型建立、控制***方案说明。
4.2.1.考虑长短周期及突发事件的时间序列预测模型
早期的人工神经网络以神经元为单位,对数据进行整合抽象建立模型,节点和节点间权重被重复修订得到最后预测结果,虽然能够针对多隐层复杂问题进行精确预测,但是无法考虑时间序列。为了解决传统神经网络模型结构不灵活,对时间序列数据不敏感,容易陷入局部最小值等缺点,本文中使用LSTM 模型作为基础模型并进行模型的改造。LSTM模型如图7所示。
图7中可见,LSTM单元本身包含一个存储单元来存储长时信息,同时利用三个逻辑门控单元:输入门,输出门,遗忘门来控制数据流通过的多少。这些逻辑门单元是独立的,不会将自身行为传入其他神经元,而是负责整个网络的记忆模块部分,于边缘修改权值的大小。计算过程中首先基于Cell状态记录神经元的功能,同时输入门更新信息,遗忘门有选择的忘记无关更新内容的信息,输出门将上一时间点的信息保存到隐藏层中,在本次计算中输出时进行结果预测。通过描述可见,该种方法将时间纳入考虑,但是计算复杂,速度较慢。为了保证单个细胞的计算能够加快,我们考虑将隐藏层内部做简化。
对于给定的时间序列x=(x1,x2,…,xn)应用标准LSTM迭代后可计算出隐藏层序列h=(h1,h2,…,hn)和输出序列y=(y1,y2,…,yn)分别为:
ht=fn(Wxhxt+Whhxt-1+bh)
yt=Whyht+by
其中:W为权重系数矩阵,b为偏置向量,fn为激活函数,下标t为时刻。
输入门状态:it=σ(Wxixt+Whiht-1+Wcici-1+bi)
遗忘门状态:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
细胞状态:ct=ftct-1+it-1tanh(Wxcxt+Whcht-1+bc)
ht=ottanh(ct)
对应状态如图8。
为了保证计算速度,将各个门的状态进行调整,最大限度的传递数据同时也考虑保留的部分,通过下面的方式优化细胞状态,
ct=tanh(Wc(ht-1,xt)+bc)
ct=ct-1ft+itct
通过上式可见,根据离散电机***的特点,最大化的利用上一个神经元更新当前的细胞状态,减少运算量。离散电机在短暂时刻的运转稳定变化更新的状态主要依靠上一时刻的影响,故在单次运算中放大这类信息尽可能传递。这种形式的细胞状态对应状态图如图9所示,由图看见明显简单了许多。
伴随细胞状态变化,其它门的表达式进化为:
it=σ(Wxi(ht-1,xt)+bi)
ft=σ(Wxf(ht-1,xf)+bf)
ot=σ(Wxo(ht-1,xo)+bo)
传递过程还是使用tanh函数,所以ht不变。通过表达式也能看出,改进后累加和累乘的次数减少,输出部分选择保留了输入门状态和细胞状态,将遗忘门的部分通过σ函数累加,达到要求再将相关信息往下传递,提高每次计算的效率。
以上是对算法部分的修改,经过修改后离散***计算结构如图10所示。
参见图10,将第i个离散电机***,在t之前时刻的离散数据输入至修正后的离散***LSTM模型。这些离散数据可以有:历史能耗数据、产量要求/ 产品要求、单个电动机***影响因素(功率、变频器、负载量、负载率、效率)、电动机单机影响因素(电流、电量、三相不平衡、效率等)、时间因素(生产时长、返修返工时长等)。
将离散数据输入至修正后的离散***LSTM模型后,模型第i个离散电机***在t时刻的能耗及产量进行预测。
同时,在这个层级中的输入数据来源包括企业的产量数据、能耗数据、时间数据、电动机本体数据、电机***数据等,这些数据之间并不直接相关,且输入量较大,为了保证能够在LSTM计算中最快的找到最佳结果,我们将会使用粒子群算法,旨在对数据进行分类清洗获得同类中的最优,再将优化后的数据传入模型在空间中求解。寻优聚类方式以每个模式到聚类分析的目标函数中,并以实现能耗值最低为目标,数学模型表示为:
式中,xip表示第i个变量影响能效的第p个属性,cjp为第j个域中心的第p个属性;
根据上述表达式在域内进行局部和全局的搜索,对每个变量计算聚类中心及目标函数值并对结果集进行变换,将求解集用于信息素矩阵的更新,如下:
τij(t+n)=(1-ρ)τij(t)+Δτij
针对离散电机***的算法流程图如图11所示。
参见图11,离散电机***的算法流程包括以下的操作步骤:获取数据,执行数据预处理;K-Mean聚类寻找类中心点;初始化数据信息;蚁群算法局部寻优,优化参数信息;全局寻优,提高数据精度;LSTM网络训练;判断是否满足精度要求/最大迭代次数,如果不满足,再次进行全局寻优;得到默认基于现有数据的最优化网络模型;参考测试数据集,对现有数据网络模型进行校验;执行数据反归一化;以离散电机***数据作为企业级能耗输入。
4.2.2离散***的整合和企业级能耗
有了每个电机***的离散数据,就是对整个企业的电机***进行整合。该部分输入变得单一,为每个离散***的能耗预测结果,企业级能耗即为:
其中,n为离散***的个数,wi为第i台电机***的能耗,ti为第i台电机***的使用时长,W为企业电机***总用能。
根据之前模型的训练结果可知,众多的影响因素将会作用于能耗,在该部分将现有能耗作为模型输入,逆向使用LTSM模型进行运算,能知道第i台电机***,及对应的某个设备对能耗的影响程度。对应LSTM过程,该整合过程图如图12所示。
参见图12,首先,不同的离散数据输入至LSTM模型,进行能耗预测。然后执行企业级电机***总能耗的预测。再运用BP反向网络估计每个离散***的影响率。该影响率包括:电动机机组参数的影响率、电动机本体参数的影响率,及其他影响因素的影响率。
在这个过程中,我们通过LSTM后采用BP反向传播算法,这一过程于输入在通过加权求和并由激活函数激活后产生。由于输出的值与实际值会产生误差,则误差通过求偏导(梯度)的方式反向传播,称该类偏导数为残差。通过残差修正每一层连接的权重,并不断迭代,直至结果达到满意为止。BP反向传播算法基于LSTM数据输入,将能耗结果及影响因素联系起来。
该部分流程图如图13所示。
参见图13,企业级能耗反向影响因素分析的流程包括如下的操作步骤:离散电机***能耗预测值输入,进行数据预处理;初始化数据信息;LTSM模型整合计算多个离散***总能耗;判断是否满足企业能耗要求;以企业能耗要求和现有能耗指标、离散***个数、重要参数作为输入;对现有的LSTM模型采用BP反向网络计算;全局寻优,提高数据精度;判断是否满足精度要求及最大迭代次数;得到离散***影响率;选取影响率最高的***主要参数作为输入;BP反向网络计算;得到重要设备影响率。
4.2.3实时控制***的实现
从上面的算法可见,通过LSTM后得出每个离散***的能耗影响,使用BP 反向算法得到每个离散***内部的各个部件对能耗影响的大小,也就是获得了从最小单位到离散***,到整合***对能耗的影响。此时按照企业的生产要求,例如:产量,即可根据上述影响因素对企业级对整合***、离散***、部件进行控制。在这个部分需要考虑到企业的产品类型,企业及***的工作制,才能更好的模拟实际情况,从而进行实时控制。反向传播同样也是基于时序的,所以需要保留序列的记忆,同时还要满足各层的矩阵梯度变化一致。
对此类情况,取值的时候要满足如下要求:
(1)数据离散但连续。就是在切换产品类型,或者考虑休息等不同工作制的时候,也要在数据输入过程中,包含此类数据,否则机器学习过程中首次遇到这种情况会导致数据不连续而预测失败。即损失函数C要在每个时间点的误差和权重矩阵偏导数和满足残差传递后梯度下降。
(2)在数据输入前要通过粒子群算法。粒子群算法会将不同类别区分开,寻找不同类的最优值,但是粒子群算法中如果无法在局部和全局寻优成功,那么该类数据需要进行重新清洗。本文的做法是通过移动平均线方法处理一段时间序列数据中的t时刻奇异点。因为这些数据来自真实生产数据必须要包括在内,但是量级或者指标差距太多会导致不收敛和离群,为了将他们都考虑进来,使用xaver来替换奇异值,这样奇异值不仅包含了个体信息,还包含了局部和全局数据的信息,在计算过程中其影响作用会逐步被体现。
其中,b表示异常采样点的时刻。
企业如果停工或者节假日,仍然会有时间作为输入量,但是并没有离散电机***能耗值输入,这些数据不能简单跳过,不考虑也会使结果预测不精确,对这类数据通过指数平滑来处理。在xt数据集中存在空缺数据,利用如下方式进行平滑处理。
其中,step是步长值,xt+step表示缺失部分的预测值,atbtct分别为平滑参数,式中的不同阶次的导数表示不同的平滑值,α为权值函数。
通常企业级的数据量都非常大,本文中方法在不同层级计算后再综合计算通常要求数据集被扫描后迭代,然后重复,通常数据较为完整的情况下会导致迭代上千次,考虑到巨大的数据量会大大影响效率。通过上述的方法,再使用蚁群算法聚类分析,初值就很好的被筛选,大大提高了效率。流程图见上文。
4.2.4企业级电机***能耗采集部署
通过对设备层、离散***层、企业层的能耗分析,确定对设备、任务、工艺、辅助生产等多方面信息进行采集,使整个企业完成数字化精细调整具备条件。
参见图14,本文中对总体方案包括采集层、通讯层、数据处理三个层次完成,分别对应硬件数据采集,离散***数据通讯和网络传输,后台数据库数据处理,采用分散处理,集中监控的模式。使企业由分散化管理转为网络化、智能化控制,同时采集数据可直接用于智能化控制,也可以为专业人员和管理人员提供数据基础。
参见图15,对于终端或者对于离散的电机***给和设备采集通过手持或者智能设备进行。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (7)
1.一种企业级电机***节能优化自动控制方法,其特征在于,包括:
使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测。
2.根据权利要求1所述的企业级电机***节能优化自动控制方法,其特征在于,改进结构的LSTM模型的隐藏层单元中,通过如下方式对计算节点状态进行优化:
ct=tanh(Wc(ht-1,xt)+bc)
ct=ct-1ft+itct
其中,ct为计算节点状态,Wc为权重系数矩阵,bc为偏置向量,ft为激活函数,t表示时刻。
3.根据权利要求1所述的企业级电机***节能优化自动控制方法,其特征在于,改进结构的LSTM模型的输入数据包括:历史能耗数据、产品要素、单个电动机***影响因素、电动机单机影响因素、时间因素。
4.根据权利要求1所述的企业级电机***节能优化自动控制方法,其特征在于,还包括:
在使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测之前,利用粒子群算法对训练数据进行寻优,并利用优化后的训练数据训练改进结构的LSTM。
5.根据权利要求1所述的企业级电机***节能优化自动控制方法,其特征在于,还包括:
在使用改进结构的LSTM模型对单个离散电机***的能耗数据进行预测之后,对单个离散电机***的能耗数据进行加权平均,得到企业级电机***总能耗的预测值。
6.根据权利要求1所述的企业级电机***节能优化自动控制方法,其特征在于,还包括:
运用BP神经网络,计算第i台电机***,及对应的某个设备对总能耗的影响程度。
7.一种企业级电机***节能优化自动控制***,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至6任意一项所述的企业级电机***节能优化自动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602910.7A CN113344192B (zh) | 2021-05-31 | 2021-05-31 | 企业级电机***节能优化自动控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602910.7A CN113344192B (zh) | 2021-05-31 | 2021-05-31 | 企业级电机***节能优化自动控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344192A true CN113344192A (zh) | 2021-09-03 |
CN113344192B CN113344192B (zh) | 2022-01-11 |
Family
ID=77473311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110602910.7A Active CN113344192B (zh) | 2021-05-31 | 2021-05-31 | 企业级电机***节能优化自动控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344192B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565327A (zh) * | 2022-04-29 | 2022-05-31 | 深圳科信能源科技有限公司 | 基于物联网的智慧能源管控*** |
CN115174732A (zh) * | 2022-04-18 | 2022-10-11 | 哈尔滨理工大学 | 一种基于app的机床能耗监控*** |
CN116540561A (zh) * | 2023-05-10 | 2023-08-04 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644297A (zh) * | 2017-09-28 | 2018-01-30 | 中国标准化研究院 | 一种电机***节能量计算和验证方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
CN109858125A (zh) * | 2019-01-22 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于径向基神经网络的火电机组供电煤耗计算方法 |
US20190279076A1 (en) * | 2018-03-09 | 2019-09-12 | Deepmind Technologies Limited | Learning from delayed outcomes using neural networks |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111199305A (zh) * | 2018-11-20 | 2020-05-26 | 上海烟草集团有限责任公司 | 基于神经网络的生产能耗预测方法、***、电子终端及存储介质 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
US20200372371A1 (en) * | 2019-05-23 | 2020-11-26 | Cognizant Technology Solutions India Pvt. Ltd | System and a method for optimizing multiple solution identification in a search space |
CN112001113A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
CN112668713A (zh) * | 2020-12-21 | 2021-04-16 | 通号智慧城市研究设计院有限公司 | 一种能耗智能预测方法及*** |
-
2021
- 2021-05-31 CN CN202110602910.7A patent/CN113344192B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644297A (zh) * | 2017-09-28 | 2018-01-30 | 中国标准化研究院 | 一种电机***节能量计算和验证方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
US20190279076A1 (en) * | 2018-03-09 | 2019-09-12 | Deepmind Technologies Limited | Learning from delayed outcomes using neural networks |
CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
CN111199305A (zh) * | 2018-11-20 | 2020-05-26 | 上海烟草集团有限责任公司 | 基于神经网络的生产能耗预测方法、***、电子终端及存储介质 |
CN109647899A (zh) * | 2018-12-26 | 2019-04-19 | 北京科技大学 | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 |
CN109858125A (zh) * | 2019-01-22 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于径向基神经网络的火电机组供电煤耗计算方法 |
US20200372371A1 (en) * | 2019-05-23 | 2020-11-26 | Cognizant Technology Solutions India Pvt. Ltd | System and a method for optimizing multiple solution identification in a search space |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN112001113A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
CN112668713A (zh) * | 2020-12-21 | 2021-04-16 | 通号智慧城市研究设计院有限公司 | 一种能耗智能预测方法及*** |
Non-Patent Citations (1)
Title |
---|
张勇 等: "迁移学习引导的变源域长短时记忆网络建筑负荷预测", 《控制与决策》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174732A (zh) * | 2022-04-18 | 2022-10-11 | 哈尔滨理工大学 | 一种基于app的机床能耗监控*** |
CN114565327A (zh) * | 2022-04-29 | 2022-05-31 | 深圳科信能源科技有限公司 | 基于物联网的智慧能源管控*** |
CN114565327B (zh) * | 2022-04-29 | 2022-07-05 | 深圳科信能源科技有限公司 | 基于物联网的智慧能源管控*** |
CN116540561A (zh) * | 2023-05-10 | 2023-08-04 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
CN116540561B (zh) * | 2023-05-10 | 2023-10-20 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
CN117436848B (zh) * | 2023-12-21 | 2024-03-08 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344192B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344192B (zh) | 企业级电机***节能优化自动控制方法及*** | |
CN111563611B (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
WO2023070293A1 (zh) | 一种工业副产煤气***长期调度方法 | |
CN105117593A (zh) | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 | |
CN106650944A (zh) | 一种基于知识的冶金企业转炉煤气调度方法 | |
CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
CN111952965B (zh) | 一种基于预测控制与区间规划的cchp***优化运行方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及*** | |
Jiang et al. | Industrial ultra-short-term load forecasting with data completion | |
CN104299043A (zh) | 极限学习机超短期负荷预测方法 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和*** | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
CN115829253A (zh) | 碳中和绿色生态园区低碳化实施路径与评价方法 | |
Famoso et al. | A Dependability Neural Network Approach for Short-Term Production Estimation of a Wind Power Plant | |
Yan et al. | Optimization of energy consumption of coastal green public buildings based on genetic algorithm | |
Li et al. | Application of Energy Consumption Model and Energy Conservation Technology in New Infrastructure | |
Chen et al. | Intelligent Prediction of Power Grid Project Cost Based on PSO-BP Model | |
CN105631533B (zh) | 一种考虑p-q-v静态电压稳定裕度约束的多目标动态最优潮流求解方法 | |
Jyothi et al. | A machine learning based power load prediction system for smart grid energy management | |
Pan et al. | Bayesian optimization+ XGBoost based life cycle carbon emission prediction for residential buildings—An example from Chengdu, China | |
Shen et al. | Wind speed forecasting method based on nondominated sorting genetic algorithm and machine learning | |
Balaji et al. | Energy prediction in IoT systems using machine learning models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |