专利名称：用于节能减排的方法和装置的制作方法
技术领域：
本发明涉及一种能量及排放物管理(Energy and Emission Management，"E2M”) 系统和方法，用于降低用于在工业、制造业和资源部门等领域中大量能量消耗系统和场所 (“IECSS”)的能量消耗和温室气体排放物的成本。
背景技术：
制造业、工业和资源部门通过大量使用能量供给生产过程而产生大量温室气体排 放物。由于这些部门的能量消费通常是最大的单项成本项目之一，并且随着煤、石油和天然 气等自然资源的减少，能量的价格持续上升。全世界各种集体的政府和非政府组织开始意 识到国际社会应对由温室气体(Greenhouse Gas，“GHG”)排放物引起的气候变化的成本。一些政府已经采取措施以确保使用污染能量(即矿物燃料发的电，出自石油的柴 油)的消费者较使用可再生或较低排放物能量(即可再生电力，生物柴油)的消费者在经 济上处于不利地位。其中一种形式包括排放物交易机制，对能量消费者引起的温室气体排 放物要征收费用，并继续实施。由工业部门引起的能量消费的传统成本现在也可以有一个GHG排放物的共同但 专用的成本用于考虑和管理。能量效率或用于只预测能量消耗的预测方法还不足以最大化 节约成本。典型的系统和方法只基于单一方面(能量消耗)。可以在公开号为2003/0061091、 发明人为阿马拉通加(Amaratimga)等的美国专利申请中找到一个实例，参见申请号为 11/613，7 、发明人为麦格雷戈(MacGregor)的美国专利申请，其内容以交叉引用的方式 并入本文中。贯穿说明书的现有技术的任何讨论绝不应该认为是承认该现有技术是该领域中 公知的或形成公共知识的一部分。
发明内容
根据本发明的第一个方面，提供一种在大量能量消耗场所或系统环境中执行能量 估计操作的方法，该方法包括步骤(a)输入与该大量能量消耗场所或系统环境相关的一 系列能量数据变量、排放物数据变量和影响数据变量；(b)使用第一预测技术执行第一能 量使用预测操作；(C)使用第二预测技术执行第二(同时)相似能量使用预测操作；(d)将 该两种技术的结果关联起来；以及(e)提供一个取决于该两种技术之间的相关程度的通过 或故障信号。该预测技术可以至少包括回归和人工神经网络技术的一种。可以执行该方法确定 环境效率或预测或预估环境的未来能量需求和/或相关的排放物。该方法还可以包括步 骤使用另外一个不同的预测技术执行另外至少一个能量使用预测操作；以及，提供另外 一个表明所有能量使用预测操作之间的相关程度的输出信号。根据本发明的另一方面，提供一种用于在大量能量消耗场所或系统环境中执行能量估计操作的系统，该系统包括输入装置，用于传感和输入与出自该场所或系统的能量或 排放物相关的一系列数据变量；数据存储装置，用于存储出自该输入装置的时序数据；第 一预测单元，从存储在该数据存储装置中的数据训练，使用第一预测技术以输出第一预测； 第二预测单元，从存储在该数据存储装置中的数据训练得到，使用第二不同的预测技术以 输出第二预测；以及，比较装置，用于比较该第一预测和该第二预测，并输出该第一预测和 该第二预测之间的差异程度。
参考附图描述本发明的优选方式，其中图1图解说明表示用于能量及排放物管理(Energy and Emission Management, E2M)的本发明优选实施例的简化方框图；图2详细说明图1的能量预测系统。
具体实施例方式该优选实施例提供一种管理的预测系统和方法，该实施例将能量消耗和温室气体 排放物(Energy Consumption and Greenhouse-gas Emissions，ECGE)商业情 艮总合为用 于管理IECSS的能量和温室气体排放物的总战略。由于该系统将实时(或接近实时)ECGE 与从该预测系统中获取的假设目标值完美地进行比较，所以能够通过行动，比如维持、行为 改变、人员训练或重新安排生产来限制与最优性价比的差异。预测能量消耗的能力具有很多有益的副作用。预测能量消耗使得能量浪费最小 化，使得效率被识别用于留存，并使得以最低的成本和最低的GHG排放物浓度选择能量供 应。以回归分析方式的复杂统计学提供预测系统和方法作为能量管理的工具。在前述专利 说明书中的该预测的方法和系统使用这种方法。可选地，可以使用其他技术，比如包括人工 神经网络的建模预测。例如，申请号为11/613，728、发明人为麦格雷戈(MacGregor)的美国 专利申请公开了这样一种系统。回归和人工神经网络是两种截然不同的统计分析形式，并使用不同的过程达到其 预测。回归估计应用于单一方程的权重，而人工神经网络方法使用由一系列互联转换器表 示的方程组。人工神经网络中的一单个输入可以影响多个中间转换器，多个中间转换器依 次影响最终的预测，通常使得其很难发现一个单独输入怎样影响预测结果。如果该单个输 入影响是未知的，则该神经加权方式的精度是未知的。另一方面，回归指明每个输入对预测 的影响有多大，以及指明其能够对估计该影响有多精确。虽然人工神经网络技术能够产生更强大的预测，但是在解释它为什么工作或者它 对预测有多少信心方面比较差。现有的使用预测统计学的用于能量和成本效率的能量管理 方法和系统使用回归或人工神经网络统计学。回归产生输出，能量管理系统或方法可以使 用该输出研究效率改善，而人工神经网络提供用于效率改善的异常研究的信息较少。人工 神经网络较回归可以提供更强大的预估预测能力，但是不支持验证预测的信心用于(比如 说)预测优化假设检测、需求管理、能量市场交易和/或排放物交易的信息。在优选实施例中，提供一种预测方法和系统，用于同时在相同的数据集上执行回 归和人工神经网路(以及任何其他合适的统计方法，比如支持向量机)以启用适合该任务的预测的交互检验。具体地，同时使用用于能量消耗优化用途的回归和人工神经网络(以 及其他)作为确认查核，并使用用于预估预测用途的人工神经网络和回归(以及其他)作 为确认查核。连续地或以固定的定期间隔提供该方法和系统用于不间断的预测。该优选实施例同时使用(至少)回归和人工神经网络的预测算法以交互检验预 测输出提供一种能量及排放管理(“E2M”)系统和方法，以便减少用于在制造业、工业和 资源部门中发现的大量能量消耗系统和场所(“IECSS”)的能量消耗和温室气体排放物 (“ECGE”)的成本。术语“同时”包括同时存在、发生和运行，或者在最短的时间序列的实 际中以实现接近同时。优选实施例包括用于测量IECSS的ECGE的装置，用于确定关于IECSS的操作的信 息的装置，用于测量或获得可以影响IECSS的ECGE的比率的变量的装置，用于将关于IECSS 的测量和操作信息发送给用于接收该信息的装置的装置，用于分析和评估该信息的装置， 用于驱动为由IECSS的ECGE的期望或预测量的基线的基准能量效率算法和模型的装置，用 于交互检验为确认基线、由IECSS的ECGE量的期望或预测的置信区间的装置，以及用于提 供为ECGE管理活动使用该基线、ECGE的期望或预测值的装置，以及一种测量和验证ECGE管 理活动的结果的装置。开始参见图1，示意图地表示出一种能量及排放管理(以下称为‘ 2Μ”)系统1， 该系统1用于通常在制造业、工业和资源部门中发现的大量能量消耗系统和场所(以下称 为“ IECSS”)。术语“能量”意思是被消耗以操作IECSS的任何形式的能量和燃料，包括但 不限于电力、天然气、可燃气体、柴油、汽油、油萃取燃料、生物燃料、生物质、硫磺和煤。术语 “排放物”意思是来自直接或间接使用能量的温室气体排放物，可以包括SOpNOj^nccV术 语“大量”意思是每年操作消费例如最少量的20，OOOMWh或80，000GJ的那些能量的制造、 工业或资源部门系统或场所。IECSS的实例包括制造部门(砖瓦厂、瓷窑厂、汽车厂)，工 业部门(纸和木浆生产、化工生产、钢铁/金属铸造和生产、专门天然气生产，水泥生产，铝 冶炼)，资源部门(矿产加工厂、石化炼油厂、金/铜/镍/铁矿山和加工厂)。E2M系统通过从E2M监控设备例如2、3采集数据连续地监控IECSS，该数据可以包 括直接来自于IECSS上的现场仪表和控制设备的能量计量、能量辅助计量、排放物监测和 能量影响变量，使用通信设备将来自于IECSS的数据发送到远端数据中心用于运用。监控 设备数据存储在数据库5中。数据然后被用于预测能量使用的预测系统6使用。E2M监控 设备例如2、3可以包括测量系统和装置以由IECSS以及相关方法并使用这样的测量系统和 装置测量、分析、评估、预测和交互检验能量消耗和温室气体排放物(以下称为“ECGE”)的 量。为了识别机会改善能量效率和减少温室排放物从而节约成本，E2M系统1连续地 将实际ECGE与预测ECGE做比较并分析变化。优选实施例同时使用(至少)回归和人工神经网络的预测算法以交互检验预测。 具体地，优选实施例是关于连续地改善生产效率相关的使用和能量供应，同时最少化各个 直接和间接的温室气体排放物以便节约成本和环境的可持续发展。在优选实施例中，提供 一种方法和系统，用于产生当前场所效率和未来需求的预测或预估的更精确的估计。现在参见图2，更详细地图示该能量预测系统。数据库输入被传送到回归预测系统 7和人工神经网络预测系统8，回归预测系统7和人工神经网络预测系统8基于输入数据各输出预测。优选实施例使用至少两个模块(models)产生可能的结果的估计。在第一个实 施例中，提供用于估计可能的结果的第一人工神经网络模块和估计可能的结果的第二回归 模块。该第一模块可以基于由麦格雷戈(Macgregor)(除按照阿马拉通加(Amaratimga)等 中所描述的而取得的输入数据外)公开的结构相似的结构，第二回归模块的结构可以与基 于阿马拉通加(Amaratunga)等的结构相似。在优选实施例中，这两个(或更多个)模块接收来自于具体的IECSS的环境的相 关的输入，同时接收能量需求的输出估计。该优选实施例的方法然后经历一个互相关该输 出的重要步骤用于预测验证。在需要测量场所效率的场合，回归过程用作初级预测，人工神经网络模块用作验 证预测。在这两个模块间的发散超过预定范围的场合，预测输出10被标志为对特定的数据 样本不充分。发散的实例可能由IECSS系统混乱或者由于系统故障或校正而起的错误数据 输入引起。在需要更进一步进入到未来预测或预估的场合，该人工神经网络模块输出用于初 级预测。该回归模块输出用作验证预测。在这两个模块之间的发散超过预定范围的场合， 预测输出又被标志为不充分。人们发现，同时使用多个模块并在其之间交互检验提供比现有技术所提供的更为 精确的预测网络。实例工作中的E2M的一个实例表明，当来自于‘轮班A’而不是‘轮班B’的工人正在操 作IECSS时，总的IECSS能量效率较高。行动将是采访并观察两组工人之间的差异，然后假 定‘最佳操作实践’来自于‘轮班A’惯态。E2M的另一个实例表明，由于生产中设备的未充 分使用，能量浪费的场合，例如当上游设备已经发生故障，已经停止等待维修或不能生产时 传送带仍然运行。行动将是与上游设备的控制连锁以便最小化下游设备的运行时间。E2M 的另一个实例可以表明，锅炉在较高的环境温度的一段时间内，具有比期望更高的实际天 然气消耗和排放物。一种行动可以是检查热绝缘失效，并检验天然气锅炉的标定和运转效 率。E2M的另一个实例可以表明来自于供方1的水泥原料往往比来自于供方2的水泥原料 被更高效地加工成水泥产品，并产生更少的排放物。一种行动可以是进行原料抽样的实验 室分析以确定原料供应上的差异，然后创建最优的实地供应的‘质量说明书’供所有供方满 足。E2M的另一个实例可以表明，进入黄金加工压碎厂的‘原矿’矿石配料的尺度影响加工 过程中消耗的能量。一种行动是为了粉碎和研磨的能量效率，使用E2M系统存档数据进行 研究以确定矿石配料的最佳碎片尺度，然后最优化矿石配料的爆破模式提供给金矿加工和 回收厂。IECSS的期望或预测ECGE可以是从来自于IECSS的最初时期(天，星期或年)的 数据抽样(以下称为“E2M基线”)推导出来的(至少)两个同时但是独立的传递函数的输 出；一个传递函数从基于回归的统计学中导出，另一个从基于人工神经网络的统计学中导 出。这两种方法同时使用以提供预测验证并使得能量效率改善研究变得容易。在可选实施 例中，可以增加另外(η)个统计方法以便结果的同时一致性。实施例可以包括实际的能量相关的直接和间接温室气体排放物偏离Ε2Μ基线的 定期体积总和以验证由IECSS的能量效率引起的温室气体排放物补偿。例如每月的排放物补偿计算包括使用=CO2补偿=[Σ ° 消耗的实际电力kWh- Σ °η消耗的Ε2Μ基线预测的 电力kWh]*[国际认同的温室气体排放物计算因子]。实施例还可以包括时间序列的预估IECSS信息(比如生产计划，工作人员名册计 划，维护计划，原材料交货时间表，能量交易期货定价，上游供气供热质量数据，电力供应商 计划停机，生物量收获时间表，供油时间表)和/或气象数据(比如风力，湿度，降水，太阳 能或紫外线指数，潮汐，波浪，涌浪的天气预估，水管理计划)的定期替换转入到滚动的时 间序列预估模型(以下称为“E2M预估”)以预测IECSS的未来ECGE以便与IECSS的总的 能量和排放物交易战略接轨。^M作为一个例子，IECSS用作使用燃烧天然气窑的制砖工厂。生产计划可以显示在 两条生产线的全部能力的36小时生产工作，同时预测气象条件显示这段时间高于平均每 天的周围温度状况。在高温日子里电供应市场显示更高的峰值的白天成本。操作人员换班 模式显示要求夜班有更有经验的工作人员。IECSS有一个小的热电联机生产站(CHP)。从 E2M系统和方法发展的分析战略显示以一半的能力(工作仅一条生产线)生产十二个小时 (白班)，接着以全部的能力(两条生产线)生产十二个小时(夜班)。多余的天然气供应 (来自于工作在一半的能力)被转到CHP，在CHP那里电能以与最高市场价格相比的较低成 本供应给IECSS，同时将消耗的热量传递给干燥砖的车间(进一步减少天然气的消耗)。在 接下来的十二个小时(夜班)，CHP将关闭以利用低的离峰电价的优点，并确保给予充分的 天然气供应用于全生产率。净成效源自电力的较低的成本，以及源自现场CHP发生的较低 的温室气体排放物。方法的分析能量预测系统确定IECSS的影响变量与ECGE的关系以产生基线基准模型。由此 产生的输出包括使用交叉验证的预测方法确定ECGE中实时或接近实时的异常，并安排最 优化研究。该输出也可以包括使用交叉验证的预测方法预测未来ECGE以便并入IECSS能 量和排放交易战略。这可以导致确定永久性的优化改进并提供一种装置，该装置确认节约 的相关ECGE成本，同时也为基于能量效率的排放物交易信用提供证据。该方法可以连续循 环以便连续改善。在本发明的优选实施例的第一步，包括使用自定义的标准以便确定、确认和记录 ECGE信息收集节点的类型和数量，确定、配置、测试和安装所需数量的E2M监测设备，确定 组件，配置，设计参数，测试和安装E2M监控设备，确定文件和数据库结构，存档协议，配置， IECSS数据传输/接收，归档，数据库，统计学和网络入口软件的安装和测试。如前所述，回归和人工神经网络预测系统可以通过源自最初时期的数据采样的传 递函数公式化，被称为“基线算法BL-i”。每个传输函数将是一个数学模型，该数学模型不断 地将特定形式的能量消耗和/或相关的温室排放物的定期采样量与IECSS的具体操作环境 中的特征操作因子(影响因子)联系起来。IECSS的具体操作环境中的影响因子可以包括 但不限于生产率、制造的产品的类型，原料的数量和特点，操作人员身份，环境和加工温度， 环境和加工的相对湿度、太阳辐射水平、压力、外围设备运行模式(压缩空气、锅炉，空调)、 分表能量计数器，瓦斯监测设备，质量流量计量，烟道气体分析仪等。具体ECGE的预测量和实际量之间的方差可以用图形再现并定期自动更新到表和图表，表和图表清楚地将节能减排的机会表示给E2M管理者。这种分析信息包括但不限于 关于按照预测或期望量的方差的ECGE的概要，例如一种分析包括以下例举的至少一个概 要，图形，图表和能量使用的量化，以及相关排放物对预测或期望量的关系曲线，以及影响 能量使用和相关排放物的变量的概要，图表，能量使用量化以及相关排放物对预测或期望 量的关系曲线。如前所述，在现场效率是一个问题的场合，(线性和/或非线性)回归统计学将表 示‘优先权预测’，而同时训练的人工神经网络(以下命名为“ANN”)模块将提供‘验证预测’ 以交叉匹配用于可接受的通过/故障指示的传递函数输出。在可选实施例中，可以增加另 外(η)个统计方法以便结果的同时一致性。‘优先权预测’将提供关于该方差的诊断信息以便因此给出可能的原因。Ε2Μ管 理者可以使用这个诊断以便使用‘six-sigma’、‘LEAN’或其他业务改进研究方法进一步在 IECSS研究。调查结果将导致对IECSS的工作人员的建议，如维护行动或重新安排生产，以 减少ECGE同时改善生产率。这是一个持续的过程。每一次能量效率的改善都在IECSS实施，新的基线算法被开发。当将影响数据代 入新的基线算法和旧的基线算法时，作为改善的能量效率的结果，减少的ECGE被量化为新 的基线算法和旧的基线算法之间的差异。对于进一步减少能量和排放的机会，E2M用来预测和预期一个IECSS中的ECGEjE 来自于IECSS的气象预测信息(如环境温度、太阳强度和相关湿度)，生产计划数据，维修活 动计划信息，人员花名册信息和历史时序数据代入到预测算法，将产生一个预测全部能量 使用的轮廓，伴随着相关温室气体排放的预测。在这种情况下，受过训练的人工神经网络(以下命名为“ANN”)模块可以表示‘优 先权预测’，而同时(线性和/或非线性)回归统计学将提供‘验证预测’以交叉匹配用于 可接受的通过/故障指示的传递函数输出。在可选实施例中，可以增加另外(η)个统计方 法以便结果的同时一致性。虽然参照具体实例描述本发明，本领域技术人员可以理解的是，本发明可以以许 多其他形式体现。
权利要求
界定本发明的权利要求如下
1.一种在大量能量消耗场所或系统环境中执行能量估计操作的方法，包括步骤(a)输入与该大量能量消耗场所或系统环境相关的一系列能量数据变量、排放物数据 变量和影响数据变量；(b)使用第一预测技术执行第一能量使用预测操作；(c)使用第二不同的预测技术执行第二相似能量使用预测操作；(d)将该两种技术的结果相关；以及(e)提供表明该两种技术之间的相关程度的输出信号。
2.根据权利要求1所述的方法，其中，所述第一能量使用预测操作和第二能量使用预 测操作基本同时发生。
3.根据权利要求1所述的方法，其中，所述预测技术包括回归和人工神经网络技术中 的一个。
4.根据权利要求1所述的方法，其中，执行所述方法以确定环境效率。
5.根据权利要求1所述的方法，其中，执行所述方法以预测或预估该环境的未来能量 需求和/或相关排放物。
6.根据权利要求1所述的方法，其中，该能量数据变量包括能量使用温室气体排放的 测量数据。
7.根据权利要求1所述的方法，其中，以连续方式执行所述方法。
8.根据权利要求1所述的方法，还包括步骤(cl)使用另一不同的预测技术执行至少另一能量使用预测操作；以及 (el)提供表明所有能量使用预测操作间的相关程度的另一输出信号。
9.一种在大量能量消耗场所或系统环境中执行能量估计操作的系统，该系统包括输入装置，用于检测和输入与源自该场所或系统环境的能量或排放物相关的一系列数 据变量；数据存储装置，用于存储出自该输入装置的时序数据；第一预测单元，由存储在该数据存储装置中的数据得到训练，使用第一预测技术以输 出第一预测；第二预测单元，由存储在该数据存储装置中的数据得到训练，使用第二不同的预测技 术以输出第二预测；以及比较装置，用于比较该第一预测和第二预测，并输出该第一预测和第二预测之间的差已
10.根据权利要求9所述的系统，其中，所述第一预测单元使用回归预测技术，所述第 二预测单元使用神经网络技术。
11.一种在大量能量消耗场所和系统环境中执行能量预估操作的方法，基本参照附图 如上文所述。
12.—种在大量能量消耗场所和系统环境中执行能量预估操作的系统，基本参照附图 如上文所述。
全文摘要
一种在大量能量消耗场所或系统环境中执行能量估计操作的方法，包括步骤(a)输入与该大量能量消耗场所或系统环境相关的一系列能量数据变量、排放物数据变量和影响数据变量；(b)利用第一预测技术执行第一能量使用预测操作；(c)利用第二预测技术执行第二(同时)相似能量使用预测操作；(d)将该两种技术的结果相关；(e)提供表明该两种技术之间的相关程度的输出信号。
文档编号G05B13/04GK102057396SQ200980121966
公开日2011年5月11日 申请日期2009年6月11日 优先权日2008年6月12日
发明者蒂莫西·阿尔文·爱德华兹 申请人:地铁电力有限公司