本发明专利技术实施例提供一种基于AHP模型自学习的能耗分析方法及装置，所述方法包括：获取能耗信息，确定能耗因子，并获取因子属性；根据能耗信息建立AHP模型的第一层结构，并根据能耗因子的因子属性构建AHP模型的第二、三层结构；获取能耗信息对应生产线的历史数据，并获取历史数据对应的数据大小及数据标签，根据数据大小及数据标签，对AHP模型的能耗因子进行自下而上的遍历匹配，调整AHP模型中能耗因子的因子权重；获取生产线的任意能耗因子的实时数据，输入模型，得到生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重，以及总能耗。采用本方法能够快速准确地提供能耗的核心指标，提高生产效率，为生产的节能减排决策提供有力的帮助。提供有力的帮助。提供有力的帮助。
【技术实现步骤摘要】
一种基于AHP模型自学习的能耗分析方法及装置
[0001]本专利技术涉及能源计算
，尤其涉及一种基于AHP模型自学习的能耗分析方法及装置。
技术介绍
[0002]近年来，随着工业制造突飞猛进地发展，制造企业已经在制造强国的战略牵引下逐步从粗放管理转向精细化、高质量发展的成长阶段。现阶段的工业行业领域几乎都涉及能耗，传统的参与生产所消耗的水、电、煤等数据分析工作，主要通过手工方式采集并上报计算机系统，结合专家经验人工分析判断进行能源消耗的相关分析工作。由于生产指标数据、设备运行参数等能耗相关的数据量太大，很难全流程完整地进行人工采集和录入上报；同时，因为对数据异常点的定义标准不统一、定义内容不明确，很难以专家经验的角度人工判断能耗异常的程度，就无法快速找到能耗优化的机会；现有的技术中，有通过AHP分析法来进行耗能分析，但是单纯的AHP分析法无法考虑其指标选择的科学性和赋权过程中存在的多种无法预料到的制约和反馈关系。所以目前建立一套科学高效的能耗分析方法和系统，对于构建绿色制造体系是一种十分有效的方法，且具有十分重要的意义。
技术实现思路
[0003]针对现有技术中存在的问题，本专利技术实施例提供一种基于AHP模型自学习的能耗分析方法及装置。
[0004]本专利技术实施例提供一种基于AHP模型自学习的能耗分析方法，包括：获取能耗信息，确定对应的能耗因子，并获取所述能耗因子的因子属性，所述因子属性包括：因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限；根据所述能耗信息建立AHP模型的第一层结构，并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构，在所述AHP模型中，每一层为下一层的父集结构；获取所述能耗信息对应生产线的历史数据，并获取所述历史数据对应的数据大小及数据标签，根据所述数据大小及数据标签，对所述AHP模型的能耗因子进行自下而上的遍历匹配，并根据所述遍历匹配的结果，调整所述AHP模型中能耗因子的因子权重；获取所述生产线的任意能耗因子的实时数据，输入调整后的所述AHP模型，得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重，以及生产线中的总能耗，输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
[0005]在其中一个实施例中，所述方法还包括：根据所述数据大小，与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比，得到第一对比结果；
根据所述数据标签，与所述AHP模型的能耗因子的数据标签进行对比，得到第二对比结果；结合所述第一对比结果及第二对比结果，得到所述能耗因子的对比评分，当所述能耗因子，与所述历史数据进行遍历对比后，得到所述能耗因子的总评分，并根据所述总评分，确定所述能耗因子的因子权重。
[0006]在其中一个实施例中，所述方法还包括：当所述数据标签与所述AHP模型的能耗因子的数据标签匹配，且所述数据大小大于所述AHP模型的能耗因子的因子数值上限，小于所述AHP模型的能耗因子的因子数值下限时，对应的对比评分为高评分等级；当所述数据标签与所述AHP模型的能耗因子的数据标签匹配，且所述数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时，对应的对比评分为中评分等级；当所述数据标签与所述AHP模型的能耗因子的数据标签不匹配，对应的对比评分为低评分等级。
[0007]在其中一个实施例中，所述方法还包括：根据所述能耗因子的因子权重确定所述能耗因子的因子等级，并在所述遍历匹配过程中，检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时，删除所述能耗因子。
[0008]在其中一个实施例中，所述方法还包括：判断所述总能耗以及生产线中的所有能耗因子对应的因子能耗是否处于正常数据范围；当所述总能耗以及生产线中的所有能耗因子对应的因子能耗中存在能耗数据不处于正常数据范围时，输出对应的报警信息。
[0009]本专利技术实施例提供一种基于AHP模型自学习的能耗分析装置，包括：第一获取模块，用于获取能耗信息，确定对应的能耗因子，并获取所述能耗因子的因子属性，所述因子属性包括：因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限；模型建立模块，用于根据所述能耗信息建立AHP模型的第一层结构，并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构，在所述AHP模型中，每一层为下一层的父集结构；第二获取模块，用于获取所述能耗信息对应生产线的历史数据，并获取所述历史数据对应的数据大小及数据标签，根据所述数据大小及数据标签，对所述AHP模型的能耗因子进行自下而上的遍历匹配，并根据所述遍历匹配的结果，调整所述AHP模型中能耗因子的因子权重；能耗确定模块，用于获取所述生产线的任意能耗因子的实时数据，输入调整后的所述AHP模型，得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重，以及生产线中的总能耗，输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。
[0010]在其中一个实施例中，所述装置还包括：
第一对比模块，用于根据所述数据大小，与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比，得到第一对比结果；第二对比模块，用于根据所述数据标签，与所述AHP模型的能耗因子的数据标签进行对比，得到第二对比结果；评分模块，用于结合所述第一对比结果及第二对比结果，得到所述能耗因子的对比评分，当所述能耗因子，与所述历史数据进行遍历对比后，得到所述能耗因子的总评分，并根据所述总评分，确定所述能耗因子的因子权重。
[0011]在其中一个实施例中，所述装置还包括：删除模块，用于根据所述能耗因子的因子权重确定所述能耗因子的因子等级，并在所述遍历匹配过程中，检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时，删除所述能耗因子。
[0012]本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于AHP模型自学习的能耗分析方法的步骤。
[0013]本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于AHP模型自学习的能耗分析方法的步骤。
[0014]本专利技术实施例提供的一种基于AHP模型自学习的能耗分析方法及装置，获取能耗信息，确定对应的能耗因子，并获取能耗因子的因子属性，因子属性包括：因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限；根据能耗信息建立AHP模型的第一层结构，并根据能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构，在AHP模型中，每一层为下一层的父集结构；获取能耗信息对应生产线的历史数据，并获取历史数据对应的数据大小及数据标签，根据数据大小及数据标签，对AHP模型的能耗因子进行自下而上的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于AHP模型自学习的能耗分析方法，其特征在于，包括：获取能耗信息，确定对应的能耗因子，并获取所述能耗因子的因子属性，所述因子属性包括：因子编号、因子名称、数据标签、因子层级、因子父集、因子权重、因子数值上限、因子数据下限；根据所述能耗信息建立AHP模型的第一层结构，并根据所述能耗因子的因子编号、因子名称、数据标签、因子层级、因子父集构建AHP模型的第二层结构、第三层结构，在所述AHP模型中，每一层为下一层的父集结构；获取所述能耗信息对应生产线的历史数据，并获取所述历史数据对应的数据大小及数据标签，根据所述数据大小及数据标签，对所述AHP模型的能耗因子进行自下而上的遍历匹配，并根据所述遍历匹配的结果，调整所述AHP模型中能耗因子的因子权重；获取所述生产线的任意能耗因子的实时数据，输入调整后的所述AHP模型，得到所述生产线中任意能耗因子以外的其他能耗因子的能耗数据、因子权重，以及生产线中的总能耗，输出所述总能耗以及生产线中的所有能耗因子及对应的因子权重。2.根据权利要求1所述的基于AHP模型自学习的能耗分析方法，其特征在于，所述根据所述数据大小及数据标签，对所述AHP模型的能耗因子进行自下而上的遍历匹配，并根据所述遍历匹配的结果，调整所述AHP模型中能耗因子的因子权重，包括：根据所述数据大小，与所述AHP模型的能耗因子的因子数值上限、因子数据下限进行数据对比，得到第一对比结果；根据所述数据标签，与所述AHP模型的能耗因子的数据标签进行对比，得到第二对比结果；结合所述第一对比结果及第二对比结果，得到所述能耗因子的对比评分，当所述能耗因子，与所述历史数据进行遍历对比后，得到所述能耗因子的总评分，并根据所述总评分，确定所述能耗因子的因子权重。3.根据权利要求2所述的基于AHP模型自学习的能耗分析方法，其特征在于，所述结合所述第一对比结果及第二对比结果，得到所述能耗因子的对比评分，包括：当所述数据标签与所述AHP模型的能耗因子的数据标签匹配，且所述数据大小大于所述AHP模型的能耗因子的因子数值上限，小于所述AHP模型的能耗因子的因子数值下限时，对应的对比评分为高评分等级；当所述数据标签与所述AHP模型的能耗因子的数据标签匹配，且所述数据大小在所述AHP模型的能耗因子的因子数值上限与因子数值下限的范围内时，对应的对比评分为中评分等级；当所述数据标签与所述AHP模型的能耗因子的数据标签不匹配，对应的对比评分为低评分等级。4.根据权利要求1所述的基于AHP模型自学习的能耗分析方法，其特征在于，所述调整所述AHP模型中能耗因子的因子权重之后，还包括：根据所述能耗因子的因子权重确定所述能耗因子的因子等级，并在所述遍历匹配过程中，检测到所述能耗因子的因子等级小于预设等级的次数达到预设次数时，删除所述能耗因子。5.根据权利要求1所述的基于AHP模型自学习的能耗...
【专利技术属性】
技术研发人员：袁亦斌，朱曙萍，李杨，赵玉薇，
申请(专利权)人：浙江邦业科技股份有限公司，
类型：发明
国别省市：
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。