【技术实现步骤摘要】
本申请涉及电力系统的信息技术处理领域，具体涉及非侵入式智能工厂能耗监测方法和系统，特别是一种非侵入式智能工厂能耗监测诊断与节能潜力分析方法。
技术介绍
1、电力系统是国家运行的基础，是现代生活无法缺失的一部分；一旦电力系统由任何问题，都会对整个社会的生产生活造成巨大的影响。一旦电力系统发生任何故障，人类社会将会彻底进入黑暗状态，所以保持电力通常是政府最应该首先解决的问题。近年来，随着我国智能电网高速建设，对整个电力系统的自动化要求也越来越高。
2、在提升发电和输电效率的同时，工厂的节电也越来越受到重视。生产制造型的工厂在节能方面面临巨大压力。同时，正值产业升级的关键节点上，如何在节能降耗的同时，又能兼顾生产效率，成为了现在经济型企业发展中各方都关注的焦点，特别是在向工业4.0时代前进的过程中，节能是个不得不解决的难题。智能工厂是未来生产制造型的工厂发展的方向，如何科学的进行能耗监测诊断与节能潜力分析是智能工厂必须面对的重要问题。
技术实现思路
1、本申请提供了一种非侵入式智能工厂能耗监测方法和系统，能够方便地进行负荷监测，节省安装和维护所需要的时间和金钱，符合目前整个社会所提倡的建设节约型社会的要求。
2、为了达到上述目的，本申请实施例提出了一种非侵入式智能工厂能耗监测方法，包括：
3、步骤1、根据智能工厂的用电量、气温、用电量，构建智能工厂能耗模型：
4、y＝β0+β1(x1-β3)+ (1)
5、其中x1为室内平均温
6、其中，当温度低于代表制冷变化点β3时制冷设备未开启，则该智能工厂的用电量恒定为β0；当温度大于等于代表制冷变化点β3时制冷设备开启，则制冷导致的耗电量与制冷设备的制冷敏感度β1相关；
7、当智能工厂的温度恒定；则该智能工厂的用电量随产量的变化曲线为：
8、y＝β4+β2x2 (2)
9、其中，x2为主要产品产量，y为用电量；β4代表与生产无关的设备的耗电量，β2代表生产设备的能耗水平；
10、当产量为零时，智能工厂的用电量为与生产无关的设备的耗电量β4；
11、因此智能工厂的用电量同时受到温度以及生产的影响；预测工业企业耗能的最佳模型应该包括室外空气温度和产量两个变量：
12、y＝β0+β1(x1-β3)++β2x2 (3)
13、其中，x1为月平均气温；x2为月产品产量；y为月用电量；β0代表基本设施用电量；β1代表制冷设备能耗水平；β2代表生产设备能耗水平；β3代表制冷变化点；(x1-β3)+代表当x1<β3时，x1-β3＝0；
14、其中公式(3)中的智能工厂用电量分为三部分：基础设施用电量β0、用于温度调节的用电量β1(x1-β3)+、用于生产的用电量β2；通过输入用电量y、室外空气温度x1及产量x2，拟合得到模型的参数，相应的对工厂能效作出诊断分析；
15、步骤2、对步骤1中得到的模型进行拟合以进行模型的拟合；其中产量x2和气温x2作为自变量，用电量y作为因变量，在一年中的数据样本中以一个月的数据作为一个数据点；
16、其中智能工厂构建的耗能模型是一个多变量分段线性回归模型，采用梯度下降法辨识得到模型参数并采用损失函数来度量拟合的程度；在最小化损失函数时，可以通过梯度下降法一步步地迭代求解，得到最小化的损失函数和相应的模型参数值；其中，损失函数极小化，意味着拟合程度最好，对应的模型参数即为最优参数；
17、对于线性回归，函数表示为：
18、hθ(x1,x2,...xn)＝θ0+θ1x1+...+θnxn (4)
19、其中，θi(i＝0,1,2...n)为模型参数，xi(i＝1,2,...n)为每个样本的n个特征值；增加一个特征值x0＝1，则
20、
21、对于假设函数，其损失函数为：
22、
23、通过以下方法进行拟合：
24、步骤2.1、初始化θ0,θ1,...θn；其中θi(i＝0,1,2...n)为模型参数；初始化算法终止距离ε、步长α；
25、步骤2.2、确定当前位置的损失函数的梯度，对于θi，其梯度表达式如下：
26、
27、步骤2.3、用步长乘以损失函数的梯度，得到当前位置下降的距离，即：
28、
29、步骤2.4、确定是否所有的θi下降距离都小于ε，如果小于ε则算法终止，当前的所有θi即为最终结果，转入步骤3；否则转入步骤2.5；
30、步骤2.5、更新所有的θ，对θi其更新表达式为：
31、
32、更新完毕后，继续转入步骤步骤2.2；
33、其中，需要采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合；
34、其中，制冷变化点β3的最小值xmin和最大值xmax值被选为标准片段线性回归方程的初始变化点；然后增加制冷变化点的大小，在x值的范围内重复回归，使模型的均方根误差最小；
35、步骤3、处理模型系数。
36、其中，β0与温度调节无关的设备的耗电量，也称为基础负荷；β1代表制冷设备能耗水平，其中制冷设备耗电量均与企业生产规模大小有关；因此，为对智能工厂能效水平作出客观评价，需首先对拟合得到的模型系数进行处理；
37、β‘0＝β0/w
38、β‘1＝β1/w
39、其中，β‘0为基础负荷系数，β‘1为制冷设备系数；w为企业规划的月产量，反映了企业规模大小。
40、步骤4、根据确定的该智能工厂的能效水平；
41、根据企业的基础负荷系数β‘0、制冷设备系数β‘1和制冷变化点β3，确定企业的能效水平；
42、其中，基础负荷系数β‘0和制冷设备系数β‘1的数值越低，则该智能工厂的能效水平越高；制冷变化点β3的数值越高，则该智能工厂的能效水平越高。
43、进一步的，所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合，包括：
44、确定x的最小值xmin和最大值xmax；并将由这些值定义的区间划分为宽度为dx的10个增量；
45、选择x的最小值xmin作为的初始值，并根据数据对模型进行回归以找到制冷设备能耗水平β1、生产设备的能耗水平β2、均方根误差；
46、将制冷变化点β3的值增大dx，并再次进行回归，直到制冷变化点β3的值遍历了可能的x值的整个范围，选择使均方根误差最小的制冷变化点β3的值作为初始最佳拟合变化点；
47、之后使用宽度为2dx的更精细的网格上述步骤，并以制冷变化点β3的初始最佳拟合值为中心，最终求得使模型拟合效果最好的制冷设备能耗水平β1、生产设备的能耗水平β2和本文档来自技高网...
【技术保护点】
1.一种非侵入式智能工厂能耗监测方法，其特征在于，包括：
2.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合，包括：
3.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述步骤4还包括：确定能效建议；
4.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述方法还包括：
5.一种非侵入式智能工厂能耗监测系统，其特征在于，包括：
6.根据权利要求5所述的非侵入式智能工厂能耗监测系统，其特征在于，所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合，包括：
7.根据权利要求5所述的非侵入式智能工厂能耗监测系统，其特征在于，所述能效模块还用于执行以下步骤：确定能效建议；其中所述能效建议包括：
8.根据权利要求5所述的非侵入式智能工厂能耗监测系统，其特征在于，所述系统还包括：
【技术特征摘要】
1.一种非侵入式智能工厂能耗监测方法，其特征在于，包括：
2.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述采用两阶段网格搜索法确定制冷变化点β3以对模型进行分段拟合，包括：
3.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述步骤4还包括：确定能效建议；
4.根据权利要求1所述的非侵入式智能工厂能耗监测方法，其特征在于，所述方法还包括：
5.一种非侵...
【专利技术属性】
技术研发人员：郭井宽，张坤，吴伟，许伟，刘财喜，郝正虎，
申请(专利权)人：中国电气装备集团有限公司，
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。