【技术实现步骤摘要】
本专利技术涉及能源效率评价，具体涉及大数据驱动的能源效率综合评价系统及方法。
技术介绍
1、随着全球经济的发展和人口的增长，能源供应日益紧张，同时能源消耗也导致了严重的环境污染和气候变化问题。因此，提高能源利用效率成为了当今全球能源管理的重要课题，评价系统是一种利用大数据技术和分析方法来评估和改进能源利用效率的系统，在企业和社会各个层面，能源管理日益受到重视。通过科学的能源管理手段，可以实现资源的合理利用和节约，降低能源成本，提高企业竞争力，减少对环境的影响。
2、现有技术存在以下不足：
3、大数据环境下，能源数据往往来自于多个不同的源头和数据集，能源数据往往存在一定程度的不确定性，例如测量误差、数据缺失等。传统评价系统很难有效地处理这些不确定性，导致评价结果不够可靠，增大评价误差。
技术实现思路
1、本专利技术的目的是提供大数据驱动的能源效率综合评价系统及方法，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：大数据驱动的能源效率综合评价系统，包括数据采集模块、处理模块、参数确定模块、评价模块、管理模块；
3、数据采集模块：收集工厂运行数据，工厂运行数据涵盖一段时期内的工厂运行情况，且工厂运行数据分布于时间和空间，工厂运行数据发送至处理模块；
4、处理模块：对收集到的数据进行预处理，预处理后的工厂运行数据发送至评价模块；
5、参数确定模块：通过贝叶斯推断方法估计贝叶斯网络模型的参数，参
6、评价模块：将工厂运行数据代入训练好的贝叶斯网络模型，通过贝叶斯网络模型分析工厂运行数据后评价工厂能源效率，评价结果发送至管理模块；
7、管理模块：根据实际情况对贝叶斯网络模型进行优化和调整，根据贝叶斯网络模型的输出结果制定能源管理策略和优化生产过程。
8、优选的，所述数据采集模块收集工厂运行数据，工厂运行数据包括生产产量、设备运行状态、环境温度、能源消耗量；
9、所述处理模块对收集到的数据进行预处理，预处理包括数据清洗、缺失值处理、异常值处理。
10、优选的，所述参数确定模块收集一段时间内的工厂数据，包括生产产量、设备运行状态、环境温度和能源消耗量的观测值，对于每个节点，确定条件概率分布，使用高斯分布来表示每个节点的概率分布；
11、设生产产量节点高斯分布的均值为μ1，标准差为σ1；
12、设设备运行状态节点条件概率分布取决于能源消耗量，即在给定能源消耗量的条件下，设备运行状态的高斯分布的均值为μ2+β*能源消耗量，标准差为σ2；
13、设环境温度节点条件概率分布取决于能源消耗量，即在给定能源消耗量的条件下，环境温度的高斯分布的均值为μ3+γ*能源消耗量，标准差为σ3；
14、设能源消耗量节点高斯分布的均值为μ4，标准差为σ4；
15、生产产量节点的均值和标准差从工厂运行数据中计算得出，设备运行状态节点、环境温度节点和能源消耗量节点的参数通过拟合估计，即估计μ2、β、σ2、μ3、γ、σ3、μ4、σ4。
16、优选的，所述贝叶斯网络模型训练包括以下步骤：
17、收集工厂的历史运行数据，包括生产产量、设备运行状态、环境温度、能源消耗量，基于数据挖掘算法构建贝叶斯网络的结构，确定节点和节点之间的依赖关系，贝叶斯网络模型的函数表达式为：
18、
19、式中，p(x)为节点x的生产产量，p(y|e)为节点y的设备运行状态，p(z|e)为节点z的环境温度，p(e)为节点e的能源消耗量，n(·)表示高斯分布，μx为生产产量的均值，σx为生产产量的标准差，μy为在参考能源消耗量下的设备运行状态的均值，βy为能源消耗量对设备运行状态的影响系数，σy为设备运行状态的标准差，μz为在参考能源消耗量下的环境温度的均值，βz为能源消耗量对环境温度的影响系数，σz为环境温度的标准差，μe为能源消耗量的均值，σe为能源消耗量的标准差。
20、对训练得到的贝叶斯网络模型进行验证和评估，检查模型的拟合度和预测性能，根据模型验证和评估的结果，对模型进行调优。
21、优选的，所述评价模块将工厂的运行数据代入训练好的贝叶斯网络模型，使用贝叶斯网络模型基于给定的观测数据计算出各个节点的后验概率分布，基于贝叶斯网络模型推断结果，通过分析生产产量、设备运行状态、环境温度和能源消耗量之间的关系评价工厂的能源效率；
22、通过贝叶斯推断算法进行推断，基于给定的观测数据计算出各个节点的后验概率分布；
23、分析生产产量与能源消耗量之间的关系，确定生产所需的能源消耗情况，分析设备运行状态对能源消耗量的影响，找出设备运行是否有效利用能源的情况，分析环境温度对能源消耗量的影响，识别环境因素对能源效率的影响；
24、通过贝叶斯网络模型对未观测变量进行预测，包括未来某个时间点的生产产量、设备运行状态、环境温度或能源消耗量，基于预测结果评价工厂能源效率。
25、优选的，所述管理模块对贝叶斯网络模型的推断结果进行分析，获取各个节点的后验概率分布，以及节点之间的关系；
26、根据贝叶斯网络模型的输出结果，识别对能源消耗影响最大的关键因素；
27、根据识别出的关键影响因素，制定相应的能源管理策略，能源管理策略包括：
28、根据生产产量的预测结果安排生产计划；
29、根据设备运行状态的分析结果制定设备维护计划；
30、根据环境温度对能源消耗的影响，采取相应的环境控制措施；
31、根据贝叶斯网络模型的结果，引入节能技术和设备。
32、优选的，所述数据采集模块通过数据源收集工厂运行数据，工厂运行数据包括生产产量、设备运行状态、环境温度、能源消耗量；
33、数据源包括工厂内部的传感器、监控设备、生产系统、气象站、能源计量仪；
34、基于评价系统预设的采集频率、采集时间段、采集方式，实时采集工厂运行数据，将采集到的数据存储到数据库或数据仓库中。
35、大数据驱动的能源效率综合评价方法，所述评价方法包括以下步骤：
36、评价系统收集工厂运行数据，包括生产产量、设备运行状态、环境温度、能源消耗量，并对收集到的数据进行预处理；
37、通过贝叶斯推断方法估计贝叶斯网络模型的参数，包括节点之间的概率分布、条件概率分布；
38、将工厂运行数据代入训练好的贝叶斯网络模型，通过贝叶斯网络模型分析工厂运行数据后评价工厂能源效率；
39、根据实际情况对贝叶斯网络模型进行优化和调整，根据模型的输出结果制定能源管理策略和优化生产过程。
40、在上述技术方案中，本专利技术提供的技术效果和优点：
41、本专利技术通过参数确定模块基于贝叶斯推断方法估计贝叶斯网络模型的参数，包括节点之间的概率分布、条件概率分布本文档来自技高网...
【技术保护点】
1.大数据驱动的能源效率综合评价系统，其特征在于：包括数据采集模块、处理模块、参数确定模块、评价模块、管理模块；
2.根据权利要求1所述的大数据驱动的能源效率综合评价系统，其特征在于：所述工厂运行数据包括生产产量、设备运行状态、环境温度、能源消耗量；
3.根据权利要求2所述的大数据驱动的能源效率综合评价系统，其特征在于：所述参数确定模块中，
4.根据权利要求3所述的大数据驱动的能源效率综合评价系统，其特征在于：所述贝叶斯网络模型训练包括以下步骤：
5.根据权利要求4所述的大数据驱动的能源效率综合评价系统，其特征在于：所述评价模块将工厂的运行数据代入训练好的贝叶斯网络模型，使用贝叶斯网络模型基于给定的观测数据计算出各个节点的后验概率分布，基于贝叶斯网络模型推断结果，通过分析生产产量、设备运行状态、环境温度和能源消耗量之间的关系评价工厂的能源效率；
6.根据权利要求5所述的大数据驱动的能源效率综合评价系统，其特征在于：所述管理模块对贝叶斯网络模型的推断结果进行分析，获取各个节点的后验概率分布，以及节点之间的关系；
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。