【技術實現步驟摘要】
本專利技術涉及工業大數據分析、工業能源管理等交叉，特別涉及一種適應動態生產的離散制造企業能耗預測方法。
技術介紹
1、離散制造企業能耗預測對于掌握未來生產制造過程的能源需求、實現能源供用的平衡調度至關重要。尤其是在能源緊缺等情況下，準確的能耗預測能幫助企業制定合理的能源供給方案，優先保障重要生產活動的能源需求，從而在實現制造能源成本降低的同時推動企業綠色可持續發展。然而，由于離散制造過程生產任務多變，導致離散制造企業制造過程的能耗動態波動大、精準預測難。如何準確利用生產過程中涌現出的大量生產能耗數據，實現對離散制造企業全園區能耗精準預測，已成為當前工業節能減碳領域亟需解決的熱點問題。
2、早期的離散制造企業能耗預測研究，集中圍繞設備-工藝-車間-企業多個層級開展了能耗機理建模研究，形成了機理模型驅動的預測方法。由于此類方法需要構建生產信息與多設備運行機理多變量關聯，多用于生產模式固定、生產情況穩定的流程或半流程制場景，但還難以滿足生產制造復雜、生產計劃多變的離散制造企業快速、低成本預測訴求。
3、隨著工業人工智能技術的發展，企業可以通過部署智能設備和工業互聯網，實現生產過程中的時序用能數據的監控和采集。研究者們基于已采集的時序用能數據，提出了數據驅動的離散制造企業用能體系建模與預測方法，使用隨機森林、支持向量機等方法進行時序預測。傳統基于機器學習方法對平穩的時序能耗數據具有良好的預測效果，但無法滿足能耗數據變化大的預測。
4、綜上，能源消耗波動大、消耗規律不顯著的離散制造企業能耗精準預測，還存
技術實現思路
1、本專利技術提供了一種適應動態生產的離散制造企業能耗預測方法，采用時間序列周期性信息挖掘方法，識別離散制造企業由于生產、設備動變引起的能耗時序變化，以提升離散制造企業能耗預測精度，實現能源消耗波動大、消耗規律不顯著的離散制造企業能耗的精準預測。
2、本專利技術提供了一種適應動態生產的離散制造企業能耗預測方法，包括：
3、采集離散制造企業的時序能耗數據并構建數據集，以獲取所述離散制造企業的能耗曲線；其中，所述時序能耗數據為1d的時序能耗數據；
4、采用預設的計算方式將所述1d的時序能耗數據重新排列為2d矩陣，以便捕捉短期和長期的時序能耗數據的動變特征；
5、采用預設的卷積模塊對所述2d矩陣進行處理，并將數據后的數據進行加權求和計算，然后將卷積模塊進行堆疊，采用殘差連接以保證信息在深層網絡中有效傳遞和聚合；
6、將卷積模塊的輸出結果輸入全連接層，生成對下一時刻的預測結果，實現對所述離散制造企業能耗預測。
7、進一步地，所述采用預設的計算方式將所述1d的時序能耗數據重新排列為2d矩陣，以便捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
8、采用傅里葉變換分析所述時序能耗數據的頻率域，以識別能耗數據中的主要周期，進而通過對頻譜的計算，選擇前k個振幅超過設定值的頻率進而確定相應周期的長度；
9、基于識別的周期性特征，將選擇的k個原始1d時序能耗數據重新排列為k個2d矩陣，以便分別捕捉短期和長期的時序能耗數據的動變特征；其中，矩陣的列表示一個周期內的能耗變化，矩陣的行表示不同周期間相同時間點的能耗變化。
10、進一步地，所述采用傅里葉變換分析所述時序能耗數據的頻率域，以識別能耗數據中的主要周期，進而通過對頻譜的計算，選擇前k個振幅超過設定值的頻率進而確定相應周期的長度的步驟，包括：
11、計算所述時序能耗數據的周期，其公式為：
12、s＝fave(famp(ffft(x1d)))
13、
14、
15、其中，t×c表示長度為t，變量為c的企業時序能耗數據；ffft(·)表示對時序能耗數據做傅里葉變換，將時域特征轉換為頻域特征；famp(·)表示取得時序能耗頻域曲線中的振幅值；fave(·)表示對不同頻率取得的幅值進行平均；argfirstk(·)表示選取振幅值超過設定值的前k個頻率{f1,…fk}，其對應的周期長度為{p1,…pk}，k為超參數。
16、進一步地，所述基于識別的周期性特征，將選擇的k個原始1d時序能耗數據重新排列為k個2d矩陣，以便分別捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
17、基于選定的頻率{f1,…fk}和相應的周期長度{p1,…pk}，將1d時序能耗數據重新排列為2d矩陣；其中，列表示一個周期內的能耗變化，行表示不同周期間相同時間點的能耗變化，2d矩陣的表示方式如下式所示：
18、
19、其中，fpad(·)表示用0對原始時序能耗數據進行填充；fres(·)表示將1d的時序能耗數據根據周期信息重構為2d矩陣，其中，fi表示第i個頻率在時序能耗數據中出現的頻次，pi表示周期的長度。
20、進一步地，所述采用預設的卷積模塊對所述2d矩陣進行處理，并將數據后的數據進行加權求和計算，然后將卷積模塊進行堆疊，采用殘差連接以保證信息在深層網絡中有效傳遞和聚合的步驟，包括：
21、采用inception模塊將處理后的2d矩陣重新轉換回1d形式；其中，inception模塊為采用多尺度的2d卷積核的模塊；
22、將計算的周期幅值大小作為權值，采用softmax函數對不同的1d時序能耗數據進行加權求和，融合為當前層的輸出；
23、將卷積模塊堆疊，采用殘差連接以保證信息在深層網絡中有效傳遞和聚合。
24、進一步地，所述采用inception模塊將處理后的2d矩陣重新轉換回1d形式的步驟，包括：
25、采用inception模塊對轉換后的2d矩陣做卷積提取特征，聚合企業時序能耗數據一個周期內和不同周期間相同時間點的變化：
26、
27、其中，finception(·)為深度學習模塊，通過使用不同大小的卷積核來并行處理2d矩陣，捕捉時序能耗數據短期和長期的變化特征；包含了從時序能耗數據中提取到的多尺度周期性和時間依賴特征。
28、將卷積處理后的2d矩陣轉換為1d并將之前填充的部分截斷：
29、
30、其中，ftru(·)表示截斷，用于去除填充的時間點，即fpad(·)在中添加的0，將時序能耗數據恢復到原始長度；表示將處理后的2d矩陣重新轉換為1d時序能耗數據。
31、進一步地，所述將計算的周期幅值大小作為權值，采用softmax函數對不同的1d時序能耗數據進行加權求和，融合為當前層的輸出的步驟，包括：
32、采用softmax函數對不同的1d時序能耗數據做加權融合，實現層次卷積模塊的自適應聚合：
33、
本文檔來自技高網...
【技術保護點】
1.一種適應動態生產的離散制造企業能耗預測方法，其特征在于，包括：
2.根據權利要求1所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用預設的計算方式將所述1D的時序能耗數據重新排列為2D矩陣，以便捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
3.根據權利要求2所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用傅里葉變換分析所述時序能耗數據的頻率域，以識別能耗數據中的主要周期，進而通過對頻譜的計算，選擇前k個振幅超過設定值的頻率進而確定相應周期的長度的步驟，包括：
4.根據權利要求3所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述基于識別的周期性特征，將選擇的k個原始1D時序能耗數據重新排列為k個2D矩陣，以便分別捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
5.根據權利要求1所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用預設的卷積模塊對所述2D矩陣進行處理，并將數據后的數據進行加權求和計算，然后將卷積模塊進行堆疊，采用殘差連接以保證信息在深層網絡中有
6.根據權利要求5所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用Inception模塊將處理后的2D矩陣重新轉換回1D形式的步驟，包括：
7.根據權利要求6所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述將計算的周期幅值大小作為權值，采用Softmax函數對不同的1D時序能耗數據進行加權求和，融合為當前層的輸出的步驟，包括：
8.根據權利要求5所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述將卷積模塊堆疊，采用殘差連接以保證信息在深層網絡中有效傳遞和聚合的步驟中，計算公式為：
9.一種適應動態生產的離散制造企業能耗預測裝置，其特征在于，包括：
10.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述方法的步驟。
...【技術特征摘要】
1.一種適應動態生產的離散制造企業能耗預測方法，其特征在于，包括：
2.根據權利要求1所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用預設的計算方式將所述1d的時序能耗數據重新排列為2d矩陣，以便捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
3.根據權利要求2所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用傅里葉變換分析所述時序能耗數據的頻率域，以識別能耗數據中的主要周期，進而通過對頻譜的計算，選擇前k個振幅超過設定值的頻率進而確定相應周期的長度的步驟，包括：
4.根據權利要求3所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述基于識別的周期性特征，將選擇的k個原始1d時序能耗數據重新排列為k個2d矩陣，以便分別捕捉短期和長期的時序能耗數據的動變特征的步驟，包括：
5.根據權利要求1所述的適應動態生產的離散制造企業能耗預測方法，其特征在于，所述采用預設的卷積模塊對所述2d矩陣進行處理，并將數據后的數據進...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。