数字能源氮气站的能效评估模型训练方法及其监测方法技术

本发明专利技术涉及一种数字能源氮气站的能效评估模型训练方法及监测方法，属于能源管理领域，包括：获取固定时间段记录氮气站的变量数据形成时间序列数据作为建立模型的基础；对氮气站的数据进行预处理和清洗；检验时间序列数据的平稳性；将时间序列数据输入至所述ARIMA模型，检验和消除时间序列数据的非平稳性；使用ARIMA模型建立固定时间段的氮气站能源利用效率模型进行预测。通过对固定时间段的氮气站变量数据进行处理、建立时间序列模型，从而预测氮气站的变化规律，还通过选择ARIMA模型作为数字能源氮气站的能效评估模型，有效的反应氮气站周期性的变化规律，通过对模型进行拟合以及拟合检验来提高模型的监测精度。以及拟合检验来提高模型的监测精度。以及拟合检验来提高模型的监测精度。

【技术实现步骤摘要】
数字能源氮气站的能效评估模型训练方法及其监测方法


[0001]本专利技术属于能源管理
，具体地，涉及一种数字能源氮气站的能效评估模型训练方法及监测方法。

技术介绍

[0002]气体监测技术被广泛应用于天然气工业、气体输送、生化医药等领域，现有技术中，利用阵列传感器与信号处理电路、检测算法模块共同形成一个仿生系统，即“电子鼻”以对气体进行检测，传统的电子鼻气味识别算法由于特征提取步骤繁琐，识别精度较低，所以大多数研究都局限于混合气体中存在的气体种类的识别，无法对气体浓度进行预测。因此，构建具有多功能化、集成化的智能气体传感器，有效对浓度进行准确预测，解决现有技术的关键科学和技术瓶颈，进而实现其多场合应用的功能至关重要。
[0003]目前阵列传感器对气体的检测技术方案集中于利用机器学习（ML）和人工神经网络（ANN）的方法。由于对阵列传感器输出的信号进行特征提取相对复杂，主成分分析算法（PCA）、K近邻算法（K Means）、支持向量机（SVM）算法等机器学习方法较难拟合这些复杂和繁琐的特征，从而拟合精度较低。此外，深度学习算法在混合气体识别中也有一些应用，其中卷积神经网络（CNN）通过提取阵列传感器输出信号的多维特征进行训练，可有效提高气味分类的准确性，但是在各种气体的浓度预测上依旧效果不佳。循环神经网络广泛应用在各种时序中并进行预测，其中长短期记忆神经网络（LSTM）通过提取各传感器的信号序列并进行融合，以预测浓度数值，但由于各种气体之间存在相互影响，长短期记忆神经网络较难提取关键特征，因此当阵列传感器的选择性较差时，该算法融合的浓度结果并不准确，同时在检测过程中由于需提取一定时间长度的序列，会造成较低的检测效率。脉冲神经网络（SNN）非常适合处理神经形态传感器的时空事件信息，该算法比人工神经元更加仿生，在尖锋序列的处理上更具优势，并在阵列传感器信号处理上取得一定进展。但由于其计算使用异步和不连续的方式，使得在神经网络中比较成功的反向传播算法不能直接应用在此算法上。此外，这些深度学习网络模型结构复杂，模型规模大，会消耗大量的计算资源。

技术实现思路

[0004]为解决上述
技术介绍
中存在的技术问题，本专利技术提供了一种数字能源氮气站的能效评估模型及其方法。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种数字能源氮气站的能效评估模型训练方法，选择ARIMA模型作为数字能源氮气站的能效评估模型，包括以下步骤进行训练：
[0007]获取固定时间段记录氮气站的重要变量数据，从而形成一个时间序列数据，作为建立模型的基础；
[0008]对氮气站的时间序列数据进行预处理和清洗，包括对氮气站的时间序列数据进行去除异常值、缺失值，平滑；
[0009]检验时间序列数据的平稳性；
[0010]将时间序列数据输入至所述ARIMA模型，检验和消除时间序列数据的非平稳性，从而建立适当的自回归、滑动平均的模型；
[0011]拟合模型并检验拟合效果；
[0012]利用能源利用效率的定义和公式，使用ARIMA模型建立年度或季度数据的氮气站能源利用效率模型，并进行预测或判断。
[0013]进一步地，所述拟合模型具体包括以下步骤：
[0014]估计ARIMA模型的参数，利用最大似然估计法评估ARIMA模型中p、d、q三个参数，其中p代表自回归模型的阶数，d代表时间序列差分的次数，q代表移动平均模型的阶数；
[0015]将ARIMA模型估计的参数与时间序列数据结合，进行模型拟合，并进行残差分析、模型检验来检验模型的拟合效果。
[0016]进一步地，所述检验拟合效果通过预测误差检验的手段对模型进行检验。
[0017]进一步地，对氮气站能源利用效率模型进行预测具体包括以下步骤：
[0018]根据历史数据预测未来情况，依此制定出相应的维护和管理策略；
[0019]预测方法包括链式法、直接法、间接法，其中直接法利用模型参数对未来进行预测，间接法通过预测误差进行预测。
[0020]进一步地，所述拟合模型的拟合方法通过使用R语言中的ARIMA函数实现。
[0021]一种数字能源氮气站的能效评估模型，通过前述的一种数字能源氮气站的能效评估模型训练方法得到。
[0022]一种数字能源氮气站的能效评估监测方法，借助于前述的一种数字能源氮气站的能效评估模型实现，具体包括以下步骤：
[0023]获取氮气站实时的生产数据、能耗数据和环境监测数据；
[0024]将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中，从而计算能源消耗量、氮气产出量和运行效率的数据；
[0025]根据计算出的能源消耗量、氮气产出量和运行效率评估氮气站的生产能效。
[0026]进一步地，将氮气站实时的生产数据、能耗数据和环境监测数据代入能效评估模型中具体包括以下步骤：
[0027]对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理，包括对生产数据、能耗数据和环境监测数据进行去除异常值、插值处理和数据变换；
[0028]根据数据的特征和模式，选择响应的ARIMA模型进行拟合，ARIMA模型包括AR、MA、ARMA、ARIMA；
[0029]使用ARIMA模型对所得到的数据进行拟合和检验，通过校验残方和、均方误差、预测误差来确定能效评估模型的有效性和可行性。
[0030]进一步地，对氮气站实时的生产数据、能耗数据和环境监测数据进行清洗和预处理具体包括以下步骤：
[0031]检测数据中是否存在异常值，若有，则通过平滑异常值的方法对数据进行处理；
[0032]若数据中存在缺失值，将缺失值用均值、中位数或差值的方式进行填充；
[0033]对于非正态分布或偏态数据进行数据变换，通过对数、开方或取倒数的变换方式，将数据转化为符合正态分布的形式；
[0034]采用z
‑
score标准化的方式将不同范围数据集合并在一起，使数据标准化。
[0035]进一步地，所述z
‑
score标准化的计算公式如下：
[0036]z=(x
‑
μ)/σ
[0037]其中，x是原始的样本数据，μ是样本的平均值，σ是样本的标准差，z是标准化后得到的z
‑
score值。
[0038]本专利技术的有益效果：
[0039]本专利技术公开的一种数字能源氮气站的能效评估模型及其方法，通过对固定时间段的氮气站变量数据进行处理、建立时间序列模型，从而预测氮气站的变化规律，在本申请中还通过选择ARIMA模型作为数字能源氮气站的能效评估模型，能有效的反应氮气站周期性的变化规律，通过对模型进行拟合以及拟合检验来提高模型的监测精度。
附图说明
[0040]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字能源氮气站的能效评估模型训练方法，其特征在于，选择ARIMA模型作为数字能源氮气站的能效评估模型，包括以下步骤进行训练：获取固定时间段记录氮气站的重要变量数据，从而形成一个时间序列数据，作为建立模型的基础；对氮气站的时间序列数据进行预处理和清洗，包括对氮气站的时间序列数据进行去除异常值、缺失值，平滑；检验时间序列数据的平稳性；将时间序列数据输入至所述ARIMA模型，检验和消除时间序列数据的非平稳性，从而建立适当的自回归、滑动平均的模型；拟合模型并检验拟合效果；利用能源利用效率的定义和公式，使用ARIMA模型建立年度或季度数据的氮气站能源利用效率模型，并进行预测或判断。2.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法，其特征在于，所述拟合模型具体包括以下步骤：估计ARIMA模型的参数，利用最大似然估计法评估ARIMA模型中p、d、q三个参数，其中p代表自回归模型的阶数，d代表时间序列差分的次数，q代表移动平均模型的阶数；将ARIMA模型估计的参数与时间序列数据结合，进行模型拟合，并进行残差分析、模型检验来检验模型的拟合效果。3.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法，其特征在于，所述检验拟合效果通过预测误差检验的手段对模型进行检验。4.根据权利要求1所述的一种数字能源氮气站的能效评估模型训练方法，其特征在于，对氮气站能源利用效率模型进行预测具体包括以下步骤：根据历史数据预测未来情况，依此制定出相应的维护和管理策略；预测方法包括链式法、直接法、间接法，其中直接法利用模型参数对未来进行预测，间接法通过预测误差进行预测。5.根据权利要求2所述的一种数字能源氮气站的能效评估模型训练方法，其特征在于，所述拟合模型的拟合方法通过使用R语言中的ARIMA函数实现。6.一种数字能源氮气站的能效评估模型，其特征在于，通过权利要求1至5任一项所述的一种数字能源氮气站的能效评估模型训练方法得到。7.一种数字能源氮气站的能效评估监...

【专利技术属性】
技术研发人员：胡培生，孙小琴，魏运贵，胡明辛，
申请(专利权)人：广东鑫钻节能科技股份有限公司，
类型：发明
国别省市：