CN118896366A - 用电设备设定方法及电子装置 - Google Patents

Abstract

本发明公开一种用电设备设定方法及电子装置。所述方法包括下列步骤。获取多个用电设备的设备运作信息。根据多个用电设备的设备运作信息，建立各个用电设备的设备用电预测模型。各个用电设备的设备用电预测模型的多个输入特征变量包括各个用电设备的可调设定参数。将可调设定参数设置为多个设定值，并利用各个用电设备的设备用电预测模型来获取分别对应于多个设定值的多个设备能效。通过比较各个用电设备的多个设备能效，决定可调设定参数的决策参数值。根据决策参数值控制多个用电设备。

Description

用电设备设定方法及电子装置

技术领域

本发明涉及一种节能方法，且特别是涉及一种用电设备设定方法及电子装置。

背景技术

随着温室气体减量与节能减碳的环保议题日趋重要，节能成为当今重点发展项目之一。若能有效找到浪费电的原因并给予合适的节能方式，不只对环保有所贡献，也对于工厂成本与获利有很大的助益。

用电设备都需要电力来维持运作。能效低下的用电设备需要耗费更多电力来达到运作目标，甚至是无法正常运作，进而导致电力的浪费。一般来说，工厂内具有多台用电设备，但生产过程中并非需要开启所有用电设备。由于每一台用电设备的能效与设备状态都不同，因此设备管理人员选择使用那一台用电设备将会直接影响电力成本与生产效率。可知的，用电设备的设备参数的设定也会直接影响电力成本与生产效率。目前需要专业设备人员凭借长期累积的个人主观经验来尝试通过调整用电设备的设备参数来达到节能目的。然而，设备人员往往不容易得知该如何设定工作场域中多台用电设备的设备参数来符合制造需求又尽量节省用电。

发明内容

有鉴于此，本发明提供一种用电设备设定方法及电子装置，其可解决上述技术问题。

本发明实施例提供一种用电设备设定方法，其包括下列步骤。获取多个用电设备的设备运作信息。根据多个用电设备的设备运作信息，建立各个用电设备的设备用电预测模型。各个用电设备的设备用电预测模型的多个输入特征变量包括各个用电设备的可调设定参数。将可调设定参数设置为多个设定值，并利用各个用电设备的设备用电预测模型来获取分别对应于多个设定值的多个设备能效。通过比较各个用电设备的多个设备能效，决定可调设定参数的决策参数值。根据决策参数值控制多个用电设备。

本发明实施例提供一种电子装置，其包括存储装置及处理器。存储装置存储多个指令。处理器耦接存储装置，存取指令而经配置以执行下列操作。获取多个用电设备的设备运作信息。根据多个用电设备的设备运作信息，建立各个用电设备的设备用电预测模型。各个用电设备的设备用电预测模型的多个输入特征变量包括各个用电设备的可调设定参数。将可调设定参数设置为多个设定值，并利用各个用电设备的设备用电预测模型来获取分别对应于多个设定值的多个设备能效。通过比较各个用电设备的多个设备能效，决定可调设定参数的决策参数值。根据决策参数值控制多个用电设备。

基于上述，在本发明实施例中，各个用电设备的设备用电预测模型可根据各个用电设备的设备运作信息建立，并可用于预测各个用电设备的预测用电量。通过将设置为多个设定值的可调设定参数设置输入至用电预测模型，可获取分别对应于多个设定值的多个设备能效。可调设定参数的决策参数值可通过比较各个用电设备的多个设备能效来决定。于是，根据可调设定参数的决策参数值来控制这些用电设备，可以达到有效节约用电与提升能源使用效率的目标。

附图说明

图1是本发明一实施例绘示的电子装置的示意图；

图2是本发明一实施例绘示的用电设备设定方法的流程图；

图3是本发明一实施例绘示的建立设备用电预测模型的流程图；

图4是本发明一实施例绘示的获取设备能效的流程图；

图5是本发明一实施例绘示的决定决策参数值的流程图；

图6是本发明一实施例绘示的决定决策参数值的示意图；

图7是本发明一实施例绘示的控制多个用电设备的流程图；

图8是本发明一实施例绘示的产生用电效益评估信息的流程图；

图9是本发明一实施例绘示的空调设备的示意图；

图10是本发明一实施例绘示的决定决策参数值的示意图。

符号说明

100:电子装置

110:显示器

120:存储装置

130:处理器

L1:第一函数线段

L2:第二函数线段

P1:交点

91:冰水主机

92:冷却水塔

93:送风机

911:蒸发器

912:冷凝器

913:冷媒管线

S210～S250,S221～S222,S231～S233,S241～S243,S251～S256:步骤

具体实施方式

本发明的部分实施例接下来将会配合附图来详细描述，以下的描述所引用的元件符号，当不同附图出现相同的元件符号将视为相同或相似的元件。这些实施例只是本发明的一部分，并未揭示所有本发明的可实施方式。更确切的说，这些实施例只是本发明的专利申请范围中的装置与方法的范例。

请参照图1，其是依据本发明的一实施例绘示的电子装置示意图。在不同的实施例中，电子装置100例如是具有运算能力的笔记型电脑、桌上型电脑、服务器、工作站等计算机装置，但可不限于此。电子装置100可包括显示器110、存储装置120，以及处理器130。

显示器110例如是内置于电子装置100的液晶显示器(Liquid Crystal Display，LCD)、发光二极管(Light Emitting Diode，LED)显示器、有机发光二极管(Organic LightEmitting Diode，OLED)等各类型的显示器，但可不限于此。在其他实施例中，显示器110也可以是外接于电子装置100的任何显示装置。

存储装置120例如是任意型式的固定式或可移动式随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存存储器(Flash memory)、硬盘或其他类似装置或这些装置的组合，而可用以记录多个指令、程序代码或软件模块。

处理器130例如是中央处理单元(central processing unit，CPU)、应用处理器(application processor，AP)，或是其他可编程的一般用途或特殊用途的微处理器(microprocessor)、数字信号处理器(digital signal processor，DSP)、图形处理器(graphics processing unit，GPU)或其他类似装置、集成电路及其组合。处理器130可存取并执行记录在存储装置120中的软件模块，以实现本发明实施例中的用电设备设定方法。上述软件模块可广泛地解释为意谓指令、指令集、代码、程序代码、程序、应用程序、软件套件、线程、功能等，而不管其是被称作软件、固件、中间软件、微码、硬件描述语言亦或其他者。

图2是依据本发明一实施例绘示的用电设备设定方法的流程图。请参图1与图2，本实施例的方式适用于上述实施例中的电子装置100，以下即搭配电子装置100中的各项元件说明本实施例的用电设备设定方法的详细步骤。

在步骤S210，处理器130获取多个用电设备的设备运作信息。于此，多个用电设备为设置于某一场域内具有相同功能的设备，但这些用电设备的规格与型号可相同或不同。上述场域例如是工厂、卖场、百货公司或室内健身房等等。这些用电设备可为多台空调设备。或者，这些用电设备可为多台空压设备。用电设备的设备运作信息可包括用电数据、设备状态数据或设备产出数据等等。用电设备的设备运作信息可由用电设备的传感器或测量仪器进行感测而获得，上述传感器或测量仪器可包括电表、温度计、压力计等等，本发明对此不限制。

从另一观点来看，电子装置100可直接或间接地连接至这些用电设备或测量仪器，以接收这些用电设备提供的设备运作信息。或者，电子装置100可通过输入装置(例如键盘或滑鼠等等)接收到操作人员所输入的设备运作信息。又或者，电子装置100可自其他控制设备或数据服务器接收这些用电设备的设备运作信息。

在一些实施例中，这些用电设备包括多台空调设备，则这些空调设备的设备运作信息可包括单位时段用电量、单位时间制冷量、单位时间冷凝器压力、单位时间冷却水回水温度，以及单位时间冷却水供水温度等等。

在一些实施例中，这些用电设备包括多台空压设备，则这些空调设备的设备运作信息可包括单位时段用电量、单位时段排气压力、单位时间排气量，以及单位时间排气压温度等等。

在步骤S220，处理器130根据多个用电设备的设备运作信息，建立各个用电设备的设备用电预测模型。具体来说，处理器130可根据各个用电设备的设备运作信息来建立各个用电设备的设备用电预测模型，基于机器学习演算法训练完成的设备用电预测模型的模型参数可记录于存储装置120中。换言之，处理器130可依据过去一段时间的设备运作信息(也可称为历史设备运作信息)作为训练数据集进行机器学习，来创建用以根据输入特征变量预测出各个用电设备于一单位时段的预测用电量。

在一些实施例中，各个用电设备的设备用电预测模型可为线性回归模型。处理器130可利用训练数据集以最小平方法估算线性回归模型中各特征变量的权重，作为训练用电预测模型的训练产物。如此一来，处理器130可利用线性回归模型的多个权重与输入特征变量来预估单位时间用电量。需特别说明的是，各个用电设备的设备用电预测模型的多个输入特征变量包括各个用电设备的可调设定参数。举例来说，各空调设备的可调设定参数可以是冷却水回水温度或冷冻水供水温度。或者，各空压设备的可调设定参数可以是排气压力。换言之，各个用电设备的可调设定参数与其他输入特征变量将被输入至对应的设备用电预测模型，以使设备用电预测模型可对应输出各个用电设备的预测用电量。于此，各个用电设备的可调设定参数为一个可由设备人员或电子装置100自动调整的设备参数。

在一些实施例中，处理器130可根据环境参数来对应调整各个用电设备的可调设定参数。举例来说，上述环境参数可以是环境温度，而可调设定参数可以是冷却水回水温度。处理器130可根据环境温度进行查表来调整对应的冷却水回水温度。或者，处理器130可将环境温度输入至预设函数来调整对应的冷却水回水温度。又或者，处理器130可根据环境温度与预设基准温度之间的温差来调整冷却水回水温度。

请参照图3，其是依据本发明一实施例绘示的建立设备用电预测模型的流程图。在一些实施例，步骤S220可实施为步骤S221～步骤S222。需说明的是，各个用电设备的设备用电预测模型的建立方式相似，以下将以用电设备中的第一用电设备进行说明。

在步骤S221，处理器130可根据第一用电设备的设备运作信息，产生多个先前单位时段的多个输入特征变量。详细来说，根据第一用电设备于多个先前单位时段的设备运作信息，处理器130可获取对应于多个先前单位时段且关联于第一用电设备的多个输入特征变量。先前单位时段的时间长度可以是一周、一日、半日或一小时等等，本发明对此不限制。也就是说，多个先前单位时段的多个输入特征变量是根据用电设备实际运作而产生的模型训练数据。举例来说，根据某一先前单位时段(例如前一小时)内冷冻水供水温度与冷冻水回水温度之间的温差，处理器130可产生第一用电设备于该先前单位时段的单位时间制冷量。依据相同操作方式，处理器130可产生第一用电设备于多个先前单位时段(例如前三小时、前二小时、前一小时)内的单位时间制冷量。于此例中，多个输入特征变量包括第一用电设备于多个先前单位时段内的制冷量。

在一些实施例中，第一用电设备为空调设备，则第一用电设备于多个先前单位时段的多个输入特征变量可包括单位时间制冷量、单位时间冷凝器压力、单位时间冷却水回水温度，以及单位时间冷却水供水温度等等。

在一些实施例中，第一用电设备为空压设备，则第一用电设备于多个先前单位时段的多个输入特征变量可包括单位时间排气量、单位时间排气压力，以及单位时间排气温度等等。

在步骤S222，处理器130利用多个输入特征变量以及第一用电设备于多个先前单位时段的多个实际用电量，基于机器学习演算法训练第一用电设备的设备用电预测模型。详细来说，在模型训练过程中，用于训练设备用电预测模型的实际值(ground truth)为先前单位时段的实际用电量。举例来说，处理器130会将某一先前单位时段(例如4月25日17:00～18:00)的输入特征变量输入至训练中的模型，并将第一用电设备于同一先前单位时段(即，4月25日17:00～18:00)的实际用电量为模型训练所需的实际值(ground truth)。

用于训练设备用电预测模型的机器学习演算法可包含但不限于随机森林(RandomForest)演算法、线性回归(Linear Regression)演算法，或支持向量机(support vectormachine，SVM)演算法。然而，本发明对于用于训练设备用电预测模型的机器学习演算法并不限制，其可视实际应用而设置。

举例来说，假设用于训练设备用电预测模型的机器学习演算法为线性回归演算法，处理器130可以获取线性回归模型的多个系数与常数项以建立设备用电预测模型。也就说，处理器130可以取得各个输入特征变量对第一用电设备的耗电的影响程度。像是，处理器130可获取如表1所示的模型参数(即，线性回归模型中各个输入特征变量所对应的系数)与线性回归模型的常数项「295」。

表1

之后，在步骤S230，处理器130将可调设定参数设置为多个设定值，并利用各个用电设备的设备用电预测模型来获取对应至各个设定值的多个设备能效。各用电设备的这些设备能效可代表将可调设定参数分别设置为这些设定值的条件下单位用电量可达成的设备运作效率。

详细来说，在建立各个用电设备的设备用电预测模型之后，处理器130可将设置为多个设定值的可调设定参数分别输入至设备用电预测模型而进行多次用电量预测，以获取分别对应至多个设定值的预测用电量。之后，处理器130可根据分别对应至多个设定值的多个预测用电量与对应至多个设定值的产出统计量来计算出对应至各个设定值的多个设备能效。具体来说，处理器130可根据对应至某一设定值的一笔产出统计量与对应至该设定值的一笔预测用电量的比值获取对应至该设定值的设备能效。

请参照图4，其是依据本发明一实施例绘示的获取设备能效的流程图。在一些实施例，步骤S230可实施为步骤S231～步骤S233。需说明的是，产生各个用电设备的多个设备能效的方式相似，以下将以用电设备中的第一用电设备进行说明。

在步骤S231，处理器130对第一用电设备于多个先前单位时段的多个产出量进行统计运算，以获取第一用电设备的多个产出统计量。于此，多个产出统计量分别应至多个设定值且包括第一产出统计量。第一产出统计量对应至这些设定值中的第一设定值。

在一些实施例中，若多个用电设备为多个空调设备，则多个产出量包括多个制冷量(即，单位时段制冷量)。或者，在一些实施例中，若多个用电设备为多个空压设备，则多个产出量包括多个排气量(即，单位时段排气量)。

在一些实施例中，处理器130可根据第一设定值获取对应至第一设定值的多个第一产出量。在可调设定参数设置为第一设定值的条件下，处理器130可自第一用电设备的历史设备运作信息获取对应至第一设定值的多个第一产出量。举例而言，处理器130可根据第一用电设备于近期几个月内的历史设备运作信息撷取出对应至第一设定值的多个第一产出量，其中这些第一产出量为单位时间产出量。接着，处理器130可对多个第一产出量的进行统计运算，以获取第一用电设备的第一产出统计量。上述统计运算例如是平均运算或众数运算。也就是说，处理器130可计算多笔第一产出量的平均值或众数以获取对应至第一设定值的第一产出统计量。

在一些实施例中，以可调设定参数为冷却水回水温度为例，冷却水回水温度可被分别设定为多个温度设定值，例如20度、22度、25度等等。在冷却水回水温度设定为25度的情况下，处理器130可自历史设备运作信息中撷取出对应至25度的多个单位时间制冷量，其为先前单位时段内冷却水回水温度设定为25度时的制冷量。

举例来说，在冷却水回水温度设定为25度的情况下，处理器130可自第一用电设备的历史设备运作信息获取如表2所示的多笔制冷量与多笔冷凝器压力。在表2的范例中，处理器130例如可获取符合冷却水回水温度设定为25度的100笔笔制冷量与100笔冷凝器压力。根据表2为例，空调设备(即第一用电设备)于过去A月B日9点到10点(即某一先单位时段)的冷却水回水温度设定为25度，且此空调设备于A月B日9点到10点的单位时段制冷量与冷凝器压力分别为「3600」与「5」。

编号	单位时段制冷量	冷凝器压力
			1	3600	5
2	3540	6
			…	…	…
100	3550	4

表2

接着，处理器130可对这100笔的单位时段制冷量进行平均运算而获取第一平均值(即第一产出统计量)例如为「2106」，并对这100笔的冷凝器压力进行平均运算而获取第二平均值例如为「5」。

在一些实施例中，以可调设定参数为排气压力为例，排气压力可被分别设定为多个压力设定值，例如6bar、7bar、8bar等等。在排气压力设定为6bar的情况下，处理器130可自历史设备运作信息中撷取出对应至6bar的多个单位时间排气量，其为先前单位时段内排气压力设定为6bar时的排气量。

在步骤S232，处理器130利用第一用电设备的设备用电预测模型，来估测第一用电设备的多个预测用电量。于此，多个预测用电量分别应至多个设定值且包括第一预测用电量。第一预测用电量对应至这些设定值中的第一设定值。在一些实施例中，处理器130将第一产出统计量与设定为第一设定值的可调设定参数输入至设备用电预测模型，以获取对应至第一设定值的第一预测用电量。

以表1与表2的范例继续说明，在冷却水回水温度设定为25度(即第一设定值)的情况下，处理器130可将100笔单位时段制冷量的第一平均值「2106」、100笔冷凝器压力的第二平均值「5」，以及设定为25度的冷却水回水温度输入至表1所示的线性回归模型，进而获取对应至25度的第一预测用电量。更具体来说，基于表1与表2的范例，处理器130例如可估测第一用电设备的第一预测用电量为295+0.015×2106+0.15×5-0.27×25-0.02×30＝320度。其中，冷却水供水温度「30度」是根据冷却水回水温度而决定。

同理，处理器130可依据相同方式而获取对应至其他温度设定值(例如20度、22度与27度等等)的预测用电量与产出统计量。举例来说，针对第一用电设备，处理器130可产生如下表3所示的对应至多个温度设定值的多笔产出统计量与预测用电量。

冷却水回水温度	制冷量	预测用电量
			20	2107	312
22	2107	327
			25	2106	320
27	2108	324
			28	2108	330
30	2109	350
			32	2108	374

表3

根据表3范例可知，随着冷却水回水温度的上升，空调设备的预测用电量也会随之上升。此外，在一些实施例中，当用电设备为空压设备且可调设定参数为排气压力，处理器130可产生对应至多个压力设定值的多笔排气量与预测用电量。

之后，在步骤S233，处理器130根据第一产出统计量与第一预测用电量之间的比值，决定第一用电设备的多个设备能效其中一者。通过将第一产出统计量除以第一预测用电量，处理器130可获取第一用电设备的多个设备能效其中一者。例如，处理器130可将第一产出统计量「2106」除以第一预测用电量「320」而计算出对应于25度的设备效能为「6.58」。此外，于一些实施例中，当用电设备为空压设备且可调设定参数为排气压力，处理器130可将多笔排气量的平均值分别除以对应的预测用电量来获取多笔设备效能。

请再次回到图2，基于步骤S230的执行，处理器130可针对各个用电设备产生对应于不同设定值的多个设备能效。举例来，在冷却水回水温度设定为多个设定值的情况下，处理器130可针对第一用电设备与第二用电设备获取对应于不同设定值的预估用电量与设备能效，其如下表4所示。第一用电设备例如是包括定频冰水主机的空调设备，而第二用电设备例如是包括变频冰水主机的空调设备。

表4

之后，在步骤S240，处理器130通过比较各个用电设备的多个设备能效，决定可调设定参数的决策参数值。详细来说，处理器130可根据各个用电设备的多个设备能效来产生多个用电设备的多个函数线段。根据这些函数线段的交点，处理器130可获取可调设定参数的一或多个决策参数值。此决策参数值的单位相同于可调设定参数的单位。举例而言，假设可调设定参数为冷却水回水温度，则决策参数值也为一个温度值。假设可调设定参数为排气压力，则决策参数值也为一个压力值。

请参照图5，其是依据本发明一实施例绘示的决定决策参数值的流程图。在一些实施例，步骤S240可实施为步骤S241～步骤S243。需说明的是，以下将以第一用电设备与第二用电设备为例进行说明，但本发明对于用电设备的数目并不限制。为了方便说明，请一并参照图5与图6，其是依据本发明一实施例绘示的决定决策参数值的示意图。

在步骤S241，处理器130可根据第一用电设备的多个设备能效与对应的设定值建立第一函数线段L1。在步骤S242，处理器130可根据第二用电设备的多个设备能效与对应的设定值建立第二函数线段L2。举例来说，图6是以表4的数据为范例。在冷却水回水温度为27度到32度的条件下，处理器130可根据第一用电设备的多个设备能效产生第一函数线段L1，并根据第二用电设备的多个设备能效产生第二函数线段L2。

在步骤S243，处理器130可根据第一函数线段L1与第二函数线段L2的交点P1决定可调设定参数的决策参数值。在图6的范例中，第一函数线段L1与第二函数线段L2的交点P1所对应的决策参数值可例如为29.2度。参照图6可知，冷却水回水温度小于决策参数值「29.2度」时，开启第二用电设备较佳。反之，冷却水回水温度大于决策参数值「29.2度」时，开启第一用电设备较佳。由此可见，对应于冷却水回水温度的决策参数值「29.2度」可作为决定开启第一用电设备或第二用电设备的决策基准值。

在步骤S250，处理器130根据决策参数值控制多个用电设备。具体来说，当设备人员基于环境因素或其他种种因素决定可调设定参数的目标设定值之后，处理器130可比较目标设定值与决策参数值以决定使用某一用电设备并停用其他用电设备。也就是说，当确定可调设定参数的目标设定值之后，处理器130可得知在将可调设定参数设置为目标设定值的情况下，那一台用电设备可以具有较高的设备能效。此外，处理器130还可根据决策参数值对已经施行的设备设定方式进行效益评估。

请参照图7，其是依据本发明一实施例绘示的控制多个用电设备的流程图。在一些实施例，步骤S250可实施为步骤S251～步骤S252。需说明的是，以下将以第一用电设备与第二用电设备为例进行说明，但本发明对于用电设备的数目并不限制。

在步骤S251，处理器130获取可调设定参数的目标设定值。需说明的是，对于各个用电设备来说，可调整设定参数的可调整范围可相同或不同。假设可调整设定参数为空调设备的冷却水回水温度或冷冻水供水温度，则可调整设定参数的可调整范围也可能受到环境温度的影响。举例来说，在单一时间内，冷却回水温度不得低于20度也不得高于32度，超出此可调整范围会对于水主机的冷热交换效率有不良影响。因此，20度与32度可作为设置目标设定值的限制阈值，亦即设备人员可将目标设定值设定于20度至32度之间。

在步骤S252，处理器130根据决策参数值与目标设定值，启动第一用电设备并关闭第二用电设备。具体来说，在决定目标设定值之后，处理器130可判断目标设定值是否大于决策参数值。如图6所示范例，反应于目标设定值大于决策参数值「29.2度」，处理器130可启动第一用电设备并关闭第二用电设备。反之，反应于目标设定值小于决策参数值「29.2度」，处理器130可关闭第一用电设备并启动第二用电设备。也就是说，当目标设定值大于决策参数值，第一用电设备可被启动且其可调设定参数会被设置为目标设定值，与此同时，第二用电设备可被关闭。如此一来，通过选择设备能效较佳的第一用电设备来运作，可达到节能与提高能源使用效率的目的。

在一些实施例中，处理器130可利用基于有线或无线传输标准的收发器来发送控制信号至这些用电设备来开启或关闭这些用电设备。这些用电设备将反应于控制信号而关闭或开启。此外，在一些实施例中，处理器130可根据决策参数值与目标设定值来决定各个用电设备的使用顺序。

请参照图8，其是依据本发明一实施例绘示的产生用电效益评估信息的流程图。在一些实施例，步骤S250可实施为步骤S253～步骤S256。

在一些实施例中，处理器130获取多个先前单位时段的实际设备设定方式，并对取多个先前单位时段的设备设定方式进行检视而产生用电效益评估信息。

在步骤S253，处理器130根据决策参数值针对一评估时段自多个用电设备挑选推荐用电设备。此评估时段可包括一或多个先前单位时段。详细来说，在各个先前单位时段中可调设定参数所应用的实际设定值已经确定的情况下，处理器130可比较评估时段实际所应用的实际设定值与决策参数值，并决定评估时段的推荐用电设备。以图6所决定决策参数值「29.2度」为例，评估时段内第一用电设备的实际运作数据可如表5所示，而各个评估时段对应的推荐用电设备可如表6所示。

表5

表6

参照表5可知，第一用电设备于4个评估时段被实际开启来降低环境温度。然而，由于评估时段「15：00～16:00」、「16：00～17:00」、「17：00～18:00」所应用的目标设定值分别为「29.0」、「29.0」、「28.5」，因此在决策参数值「29.2度」的情况下，评估时段「15：00～16:00」、「16：00～17:00」、「17：00～18:00」所对应的推荐用电设备是第二用电设备。

在步骤S254，处理器130利用设备用电预测模型产生推荐用电设备于评估时段内的预测用电量。通过利用推荐用电设备的设备用电预测模型，处理器130可获取评估时段内的预测用电量。举例来说，根据表6的范例，处理器130可获取推荐用电设备(即第二用电设备)于这些评估时段内的预测用电量，其如表7所示。需说明的是，处理器130可根据对应至可调设定参数所应用的实际设定值与推荐用电设备的历史运作信息，来预估推荐用电设备于这些评估时段内的预测用电量。

表7

在步骤S255，处理器130根据第一用电设备于评估时段内的实际用电量与推荐用电设备于评估时段内的预测用电量，产生用电效益评估信息。举例来说，处理器130可获取如表7或表8所示的用电效益评估信息。

表8

此外，在一些实施例中，处理器130还可根据第一用电设备于评估时段内的实际用电量与推荐用电设备于评估时段内的预测用电量计算用电效益评估信息中的用电差距与成本节省效益。以表8为例，用电差距可为(348-329)+(346-330)+(343-325)＝53度。对于单一单位时段来说，可节省约2％的用电量。在一些实施例中，处理器130还可根据用电差距与单位电费来计算出成本节省效益，成本节省效益可例如为成本节省金额。

在步骤S256，处理器130通过显示器110显示用电效益评估信息。也就是说，处理器130可通过显示器110提供用电效益评估信息，让设备管理人员可以根据用电效益评估信息来调整用电设备的设定方式，以减少能源的浪费。举例来说，显示器110可将显示用电效益评估信息于一操作界面上，以供设备人员参考。

图9是依据本发明一实施例绘示的空调设备的示意图。请参照图9，空调设备可包括冰水主机91、送风机93、与冷却水塔92。冰水主机91可包括蒸发器911、冷凝器912与冷媒管线913。蒸发器911将冷冻水FW1供应至送风机93，并自送风机93接收冷冻水FW2。蒸发器911可通过冷媒来将冷冻水FW2降温为冷冻水FW1。冷冻水FW1的冷冻水供水温度可为空调设备的一可调设定参数。冷凝器912将冷却水CW1供应至冷却水塔92，并自冷却水塔92接收冷却水CW2。冷凝器912可使用来自冷却水塔92的冷却水CW2降温冷媒而产生较高温的冷却水CW1。冷却水CW2的冷却水回水温度可为空调设备的一可调设定参数。

此外，在一些实施例中，空调设备的制冷量可根据下列公式(1)产生。公式(1)：制冷量＝冷冻水的温差×流量×水的比热。上述冷冻水的温差即冷冻水FW1与冷冻水FW2之间的温差。

图10是依据本发明一实施例绘示的决定决策参数值的示意图。请参照图10，在本实施例示范中，处理器130可根据3个用电设备的函数线段决定两个决策参数值，其分别为「29.2度」与「28.5度」。于是，处理器130可根据这两个决策参数值与可调设定参数的目标设定值来决定开起三台用电设备其中一者，并可根据这两个决策参数值来产生用电效益评估信息。在图10的范例中，在根据环境温度决定目标设定值之后，若处理器130判断目标设定值小于「28.5度」，处理器130将开启「2#设备」。若处理器130判断目标设定值大于「28.5度」且小于「29.2度」，处理器130将开启「3#设备」。若处理器130判断目标设定值大于「29.2度」，处理器130将开启「3#设备」。也就是说，反应于环境温度的变化，当目标设定值自小于「28.5度」变换为大于「29.2度」，则处理器130可自开启「2#设备」切换为开启「3#设备」。

以至少一个处理器执行的用电设备设定方法的处理程序并不限于上述实施形态之例。举例而言，可省略上述步骤(处理)的一部分，也可以其他顺序执行各步骤。又，可组合上述步骤中的任两个以上的步骤，也可修正或删除步骤的一部分。或者，也可除了上述各步骤外还执行其他步骤。

综上所述，在本发明实施例中，可根据多个用电设备的设备运作信息来建立设备用电预测模型。在将可调设定参数分别设置于多个设定值的情况下，可利用各个用电设备的设备用电预测模型来产生对应至各个设定值的设备能效。多个用电设备的多个设备能效可用来决定关联于可调设定参数的决策参数值，而此决策参数值可以决定这些用电设备的设定方式。由于本发明实施例可基于决策参数值推荐使用设备能效较高的用电设备，因此可在符合生产环境需求的条件下有效节省电力并提升能源使用率。

虽然结合以上实施例公开了本发明，然而其并非用以限定本发明，任何所属技术领域中普通技术人员，在不脱离本发明的精神和范围内，可作些许的更动与润饰，故本发明的保护范围应当以所附的权利要求所界定的为准。

Claims (20)

1.一种用电设备设定方法，包括：

获取多个用电设备的设备运作信息；

根据所述多个用电设备的设备运作信息，建立各所述多个用电设备的设备用电预测模型，其中各所述多个用电设备的所述设备用电预测模型的多个输入特征变量包括各所述多个用电设备的可调设定参数；

将所述可调设定参数设置为多个设定值，并利用各所述多个用电设备的所述设备用电预测模型来获取分别对应于所述多个设定值的多个设备能效；

通过比较各所述多个用电设备的所述多个设备能效，决定所述可调设定参数的决策参数值；以及

根据所述决策参数值控制所述多个用电设备。

2.如权利要求1所述的用电设备设定方法，其中所述多个用电设备包括第一用电设备，且将所述可调设定参数设置为所述多个设定值，并利用各所述多个用电设备的所述设备用电预测模型来获取分别对应至所述多个设定值的所述多个设备能效的步骤包括：

对所述第一用电设备于多个先前单位时段的多个产出量进行统计运算，以获取所述第一用电设备的多个产出统计量，其中所述多个产出统计量分别应至所述多个设定值且包括第一产出统计量；

利用所述第一用电设备的所述设备用电预测模型，来估测所述第一用电设备的多个预测用电量，其中所述多个预测用电量分别应至所述多个设定值且包括第一预测用电量；以及

根据所述第一产出统计量与所述第一预测用电量之间的比值，决定所述第一用电设备的所述多个设备能效其中一者，其中所述第一产出统计量与所述第一预测用电量对应至所述设定值中的第一设定值。

3.如权利要求2所述的用电设备设定方法，其中对所述第一用电设备于所述多个先前单位时段的所述多个产出量进行统计运算，以获取所述第一用电设备的所述多个产出统计量的步骤包括：

根据所述第一设定值获取对应至所述第一设定值的多个第一产出量；以及

对所述多个第一产出量的进行统计运算，以获取所述第一用电设备的所述第一产出统计量。

4.如权利要求2所述的用电设备设定方法，其中利用所述第一用电设备的所述设备用电预测模型，来估测所述第一用电设备的所述多个预测用电量的步骤包括：

将所述第一产出统计量与设定为所述第一设定值的所述可调设定参数输入至所述设备用电预测模型，以获取对应至所述第一设定值的所述第一预测用电量。

5.如权利要求2所述的用电设备设定方法，其中所述多个用电设备包括多个空调设备，且所述多个产出量包括多个制冷量。

6.如权利要求2所述的用电设备设定方法，其中所述多个用电设备包括多个空压设备，且所述多个产出量包括多个排气量。

7.如权利要求1所述的用电设备设定方法，其中所述多个用电设备包括第一用电设备与第二用电设备，且通过比较各所述多个用电设备的所述多个设备能效，决定所述可调设定参数的所述决策参数值的步骤包括：

根据所述第一用电设备的所述多个设备能效与对应的所述设定值建立第一函数线段；

根据所述第二用电设备的所述多个设备能效与对应的所述设定值建立第二函数线段；以及

根据所述第一函数线段与所述第二函数线段的交点决定所述可调设定参数的所述决策参数值。

8.如权利要求1所述的用电设备设定方法，其中所述多个用电设备包括第一用电设备与第二用电设备，且根据所述决策参数值控制所述多个用电设备的步骤包括：

获取所述可调设定参数的目标设定值；以及

根据所述决策参数值与所述目标设定值，启动所述第一用电设备并关闭所述第二用电设备。

9.如权利要求1所述的用电设备设定方法，其中所述多个用电设备包括第一用电设备，且根据所述决策参数值控制所述多个用电设备的步骤包括：

根据所述决策参数值针对评估时段自所述多个用电设备挑选推荐用电设备；

利用所述设备用电预测模型产生所述推荐用电设备于评估时段内的预测用电量；以及

根据所述第一用电设备于所述评估时段内的实际用电量与所述推荐用电设备于所述评估时段内的预测用电量，产生用电效益评估信息。

10.如权利要求1所述的用电设备设定方法，其中所述多个用电设备包括第一用电设备，根据所述多个用电设备的设备运作信息，建立各所述多个用电设备的所述设备用电预测模型的步骤包括：

根据所述第一用电设备的设备运作信息，产生多个先前单位时段的所述多个输入特征变量；以及

利用所述多个输入特征变量以及所述第一用电设备于所述多个先前单位时段的多个实际用电量，基于机器学习演算法训练所述第一用电设备的所述设备用电预测模型。

11.一种电子装置，包括：

存储装置，存储多个指令；

处理器，其耦接所述存储装置，并存取所述指令而执行：

获取多个用电设备的设备运作信息；

根据所述多个用电设备的设备运作信息，建立各所述多个用电设备的设备用电预测模型，其中各所述多个用电设备的所述设备用电预测模型的多个输入特征变量包括各所述多个用电设备的可调设定参数；

将所述可调设定参数设置为多个设定值，并利用各所述多个用电设备的所述设备用电预测模型来获取分别对应至所述多个设定值的多个设备能效；

通过比较各所述多个用电设备的所述多个设备能效，决定所述可调设定参数的决策参数值；以及

根据所述决策参数值控制所述多个用电设备。

12.如权利要求11所述的电子装置，其中所述多个用电设备包括第一用电设备，且所述处理器还执行：

对所述第一用电设备于多个先前单位时段的多个产出量进行统计运算，以获取所述第一用电设备的多个产出统计量，其中所述多个产出统计量分别应至所述多个设定值且包括第一产出统计量；

利用所述第一用电设备的所述设备用电预测模型，来估测所述第一用电设备的多个预测用电量，其中所述多个预测用电量分别应至所述多个设定值且包括第一预测用电量；以及

根据所述第一产出统计量与所述第一预测用电量之间的比值，决定所述第一用电设备的所述多个设备能效其中一者，其中所述第一产出统计量与所述第一预测用电量对应至所述设定值中的第一设定值。

13.如权利要求12所述的电子装置，其中所述处理器还执行：

根据所述第一设定值获取对应至所述第一设定值的多个第一产出量；以及

对所述多个第一产出量的进行统计运算，以获取所述第一用电设备的所述第一产出统计量。

14.如权利要求12所述的电子装置，其中所述处理器还执行：

将所述第一产出统计量与设定为所述第一设定值的所述可调设定参数输入至所述设备用电预测模型，以获取对应至所述第一设定值的所述第一预测用电量。

15.如权利要求12所述的电子装置，其中所述多个用电设备包括多个空调设备，且所述多个产出量包括多个制冷量。

16.如权利要求12所述的电子装置，其中所述多个用电设备包括多个空压设备，且所述多个产出量包括多个排气量。

17.如权利要求11所述的电子装置，其中所述多个用电设备包括第一用电设备与第二用电设备，且所述处理器还执行：

根据所述第一用电设备的所述多个设备能效与对应的所述设定值建立第一函数线段；

根据所述第二用电设备的所述多个设备能效与对应的所述设定值建立第二函数线段；以及

根据所述第一函数线段与所述第二函数线段的交点决定所述可调设定参数的所述决策参数值。

18.如权利要求11所述的电子装置，其中所述多个用电设备包括第一用电设备与第二用电设备，且所述处理器还执行：

获取所述可调设定参数的目标设定值；以及

根据所述决策参数值与所述目标设定值，启动所述第一用电设备并关闭所述第二用电设备。

19.权利要求11所述的电子装置，其中所述多个用电设备包括第一用电设备，且所述处理器还执行：

根据所述决策参数值针对评估时段自所述多个用电设备挑选推荐用电设备；

利用所述设备用电预测模型产生所述推荐用电设备于所述评估时段内的预测用电量；以及

根据所述第一用电设备于所述评估时段内的实际用电量与所述推荐用电设备于所述评估时段内的预测用电量，产生用电效益评估信息。

20.权利要求11所述的电子装置，其中所述多个用电设备包括第一用电设备，且所述处理器还执行：

根据所述第一用电设备的设备运作信息，产生多个先前单位时段的所述多个输入特征变量；以及

利用所述多个输入特征变量以及所述第一用电设备于所述多个先前单位时段的多个实际用电量，基于机器学习演算法训练所述第一用电设备的所述设备用电预测模型。