用于评估工业环境中的能量消耗的方法、系统和计算机程序产品与流程

1.本发明涉及监控和分析工业环境中的能量消耗的领域。


背景技术：

2.在过去的几十年里，能量效率是几乎所有国家的既定能量政策目标。针对在工业环境和其他建筑中提高的能量效率的论点集中在降低的制造商和消费者的能量成本、能量供应安全、提高的舒适度、较低温室气体排放以及对可持续发展目标的重大贡献。
3.在工业中，能量效率的提高被视为由制造商采取的在不影响所提供服务水平的情况下减少每单位输出的能量使用的任何动作。因此，可以在工业环境的各个级别的所有阶段考虑能量效率提高。
4.如今，所谓的工业4.0预见了通过实现包括基于大数据框架和基础设施的数据驱动解决方案的信息物理系统(cyber
‑
physical system，cps)来使用嵌入式智能。例如，lee j.、kao h.a.和yang s.，service innovation and smart analytics for industry 4.0 and big data environment，第六届cirp conference on industrial product
‑
service systems(工业产品服务系统会议)，elsevier(爱思唯尔)，第16卷，第3至8页，2014年，公开了使用自适应学习算法来表示物理世界中的机器退化和性能行为的cps。
5.bhatnager r.和rao ch.，energy resource management based on data mining and artificial intelligence，aceee summer study on energy efficiency in industry(工业节能夏季研究)，2005年，描述了用于确定公用事业消费的典型时间行为及其发生频率的数据挖掘算法的集合。因此，对于与设备对应的不同电力消耗轮廓，获得针对该设备的相关使用模式。然而，所提出的方法不允许对整个工业工厂进行综合能量管理。
6.因此，需要开发改进的工业工厂中进行能量管理的方法。


技术实现要素：

7.本公开内容中描述的计算机实现的用于评估工业环境中的能量消耗的方法和系统旨在解决针对其的现有技术方法和系统的缺点。
8.本公开内容的方法对工业工厂中的能量消耗进行综合分析和评估。在本发明的实施方式中，从公用事业的连接点的视角来看，工业工厂可以被认为是以不同子计量级别分组的负载的集合。由于iot(物联网)的部署，设备如计量装置和网关使得能够测量各种物理量级并连接工业部件，从而使得能够收集在子计量级别处的数据。通过分析以前从未观察且使其相关的模式和生产数据，可以解释能量行为。在本发明的实施方式中，还可以检测生产过程中的能量效率低下，并且可以评估这些效率低下的原因。因此，本公开内容的方法允许评估所发现的能量行为是否是由于生产变化引起的。
9.本发明的第一方面涉及一种计算机实现的用于评估工业工厂中的能量消耗的方法，该方法包括：在多个时刻处，使用多个传感器捕获来自工业工厂的至少一个级别的传感
器数据，其中，所述多个传感器包括能量测量传感器；根据所述传感器数据，以数字化方式获得多个能量消耗曲线x
j
，其中，j＝0、1、2、
……
、j
‑
1，j为自然数，能量消耗曲线表示沿着一定时间段t与所述时间段t被划分为的时间间隔δt对应的能量消耗的离散值；根据所述能量消耗曲线x
j
，应用聚类算法以用于以数字化方式计算多个k个能量消耗模式c
k
，其中，k＝0、1、2、
……
、k
‑
1，k为自然数，k<j，其中，每个能量消耗模式c
k
表示根据相似度度量组合在一起的能量消耗曲线x
j
的集合，其中，每个能量消耗模式c
k
包括与所述时间段t被划分为的所述时间间隔δt对应的能量消耗的离散值；捕获在所述时间段t期间在工业工厂的所述至少一个级别处实现的生产数据；针对属于每个模式的每个能量消耗曲线，计算所述时间段t期间的能量消耗的离散值的聚合之和，因此获得针对所述时间段t期间的每个能量消耗曲线的聚合能量消耗；以及以数字化方式建立针对在所述时间段t期间的每个能量消耗曲线的聚合能量消耗与捕获的生产数据之间的关系。
10.在本发明的实施方式中，在以时间间隔δt分隔的周期性时刻处进行使用多个传感器捕获来自工业工厂的至少一个级别的传感器数据的阶段。
11.在本发明的实施方式中，工业工厂的至少一个级别是工业工厂、线、过程、机器或机器部件中的至少一个。
12.在本发明的实施方式中，每个能量消耗模式c
k
被计算为属于所述模式的每个能量消耗曲线x
j
的每个分量x
ij
的平均值。
13.在本发明的实施方式中，聚类算法应用以下用于使形成簇的元素与其对应模式之间的距离最小化的迭代过程：其中，x
ij
为第j个能量消耗曲线x
j
的第i个分量，c
ikt
为在时刻t处第k个能量消耗模式的第i个分量，k为能量消耗模式总数目，以及i为在整个时间段内的测量次数，其中，针对整个曲线集
……
、j的模式的最优数目k由组之间的方差除以来自所述曲线集的选择的总方差的表示中的最大偏差点给定，即：其中，var
in
是组或簇中的元素之间的方差，并且其中，var
in
被限定为：其中，k为能量消耗模式的总数目，即通过针对组限定的相似度度量而相关的能量消耗曲线组的总数目，n
k
是形成第k组的元素或曲线的数目，c
kt
是针对第k组曲线的特征模式，以及是整个能量消耗曲线选择的平均模式。
14.在本发明的实施方式中，对于在新时间段t处根据传感器数据获得的新能量消耗曲线，通过将新能量消耗曲线与已经限定的k个模式进行比较来评估相对于当前模式的相似度/相异度，并且如果新能量消耗曲线在数学上在相似度度量方面与先前限定的模式相适应，则确定所述新能量消耗曲线属于新能量消耗曲线与其相适应的所述模式。
15.在本发明的实施方式中，如果新能量消耗曲线在数学上在相似度度量方面与先前限定的模式相适应，则将新能量消耗曲线与属于由模式表示的簇的所有能量消耗曲线以数字化方式进行比较，从而将新曲线与最大能量消耗曲线和最小能量消耗曲线进行比较。
16.在本发明的实施方式中，如果新能量消耗曲线属于现有能量消耗模式，则将新能量消耗曲线与由所述模式表示的曲线组相关联，并且考虑新能量消耗曲线来更新模式。
17.在本发明的实施方式中，如果新能量消耗曲线在相似度度量方面不与先前限定的模式相适应，则确定新能量消耗曲线是否表示异常消耗或者它是否表示新类型的能量消耗模式的出现。
18.在本发明的实施方式中，如果确定新能量消耗曲线表示异常消耗，则触发与能量消耗相关联的警报。
19.在本发明的实施方式中，该方法还包括：捕获在新能量消耗曲线的同一时间段t期间实现的生产数据；以及通过根据历史曲线推断出的能量与产量的关系，将在新能量消耗曲线的所述时间段期间的能量消耗与相关联的产量以数字化的方式进行比较。
20.在本发明的实施方式中，如果作为数字化比较的结果确定存在能量效率低下，则触发与生产相关联的警报。
21.在本发明的实施方式中，该方法还包括：使用子计量测量结果来解释引起异常消耗的能量消耗的差异。
22.在本发明的实施方式中，如果触发了能量警报和/或触发了生产警报，则可以触发最终警报，该最终警报表示可以指示过度能量消耗的异常行为。
23.本发明的第二方面涉及一种包括处理装置的系统，该系统被配置成执行已经公开的方法的步骤。
24.本发明的第三方面涉及包括用于执行本发明第一方面的方法的计算机程序指令/代码的计算机程序产品。
25.本发明的第四方面涉及存储用于执行本发明第一方面的方法的程序指令/代码的计算机可读存储器/介质。
26.本发明的另外的优点和特征将从下面的详细描述中变得明显，并且将在所附权利要求书中特别地指出。
附图说明
27.为了完善说明书并且为了提供对本发明的更好地理解，提供了一组附图。所述附图形成说明书的组成部分并且示出了本发明的实施方式，附图不应被解释为限制本发明的范围，而是仅作为可以如何实施本发明的示例。
28.附图包括以下图：
29.图1示出了公司的工业基础设施的示意图。
30.图2示出了适于执行本公开内容的方法的信息物理系统的方案。
31.图3示出了根据本公开内容的实施方式获得的能量消耗曲线的示例。
32.图4示出了根据本公开内容的实施方式获得的能量消耗曲线的集合和该曲线集所属的所得能量消耗模式的示例。
33.图5示出了根据本公开内容的实施方式获得的表示产量与能量消耗的图。
具体实施方式
34.图1示意性地示出了工业工厂的基础设施可以划分成的级别。在上面级别中1000表示工业工厂。工业工厂所属的公司可以具有其他工业工厂，例如在不同的国家或通常在不同的地点，但为了本公开内容的目的，描绘了工业工厂。工厂1000包括若干工业线，这些工业线形成第二级别。作为示例，在图1中示出了工厂1000的四个线1100、1200、1300、1400。第三部署级别包括形成每个工业线的一部分的机器。例如，在图1中，图示了属于线1100的两台机器1101、1102。属于线1100的机器1101、1102包括若干部件。例如，机器1101可以是包括加工单元1101a、工具1101b等的加工工具。每个部件又可以具有若干元件；例如，加工单元可以包括用于沿3轴和主轴移动加工单元的伺服电机。主轴又包括要控制的不同子元件，例如电机和轴承。图1的方案表示工业工厂电气连接的层级。此外，工业线可以包含若干过程。例如，过程可能涉及若干机器。图1中示意的工业工厂的结构是说明性的，并旨在示出工业工厂的层级能量监控分布，并因此反映本公开内容的方法处理不同层级能量监控级别的数据的能力。因此不应以限制性方式考虑所示结构，其他层级工业结构也是可能的。
35.工业工厂中不同层级处的不同部件中的部分或全部与传感器相关联，图1中未示出。传感器可以是能量测量传感器，例如电测量传感器或气体测量传感器，以及用于测量其他物理能量相关量级——例如温度、气压和流速例如气体、油或水流速等——的传感器。不在本发明范围内的通信协议可以实现对控制器信号的记录。例如，能量管理系统(ems)可以用于收集由工业工厂中不同级别处的传感器捕获的测量结果：工业工厂的总工厂消耗、生产线的消耗、过程的消耗、机器的消耗、机器的不同部件的消耗等。该方法还包括间接测量，即，基于间接推断的测量。例如，如果使用能量守恒原理，可以通过仅知道被监控和未被监控的负载两者连接至的变压器的总能量、以及与变压器相关联的被监控的负载的能量来扣除与未被监控的负载相关联的能量。从变压器的总能量中减去被监控的负载的能量得出未被监控的负载的能量。总之，该方法包括直接测量并且也包括从先前的测量推断的间接测量。作为示例，如果存在监控由具有40台机器的工厂消耗的总能量的计量装置，并且还监控了工厂中40台机器中的30台机器的能量消耗，则可以通过从工厂计量装置测量的消耗中减去这30台被监控的机器的消耗的聚合之和来推断出10台未被监控的机器的聚合消耗。
36.该测量还可以分类为：生产性负载测量，生产性负载是与生产相关联的负载；辅助性负载测量，辅助性负载是与生产不直接相关联的负载；以及未被监控的负载测量。根据工业水平和根据元素或负载的类型，消耗可以从测量传感器(这可以是例如机器的部件的情况)直接获得，或者从不同的测量传感器中(这可以是例如生产线或工厂的情况)间接获得或从根据已经解释的间接推断间接获得。测量结果通常存储在本地或云中，以供稍后分析、评估、监控和/或处理。在不同的时刻处例如周期性地进行测量。优选地，所捕获的数据中的一些或所有必须具有相同的时间离散化。为此，可以使用时间均化函数以获得针对在工业工厂的一个或多个级别处进行的测量中的一些或所有测量的一致数据集。
37.此外，目前，在许多工业工厂中，生产数据也被测量和存储，例如通过通常独立于ems的制造执行系统(mes)。生产数据是指一定时间段(例如但不限于每天)内在一定级别(例如，线级别或机器级别)处实现的产量(例如，以千克(kgr，103gr)为单位的某物例如加工材料，或仅生产的物品数量)。
38.图2示出了在本公开内容的方法的执行中涉及的元件的框图4000。框1000表示至
少一个工业工厂1000，例如图1中所示的工业工厂1000。至少一个工业工厂1000形成信息物理系统，被理解为彼此之间双向连接并且能够根据工业工厂的操作彼此交互的机器的集合。框图4000还示出了至少一个处理装置2000，在图2中由服务器表示。本公开内容的方法在至少一个处理装置2000中应用和/或执行。工业工厂1000表示物理世界，即，线、过程、机器、部件、相关联的传感器等的集合，而处理装置2000表示计算世界。框图4000还示出了存储装置3000，在存储装置3000中存储了从工业工厂1000的不同层级级别收集的数据测量结果。未示出的监控平台负责从机器、部件、线、过程等收集数据并将数据存储在数据库3000中。存储装置3000可以位于本地，例如在工业工厂的本地网络内，或者位于远程，例如在云中。处理装置例如服务器2000收集存储的数据并执行本公开内容的方法。处理装置2000可以位于本地，例如在工业工厂的本地网络内，或者位于远程，例如在云中或在提供足够计算能力的任何其他环境中。因此，为了评估工业工厂1000的能量消耗，由处理装置2000使用收集到的在不同级别例如工厂级别、线级别、机器级别等处测量的包括潜在的间接推断并存储在数据库3000中的能量消耗数据来执行所需的分析。此外，如果工业工厂配备有用于测量和捕获生产数据的系统，则还可以捕获和存储工业工厂1000中不同层级级别的生产数据。将数据加载至处理装置2000中可以周期性地例如每天进行，并且优选地在预定时间进行，或者可以在将要评估能量消耗的任何时刻处进行。
39.根据从工业工厂的不同层级级别收集的数据测量结果，可以分离出不同性质的负载。
40.在一些实施方式中，负载(能量测量)被分离或划分成三组：(1)生产性能量测量，其是与生产相关联的能量测量；生产性能量测量可以涉及能量分析(例如可以有助于模式的创建)和生产分析；(2)辅助性能量测量和(3)非监控性能量测量。辅助性和非监控性能量测量与生产不直接相关联，并且因此可以仅涉及能量分析，而不涉及生产分析。
41.分离不同性质的能量测量允许不一起处理它们，这会在检测能量效率低下时导致不确定性，例如因为与生产事实上不相关联的能量测量实际上与生产相关联。这将导致被特征模式占据的空间的破坏(如接下来将要公开的那样)以及它们的自然可变性，并且甚至可以交叠，潜在地导致聚类技术失效，因为不同的行为可能无法区分。利用由传感器在一定时间段t(例如但不限于，一天)在不同时刻(例如具有一定的周期性，即，以一定时间间隔δt，例如每15分钟)处捕获到的能量消耗数据，获得多个j个能量消耗曲线x
j
。换言之，能量消耗曲线x
j
表示以一定时间离散化δt即以一定周期的间隔δt例如以15分钟的间隔测量的能量消耗轮廓。子指标“j”为正整数，表示特定的能量消耗曲线。换言之，j＝0、1、2、
……
、j
‑
1，j为自然数。在该上下文中，能量消耗曲线表示对于某个部件、机器、过程、线、工厂等，在一定时间段t(例如，一天)期间在所述时间段t内的离散时刻δt处的能量消耗分布。换言之，能量消耗曲线表示沿着一定时间段t与所述时间段t被细分为的时间间隔δt对应的能量消耗的离散值。在其期间表示能量消耗曲线的时间段t例如可以是一天，也可以是半天，或者甚至一个小时或更短。该时间段的离散化或细分是通过以指示能量消耗的时间间隔δt进行的。借助于定期测量采样，这些间隔必须优先地是相等的。时间段t的离散化可以是一小时、半小时、一刻钟或者甚至更低。因此，x
ij
是第j个能量消耗曲线的第i个分量，其中“i”表示测量能量消耗(时刻m＝i
‑
1与i之间的平均功率)的离散时间间隔。例如，如果限定24小时的时间段，并且将时间段t划分为15分钟的离散化间隔δt，则i从0至95变化。换言之，能
量消耗曲线表示在整个时间段t(例如，每天)内以固定时间间隔δt指示(测量，包括间接推断)的部件、机器、过程、线或工厂的能量消耗。
42.时间范围h被限定为用于提取特征模式的时间段t(例如，一天、半天、若干小时等)的集合。时间范围h可以被视为训练范围，以获得日常数据可以与其进行比较的历史数据。例如，可以将时间范围h选择为1个月(30天)，可以将在其期间表示能量消耗曲线的时间段t选择为1天，并且可以将能量消耗曲线的时间离散化间隔(时间间隔)δt选择为15分钟。在这种情况下，在所选择的时间范围h中，将有30个能量消耗曲线，30个能量消耗曲线中的每一个具有96个值。图3示出了能量消耗曲线的示例。特别地，图3示出了工业工厂在三个不同的24小时时间段期间的三个能量消耗曲线。因此，时间范围是72小时。时间离散化间隔为15分钟，即，每15分钟测量能量消耗。因此，每个曲线具有96个与24小时时间段对应的值。
43.如已经说明的，能量消耗轮廓不仅可以对应于生产性负载测量，而且还可以对应于辅助性负载测量和不被监控的负载测量。此外，根据能量消耗曲线对应的工业工厂的元素，该曲线可以表示不同部件的累计能量消耗，例如直接能量消耗测量(这是例如低级别部件例如主轴的情况)或间接能量消耗测量，其对应于工业工厂的上面级别中包括的不同部件的聚合测量。换言之，可以在不同的子计量级别处例如在图1所示的工业工厂的不同级别处获得能量消耗曲线。在该上下文中，表述“子计量级别”被理解为工业工厂中的不同层级能量监控级别中的每一个。
44.可选地，对于每个工业工厂项目，对于例如在形成时间范围h的j个不同天中获得的j个生成的能量消耗曲线x
j
中的每一个，可以验证数据是否完整，即，可以验证是否有由于例如一个或更多个测量传感器中的错误、通信链路中的故障或任何其他原因引起的任何测量结果缺失。当检测到缺失数据时，可以填充数据。在本发明的实施方式中，仅当数据的缺失不随着时间的推移延伸超过预先设立为阈值的某个最大持续时间时才填充数据。可以使用基于数学式的不同技术来填充能量消耗曲线中的数据。例如，但以非限制性的方式，通过选择缺失时刻处的平均值，可以用属于同一簇或模式(接下来将解释)的能量消耗曲线的平均值填充缺失数据。
45.一旦，在一定时间范围h内，对于工业工厂的某个元素，或者换言之，对于某个子计量级别，也称为聚合级别，已经获得了多个j个能量消耗曲线x
j
，并且如果需要则可选地进行填充，在该级别创建多个k个能量消耗模式c
k
。能量消耗模式c
k
是从能量消耗曲线x
j
的集合的基于相似度的关联中获得的。因此，针对同一子计量级别或聚合级别提取能量消耗模式，其中可以预期相似的能量消耗曲线。子指标“k”是正整数，表示特定的能量消耗模式。换言之，k＝0、1、2、
……
、k
‑
1，k是自然数。通常，k≤j，并且实际中k<j。能量消耗模式c
k
是根据能量消耗曲线x
j
的集合获得的。能量消耗模式c
k
是通过比较遵循某个数学度量的能量消耗曲线的集合中的能量消耗曲线并且根据相似度度量(也称为接近度度量)识别相似的能量消耗曲线x
j
获得的。换言之，在该上下文中，相似度意味着在某个数学度量方面的接近度。因此，能量消耗模式表示代表能量消耗曲线(相似能量消耗曲线)的集合的能量行为或模型。在非限制性示例中，用于将能量消耗曲线分组为模式的相似度度量是曲线之间的欧几里得(euclidean)距离。通常，每一种能量消耗模式汇集了一组能量消耗曲线。换言之，能量消耗模式可以被视为虚拟(合成)能量消耗曲线，该虚拟(合成)能量消耗曲线表示满足由某个相似度度量强加或根据某个相似度度量强加的相似度约束的某组真实能量消耗曲线。总
之，对捕获的数据进行组织并搜索现有能量消耗曲线之间的关系(就相似度而言)，从而创建/获得由模式表示的不同行为模式。这是通过应用聚类技术(也称为聚类算法)来进行的。在本发明的实施方式中，使用k
‑
均值聚类技术，其中使用肘部法则(elbow method)获得最优簇数目，该法则研究累积方差，这超出了本发明的范围。
46.因此，通过分析一定时间范围h内的能量消耗曲线来获得能量消耗模式。该阶段可以被视为训练阶段。在训练阶段中，分析历史数据，即由在时间段t内给定时间离散间隔δt内的能量消耗值限定并且设置训练时间范围h的能量消耗曲线。每个能量消耗模式具有相同的离散时间间隔δt(例如，一刻钟)。此外，所有能量消耗曲线必须具有相同的时间段t(例如，一天)。在训练阶段期间，对于每个时间间隔δt(例如，每15分钟)，该模式具有根据属于由模式所表示的集合的不同能量消耗曲线针对相同时间间隔δt的相应值计算得出的值。例如，通过计算在相应时刻处与该集合的所有能量消耗曲线对应的所有值的平均值来获得模式的每个值(在每个时刻)。该计算的目标是获得在限定的时间范围内的能量消耗模式，即与参与计算的能量消耗曲线的集合在数量(能量消耗的值)和形式(也称为趋势)上最相似的曲线。
47.下式表示可以用于从j个能量消耗曲线x
j
中获得k个能量消耗模式c
k
的聚类算法或计算，其中k<j：其中，x
ij
为第j个能量消耗曲线x
j
的第i个分量，c
ikt
为第k个能量消耗模式的第i个分量，k为能量消耗模式总数目，以及i为在整个时间段内的测量次数(例如，在1天期间进行96次测量；即每15分钟进行一次测量)。在本发明的实施方式中，在每个分量i处，每个模式被计算为属于所述模式的能量消耗曲线的平均值。前一式表示用于通过使形成簇的元素与其对应模式之间的距离最小化来识别属于模式的曲线的迭代过程。
48.在应用k
‑
均值聚类的实施方式中，针对整个曲线集
……
、j的模式c
k
的最优数目由组(簇)之间的方差除以来自曲线集的选择的总方差的表示中的最大偏差点给定，即，如果使用肘部法则：其中，var
in
是簇或组中的元素之间的方差，以及var是选择的总方差，并且其中，var
in
被限定为：其中，k是簇的总数目，每个簇由能量消耗模式表示，并且它的所有能量消耗曲线通过相似度度量相关，n
k
是形成第k组的元素或曲线的数目，c
kt
是针对第k组曲线的特征模式，以及是整个能量消耗曲线选择的平均模式。
49.聚类算法例如k
‑
均值是将能量消耗曲线一一进行比较并且将能量消耗曲线与模式相关联的迭代算法。迭代地重新计算模式，直到所有能量消耗曲线都与模式相关联为止。新能量消耗曲线相对于当前模式的相似度/相异度可以如下评估：
对于其中，x
j
是第j个能量消耗曲线，并且c
kt
是第k个模式。
50.获得模式的过程是迭代的。将存在与在所选择的时间范围内的不同能量消耗曲线中识别出不同行为一样多的模式。当相同模式内的所有能量消耗曲线彼此之间比属于不同模式的任何其他曲线更相似时，完成模式创建过程。稍后，在例如对本公开内容的用于能量消耗的日常评估的方法的日常执行期间，将新能量消耗曲线与所获得的模式进行比较，以对例如日常能量行为进行进一步评估。
51.图4表示利用以上提到的公式根据能量消耗曲线的集合执行的模式计算的示例。能量消耗曲线由在工业工厂的配电网连接点处收集的电力消耗数据限定。训练时间范围h被选择为50天。用于符合能量消耗模式的时间段t为24小时，以15分钟的时间间隔δt测量。因此，存在50个能量消耗曲线，每个能量消耗曲线的时间段t为24小时。能量消耗以kwh(千瓦时)表示。该图清楚地示出了三种不同的能量模式，其对应的能量消耗曲线被完全识别。第一能量模式(在图4中的约200kwh处的实线)对10个能量消耗曲线(细线)进行分组，第二能量模式(在图4中的部分在约300kwh处并且部分在约800kwh处的实线)对20个能量消耗曲线(细线)进行分组，以及第三能量模式(在图4中的约600kwh处的实线)对20个能量消耗曲线(细线)进行分组。在每个模式中，每个值可以作为由该模式表示的曲线的对应值在每个时刻处的平均值来获得。
52.到目前为止，已经公开了训练阶段，其中对于部件、机器、生产线、过程等，可以对不同时间段t(t是例如一天)重复地获得新能量消耗曲线。这在一定时间范围例如一个月或更多个月或其他任何时间内重复。能量消耗曲线可以被存储以供进一步分析和/或处理。对于每个部件、机器、线等，数据库例如图2所示的数据库3000可以包含用于任何所选择的时间范围的能量消耗的记录(能量消耗曲线)。该历史数据通常用于在本公开内容的方法的日常执行之前执行的训练阶段。
53.一旦具有一定时间段t的k个能量消耗模式c
k
的集合可用，例如在利用在一定时间范围h期间获得的数据、利用应用于本公开内容的方法的能量消耗数据的分析执行的训练阶段期间获得k个能量消耗模式c
k
的集合，则可以识别从能量消耗曲线导出的任何特征行为(统计行为)，即使它很少发生。例如，本公开内容的方法允许针对工业工厂的每个部件、机器等提取与从历史训练数据集中提取的特征模式中的每一个相关联的最大能量消耗日和最小能量消耗日。
54.在本发明的实施方式中，一旦具有一定时间段t的k个能量消耗模式c
k
的集合可用，并且使用与所述一定时间段t对应的生产数据，将产量与包括在能量消耗模式中的每一个中的能量消耗曲线进行比较，以便例如检测可能的能量低效。通常在大于在由传感器测量能量消耗的离散时间间隔δt的时间间隔内获得生产数据。例如，虽然传感器可以被配置成每隔15分钟(离散时间间隔δt)测量工业工厂中的某个部件(或机器等)处的所消耗能量，但是与所述部件(或机器等)相关联的生产数据通常可能仅每隔8小时(工作时间段)或者甚至更长的时段才可用。因此，为了将对于同一时间段t的能量消耗与产量进行比较，优选地从时间段例如一天的能量消耗曲线获得每个时间段t的聚合能量消耗。
55.换句话说，利用在一定时间段内获得的聚合能量消耗值以及在同一时间段内获得
的产量值，表示能量与产量并且推断出能量与产量之间的关系，如图5所描绘的。在那里，示出了具有相似消耗模式的时段的聚合能量消耗与产量。图5示出了表示在与工业工厂对应的给定能量产量分析时间段中的产量(以kg为单位)与聚合能量消耗(以kwh为单位)的曲线图。每种类型的点(黑点、白点、水平条纹点等)表示在同一时间段内与生产相关的时间段(例如，一天)中的能量消耗曲线的聚合能量消耗。因此，点的总数对应于被分析的时间范围内的时间段(即，天)的数量。每个簇由不同类型的点(黑色、白色、水平条纹、斜条纹等)表示。换句话说，每种类型的点标识与相同模式相关联的能量消耗曲线。在该示例中，作为先前的模式计算练习(训练阶段)的结果(未示出)，所选择的时间范围内的能量消耗曲线被分组为六(6)个能量模式。连续线表示插值，即最优地调整所表示的点集的线。在这种情况下，该线是借助于对最小二乘的调整来获得的直线。该线用于表示能量与产量的关系。在对最小二乘调整的情况下，该调整的特征在于统计幅度：chi2。当对比例如新的一天时，使用该度量来确定该天是否响应历史关系(它不会恶化chi2)或者如果不响应历史关系(它会恶化chi2)，在这种情况下可以触发生产警报。因此，如果例如生产数据每隔24小时可用，则对于形成每个模式的每个曲线获得24小时的聚合能量消耗。稍后，在例如本公开内容的方法的日常执行期间，通过将某个元件或机器(或通常，工业工厂中的子计量级别)的日常产量与形成k个模式(在该示例中，k＝6)的所有曲线的聚合能量消耗进行比较，可以防止错误的能量低效警报(也就是说，与能量低效相关联的警报)。换句话说，如果能量消耗的增加是由产量的增加引起的，则不应触发警报。相反，如果能量消耗的增加与产量的增加不相关，则应触发警报。因此，为了防止错误警报，产量非常重要。
56.因此，可以二维地表示能量与产量的比率，如图5所示。接下来解释表示该比率的数学式。换句话说，解释了如何根据本发明的实施方式计算能量
‑
产量比率。目标是检测高于预期的与产量增加不相关联的密集型能量消耗。
57.从数学的视角来看，给定历史生产数据(通常为每天1个值)和历史能源消耗数据(作为能量消耗曲线的值的聚合或集成)的集合，执行产量与能量的图形表示。在该图形表示中，存在与在用于获得能量消耗模式(训练阶段)的分析中使用的历史日(时间段)一样多的点。这在图5中示出。
58.在特定实施方式中，能量
‑
产量对的集合之间的关系——其中，e
i
和p
i
分别是能量和产量的日常值并且n是训练阶段中使用的天数的集合(时间范围)——可以表示如下：e
i
＝f(p
i
)
59.换句话说，目标是找出使误差最小化的函数f：e
i
＝e
i
‑
f(p
i
)
60.为了这样做，可以使用均方根误差(rmse)：
61.因此，目标是找出使rsme最小化的常数值c
i
，其值是根据由以下得到的高斯正规方程获得的：
62.其公式和数学分辨率是公知的。例如，对于e
i
＝ap
i
b，通过求解先前限定的高斯正规方程，系数a和b为：规方程，系数a和b为：
63.总之，通过使均方根误差(rmse)最小化，评估能量
‑
产量比率的计算的质量。换句话说，使用使rmse最小化的曲线来评估能量
‑
产量比率的质量。稍后，在例如本公开内容的方法的日常执行期间，可以以类似的方式表示和分析任何新的一天，从而评估用于产生一定量的产量(kg)所需的能量消耗增加是否是能量低效。
64.如图5所示的曲线图允许检测低效：对于具有相似能量消耗行为(模式)的时段(例如，天)的集合，可以将聚合能量消耗与所获得的产量进行比较：可以识别具有相似产量但不同(更大或更小的)能量消耗的时段(天)，或者可以识别具有相似能量消耗但不同(更大或更小的)的产量的时段(天)；此外，如果一定时段(天)具有遵循模式的时段的趋势的或更大或更小的能量消耗与产量比率，则可以观察到。
65.到目前为止，通过分析历史模式例如图4所示的模式分析了工业工厂(或更通常地，其子计量级别)的能量行为。接下来，基于这种统计推断行为来解释每次根据从工业工厂捕获的数据获得新能量消耗曲线时执行的分析。一旦在训练阶段期间使用在一定时间范围内收集的数据获得了若干(k个)模式，则每次例如以每天为单位获得新能量消耗曲线时，确定新曲线所属的模式(如果新曲线属于任何模式，如稍后将解释的)。这是通过将新曲线与k个模式进行比较来完成的。根据相似度度量来完成该比较。新能量消耗曲线相对于现有模式的相似度/相异度可以如下评估：对于其中，x
j
是第j个能量消耗曲线，并且是第k个模式。在本发明的实施方式中，将经受评估的新能量消耗曲线与具有最小距离的k个模式的集合的模式相关联，条件是所述最小距离不大于距所述模式内的最远曲线的距离。
66.换句话说，给定新的一天(通常，时间段)的能量消耗曲线，其可以与由模式表示的经分析的能量行为相对抗。换句话说，可以相对于能量行为的离散模型(也就是说，相对于能量消耗模式)来评估新能量消耗曲线。对于新能量消耗曲线x
j
，可以使用数学相似度/相异度公式进行该评估，例如如下：其中，a
it
是第i组，x
j
是第j个能量消耗曲线，c
it
是针对第i个组的模式，并且k是模式的总数。也就是说，如果到所述特定模式的质心的距离小于到任何其他质心(任何其他模式的质心)的距离，则新能量消耗曲线属于特定模式，条件是所述最小距离不大于距所述特定模式内的最远曲线的距离。
67.到目前为止，对于从在新的时间段t处的传感器数据获得的每个新能量消耗曲线，通过将新能量消耗曲线与k个模式或者与已经限定(例如在训练阶段)的属于每个模式的每个曲线进行比较来评估相对于当前模式的相似度/相异度。并且，如果新能量消耗曲线在相似度度量方面在数学上与先前限定的模式相适应，则确定新能量消耗曲线属于与新能量消耗曲线相适应的该模式。
68.可能出现两种场景：在第一场景中，新能量消耗曲线由先前的离散能量模型(模式)解释，也就是说，新能量消耗曲线在相似度度量方面在数学上与先前限定的模式相适应。在这种情况下，将新能量消耗曲线与属于由其所属的模式表示的簇的所有能量消耗曲线进行数字化比较。这在处理装置处执行，例如图2所示的处理装置2000处执行。在本发明的实施方式中，如果作为该评估的结果，确定新能量消耗曲线属于特定能量消耗模式，则将新能量消耗曲线与由所述模式表示的曲线组相关联，并且通过包括新能量消耗曲线来更新能量消耗模式。当将新能量消耗曲线与属于由其所属的模式表示的簇的所有能量消耗曲线进行数字化比较时，将新曲线与簇内的最大能量消耗曲线和最小能量消耗曲线等进行比较。
69.在第二场景中，新能量消耗曲线不由在所选择的时间范围期间生成的离散能量模型(模式)解释。换句话说，新能量消耗曲线在相似度度量方面不与先前限定的模式相适应。在这种情况下，它可以表示异常消耗，在这种情况下，可以生成或触发与能量消耗相关联的警报(能量警报)。替选地，它可以表示新类型的消耗行为即新模式的出现。换句话说，对于每个新能量消耗曲线(例如，每天)，检查它是否应该引起能量警报。这可以通过将新能量消耗曲线与已经例如在历史数据分析或训练阶段期间限定的k个模式进行比较来完成。
70.如果作为该评估结果，确定新能量消耗曲线不属于k个能量消耗模式中的任何一个，则可以将新能量消耗曲线与任何模式的能量消耗曲线进行比较，或者可以将新能量消耗曲线与能量消耗曲线所相关联的生产数据进行比较。
71.在本发明的实施方式中，将新能量消耗曲线与最接近的能量消耗曲线进行比较。在本发明的实施方式中，“最接近”应该被理解为“根据一定距离最接近”。例如，它可能是按照欧几里德距离最接近。在本发明的实施方式中，将新能量消耗曲线与最小能量消耗的日期(曲线)进行比较。在本发明的实施方式中，将新能量消耗曲线与最大能量消耗的日期(曲线)进行比较。如果它与这些曲线中与之进行比较的一个曲线不相似，则可以生成能量消耗警报。该比较可以自动或按需完成。
72.另外，新能量消耗曲线可以在能量与产量方面进行评估。在新能量消耗曲线的时间段期间实现的产量被捕获并存储在例如数据库3000中。一旦新能量消耗曲线已经经受评估以确定其是否属于能量行为(模式)的离散模型以及其随后是否生成与能量消耗相关联的警报，则将新能量消耗曲线与能量与产量的预期关系(例如，在历史数据分析或训练阶段期间获得的，如例如图5所表示的)进行比较。在本发明的实施方式中，捕获在新能量消耗曲线的同一时间段期间实现的生产数据。可以将在新曲线的时间段期间的能量消耗和相关联的产量与根据历史曲线推断的能量与产量的关系进行比较。在本发明的实施方式中，如果新能量消耗曲线的能量与产量的关系不能通过在训练阶段期间推断的模型的统计变量来解释，则可以生成生产警报。换句话说，如果作为数字化比较的结果确定存在能量低效，则触发与生产相关联的警报。转回至图5，如果在图5的曲线图中表示为新点的新能量消耗曲
线导致已经提到的chi2变差，则可以推断出所述能量消耗曲线不对应于所导出的产量
‑
能量比率。因此，可以触发生产警报。否则，可以确定所述新能量消耗曲线表示预期行为。
73.在本发明的实施方式中，将新能量消耗曲线与最相似的产量的日期进行比较，在这种情况下，应该将其与连续插值线(例如参见图5)进行比较。这可能导致生产警报的生成。该比较可以自动或按需完成。
74.在本发明的实施方式中，识别了导致所述异常能量消耗的工业工厂中的一个负载或多个负载。也就是说，识别了哪个负载或哪些载荷导致工业工厂的新能量消耗曲线不属于任何识别的模式(曲线簇)；或者导致(从新能量消耗曲线获得的)聚合能量与产量不遵循通过历史数据获得的轮廓(线)。
75.在本发明的实施方式中，一旦识别出将与引起警报(能量消耗警报和/或生产警报)的新能量消耗曲线进行比较的日期(或通常为时间段)，则可以使用子计量测量结果来解释能量消耗的差异。这可以通过将被监控的负载与选定的参考轮廓进行比较来完成，参考轮廓例如是在同一簇中的曲线中的最小能量消耗的日期(曲线)，或者在同一簇中的曲线中的最大能量消耗的日期(曲线)，或者具有最相似的产量的日期，或者任何其他参考轮廓。这些受监控的负载对应于经受分析的较高层级级别的子计量级别，如例如图1所示。子计量意味着分析在两个识别的时间段(新的时间段和被选择用于比较的时间段)中与特定过程(即，热冲压)相关联的能量消耗。例如，可以单独分析过程中涉及的机器的能量消耗。或者，例如可以分析在气候化、照明或任何其他任务中采用的能量消耗。因此，对于总聚合能量消耗，确定对应于每个较低级别负载(子计量负载)的能量消耗百分比。这种比较可以在图表例如比对与较低层级级别相关联的各个能量消耗的饼图中表示。可以用于识别过度能量消耗的其他数学指标是残差(与能量警报相关联的曲线与用于比较的参考轮廓之间的差异)与较低层级级别所相关联的各个负载之间的相关度。较大的相关度意指可以识别导致低效的问题。
76.因此，使用子计量数据，可归因于一定生产级别(线、过程、机器等)中不同部件的能量消耗百分比被分解。例如，这使得能够识别导致能量低效(并且因此，例如导致警报)的元件。例如，在识别与最类似于正在评估的能量消耗曲线的新能量行为的能量消耗模式相关联的具有最低或最高消耗的日常能量消耗曲线之后，出现该过程。所述选择在识别例如最相似的模式和与其相关联的最极端(最低和最高)的能量消耗曲线之后出现，这将是潜在的候选。
77.此外，不时地由可配置参数限定，能量消耗模式的生成可以通过使用新能量消耗曲线来更新，该新能量消耗曲线是在训练阶段中使用的时间范围内获得的当前能量消耗模式之后测量的。换句话说，可以更新例如用于训练的历史数据。因此，可以考虑新能量消耗曲线来获得新能量消耗模式。在本发明的实施方式中，每次获得新能量消耗曲线时都会更新模式。将新能量消耗曲线与已经限定的k个能量消耗模式中的每一个进行比较。此外，不时地由可配置参数限定，可以获得新的能量消耗与产量模型。返回参照已经讨论的两个场景：在第一场景中，新能量消耗曲线与先前限定的模式在数学上相适应，然后将新能量消耗曲线与形成该模式的曲线组相关联，并且重新计算特征行为(模式)。在第二场景中，新能量消耗曲线不由已经生成的离散能量模型(模式)来解释：如果确定新曲线表示异常消耗，则新曲线不应有助于更新模式。如果相反，如果确定新曲线不表示异常消耗，则可以确定其表
示新类型的消耗行为即新模式的出现。
78.本发明明显不限于本文所述的具体实施方式，而是还包括在权利要求书中限定的本发明的一般范围内由本领域技术人员可以考虑到的(例如，关于材料、尺寸、部件、配置等的选择的)任何变型。