基于大数据的企业综合能效监测分析模型研究

王韶霞

(烟台职业学院 信息工程系,山东 烟台 264670)

0 引言

随着清洁能源、分布式光伏的快速接入,区域互联规模逐渐扩大,用能系统已经逐渐演变为综合能源体系。电力、热力、燃气、用水等能源供应体系之间的耦合性越来越强,对综合能源系统(Integrated Energy System,IES)[1]的应用需求更加突出。研究基于大数据算法的企业综合用能分析模型及综合能源监测、展示分析平台。以某企业能效评价为例,利用K-means聚类算法、层次分析法分析企业综合用能,为用能企业提供能源分析、用能优化改进、节能评价管理等数字化转型新路径。最后,应用基于大数据、云技术的综合能源监测挖掘分析平台,验证综合能源监测数据分析的实际效果。

1 企业综合能源情况监测

电、冷、热、气等综合能源为社会发展、企业生产提供了能源保障,但系统利用效率较低,不同能源系统多能互补、梯级利用程度偏低[1]。各类能源在生产、输送、利用、管理等方面还存在诸多盲点,在能源成本控制、能源综合利用、安全可靠等方面还存在很多痛点。综合能源系统是以能源供应侧和需求侧终端设备信息为基础,将企业能源控制、能源结构转型、能源消费、节能技术升级等数据汇集起来,为企业高效用能提供决策支撑和数据支持。能源互联网建设的一大核心就是综合能源系统,该系统能够为不同形式能源之间的互联互通提供通道[2]。基于供应侧、需求侧等各个环节的终端信息,实现能源综合监测和分析,为各类用户的能源消耗、智能化运维、用能改善等提供数据支撑。图1所示为基于大数据的综合能效监测分析结构示意图。

图1 基于大数据的综合能效监测分析结构示意图

2 企业综合能源消耗监测分析

2.1 K-means聚类算法

K-means算法是一种不断迭代的聚类算法,距离上的相似性即为其聚类分析标准。通过对数据集的分析,获得K个聚类结果,根据距离中心的均值确定类的中心。利用欧式距离来表征曲线之间的距离和关系,首先找出平方误差函数值最小的k个聚类。定义为:

(1)

式(1)中,E代表的是数据集中所有元素平方误差的总和,p代表空间中的点,mi是簇Ci的平均值。采用欧式距离,计算元素点到类质心的距离,以此确定样本分类:

(2)

式(2)中,xi表示样本x的第i个变量,yi表示类质心y的第i个变量值。

利用聚类算法对用能企业进行分群,筛选有价值的用户。训练样本集数据包括用电量增幅、行业特性、用电增长率等,经过迭代聚类分析,可以对能源用户价值进行细分。

2.2 企业综合能效评价

主成分分析法(PCA)是将变量进行组合调整,构造相互之间无关联的综合分析变量,实现数据降维的同时准确反映数据信息[3]。基于数据的聚类分析结果,建立两个层级的指标评价分析模型。其中,一级指标包含技术能效、管理能效和经济能效指标。二级指标包括节电情况、万元产值电耗、用户线损率、设备效率、电压和电流异常率等[4]。

1)指标标准化处理。针对极小值、极大值指标做如下处理:

针对极小型数值的指标:

(3)

针对区间型数值的指标:

(4)

(4)式中,x表示评价指标数据;x*表示经过指标标准化转换后值;[α1,α2]表示指标最佳的稳定区间;M1和M2表示指标的上限和下限值。利用“零-均值规范化”对所有指标数据进行无量纲化处理。

(5)

2)一级指标权重分析。假设专家关于两个评价指标xk-1、xk的重要性程度之比用rk来表示,即

rk=Pk-1/Pk

(6)

(6)式中,Pk表示分析指标集中第k项指标所对应的权重。

rk取值说明如表1所示。

表1 rk取值说明

如果不同专家对指标重要性的评估结果不一致,那么可以采用平均值方法计算指标的最终权重。

3)二级指标赋权。熵用于表示指标的无序程度,熵值越小,指标中提供的信息量越大,在综合评价中产生的影响越大,所占权重越高。二级指标的权重分配采用熵权法进行分析。

计算第j项指标下,第i个系统的特征比重:

(7)

指标j的熵值表示为:

(8)

(9)

指标xj的差异性系数表示为

gi=1-ej

(10)

计算得出指标权重为

(11)

假设一级评价指标的权向量表示为P=(p1,p2,p3,…,pm),已知二级评价指标对第i项一级指标的权向量Q=(qi1,qi2,qi3,…,qin)。用户综合能效评价模型可以表示为:

(12)

企业综合能效评价分析指标的选择,要结合调研结果和工作实践来确定。选择的评价分析指标,一级指标包含经济效益、管理能效、技术能效;二级指标包括万元产值电耗、万元增加值耗电、用电设备完好率、节能率、设备运行效率、功率因数等12项。

3 模型验证及可视化场景实现

3.1 模型验证

针对某工业园区的185家工业用户进行分析,以电力能源使用情况为典型案例,进行模型验证分析。聚类运算的数据样本包括:用户行业分类、用电量、用电量增长率、购电比率、缴费次数、缴费金额、欠费次数、欠费金额等。通过多次聚类,淘汰无价值用户,数据迭代后形成4个聚类中心,分别对应四类能源用户,分别为高价值客户、潜力客户、普通客户和高风险客户。说明高价值客户对应的各项指标特征比较稳定,运营情况较好;普通客户的特征值小,尤其是购电比率较低,运营状况处于一般水平;潜力客户的购电量、缴费金额高,企业产量大,能源需求大;高风险客户的欠费次数、金额较高,用电量增长率不高,客户产能较低,存在一定的经营风险。

聚类后获得高价值用户和潜力用户分别为5家、4家,结合上节提出的方法对评价指标的权重进行计算,得出指标权重为表2所示。

表2 评价分析指标权重

5家高价值用户的能效评价结果为:用户1综合能效诊断结果为0.332;用户2能效诊断结果为0.594;用户3能效诊断结果为0.715;用户4能效诊断结果为0.570;用户5能效诊断结果为0.381。根据企业能效分析模型,能够利用在线数据高效分析企业能耗情况,并依托综合能源监测平台实现监测结果的可视化。

3.2 可视化场景实现

为实现用能企业的能源分析、用能优化改进、节能评价管理的功能,以供用协同、多能协同为核心思想,以物联网管理平台为基础,搭建综合能源监测分析体系,为企业提供综合能源服务[5]。平台同时接入用户用能数据、社会第三方数据、综合能源设备数据、电力企业供电数据等,依托“云-管-边-端”的基础架构,实现企业用能监控与优化,并为用户同步推送能效分析诊断结果。

基于分层互联EMS架构,构建综合能源管理优化体系,实现地热、电、天然气等多能流综合能源的多能流监测、多能流实时建模、多能流负荷预测管理、多能流安全分析及预警、多能流优化配置、能耗热力图分析、用户企业能源流向图、供需平衡分析和综合评价体系等。

应用能源互联网共享服务平台,搭建重要用能企业的能效监测可视化分析场景,更加直观地展示能效、能效信息,定位优化能源利用的薄弱环节,并提供能源消耗预测分析。按照企业的能耗评价结果、设备运行情况,依托综合能源监测平台,实现企业耗能在线监测,逐步形成丰富的能效分析报表。通过集中监测终端用户能源使用情况,为能效诊断诊疗、企业节能评估和改造等业务的开展提供数据支撑。

4 结语

采用K-means聚类分析建立能源用户特征提取,将企业划分为高价值用户、潜力用户、普通用户和高危用户。在此基础上,针对用户特性,选定3个一级指标和12个二级指标,建立企业能效评价分析模型,利用层次分析法确定评价指标权重。通过实例分析验证模型在用能企业能效优化、生产效率评价方面的作用。最后,将提出的企业综合能效分析模型应用于综合能源监测平台,实现了数据模型分析的可视化展示,提升了企业和用能管理部门的工作效率,具有良好的应用效果。