基于大数据的智慧能源管理平台通过在线采集和存储用能终端设备/系统的能耗、运营和控制信息等数据,运用人工智能专家系统、在线数据挖掘和预测、数据建模、自动错误侦测和诊断、优化控制等技术,实现能效提升,多能流协同能量管理,第三方能源管理外包及能源大数据应用服务。
平台主要应用于各类型产业园区、工业、建筑领域,可实现对电力、天然气等各种能源信息及用能设备的监控、预警和优化。 该系统的主要优势是:不但可以实现在线能耗监控,而且可以通过基于大数据及人工智能的应用快速查找能耗漏洞,诊断不合理能耗原因,有针对性地制定节能优化综合解决方案,提高终端用能效率10%左右。
以政府、园区、集团企业等为主要营销对象。深挖资源,利用在政府、园区以及知名企业的成功案例,复制推广,并为现有用户提供增值服务。开展多方合作,一是与产业上下游企业开展合作,例如能源供给侧的申能集团、钢铁行业信息化的宝信软件等。二是加强和研究院所的产学研合作,例如已与合肥工业大学共建智慧能源互联网实验室;三是通过与各地政府主管部门及相关行业协会的合作,拓展市场,主要针对上长三角地区主管部门以及上海大数据产业联盟、工业4.0协会、低碳协会等开展合作。
本项目核心技术已申请十项发明专利,其中四项已经授权,三十多项软件著作权。获上海市科技创新基金支持、子项目《基于大数据的售电偏差管理平台》获苏州市重点研发产业化项目立项。2017年度团队获工信部主办的首届中国工业大数据创新竞赛二等奖,2017年长三角最佳数据智能产品/解决方法Top10。相关技术创新如下:
1. 基于规则引擎的专家系统
在节能领域需要对海量数据进行分析、整理、计算后才能找出节能潜力点,如果完全依靠能源管理专家来分析数据,工作难度会很大,而且出现错误的概率极高,并且能源管理专家目前也很稀缺。因此把能源管理专家的保贵经验、节能思路、节能手段以及所掌握的丰富的能源管理知识整合归类形成专家规则,通过建立能源管理专家系统提升分析的准确度。
2. 模型预测技术
能源产、耗的预测是实现能源体系优化调度的基础,是优化能源管理系统的前提,预测的准确性决定了能源优化调度产生的效益。模型预测技术凭借多变量回归、时间序列、模型树、神经网络等多种模型预测技术对整个能源体系的历史数据进行有效的预测,择优定制出最佳能源预测模型,为精确的能源全局优化调度创造条件。
3. 基于大数据的预测性故障诊断技术
传统的故障监控技术可及时发现故障发生,有效防止故障扩大化。预测性故障诊断技术远远高级于实时故障监控技术,其侧重点在于具有精确的预测功能,在故障未发生之前事先发掘潜在的故障问题,避免故障发生导致的损失,防患于未然。
4. 大数据模型预测控制技术
大数据模型预测控制技术(Big Data-MPC)是在预测技术之上进行深度开发而成的优化控制技术。大数据模型预测控制技术是建立在设备或系统长期运行历史数据的基础之上,通过海量数据建模,并结合多目标优化算法(遗传算法与进化策略)来求解最优的控制策略(设备最优参数设定、系统最优控制方案),确保设备或系统的最佳运行状态,有效降低生产运营能源成本。
随着大数据、云计算、人工智能等新技术的在能源管理行业深入应用,以及能源互联网、多能互补、新能源微电网、增量配电网等工程的不断推进,助推能源行业朝着网络化、智能化、综合化、清洁化、多元化方向不断发展,智慧能源正在成为能源行业发展的新趋势。全球能源转型全面升级发展,智慧能源综合体系建设建成万亿市场空间开拓最佳途径。本项目是在提升能源行业信息化水平的基础上,推动能源行业向智慧化发展。从能源管控的角度,统筹光伏、储能、BA、群控、运营、生产等基础数据,充分挖掘数据价值,真正指导能源管理业务的改进和优化,实现绿色节能、高效管理、可靠运行等客户价值。
公司核心团队为美国爱荷华大学能源管理专家,同时聚集了一批专业、年经有活力的研发技术人员和项目管理人才。核心技术人员的介绍如下:
周先生,公司总裁,毕业于复旦大学、美国爱荷华大学,获机械工程硕士和工商管理硕士学位,南京大学兼职教授,MBA导师。九年美国爱荷华州政府能源工程师/项目经理、五年爱荷华大学能源经理/资深高级工程师,曾管理能源费用超过7,000万美元,能源审计超过一千个项目,完成超过三百项节能工程的设计、施工和调试,具有丰富的能源管理和工程经验;
美国注册执业工程师(PE)、认证能源经理(CEM)、认证绿色建筑工程师(GBE)、认证能源审计师(CEA)、认证电力需求侧管理师(CDSM) ;多次获得中美能源(MidAmerican Energy)节能服务奖。
叶先生,毕业于复旦大学,获文学硕士学位,拥有十多年企业经营管理经验和12年新闻传媒从业经历。 六年的媒体主编经历和四年的公司总经理从业经历,具有丰富的公司整体运营和管理经验;熟悉节能环保、教育、交通运输、信息技术(IT)、新闻传媒等行业,具有良好的项目策划实施 能力和市场拓展能力。