用电排程系统以及用电排程方法与流程

1.本揭示中所述实施例内容是有关于一种用电排程系统以及用电排程方法，特别关于一种用电量预测的用电排程系统以及用电排程方法。


背景技术：

2.在包含很多机台的厂区，机台设备的用电量极高，一有不慎电力负荷即超过契约须量额度。以往倚赖人工监控，定期巡查或被动关闭其他设备用电，效益待加强。传统上，生产排程只能被动接受用电超载带来的影响，如此，机台设备的生产品质也会受到影响。


技术实现要素：

3.本揭示的一些实施方式是关于一种用电排程系统，包括多个机台、智能机上盒以及制程规划装置。多个机台包括多个电力负载量数据以及多个温度数据。智能机上盒连接于多个机台，用以将多个电力负载量数据以及多个温度数据输入至类神经网络模型中，以产生用电预测结果。制程规划装置用以依据用电预测结果产生多个机台的用电排程。
4.于部分实施例中，还包括：订单装置，用以传送多个客户数据以及多个出货数据至所述制程规划装置，其中所述制程规划装置还用以依据所述用电预测结果、所述多个客户数据以及所述多个出货数据以产生所述多个机台的所述用电排程。
5.于部分实施例中，其中所述类神经模型包括二个隐藏层以及一个输出层。
6.于部分实施例中，其中所述多个电力负载量数据包括平均负载量参数以及尖峰负载量参数，其中所述多个温度数据包括平均温度参数、最高温度参数以及最低温度参数。
7.于部分实施例中，其中所述类神经模型用以产生预测模型，以经由所述预测模型产生所述用电预测结果，所述预测模型为[预计用电量＝第一参数
×
所述平均负载量参数-第二参数
×
所述最高温度参数
×
所述尖峰负载量参数-第三参数
×
所述平均温度参数 第四参数
×
所述最低温度参数
×
所述平均负载量参数 第五参数
×
(所述尖峰负载量参数)
1/2
×
所述平均负载量参数]。
[0008]
本揭示的一些实施方式是关于一种用电排程方法，包括以下步骤。由多个机台传送多个机台的多个电力负载量数据以及多个温度数据至智能机上盒。由智能机上盒将多个电力负载量数据以及多个温度数据输入至类神经网络模型中，以产生用电预测结果。由制程规划装置依据用电预测结果产生多个机台的用电排程。
[0009]
于部分实施例中，还包括：由订单装置传送多个客户数据以及多个出货数据至所述制程规划装置；以及由所述制程规划装置依据所述用电预测结果、所述多个客户数据以及所述多个出货数据以产生所述多个机台的所述用电排程。
[0010]
于部分实施例中，还包括：由所述类神经模型产生预测模型，以经由所述预测模型产生所述用电预测结果。
[0011]
于部分实施例中，其中所述预测模型为[预计用电量＝第一参数
×
平均负载量参数-第二参数
×
最高温度参数
×
尖峰负载量参数-第三参数
×
平均温度参数 第四参数
×
最
低温度参数
×
所述平均负载量参数 第五参数
×
(尖峰负载量参数)
1/2
×
平均负载量参数]。
[0012]
于部分实施例中，其中7.21≦第一参数≦8.81，18.33≦第二参数≦22.40，1.44≦第三参数≦1.76，1.10≦第四参数≦1.34，2.22≦第五参数≦2.72。
附图说明
[0013]
为让本揭示的上述和其他目的、特征、优点与实施例能够更明显易懂，所附附图的说明如下：
[0014]
图1是依照本揭示一些实施例所绘示的用电排程系统的示意图；
[0015]
图2是依照本揭示一些实施例所绘示的用电排程方法的流程图；
[0016]
图3是依照本揭示一些实施例所绘示的类神经网络模型的示意图；以及
[0017]
图4是依照本揭示一些实施例所绘示的用电排程的示意图。
[0018]
【符号说明】
[0019]
100:用电排程系统
[0020]
110a,110b,110c:机台
[0021]
130:智能机上盒
[0022]
150:制程规划装置
[0023]
170:订单装置
[0024]
200:用电排程方法
[0025]
s210,s230,s250:步骤
[0026]
300:类神经网络模型
[0027]
i:向量
[0028]
h1,h2:隐藏层
[0029]
op:输出层
[0030]
b11,b2:向量
[0031]
l1,l2:向量
[0032]
f11,f12,f2:函数
[0033]
s:用电预测结果
[0034]
400:用电排程
具体实施方式
[0035]
在本文中所使用的用词“耦接”亦可指“电性耦接”，且用词“连接”亦可指“电性连接”。“耦接”及“连接”亦可指二个或多个元件相互配合或相互互动。
[0036]
参考图1。图1是依照本揭示一些实施例所绘示的用电排程系统100的示意图。
[0037]
以图1示例而言，用电排程系统100包含多个机台110a至110c、智能机上盒130、制程规划装置150以及订单装置170。于连接关系上，智能机上盒130连接于多个机台110a至110c，制程规划装置150连接于机上盒，而订单装置170连接于制程规划装置150。
[0038]
如图1所示的用电排程系统100仅为例示说明之用，本案的实施方式不以此为限制。举例而言，于其他一些实施例中，制程规划装置150连接于多台智能机上盒，多台智能机上盒又分别连接于多个机台。用电排程系统100的各种配置皆在本揭示的范围中。
[0039]
以染整工厂为例，图1中的机台110a至110c可分别例如是织机、染色机、定型机、脱水机、扩布机、验布机、剖布机、染色助剂自动计量系统、空调压缩机、卷布机、废弃水洗处理装置、蒸气锅炉、单针平缝车、厂区温控设备等。
[0040]
关于用电排程系统100的详细操作方式，将于以下配合图2一并进行说明。
[0041]
图2是依照本揭示一些实施例所绘示的用电排程方法200的流程图。用电排程方法200可应用于如图1的用电排程系统100。以下请一并参考图1至图2。
[0042]
在步骤s210中，传送多个机台的多个电力负载量数据以及多个温度数据至智能机上盒。于部分实施例中，步骤s210是由如图1所绘示的机台110a至110c将各自的电力负载量数据以及温度数据传送至智能机上盒130。
[0043]
于部分实施例中，多个电力负载量数据包括平均负载量参数以及尖峰负载量参数，多个温度数据包括平均温度参数、最高温度参数以及最低温度参数。
[0044]
在步骤s230中，将多个电力负载量数据以及多个温度数据输入至类神经网络模型中，以产生用电预测结果。于部分实施例中，步骤s230是由如图1所绘示的智能机上盒130所执行。
[0045]
请参阅图3。图3是依照本揭示一些实施例所绘示的类神经网络模型300的示意图。如图3所示，类神经网络模型300包含两个隐藏层h1和h2以及一个输出层op。
[0046]
详细而言，输入层包含由多个电力负载量数据以及多个温度数据所组成的向量i。依据向量i产生向量b11，且向量b11经过隐藏层h1的函数f11计算后产生向量l1。向量l1输入至隐藏层h2后，经过隐藏层h2的函数f12计算后产生向量l2。然后，依据向量l1和向量l2产生向量b2，且向量b2经由输出层op的函数f2后产生用电预测结果s。
[0047]
于部分实施例中，函数f11和函数f12的转移函数是为正切双弯曲转移函数，而函数f2是为线性转移函数。于部分实施例中，隐藏层h1的节点数为12，隐藏层h2的节点数为12。于部分实施例中，类神经网络模型300的网络训练方法为lm演算法(莱文贝格－马夸特演算法)搭配basdavid mackay的贝莱斯(bayesian)结构，且网络训练的最大循环次数为6000。
[0048]
于部分实施例中，类神经网络模型300的输出层op产生预测模型，预测模型为预计用电量＝第一参数
×
所述平均负载量参数-第二参数
×
所述最高温度参数
×
所述尖峰负载量参数-第三参数
×
所述平均温度参数 第四参数
×
所述最低温度参数
×
所述平均负载量参数 第五参数
×
(所述尖峰负载量参数)
1/2
×
所述平均负载量参数。
[0049]
于部分实施例中，上述第一参数、第二参数、第三参数、第四参数与第五参数为类神经网络模型300所产生。
[0050]
于部分实施例中，图3中的用电预测结果s是依据预测模型所产生，以预测各个时间区间的用电量。
[0051]
于部分实施例中，7.21≦第一参数≦8.81，18.33≦第二参数≦22.40，1.44≦第三参数≦1.76，1.10≦第四参数≦1.34，2.22≦第五参数≦2.72。于一较佳实施例中，第一参数是为8.0136，第二参数是为20.363，第三参数是为1.6，第四参数是为1.22，第五参数是为2.471。
[0052]
请回头参阅图2。于步骤s250中，依据用电预测结果产生多个机台的用电排程。于部分实施例中，步骤s250是由如图1所绘示的制程规划装置150执行。
[0053]
于部分实施例中，步骤s250还包含由图1中的订单装置170传送多个客户数据以及多个出货数据至制程规划装置150。制程规划装置150并依据用电预测结果、多个客户数据以及多个出货数据产生多个机台110a至110c的用电排程。
[0054]
请参阅图4。图4是依照本揭示一些实施例所绘示的用电排程400的示意图。如图4所绘示，用电排程400包含图1中的机台110a、机台110b和机台110c于00:00至09:00针对制程1至制程3的工作时间。如图4所示的用电排程400仅为例示说明之用，本案的实施方式不以此为限制。
[0055]
于部分实施例中，制程规划装置150可提供最佳化的用电排程400给制程人员参考，以减少修正用电排程400的时间。在用电排程400中，制程规划装置150可依用电量的多寡将制程1至3进行分类。举例来说，制程规划装置150可依制程1至3的用电量的高、中、低而将其分类为红、黄、绿三种颜色。如此，制程人员可依据用电排程400的分类来调整制程1至3的顺序。在考量制程等待时间及出货时间的情况下，制程人员可适当地调整制程1至3的先后顺序或重叠时序，以避免高用电负载的情形，并借此提高电力系统的可靠度或者降低相关电费。在部分实施例中，制程规划装置150还可记录及分析调整后的用电排程400，从而在下一次提供更精准的建议。
[0056]
于部分实施例中，本案的用电排程系统100以及用电排程方法200适用于染整工厂。然而，本案的实施方式不以此为限制。
[0057]
综上所述，本揭示提供一种用电排程系统以及用电排程方法，透过智能机上盒收集与整合多个机台各自的电力负载量数据以及多个温度数据，经由类神经网络模型分析并预测多个机台的用电预测结果，再由制程规划装置整合用电预测结果、客户数据以及出货数据以产生多个机台的用电排程。制程人员于参考用电排程后，可更适当地调整多个制程于多个机台上的操作顺序或时序。如此，可有效避免多个机台同时进行多个制程时用电量超载的情况，进而控制厂区的用电量及用电费用。
[0058]
各种功能性元件已于此公开。对于本技术领域具通常知识者而言，功能性元件可由电路(不论是专用电路，或是于一或多个处理器及编码指令控制下操作的通用电路)实现。
[0059]
虽然本揭示已以实施方式揭露如上，然其并非用以限定本揭示，任何本领域具通常知识者，在不脱离本揭示的精神和范围内，当可作各种的更动与润饰，因此本揭示的保护范围当视所附的权利要求书所界定的范围为准。