具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种基于云边协同的空压机集群运行调节方法及系统，解决了现有技术中空压机运行调节存在调节效率低且调节决策质量不高的问题。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

为了节约了大量本地算力和存储空间，提高空压机集群运行的调节效率，同时提高运行决策的可靠性和质量，本发明将获取的空压机集群中所有空压机运行数据发送至云端；并在云端对空压机运行数据进行异常检测和数据预测处理，然后基于异常检测数据和预测值进行故障预警和执行运行决策，最后利用强化学习的思想对运行决策执行结果进行记录和反馈以优化下一轮决策过程。本发明最终使得空压机集群运行调节的自动化程度高，效率高，同时调节决策质量高。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

云边协同是指云计算和边缘计算协同配合，共同作用。云计算具有全局性、长期性、善于大数据计算的特点；而相对于云计算而言，边缘计算的短周期特性则能更好地支持本地业务，云边协同能够更好地整合云计算与边缘计算的优势，是融合通信、算力、数据存储与应用服务的分布式开放平台。在云边协同的大框架下，边缘侧与云侧并不是简单的替代关系，而是互补协同的合作关系。通过构建统一高效的协同框架，云边协同能实现云边互补，资源融合。

实施例1：

第一方面，本发明首先提出了一种基于云边协同的空压机集群运行调节方法，参见图1，该方法包括：

S1、将获取的空压机集群中所有空压机运行数据发送至云端；

S2、在云端对所述空压机运行数据进行异常检测和数据预测处理以获取异常数据和预测值；

S3、基于所述异常数据和预测值在边侧进行故障预警和执行运行决策；

S4、基于强化学习的思想对运行决策执行结果进行记录和反馈以优化空压机的下一轮运行决策。

可见，本发明将获取的空压机集群中所有空压机运行数据发送至云端；并对空压机运行数据进行异常检测和数据预测处理，然后基于异常检测数据和预测值进行故障预警和执行运行决策，最后利用强化学习的思想对运行决策执行结果进行记录和反馈以优化下一轮决策过程。本发明不仅节约了大量本地算力和存储空间，提高了调节效率，同时还提高了决策的可靠性和质量，使得空压机集群运行调节的自动化程度高，同时调节决策质量高。

下面结合对S1-S4具体步骤的解释，来详细说明本发明一个实施例的实现过程。

S1、将获取的空压机集群中所有空压机运行数据发送至云端。

假设空压机集群包括N条空压机支路，第i(i≤N)条支路中包含(n_i≥1)台空压机，为向上取整，表示大于等于x的最小整数，每条支路的空压机中，台是备用机组，在常用机组出现故障时才会使用，其他n_i台是常用机组，而常用机组中又有台为变频空压机，可以满足变频调速需求，其他的为普通空压机。

对各支路每一台空压机的运行数据进行实时采集，运行数据包括每台空压机的用电功率、进气量、进气口压力、出气口压力、电机转速、压缩机排气温度、主机温度、主机油温、循环水总管压力及温度等各种运行参数。在采集空压机的运行数据时，由空压机侧的智能感知单元直接采集获取，数据在采集获取完成后，需对这些数据进行预处理工作，然后将经过预处理的数据发送至云端。其中，在采集数据时，智能感知单元包括各种传感器，例如，采集进出口压力数据的压力传感器，采集温度数据的温度传感器等。数据在进行预处理时，主要包括数据清洗，数据缺失值填充，异常数据处理等。

S2、在云端对所述空压机运行数据进行异常检测和数据预测处理以获取异常数据和预测值。

由于空压机的历史运行数据具有大规模、多样性、动态性和高维度等复杂特征，这些数据的处理和存储需要消耗大量的算力和存储空间，所以选择在云端处理和存储这些空压机运的行数据。

1)云端数据处理。云端数据处理是指对所存储数据以及新接收数据进行分析处理，处理过程主要包括对数据进行异常检测以及对空压机的工作量进行预测。

异常检测。通过与空压机的大量历史数据进行对比，根据各空压机当前时刻的运行数据判断其是否存在异常，若分析结果存在异常，则发送检修信号，确定异常或故障的运行数据并分别存入异常数据中或故障数据中，而正常的数据则存入正常数据中。特别的，在判断数据是否存在异常时，可以利用多变量统计回归或自动编码器网络等方法进行设备的异常检测。以多变量统计回归为例，对数据进行主成分分析以减低维度，使用仅包含正常操作条件的训练数据来计算协方差矩阵，通过协方差矩阵来估计最能代表集合概率分布的椭球，然后计算样本点与数据质心的马氏距离，如果距离高于某个阈值，则将测试点分类为“异常”。自动编码器网络与其类似，计算数据通过网络压缩重构后的网络重建损失，将其与设定的阈值比较，超过阈值认为存在运行异常。

空压机工作量的预测。主要是对每台空压机下一时刻的运行参数以及空压机集群的中长期运行趋势进行预测，以此作为空压机变频调速运行调节的依据之一。其中，在预测空压机下一时刻的工作量时，可利用多元线性模型、多元非线性模型，神经网络模型等进行工作量的预测，具体的，预测过程以空压机当前时刻工作量、同时期的历史工作量、其他空压机当前时刻工作量、空压机当前运行以及历史预测值与实际值的偏差作为输入，以下一时刻空压机的工作量预测值作为最后输出。

2)云端数据存储。将接收的空压机端发送的数据，同时结合云端数据处理分类结果把数据存储起来，数据存储时按照正常数据、异常数据、故障数据三种类型进行存放，每种类型的数据中都包含上述采集数据所涉及的各种运行参数，各类型数据按照空压机支路分组，组内按照时间周期排列。

S3、基于所述异常数据和预测值在边侧进行故障预警和执行运行决策。

空压机运行过程中对运行决策的实时性要求较高，将决策过程放置在边端能更好的支持系统执行决策结果，也便于决策结果的记录与反馈，所述决策过程包括两部分，一方面是根据预警信号判断故障级别；另一方面，基于故障级别，结合空压机当前工作量与空压机工作量预测值的关系对设备调控给出决策建议。具体过程如下：

1)故障分级与报警的关系如下：

无警报信号：无异常数据，表示无异常设备，所有设备正常运行；

三级警报信号：此时异常检测所计算参数满足a<x≤b。表示存在一台或多台空压机发生运行异常，此时空压机工作能力受限，但仍能运行；

二级警报信号：此时异常检测所计算参数满足x>b。表示某台空压机出现运行故障，此时所述空压机几乎无法运行或已无法运行；

一级警报信号：此时多台空压机异常检测所计算参数均满足x>b。表示线路中有多台空压机出现运行故障，此时所述空压机几乎无法运行或已无法运行。

其中，x表示异常检测所计算参数；a，b为检测是否存在异常数据时的判断阈值，a，b的值可以根据空压机实际生产运行情况预先设定。

2)空压机设备运行决策。

2.1)首先根据警报级别做出反应，若无运行警报，则直接给出决策建议；若收到三级警报，则待决策建议为关停某空压机时，优先关停异常空压机，关停后进行设备检修；若收到二级警报，则建议立即关停故障空压机、启动备用机组，并进行设备检修；若收到一级警报，则建议立即关闭所有故障空压机、启动对应数量备用机组，并进行设备检修。在异常设备检修时，主要是接收云端数据处理的异常检测阶段发送的机组异常信号，迅速定位到有关机组并进行设备检查，根据运行数据定位到故障类型并将故障分级，系统发送故障机组编号、故障级别及故障类型，等待人工检修；若系统无法定位到故障类型，则仅根据运行数据将故障分级，系统发送故障机组编号和故障级别，等待人工检修。

2.2)然后基于空压机工作量当前值与空压机工作量预测值的对应关系，对设备调控给出决策建议，具体如下：

以X₁表示空压机当前工作量，X₂表示空压机工作量预测值，|X₁|-|X₂|表示当前值与预测值的差值，根据空压机类型及运行情况设置阈值m，其中，|X|表示向量X的模，具体调控过程如下：

若0＜|X₁|-|X₂|≤m，则建议变频空压机进行预减载操作；

若|X₁|-|X₂|＞m，则建议预关停某台空压机。具体地，预关停空压机的优先级从高到低分别是运行异常机组、备用机组和常用机组；

若-m＜|X₁|-|X₂|≤0，则建议变频空压机进行预加载操作；

若|X₁|-|X₂|≤-m，则建议预启动某台空压机。具体地，预启动空压机时，常用机组的优先级大于备用机组。

最后，整合预警反应与基于预测值的设备调控建议给出设备运行决策。例如，当前线路一所有常用机组满载运行，且线路一中设备n₁发生运行故障，而此时空压机当前工作量X₁与空压机工作量预测值X₂满足0＜|X₁|-|X₂|≤m，则最终的决策结果为“关停线路一设备n1、启动线路一设备n₁+1、对线路一设备1进行预减载”。

S4、基于强化学习的思想对运行决策执行结果进行记录和反馈以优化空压机的下一轮运行决策。

基于强化学习的思想，不断根据系统运行结果对下一次的运行决策建议进行优化。具体的，记录每次系统给出的运行决策执行结果，并对各时刻运行决策对应的运行决策执行结果进行记录。若系统给出的运行决策执行结果符合系统下一时刻的实际运行情况，则将该时刻系统的运行决策以及决策指令封装进奖励组，作为以后决策的参考。若系统给出的运行决策执行结果有悖于系统下一时刻的实际运行情况，则将该时刻系统的运行决策、系统决策指令以及系统指令与实际运行的偏差值封装进惩罚组，当系统再次出现与当前时刻类似的情况时，系统的运行决策会考虑惩罚组所封装的历史指令，新一轮的运行决策会在原结果的基础上朝上述偏差值作一定调整。

至此，则完成了本发明一种基于云边协同的空压机集群运行调节方法的全部过程。

实施例2：

第二方面，本发明还提供了一种基于云边协同的空压机集群运行调节系统，参见图2，该系统包括：

数据发送模块，用于将获取的空压机集群中所有空压机运行数据发送至云端；

异常检测和预测模块，用于在云端对所述空压机运行数据进行异常检测和数据预测处理以获取异常数据和预测值；

预警与运行决策模块，用于基于所述异常数据和预测值在边侧进行故障预警和执行运行决策；

运行结果记录与反馈模块，用于基于强化学习的思想对运行决策执行结果进行记录和反馈以优化空压机的下一轮运行决策。

可选的，所述系统还包括：数据获取与预处理模块，用于采集空压机集群中所有空压机运行数据，并对所述空压机运行数据进行预处理。

可选的，所述异常检测和预测模块，在云端对所述空压机运行数据进行异常检测和数据预测处理包括：利用多变量统计回归方法判断所述空压机运行数据是否存在异常；利用多元线性模型对所述空压机运行数据进行数据预测处理。

可选的，所述预警与运行决策模块基于所述异常数据和预测值在边侧进行故障预警和执行运行决策包括：

S31、基于所述异常数据在边侧进行故障预警；所述异常数据与故障预警的对应关系为：

无异常数据，则无警报信号；

若异常检测所计算参数满足a<x≤b，则发出三级警报信号；

若异常检测所计算参数满足x>b，则发出二级警报信号；

若多台空压机异常检测所计算参数均满足x>b，则发出一级警报信号；

其中，x表示异常检测所计算参数；a，b为检测是否存在异常数据时的判断阈值；

S32、基于所述预测值在边侧执行运行决策；所述预测值与运行决策的对应关系为：

若0＜|X₁|-|X₂|≤m，则变频空压机进行预减载操作；

若|X₁|-|X₂|＞m，则预关停某台空压机；

若-m＜|X₁|-|X₂|≤0，则变频空压机进行预加载操作；

若|X₁|-|X₂|≤-m，则预启动某台空压机；

其中，X₁表示空压机当前工作量；X₂表示空压机工作量预测值；|X₁|-|X₂|表示当前值与预测值的差值；m表示阈值；|X|表示向量X的模，

可选的，所述运行结果记录与反馈模块基于强化学习的思想对运行决策执行结果进行记录和反馈以优化空压机的下一轮运行决策包括：

S41、记录每次系统给出的运行决策和运行决策执行结果；

S42、若所述运行决策执行结果符合系统下一时刻实际的运行情况，则将该时刻系统运行决策以及决策指令封装进奖励组；若系统给出的运行决策执行结果有悖于系统下一时刻实际的运行情况，则将该时刻系统运行决策、决策指令以及指令与实际运行的偏差值封装进惩罚组；

S43、基于所述奖励组和惩罚组优化空压机的下一轮运行决策。

可理解的是，本发明实施例提供的基于云边协同的空压机集群运行调节系统与上述基于云边协同的空压机集群运行调节方法相对应，其有关内容的解释、举例、有益效果等部分可以参照基于云边协同的空压机集群运行调节方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明将获取的空压机集群中所有空压机运行数据发送至云端；并在云端对空压机运行数据进行异常检测和数据预测处理，然后基于异常检测数据和预测值进行故障预警和执行运行决策，最后利用强化学习的思想对运行决策执行结果进行记录和反馈以优化下一轮决策过程。本发明不仅节约了大量本地算力和存储空间，提高了调节效率，同时还提高了决策的可靠性和质量，使得空压机集群运行调节的自动化程度高，同时调节决策质量高。

2、本发明利用云边协同技术，可以节约大量本地算力，将数据异常检测与预测、数据的存储操作都放在云端，节约本地存储空间，提高了空压机运行调节的效率；

3、本发明基于预测值与历史结果获取的决策，可靠性更高；同时，基于强化学习方法不断地记录和反馈运行结果，强化正确决策，弱化错误决策，可以持续提高系统的决策质量。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。