CN114565209A - 一种基于聚类的流程工业能耗状态评估方法 - Google Patents
一种基于聚类的流程工业能耗状态评估方法 Download PDFInfo
- Publication number
- CN114565209A CN114565209A CN202111623600.XA CN202111623600A CN114565209A CN 114565209 A CN114565209 A CN 114565209A CN 202111623600 A CN202111623600 A CN 202111623600A CN 114565209 A CN114565209 A CN 114565209A
- Authority
- CN
- China
- Prior art keywords
- clustering
- energy consumption
- process industry
- data
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000005265 energy consumption Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 title claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 4
- -1 steam Substances 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 11
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005272 metallurgy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于聚类的流程工业能耗状态评估方法，获取流程工业的全局生产原始数据和与之对应的总能耗数据，并生成样本数据集；根据聚类算法对流程工业的样本数据集进行无监督分类，确定流程工业生产稳定工况状态的数量；根据流程工业生产稳定工况状态的数量将样本数据集分为若干个簇，并对每个簇内的样本数据相对应的能耗进行均值运算；将能耗均值最小的簇中样本数据作为流程工业全局最优能耗；本发明采用聚类方法对全局数据进行分析，不需要对工艺本身进行建模，大大降低能耗分析的科研人员投入量。
Description
技术领域
本发明属于流程工业能效评估技术领域，尤其是聚类的流程工业能耗状态评估方法领域。
背景技术
解决能源损耗问题，降低能源成本是每个工业都在不断追求目标。一般包括三种优化方式，第一种为传统的节能优化，一般是基于经验原则、物料平衡、热量平衡、数值模拟等手段建立的机理和因果关系模型，这适用于小规模生产、简单工艺、低自动化的场景下，操作人员根据生产需求变动做经验性调整，使得生产在较合理的能效下运行，但是这类路线存在没有标准，不可重复，反馈慢，调整不及时等问题；第二种为常规节能路线，从物料平衡、热量平衡的角度出发，寻找实际能耗大于设计能耗的设备，对能耗过高进行分析，改造设备，降低能耗，解决方案有充分的物化理论推导和解释，多为一事一议，被动解决能耗长期显著过高的问题，且解决方案是个性化定制；第三种为数值模拟节能路线，可以视为常规节能路线的升级，其原理也是物料平衡、热量平衡，可拟合出现场难以测量的全流程内部各环节物态变量，引导流程设计精细优化，数值模拟的建模耗时较长，模拟结果需要跟现场实测数据进行对比以核验模型有效性，在生产需求发生变化时需要改变边界条件重新计算；具体的，中国石油大学对茂名石化100万吨连续重整装置进行数据挖掘，发现跟汽油收率强相关的操作变量，将汽油收率提高0.14％～0.42％，并减少不参与反应的组分进入反应器的比例，实现节能环保，使生产线年增效益近七百万元；浙江理工大学对炼化精馏塔进行机器学习建模，解决高噪声、高复杂度、设备老化、物料变更、工况变更等场景下的产出预测，其工作流程拟进入行业标准；东北大学基于海量历史数据对轧钢关键参数卷取温度建模控制，将温度命中率提高2％，改善热轧钢带头部质量，解决首钢“降本增效”背景下钢带利用率提升问题；虽然这些手段可以一定程度的实现，但是这些解决方案多为个性化定制，需要较长时间的研究和实践，耗时较久，没有通用性。
发明内容
为了解决上述的问题，本发明通过以下技术方案来实现上述目的：
一种基于聚类的流程工业能耗状态评估方法,包括以下步骤，
S1、获取流程工业的生产状态数据和与之对应的能耗数据，形成样本数据集；
S2、根据聚类算法对流程工业的样本数据集分为若干个簇，并对每个簇内的生产状态数据对应的能耗数据进行均值运算；
S3、将能耗均值最小的簇中的生产状态数据作为流程工业能耗状态的最优解。
作为本发明的进一步优化方案，所述S1中流程工业的生产状态数据包括温度、产量、压力、转速中任意一种或两种以上的组合，所述能耗数据包括电、天然气、蒸汽、煤、水中任意一种或两种以上的组合。
作为本发明的进一步优化方案，所述S1中样本数据集的生成包括以下步骤，
S11、通过异常数据检测算法对生产状态数据进行异常数据的清洗和剔除；
S12、通过插值算法对去除异常数据的生产状态数据做插值计算，生成样本数据集；
S13、对样本数据集采用降维算法进行降维，获得降维后的样本数据集。
作为本发明的进一步优化方案，所述异常数据检测算法采用独异森林、 Z-score准则、准则、Tukey箱型图法、幂律分布法、一分类向量机中的任意一种。
作为本发明的进一步优化方案，所述插值算法采用最近邻插值、线性插值、双线性插值、双三次插值、反距离插值、样条插值、克里金插值、离散平滑插值、趋势面光滑插值中的任意一种。
作为本发明的进一步优化方案，所述降维算法采用PCA、核PCA、LLE、拉普拉斯特征映射、MDS、ISOMAP、多层自动编码、t-SNE中的任意一种。
作为本发明的进一步优化方案，S2中采用的聚类算法为K-means聚类算法，通过聚类算法对流程工业的样本数据集进行分簇，包括以下步骤；
S21、根据聚类算法计算降维样本数据集的最佳聚类中心数量Kop，确定最佳聚类簇数；
S22、按照最佳聚类簇数划分降维样本数据集。
作为本发明的进一步优化方案，所述S21中根据聚类算法计算降维样本数据集的最佳聚类中心数量Kop，包括以下步骤；
S211、确定聚类中心数量取值范围[Kmin,Kmax]，其中，Kmin＝2，
n是降维样本集的样本数量；
S212、对[Kmin,Kmax]内的每个正整数K设定为K-means的聚类中心数量，并对每个K进行降维样本集的K-means聚类计算得到聚类结果；
S213、针对聚类结果计算聚类有效性指标；
S214、从聚类有效性指标中获取最小指标值对应的k值，设为最佳聚类中心数量Kop。
作为本发明的进一步优化方案，所述S22中按照最佳聚类簇数划分降维样本数据集，包括以下步骤；
S221、在降维样本数据集中，随机选择Kop个样本作为初始聚类中心；
S222、预设定聚类误差上限，并对降维样本数据集进行聚类，直至聚类中心迭代误差小于等于误差上限，则聚类完成；
S223、根据初始聚类中心，计算降维样本集所有样本两两之间的聚类簇关系，记为C1。
S224、重复S221-S223步骤M次，得到M个聚类簇关系，记为{Ci}(i＝1,M)。
S225、对降维样本集的每个样本，根据{Ci}(i＝1,M)进行投票，加入到投票最多的样本所在的簇，由此得到最终聚类结果Cop。
作为本发明的进一步优化方案，所述步骤S3中将每个簇内的生产状态数据对应的能耗数据进行均值运算的步骤包括根据聚类结果Cop将降维样本数据集分为Kop个簇，并将每个簇分别计算能耗均值。
本发明的有益效果在于：
1)本发明使用聚类方法对全局数据进行分析，不需要对工艺本身进行建模，大大降低能耗分析的科研人员投入量；
2)同时在数据采集完善的情况，可以在较短的时间内，实现全局能耗状态识别，发现关键操作参数子空间，并从全局的角度降低电、天然气、蒸汽、煤等消耗，并且提高能耗分析的通用性，降低流程工业能耗分析的复杂度。
3)本发明适用于流程工业各领域，包括冶金、石油、化工、制药等，对数据要求较少，只要具有足够的生产各环节采集即可。
附图说明
图1为本发明整体的流程图；
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1所示的一种基于聚类的流程工业能耗状态评估方法，应用流程工业领域，通过对流程工业全局生产数据进行聚类，识别不同生产状态，计算不同生产状态对应的能耗，给出最佳能耗状态作为工艺调整目标；
具体方法步骤如下：
一、获取流程工业的全局生产原始数据和对应的总能耗数据；这些原始数据是秒、分、时等多种尺度下，生产流程各环节上传感器记录的数据；进而分成生产状态数据和与之对应的能耗数据；
其中，流程工业的一套生产线，每个环节都有数据记录设备，记录秒/ 分/时级别的数值；一个流程工业有几万个到十几万个记录数据的环节，这些所有环节记录的数据，可以分为两类：能耗数据和非能耗数据；能耗数据包括但不限于电、天然气、蒸汽、煤、水；非能耗数据包括但不限于温度，产量，压力，转速；
在一个时间点，也就是某一瞬间，所有环节的数值作为一个整体，反映了整套生产线的瞬时状态；整套生产线的每一个时间点的数据都分为非能耗数据和耗电数据，而且两者之间是相关的，那么按照多个时间点，也就形有多组的对应的非能耗数据和耗电数据；
为了消除一些异常数据，需要对获取到的生产状态数据做异常数据检测，剔除无效数据；其中，无效数据是由传感器故障、电磁干扰、网络波动、测量误差等因素导致的异常数据；剔除无效数据可以采用异常数据检测算法进行实现，具体的，该异常数据监测算法包括不限于独异森林、 Z-score准则、3σ准则、Tukey箱型图法、幂律分布法、一分类向量机等算法；
随后，设定起点时间、时间步长、终点时间，对去除异常数据的数据做插值计算，生成格式化时间序列上的测点值；差值计算可以采用差值算法，该插值算法可选择但不限于最近邻插值、线性插值、双线性插值、双三次插值、反距离插值、样条插值、克里金插值、离散平滑插值、趋势面光滑插值；
再进一步的，根据上述的描述可知一个流程工业工业有几万个到十几万个记录数据环节，那么几万个十几万环节形成的数据也就是几万维十几万维的矩阵，这个规模容易产生维度灾难，因此需要做降维处理；具体的，通过降维算法对样本数据集进行降维，降低维度***影响，得到降维样本集；操作时，降维算法可选择但不限于PCA、核PCA、LLE、拉普拉斯特征映射、MDS、ISOMAP、多层自动编码、t-SNE等；
二、根据聚类算法对流程工业的样本数据集分为若干个簇，并对每个簇内的生产状态数据对应的能耗数据进行均值运算；
其中，流程工业生产工艺复杂，产品多样，工况条件多变，具有不确定性；以聚类的方式对工况进行无监督分类，需要计算最佳聚类中心数据，由此确定流程工业生产稳定工况状态的数量；
具体的，根据K-means聚类算法计算降维样本数据集的最佳聚类中心数量Kop，确定最佳聚类簇数，然后按照最佳聚类簇数划分降维样本数据集，步骤如下；
1、设定聚类中心数量取值经验性范围为[Kmin,Kmax]，其中， Kmin＝2,
其中n是降维样本集的样本数量；聚类中心至少有2 个，最多不超过
2、由聚类有效性指标评估评估聚类性能是否合适，对每个聚类中心数量，重复N次K-means聚类，计算每次聚类的聚类有效性指标，然后计算其平均值，重复N次可以避免单次聚类不稳定性；
具体的，对[Kmin,Kmax]内的每个正整数，设定为K-means的聚类中心数量，对每个K，计算降维样本集的K-means聚类N次，得到N次聚类结果；
聚类使用欧式距离：
对N次聚类结果，计算聚类有效性指标：
得到N个指标，然后对这N次结果进行平均，得到一个聚类有效性评估均值；
3、在上一步得到Kmax-Kmin个聚类有效性指标中，选择最小的聚类有效性指标值对应的K值，设定为聚类中心的数据量，记为Kop；
紧接着，需要对降维样本集进行K-means聚类,识别不同稳定工况下的状态，计算每个稳定工况的能耗，并识别最优能耗状态；
具体的，4、在降维样本数据集中，随机选择Kop个样本作为初始聚类中心；
5、预设定聚类误差上限，并对降维样本数据集进行聚类，直至聚类中心迭代误差小于等于误差上限，则聚类完成；
6、根据初始聚类中心，计算降维样本集所有样本两两之间的聚类簇关系，记为C1。
7、重复4-6的步骤M次，得到M个聚类簇关系，记为{Ci}(i＝1,M)；通过多次运行，以消除聚类中心初始化的随机影响；
8、对降维样本集的每个样本，根据{Ci}(i＝1,M)进行投票，加入到投票最多的样本所在的簇，由此得到最终聚类结果Cop；
9、根据聚类结果Cop，将降维样本集分为Kop个簇；并对每个簇分别计算包含样本对应的能耗均值；
三、将上述步骤获得的能耗均值最小的簇中的生产状态数据作为流程工业能耗状态的最优解；选择最小能耗的簇，作为流程工业全局最优能耗状态；这个簇能耗最小，这簇的聚类中心就是生产线的最佳运行状态，也就是各环节上以这个状态为最佳的参数；
这里需要注意的是，需要将获取的能耗最小的簇聚类中心从降维空间映射到原始数据空间，然后再作为该工艺的最佳生产能耗状态；
本发明中采用了K-means聚类算法，该算法通常是以数据间的距离作为数据对象相似性度量的标准；其中，聚类中心的个数K需要事先给定，但在实际中这个K值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适；而且对初始聚类中心十分敏感，由于随机选取初始聚类中心，不同的初始中心点会造成聚类结果的波动，易陷入局部最小解，同时K均值聚类算法具有易受噪声数据影响；因此，为了能够比较精准的获取中心数量，先进行计算最佳聚类中心数据，以方便确定聚类簇数；
此外，本发明采用该方法旨在提高能耗分析的通用性，降低流程工业能耗分析的复杂度，适用于流程工业各领域，包括冶金、石油、化工、制药等，对数据要求较少，只要具有足够的生产各环节采集即可；同时，使用聚类方法对全局数据进行分析，不需要对工艺本身进行建模，大大降低能耗分析的科研人员投入量。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种基于聚类的流程工业能耗状态评估方法,其特征在于：包括以下步骤，
S1、采集流程工业的生产状态数据和与之对应的能耗数据，进行预处理后形成样本数据集；
S2、根据聚类算法将流程工业的样本数据集分为若干个簇；
S3、将每个簇内的生产状态数据对应的能耗数据进行均值运算，将能耗均值最小的簇中的生产状态数据作为流程工业能耗状态的最优解。
2.根据权利要求1所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述S1中流程工业的生产状态数据包括温度、产量、压力、转速中任意一种或两种以上的组合，所述能耗数据包括电、天然气、蒸汽、煤、水中任意一种或两种以上的组合。
3.根据权利要求2所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述S1中采集流程工业的生产状态数据和与之对应的能耗数据进行预处理后形成样本数据集的步骤包括；
S11、通过异常数据检测算法对生产状态数据进行异常数据的清洗剔除；
S12、通过插值算法对去除异常数据的生产状态数据做插值计算，生成初始样本数据集；
S13、对初始样本数据集采用降维算法进行降维，获得降维后的样本数据集。
4.根据权利要求3所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述异常数据检测算法采用独异森林、Z-score准则、准则、Tukey箱型图法、幂律分布法、一分类向量机中的任意一种。
5.根据权利要求3所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述插值算法采用最近邻插值、线性插值、双线性插值、双三次插值、反距离插值、样条插值、克里金插值、离散平滑插值、趋势面光滑插值中的任意一种。
6.根据权利要求3所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述降维算法采用PCA、核PCA、LLE、拉普拉斯特征映射、MDS、ISOMAP、多层自动编码、t-SNE中的任意一种。
7.根据权利要求3所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述S2中采用的聚类算法为K-means聚类算法，通过聚类算法对流程工业的样本数据集进行分簇，包括以下步骤；
S21、根据聚类算法计算降维样本数据集的最佳聚类中心数量Kop，确定最佳聚类簇数；
S22、按照最佳聚类簇数划分降维样本数据集。
8.根据权利要求7所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述S21中根据聚类算法计算降维样本数据集的最佳聚类中心数量Kop，包括以下步骤；
S211、确定聚类中心数量取值范围[Kmin,Kmax]，其中，Kmin＝2，
n是降维样本集的样本数量；
S212、对[Kmin,Kmax]内的每个正整数K设定为K-means的聚类中心数量，并对每个K进行降维样本集的K-means聚类计算得到聚类结果；
S213、针对聚类结果计算聚类有效性指标；
S214、从聚类有效性指标中获取最小指标值对应的k值，设为最佳聚类中心数量Kop。
9.根据权利要求8所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述S22中按照最佳聚类簇数划分降维样本数据集，包括以下步骤；
S221、在降维样本数据集中，随机选择Kop个样本作为初始聚类中心；
S222、预设定聚类误差上限，并对降维样本数据集进行聚类，直至聚类中心迭代误差小于等于误差上限，则聚类完成；
S223、根据初始聚类中心，计算降维样本集所有样本两两之间的聚类簇关系，记为C1。
S224、重复S221-S223步骤M次，得到M个聚类簇关系，记为{Ci}(i＝1,M)。
S225、对降维样本集的每个样本，根据{Ci}(i＝1,M)进行投票，加入到投票最多的样本所在的簇，由此得到最终聚类结果Cop。
10.根据权利要求9所述的一种基于聚类的流程工业能耗状态评估方法,其特征在于：所述步骤S3中将每个簇内的生产状态数据对应的能耗数据进行均值运算的步骤包括根据聚类结果Cop将降维样本数据集分为Kop个簇，并将每个簇分别计算能耗均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623600.XA CN114565209A (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类的流程工业能耗状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623600.XA CN114565209A (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类的流程工业能耗状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565209A true CN114565209A (zh) | 2022-05-31 |
Family
ID=81712093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111623600.XA Pending CN114565209A (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类的流程工业能耗状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565209A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310879A (zh) * | 2022-10-11 | 2022-11-08 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
-
2021
- 2021-12-28 CN CN202111623600.XA patent/CN114565209A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310879A (zh) * | 2022-10-11 | 2022-11-08 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
| CN115310879B (zh) * | 2022-10-11 | 2022-12-16 | 浙江浙石油综合能源销售有限公司 | 一种基于半监督聚类算法的多加油站用电量能耗管控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| Ma et al. | A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes | |
| CN103793601A (zh) | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 | |
| CN108153267B (zh) | 一种基于误差主元分析模型的工业过程监测方法 | |
| CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| Wang et al. | A novel sliding window PCA-IPF based steady-state detection framework and its industrial application | |
| CN114117954B (zh) | 一种反应器内部三维反应场动态实时可视化方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
| CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
| CN114565209A (zh) | 一种基于聚类的流程工业能耗状态评估方法 | |
| CN112529053A (zh) | 一种服务器中时序数据短期预测方法及*** | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| Zhu et al. | Development of energy efficiency principal component analysis model for factor extraction and efficiency evaluation in large‐scale chemical processes | |
| CN114117852A (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
| CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
| CN117743829A (zh) | 一种基于深度学习的短期电力负荷量预测方法 | |
| CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、***、计算机可读存储介质和计算设备 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、***、设备和介质 | |
| CN116127831A (zh) | 一种重型燃气轮机难测参数软测量方法 |
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 |