新闻中心
在工业实时控制系统中应用人工智能学习算法
工业企业通常都需要为其生产支付大额的能源供应费用。然而由于能源定价方式决定了他们所支付的金额往往会多过实际所消耗的能源。为了使能源支付成本更贴近于企业实际的生产消耗，需要具有自我学习认知能力的人工智能来驱动控制系统以帮助优化能源消耗。这有助于能源消耗更可持续地支持降低生产成本。萨尔茨堡智能数据分析（IDA）实验室正在与COPA-DATA合作开展这一主题的研究。
能量价格计算
在工业领域，无论是制造产品还是厂房维护都需要大量的能源。相关的费用可能非常高。其通常是由三个部分组成。包括能源供应商所提供的动力设施构成的固定成本、能源消耗的总量，以及各类能耗类别的单位价格。其中最后一项是根据过去企业历年所消耗的能源供应量，和其未来生产的需求进行定制。并按照最近一次计费周期来确定的; 周期可以按月度、季度或每年。我们在算法中假设在当前的通大计费期会以每15分钟为时段记录平均消耗值。并从这些记录的平均值中选出最高值作为下一计费期的指导标准。优化潜力
大多数企业其能源消耗都会有一定程度的上下波动，并且偶尔还会出现峰值负载。峰值负载会突然且急剧的增加能量消耗成本，从而导致所记录的15分钟内最大能耗平均值过高。如此当计费期结束时，虽然大部分的平均值真实对应于业务能耗，但却由这部分极高平均值的能耗代替了峰值负载的极限。并由这些平均值中的最高值作为后续计费周期的参考价格，造成下一期的能耗供应账单会远高于企业的正常消费。因此，即使有大量已计费的能源可能未被企业所使用，能源供应商仍会按此收取供费用。
有基于此，设置合适的峰值负载优化能够带来显著的成本节省。为了防止不可持续及不必要的成本支出，用户需要有能够调整平均值及相应平滑峰值负载的控制能力。峰值载荷平滑方法
有两种方法可以平滑峰值载荷。第一种是暂时关闭无关设施或减少其负载。第二种是通过辅助发电机增加能源供应来实现。两者都能减少整体的外购能源消耗。当然上述二种策略也可以结合使用。
为了提前开展峰值负载平滑控制，您必须预前了解未来的峰值负载会在何时出现。这就是人工智能预测模型的工作。在模型内要考虑与总能耗相关的因素包括有基载、固定部分的能耗和可变负载，最后一个即是额外的发电机和可切换负载。如果预测的基载量非常高，则需要关闭相关的负载，并启动发电机。而这类的决策会由系统的“AI代理”（控制算法）做出。该算法通常会基于人工设置开关的首选顺序、以及在决定开关时特定系统组件的可用性的具体数据。基于这些信息，AI代理就可计算出最优的切换策略。基于预测、控制、反馈和调整的循环
本文开头的信息图有展示本人工智能模型使用zenon实现峰值负载平滑过程的整个控制环路。首先模型要预测生产能耗设施的基载和能耗量。该控制算法有直连到zenon，随后模拟消耗和生产的各种切换序列。并对每个能耗因素进行评估。评估出最高的因素会由系统对其实施控制。控制算法将运算结果作为建议发送给、zenon，最后通过zenon启动物理设备来实现。在实现控制后系统将更新后的设备状态及其实时评估返回给zenon。AI代理在传递zenon的数据后，将该数据与模拟评估进行比较，以核查模型的准确性。最后，它会用最新的运营实时数据更新预报模型。这确保模型保持可靠性，持续适应新情况，并通过持续学习不断改进。
预测总是基于当前计费期。这使得算法不仅能规划下一个切换动作，还能规划一整套的控制步骤序列，优化各种控制策略。因此，它能在不超过允许峰值负载的情况下实现最高效的能耗。
该人工智能将在未来几年进一步进行开发，依赖深度强化学习等人工智能技术结合稳健的统计方法。 以将使它能够灵活且可靠地响应客户需求，同时始终确保算法的功能高效。
模型制作
该系统建模由两部分组成。首先是所选择模型类别。其次则是通过模型对现有数据进行调整。第一步你得确定所需的是何种模型。在简单情况下它可能是平滑线性增长的模型，或者在更复杂的情况下是线性和季节性分量的组合的。其中的参数（增长强度和季节成分特性）尚未确定。 这些参数是在适应可用数据时确定。在此过程中确定最有可能引导模型预测数据的参数，从而生成一个预定义的复杂模型，以最准确描述数据。
鼎茂兴全体员工祝各位元旦快乐，这样写加在最末尾可以吗