电力消耗预测方法、电力消耗预测系统及计算机可读存储介质

技术领域

本发明涉及一种用于预测企业工厂等用电单位或空调等用电设备的电力消耗的方法、采用该方法的电力消耗预测系统及计算机可读存储介质。

背景技术

目前的工业或商业用电采用峰谷分时电价，按照价格由高到低基本分为峰时段用电、平时段用电、谷时段用电。其中，峰时段(7：30-11：30、17：00-21：00)用电的价格很高，一般会采取削峰填谷或用其它的用电方式例如太阳能电池、光伏电池、蓄电池等来代替峰时段用电，以削减这一部分的用电成本。因此，在企业工厂制定并执行生产计划时，需要考虑并管理该生产计划相应的电力消耗以避开或减少峰时段用电，从而控制生产成本，实现合理用电。

例如，专利文献1公开的用于监视和控制产品批次的生成的能量成本的方法中，其在执行生产过程期间对生产过程中的每一个单独的生产步骤都测定其能量消耗，并将所得到的能量消耗数据和特定产品批次的生产特定数据相关联，通过将能量消耗简况与能量成本简况进行比较，来调整至少一个生产步骤的调度顺序，以避免消耗峰时段用电和/或以低成本间隔消耗能量。

专利文献2中公开了一种预测能量存储设备的功率上限(功耗最小值)的方法，其利用历史数据确定出历史时间段的最佳功率上限，进而结合天气和建筑物数据等经由训练神经网络，预测出未来使用时间周期的最佳功率上限。

现有技术文献

专利文献

专利文献1：CN110032149A

专利文献2：CN109670627A

发明内容

发明所要解决的技术问题

在专利文献1中，用于将生产设施/生产线相对于特定产品批次的能量消耗作为生产的直接组成部分进行考虑，将生产数据和能量消耗数据以及算法相关联，并与能量成本进行比较，通过减少峰时段用电的需求和波动来提高能量效率，通过根据能量成本重新安排和优化生产步骤来降低能量成本。然而，该方法是在特定批次的生产过程执行期间测量该批次的能量消耗，通过建立数据模型关联生产数据和能量消耗数据，进而优化该生产计划，因此存在不能在正式执行生产计划之前预测该生产计划相应的能量消耗的问题。如果企业工厂能够在执行生产计划之前，预测到相应的能量消耗，就能提前应对峰时段用电，或采取替代的用电方式以降低成本，或调整生产计划以实现成本的降低和绿色生产。

专利文献2中，虽然能够根据历史数据来预测未来的最佳功率上限，但其利用的是仪表数据(功率表数据)和天气或建筑物的数据等，也无法在正式执行生产计划之前预测该生产计划相应的能量消耗。

本发明鉴于这种情况而完成，其目的在于提供一种电力消耗预测方法、电力消耗预测系统及计算机可读存储介质，其能够根据预测对象的历史生产数据及相应的电力消耗数据来预测当前生产计划的电力消耗数据，根据预测结果来调整或控制生产计划，从而减少峰时段用电，降低用电成本，实现电力资源的最优配置。

解决技术问题所采用的技术手段

根据本发明实施例的一个方面，提供一种电力消耗预测方法，其包括以下步骤：

(1)预测对象根据生产计划或工作计划进行生产或工作；

(2)获取所述预测对象在预定期间内的实际生产量数据或实际工作量数据，并测量与所述预定期间内的所述实际生产量数据或实际工作量数据相对应的所述预测对象在所述预定期间内的每单位时间的实际电力消耗值数据即每单位时间实际电力消耗值数据；

(3)对所述实际生产量数据或实际工作量数据与所述每单位时间实际电力消耗值数据进行学习，并建立数据模型；

(4)当所述预测对象要根据新的生产计划或工作计划进行生产或工作时，基于所述数据模型，预测出所述新的生产计划或工作计划所对应的每单位时间内的预测电力消耗值数据即每单位时间预测电力消耗值数据。

可选地，所述每单位时间预测电力消耗值数据被提供给电力管理系统，以管理和控制所述预测对象的实际电力消耗。

可选地，对测量到的所述实际生产量数据或实际工作量数据、以及所述每单位时间实际电力消耗值数据进行筛选，选取特征数据用于建立所述数据模型。

可选地，对所述特征数据进行分析，生成包括线性回归模型、非线性回归模型、人工神经网络模型在内的多个分析模型。

可选地，将测量到的所述实际生产量数据或实际工作量数据、所述每单位时间实际电力消耗值数据代入分析模型，并与预测到的所述每单位时间预测电力消耗值数据进行比较，对所述多个分析模型分别进行验证和评估，从中选定用于建立所述数据模型的分析模型。

可选地，所述每单位时间实际电力消耗值数据和所述每单位时间预测电力消耗值数据表示所述预测对象在每单位时间内的电力消耗峰值。

可选地，所述预定期间为一天，所述单位时间为一分钟。

可选地，所述预测对象是包括工厂、大楼、医院、商场在内的电力消耗场所。

可选地，所述预测对象是包括空调、电动机在内的电力消耗设备。

根据本发明实施例的另一个方面，还提供一种电力消耗预测系统，用于上述电力消耗预测方法，该电力消耗预测系统包括：

获取模块，用于获取预测对象根据生产计划或工作计划进行生产或工作时在预定期间内的实际生产量数据或实际工作量数据；

测量模块，用于测量与所述预定期间内的所述实际生产量数据或实际工作量数据相对应的所述预测对象在所述预定期间内的每单位时间的实际电力消耗值数据即每单位时间实际电力消耗值数据；

数据建模模块，对所述实际生产量数据或实际工作量数据与所述每单位时间实际电力消耗值数据进行学习，并建立数据模型；

预测模块，当所述预测对象要根据新的生产计划或工作计划进行生产或工作时，基于所述数据模型，预测出所述新的生产计划或工作计划所对应的每单位时间内的预测电力消耗值数据即每单位时间预测电力消耗值数据。

可选地，所述数据建模模块包括：

特征数据提取部，对测量到的所述实际生产量数据或实际工作量数据、以及所述每单位时间实际电力消耗值数据进行筛选，选取特征数据用于建立所述数据模型；以及

AI学习部，该AI学习部对所述特征数据进行学习，生成包括线性回归模型、非线性回归模型、人工神经网络模型在内的多个分析模型，并将测量到的所述实际生产量数据或实际工作量数据、所述每单位时间实际电力消耗值数据代入所述分析模型，以与预测到的所述每单位时间预测电力消耗值数据进行比较，从而对所述多个分析模型分别进行验证和评估，从中选定用于建立所述数据模型的分析模型。

根据本发明实施例的又一方面，本发明还提供一种计算机可读存储介质，其存储有用于使计算机执行上述电力消耗预测方法的计算机程序。

发明效果

根据本发明的电力消耗预测方法，利用预测对象在预定期间内的实际生产量数据或实际工作量数据，并测量与所述预定期间内的所述实际生产量数据或实际工作量数据相对应的所述预测对象每单位时间的实际电力消耗值数据，通过学习建立两者之间相关联的数据模型，通过输入新的生产计划或工作计划，基于所述数据模型，预测出所述新的生产计划或工作计划所对应的每单位时间内的预测电力消耗值数据,从而可以根据预测结果来调整或控制生产计划，选择替代的用电方式，减少峰时段用电，降低用电成本，实现电力资源的最优配置。

附图说明

图1为通过削峰填谷以节约用电成本的概念图。

图2为本发明实施例1的电力消耗预测方法的流程图。

图3表示本发明实施例1的电力消耗预测方法中的数据模型建立流程图。

图4为本发明实施例2的电力消耗预测方法的流程图。

图5为本发明实施例3的电力消耗预测系统的功能框图。

具体实施方式

<电力消耗预测方法>

实施例1

以下参照图1～3，对本发明的电力消耗预测方法的实施例1进行说明。

在对本发明的电力消耗预测方法进行说明之前，首先对于通过削峰填谷以节约用电成本的概念进行简要说明。

图1表示一天内的电力消耗值(用电需求量)的曲线图。如图1所示，当电力消耗值趋近峰时段用电的区间时，为了避免支付昂贵的电费，需要采取措施来降低这一区间的电力消耗值，例如采用太阳能电池、光伏电池等其它替代方式、或者调节和控制生产计划以减少峰时段用电。

在本发明的实施例1中，将企业要执行生产计划的工厂作为预测对象的示例，利用本发明的电力消耗预测方法来预测该工厂在执行生产计划时将发生的电力消耗，从而能够提前避开或减少峰时段用电，实现成本的降低。当然，此处的预测对象并不限于工厂，也可以是商场、医院、大楼等其它用电单位。

图2是根据本发明的实施例1的电力消耗预测方法的流程图，如图2所示，该电力消耗预测方法包括如下步骤。

步骤S201：工厂根据生产计划进行生产，并记录一定期间内(例如一天内)的实际生产量数据，包括一天内生产的产品数量、一天内生产计划的完成率、一天内的出货率等；

步骤S202：测量工厂在这一天内每单位时间(例如每分钟)的实际电力消耗值数据，例如可以通过安装于生产线上或各生产设备上的传感器等得到各个步骤或环节的每分钟实际电力消耗值，再经过累计得到总的每分钟实际电力消耗值；

步骤S203：对上述记录的每天生产量数据与测量得到的每单位时间实际电力消耗值数据进行学习，建立数据模型，具体将在后文中阐述；

步骤S204：当工厂要根据新的生产计划进行生产时，将新的生产计划输入上述数据模型，预测出新的生产计划所对应的每单位时间内的预测电力消耗值数据。

步骤S205：根据上述预测结果，控制电力管理系统，以在正式执行新的生产计划之前积极地应对峰时段用电或用其它用电方式来代替。

具体而言，步骤S201中，在工厂根据生产计划(历史生产计划)进行生产时，实时地记录并存储生产相关的数据，例如每种产品一天内的产量(个数或台数)、单种产品一天内的完成率(％)、生产计划在一天内的进度(％)、一天内的出货率或成品率等。这些采集到的数据可以存储在工厂内的存储设备中，也可以通过网络传输到专门的服务器。这里的“一天”只是一种示例，当然，也可以是其它的期间长度，例如对于每日只运行半天的生产计划来说，可以是将“半天”作为期间长度，对于非连续作业的情况下，也可以将“两天”、“五天”作为期间长度等。

另一方面，大多数情况下，工厂的生产计划在很大程度上会受到天气等的影响。例如日照时长、空气湿度、温度、台风或暴雨等恶劣天气会直接影响工厂部分设备的运行，从而影响当日的生产量，因此，步骤S201中记录的每一天的实际生产量数据包括了当日的天气等会影响生产的其它信息。

步骤S202中，测量每一台生产设备在上述一天的生产过程中的每分钟电力消耗值，测量得到的数据也同样存储到存储设备或传输到服务器，并通过求和得出在这一天内的每分钟总电力消耗值。这里的“每分钟”只是一种示例，也可以是每5分钟、每10分钟等，可根据精度的要求或设备的规格适当地设定。本实施例中，所测量的实际电力消耗值数据采用工厂每分钟的实际电力消耗峰值，也可以采用平均值等，但针对峰时段用电而言，采用电力消耗峰值更为优选。

步骤S203中，利用CPU等控制中心或上述服务器等，对上述每天生产量数据和每分钟实际电力消耗值数据进行分析，根据数据之间的关系建立数据模型，具体如图3所示。

图3表示本发明的实施例1的电力消耗预测方法中基于机器学习(AI学习)的数据模型建立的具体过程。

步骤S301：从存储的多个每天生产量数据、每分钟实际电力消耗值数据中，根据后文所述的相应的分析模型选取特征数据，例如去掉取值变化小的特征、皮尔森(Pearson)相关系数等。其中，所选取的每天生产量数据如上所述，包含了日照时长、空气湿度、温度、台风或暴雨等天气的信息。例如，以日照时长为例，选取与所要预测的未来时间段具有相似的日照时长或者日照强度的历史时间段内的生产量数据。此处特征数据的选取可以参照所要预测的未来时间段的天气预报(可以是由气象台向公众广播的天气预报，也可以是专用的设备自行预测到的天气信息)来进行选取。而每分钟实际电力消耗值的数据包括单个产品每分钟的实际电力消耗值数据，也可以包括多种产品的组合(包含多种组合)每分钟的实际电力消耗值数据等，根据产品相互之间的组合程度来进行选取。

步骤S302：选择数据分析方法，针对特征数据生成相应的分析模型，从而对所存储的每天生产量数据、每分钟实际电力消耗值数据进行学习，得出两者之间的相应关系。例如上述的单个产品每分钟的实际电力消耗值数据可以选择线性回归模型，多种产品的简单组合每分钟的实际电力消耗值数据可以选择非线性回归模型，而多种产品的复杂组合每分钟的实际电力消耗值数据可以选择人工神经网络(ANN)模型等。这里的线性回归模型、非线性回归模型、人工神经网络模型仅仅是本发明所选用分析方法的示例，并不构成限定，也可以根据所存储数据的特性和具体分析的需求而选择其它模型或自定义模型。

步骤S303：对步骤S302中生成的各种分析模型进行验证和评估，例如代入多组已存储的历史每天生产量数据、每分钟实际电力消耗值数据，根据分析模型计算出的两者之间的相应关系，来得出分析模型的分析结果与所存储数据之差，用于确定当前的分析模型是否适合所选取的这些历史数据。同时考虑生产线空转、生产产品切换、生产线维护等影响条件，计算出所选取分析模型与实际数据的综合误差。根据误差结果，例如在误差小于规定百分比的情况下，选择该分析模型为适合所选特征数据的分析模型。

步骤S304：对所选择的分析模型进行反馈和校正，建立最终的数据模型。在所选择的分析模型运行时，可以实时或者每隔一定时间监控该分析模型的运行结果(预测值)与所对应的实际值之间的一致性。例如，记录每次分析模型得出的电力消耗值数据的预测值，并将该预测值与这一次预测所对应的实际电力消耗值数据进行比较，如果两者之差在预定范围内，表示当前的分析模型仍然适合，可以继续运行，如果两者之差超过了预定范围，表示当前的分析模型偏离了理想状态，需要进行校正，例如计算各种校正系数或者进行插值等，使得作为比较结果的两者之差能够回到预定范围内，以确保进行学习的分析模型始终是适合所选特征数据的分析模型。将由此得到的分析模型作为最终的数据模型。在该步骤S304中，如上所述，上述反馈和校正可以实时进行，也可以在分析模型的运行达到规定次数之后自动触发校正，还可以由操作人员根据实际需要进行校正。回到图2，在建立了最终的数据模型后，步骤S204中，当工厂要根据新的生产计划进行生产时，通过将新的生产计划(每天生产量数据)输入上述数据模型，通过数据的配对、整合、分类以及上述的AI学习和分析，利用数据模型，计算出新的生产计划所对应的每分钟电力消耗值数据的预测值。该预测值能够清楚地表示出新的生产计划在执行时将产生的每分钟内的实际电力消耗值数据。

例如，当工厂的生产计划主要受天气条件的影响时(此处不考虑机器老化、电路故障等其它因素)，基于数据模型对新的生产计划进行逐日分析，结合未来每一天的天气预报(气象局发布的公众信息)或其它能够预测到天气变化的信息，利用上述数据模型在已存储的历史数据(训练数据)中查找相同或相近的数据进行配对和机器学习，从而得出新的生产计划所对应的每分钟电力消耗峰值。

在步骤S205中，当步骤S204中的预测结果如图1所示那样在峰时段用电区间出现较大的电力消耗值时，企业可以采取相应的措施，例如将预测值数据传输至电力管理系统，由电力管理系统来选择太阳能电池、光伏电池、充电电池等任意的用电方式来代替这一区间的用电，从而减少峰时段用电，降低生产成本。而且，经过步骤S301～步骤S304得到的数据模型始终是适合所选数据的分析模型，从而确保了预测的精度和准确度。

实施例2

实施例1中针对工厂这样的大型电力消耗场所执行生产计划的电力消耗值进行了预测，但本发明的电力消耗预测方法也同样适用于空调、电动机等功耗较大的电力消耗设备。在本实施例中，以设置在商场内的中央空调为例来进行说明。

图4是根据本发明的实施例2的电力消耗预测方法的流程图，如图4所示，该电力消耗预测方法包括如下步骤。

步骤S401：空调根据预设的工作计划运行，该工作计划包括每天的运行时段、根据外部气温变化的风量大小、目标温度、不同季节的运行模式等等，并记录空调在实际运行时与这些设置相应的每天实际工作量数据，例如每天的输出功率、制热或制冷范围、空调运行带来的温度变化量等。

步骤S402：测量空调在这一天内每分钟的实际电力消耗值数据，即每分钟的电力消耗峰值。

这里的“每分钟”只是一种示例，也可以是每5分钟、每10分钟等，可根据精度的要求或设备的规格适当地设定。本实施例中，所测量的实际电力消耗值数据采用空调每分钟的实际电力消耗峰值，也可以采用平均值等，但针对峰时段用电而言，采用电力消耗峰值更为优选。

步骤S403：对上述每天实际工作量数据与测量得到的每分钟实际电力消耗值数据进行学习，建立数据模型。

步骤S404：当空调要根据新的工作计划运行时，例如气温骤降导致本只运行除湿模式的时节需要提前制热的情况下，将相应的工作计划输入上述数据模型，预测出新的工作计划所对应的每单位时间内的预测电力消耗值数据。

步骤S405：根据上述预测结果，控制电力管理系统，针对将在峰时段用电区间产生的大功耗，选取其它用电方式来代替峰时段用电。

其他用电方式包括诸如选择太阳能电池、光伏电池、充电电池等任意的用电方式来代替这一区间的用电，或者企业适当地调整工作计划，以使调整后的工作计划对应的实际电力消耗值的预测值在峰时段用电的千瓦时控制在最低限度，从而减少峰时段用电，降低运行成本。

关于步骤S403中的数据模型，采用与图3所示方法相同的流程，因此这里省略说明。

通过采用本发明的实施例的电力消耗预测方法，对于空调、电动机等功耗较大的设备，可以根据其工作计划预测其每分钟的电力消耗，从而能提前设计峰时段用电的代替方式或装置，由此来降低用电成本。

<电力消耗预测系统>

实施例3以上针对本发明的电力消耗预测方法应用于工厂等电力消耗场所、以及空调等电力消耗设备的情况进行了说明，本发明基于上述方法，还能够提供一种电力消耗预测系统。

图5是本发明的电力消耗预测系统的功能框图。该电力消耗预测系统500包括：获取模块501，用于获取工厂或空调等预测对象根据其生产计划或工作计划进行生产或工作时在一天(预定期间)内的实际生产量数据或实际工作量数据，该数据可以从工厂的每日生产报告或生产日志、空调的工作日志等获取，也可以从存储有各种生产计划或工作计划的控制中心获取；测量模块502，用于测量工厂或空调一天内的每单位时间(例如每分钟)的实际电力消耗峰值；数据建模模块503，对上述实际生产量数据或实际工作量数据与相应的每单位时间实际电力消耗值数据进行学习，并建立数据模型；以及预测模块504，将工厂要进行的新的生产计划或空调要运行的新的工作计划输入至该预测模块504，该预测模块504利用数据建模模块503所得出的最终数据模型，输出与新的生产计划或工作计划所对应的每分钟电力消耗峰值的预测值。

本发明的电力消耗预测系统500与工厂或空调的电力控制系统510协作，从预测模块504输出的实际每分钟电力消耗峰值输入到电力控制系统510，电力控制系统510根据预测到的电力消耗情况来选择替代的用电方式，或者控制各种设备，或者向生产计划或控制计划的制定方发送调整生产计划方案等。由此，运行新的生产计划或工作计划时，用电成本得到控制，并且能够实现绿色生产。

电力消耗预测系统500中的数据建模模块503根据图3所示的流程，具体包括特征数据提取部5031，对测量到的实际生产量数据或实际工作量数据、以及每单位时间实际电力消耗值数据进行筛选，选取特征数据；以及AI学习部5032，该AI学习部5032中，由分析模块对特征数据进行学习，生成包括线性回归模型、非线性回归模型、人工神经网络模型等在内的多个分析模型，由验证模块利用测量到的多组数据对多个分析模型分别进行验证，由选定模块根据验证的结果选定用于建立数据模型的分析模型，由反馈校正模块该分析模型进行反馈和校正。其中，验证模块除了利用所测量的各组数据以外，也可以利用预测模块504预测出的数据来进行验证，以提高数据模型以及预测结果的精确性。

数据建模模块503除了以上各功能部件以外，还可以包括输入模块、存储模块、通信模块、显示模块、电源模块等执行相应的功能。例如通过通信模块与外部的服务器或控制中心进行通信，利用显示模块显示各种所需的信息等。

另外，本发明还提供一种计算机可读存储介质，存储有用于使计算机备(可为个人计算机、服务器或者网络设备等)执行上述电力消耗预测方法的程序。存储介质包括：U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

标号说明

500电力消耗预测系统

501获取模块

502测量模块

503数据建模模块

5031特征数据提取部

5032AI学习部

504预测模块

510电力控制系统。