设备电耗预测方法、装置和电量采集装置与流程
本公开涉及数据处理领域，尤其涉及一种设备电耗预测方法、装置和电量采集装置。
背景技术：
近年来，空调器市场发展迅猛，但全国各地用户实际运行电耗情况无法得知。传统机组电耗只能通过电表采集，无法建立电耗的评价体系。经数学建模而得的电耗模型虽然可以准确地预测出单个建筑群的机组电耗，却很难推广应用在全国范围内，例如，电耗数学模型无法预测全国各地区的真实机组电耗。目前行业内均无法实现对全国机组实际运行电耗的预测和管理。
技术实现要素：
本公开要解决的一个技术问题是，提供一种设备电耗预测方法、装置和电量采集装置，能够在不利用电表采集设备电耗量的情况下，预测设备的电耗量。
根据本公开一方面，提出一种设备电耗预测方法，包括：获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数；基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型，以便基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。
在一个实施例中，基于样本设备运行数据和功率值对机器学习模型进行训练，得到功率预测模型包括：对样本设备运行数据进行随机采样，获得多个样本采样集；基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。
在一个实施例中，获取与功率参数相关的样本设备运行数据包括：获取样本设备数据；提取样本设备数据中的关键特征参数，得到与功率参数相关的样本设备运行数据。
在一个实施例中，提取样本设备数据的关键特征参数包括：对样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与功率参数相关性大于阈值的样本设备数据作为样本设备数据的关键特征参数。
在一个实施例中，获取样本设备数据包括：对采集的设备数据进行清洗；对清洗后的设备数据进行集成；将集成后的设备数据进行规格化转换；将规格化转换后的设备数据进行削减得到样本设备数据。
根据本公开的另一方面，还提出一种设备电耗预测装置，包括：数据获取单元，被配置为获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数；模型训练单元，被配置为基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型；电耗预测单元，被配置为基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。
在一个实施例中，模型训练单元被配置为对样本设备运行数据进行随机采样，获得多个样本采样集；基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。
在一个实施例中，数据获取单元被配置为获取样本设备数据；提取样本设备数据中的关键特征参数，得到与功率参数相关的样本设备运行数据。
在一个实施例中，数据获取单元被配置为对样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与功率参数相关性大于阈值的样本设备数据作为样本设备数据的关键特征参数。
根据本公开的另一方面，还提出一种设备电耗预测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的方法。
根据本公开的另一方面，还提出一种电量采集装置，包括上述的设备电耗预测装置。
根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的方法。
与相关技术相比，本公开在获取与功率参数相关的样本设备运行数据后，对机器学习模型进行训练，得到功率预测模型，利用该功率预测模型可以预测设备的运行功率，根据设备运行功率确定设备电耗量，即能够实现在不利用电表采集设备电耗量的情况下，预测得到各设备的电耗量。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开设备电耗预测方法的一个实施例的流程示意图。
图2为本公开设备电耗预测方法的另一个实施例的流程示意图。
图3为本公开设备电耗预测方法的另一个实施例的流程示意图。
图4为本公开设备电耗预测装置的一个实施例的结构示意图。
图5为本公开设备电耗预测装置的另一个实施例的结构示意图。
图6为本公开设备电耗预测装置的另一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
图1为本公开设备电耗预测方法的一个实施例的流程示意图。
在步骤110，获取与功率参数相关的样本设备运行数据，其中，样本设备运行数据的标记值为功率参数。设备电耗量与设备的功率参数相关。设备例如为空调器，则与功率参数相关的样本设备运行数据包括样本模块高压数据、样本风机目标频率数据、样本压缩机运行频率等。
在步骤120，基于样本设备运行数据和标记值对机器学习模型进行训练，得到功率预测模型。
在一个实施例中，先对样本设备运行数据进行随机采样，获得多个样本采样集；然后基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。
机器学习的核心是使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测。机器学习主要有三种类别：监督学习、非监督学习和强化学习。其中，监督学习使用了标签数据进行训练，无监督学习中则使用无标签数据进行训练，强化学习使用机器的个人历史和经验来做决定。在使用多种机器机器学习算法对特征进行分类时，发明人发现baggingtrees(袋装树)分类算法模型最优，均方根误差最小，因此可以机器学习模型可以采用baggingtrees模型。该实施例中基于机器学习模型，训练出一个能够准确预测全国机组功率的设备全工况电耗模型，并应用于设备电量采集装置。
在步骤130，基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。
在得到功率预测模型后，当采集到设备的与功率参数相关的实际运行数据后，将该数据输入至功率预测模型，就可以预测得到该设备的功率值，然后获取该设备在该功率情况下的运行时间，从而得到设备的电耗量。
在该实施例中，在获取与功率参数相关的样本设备运行数据后，对机器学习模型进行训练，得到功率预测模型，在不利用电表采集设备电耗量的情况下，利用该功率预测模型可以预测设备的电耗量，提高设备电耗采集的精确度。
图2为本公开设备电耗预测方法的另一个实施例的流程示意图。
在步骤210，获取样本设备数据。其中，可以利用大数据采集得到全国各地区数百万空调实际运行的所有工况数据，例如，环境温度、设定温度、运行状态等，并在实验室模拟出全国机组的全工况功率，机组的实际功率数据将作为模型训练的标记值来使用。
在步骤220，提取样本设备数据中的关键特征参数，得到与功率参数相关的样本设备运行数据。
在一个实施例中，先对样本设备数据进行降维计算，然后将降维后的样本设备数据分别与功率参数进行相关性计算，将与功率参数相关性大于阈值的样本设备数据作为样本设备数据的关键特征参数。
先利用专家经验去除采集的数据中的无用参数，降低设备数据量。例如，空调系统中的多联机系统十分复杂，内机数量多，搭配形式多样，机组参数多达500个，根据专家经验去除每台设备原始采集参数中的无用参数后还剩余300个参数。然后基于主成分分析法对数据降维，例如将每台设备的参数由300个降低到100个。
在一个实施例中，将多台设备去除无用参数后的数据组成n行m列的数据矩阵
将功率参数与各个样本设备数据进行皮尔逊积矩相关系数计算
在步骤230，对样本设备运行数据进行随机采样，获得多个样本采样集。
随机采样就是从训练集里面采集固定个数的样本，但是每采集一个样本后，都将样本放回。也就是说，之前采集到的样本在放回后有可能继续被采集到。例如，对样本数据运行数据m进行t次随机采样，获取t个m样本采样集。
在步骤240，基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型。即通过对t个独立的m样本采样集进行训练得到t个弱学习器。
在步骤250，对多个弱学习模型进行集成，得到功率预测模型。对多个弱学习模型进行集成得到强学习器，该强学习器即功率预测模型。
其中，对于强学习器的输出值，如果是利用分类算法预测，则t个弱学习器投出最多票数的类别或者类别之一为最终类别；如果是利用回归算法，t个弱学习器得到的回归结果进行算术平均得到的值为最终的模型输出。
在训练好的功率预测模型后，可以将该模型用于预测设备电耗量。例如，该方法还包括以下步骤：
在步骤260，获取设备实际运行数据。其中，在获得设备实际数据后，也需要对设备实际数据进行降维、提取关键特征等处理。
在步骤270，将设备实际运行数据输入至功率预测模型，预测得到各设备的实际功率值。
在步骤280，根据设备实际功率值和运行时间得到各设备的电耗量。
在上述实施例中，在对样本设备数据进行降维、相关性计算后，得到与功率参数相关的样本设备运行数据，然后基于样本设备运行数据训练机器学习模型得到功率预测模型，基于该功率预测模型预测设备的电耗量，在不使用电表实测的情况下，得到全国各地机组全工况的电耗量。
在本公开的另一个实施例中，如图3所示，在采集到设备数据后，可能无法直接看出具体参数的具体数值，需要对设备数据进行预处理得到样本设备数据。
在步骤310，对采集的设备数据进行清洗。在通过通讯模块设备采集全国工程运行数据，利用解析程序对机组运行数据进行解析，通过判断数据之间逻辑相关性，清洗残缺数据、重复数据、错误数据。例如，如需要获取10:00时刻室内环境温度，但是目前只获取到9:59时刻的室内环境温度，此时可以用9:59的室内环境温度替代10:00的室内环境温度。另外，若室内环境温度多次返回，数据处理的时候可以根据需要进行合并/清除操作。
在步骤320，对清洗后的设备数据进行集成。即根据数据特征对设备数据进行归类，例如，对于空调设备，将内机数据集成在一起，将外机数据集成在一起。
在步骤330，将集成后的设备数据进行规格化转换。
在步骤340，将规格化转换后的设备数据进行削减得到样本设备数据。例如，不同机型所关注的参数的不同，因此需要对数据削减，如侧出风的空调和顶出风的空调，分析对象不同，所关注的参数也是不同的，所以就要对不需要关注的参数数据进行削减。
在上述实施例中，通过对大数据采集到的设备数据进行预处理，得到样本设备数据，以便后续对数据进行进一步处理后，将数据输入至机器学习模型进行训练得到功率预测模型，经过对100万条数据校验，模型精度可到达95％以上，在预测到设备耗电量后，通过优化系统控制，能够降低单体机组能耗15％，按照全国20万套机组，每年可节约1.3亿度电，相当于减少12.9万吨co2的排放。
图4为本公开设备电耗预测装置的一个实施例的结构示意图。该装置包括数据获取单元410、模型训练单元420和电耗预测单元430。
数据获取单元410被配置为获取与功率参数相关的样本设备运行数据，其中，所述样本设备运行数据的标记值为功率参数。
在一个实施例中，数据获取单元410获取样本设备数据后，提取所述样本设备数据中的关键特征参数，得到与功率参数相关的所述样本设备运行数据。具体的，可以先对所述样本设备数据进行降维计算；将降维后的样本设备数据分别与功率参数进行相关性计算，将与所述功率参数相关性大于阈值的样本设备数据作为所述样本设备数据的关键特征参数。
在一个实施例中，数据获取单元410在获取设备数据后，可以对设备数据进行预处理，例如，进行数据清洗、数据集成、数据转换、数据消减等。
模型训练单元420被配置为基于所述样本设备运行数据和所述标记值对机器学习模型进行训练，得到功率预测模型。
在一个实施例中，先对样本设备运行数据进行随机采样，获得多个样本采样集；然后基于多个样本采样集对机器学习模型进行训练得到多个弱学习模型；对多个弱学习模型进行集成，得到功率预测模型。
电耗预测单元430被配置为基于功率预测模型预测设备的运行功率，根据设备运行功率确定设备电耗量。在得到功率预测模型后，当采集到设备的与功率参数相关的实际运行数据后，将该数据输入至功率预测模型，就可以预测得到该设备的功率值，然后获取该设备在该功率情况下的运行时间，从而得到设备的电耗量。
在该实施例中，在获取与功率参数相关的样本设备运行数据后，对机器学习模型进行训练，得到功率预测模型，在不利用电表采集设备电耗量的情况下，利用该功率预测模型可以预测设备的电耗量，提高设备电耗采集的精确度。其中，将该功率预测模型应用于电耗管理平台，即根据设备的预测电耗量对全国机组电耗进行综合管理，为用户节省电费。
图5为本公开设备电耗预测装置的另一个实施例的结构示意图。该装置包括存储器510和处理器520。其中：存储器510可以是磁盘、闪存或其它任何非易失性存储介质。存储器510用于存储图1、2所对应实施例中的指令。处理器520耦接至存储器510，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器520用于执行存储器中存储的指令。
在一个实施例中，还可以如图6所示，该装置600包括存储器610和处理器620。处理器620通过bus总线630耦合至存储器610。该装置600还可以通过存储接口640连接至外部存储装置650以便调用外部数据，还可以通过网络接口660连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，在不利用电表采集设备电耗量的情况下，预测设备的电耗量。
在本公开的另一个实施例中，保护一种电量采集装置，该电量采集装置包括上述的设备电耗预测装置。该电量采集装置可以应用于空调器，即采集各空调器的电耗量。
在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1、2所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。
- 还没有人留言评论。精彩留言会获得点赞！