一种建筑电力机组的全工况能耗预测与能效优化方法

技术领域

本发明涉及能效优化技术领域，特别涉及一种建筑电力机组的全工况能耗预测与能效优化方法。

背景技术

为了实现节能环保，减少不必要的能耗，亟需对建筑楼宇的电力机组的系统的能源消耗进行智能监测和能耗数据分析，建立影响能源消耗的多变量模型，进一步实现能效优化。

因此，本发明提出一种建筑电力机组的全工况能耗预测与能效优化方法。

发明内容

本发明提供一种建筑电力机组的全工况能耗预测与能效优化方法，用以通过对历史运行日志的数据进行能耗关联分析构建能耗预测模型，并通过能耗预测模型预测建筑电力机组的当下能耗及每个电力设备的可调整工况，通过物联网控制箱对相应电力设备进行调整实现能效优化。

本发明提供一种建筑电力机组的全工况能耗预测与能效优化方法，包括：

步骤1：获取建筑电力机组的历史运行日志，并从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据；

步骤2：对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，并构建能耗预测模型；

步骤3：获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，并将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况；

步骤4：基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化。

在一种可能实现的方式中，从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据，包括：

基于每个电力设备的全工况状态，对所述历史运行日志进行数据提取；

基于提取结果，确定每个电力设备在不同工况下的运行数据，得到全工况运行数据。

在一种可能实现的方式中，对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，包括：

根据每个电力设备的全工况运行数据，确定同个电力设备在不同时刻下的第一工况数组，并对所述第一工况数组进行能耗转换，得到第一能耗数组；

将不同电力设备的第一能耗数组进行时间对齐处理，构建得到第一能耗矩阵，并分别提取第一能耗矩阵中的每列，作为初始组合；

计算每个初始数组的第一能耗值，同时，对所有初始数组进行重合归类，且结合重合归类对应的组合重合度对相应归类下的所有第一能耗值进行预处理，得到第二能耗值，其中，重合归类指的是不同时刻下的电力设备的运行设置参数一致；

；其中，/>

基于同个重合归类下的第二能耗值以及所有第一能耗值，确定标准能耗方差

；其中，/>

根据非重合归类的运行设置数组以及第一能耗数组，向非重合归类下的每个电力设备配置第二能耗因子，得到非重合归类下的能耗组合；

其中，/>

在一种可能实现的方式中，构建能耗预测模型，包括：

将所有同个重合归类下的能耗组合、第一运行设置状态输入到神经网络模型进行第一主要训练，同时，将与所有同个重合归类一致的初始组合输入神经网络模型进行第一辅助训练；

将所有非重合归类下的能耗组合、第二运行设置状态输入到神经网络模型进行第二主要训练，同时，将与所有非重合归类一致的初始组合输入到神经网络模型进行第二辅助训练；

基于训练结果，得到能耗预测模型。

在一种可能实现的方式中，获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，包括：

对所述建筑电力机组中的每个电力设备的实时运行状态进行实时监测，并基于实时监测结果得到每个电力设备在当下时刻的运行信息；

对当下时刻的运行信息按照能耗预测模型的输入标准进行信息标准化，并将标准化信息输入到能耗预测模型，得到每个电力设备的预测能耗，并将所述预测能耗作为相应电力设备的当下能耗。

在一种可能实现的方式中，将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况，包括：

将每个电力设备的当下能耗进行叠加得到当下的综合能耗，并基于每个电力设备的预设能耗条件，得到当下的允许最大能耗；

将当下的综合能耗与允许最大能耗进行比较，若当下的综合能耗小于或等于允许最大能耗，则控制每个电力设备按照当下工况继续运行；

若当下的综合能耗超过允许最大能耗，则对每个电力设备的当下工况进行调整；

基于正常运行原则获取建筑电力机组中每个电力设备与当下时刻对应的正常运行条件对应一致的待调整工况集合，并基于能耗最优原则从对应电力设备的待调整工况集合中进行选择，确定每个电力设备的可调整工况。

在一种可能实现的方式中，基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化，包括：

将每个电力设备的当下工况与相应可调整工况进行比较，得到调整策略；

通过物联网控制箱对每个电力设备的工况按照所述调整策略进行工况转换，实现能效优化。

本发明提供一种建筑电力机组的全工况能耗预测与能效优化装置，包括：

数据获取模块：获取建筑电力机组的历史运行日志，并从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据；

模型构建模块：对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，并构建能耗预测模型；

工况确定模块：获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，并将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况；

工况调整模块：基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种建筑电力机组的全工况能耗预测与能效优化方法的流程图；

图2为本发明实施例中物联网控制箱的机身结构设计图；

图3为本发明实施例中物联网控制箱的控制界面展示图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，如图1所示，包括：

步骤1：获取建筑电力机组的历史运行日志，并从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据；

步骤2：对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，并构建能耗预测模型；

步骤3：获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，并将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况；

步骤4：基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化。

该实施例中，建筑电力机组是由在建筑楼宇的过程中需要使用到的电力设备所组成的，比如，空调及供暖设备、电梯、水泵、通风机等。

该实施例中，全工况运行数据是指每个电力设备在不同工况下的全部运行数据，比如空调在不同制冷温度下的运行数据，其中运行数据包括能耗数据、运行状态数据等。

该实施例中，能耗关联分析是指将不同电力设备的工况与能耗情况进行关联，得到电力设备的不同工况下的能耗组合，其中，能耗组合是指同时刻下的不同电力设备在正常运行状态下的能耗情况。

该实施例中，能耗预测模型是指通过各电力设备的运行设置参数得到此时各电力设备的当下能耗。

该实施例中，运行信息包括各电力设备的不同工况情况及当下工况的具体设置信息，比如空调在制冷工况下的具体设置制冷温度等信息。

该实施例中，当下的综合能耗是指在当前时刻所有电力设备的能耗的总值。

该实施例中，允许最大能耗是指能耗的最大值，即各电力设备的能耗总之的最大允许值。

该实施例中，能耗最优原则是指在建筑电力机组的运行过程中保证所有电力设备的总能耗最低，正常运行原则是指能够保证所有电力设备都能够正常运行。

该实施例中，可调整工况是指在能耗最优原则和正常运行原则的约束下能够对各电力设备的运行工况进行调整的范围。

该实施例中，物联网控制箱为全铝机身的结构，机身的框架为全铝框架且使用铝合金连接件及铝合金加强肋，具体如图2所示，物联网控制箱包括：电源、自动手动报警切换按键、紧急制动按键、自动手动关闭旋钮、频率控制按键、故障按键、启动关闭按键、太阳能控制按键、各电力设备状态灯板、控制屏、运行时间显示屏，具体如图3所示。

该实施例中，能效优化是指实现在保证电力机组正常运行的情况下降低电力机组的总能耗。

上述技术方案的有益效果是：通过获取历史运行日志及对历史运行日志中的全工况运行数据进行能耗关联分析，构建能耗预测模型，保证了能耗预测的精确性，通过将当下的综合能耗与允许最大能耗进行比较且按照能耗最优原则和正常运行原则确定每个电力设备的可调整工况，并通过物联网控制箱对工况进行调整，实现了对工况的控制，保证了电力机组中的每个电力设备在正常运行的情况下有效实现能耗优化。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据，包括：

基于每个电力设备的全工况状态，对所述历史运行日志进行数据提取；

基于提取结果，确定每个电力设备在不同工况下的运行数据，得到全工况运行数据。

该实施例中，全工况状态是指每个电力设备的所有工况状态，比如空调全工况状态包括制冷、制热、加湿等。

该实施例中，提取结果是指历史运行日志中有关于每个电力设备全工况状态的运行数据。

上述技术方案的有益效果是：通过从历史运行数据中进行数据提取，并从提取中确定每个电力设备的全工况运行数据，为后续进行能耗关联分析提供了有力的数据支撑，保证了数据来源的可靠性。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，包括：

根据每个电力设备的全工况运行数据，确定同个电力设备在不同时刻下的第一工况数组，并对所述第一工况数组进行能耗转换，得到第一能耗数组；

将不同电力设备的第一能耗数组进行时间对齐处理，构建得到第一能耗矩阵，并分别提取第一能耗矩阵中的每列，作为初始组合；

计算每个初始数组的第一能耗值，同时，对所有初始数组进行重合归类，且结合重合归类对应的组合重合度对相应归类下的所有第一能耗值进行预处理，得到第二能耗值，其中，重合归类指的是不同时刻下的电力设备的运行设置参数一致；

；其中，/>

基于同个重合归类下的第二能耗值以及所有第一能耗值，确定标准能耗方差

；其中，/>

根据非重合归类的运行设置数组以及第一能耗数组，向非重合归类下的每个电力设备配置第二能耗因子，得到非重合归类下的能耗组合；

其中，/>

该实施例中，第一工况数组是指同个电力设备在不同时刻下的具体运行工况数组，也就是具体的运行数据，且不同情况下的工况对应的运行情况会存在不同。

该实施例中，能耗转换是将工况数组涉及到的工况数据进行匹配转换，得到的能耗数据，且是基于工况-能耗映射表转换得到的，该工况-能耗映射表包含不同的工况数据以及与工况数据所匹配的能耗在内，比如，工况是运转三档，此时，所对应的能耗匹配为100J。

该实施例中，电力设备1的第一工况数组为[时刻1的工况数据 时刻2的工况数据时刻3的工况数据 ...]。

该实施例中，第一能耗数组为[时刻1的能耗 时刻2的能耗 时刻3的能耗...]，且第一能耗数组中包括n2个元素。

该实施例中，第一能耗矩阵=

该实施例中，初始数组比如：[设备1在时刻1的能耗 ...设备n1在时刻1的能耗]。

该实施例中，第一能耗值=对应列中所有能耗的累加和。

该实施例中，组合归类指的是对应时刻下电力设备的运行设置参数一致，比如，存在n2个时刻，且时刻1、3、4、5下的设备运行设置参数一致，此时，将运行设置参数所对应一致的时刻归为一组，因为，设备在实际运行过程中会因为自身误差或者系统本身失误等，导致实际运行参数与运行设置参数在不同时刻下存在一定的差异。

该实施例中，能耗组合：[设备1的第一能耗因子 设备2的第一能耗因子 ...设备n1的第一能耗因子]。

上述技术方案的有益效果是：通过对每个电力设备的全工况运行数据进行数据分析，并通过能耗转换得到每个电力设备在不同工况下的全部能耗组合，保证了能耗组合的全面性，为后续构建能耗预测模型提供了便利。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，构建能耗预测模型，包括：

将所有同个重合归类下的能耗组合、第一运行设置状态输入到神经网络模型进行第一主要训练，同时，将与所有同个重合归类一致的初始组合输入神经网络模型进行第一辅助训练；

将所有非重合归类下的能耗组合、第二运行设置状态输入到神经网络模型进行第二主要训练，同时，将与所有非重合归类一致的初始组合输入到神经网络模型进行第二辅助训练；

基于训练结果，得到能耗预测模型。

该实施例中，第一运行设置状态是指在不同时刻下电力设备运行参数相同时的运行设置状态。

该实施例中第一主要训练是指通过对同个重合归类下的能耗组合以及第一运行设置状态进行训练得到符合第一运行设置状态的电力设备的能耗的过程，并通过对同个重合归类一致的初始组合进行辅助训练提高了训练结果的准确性。

该实施例中，第二运行设置状态是指在不同时刻下反映电力设备运行参数的运行设置状态。

该实施例中，第二主要训练是指对所有非重合归类下的能耗组合以及第二运行设置状态进行训练得到符合第二运行设置状态的电力设备的能耗的过程，并通过对飞虫和归类下的初始组合进行辅助训练提高训练结果的准确性。

上述技术方案的有益效果是：通过神经网络模型对已知的同个重合归类下的能耗组合、运行设置状态、相应初始组合进行训练得到符合重合归类的组合的能耗情况，保证了数据的精确性，通过对非重合归类下的能耗组合、运行设置状态以及相应初始组合进行训练得到飞虫和归类组合的能耗情况保证了数据的全面性，为后续通过能耗预测模型进行能耗预测得到准确数据提供了有力的保障。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，包括：

对所述建筑电力机组中的每个电力设备的实时运行状态进行实时监测，并基于实时监测结果得到每个电力设备在当下时刻的运行信息；

对当下时刻的运行信息按照能耗预测模型的输入标准进行信息标准化，并将标准化信息输入到能耗预测模型，得到每个电力设备的预测能耗，并将所述预测能耗作为相应电力设备的当下能耗。

该实施例中，能耗预测模型的输入标准是指能耗预测模型中能够反映出相应能耗情况的输入标准。

该实施例中，信息标准化是通过将当下时刻的运行信息按照输入标准进行信息提取得到符合输入标准的信息的过程。

该实施例中，预测能耗是指通过相应标准化信息进行预测得到的能耗。

上述技术方案的有益效果是：通过对每个电力设备的当下时刻运行信息进行信息标准化保证了能耗预测的有效性，并且提高了能耗预测的效率，为后续确定可调整工况提供了便利。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况，包括：

将每个电力设备的当下能耗进行叠加得到当下的综合能耗，并基于每个电力设备的预设能耗条件，得到当下的允许最大能耗；

将当下的综合能耗与允许最大能耗进行比较，若当下的综合能耗小于或等于允许最大能耗，则控制每个电力设备按照当下工况继续运行；

若当下的综合能耗超过允许最大能耗，则对每个电力设备的当下工况进行调整；

基于正常运行原则获取建筑电力机组中每个电力设备与当下时刻对应的正常运行条件对应一致的待调整工况集合，并基于能耗最优原则从对应电力设备的待调整工况集合中进行选择，确定每个电力设备的可调整工况。

该实施例中，每个电力设备的预设能耗条件是指当下运行工况下的每个电力设备的最大允许能耗，是由每个电力设备本身的设备条件以及电力机组的总能耗条件共同决定的。

该实施例中，待调整工况集合包括每一个电力设备的所有可调整工况。

上述技术方案的有益效果是：通过当下综合能耗与允许最大能耗的比较确定是否需要进行工况调整，提高了能效优化的效率，通过正常运行原则与能耗最优原则确定每个电力设备的可调整工况，保证了每个电力设备在正常运行的同时实现能效优化。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化方法，基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化，包括：

将每个电力设备的当下工况与相应可调整工况进行比较，得到调整策略；

通过物联网控制箱对每个电力设备的工况按照所述调整策略进行工况转换，实现能效优化。

该实施例中，调整策略包括每个电力设备的调整过程，通过调整过程能够使得每个电力设备的工况与可调整工况一致。

上述技术方案的有益效果是：通过将当下工况与可调整工况进行比较得到调整策略提高了工况转换的准确性，通过物联网控制箱对建筑电力机组进行工况调整，使得工况调整的过程变得简便。

本发明实施例提供一种建筑电力机组的全工况能耗预测与能效优化装置，包括：

数据获取模块：获取建筑电力机组的历史运行日志，并从所述历史运行日志中获取得到所述建筑电力机组中每个电力设备的全工况运行数据；

模型构建模块：对所述全工况运行数据进行能耗关联分析，确定所述建筑电力机组中不同电力设备在同时刻处于不同运行状态下的能耗组合，并构建能耗预测模型；

工况确定模块：获取所述建筑电力机组中每个电力设备在当下时刻的运行信息，并依次输入到所述能耗预测模型中，预测每个电力设备的当下能耗，并将当下的综合能耗与允许最大能耗进行比较，且按照能耗最优原则以及正常运行原则，确定每个电力设备的可调整工况；

工况调整模块：基于物联网控制箱控制相应电力设备按照所述可调整工况进行工况转换，实现能效优化。

上述技术方案的有益效果是：通过获取历史运行日志及对历史运行日志中的全工况运行数据进行能耗关联分析，构建能耗预测模型，保证了能耗预测的精确性，通过将当下的综合能耗与允许最大能耗进行比较且按照能耗最优原则和正常运行原则确定每个电力设备的可调整工况，并通过物联网控制箱对工况进行调整，实现了对工况的控制，保证了电力机组中的每个电力设备在正常运行的情况下有效实现能耗优化。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。