CN116384843A - 数字能源氮气站的能效评估模型训练方法及其监测方法 - Google Patents
数字能源氮气站的能效评估模型训练方法及其监测方法 Download PDFInfo
- Publication number
- CN116384843A CN116384843A CN202310659168.2A CN202310659168A CN116384843A CN 116384843 A CN116384843 A CN 116384843A CN 202310659168 A CN202310659168 A CN 202310659168A CN 116384843 A CN116384843 A CN 116384843A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- energy
- nitrogen station
- nitrogen
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013210 evaluation model Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 title claims abstract description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000005265 energy consumption Methods 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 5
- 238000002759 z-score normalization Methods 0.000 claims description 5
- 241001123248 Arma Species 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种数字能源氮气站的能效评估模型训练方法及监测方法,属于能源管理领域,包括:获取固定时间段记录氮气站的变量数据形成时间序列数据作为建立模型的基础;对氮气站的数据进行预处理和清洗;检验时间序列数据的平稳性;将时间序列数据输入至所述ARIMA模型,检验和消除时间序列数据的非平稳性;使用ARIMA模型建立固定时间段的氮气站能源利用效率模型进行预测。通过对固定时间段的氮气站变量数据进行处理、建立时间序列模型,从而预测氮气站的变化规律,还通过选择ARIMA模型作为数字能源氮气站的能效评估模型,有效的反应氮气站周期性的变化规律,通过对模型进行拟合以及拟合检验来提高模型的监测精度。
Description
技术领域
本发明属于能源管理技术领域,具体地,涉及一种数字能源氮气站的能效评估模型训练方法及监测方法。
背景技术
气体监测技术被广泛应用于天然气工业、气体输送、生化医药等领域,现有技术中,利用阵列传感器与信号处理电路、检测算法模块共同形成一个仿生***,即“电子鼻”以对气体进行检测,传统的电子鼻气味识别算法由于特征提取步骤繁琐,识别精度较低,所以大多数研究都局限于混合气体中存在的气体种类的识别,无法对气体浓度进行预测。因此,构建具有多功能化、集成化的智能气体传感器,有效对浓度进行准确预测,解决现有技术的关键科学和技术瓶颈,进而实现其多场合应用的功能至关重要。
目前阵列传感器对气体的检测技术方案集中于利用机器学习(ML)和人工神经网络(ANN)的方法。由于对阵列传感器输出的信号进行特征提取相对复杂,主成分分析算法(PCA)、K近邻算法(K Means)、支持向量机(SVM)算法等机器学习方法较难拟合这些复杂和繁琐的特征,从而拟合精度较低。此外,深度学习算法在混合气体识别中也有一些应用,其中卷积神经网络(CNN)通过提取阵列传感器输出信号的多维特征进行训练,可有效提高气味分类的准确性,但是在各种气体的浓度预测上依旧效果不佳。循环神经网络广泛应用在各种时序中并进行预测,其中长短期记忆神经网络(LSTM)通过提取各传感器的信号序列并进行融合,以预测浓度数值,但由于各种气体之间存在相互影响,长短期记忆神经网络较难提取关键特征,因此当阵列传感器的选择性较差时,该算法融合的浓度结果并不准确,同时在检测过程中由于需提取一定时间长度的序列,会造成较低的检测效率。脉冲神经网络(SNN)非常适合处理神经形态传感器的时空事件信息,该算法比人工神经元更加仿生,在尖锋序列的处理上更具优势,并在阵列传感器信号处理上取得一定进展。但由于其计算使用异步和不连续的方式,使得在神经网络中比较成功的反向传播算法不能直接应用在此算法上。此外,这些深度学习网络模型结构复杂,模型规模大,会消耗大量的计算资源。
发明内容
为解决上述背景技术中存在的技术问题,本发明提供了一种数字能源氮气站的能效评估模型及其方法。
本发明的目的可以通过以下技术方案实现:
一种数字能源氮气站的能效评估模型训练方法,选择ARIMA模型作为数字能源氮气站的能效评估模型,包括以下步骤进行训练:
获取固定时间段记录氮气站的重要变量数据,从而形成一个时间序列数据,作为建立模型的基础;
对氮气站的时间序列数据进行预处理和清洗,包括对氮气站的时间序列数据进行去除异常值、缺失值,平滑;
检验时间序列数据的平稳性;
将时间序列数据输入至所述ARIMA模型,检验和消除时间序列数据的非平稳性,从而建立适当的自回归、滑动平均的模型;
拟合模型并检验拟合效果;
利用能源利用效率的定义和公式,使用ARIMA模型建立年度或季度数据的氮气站能源利用效率模型,并进行预测或判断。
进一步地,所述拟合模型具体包括以下步骤:
估计ARIMA模型的参数,利用最大似然估计法评估ARIMA模型中p、d、q三个参数,其中p代表自回归模型的阶数,d代表时间序列差分的次数,q代表移动平均模型的阶数;
将ARIMA模型估计的参数与时间序列数据结合,进行模型拟合,并进行残差分析、模型检验来检验模型的拟合效果。
进一步地,所述检验拟合效果通过预测误差检验的手段对模型进行检验。
进一步地,对氮气站能源利用效率模型进行预测具体包括以下步骤:
根据历史数据预测未来情况,依此制定出相应的维护和管理策略;
预测方法包括链式法、直接法、间接法,其中直接法利用模型参数对未来进行预测,间接法通过预测误差进行预测。
进一步地,所述拟合模型的拟合方法通过使用R语言中的ARIMA函数实现。
一种数字能源氮气站的能效评估模型,通过前述的一种数字能源氮气站的能效评估模型训练方法得到。
一种数字能源氮气站的能效评估监测方法,借助于前述的一种数字能源氮气站的能效评估模型实现,具体包括以下步骤:
获取氮气站实时的生产数据、能耗数据和环境监测数据;
将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中,从而计算能源消耗量、氮气产出量和运行效率的数据;
根据计算出的能源消耗量、氮气产出量和运行效率评估氮气站的生产能效。
进一步地,将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中具体包括以下步骤:
对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理,包括对生产数据、能耗数据和环境监测数据进行去除异常值、插值处理和数据变换;
根据数据的特征和模式,选择响应的ARIMA模型进行拟合,ARIMA模型包括AR、MA、ARMA、ARIMA;
使用ARIMA模型对所得到的数据进行拟合和检验,通过校验残方和、均方误差、预测误差来确定能效评估模型的有效性和可行性。
进一步地,对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理具体包括以下步骤:
检测数据中是否存在异常值,若有,则通过平滑异常值的方法对数据进行处理;
若数据中存在缺失值,将缺失值用均值、中位数或差值的方式进行填充;
对于非正态分布或偏态数据进行数据变换,通过对数、开方或取倒数的变换方式,将数据转化为符合正态分布的形式;
采用z-score标准化的方式将不同范围数据集合并在一起,使数据标准化。
进一步地,所述z-score标准化的计算公式如下:
z=(x-μ)/σ
其中,x是原始的样本数据,μ是样本的平均值,σ是样本的标准差,z是标准化后得到的z-score值。
本发明的有益效果:
本发明公开的一种数字能源氮气站的能效评估模型及其方法,通过对固定时间段的氮气站变量数据进行处理、建立时间序列模型,从而预测氮气站的变化规律,在本申请中还通过选择ARIMA模型作为数字能源氮气站的能效评估模型,能有效的反应氮气站周期性的变化规律,通过对模型进行拟合以及拟合检验来提高模型的监测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明一种数字能源氮气站的能效评估模型的总体训练方法步骤流程图;
图2为本发明一种数字能源氮气站的能效评估模型总体训练方法中步骤S5的具体步骤流程图;
图3为本发明一种数字能源氮气站的能效评估监测方法的整体方法步骤流程图。
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作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。
模型预测法:模型预测法是通过建立氮气站的能耗模型,从设备运行的角度,通过模型模拟和仿真预测氮气站的能耗趋势和能效比,该方法需要先建立比较准确的能耗模型,在模型中涉及参数很多,需要预留一定的误差范围。
数据平滑处理是指通过对数据进行一些处理,使其变得更加平缓、连续或者更容易被处理。通常情况下,平滑可以消除一些数据的噪声或者不规则性,使得数据更加易于分析和理解。
ARIMA模型是一种常用的时间序列模型,全称为自回归积分移动平均模型(Autoregressive Integrated Moving Average Model),它可以用来预测未来时间点的时间序列值。ARIMA模型基于历史数据对未来数据进行推测,建立在时间序列模型的基础之上。ARIMA模型考虑到了因素的自相关、时间变化趋势和季节因素等,可以适用于各种类型时间序列数据的建模预测。
ARIMA模型由自回归模型(AR模型)、积分(I模型)、移动平均模型(MA模型)三部分组成。AR模型是指因变量的值被描述为过去若干时间点的因变量值的加权和;MA模型是指因变量的值被描述为过去若干时间点的随机误差的加权和;I模型是指通过差分的方式将非平稳的时间序列转化为平稳时间序列。ARIMA模型将这三个模型结合起来,以更精确地对时间序列进行预测。
ARIMA模型的建立分为三个步骤:模型识别、估计和预测。模型识别是指识别ARIMA模型的三个参数p、d、q,其中p代表自回归模型的阶数,d代表时间序列差分的次数,q代表移动平均模型的阶数。估计是指估计ARIMA模型的每个参数值,通常可以使用最大似然函数来估计。预测是指利用所估计的ARIMA模型对未来的时间序列数据进行预测,可以通过模型计算得到预测值和置信区间。
在本申请实施例中,氮气站能效评估的指标主要包括能源消耗量:氮气站的能耗包括电能、水能、气能等,评估其能源消耗量是一个重要的指标;
能效比:能效比是指氮气站能够获得的有用能量与其消耗的总能量之比,通常用kWh/m3或Nm3计算,能效比越高,说明氮气站能耗越低;
N2提纯率:氮气站的提纯率是指在各种工况下所生成的N2气体的纯度,高效的氮气站其提纯率越高,说明其性能更好,能源利用更高效;
产氮效率:产氮效率是指氮气站从空气中提取出氮气的效率,是氮气站的一个重要指标,氮气站的工作效率越高,意味着能够利用更少的能源和时间生产更多的氮气;
运行寿命:氮气站的运行寿命主要考虑氮气发生器和干燥器等设备的设计寿命和使用寿命,对于使用寿命较短的设备,会影响到氮气站的维修和更换费用,从而影响氮气站的能效指标。
请参阅图1所示,一种数字能源氮气站的能效评估模型,选择ARIMA模型作为数字能源氮气站的能效评估模型,包括以下步骤进行训练:
步骤S1、获取固定时间段记录氮气站的重要变量数据,从而形成一个时间序列数据,作为建立模型的基础;
步骤S2、对氮气站的时间序列数据进行预处理和清洗,包括对氮气站的时间序列数据进行去除异常值、缺失值,平滑;
利用小波变换法(Wavelet Transform,WT)对时间序列数据进行平滑,将原始数据分为不同的频带,每个频带内的波形具有相同的频率和时间长度,在不同尺度上取得不同的频带。常用的小波变换包括离散小波变换(Discrete Wavelet Transform,DWT)和连续小波变换(Continuous Wavelet Transform,CWT)。
离散小波变换是将原始数据在时间和频率上进行离散化,使其能够在有限的时间和频率范围内进行分析,通过进行基础小波函数上的卷积和采样,可以得到不同频率范围内的小波系数,从而得到数据的时频分析结果。
连续小波变换是将原始数据在时间和频率上进行连续化,从而能够精确地分析不同尺度上的周期性成分。通过求解小波变换的瞬时频率,可以获得数据在不同尺度和频率上的周期性特征,从而进行更精确的时频分析。
在本申请实施例中,优选的使用连续小波变换法对时间序列数据进行平滑处理。
步骤S3、检验时间序列数据的平稳性;
时间序列数据的平稳性是一个非常重要的特性,如果时间序列数据不平稳,就不能够进行许多的统计分析和时间序列模型的建模,在本申请实施例中,优选的使用统计量检验法检验时间序列数据的平稳性,具体的,统计量检验法使用一些统计工具进行检验,例如DF检验、ADF检验、KPSS检验等。这些检验方法主要是根据一定的假设检验框架(通常是检验时间序列数据中的单位根是否存在)来进行判断,其原假设为序列存在单位根(即不平稳),备择假设为序列不存在单位根(即平稳)。当p值小于0.05时,拒绝原假设,即序列是平稳的,否则序列是不平稳的。常用的检验包括:
单位根检验 ,如DF检验(Dickey-Fuller)和ADF检验(Augmented Dickey-Fuller);
KPSS检验(Kwiatkowski-Phillips-Schmidt-Shin),其检验方法与ADF检验类似,也是用来检测序列是否平稳的,但其原假设为序列存在单位根,备择假设为序列平稳。
步骤S4、将时间序列数据输入至所述ARIMA模型,检验和消除时间序列数据的非平稳性,从而建立适当的自回归、滑动平均的模型;
时间序列模型基于历史数据,利用时间序列的特征和趋势,在一定时间范围内进行预测。氮气站的产氮效率和能效比,具有显著的季节性和周期性,因此适用于具有季节性和周期性特征的氮气站能效评估,氮气站的季节性和周期性主要是由气体需求和生产运行的节奏所决定的,
工业用气需求季节性变化:随着气象条件和行业生产状况的变化,工业用气需求会发生季节性的变化。例如,夏季空调用气需求较大,冬季采暖用气需求较大,而其他季节的一些生产过程和设备则可能需要较少的气体需求。
节假日周期性变化:在一些周末和节假日期间,工业生产和办公活动通常会放缓,氮气站也会相应地减少生产,并降低能源消耗。
氮气站生产周期:氮气站的生产过程具有周期性,它由于气体储备量的消耗和供给的周期性变化。一方面,氮气站需要储备和供应一定量的气体,以应对随时可能出现的需求;另一方面,氮气站为了保证供气稳定,需要按照一定的周期生产补充气源。
因此,基于氮气站的季节性和周期性对其能效产生影响,所以选择时间序列模型对氮气站的能效进行监测。
步骤S5、拟合模型并检验拟合效果;
进一步地,在本申请的一种优选实施例中,如图2所示,步骤S5中所述拟合模型具体包括以下步骤:
步骤S501、估计ARIMA模型的参数,利用最大似然估计法评估ARIMA模型中p、d、q三个参数,其中p代表自回归模型的阶数,d代表时间序列差分的次数,q代表移动平均模型的阶数;
步骤S502、将ARIMA模型估计的参数与时间序列数据结合,进行模型拟合,并进行残差分析、模型检验来检验模型的拟合效果。
步骤S6、利用能源利用效率的定义和公式,使用ARIMA模型建立年度或季度数据的氮气站能源利用效率模型,并进行预测或判断。
在本申请实施例中,ARIMA(p, d, q)模型可以表示为:
y[t] = c + φ[1]* y[t-1] + ... + φ[p]* y[t-p] + e[t]- θ[1] * e[t-1]-... - θ[q] * e[t-q]
其中:
y[t]表示时间t的预测值;
c是常数;
p是自回归项数,表示y[t]与y[t-1], y[t-2], ..., y[t-p]之间的相关性;
φ[1],...,φ[p]是p个自回归系数, 分别表示对应时间滞后下的y值对当前y值的影响程度;
d表示经过d阶差分后的时间序列贴合ARMA模型的模型阶数;
q是移动平均项数,表示e[t]与e[t-1], e[t-2], ..., e[t-q]之间的相关性;
θ[1], ..., θ[q]是q个移动平均系数,表示对应时间滞后下的误差值对当前y值的影响程度;
e[t]是时间t的误差值,表示时间t的观测值与时间t的预测值之间的差异。
进一步地,在本申请的一种优选实施例中,所述检验拟合效果通过预测误差检验的手段对模型进行检验。
进一步地,在本申请的一种优选实施例中,步骤S6中对氮气站能源利用效率模型进行预测具体包括以下步骤:
步骤S601、根据历史数据预测未来情况,依此制定出相应的维护和管理策略;
步骤S602、预测方法包括链式法、直接法、间接法,其中直接法利用模型参数对未来进行预测,间接法通过预测误差进行预测。
进一步地,在本申请的一种优选实施例中,所述拟合模型的拟合方法通过使用R语言中的ARIMA函数实现。
在本申请的另一实施例中,还公开了一种数字能源氮气站的能效评估模型,通过前述的一种数字能源氮气站的能效评估模型训练方法得到。
在本申请的另一实施例中,还公开了一种数字能源氮气站的能效评估监测方法,借助于前述的一种数字能源氮气站的能效评估模型实现,如图3所示,具体包括以下步骤:
步骤S01、获取氮气站实时的生产数据、能耗数据和环境监测数据;
步骤S02、将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中,从而计算能源消耗量、氮气产出量和运行效率的数据;
步骤S03、根据计算出的能源消耗量、氮气产出量和运行效率评估氮气站的生产能效。
进一步地,在本申请的一种优选实施例中,步骤S02中将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中具体包括以下步骤:
步骤S021、对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理,包括对生产数据、能耗数据和环境监测数据进行去除异常值、插值处理和数据变换;
步骤S022、根据数据的特征和模式,选择响应的ARIMA模型进行拟合,ARIMA模型包括AR、MA、ARMA、ARIMA;
步骤S023、使用ARIMA模型对所得到的数据进行拟合和检验,通过校验残方和、均方误差、预测误差来确定能效评估模型的有效性和可行性。
进一步地,在本申请的一种优选实施例中,步骤S021中的对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理具体包括以下步骤:
步骤S0211、检测数据中是否存在异常值,若有,则通过平滑异常值的方法对数据进行处理;
检验模型是否能够满足平稳性和可逆性,即要求满足以下公式:
其中,B为延迟算子,p为非负整数自回归阶数。
步骤S0212、若数据中存在缺失值,将缺失值用均值、中位数或差值的方式进行填充;
步骤S0213、对于非正态分布或偏态数据进行数据变换,通过对数、开方或取倒数的变换方式,将数据转化为符合正态分布的形式;
步骤S0214、采用z-score标准化的方式将不同范围数据集合并在一起,使数据标准化。
进一步地,在本申请的一种优选实施例中,所述z-score标准化的计算公式如下:
z=(x-μ)/σ
其中,x是原始的样本数据,μ是样本的平均值,σ是样本的标准差,z是标准化后得到的z-score值。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种数字能源氮气站的能效评估模型训练方法,其特征在于,选择ARIMA模型作为数字能源氮气站的能效评估模型,包括以下步骤进行训练:
获取固定时间段记录氮气站的重要变量数据,从而形成一个时间序列数据,作为建立模型的基础;
对氮气站的时间序列数据进行预处理和清洗,包括对氮气站的时间序列数据进行去除异常值、缺失值,平滑;
检验时间序列数据的平稳性;
将时间序列数据输入至所述ARIMA模型,检验和消除时间序列数据的非平稳性,从而建立适当的自回归、滑动平均的模型;
拟合模型并检验拟合效果;
利用能源利用效率的定义和公式,使用ARIMA模型建立年度或季度数据的氮气站能源利用效率模型,并进行预测或判断。
2.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法,其特征在于,所述拟合模型具体包括以下步骤:
估计ARIMA模型的参数,利用最大似然估计法评估ARIMA模型中p、d、q三个参数,其中p代表自回归模型的阶数,d代表时间序列差分的次数,q代表移动平均模型的阶数;
将ARIMA模型估计的参数与时间序列数据结合,进行模型拟合,并进行残差分析、模型检验来检验模型的拟合效果。
3.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法,其特征在于,所述检验拟合效果通过预测误差检验的手段对模型进行检验。
4.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法,其特征在于,对氮气站能源利用效率模型进行预测具体包括以下步骤:
根据历史数据预测未来情况,依此制定出相应的维护和管理策略;
预测方法包括链式法、直接法、间接法,其中直接法利用模型参数对未来进行预测,间接法通过预测误差进行预测。
5.根据权利要求2所述的一种数字能源氮气站的能效评估模型训练方法,其特征在于,所述拟合模型的拟合方法通过使用R语言中的ARIMA函数实现。
6.一种数字能源氮气站的能效评估模型,其特征在于,通过权利要求1至5任一项所述的一种数字能源氮气站的能效评估模型训练方法得到。
7.一种数字能源氮气站的能效评估监测方法,其特征在于,借助于权利要求6所述的一种数字能源氮气站的能效评估模型实现,具体包括以下步骤:
获取氮气站实时的生产数据、能耗数据和环境监测数据;
将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中,从而计算能源消耗量、氮气产出量和运行效率的数据;
根据计算出的能源消耗量、氮气产出量和运行效率评估氮气站的生产能效。
8.根据权利要求7所述的一种数字能源氮气站的能效评估监测方法,其特征在于,将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中具体包括以下步骤:
对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理,包括对生产数据、能耗数据和环境监测数据进行去除异常值、插值处理和数据变换;
根据数据的特征和模式,选择响应的ARIMA模型进行拟合,ARIMA模型包括AR、MA、ARMA、ARIMA;
使用ARIMA模型对所得到的数据进行拟合和检验,通过校验残方和、均方误差、预测误差来确定能效评估模型的有效性和可行性。
9.根据权利要求8所述的一种数字能源氮气站的能效评估监测方法,其特征在于,对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理具体包括以下步骤:
检测数据中是否存在异常值,若有,则通过平滑异常值的方法对数据进行处理;
若数据中存在缺失值,将缺失值用均值、中位数或差值的方式进行填充;
对于非正态分布或偏态数据进行数据变换,通过对数、开方或取倒数的变换方式,将数据转化为符合正态分布的形式;
采用z-score标准化的方式将不同范围数据集合并在一起,使数据标准化。
10.根据权利要求9所述的一种数字能源氮气站的能效评估监测方法,其特征在于,所述z-score标准化的计算公式如下:
z=(x-μ)/σ
其中,x是原始的样本数据,μ是样本的平均值,σ是样本的标准差,z是标准化后得到的z-score值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659168.2A CN116384843B (zh) | 2023-06-06 | 2023-06-06 | 数字能源氮气站的能效评估模型训练方法及其监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659168.2A CN116384843B (zh) | 2023-06-06 | 2023-06-06 | 数字能源氮气站的能效评估模型训练方法及其监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116384843A true CN116384843A (zh) | 2023-07-04 |
CN116384843B CN116384843B (zh) | 2023-09-12 |
Family
ID=86963793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310659168.2A Active CN116384843B (zh) | 2023-06-06 | 2023-06-06 | 数字能源氮气站的能效评估模型训练方法及其监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384843B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954180A (zh) * | 2023-09-21 | 2023-10-27 | 广东鑫钻节能科技股份有限公司 | 基于数字能源鼓风站的多站点协同控制***及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120232701A1 (en) * | 2011-03-07 | 2012-09-13 | Raphael Carty | Systems and methods for optimizing energy and resource management for building systems |
US20160018835A1 (en) * | 2014-07-18 | 2016-01-21 | Retroficiency, Inc. | System and method for virtual energy assessment of facilities |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN112734123A (zh) * | 2021-01-15 | 2021-04-30 | 中再云图技术有限公司 | 一种基于arima模型的工业废气排放量预测的方法 |
CN114662795A (zh) * | 2022-04-27 | 2022-06-24 | 西安建筑科技大学 | 基于emd-arima-lstm模型的天然气负荷预测方法及*** |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
-
2023
- 2023-06-06 CN CN202310659168.2A patent/CN116384843B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120232701A1 (en) * | 2011-03-07 | 2012-09-13 | Raphael Carty | Systems and methods for optimizing energy and resource management for building systems |
US20160018835A1 (en) * | 2014-07-18 | 2016-01-21 | Retroficiency, Inc. | System and method for virtual energy assessment of facilities |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN112734123A (zh) * | 2021-01-15 | 2021-04-30 | 中再云图技术有限公司 | 一种基于arima模型的工业废气排放量预测的方法 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN114662795A (zh) * | 2022-04-27 | 2022-06-24 | 西安建筑科技大学 | 基于emd-arima-lstm模型的天然气负荷预测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954180A (zh) * | 2023-09-21 | 2023-10-27 | 广东鑫钻节能科技股份有限公司 | 基于数字能源鼓风站的多站点协同控制***及其方法 |
CN116954180B (zh) * | 2023-09-21 | 2023-12-12 | 广东鑫钻节能科技股份有限公司 | 基于数字能源鼓风站的多站点协同控制***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116384843B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153874B (zh) | 水质预测方法及*** | |
He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN111652422A (zh) | 基于建筑物分类的供热***负荷预测方法、装置及*** | |
CN116956189A (zh) | 一种电流异常检测***、方法、电子设备及介质 | |
Rafiq et al. | A review of current methods and challenges of advanced deep learning-based non-intrusive load monitoring (NILM) in residential context | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
CN110956675B (zh) | 技术成熟度曲线自动生成方法及装置 | |
CN116611552B (zh) | 一种基于目标监测数据的船舶交通流量预测方法及*** | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及*** | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN117151276A (zh) | 售电平台的智能化管理*** | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
Ren et al. | Short-term demand forecasting for distributed water supply networks: A multi-scale approach | |
CN118226553B (zh) | 海洋环境智能监测预报平台及其方法 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 |
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 |