1802077****
更新时间: 2023-05-31
工业物联网(IIoT)的增长不仅使大多数生产过程实现自动化，而且使他们节俭。通过收集有关温度，湿度，照明使用和设施活动水平的历史数据，可以预测能耗。那时机器学习和人工智能承担了大部分实施任务。 利用机器学习进行能源消耗管理的想法是检测模式和趋势。通过处理过去消耗能源的历史数据，机器学习模型可以预测未来的能源消耗。
预测能耗的**常见机器学习方法是基于顺序数据测量。为了做到这一点，数据科学家使用自回归模型和深度神经网络。
自回归模型非常适合定义趋势，周期性，不规律性和季节性。但是，仅应用一种基于自回归的方法并不总是足够的。为了提高预测准确性，数据科学家使用了几种方法。**常见的补充方法是要素工程，该工程有助于将原始数据转换为要素，从而为预测算法**任务。
深度神经网络非常适合处理大型数据集和快速找到模式。可以对它们进行培训，以从输入数据中自动提取特征，而无需进行特征工程。
为了使用内部存储器存储以前输入的数据的信息，数据科学家利用递归神经网络(RNN)，它擅长跨越较长序列的模式。具有循环的RNN可以读取输入数据，并同时跨神经元传输数据。这有助于理解时间依赖性，定义过去观察中的模式，并将它们链接到将来的预测。此外，RNN可以动态学习定义哪些输入信息有价值，并在必要时快速更改上下文。
因此，通过利用机器学习和人工智能，制造商可以估算能源账单，了解能源的消耗方式，并使优化过程更加由数据驱动。
