基于大数据的机电系统能耗优化方法及系统与流程

本发明涉及数据处理，特别是基于大数据的机电系统能耗优化方法及系统。

背景技术：

1、随着工业智能化与城市化进程的加快，机电系统已广泛应用于工业生产、建筑楼宇、交通枢纽等多个领域，成为能源消耗的核心载体，其能耗占社会总能耗的比重逐年攀升，节能降耗已成为当前绿色发展的重要课题。目前，机电系统能耗优化多采用传统经验驱动模式，多仅关注能耗数据，忽视设备运行参数、环境参数与工况参数的协同影响，导致数据支撑不全面；传统聚类算法易陷入局部最优，无法精准划分不同运行工况下的能耗特征，难以针对性制定优化策略；单一时序模型难以兼顾能耗的时序性与影响因子的关联性，导致能耗预测误差较大，优化指令缺乏科学性；控制模式多为静态优化，无法根据实时数据动态调整，难以适应机电系统复杂多变的运行状态，使得机电系统能耗效率和准确度不高。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了基于大数据的机电系统能耗优化方法及系统。

2、实现上述目的本发明的技术方案为，进一步，在上述基于大数据的机电系统能耗优化方法中，该机电系统能耗优化方法包括以下步骤：

3、采集机电系统的能耗数据、设备运行参数、环境参数及工况参数，得到多维度数据，对所述多维度数据进行预处理，得到初始多维度数据；

4、利用基于tent混沌序列灰狼优化的模糊c均值聚类算法tgwo-fcm对初始多维度数据进行工况聚类，再通过umap均匀流形近似和投影方法进行数据降维，得到标准多维度数据；

5、构建融合lstm长短期记忆网络与随机森林算法的混合分析模型，其中lstm长短期记忆网络用于学习机电系统能耗的时序特征，随机森林算法模型用于识别影响能耗的关键因子；

6、将所述标准多维度数据输入混合分析模型中，输出能耗预测结果，根据所述能耗预测结果生成机电设备的动态优化指令，将所述动态优化指令传输至机电系统进行实时控制。

7、进一步，在上述基于大数据的机电系统能耗优化方法中，所述采集机电系统的能耗数据、设备运行参数、环境参数及工况参数，得到多维度数据，对所述多维度数据进行预处理，得到初始多维度数据，包括：

8、基于统计分析法识别多维度数据的异常值，通过线性插值法填补缺失值，删除重复数据和无效数据，得到清洗多维度数据；

9、利用z-score标准化方法将清洗多维度数据中不同量纲、不同数量级的参数转换为统一标准的无量纲数据，得到标准多维度数据；

10、将标准多维度数据按时间戳对齐，整合为统一的多维度数据集，得到初始多维度数据。

11、进一步，在上述基于大数据的机电系统能耗优化方法中，所述利用基于tent混沌序列灰狼优化的tgwo-fcm模糊c均值聚类算法对初始多维度数据进行工况聚类，再通过umap均匀流形近似和投影方法进行数据降维，得到标准多维度数据，包括：

12、采用基于tent混沌序列灰狼优化的模糊c均值聚类算法tgwo-fcm，确定聚类数量，初始化fcm算法的聚类中心、模糊系数，设置tent混沌序列的初始值、迭代次数，初始化灰狼算法的种群规模和搜索范围；

13、利用tent混沌序列的随机性和遍历性优化灰狼算法的初始种群，通过灰狼算法的捕食、包围、搜索机制，优化fcm算法的聚类中心，得到tgwo-fcm算法；

14、将初始多维度数据输入优化后的tgwo-fcm算法，通过迭代计算，得到不同工况类别的聚类结果，每个聚类对应一种典型工况，标注各类工况的核心数据特征，得到聚类数据。

15、进一步，在上述基于大数据的机电系统能耗优化方法中，所述利用基于tent混沌序列灰狼优化的tgwo-fcm模糊c均值聚类算法对初始多维度数据进行工况聚类，再通过umap均匀流形近似和投影方法进行数据降维，得到标准多维度数据，包括：

16、设置umap算法的近邻数和最小距离，并确定数据降维后的目标维度；

17、将聚类数据输入umap算法，通过流形学习方法，保留数据的局部和全局特征，将高维数据映射到低维空间，得到标准多维度数据。

18、进一步，在上述基于大数据的机电系统能耗优化方法中，所述构建融合lstm长短期记忆网络与随机森林算法的混合分析模型，其中lstm长短期记忆网络用于学习机电系统能耗的时序特征，随机森林算法模型用于识别影响能耗的关键因子，包括：

19、lstm长短期记忆网络负责学习机电系统能耗的时序特征，捕捉能耗随时间变化的规律；

20、网络结构包括输入层、隐藏层、输出层；输入层神经元数量与降维后的特征维度一致，隐藏层设置2-3层，每层神经元数量为32-128，采用relu激活函数，输出层输出能耗时序预测中间结果。

21、进一步，在上述基于大数据的机电系统能耗优化方法中，所述构建融合lstm长短期记忆网络与随机森林算法的混合分析模型，其中lstm长短期记忆网络用于学习机电系统能耗的时序特征，随机森林算法模型用于识别影响能耗的关键因子，包括：

22、随机森林算法负责识别影响机电系统能耗的关键因子，输入为标准多维度数据中的所有特征参数，输出为各特征的重要性权重；

23、构建100-200棵决策树，通过bootstrap抽样方法生成每棵决策树的训练样本，采用gini系数作为特征分裂准则，计算每个特征对能耗的影响权重，筛选出关键影响因子；

24、将lstm模块的能耗时序预测中间结果与随机森林算法模块识别的关键影响因子的权重进行融合，得到能耗预测结果。

25、进一步，在上述基于大数据的机电系统能耗优化方法中，所述将所述标准多维度数据输入混合分析模型中，输出能耗预测结果，根据所述能耗预测结果生成机电设备的动态优化指令，将所述动态优化指令传输至机电系统进行实时控制，包括：

26、根据能耗预测结果与最优能耗阈值的对比，结合关键影响因子，生成动态优化指令，将动态优化指令转换为机电系统可识别的标准化指令格式。

27、进一步，在基于大数据的机电系统能耗优化系统，所述机电系统能耗优化系统包括以下模块：

28、机电数据采集模块，用于采集机电系统的能耗数据、设备运行参数、环境参数及工况参数，得到多维度数据，对所述多维度数据进行预处理，得到初始多维度数据；

29、数据聚类降维模块，用于利用基于tent混沌序列灰狼优化的tgwo-fcm模糊c均值聚类算法对初始多维度数据进行工况聚类，再通过umap均匀流形近似和投影方法进行数据降维，得到标准多维度数据；

30、混合模型构建模块，用于构建融合lstm长短期记忆网络与随机森林算法的混合分析模型，其中lstm长短期记忆网络用于学习机电系统能耗的时序特征，随机森林算法模型用于识别影响能耗的关键因子；

31、系统能耗优化模块，用于将所述标准多维度数据输入混合分析模型中，输出能耗预测结果，根据所述能耗预测结果生成机电设备的动态优化指令，将所述动态优化指令传输至机电系统进行实时控制。

32、进一步，在基于大数据的机电系统能耗优化系统中，所述机电数据采集模块包括以下子模块：

33、清洗子模块，用于基于统计分析法识别多维度数据的异常值，通过线性插值法填补缺失值，删除重复数据和无效数据，得到清洗多维度数据；

34、转换子模块，用于利用z-score标准化方法将清洗多维度数据中不同量纲、不同数量级的参数转换为统一标准的无量纲数据，得到标准多维度数据；

35、整合子模块，用于将标准多维度数据按时间戳对齐，整合为统一的多维度数据集，得到初始多维度数据。

36、进一步，在基于大数据的机电系统能耗优化系统中，所述数据聚类降维模块包括以下子模块：

37、初始化子模块，用于采用基于tent混沌序列灰狼优化的模糊c均值聚类算法tgwo-fcm，确定聚类数量，初始化fcm算法的聚类中心、模糊系数，设置tent混沌序列的初始值、迭代次数，初始化灰狼算法的种群规模和搜索范围；

38、优化子模块，用于利用tent混沌序列的随机性和遍历性优化灰狼算法的初始种群，通过灰狼算法的捕食、包围、搜索机制，优化fcm算法的聚类中心，得到tgwo-fcm算法；

39、计算子模块，用于将初始多维度数据输入优化后的tgwo-fcm算法，通过迭代计算，得到不同工况类别的聚类结果，每个聚类对应一种典型工况，标注各类工况的核心数据特征，得到聚类数据。

40、其有益效果在于，通过多维度采集能耗、设备运行、环境及工况参数，结合清洗、标准化与整合处理，确保数据的全面性、准确性和可用性，为后续优化分析提供坚实的数据支撑，解决了传统方法数据维度单一、质量不佳的问题。工况聚类与降维效果优异，采用tgwo-fcm算法优化聚类精度，避免局部最优，精准划分典型工况，结合umap降维技术剔除数据冗余，在保留核心特征的前提下提升后续模型处理效率，解决了传统聚类精度低、数据冗余导致的分析滞后问题。混合分析模型预测精准，融合lstm与随机森林的优势，既捕捉能耗的时序变化规律，又精准识别关键影响因子，提升能耗预测精度，为优化指令生成提供科学依据，弥补了单一模型的局限性。实现动态闭环控制，基于预测结果生成针对性优化指令，实时传输至机电系统并反馈运行数据，持续迭代优化，在保障设备安全运行和生产需求的前提下，有效降低机电系统能耗，提升能源利用效率，同时延长设备使用寿命，降低运维成本。