一种基于物联网与云计算技术的智慧能源管理平台的制作方法

1.本发明涉及能源管理平台，具体涉及一种基于物联网与云计算技术的智慧能源管理平台。


背景技术：

2.企业能源管理平台是以用能单位、次级用能单位、主要耗能设备、用能单元的方式，将企业的能源计量、能源管理和企业管理有机结合，通过建立企业相关的能源基准，对照能源绩效进行能源评审，持续改进、优化企业用能状况，科学计划、合理调度和有效利用能源资源，以实现优化能源消耗为目的的信息化平台。
3.目前，已经有不少企业开始响应政府号召，开展能源管理系统建设。但是，大部分企业所采用的传统能源管理系统仍存在许多缺点，主要表现为：
4.对于能耗设备无法做到实时感知，能耗设备的运行状态不能实时掌握，仅依靠维护人员人工进行巡视，不仅需要投入大量的人力物力，还存在信息更新不及时，效率较低等问题；
5.多种类能源无法进行集中监管，各类能源管理系统之间数据不互通，无法检测到整体用能全貌；
6.仅具有数据收集的功能，不能合理对数据进行分析，处理，不能及时发现异常能耗情况，也无法挖掘用能潜力，不能帮助企业及时调整用能措施。


技术实现要素：

7.(一)解决的技术问题
8.针对现有技术所存在的上述缺点，本发明提供了一种基于物联网与云计算技术的智慧能源管理平台，能够有效克服现有技术所存在的不能帮助企业及时调整用能措施、不能对系统能耗进行有效预测的缺陷。
9.(二)技术方案
10.为实现以上目的，本发明通过以下技术方案予以实现：
11.一种基于物联网与云计算技术的智慧能源管理平台，包括用于检测能耗设备能源消耗的检测设备，所述检测设备通过服务器节点向监控主机上传检测数据，以及
12.实时监控显示模块，基于检测数据实时分析显示系统运行情况，并将检测数据、告警信息与对应能耗设备绑定显示；
13.能耗统计模块，根据检测数据对系统能耗进行分析研究，并将分析研究结果上传至数据中心，同时根据分析研究结果调整能源分配策略；
14.能耗预测模块，构建深度学习神经网络模型，基于数据中心的系统能耗数据进行模型训练优化，根据能耗统计模块的分析研究结果预测未来一段时间内的系统能耗，并将预测结果上传至调度中心；
15.能耗分析模块，基于能耗统计模块的分析研究结果多维度了解系统能耗情况，并
对生产工艺、能耗设备进行能耗优化；
16.能耗审计模块，基于能耗统计模块的分析研究结果制定能源改造目标数据，并上传至审计部门；
17.报表分析生成模块，基于检测数据生成各种能耗分析报告和图表，有序展现能耗设备相关指标，呈现系统能耗情况；
18.能耗设备管理模块，用于对能耗设备进行分类管理，构建关于能耗设备的管理框架，及时淘汰能耗较大或出现故障的能耗设备。
19.优选地，所述实时监控显示模块通过2d仿真构建能耗设备对应的仿真模型，并将接收到的检测数据和告警信息与对应仿真模型绑定显示，以呈现能耗设备的运行状态及系统异常信息。
20.优选地，所述实时监控显示模块对当天接收到的告警信息进行统计，并在实时告警列表中按照接收时间顺序统一显示告警信息。
21.优选地，所述监控主机接收到服务器节点发送的检测数据后，分析判断各能耗设备的运行状态及能耗情况；
22.当监控主机分析判断能耗设备处于异常运行状态或异常能耗状态时，监控主机生成包含该能耗设备的设备编号在内的告警信息。
23.优选地，所述实时监控显示模块基于检测数据将系统中供电、供水、供气、环境温度、冷热量通过图表形式呈现。
24.优选地，还包括用于根据告警信息生成预警信息的预警信息生成模块，所述预警信息生成模块将生成的预警信息发送至监控主机，所述监控主机通过通信模块将预警信息发送至相关负责人的移动终端。
25.优选地，所述能耗预测模块从数据中心截选连续时间段内的系统能耗数据，并将该连续时间段内前一部分的系统能耗数据作为预测训练集，将剩余部分的系统能耗数据作为预测测试集；
26.将预测训练集输入构建的深度学习神经网络模型，得到系统能耗的初步预测结果；
27.根据损失函数，确定初步预测结果与预测测试集之间的误差，并基于误差对深度学习神经网络模型进行迭代训练；
28.当误差达到预设的误差范围时，完成对深度学习神经网络模型的训练优化；
29.将能耗统计模块的分析研究结果输入训练好的深度学习神经网络模型，得到未来一段时间内的系统能耗预测结果。
30.优选地，所述基于误差对深度学习神经网络模型进行迭代训练，包括：
31.利用深度学习神经网络模型度误差进行特征提取，得到特征序列；
32.在特征序列的基础上，结合预测训练集学习深度学习神经网络模型输出层中的参数。
33.优选地，所述能耗分析模块根据不同生产工序所需要消耗的能耗指标，根据企业自身具备的资源状况，优化不同生产工序的能源消耗状态，并对能耗设备进行对比，选择其中能耗较小的能耗设备。
34.优选地，还包括用于进行用户管理、角色管理、权限管理、告警策略配置、预警策略
配置、系统参数维护的系统配置模块。
35.(三)有益效果
36.与现有技术相比，本发明所提供的一种基于物联网与云计算技术的智慧能源管理平台，具有以下有益效果：
37.1)在传统电能管理系统的基础上增加了对水、气、环境温度、冷热量等集中采集与分析，通过对用户端所有能耗进行细分和统计，以直观的图表向管理人员或决策层展示系统能耗情况，为进一步节能改造或设备升级提供有效的数据支撑；
38.2)可以按照国家有关规定实施能源审计，分析现状，查找问题，挖掘节能潜力，提出切实可行的用能措施，并向审计部门报送能源审计报告；
39.3)通过对深度学习神经网络模型的训练优化，使得深度学习神经网络模型能够准确预测未来一段时间内的系统能耗，并将预测结果上传至调度中心，实现调度中心的能源合理化调度，强化对能源的分散或集中控制。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1为本发明的系统示意图。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作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。
43.一种基于物联网与云计算技术的智慧能源管理平台，如图1所示，包括用于检测能耗设备能源消耗的检测设备，检测设备通过服务器节点向监控主机上传检测数据，以及
44.实时监控显示模块，基于检测数据实时分析显示系统运行情况，并将检测数据、告警信息与对应能耗设备绑定显示。
45.实时监控显示模块基于检测数据将系统中供电、供水、供气、环境温度、冷热量通过图表形式呈现。例如，供电可采用双曲线图展示用电量趋势、实时值与限定值对比；供气可采用双曲线图展示用气量趋势、实时值与限定值对比；环境温度可采用双曲线图呈现环境温度趋势变化，直观展示是否超限。
46.监控主机接收到服务器节点发送的检测数据后，分析判断各能耗设备的运行状态及能耗情况。当监控主机分析判断能耗设备处于异常运行状态或异常能耗状态时，监控主机生成包含该能耗设备的设备编号在内的告警信息。
47.实时监控显示模块通过2d仿真构建能耗设备对应的仿真模型，并将接收到的检测数据和告警信息与对应仿真模型绑定显示，以呈现能耗设备的运行状态及系统异常信息。当存在告警信息时，在当前用户界面中对对应能耗设备的仿真模型进行闪烁提示。
48.实时监控显示模块对当天接收到的告警信息进行统计，并在实时告警列表中按照接收时间顺序统一显示告警信息。
49.还包括用于根据告警信息生成预警信息的预警信息生成模块，预警信息生成模块将生成的预警信息发送至监控主机，监控主机通过短信、邮件、语音等方式，及时将预警信息发送至相关负责人的移动终端。
50.能耗统计模块，根据检测数据对系统能耗进行分析研究，并将分析研究结果上传至数据中心，同时根据分析研究结果调整能源分配策略。
51.能源消耗状况的分析要运用多种分析方法，才能对能源的使用情况进行由量到质的分析和研究、剖析和概括，常用的方法有：对比分析法、统计分组法、结构分析法、动态分析法、因素分析法。通过使用不同的分析方法，找出能源使用过程中的漏洞和不合理之处，从而调整能源分配策略，减少能源使用过程中的浪费。
52.能耗预测模块，构建深度学习神经网络模型，基于数据中心的系统能耗数据进行模型训练优化，根据能耗统计模块的分析研究结果预测未来一段时间内的系统能耗，并将预测结果上传至调度中心。
53.能耗预测模块从数据中心截选连续时间段内的系统能耗数据，并将该连续时间段内前一部分的系统能耗数据作为预测训练集，将剩余部分的系统能耗数据作为预测测试集；
54.将预测训练集输入构建的深度学习神经网络模型，得到系统能耗的初步预测结果；
55.根据损失函数，确定初步预测结果与预测测试集之间的误差，并基于误差对深度学习神经网络模型进行迭代训练；
56.当误差达到预设的误差范围时，完成对深度学习神经网络模型的训练优化；
57.将能耗统计模块的分析研究结果输入训练好的深度学习神经网络模型，得到未来一段时间内的系统能耗预测结果。
58.其中，基于误差对深度学习神经网络模型进行迭代训练，包括：
59.利用深度学习神经网络模型度误差进行特征提取，得到特征序列；
60.在特征序列的基础上，结合预测训练集学习深度学习神经网络模型输出层中的参数。
61.本技术技术方案中，通过对深度学习神经网络模型的训练优化，使得深度学习神经网络模型能够准确预测未来一段时间内的系统能耗，并将预测结果上传至调度中心，实现调度中心的能源合理化调度，强化对能源的分散或集中控制。
62.能耗分析模块，基于能耗统计模块的分析研究结果多维度了解系统能耗情况，并对生产工艺、能耗设备进行能耗优化。
63.能耗分析模块根据不同生产工序所需要消耗的能耗指标，根据企业自身具备的资源状况，优化不同生产工序的能源消耗状态，并对能耗设备进行对比，选择其中能耗较小的能耗设备。
64.针对企业的年度、季度的系统能耗数据进行分析，了解单个产品的能耗、整个工厂的能耗、产品生产工序的能耗，从多个维度进行能耗分析，通过数据中心了解企业本身与其他同行业企业之间的差距，优化生产工艺，对能耗设备进行改造升级。
65.能耗审计模块，基于能耗统计模块的分析研究结果制定能源改造目标数据，并上传至审计部门。
66.收集企业的系统能耗数据，对企业能耗情况进行审计，了解企业在节约能耗方面存在的缺陷，拟定能源改造目标，并将能源改造目标数据提交给审计部门，确保企业为了能源改造目标的实现而努力。
67.报表分析生成模块，基于检测数据生成各种能耗分析报告和图表，有序展现能耗设备相关指标，呈现系统能耗情况。
68.报表统计分析是能源管理平台运维质量的度量依据，报表生成灵活，形式多样，能够满足不断变化的统计需求，报表分析能够有序地展现能耗设备相关指标，生成各种能耗分析报告和图表，呈现系统能耗情况、系统运行状况等，为故障诊断、领导决策提供科学的、可量化的依据。
69.报表分析生成模块用图表的方式，直观地展示系统能耗情况。在系统中使用了大量的图表，包括折线图、曲线图、面积图、饼形图、3d图等。在能源管理平台中使用了echarts，echarts是用纯javascript编写的图表库，能够很简单便捷地在web网站或web应用程序添加有交互性的图表。echarts界面美观，由于使用javascript编写，所以不需要像flash和java那样需要插件才可以运行，而且运行速度快。另外echarts还有很好的兼容性，能够支持当前大多数浏览器。
70.能耗设备管理模块，用于对能耗设备进行分类管理，构建关于能耗设备的管理框架，及时淘汰能耗较大或出现故障的能耗设备。
71.企业需要对能耗设备进行统一管理，将能耗设备分类，并明确标识，将标识作为管理能耗设备的纽带，构建关于能耗设备的管理框架，实现台账、检修、缺陷及变更方面的管理。企业在对能耗设备实时管理时，能够了解设备的运行状态及效率，并及时将能耗较大或出现故障的设备进行淘汰，避免因为设备故障而造成安全事故。
72.本技术技术方案中，还包括用于进行用户管理、角色管理、权限管理、告警策略配置、预警策略配置、系统参数维护的系统配置模块。此外，能源管理平台能够按照用能单位能耗在线监测系统技术规范定义的系统平台接口协议规范要求，将用能企业的基础信息、系统能耗数据上传至省级或国家平台，上传数据经过https协议加密传输。如果数据传输失败或超时(网络故障)将重发数据，直至接收成功反馈消息。
73.本技术技术方案中，以监控主机、通信模块、检测设备为基本工具，根据现场实际情况采用现场总线、光纤环网或无线通讯中的一种或多种结合的组网方式，为大型建筑的实时数据采集及远程管理与控制提供了基础平台，它可以和检测设备构成任意复杂的监控系统，开放性、网络化、单元化、组态化的采用面向对象的分层、分级、分布式智能结构。
74.能源管理平台架构采用基于j2ee框架，使用b/s结构的mvc设计模式。b/s结构可移植性强，可运行于不同操作系统(windows、redhatlinux等)，实现了跨平台部署。
75.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。