一种基于BP神经元网络的工业装置能耗管控方法

一种基于bp神经元网络的工业装置能耗管控方法
技术领域
1.本发明涉及数据异常检测技术，特别是涉及一种基于bp神经元网络的工业装置能耗管控方法。


背景技术：

2.在工业生产中，工业装置能耗由于受到载荷、环境温度、加工方案等具体情况的不同而变化。目前，对于工业装置能耗的管控并没有考虑上述具体情况导致的变化，仅以求平均的方式管控能耗显然是不准确的、不合理的。但是，如果考虑各种各样影响工业装置能耗因素的管控方法又会导致管控过程过于繁琐，因此需要一种管控过程简单、能耗管控比较准确、适合各种工业装置的能耗管控技术。
3.由此可见，在现有技术中，尚无一种能适合各种工业装置、管控过程简单、能耗管控比较准确的能耗管控方法。


技术实现要素：

4.有鉴于此，本发明的主要目的在于提供一种能适合各种工业装置、管控过程简单、能耗管控比较准确的基于bp神经网络的工业装置能耗管控方法。
5.为了达到上述目的，本发明提出的技术方案为：
6.一种基于bp神经元网络的工业装置能耗管控方法，包括如下步骤：
7.步骤1、收集工业装置的历史能耗信息与影响因素信息作为特征信息，同时收集对应的历史特征数据，构成能耗特征数据集。
8.步骤2、将能耗特征数据集输入待训练的bp神经元网络模型中进行训练，直至接受训练的bp神经元网络模型收敛，得到训练好的bp神经元网络模型，并设定偏差波动值；
9.步骤3、将采集的工业装置实时能耗数据输入训练好的bp神经元网络模型中运行，得到工业装置能耗预测值；将预测能耗值与实际能耗值进行比较：当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。
10.综上所述，本发明所述基于bp神经元网络的工业装置能耗管控方法中，首先收集工业装置历史的相关能耗信息及其对应的特征数据集；将特征数据集输入待训练的bp神经元网络模型中进行训练，当接受训练的bp神经元网络模型收敛时，就得到训练好的bp神经元网络模型。利用采集的工业装置实时能耗数据，训练好的bp神经元网络模型预测工业装置的能耗，当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。由此可见，本发明所述基于bp神经元网络的工业装置能耗管控方法不必考虑每个工业装置运行的繁琐细节，从整体上实现了对实际情况复杂多变的工业装置的能耗管控，而且管控过程简单、能耗管控比较准确。
附图说明
11.图1为本发明所述基于bp神经元网络的工业装置能耗管控方法的总体流程示意
图。
具体实施方式
12.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
13.图1为本发明所述基于bp神经元网络的工业装置能耗管控方法的总体流程示意图。如图1所示，本发明所述一种基于反向传播(bp，back propagation)神经元网络的工业装置能耗管控方法，包括如下步骤：
14.步骤1、收集工业装置的历史能耗信息与影响因素信息作为特征信息，同时收集对应的历史特征数据，构成能耗特征数据集。
15.步骤2、将能耗特征数据集输入待训练的bp神经元网络模型中进行训练，直至接受训练的bp神经元网络模型收敛，得到训练好的bp神经元网络模型，并设定偏差波动值。
16.本发明中，所选用的bp神经元网络均为现有技术，此处不再赘述。
17.步骤3、将采集的工业装置实时能耗数据输入训练好的bp神经元网络模型中运行，得到工业装置能耗预测值；将预测能耗值与实际能耗值进行比较：当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。
18.实际应用中，当预测能耗值与实际能耗值之间偏差的绝对值小于或等于设定的偏差波动值时，表明工业装置运行正常。当当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，表明工业装置运行异常，此时工业装置报警。
19.总之，本发明所述基于bp神经元网络的工业装置能耗管控方法中，首先收集工业装置历史的相关能耗信息及其对应的特征数据集；将特征数据集输入待训练的bp神经元网络模型中进行训练，当接受训练的bp神经元网络模型收敛时，就得到训练好的bp神经元网络模型。利用采集的工业装置实时能耗数据，训练好的bp神经元网络模型预测工业装置的能耗，当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。由此可见，本发明所述基于bp神经元网络的工业装置能耗管控方法不必考虑每个工业装置运行的繁琐细节，从整体上实现了对实际情况复杂多变的工业装置的能耗管控，而且管控过程简单、能耗管控比较准确。
20.本发明步骤1中，所述能耗信息包括工业装置的电能源信息、气能源信息，所述影响因素信息包括工业装置的运行温度、运行时间、最大能耗量、最低能耗量、运行周期。
21.本发明步骤2中，所述偏差波动值为所述能耗预测值的5％。
22.本发明步骤3中，所述工业装置实时能耗数据为当天采集的不低于10次的工业装置能耗数据。
23.综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种基于bp神经元网络的工业装置能耗管控方法，其特征在于，所述能耗管控方法包括如下步骤：步骤1、收集工业装置的历史能耗信息与影响因素信息作为特征信息，同时收集对应的历史特征数据，构成能耗特征数据集；步骤2、将能耗特征数据集输入待训练的bp神经元网络模型中进行训练，直至接受训练的bp神经元网络模型收敛，得到训练好的bp神经元网络模型，并设定偏差波动值；步骤3、将采集的工业装置实时能耗数据输入训练好的bp神经元网络模型中运行，得到工业装置能耗预测值；将预测能耗值与实际能耗值进行比较：当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。2.根据权利要求1所述的基于bp神经元网络的工业装置能耗管控方法，其特征在于，步骤1中，所述能耗信息包括工业装置的电能源信息、气能源信息，所述影响因素信息包括工业装置的运行温度、运行时间、最大能耗量、最低能耗量、运行周期。3.根据权利要求1或2所述的基于bp神经元网络的工业装置能耗管控方法，其特征在于，步骤2中，所述偏差波动值为所述能耗预测值的5％。4.根据权利要求1或2所述的基于bp神经元网络的工业装置能耗管控方法，其特征在于，步骤3中，所述工业装置实时能耗数据为当天采集的不低于10次的工业装置能耗数据。5.根据权利要求3所述的基于bp神经元网络的工业装置能耗管控方法，其特征在于，步骤3中，所述工业装置实时能耗数据为当天采集的不低于10次的工业装置能耗数据。

技术总结
本发明提供一种基于BP神经元网络的工业装置能耗管控方法，包括：收集工业装置历史能耗信息与影响因素信息及其对应的历史数据构成能耗特征数据集；将能耗特征数据集输入待训练的BP神经元网络模型中进行训练，直至接受训练的BP神经元网络模型收敛，得到训练好的BP神经元网络模型；将采集的工业装置实时能耗数据输入训练好的BP神经元网络模型中运行，得到工业装置能耗预测值；当预测能耗值与实际能耗值之间偏差的绝对值大于设定的偏差波动值时，工业装置进行异常报警。本发明所述基于BP神经网络的工业装置能耗管控方法能适合各种工业装置、管控过程简单、能耗管控比较准确，可广泛应用于能耗管控领域。用于能耗管控领域。用于能耗管控领域。


技术研发人员：沈俊 李振兴 高新强 徐田园 王浩
受保护的技术使用者：北京理工大学
技术研发日：2022.08.22
技术公布日：2022/11/18