一种基于能耗区间预测的设备异常诊断方法技术

本发明专利技术公开了一种基于能耗区间预测的设备异常诊断方法，克服了现有技术根据拟合曲线判断能耗容易造成误判进而影响生产运维环节节能部署的问题，包括。本发明专利技术判定设备是否异常、设备是否有可节能空间或设备是否出现故障，并为设备的运行和维护提供数据支持，还可以针对能耗过高的设备通过计算能耗值与有关变量的相关系数找出可能导致能耗过高的原因，为之后采取措施降低能耗提供数据支持；针对能耗过低的设备可以进行检查和维护。及时的监控各个设备的能耗情况并对不合理能耗做出反馈，以此达到节能的目的。以此达到节能的目的。以此达到节能的目的。

【技术实现步骤摘要】
一种基于能耗区间预测的设备异常诊断方法


[0001]本专利技术涉及设备能耗监控
，尤其是涉及一种基于能耗区间预测的设备异常诊断方法。

技术介绍

[0002]节约能源在生产运维环节有着十分重要的意义。每个生产、运维环节都应当积极响应节约能源的号召，排查节能障碍和能源浪费现象，查找设备节能潜力，以达到节能减排，降低生产成本、提高经济效益的目标。在传统的能源管理过程中，对于设备的运行状况是否异常一般会通过物理过程来进行排查，例如检查设备是否属于落后的设备和工艺并淘汰落后的设备和工艺；现场测量设备的运行效率；依据现场工艺工程师的经验判断设备的能耗是否出现异常等等。此类方法具有效率低、准确性低的缺点。
[0003]除此之外，在现有的一些识别技术也往往存在一些问题导致准确度不高，例如用历史能耗数据拟合出一条理想的能耗曲线，再将真实值与拟合值进行比较，若比较误差的绝对值超出一定的范围，则判定设备能耗异常。但实际上设备的能耗受季节、日期、温度、假期等因素的影响是动态变化的，因此历史的能耗数据并不能准确的描述当下时刻的能耗表现，并且用于判定的误差值也很难准确估计。
[0004]例如，一种在中国专利文献上公开的“一种空分系统的能耗预测方法”，其公告号CN103793754B，以下步骤：采集不同规模的空分设备的能耗数据；对能耗数据利用最小二乘法进行拟合，获得空分设备能耗随空分规模的拟合方程；根据拟合方程通用式确定空分设备电耗；根据空分设备电耗和空分设备的技术功，计算不同规模空分设备的电效率η；根据计算的不同规模空分设备的电效率η确定空分设备的电效率η1；根据各空分设备的电效率η1,计算空分项目中各空分设备的电耗；根据空分项目中各空分设备的能耗，计算获得空分系统的能耗。上述方案采用了拟合曲线和模型方程相结合，利用实测数据得到电效率的拟合曲线，采用拟合曲线的技术方案若比较误差的绝对值超出一定的范围，则判定设备能耗异常，难以融合能耗受季节、日期、温度、假期等因素的影响是动态变化的，拟合曲线无法反应动态变化，无法准确描述每个时刻的能耗表现，以此判断误差会加大能耗判断异常的难度，误判概率极高。

技术实现思路

[0005]本专利技术是为了克服现有技术根据拟合曲线判断能耗容易造成误判进而影响生产运维环节节能部署的问题，提供一种基于能耗区间预测的设备异常诊断方法，判定设备是否异常、设备是否有可节能空间或设备是否出现故障，并为设备的运行和维护提供数据支持，还可以针对能耗过高的设备通过计算能耗值与有关变量的相关系数找出可能导致能耗过高的原因，为之后采取措施降低能耗提供数据支持；针对能耗过低的设备可以进行检查和维护。及时的监控各个设备的能耗情况并对不合理能耗做出反馈，以此达到节能的目的。
[0006]为了实现上述目的，本专利技术采用以下技术方案：
一种基于能耗区间预测的设备异常诊断方法，包括以下步骤：S1、采集历史能耗、时间、日期、温度、天气数据并训练能耗预测模型；S2、进行点预测，预测单位时间的能耗值；S3、进行区间预测，预测单位时间能耗值的上限和下限；S4、检验单位小时真实能耗值是否落在置信区间内；S5、判断该设备能耗是否出现异常，当真实值落在置信区间内时，该设备正常运作；当真实值大于预测的上限时，认为该设备有可节能空间；当真实值小于预测下限时，认为该设备可能出现故障。
[0007]本专利技术对未来能耗值进行了区间预测，区间预测是基于某时刻能耗值的预测得到的，某时刻的能耗值得预测综合考虑了天气状况(晴/阴/雨)、温度和日期类型(工作日/节假日/双休日)等因素的影响，故而预测得到的能耗值比经验值更具有参考价值。
[0008]本专利技术中的能耗值区间预测是基于该设备的历史能耗数据预测得到的，可以将此方法部署到每一台设备，实时监控设备能耗值是否超出预测范围，便于针对不同设备进行节能方案的部署、检修以及日常维护。
[0009]作为优选，所述S3包括以下步骤：S301、采集历史数据；S302、将数据集合进行划分；S303、进行Bootstrap抽样；S304、训练GRU预测模型；S305、测试集合数据点预测；S306、测试集合区间预测；S307、评价区间预测的质量；S308、评价指标是否满足要求，一般来说在PICP≥μ的条件下，PINAW越小越优；CWC越小说明区间预测的质量越好；S309、利用该预测模型预测能耗值的区间，将待评价的数据x*代入S304中的预测模型中得到点预测值，再代入S306中得到区间预测值。
[0010]本专利技术主要基于GRU门控循环单元神经网络算法建立预测模型并预测未来一天内单位时间的能耗值，在预测的过程中，选取最优模型进行多次预测。
[0011]GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network,RNN)的一种，也是LSTM网络的一种效果很好的变体，因此也能够解决长期记忆和反向传播中的梯度等问题；它较LSTM网络的结构更加简单，而且效果也很好。
[0012]作为优选，所述S301包括以下步骤：S3011、采集历史单位小时能耗值、日期类型、天气类型、温度的数据；日期类型包括工作日、节假日、双休日，天气类型包括阴、晴、雨；得到可用于时间序列预测的数据集：H＝[h
t
,h
t+1
......h
t+n
]，其中，h
t
＝[f
t
,d
t
,w
t
,c
t
]，f
t
代表t时间点的能耗值，d
t
代表t时间点的日期类型，w
t
代表t时间点的天气类型，c
t
代表t时间点的温度值，h
t
代表t时间点能耗值、日期类型、天气类型和温度值的数据；S3012、对日期类型和天气类型字段进行one
‑
hot编码：即将类型字段转换成类型为数字的值，便于处理；
S3013、对数据集进行标准化处理：即将能耗，日期类型字段、天气类型的字段以及温度的值缩放到0
‑
1之间；S3014、将时间序列数据集H转化成监督学习数据集W＝[w
t
,w
t+1
......w
t+n
]，其中，w
t
＝[f
t
,d
t,
,w
t
,c
t
,f
t+1
,d
t+1
,w
t+1
,c
t+1
......f
t+k
‑1,d
t+k
‑1,w
t+k
‑1,c
t+k
‑1,f
t+k
,d
t+k
,w
t+k
,c
t+k
]；k＝24代表一天的数据量；S3015、分割数据集W前五分之四为训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于能耗区间预测的设备异常诊断方法，其特征是，包括以下步骤：S1、采集历史能耗、时间、日期、温度、天气数据并训练能耗预测模型；S2、进行点预测，预测单位时间的能耗值；S3、进行区间预测，预测单位时间能耗值的上限和下限；S4、检验单位小时真实能耗值是否落在置信区间内；S5、判断该设备能耗是否出现异常，当真实值落在置信区间内时，该设备正常运作；当真实值大于预测的上限时，认为该设备有可节能空间；当真实值小于预测下限时，认为该设备可能出现故障。2.根据权利要求1所述的一种基于能耗区间预测的设备异常诊断方法，其特征是，所述S3包括以下步骤：S301、采集历史数据；S302、将数据集合进行划分；S303、进行Bootstrap抽样；S304、训练GRU预测模型；S305、测试集合数据点预测；S306、测试集合区间预测；S307、评价区间预测的质量；S308、评价指标是否满足要求，一般来说在PICP≥μ的条件下，PINAW越小越优；CWC越小说明区间预测的质量越好；S309、利用该预测模型预测能耗值的区间，将待评价的数据x*代入S304中的预测模型中得到点预测值，再代入S306中得到区间预测值。3.根据权利要求2所述的一种基于能耗区间预测的设备异常诊断方法，其特征是，所述S301包括以下步骤：S3011、采集历史单位小时能耗值、日期类型、天气类型、温度的数据；日期类型包括工作日、节假日、双休日，天气类型包括阴、晴、雨；得到可用于时间序列预测的数据集：H＝[h
t
,h
t+1
......h
t+n
]，其中，h
t
＝[f
t
,d
t
,w
t
,c
t
]，f
t
代表t时间点的能耗值，d
t
代表t时间点的日期类型，w
t
代表t时间点的天气类型，c
t
代表t时间点的温度值，h
t
代表t时间点能耗值、日期类型、天气类型和温度值的数据；S3012、对日期类型和天气类型字段进行one
‑
hot编码：即将类型字段转换成类型为数字的值，便于处理；S3013、对数据集进行标准化处理：即将能耗，日期类型字段、天气类型的字段以及温度的值缩放到0
‑
1之间；S3014、将时间序列数据集H转化成监督学习数据集W＝[w
t
,w
t+1
......w
t+n
]，其中，w
t
＝[f
t
,d
t
,,w
t
,c
t
,f
t+1
,d
t+1
,w
t+1
,c
t+1
......f
t+k
‑1,d
t+k
‑1,w
t+k
‑1,c
t+k
‑1,f
t+k
,d
t+k
,w
t+k
,c
t+k
]；k＝24代表一天的数据量；S3015、分割数据集W前五分之四为训练集W
train
，后五分之一测试集W
test
；S3016、分离训练集，得到训练集的输入量W
tr...

【专利技术属性】
技术研发人员：王莹璐，周鹏，俞林斌，丁康，曹辉，
申请(专利权)人：浙江浙大中控信息技术有限公司，
类型：发明
国别省市：