CN116010114A - 基于边缘计算的设备能效管控*** - Google Patents

Abstract

基于边缘计算的设备能效管控***，采用端层、边缘层和云层的架构，能耗设备以及能耗仪表均布置于端层，云层布置有中心服务器，边缘层包括能源数据采集模块、能耗边缘计算模块和设备管控模块。边缘层的设备管控模块包括运行控制子模块、故障管理子模块和设备台账子模块；能源数据采集模块，采集能耗仪表的能耗数据；能耗边缘计算模块，根据能耗数据进行能耗边缘计算，计算结果发送至中心服务器；中心服务器对计算结果进行统计分析，并进行能效控制处理，建立能耗设备的控制描述及相应控制参数，映射到运行控制子模块。本发明在边缘层提供数据计算能力，保证能效管控的实时性。

Description

基于边缘计算的设备能效管控***

技术领域

本发明属于工业设备的能效管控技术领域，用于对工业设备的水电气等能源消耗进行管控，为一种基于边缘计算的设备能效管控***。

背景技术

工业设备的能效管控主要通过采集多种类型能源数据，例如电、水、天然气、工业气体、冷热量等，对能源消耗进行分析，并给出相应技术手段，消除能源消耗盲区，降低成本。

现有技术中针对多台工业设备能效管控的主要方法，一般是在局域网内，对某车间或某厂区的用能数据进行采集，数据通过数采网关直接上传监控中心，存储在监控中心的能效管控中心服务器，该服务器对数据进行管理、分析以及展示，根据观测数据，由经验丰富的技术人员人为介入对用能设备进行控制。

显然，基于以上方法实现的能效管控***，存在如下问题：

（1）采集数据单一，未对主要能耗设备的数据进行采集及分析，而是宽泛地针对车间或厂区进行集采。（2）能耗仪表数据均实时上传，数据量和带宽消耗大，能效管控中心服务器存储运维成本高。（3）对于采集后的能效数据分析工作较少，数据价值不足以指导及管控主要能耗设备，严重依赖技术人员的自身经验。（4）各种仪表的数据均直接传输到监控中心，扩展性差且通讯调试相对复杂。（5）针对主要能耗设备的控制程序及描述一般都基于设备自带的指定品牌控制器，接口较封闭，其程序调整或优化相对困难，且长时间后设备自带的控制器一旦停产或换代，那对于该设备的运维将很难进行。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于边缘计算的设备能效管控***，能在边缘层近设备端提供复杂的数据计算能力，保证能效管控物联网络的实时性，以期提高布置的灵活性、扩展性，降低服务器负荷；并进一步扩大数据采集范围使得预测更准确。

为了实现上述目的，本发明采用的技术方案是：

基于边缘计算的设备能效管控***，采用端层、边缘层和云层的架构，能耗设备以及能耗仪表均布置于所述端层，所述云层布置有中心服务器，所述边缘层包括能源数据采集模块、能耗边缘计算模块和设备管控模块；所述设备管控模块包括运行控制子模块、故障管理子模块和设备台账子模块；

所述能源数据采集模块，采集所述能耗仪表的能耗数据；

所述能耗边缘计算模块，根据所述能耗数据进行能耗边缘计算，计算结果发送至所述中心服务器；所述中心服务器对所述计算结果进行统计分析，并进行能效控制处理，建立能耗设备的控制描述及相应控制参数，映射到所述运行控制子模块；

所述运行控制子模块，采集所述能耗设备的参数信息，并发送至所述故障管理子模块，根据故障设置条件触发的故障报警信息传送到设备台账子模块，经设备台账子模块汇总与台账信息一并传递到中心服务器；所述运行控制子模块控制所述能耗设备执行所述控制参数。

在一个实施例中，所述能源数据采集模块包括数据采集子模块、预处理子模块和数据存储子模块；所述能耗仪表包括水表、电表和气表；

所述数据采集子模块采集所述能耗仪表的原始能耗数据，并构造用水能耗数据列向量、用电能耗数据列向量和用气能耗数据列向量，各个列向量中，每一项表示1个时段内的能耗量，每天划分为多个时段；

所述预处理子模块对所述用水能耗数据列向量、用电能耗数据列向量和用气能耗数据列向量分别进行数据清洗、数据变换和数据更新；

所述数据存储子模块用于存储所述预处理子模块的预处理结果。

在一个实施例中，所述数据清洗，分析各时段数据是否为异常值，若为异常值则使用相邻位平均值进行异常值替换；所述数据变换，将原始列向量变换为能耗预测计算的待处理序列；所述数据更新，在进行能耗在线预测时，将第i+1天各时段的各项能耗值赋值给第i天各时段的各项能耗值。

在一个实施例中，所述能耗边缘计算模块包括能耗多尺度分析子模块、能耗报警子模块和能耗预测子模块；

所述能耗多尺度分析子模块在空间尺度和时间尺度两个维度进行能耗分析；

所述能耗报警子模块，针对用水能耗，按时间尺度用水量设置阈值百分比，若用水量相较上一时间尺度用水量超过阈值，即触发报警；针对用气能耗和用电能耗，设置能耗数采频率，当能耗波动超过设置阈值即触发报警；

所述能耗预测子模块，使用移动平均法预测各能耗设备未来一个时间尺度的用水能耗及用气能耗，使用长短期记忆网络预测模型预测未来一个时间尺度的用电能耗。

在一个实施例中，所述中心服务器利用能耗数据训练得到所述长短期记忆网络预测模型，并将模型参数下发至所述能耗预测子模块。

在一个实施例中，所述中心服务器包括能耗组态监视子模块、能耗预测计算子模块和能效控制处理子模块；

所述能耗组态监视子模块，将各能耗设备按照工艺流程以工业组态方式建立整体布置展示界面，以监视各能耗设备的能耗数据；

所述能耗预测计算子模块，利用采集到的能耗数据训练所述长短期记忆网络，得到模型参数，并按照更新条件将模型参数下发至所述能耗预测子模块，在边缘层进行在线能耗预测；

所述能效控制处理子模块，对能耗设备使用控制编程语言进行控制描述，并引入生产工艺参数、工艺约束及未来一个时间尺度的能耗预测值，以能耗成本最低为优化目标，执行计算处理得到相应控制参数。

在一个实施例中，所述能效控制处理子模块，将能耗设备作为控制对象，使用自上而下的面向对象编程方法，利用复合功能块建立所述能耗数据相应的能耗设备控制描述，使用配置功能连接各个复合功能块，并形成基于复合功能块网络的控制描述，映射到运行控制子模块。

在一个实施例中，所述能耗设备的控制描述，是通过端层采集的能耗设备的参数信息及能耗设备的机理、控制约束建立的输入和输出的映射关系和实现代码；所述运行控制子模块为虚拟容器引擎资源，提供了所述控制描述在边缘层运行的资源环境。

在一个实施例中，所述边缘层包括多个边缘控制装置，每个边缘控制装置均包括所述能源数据采集模块、能耗边缘计算模块和设备管控模块。

与现有技术相比，本发明的有益效果是：

本发明利用云计算和边缘计算的优势，提出了端边云结构的能效管控***，使得能效管控***易于布置、便于扩展。将各种能耗仪表作为数据采集感知的对象，将主要能耗设备作为被控对象，通过边缘计算处理，能在边缘层提供复杂的数据计算能力，极大降低了上行数据带宽要求，保证了能效管控物联网络的实时性，中心服务器的存储需求大大降低，减小了云层的投资和运维成本。

附图说明

图1为本发明能效管控***的结构示意图。

图2为本发明能效管控方法的流程示意图。

图3为本发明多个端层、多个边缘层与云层的布置关联示意图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

如图1所示，本发明提供了一种基于边缘计算的设备能效管控***，采用端层、边缘层和云层的架构。其中，能耗设备以及能耗仪表均布置于所述端层，所述云层则布置有中心服务器，所述边缘层包括能源数据采集模块、能耗边缘计算模块和设备管控模块；所述设备管控模块包括故障管理子模块、设备台账子模块和运行控制子模块。其中：

所述能耗数据采集模块与现场的能耗仪表通讯连接，采集能耗仪表的能耗数据；

所述能耗边缘计算模块，根据所述能耗数据进行能耗边缘计算，并将计算结果发送至所述中心服务器；所述中心服务器对所述计算结果进行统计分析，并进行能效控制决策处理，建立能耗设备的控制描述及相应控制参数，映射到所述运行控制子模块，所述运行控制子模块控制所述能耗设备执行所述控制参数。

所述运行控制子模块，采集所述能耗设备的参数信息，并发送至所述故障管理子模块，根据故障设置条件触发的故障报警信息传送到设备台账子模块，经设备台账子模块汇总与台账信息一并传递到中心服务器。

本发明基于历史的能耗数据在云层进行能耗预测计算和处理，将计算后的参数信息下发到边缘层，同时按一定条件更新，利用边缘层计算能力，在边缘层采集能耗数据，并进行预处理和在线能耗预测，在边缘层近设备侧实现了在线预测，对端层的主要能耗设备进行设备管控；并针对主要能耗设备在云层建立对应的控制描述，端层中的设备根据现场情况布置在不同的位置，各层之间通过不同的方式连接。本发明基于边缘计算的能效管控结构，能提供复杂的数据计算能力，保证了能效管控物联网络的实时性。

在本发明中，能耗设备布置于端层，能耗仪表主要包括水表、电表和气表，亦布置于端层。根据本发明基于云层-边缘层-端层的物联网结构的设备能效管控***，其能效管控方法：端层的水表、电表、气表等能耗数据，采集后送到边缘层，进行能耗计算、分析及处理后，然后送到云层中心服务器。参考图2，具体流程如下：

能耗数据采集：采集水表、电表、气表等能耗数据，包括数据采集、预处理以及数据存储，送至能耗边缘计算模块。

能耗边缘计算：利用采集的能耗数据，进行多尺度分析、能耗报警以及能耗预测等处理，分析结果送至中心服务器。

设备管控：采集主要能耗设备的参数信息，进入运行控制环境功能执行控制监测，并将其传送到故障管理子模块，根据故障设置条件触发的故障报警信息传送到设备台账子模块，经设备台账子模块汇总与台账信息一并传递到中心服务器。

在本发明的一些实施例中，为实现上述的能耗数据采集，所述能源数据采集模块包括数据采集子模块、预处理子模块和数据存储子模块。数据采集子模块与现场的能耗仪表通讯连接，采集所述能耗仪表的原始能耗数据，并构造用水能耗数据列向量W(k)、用电能耗数据列向量E(k)和用气能耗数据列向量G(k)，可表示为：

W(k) = [W(1,1), …, W(1,24), W(2,1), …, W(2,24), …, W(N,1), …, W(N,24)]^T

E(k) = [E(1,1), …, E(1,24), E(2,1), …, E(2,24), …, E(N,1), …, E(N,24)]^T

G(k) = [G(1,1), …, G(1,24), G(2,1), …, G(2,24), …, G(N,1), …, G(N,24)]^T

各个列向量中，每一项表示1个时段内的能耗量，例如，W(1,1)表示第1天第1个时段内的用水能耗量，W(N,1)表示第N天第1个时段内的用水能耗量，W(N,24)表示第N天第24个时段内的用水能耗量，N表示采集进行的天数，每天划分为24个时段。同理，E(N,1)表示第N天第1个时段内的用电能耗量，E(N,24)表示第N天第24个时段内的用电能耗量；G(N,1)表示第N天第1个时段内的用气能耗量，G(N,24)表示第N天第24个时段内的用气能耗量。

本发明可对能耗仪表的数据进行协议解析，以采集具有不同协议的能耗仪表的数据，示例地，采集感知支持包括Modbus TCP、Modbus RTU、OPC等协议。

预处理子模块对所述用水能耗数据列向量W(k)、用电能耗数据列向量E(k)和用气能耗数据列向量G(k)分别进行数据清洗、数据变换和数据更新。预处理后的数据能够向云层发送上报，极大降低上行数据带宽要求。

在实际应用中，如果出现通讯灵敏度异常、通讯信号干扰等故障情况，导致数据采集问题，进而影响后续的数据计算准确性。示例地，本实施例中，所述数据清洗，利用拉依达准则等方法分析各时段数据是否为异常值，若为异常值则使用相邻位平均值进行异常值替换。

所述数据变换，将原始列向量变换为能耗预测计算的待处理序列，即：

W’(k) = [W(1), W(2), …, W(N)]^T

E’(k) = [E(1), E(2), …, E(N)]^T

G’(k) = [G(1), G(2), …, G(N)]^T

此处，用W(1)表示W(1,1), …, W(1,24)的序列，用W(N)表示W(N,1), …, W(N,24)的序列；同理，用E(1)表示E(1,1), …, E(1,24)的序列，用E(N)表示E(N,1), …, E(N,24)的序列；用G(1)表示G(1,1), …, G(1,24)的序列，用G(N)表示G(N,1), …, G(N,24)的序列。

所述数据更新，是在进行能耗在线预测时不断地对输入数据序列进行更新，具体地，将第i+1天各时段的各项能耗值赋值给第i天各时段的各项能耗值。

所述数据存储子模块用于存储所述预处理子模块的预处理结果。

在本发明的实施例中，所述能耗边缘计算模块包括能耗多尺度分析子模块、能耗报警子模块和能耗预测子模块。

所述能耗多尺度分析子模块在空间尺度和时间尺度两个维度进行能耗分析，其中，空间尺度和时间尺度按需自定义。其中空间尺度一般定义为生产线、车间、厂房以及园区四个层级，时间尺度一般按日、月、季度和年四个层级。针对不同能源介质，选择物理空间和不同时间尺度进行分析对比。

典型地，对于用水能耗，按照厂房进行月度和年度统计分析；对于用气能耗和用电能耗，按照生产线、车间和厂房及园区四个空间尺度进行月度、季度的统计分析。

在能耗多尺度分析基础上可进行耗报警，针对不同空间尺度和时间尺度的能耗数据，进行历史能耗报警和实时能耗报警。对于生产线进行日前24小时统计分析的基础上，监控生产线用气和用水的实时波动，设置时间阈值内能耗波动百分比，基于阈值触发能耗报警。

具体地，所述能耗报警子模块，针对用水能耗，按时间尺度用水量例如月度和年度用水量设置阈值百分比，若用水量相较上一时间尺度用水量超过阈值，即触发报警，提醒运维人员关注并针对性分析能耗变化可能性，辅助用能的优化改善，典型的阈值百分比一般为10%。显然，用水能耗预警属于历史能耗报警。

针对用气能耗和用电能耗，设置能耗数采频率，当能耗波动超过设置阈值即触发报警。显然，用气能耗和用电能耗属于实时报警，在实际园区用能监控中，可设置能耗数采频率为30秒，能耗波动超过一定阈值即触发报警，能耗波动阈值一般设为15%。同样的，对于能耗报警信息进行存储，并记录分析原因，为后续报警分析及优化提供决策依据。

所述能耗预测子模块，使用移动平均法预测各能耗设备未来一个时间尺度的用水能耗及用气能耗，即用过去K个时刻的观测值的平均值作为对未来时刻的预测。使用长短期记忆网络预测模型预测未来一个时间尺度的用电能耗。

示例地，长短期记忆网络（Long short-term memory, LSTM）采用单隐层的网络结构，包括输入层、LSTM层以及输出层，LSTM层具有10个LSTM单元，使用随机梯度下降的有效Adam版本拟合该模型，使用sigmoid激活函数，并使用均方误差损失函数进行优化。在一个实施例中，其输入为过去30天的用电能耗，输出为所预测次日的用电能耗，采用滑动窗口方式生成训练序列，若以20天的用电能耗数据预测下一天的用电能耗，则训练窗口大小设置为20，标签窗口大小为1，相当于每20个数据预测完后1个数据后，窗口向右移动一位，用接下来的20个数据预测后1个数据，直到遍历整个样本数据。设定其中60%即6个序列为训练集，余下的为测试集。设置1个批次，迭代5轮进行训练；将训练好的模型进行单步长预测，对预测结果进行反归一化，输出即为所预测的次日用电能耗。

在该实施例中，长短期记忆网络预测模型可由中心服务器利用能耗数据训练，也即，模型训练过程在云层执行，并将模型参数下发至所述能耗预测子模块。示例地，云层的模型参数通过标准MQTT（Message Queuing Telemetry Transport，消息队列遥测传输）协议下发到边缘层，在边缘层中进行运算处理，实现在近设备端在线预测的功能。

设备管控模块针对端层要采集数据的主要能耗设备，具备运行控制、故障管理及设备台账功能，其中特别的，设备管控模块将建立的主要能耗设备的控制描述，以对应的复合功能块代码打包映射到布置了Docker容器的运行控制环境，其中Docker容器是开源的应用容器引擎。其中建立的主要能耗设备的控制描述，指的是通过端层采集的主要能耗设备的参数信息及设备的机理、控制约束等建立的输入和输出的映射关系和实现代码。

具体地，设备台账子模块中，记录保存有设备名称、型号规格、购入日期、使用年限、折旧年限、资产编号、使用部门使用状况等，数据可同步到云层存储。台账信息的数据同步周期可自由设置，一般为1年。

故障管理子模块中，对设备故障信息进行存储、对故障类型分类，并做统计分析，与此同时，针对典型故障匹配有针对性排查和解决方案，指导运维人员排除故障。随着新故障的发生、存储、分类以及输入相应解决方案，针对不同的主要能耗设备具有完整的故障知识库。对不同能耗设备发生频率最高的三种故障均提供故障报警信号。

运行控制子模块提供了能效控制描述在边缘层可以运行的资源环境，一般为虚拟容器引擎资源，布置在边缘层。

云层主要实现能耗组态监视、能耗预测计算和能效控制处理等功能。能耗组态监视利用云层具有的不同类型组件，可对整个园区及各厂房车间水、电、气能源和自定义能耗设备的能耗进行监视、总览、数据查询以及能流图构建。能效管控决策处理是基于IEC61499标准主要能耗设备的控制描述，面向对象编程，基于事件驱动，形成复合功能块代码。

在本发明的一些实施例中，所述中心服务器包括能耗组态监视子模块、能耗预测计算子模块和能效控制处理子模块。

所述能耗组态监视子模块，将各能耗设备按照工艺流程以工业组态方式建立整体布置展示界面，以监视各能耗设备的能耗数据；

所述能耗预测计算子模块，利用采集到的能耗数据训练所述长短期记忆网络，得到模型参数，并按照更新条件将模型参数下发至所述能耗预测子模块，在边缘层进行在线能耗预测。

所述能效控制处理子模块，对能耗设备使用控制编程语言进行控制描述，并引入生产工艺参数、工艺约束及未来一个时间尺度的能耗预测值，以能耗成本最低为优化目标，执行计算处理得到相应控制参数。所述设备管控模块根据所述优化目标，对端层的主要能耗设备的参数执行控制。

本发明在云层建立的主要能耗设备的控制描述基于IEC61499标准，面向对象编程，基于事件驱动，形成复合功能块代码。将云层建立的能耗设备的控制描述并生成复合功能块代码，打包映射到设备管控模块并对所连接的端层主要能耗设备进行控制；能耗数据采集和能耗边缘计算以应用程序形式运行。

具体地，所述能效控制处理子模块，将能耗设备作为控制对象，使用符合IEC61499的自上而下的面向对象编程方法，利用复合功能块建立所述能耗数据相应的能耗设备控制描述，使用配置功能连接各个复合功能块，并形成基于复合功能块网络的控制描述，映射到运行控制子模块。

复合功能块是遵从模块化设计范式，在IEC61499标准中功能块实例可以按照一定的逻辑组合起来，构成具有特定功能的功能块网络，并通过封装形成可以复用的复合功能块类型。本发明可使用包括结构化文本、梯形图、连续功能流程图语言等建立的满足设备控制逻辑和执行关系的代码块。针对主要能耗设备建立的控制描述，通过有线连接以复合功能块形式，通过集成开发环境软件自带映射功能，将控制描述下发。本实施例中，在云层构建了主要能耗设备的控制描述，并将该控制描述下发到边缘层的应用容器引擎资源。

本发明的一些实施例中，建立园区级的整体分布式控制***描述，以单个主要能耗设备为被控对象，包含从端层采集数据的各个主要能耗设备，基于IEC61499标准，使用第二类设备模型建立从端层采集数据的主要能耗设备的控制描述。云层布置的控制描述集成开发环境使用4diac，在云层中心服务器安装Eclipse 4diac IDE软件。其中Eclipse 4diac是IEC61499 分布式控制***的开源项目，主要分为开发环境IDE和运行时Forte两部分组成，其中运行时Forte软件安装在边缘控制装置中。通常将开发环境IDE布置在边缘服务器或者云服务器。该控制描述的有益之处在于，基于标准IEC61499标准语言，将形成端层各个主要能耗设备的控制描述，后续可以复用，不依托于某单一品牌。

设备管控模块将云层建立的能耗设备的控制描述及对相应控制参数，映射到边缘层的运行控制子模块中，能耗数据采集和能耗边缘计算模块以应用程序形式运行边缘层中。

本发明的实施例中，边缘层包括了多个边缘控制装置，而每个边缘控制装置均包括所述能源数据采集模块、能耗边缘计算模块和设备管控模块，如图3所示。将水、电、气等能耗数据边缘层能耗数据采集以及能耗边缘计算，并在边缘层对主要能耗设备进行管控。

现有技术中，数据采集直接从设备到中心服务器，中间没有边缘层，在调试时均要到总服务中心，不利于扩展。本实施例中，每个边缘控制装置独立地包括能源数据采集模块、能耗边缘计算模块和设备管控模块，其硬件也即各边缘层的硬件部分。为实现有效采集，可在每个车间或每一组能耗设备布置一个边缘控制装置，并优选布置在车间内距离能耗设备及能耗仪表较近的地方，示例地，可安装在现有控制柜或单独指定的电气柜中。本实施例云层，其硬件包括中心服务器，可选择公有中心服务器或者私有中心服务器，一般可布置在园区中控室。

本实施例各层中的设备根据现场情况布置在不同的位置，各层之间通过不同的方式连接，实现通信交互。其***实现包括如下步骤：

步骤1：布置端层、边缘层和云层的硬件；所述端层，硬件包括各车间或每一组能耗设备的能耗仪表和能耗设备；所述边缘层，主要为多个边缘控制装置；每个所述车间或每一组能耗设备至少布置一个所述边缘控制装置；所述云层，硬件包括中心服务器。能耗设备的编组一般以物理距离为依据。

步骤1.1，安装端层的各种能耗仪表并确保各仪表具备Modbus RTU或者ModbusTCP协议端口；识别并明确重点能耗设备的通讯接口类型。

步骤1.2，在主要能耗设备附近就近安装边缘控制装置，建议安装在主要能耗设备的电控柜或在旁边单独安装柜子。一个车间布置一台边缘控制装置，特别的，对于锅炉、空调机组、空压机等设备群，分别单独布置一台边缘控制装置。

步骤1.3，在云层的中心服务器，可布置私有云或直接租用公有云服务器，云服务器必须具有公网IP。

步骤2：对所述端层、边缘层和云层的硬件进行连接并通讯调试；

所述通讯调试是将所述边缘控制装置与端层的硬件通过Modbus RTU通讯连接，或者使用LoRa组网方式连接；将所述边缘控制装置与云层通过4G或5G连接、WiFi连接、有线连接中的任一形式连接。

步骤3：对各层之间通讯的数据流进行测试；

所述通讯的数据流测试是分别测试：

端层各个能耗仪表的数据到边缘层的通讯正常稳定；

端层各个能耗设备的参数到边缘层的通讯正常稳定；

以及，能耗仪表的数据和能耗设备的参数从边缘层到云层通讯正常稳定。设置丢包率，丢包率满足设定值即测试成功，否则需排查。

步骤4：对所述边缘层进行配置；所述配置包括：根据工况、采集需求，将所要采集的能耗设备的参数类型、采集频率以及所要采集的能耗仪表的数据类型和采集频率配置到所述边缘控制装置；

以上配置工作通过边缘控制装置自带的调试工具进行设置。经以上配置后，对所述能耗仪表的数据进行采集、预处理以及数据存储；所述设备管控模块将能耗设备的参数送入运行控制子模块运行并设置管理故障信息，进一步将设备台账信息进行处理。

步骤5：在云层的中心服务器，利用边缘层上传的数据进行能耗预测计算，训练预测模型，并对主要能耗设备进行能效控制处理。

步骤6：基于设定的更新条件，将云层训练得到的模型参数下发到边缘层，并将云层能效控制处理后的控制描述和优化控制参数下发到边缘层，同时对于控制描述在运行控制子模块处理。

能耗预测计算处理结果更新条件有：1），初始化，即设备重新上电。2），基于时间阈值T，T一般设置为1个月，可动态调整。符合以上任一条件即满足更新条件，云层下发能耗预测模型参数到边缘层。同样的，相应控制参数更新条件有：1），初始化，即设备重新上电。2），工艺约束发生变化。3），所控制的设备有更换。符合以上任一条件即可更新相应控制参数到边缘层。

进一步地，在本发明的实施例中，为更好实现设备能效管控，还执行如下配置：

首先，在边缘层配置运行控制环境，在此基础上构建针对端层中主要能耗设备的控制描述并映射到边缘控制装置。具体包含以下步骤：

S1、对空压机、锅炉设备等主要能耗设备，以IEC61499功能块模型为样板，将逻辑关系封装成可以复用的功能块类型。逻辑关系的编写实现使用传统的顺序功能图、梯形图、功能框图、指令表和结构化文本这五种语言均可，优先选择结构化文本。

S2、依照应用模型所规范的事件流与数据流将相应的功能块实例连接，以功能块网络的形式构筑完整园区级的整体分布式控制***描述的应用，此时应用不包含任何硬件配置信息，专注于***控制描述的功能性设计及验证。

S3、在开发环境IDE***模式的框架下，先对边缘控制装置进行配置和连接，然后通过自带映射机制将控制应用中的功能块配置并运行于一个边缘控制装置。

一个典型实施例中，将空压机车间中某品牌空压机作为被控对象，在开发环境IDE中使用结构化文本编写并建立该空压机的控制描述，在此基础上，修改调整建立其他空压机的控制描述，并分别封装成可以复用的功能块；按照空压车间的实际布置网络结构，将事件流和数据流对应的功能块连接形成功能块网络，建立空压车间的整体分布式控制描述并映射到空压车间布置的边缘控制装置中进行相应控制操作。其他主要车间建立控制描述和空压机车间类似，最终形成园区级的整体分布式控制***描述。本实例中，构建的控制描述存储在中心服务器中。

其次，在边缘层设置故障管理功能。具体包含以下步骤：

S1、定义空压机、锅炉等主要能耗设备的故障，设置并多维度将故障分类，一般按报警频率、报警对生产的影响等分类。

S2、针对不同设备分类后故障设置故障报警触发条件，并设置报警信息推送形式。

S3、针对故障信息推送后对设备所做处理，将其保存并建立故障知识库。

最后，输入并存储设备台账信息。先建立设备原始信息，设备名称，型号规格，购入日期，使用年限，折旧年限，资产编号，使用部门使用状况等等，其次动态更新设备信息并存储，其中设备原始信息每年更新，对于设备故障信息，一旦设备发生故障，即将故障信息及相应所做的处置保存，形成各设备的历史故障库，方便后续员工维护保养该设备。

边缘层经能耗数据采集模块处理后，数据流进入能耗边缘计算模块处理，数据经MQTT 协议传输至云层，并利用云层的计算资源进行能耗预测计算和处理，将计算后的参数下传到边缘层实现在线能耗预测。在本发明的一个实施例中，云层的能耗预测计算后的参数通过标准MQTT协议下发到边缘层边缘控制装置，实现在近设备端在线预测的功能。

通过上述方案，本发明采用端边云结构，在车间近主要能耗设备处安装布置边缘控制装置，通过边缘控制装置采集车间水电气信息及主要能耗设备的参数，边缘控制装置同时具备能耗数据采集、能耗边缘计算、设备管控三个功能，其与监控中心服务器通讯，将处理后的数据上传至云层的中心服务器，同时中心服务器利用其充足计算资源能耗预测计算和控制处理，并将预测计算后的参数、控制描述等下发到边缘控制装置，对主要能耗设备等下发设备参数进行控制。

Claims (9)

1.基于边缘计算的设备能效管控***，采用端层、边缘层和云层的架构，能耗设备以及能耗仪表均布置于所述端层，所述云层布置有中心服务器，其特征在于，所述边缘层包括能源数据采集模块、能耗边缘计算模块和设备管控模块；所述设备管控模块包括设备台账子模块、故障管理子模块和运行控制子模块；

所述能源数据采集模块，采集所述能耗仪表的能耗数据；

所述能耗边缘计算模块，根据所述能耗数据进行能耗边缘计算，计算结果发送至所述中心服务器；所述中心服务器对所述计算结果进行统计分析，并进行能效控制处理，建立能耗设备的控制描述及相应控制参数，映射到所述运行控制子模块；

所述运行控制子模块，采集所述能耗设备的参数信息，并发送至所述故障管理子模块，根据故障设置条件触发的故障报警信息传送到设备台账子模块，经设备台账子模块汇总与台账信息一并传递到中心服务器。

2.根据权利要求1所述的基于边缘计算的设备能效管控***，其特征在于，所述能源数据采集模块包括数据采集子模块、预处理子模块和数据存储子模块；所述能耗仪表包括水表、电表和气表；

所述数据采集子模块采集所述能耗仪表的原始能耗数据，并构造用水能耗数据列向量、用电能耗数据列向量和用气能耗数据列向量，各个列向量中，每一项表示1个时段内的能耗量，每天划分为多个时段；

所述预处理子模块对所述用水能耗数据列向量、用电能耗数据列向量和用气能耗数据列向量分别进行数据清洗、数据变换和数据更新；

所述数据存储子模块用于存储所述预处理子模块的预处理结果。

3.根据权利要求2所述的基于边缘计算的设备能效管控***，其特征在于，所述数据清洗，分析各时段数据是否为异常值，若为异常值则使用相邻位平均值进行异常值替换；所述数据变换，将原始列向量变换为能耗预测计算的待处理序列；所述数据更新，在进行能耗在线预测时，将第i+1天各时段的各项能耗值赋值给第i天各时段的各项能耗值。

4.根据权利要求1所述的基于边缘计算的设备能效管控***，其特征在于，所述能耗边缘计算模块包括能耗多尺度分析子模块、能耗报警子模块和能耗预测子模块；

所述能耗多尺度分析子模块在空间尺度和时间尺度两个维度进行能耗分析；

所述能耗报警子模块，针对用水能耗，按时间尺度用水量设置阈值百分比，若用水量相较上一时间尺度用水量超过阈值，即触发报警；针对用气能耗和用电能耗，设置能耗数采频率，当能耗波动超过设置阈值即触发报警；

所述能耗预测子模块，使用移动平均法预测各能耗设备未来一个时间尺度的用水能耗及用气能耗，使用长短期记忆网络预测模型预测未来一个时间尺度的用电能耗。

5.根据权利要求4所述的基于边缘计算的设备能效管控***，其特征在于，所述中心服务器利用能耗数据训练得到所述长短期记忆网络预测模型，并将模型参数下发至所述能耗预测子模块。

6.根据权利要求4或5所述的基于边缘计算的设备能效管控***，其特征在于，所述中心服务器包括能耗组态监视子模块、能耗预测计算子模块和能效控制处理子模块；

所述能耗组态监视子模块，将各能耗设备按照工艺流程以工业组态方式建立整体布置展示界面，以监视各能耗设备的能耗数据；

所述能耗预测计算子模块，利用采集到的能耗数据训练所述长短期记忆网络，得到模型参数，并按照更新条件将模型参数下发至所述能耗预测子模块，在边缘层进行在线能耗预测；

所述能效控制处理子模块，对能耗设备使用控制编程语言进行控制描述，并引入生产工艺参数、工艺约束及未来一个时间尺度的能耗预测值，以能耗成本最低为优化目标，执行计算处理得到相应控制参数。

7.根据权利要求6所述的基于边缘计算的设备能效管控***，其特征在于，所述能效控制处理子模块，将能耗设备作为控制对象，使用自上而下的面向对象编程方法，利用复合功能块建立所述能耗数据相应的能耗设备控制描述，使用配置功能连接各个复合功能块，并形成基于复合功能块网络的控制描述，映射到运行控制子模块。

8.根据权利要求1所述的基于边缘计算的设备能效管控***，其特征在于，所述能耗设备的控制描述，是通过端层采集的能耗设备的参数信息及能耗设备的机理、控制约束建立的输入和输出的映射关系和实现代码；所述运行控制子模块为虚拟容器引擎资源，提供了所述控制描述在边缘层运行的资源环境。

9.根据权利要求1所述的基于边缘计算的设备能效管控***，其特征在于，所述边缘层包括多个边缘控制装置，每个边缘控制装置均包括所述能源数据采集模块、能耗边缘计算模块和设备管控模块。

Images