一种能源需量的智能管理系统的制作方法

1.本技术涉及一种能源需量的智能管理系统，适用于能源优化利用的技术领域。


背景技术：

2.对于诸如钢铁企业的用电大户来说，良好的能源需量管理可以节约公司的成本，并减少由于用电量急剧变化带来的电网波动。通常，企业为了充分利用高炉煤气、转炉煤气、焦炉煤气、炼钢余热、烧结余热、电炉余热等二次能源，还会有锅炉发电、余热发电或trt等发电设备。企业的电力拓扑结构通常是由电网提供110kv或220kv的高压电到企业的总降，每个总降下游分接多个主变压器，将高电压降为35kv或10kv，分别供应不同的设备。这些设备包括用电设备，也包括企业的发电设备。另外，这些设备可以在不同的变压器甚至不同总降下的母联切换，所有重要设备都有两路供电，以便对应变压器、母联等检修时，仍然可以保障正常工作。
3.企业实际的外购电能源需量为总用电量减去发电量。电费根据总降进口总电表计数来计费。每个总降的需量和下游分接设备的用电负荷密切相关。发电设备的存在也增加了能源需量管控的复杂性。能源需量管理按传统的方法进行管控，存在能源需量波动大难预测、整厂电力系统及拓扑结构复杂、难调控、对经验依赖性高、难提前发现等痛点。
4.针对此问题，现有技术中只是对企业的某些工艺、车间或设备进行能源需量监视或控制，还不能系统地把能源需量的实时预测、长时预测、归因分析、设备异常检测等功能有效集成，实现整个企业能源需量的系统性和智能性管控。


技术实现要素：

5.本技术提供了一种能源需量的智能管理系统，应用工业智能算法及大数据分析技术，解决了企业能源需量管理中面临的痛点，实现了对企业能源需量的良好管控。
6.根据本技术的一种能源需量的智能管理系统，包括以下模块：
7.实时需量预测模块，其基于机器学习算法建立实时需量预测模型，实现分钟级的实时需量预测；
8.长时需量预测模块，其根据排产计划、检修计划、母联切换状态及过去用电设备的数据实现未来周天级的能源需量预测；
9.生产过程异常监测模块，其对生产过程关注的数据质量进行异常判断，然后对设备的运行状态进行异常检测，当检测到异常发生时，提供调控建议；
10.超限归因分析模块，其自动分析能源需量的超限原因，并对自动分析的超限原因进行正确与否的人工反馈；
11.能源看板模块，其能够展示对能源需量管理的信息；
12.参数配置模块，其能够对和能源需量相关的参数进行配置。
13.其中，所述实时需量预测模块可以包括以下子模块：
14.设备分类模块，其根据设备用电数据特性划分设备类型；
15.特征提取模块，其根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别提取特征；
16.工况识别模块，其通过对母联状态的识别，识别出不同的工况，针对不同的工况建立不同的模型，将模拟的所有工况分别训练，得到不同工况的预测模型；
17.模型训练模块，其将特征提取处理后的数据采用机器学习算法训练不同工况的预测模型，优化调整参数，得到未来预设时间的预测模型；
18.实时预测模块，其实时使用最近某段时间的数据，通过特征提取模块构造特征，选择模型训练模块训练出来的模型实现预设时间的预测。
19.其中，所述实时需量预测模块还可以包括模型在线更新模块，在实时预测模块预测的结果超过偏差阈值时，利用实际发生的工况数据，重新经过特征提取模块来训练模型；所述长时需量预测模块将预测周期的能源需量分成两部分：一部分是钢种用电相关设备的预测需量，这部分需量通过各钢种的历史数据和排产计划计算得到；另一部分是除钢种用电相关设备以外的其他设备的预测需量，通过计算基准周期和预测周期运行状态不一致的设备需量变化和没有启停变化的设备需量得到。
20.其中，钢种用电相关设备的预测需量是通过排产检修计划中这些设备的开关机时间和生产的钢种计算得到，钢种用电相关设备i在预测时刻t的预测需量为：
[0021][0022]
其中：和分别为设备i在生产钢种a时和停机检修时的统计能源需量值，set1为钢种用电相关设备的集合。
[0023]
对于其他设备的预测需量，首先根据整个基准周期的实际电量数据中总的需量数据p
总需量_base
和各个钢种用电相关设备电量数据计算第t时刻其他设备预测需量的基准数据p
other_base
：
[0024][0025]
比较基准周期和预测周期的其他设备开关情况，分别计算第t时刻基准周期运行、预测周期不运行的设备需量和基准周期不运行、预测周期运行的设备需量，从而得到第t时刻其他设备的预测需量和：
[0026][0027]
其中，分别为设备j运行和不运行时的统计能源需量值，set2
(t)
为t时刻基准周期运行、预测周期不运行的设备集合，set3
(t)
为t时刻基准周期不运行、预测周期运行的设备集合；
[0028]
得到预测周期第t时刻总的需量预测值
[0029]
其中，预测周期每小时的预测需量为总的需量预测值的n阶分位数，其中50％≤n≤100％；最后，结合母联切换记录按上面的步骤分别计算各总降、各时刻对应
的预测需量，进而得到各总降预测周期的每小时需量预测值。
[0030]
其中，所述生产过程异常监测模块可以包括以下子模块：
[0031]
数据质量判断模块，其采用基于统计或规则的方法对通过传感器采集的生产过程数据质量进行初步判断，然后采用基于统计的方法或基于异常监测算法的方法，判断测量值和实际值是否偏差过大；
[0032]
设备异常检测模块，其在数据质量正常时，通过规则或机器学习算法对设备运行状态是否异常进行判断；
[0033]
调控规则建议模块，其在所述设备异常检测模块判断设备发生异常且所述数据质量判断模块判断数据质量正常时，对设备异常的种类进行判断，触发调控建议，以为操作人员提供参考；所述调控规则建议模块可以包括异常判断标准配置单元和调控规则建议库单元。
[0034]
其中，所述超限归因分析模块的运行方法包括以下步骤：
[0035]
(1)判断并获取对应总降的超限时刻后，将所有设备划分为多个设备组，然后分别计算过去某段时间各个设备组的需量变化量；
[0036]
(2)设定每个设备组需量变化量的权重系数，得到各设备组加权需量变化量的排序序列，选择加权需量变化量最大的设备组为超限主要原因；
[0037]
(3)设定加权需量变化量最大的设备组下每个设备需量变化量的权重系数，找出设备组下加权需量变化量最大的设备作为需量超限的主要原因。
[0038]
其中，所述智能管理系统还可以包括参数配置模块，能够进行需量控制目标设定、需量经济指标配置、用电发电设备的电量或需量阈值配置、生产计划录入导入功能和母联切换配置的功能；还可以包括异常事件模块，所述异常事件模块能够对所有和能源需量相关的异常事件进行报警及记录。
[0039]
本技术通过各个功能模块的系统配合，辅助能源需量标准化、数据化、智能化管理运营，使现有的主要依靠人工经验的需量管理模式，提升为“智能系统辅助 人工决策”的智能管理方式，实现了端对端的智能辅助决策支持，并提供需量异常发生的可能原因以及系统化操作建议，从而有效实现了企业的能源需量智能管控，降低了企业电力成本。具体地，该系统通过事前预防、事中建议、事后分析及集中配置展示实现了能源需量的全面智能管控；通过智能算法实现智能预测，智能监控高炉发电运行状态；将操作经验系统化，预测更准，措施更优；遇到问题可以量化追踪，全面系统的实现需量管理，实现了精细化管理。
附图说明
[0040]
图1是本技术的能源需量的智能管理系统示意图。
[0041]
图2是本技术的长时需量预测模块的算法模型示意图。
[0042]
图3是本技术中超限归因分析模块的运行方法示意图。
具体实施方式
[0043]
为使本技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本技术的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。本技术将以钢铁企业的能源需量为例进行说明，本领域技术人
员知晓本技术的能源需量的智能管理系统可以用于其他类似的技术领域。
[0044]
本技术提供一种能源需量的智能管理系统，参见图1，包括以下模块：
[0045]
实时需量预测模块：根据设备用电数据特性划分设备类型，将设备分为冲击大负荷设备和非大负荷设备；其中，冲击大负荷设备可以是例如钢铁企业中的轧线、发电设备、电炉、精炼炉或其他冲击大负荷设备。对不同种类的冲击大负荷设备分别提取相应的不同特征，非大负荷设备也提取相应的特征，然后基于机器学习算法建立实时需量预测模型，可以实现未来例如1到5分钟的分钟级预测。
[0046]
长时需量预测模块：根据排产计划、检修计划、母联切换状态及过去用电设备数据对未来几天甚至几周时间的能源需量进行周天级的预测，预测的范围取决于排产计划和检修计划能提前确定的时间。
[0047]
生产过程异常监测模块：该模块首先对高炉煤气发生量、发电机发电量等生产过程关注的数据质量进行异常判断，然后再对高炉、发电机组等生产运行的关键设备运行状态进行异常检测，当异常发生时触发调控规则建议模块，根据异常种类提供最优调控建议，供操作人员参考。
[0048]
超限归因分析模块：kpi看板可以每日汇总前一天各总降需量趋势图和超限次数，超限归因分析模块能自动分析可能的超限原因，操作人员可以对自动分析的原因进行正确与否的反馈，系统收集反馈并深度学习，实现后续更加智能的超限原因分析。
[0049]
能源看板模块：实现能源需量管理的信息展示，包括关键用户用电负荷实时监控、关键发电设备发电功率实时监控、月度需量趋势图和电力经济指标展示，电力经济指标可以包括月度总电费、电度电费、基本电费、外购煤费用等。
[0050]
参数配置模块：实现所有和能源需量相关的参数配置，包括设定需量控制目标、用电设备和发电设备的电量阈值、排产计划的录入和导入、母联切换配置等功能。
[0051]
异常事件模块：实现所有和能源需量相关的异常事件报警及记录，包括对实时预测的报警，以及当数据质量异常时或高炉发电设备异常时的报警并记录。
[0052]
历史查询模块：实现历史需量、用电负荷、电力经济指标、需量超限报警记录、调控记录及调控措施等信息的历史查询，方便量化追踪和事后复盘。
[0053]
以上各模块从功能上可以归类为：事前预防功能、事中建议功能、事后分析功能和集中配置展示功能，具体实现模块如下：
[0054]
事前预防功能：实时需量预测模块、长时需量预测模块；
[0055]
事中建议功能：生产过程异常监测模块、异常事件模块；
[0056]
事后分析功能：超限归因分析模块、历史查询模块；
[0057]
集中配置展示功能：能源看板模块、参数配置模块。
[0058]
下面分别对上述各模块进行详细说明。
[0059]
实时需量预测模块
[0060]
实时需量预测模块可以解决实时生产的预测问题，如果某些实时的因素导致预测能源需量变高，可以临时关停某些设备，避免短时的需量超限。实时需量预测模块包括设备分类模块、特征提取模块、工况识别模块、模型训练模块、实时预测模块和模型在线更新模块。
[0061]
设备分类模块：根据设备用电数据特性划分设备类型，将设备分为冲击大负荷设
备和非大负荷设备；其中，冲击大负荷设备可以是例如钢铁企业中的轧线、发电设备、电炉、精炼炉或其他冲击大负荷设备。本领域技术人员可以理解对于不同的行业会对应不同的冲击大负荷设备，而且此处的大负荷设备仅仅是相对其他设备而言，无需指定具体的负荷范围。非大负荷设备可以是用电相对稳定的设备或用电负荷较少的设备。冲击大负荷设备对需量的波动影响大，因此对于冲击大负荷设备需要针对性去寻找更多相关维度的数据，通过后续的特征提取模块提取相应的特征，用来预测对应冲击大负荷设备的用电需量。其他设备因其对总降需量波动影响不大，可以不需要每个设备的电量数据，用总降进口总表和冲击大负荷设备电量之差来计算。
[0062]
特征提取模块：根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别构建待提取的特征，通过特征提取模块预测该类设备的未来用电数据。例如，蒸汽流量对于蒸汽发电机来说就是影响设备用电的关键数据，轧线加热炉用气数据对于轧线设备来说就是表征设备状态变化的关键数据。
[0063]
工况识别模块：通过对母联状态的识别，识别出不同的工况，针对不同的工况建立不同的模型，将模拟的所有工况分别训练，得到不同工况的预测模型。设备在不同的母联下进行切换，设备的启停状态，构成了不同的电力负荷的挂载组合。考虑到由于部分设备用电会随着日夜、季节气候变化而变化，部分设备随着时间、工况等其能效也会发生变化，而且用电设备多且复杂时，可能会有一些项目改造、调试用电、新增设备用电和设备报废减少用电等情况。通过此模块可以实现不需要所有工况的历史数据，就可以训练出几乎所有工况预测精度都不会明显下降的模型。
[0064]
模型训练模块：将特征提取处理后的数据，用随机森林、lightgbm、lstm等机器学习算法训练模型，优化调整参数，得到未来1-5分钟或更长时间的预测模型。
[0065]
实时预测模块：其实时使用最近某段时间的数据，通过特征提取模块构造特征，选择模型训练模块训练出来的模型实现未来1-5分钟或更长时间的预测。
[0066]
模型在线更新模块：在实时预测模块预测的结果超过偏差阈值时，利用实际发生的工况数据，重新经过特征提取模块来训练模型。例如设备变化很大，导致用电模式和过去差别很大，如新增了很多冲击大负荷设备如轧线、电炉等，可能会导致预测精度有下降，可以根据实际情况，用相应工况的历史数据，重新训练模型。
[0067]
长时需量预测模块
[0068]
由于能源需量和生产总量、生产钢材型号、生产检修等密切相关，比如，某天生产的所有钢材耗电量都大，那么当天的能源需量肯定偏高。即便实时预测模块预测出超限，依靠经常性的关停设备也不是避免能源需量超限的优选解决方案。再比如，某天的某段时间对发电机进行停机检修，如果不提前计划关闭某些设备，外购电用电量同样会增加，能源需量会超限。因此，需要在生产排产时就考虑能源需量目标，优化排产。采用上述实时需量预测模块结合长时需量预测模块，可以制定未来的生产计划和能源平衡计划，综合考虑各能源因素，匹配生产需求达到最优生产计划，满足贴线运行的目标。
[0069]
长时需量预测的算法模型设计见图2，其基本逻辑是将预测周期的能源需量分成两大部分：一部分是钢种用电相关设备例如轧线、电炉、精炼炉等的预测需量，设备用电量和钢种有关，这部分需量主要通过各钢种的历史数据和排产计划计算得到；另一部分是剩余设备的需量，通过计算基准周期和预测周期运行状态不一致的设备需量变化和没有启停
变化的设备需量得到。这部分需量是通过基准周期除第一部分设备外的剩余电量数据增减基准周期和预测周期运行状态不一致的设备需量得到。最后结合母联切换记录，得到各总降预测周期每小时的需量预测值，下面对其中的内容进行详细说明。
[0070]
图2中，预测周期是即将要预测的排产周期，基准周期则是过去一段同等长度的时间范围，用来作为预测周期预测需量的基准。比如，排产检修计划按天，则可以把昨天当成基准周期，明天是预测周期；排产计划按周的，则明天开始的一周为预测周期，昨天及再往前的6天为基准周期。设备需量数据，包括所有设备运行和不运行的统计能源需量值。这个数值可以是固定的人工统计值，如轧线轧制钢材时开机需量15000kw，关机需量2000kw；也可以根据数据进行阶段性实时更新，比如根据电炉过去100炉的某种普通碳素钢炼钢时的电量数据阶段性更新电炉的此钢种能源需量数据。另外，对于像电炉、精炼炉这种不断切换炉次的，还要考虑正常电炉和精炼炉生产的周期，从而提高预测的精度。
[0071]
基准周期的实际电量数据：至少需要整个基准周期各总降总电量数据和钢种用电相关设备的电量数据，后者主要是为了从总降总电量数据中减去这些设备电量数据去计算其他设备的预测数据。基准周期开始的母联切换记录：需要此数据的原因是某些设备会在不同的总降下切换，所以长时预测需要结合不同时段、不同母联状态进行计算。而且基准周期和预测周期母联状态也可能不完全一样，因此需要比较基准周期和预测周期不同的母联状态进行细化计算。
[0072]
图2中，长时需量预测模块内容说明如下：
[0073]
钢种用电相关设备预测需量是通过排产检修计划中这些设备的开关机时间和生产的钢种进行计算得到。比如轧线1在9:00-10:00轧制钢种a，10:00-10:30停线换轧辊，则轧线1在9:00-10:00的预测需量是15000kw，在10:00-10:30的预测需量是2000kw。钢种用电相关设备i在预测时刻t的预测需量为：
[0074][0075]
其中：和分别为设备i在生产钢种a时和停机检修时的统计能源需量值，set1为钢种用电相关设备的集合。
[0076]
对于图2中其他设备预测需量，首先根据整个基准周期的实际电量数据中总的需量数据p
总需量_base
和各个钢种用电相关设备电量数据计算第t时刻其他设备预测需量的基准数据p
other_base
：
[0077][0078]
比较基准周期和预测周期的其他设备开关情况，分别计算第t时刻基准周期运行、预测周期不运行设备需量和基准周期不运行、预测周期运行设备需量，从而得到第t时刻其他设备的预测需量和：
[0079][0080]
其中，分别为设备j运行和不运行时的统计能源需量值，set2
(t)
为t时
刻基准周期运行、预测周期不运行的设备集合，set3
(t)
为t时刻基准周期不运行、预测周期运行的设备集合。
[0081]
另外，某些设备除了运行和不运行的区别外，还有部分功率运行这样的工况，也属于有工况改变的情况。比如某蒸汽发电机，由于预测周期的煤气量变少，需要从额定功率30000kw降低到16000kw的功率运行，也属于设备运行状态的改变，需要考虑计算。
[0082]
这样即可得到预测周期第t时刻的总的需量预测值最后预测周期每小时的预测需量为总的需量预测值的n阶分位数，n可根据情况选取[50％,100％]的某个数，数值越大，预测越保守。
[0083][0084][0085]
最后结合母联切换记录按上面的步骤分别计算各总降、各时刻对应的预测需量，进而可得到各总降预测周期每小时需量预测值。
[0086]
长时需量预测模块的触发方法：上传排产检修计划后，自动触发长时预测模型，计算未来预测周期例如24小时或一周的每小时需量分布，预测的范围取决于生产计划和检修计划能提前确定的时间。该长时需量预测模块无需所有设备数据即可实现准确的预测，而且基准周期动态更新，可以大大改善设备用电因季节、气候、工况缓慢改变而带来的预测不准的问题。另外，该方法还充分考虑了某些生产过程中周期性人为干预行为带来的需量变化，比如某些蒸汽发电机在电价谷时会略微减少发电量从而降低总体成本，而此方法基准周期和预测周期分时刻对应，蒸汽发电机这种人为干预减少发电量的时段变化会表现在没有启停变化设备需量部分，对应该时段预测的外购能源需量相应变大，从而间接考虑了这种生产过程中人为周期性临时干预带来的能源需量变化。
[0087]
生产过程异常监测模块
[0088]
该模块首先对生产过程关注的数据质量进行异常判断，然后再对生产运行的关键设备运行状态进行异常检测。当判断异常发生时，触发调控规则建议模块，根据异常种类自动提供最优调控建议，供现场操作人员参考。具体包括以下子模块：
[0089]
数据质量判断模块：采用基于统计或规则的方法对通过传感器采集的生产过程数据质量进行初步判断，然后采用基于统计的方法或基于异常监测算法的方法，判断测量值和实际值是否偏差过大，从而避免由于数据质量问题导致设备异常状态误判，或者误触发操作指令而影响生产。
[0090]
设备异常检测模块：当数据质量正常时，可以通过规则或机器学习算法对设备运行状态是否异常进行判断。
[0091]
调控规则建议模块：设备异常检测模块判断设备发生异常，且数据质量判断模块判断数据质量正常情况下，对设备异常的种类进行判断，触发调控建议，以为操作人员提供参考。调控规则建议模块可以包括异常判断标准配置单元，以进一步识别所述设备异常检测模块输出的异常类型；还可以包括调控规则建议库单元，以在实现异常种类判断后给出对应异常情况的最优调控建议。
[0092]
针对调度决策建议，这里介绍一种建立电力需量调控规则库的方法：首先，梳理该
公司所有设备在各种工况下的用电负荷；然后，对设备调控划分优先级顺序，综合考虑生产工艺是否允许某设备降档或停机、允许降低多少负荷、降低负荷需要多长时间、降档或停机对生产计划、检修计划以及能源计划的影响，通过量化这些指标，参考业务实际调控经验，形成相应的调度组合，最终固化成调控规则建议库。当然，后续调控规则库也可以结合后续实际运行情况进行进一步的优化。
[0093]
其中，数据质量判断模块采用基于统计或规则的方法对通过传感器采集的生产过程数据质量进行初步判断，然后采用统计或异常监测算法实现数据的质量判断。具体判断流程如下：
[0094]
(1)采用基于统计的数据质量判断或基于规则的数据质量判断方法，对生产过程重要参数的数据质量进行初步的判断。
[0095]
该模块首先会对生产过程重要参数的数据质量进行初步的判断，可以结合生产数据最容易发生的数据质量问题设计数据质量初步判断方法，这里的判断方法主要包括基于统计的数据质量判断和基于规则的数据质量判断。基于统计的数据质量初步判断方法，最常用的就是方差判断，关键是计算方差所用的数据个数和方差判断阈值的选择。基于规则的数据质量初步判断方法，主要是结合实际情况设计相应的数据质量判断规则，包括数据通讯中断，数值连续恒定不变等情况。比如，可以设定为1分钟内无法正常采集到数据，则是数据库通讯异常，数据质量存在问题。
[0096]
(2)采用基于统计的方法或基于异常监测算法的方法，判断测量值和实际值是否偏差过大。
[0097]
经过数据质量初步判断后，仍然可能存在数据测量值与实际值偏差过大、数值漂移的问题。基于统计的方法可以采用例如t检验，如果检测数据和相关数据的偏差或比例偏离正常值不显著，则认为数据质量正常，如果偏差显著，则认为数据质量异常。基于异常检测算法的方法包括利用历史数据和机器学习算法建立关键影响数据点位和预测检测点位的机器学习算法模型，然后对实时数据进行模型预测。如果算法输出结果为异常，则检测点位的数据质量存在异常；如果算法输出结果为正常，则检测点位数据质量不存在问题。
[0098]
采用上述的数据质量判断模块，能够避免由于数据质量问题导致设备异常状态误判，或者误触发操作指令而影响生产。
[0099]
超限归因分析模块
[0100]
该模块主要实现以下功能：每日汇总前一天各总降需量趋势图和超限次数；超限归因分析模块能智能的分析超限原因；超限原因分析有误时可人工输入实际原因，形成操作闭环；系统结合人工反馈实现后续更加智能的超限原因分析；该模块还提供查询时间段内需量超限次数、使用者对根因分析结果的反馈率和反馈次数统计，按不同时间维度进行展示。例如，通过kpi看板可以直观的展示和分析，同时还可以加入人的参与，充分实现了机器与人的融合，进而提升超限归因的准确性。
[0101]
如图3所示，超限归因分析模块的运行方法包括以下步骤：
[0102]
(1)判断并获取对应总降的超限时刻后，将所有设备划分为发电设备组、轧线组、精炼炉组、电炉组和其他设备组；然后分别计算过去某段时间例如15分钟各个设备组的需量变化量。
[0103]
(2)由于每个设备组需量变化对总需量超限的影响权重不同，设定每个设备组需
量变化量的权重系数，得到各设备组加权需量变化量的排序序列；
[0104]
(3)选择加权需量变化量最大的设备组为超限主要原因，最后再按照前2步的方法进一步判断导致超限的具体设备；即，设定每个设备需量变化量的权重系数，找出设备组下加权需量变化量最大的设备，即该设备是需量超限的主要原因。
[0105]
如果人工反馈的超限原因和算法判定的超限原因不一致，则结合人工反馈对设备组或设备组下设备的影响权重进行更新，从而实现更加准确的超限原因分析。具体如下：如果超限原因的设备组判定不一致，只需更新设备组的影响权重，否则更新设备组下设备的影响权重。比如对于任意两个设备组，某个设备组的加权需量变化量最大，但是人工判定的超限原因是另一设备组，则将该另一设备组的影响权重进行更新。同理，也可对设备组下的设备权重进行类似的更新。
[0106]
能源看板模块
[0107]
能源看板是综合展示界面，实现能源需量管理的所有关键信息及关键关联信息展示，主要包括以下信息：各总降当月实际控制需量、计划控制需量及实时负荷等；各总降过去一段时间的实时需量、预测需量、实时负荷的变化曲线以及需量计划控制线、需量实际控制线等；需量超限或即将超限时弹窗报警并有声音提醒；关键用户用电负荷或需量实时监控，可以通过颜色变化或其他方法提醒使用者相关设备存在异常；关键发电设备发电功率或需量实时监控，可以通过颜色变化或其他方法提醒使用者相关设备存在异常；主要电力经济指标展示，例如月度总电费、电度电费、基本电费、外购煤费用等。该模块还可以自动配置需要显示或感兴趣的内容，用户可根据自己需要显示相应的内容。
[0108]
参数配置模块
[0109]
实现所有和能源需量相关的参数配置，主要包括需量控制目标设定、需量经济指标配置、用电发电设备的电量或需量阈值配置、生产计划录入导入功能、母联切换配置等功能。下面对主要功能依次进行介绍：
[0110]
需量控制目标设定：该功能用来设定每月的计划需量控制目标，当实时预测需量超过这个目标后会触发报警，提醒操作人员采取降低需量的措施。需量控制目标除了上述提到的计划需量控制目标外，还有实际需量控制目标，实际需量控制目标是实际实时需量预测报警的阈值，当实时预测需量超过这个目标后会触发报警。实际需量控制目标是当月已发生最大需量和当月计划需量控制目标的较大值，更具有实际意义。需量控制目标是可以根据生产检修计划及实际情况灵活设置调整的。
[0111]
需量经济指标配置：包括尖、峰、平、谷时期电价设定，主要能源如外购煤的价格设定，方便进行电力相关成本的统计计算。
[0112]
用电发电设备的电量或需量阈值配置：该参数配置模块主要是用于上述能源看板模块关键用电发电设备负荷或其需量实时监控的。该模块的阈值设置可以根据设备运行状态、生产节奏等实际需要自行灵活设置调整。
[0113]
生产计划录入导入功能：该功能主要是将每天或每周的生产检修计划导入或录入系统，用于长时需量预测功能。
[0114]
母联切换配置功能：主要设备可以在不同总降间切换，两路总降供电一用一备。当对某个总降进行检修或某个总降供电突发出现故障时，可以切换到另一总降下的供电，避免设备停机影响生产或设备的不正当停机造成重大损失。母联切换配置功能就是解决设备
在总降下切换对需量影响的问题。
[0115]
异常事件模块
[0116]
异常事件模块实现了所有和能源需量相关的异常事件报警及记录，主要包括以下内容：实时需量超限、实时需量预测超限、数据质量异常、关键数据仪表异常、高炉设备异常、发电设备发电异常、设备异常事件等。
[0117]
历史查询模块
[0118]
系统支持历史能源需量查询，可查看不同时间段的实时负荷、实时需量、需量预测等信息，同时可根据需要创建相应的显示组件。历史查询模块主要实现了历史需量、历史用电负荷、历史电力经济指标、需量超限报警记录、需量预测超限报警记录、调控记录及调控措施的信息的历史查询，方便量化追踪和事后复盘。
[0119]
虽然本技术所揭露的实施方式如上，但所述的内容只是为了便于理解本技术而采用的实施方式，并非用以限定本技术。任何本技术所属技术领域内的技术人员，在不脱离本技术所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本技术的专利保护范围，仍须以所附的权利要求书所界定的范围为准。