本发明涉及能效管理技术领域，特别是涉及一种物联网能效管理系统。
背景技术：
随着国家节能减排的号召，建筑能耗计量日渐规范，而随着物联网技术的发展，相应的各类建筑能效监管平台也逐步建立。这些平台可以通过对建筑用能进行实时的监测、分析等处理，及时发现建筑用能中的能源浪费点，指导和协助运行维护人员实施节能管理工作。
现有技术主要采用阈值比较法来对能耗异常现象进行监测，即预先设置好能耗阈值和能耗阈值的范围，然后根据监测的能耗数据是否超过能耗阈值的范围为标准来判断生产过程是否发生了能耗异常现象。然而，现有技术的能耗异常监测方法通常将能耗阈值设置为一个定值，缺乏自适应能力，在复杂多变的环境下，很难设置合理的能耗阈值，容易发生监测结果不准确的情况。
技术实现要素：
本发明主要解决的技术问题是提供一种物联网能效管理系统，能够更加准确地确定能耗是否发生异常。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种聚苯胺纳米纤维，包括数据采集模块、模型建立模块、阈值设定模块、数据预测模块和诊断模块；所述数据采集模块，用于采集当前能耗监测点的能耗数据；所述模型建立模块，用于获取所述当前能耗监测点上一周期的历史能耗数据，并将所述历史能耗数据作为模型训练的样本，对设定的预测模型进行训练，确定预测模型的模型参数及其模型精度；所述阈值设定模块，用于根据所述模型参数及其模型精度进行阈值选择，得到诊断阈值；所述数据预测模块，用于根据所述当前能耗监测点当前周期的能耗数据，获得当前周期的能效监测值和能效预测值，并根据所述能效预测值和诊断阈值获得当前周期的能效预测区间；所述诊断模块，用于当所述能效监测值在所述能效预测区间之外时，进行能耗异常报警。
其中，所述模型建立模块具体用于获取所述当前能耗监测点上一周期的历史能耗数据，对历史能耗数据按照离散度设定使用回归模型作为待训练的预测模型；将所述历史能耗数据作为模型训练的样本，对设定的预测模型进行训练，确定预测模型的模型参数及其模型精度。
其中，所述数据预测模块具体用于通过公式ER＝TE/DE获得当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示当前能耗监测点的理论能耗值；DE表示当前周期的能耗数据；以及通过误差反向传播BP神经网络模型，根据当前周期的能耗数据，获得当前周期的能耗预测值。
其中，所述能耗数据包括耗电量、耗水量、耗气量和耗热量，所述数据采集模块还用于将采集到的耗电量、耗水量、耗气量和耗热量进行归一化处理。
区别于现有技术的情况，本发明的有益效果是：能够及时通过监测采集的当前能耗监测点的能耗数据，并根据能耗数据动态确定能效监测值和能效预测值，进而确定动态的能效预测区间，当能效监测值在能效预测区间之外时，发出能耗异常报警，从而能够更加准确地确定能耗是否发生异常，可以减少漏报或误报，提升能耗异常报警的准确度，有利于减少能源浪费、节省能效。
附图说明
图1是本发明实施例的物联网能效管理系统的架构示意图。
具体实施例
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，是本发明实施例的物联网能效管理系统的架构示意图。本实施例的物联网能效管理系统包括数据采集模块1、模型建立模块2、阈值设定模块3、数据预测模块4和诊断模块5。
数据采集模块1用于采集当前能耗监测点的能耗数据。其中，能耗监测点可以设置多个，数据采集模块1可以轮询采集每个能耗监测点的能耗数据。在本实施例中，能耗数据包括耗电量、耗水量、耗气量和耗热量，数据采集模块1还用于将采集到的耗电量、耗水量、耗气量和耗热量进行归一化处理。耗电量可以包含电流、电压、功率、功率因数、电度、电能质量等参数，耗水量可以包含水速、进水量、排水量、水位高度等参数，耗气量可以包含压力、密度、温度、累积气量等参数，耗热量可以包含进口温度、出口温度、流速、流量、累积热量等参数。对于能耗数据，可以在能耗监测点设置相应的传感器，利用物联网将各传感器整合，数据采集模块1通过传感器采集能耗数据。
模型建立模块2用于获取当前能耗监测点上一周期的历史能耗数据，并将历史能耗数据作为模型训练的样本，对设定的预测模型进行训练，确定预测模型的模型参数及其模型精度。其中，将当前能耗监测点上一周期的历史能耗数据作为样本特征输入到设定的预测模型中，进行训练后，得到该预测模型的模型参数和相应的精度，从而可以利用该预测模型进行预测。具体而言，模型建立模块2具体用于获取当前能耗监测点上一周期的历史能耗数据，对历史能耗数据按照离散度设定使用回归模型作为待训练的预测模型；将历史能耗数据作为模型训练的样本，对设定的预测模型进行训练，确定预测模型的模型参数及其模型精度。其中，预测模型的精度可以选择对应模型的系数，来判断模型是否符合精度要求，例如可以取回归模型的决定系数R2和预测均方根误差变异系数CVRMSE来判断。
阈值设定模块3用于根据模型参数及其模型精度进行阈值选择，得到诊断阈值。其中，可以通过阈值选择的方式，根据训练后确定的预测模型及其精度情况，得出能效诊断所需要使用的阈值，可以包括相对阈值和/或绝对阈值。例如根据回归模型的R2和CVRMSE来选择诊断用的相对阈值：R2≥0.8且CVRMSE≤10％，相对阈值为±20％；R2≥0.8且10％<CVRMSE≤20％，相对阈值为±25％；R2≥0.75且CVRMSE≤5％，相对阈值为±30％，即预测模型精度较高则对应的阈值范围就较小。
数据预测模块4用于根据当前能耗监测点当前周期的能耗数据，获得当前周期的能效监测值和能效预测值，并根据能效预测值和诊断阈值获得当前周期的能效预测区间。在本实施例中，数据预测模块4具体用于通过公式ER＝TE/DE获得当前周期的能效监测值，其中，ER表示当前周期的能效监测值，TE表示当前能耗监测点的理论能耗值；DE表示当前周期的能耗数据；以及通过误差反向传播BP神经网络模型，根据当前周期的能耗数据，获得当前周期的能耗预测值。也就是说，将当前周期的能耗数据作为BP神经网络模型的输入，根据BP神经网络模型得到的输出值，就能得到当前周期的能耗预测值。
诊断模块5用于当能效监测值在能效预测区间之外时，进行能耗异常报警。能效值是一个0到1之间的数，能效值越大表示能源利用效率越高。正常情况下，能效是一个相对稳定的值，如果它的值低于能效预测区间，则很大可能是发生了能耗异常事件；如果它的值高于能效预测区间，却并不表示能源利用效率得到真正提高，而也有可能发生了能耗异常事件，例如相应的能耗设备中途发生故障。
根据获得的当前周期的能效预测区间，对当前周期的能耗情况进行监测，当能效监测值在能效预测区间内时，则确定当前周期的能耗未发生异常，当能效监测值在能效预测区间之外时，则确定当前周期的能耗发生异常，进行能耗异常报警。
通过上述方式，本发明能够及时通过监测采集的当前能耗监测点的能耗数据，并根据能耗数据动态确定能效监测值和能效预测值，进而确定动态的能效预测区间，当能效监测值在能效预测区间之外时，发出能耗异常报警，从而能够更加准确地确定能耗是否发生异常，可以减少漏报或误报，提升能耗异常报警的准确度，有利于减少能源浪费、节省能效。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。