CN107316130A - 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 - Google Patents
一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 Download PDFInfo
- Publication number
- CN107316130A CN107316130A CN201710430041.8A CN201710430041A CN107316130A CN 107316130 A CN107316130 A CN 107316130A CN 201710430041 A CN201710430041 A CN 201710430041A CN 107316130 A CN107316130 A CN 107316130A
- Authority
- CN
- China
- Prior art keywords
- mrow
- acquisition terminal
- msub
- clustering
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于聚类分析的计量采集终端故障诊断和可视化定位方法,属于采集终端故障定位技术领域。本方法在广泛抽取过滤用电信息采集***数据基础上,对计量终端的采集数据和历史档案信息采用聚类分析归类,形成采集终端故障诊断分类结果,筛选出终端故障信息点。根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位,在GIS地图上实现终端故障信息点跟踪和可视化展示,从而实现对采集终端的实时数据监测、故障诊断和可视化定位。
Description
技术领域
本发明属于采集终端故障定位技术领域,尤其是一种基于聚类分析的计量采集终端故障诊断和可视化定位方法。
背景技术
随着智能电网技术在国内的快速发展与应用,计量采集终端的使用规模不断扩大,其发生故障的数量和概率越来越高。目前,天津地区有专变采集终端6万,低压集中器3.9万,每天产生将近2亿余条数据。采用有效的手段清洗、过滤无效、无序的数据,并对海量数据进行分析归类,及时筛选和定位终端故障信息点,对辅助采集运行维护人员在其管理区域内有针对性地开展现场终端运维工作具有重要意义。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种基于聚类分析的计量采集终端故障诊断和可视化定位方法,提高计量自动化终端故障定位准确率,
本发明解决其技术问题是采取以下技术方案实现的:
一种基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:顺序执行以下步骤:
步骤⑴:获取相关数据,构建采集终端特性指标样本矩阵B,对辖区内所有大客户专变计量点的采集终端进行实时动态数据采集、过滤和检测,将用户信息及用电性质、设备厂家及编号、设备所在地址及地理坐标、报装时间等基础档案和历史采集数据分别录入数据库;
步骤⑵:对采集终端特性矩阵B和B0进行归一化预处理;
步骤⑶:采用马氏距离法对数据集中的各元素进行相似度分析;
步骤⑷:通过聚类分析得到采集终端故障诊断分类结果;
步骤⑸:根据分类结果,将相似程度接近0的样本逐类对比数据库中的用户基础档案和历史采集数据,筛选出终端故障信息点;
步骤⑹:根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位,在GIS地图上实现终端故障信息点跟踪和可视化展示。
而且,所述步骤⑴中,采集终端特性指标样本矩阵B={b1,b2…bn}(i=1,2,…,n),假定每个样本bi都具有m个特性指标分类,可表示为bi=(bi1,bi2…bij,bim)(j=1,2,…,m),同时,定义采集终端的标准特性指标矩阵为B0=(b01,b02…b0j,b0m),其中b0j为采集终端数据第j个特征值的标准参考值。
而且,所述步骤⑵中的归一化预处理是使每个特性指标值都分布在[0,1]区间上,具体公式为:
式中:bi′j为bij归一化后的值,bimax和bimin分别是bi的最大、最小值。
而且,所述步骤⑶中,相似度分析规则为:特性值与标准特性指标越越相似的样本,相似系数绝对值就越接近1,而关系疏远的样本的相似系数就越接近0;
相似系数相同的样本归为一类,先计算出各个分类样本与标准值之间的相似性统计量d(b0,bj),从而确定特性指标矩阵B中各样本与标准值B0之间模糊等价关系矩阵D;
采用样本向量bj与标准参考向量b0的马氏距离为:
d(b0,bj)=(b0-bj)T∑-1(b0-bj)
经过马氏距离函数计算得到矩阵B的模糊等价关系矩阵D为:
而且,所述步骤⑷中的聚类分析是动态调整找到选择适当的阀值λ对模糊等价关系矩阵D进行截割,从而得到所有样本的分类,阀值λ值调整公式为:
式中:i≥2,表示λ从1到0降低排列的聚类次数;λi-1和ni-1分别表示第i-1次聚类的元素个数和阀值;λi和ni分别表示第i次聚类的元素个数和阀值;若存在则定义第i次聚类的阀值λi为最优阀值。
本发明的优点和积极效果是:
1、本发明方法对计量终端的采集数据和历史档案信息采用聚类分析归类,有效筛选出终端故障信息点。根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位和可视化展示,从而实现对采集终端的实时数据监测、故障诊断和可视化定位。
2、本发明为采集终端故障运维提供一种技术手段,能大量节约采集设备运维成本,且诊断故障种类的准确率明显高于人工经验和传统的统计分析法。采集***运行维护人员通过直观、可视的方式,发现所管辖区域内的终端运行的状态。
附图说明
图1为本方法流程图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于聚类分析的计量采集终端故障诊断和可视化定位方法,顺序执行以下步骤:
步骤1:获取相关数据,构建采集终端特性指标样本矩阵B,对辖区内所有大客户专变计量点的采集终端进行实时动态数据采集、过滤和检测,将用户信息及用电性质、设备厂家及编号、设备所在地址及地理坐标、报装时间等基础档案和历史采集数据分别录入数据库;
其中,采集终端特性指标样本矩阵B={b1,b2…bn}(i=1,2,…,n),假定每个样本bi都具有m个特性指标分类,可表示为bi=(bi1,bi2…bij,bim)(j=1,2,…,m)。同时定义采集终端的标准特性指标矩阵为B0=(b01,b02…b0j,b0m),其中b0j为采集终端数据第j个特征值的标准参考值;
步骤2:对采集终端特性矩阵B和B0进行归一化预处理;
所述的归一化预处理是使每个特性指标值都分布在[0,1]区间上,方便各特性指标数值在同一维度上进行比较分析,具体公式为:
式中:bi′j为bij归一化后的值,bimax和bimin分别是bi的最大、最小值。
步骤3:,采用马氏距离法对数据集中的各元素进行相似度分析;
所述的相似度分析规则为:特性值与标准特性指标越越相似的样本,相似系数绝对值就越接近1,而关系疏远的样本的相似系数就越接近0。比较相似的样本可以归为一类。先计算出各个分类样本与标准值之间的相似性统计量d(b0,bj),从而确定特性指标矩阵B中各样本与标准值B0之间模糊等价关系矩阵D。
采用样本向量bj与标准参考向量b0的马氏距离为:
d(b0,bj)=(b0-bj)T∑-1(b0-bj)
经过马氏距离函数计算得到矩阵B的模糊等价关系矩阵D为:
步骤4:通过聚类分析得到采集终端故障诊断分类结果;
其中,聚类分析是动态调整找到选择适当的阀值λ对模糊等价关系矩阵D进行截割,从而得到所有样本的分类。阀值λ值调整公式为:
式中:i≥2,表示λ从1到0降低排列的聚类次数;λi-1和ni-1分别表示第i-1次聚类的元素个数和阀值;λi和ni分别表示第i次聚类的元素个数和阀值;若存在则定义第i次聚类的阀值λi为最优阀值。
步骤5:根据分类结果,将相似程度接近0的样本逐类对比数据库中的用户基础档案和历史采集数据,筛选出终端故障信息点;
步骤6:根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位,在GIS地图上实现终端故障信息点跟踪和可视化展示。
本方法在广泛抽取过滤用电信息采集***数据基础上,对计量终端的采集数据和历史档案信息采用聚类分析归类,形成采集终端故障诊断分类结果,筛选出终端故障信息点,根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位,在GIS地图上实现终端故障信息点跟踪和可视化展示,从而实现对采集终端的实时数据监测、故障诊断和可视化定位,有效提高计量自动化终端故障定位的准确率。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (5)
1.一种基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:顺序执行以下步骤:
步骤⑴:获取相关数据,构建采集终端特性指标样本矩阵B,对辖区内所有大客户专变计量点的采集终端进行实时动态数据采集、过滤和检测,将用户信息及用电性质、设备厂家及编号、设备所在地址及地理坐标、报装时间等基础档案和历史采集数据分别录入数据库;
步骤⑵:对采集终端特性矩阵B和B0进行归一化预处理;
步骤⑶:采用马氏距离法对数据集中的各元素进行相似度分析;
步骤⑷:通过聚类分析得到采集终端故障诊断分类结果;
步骤⑸:根据分类结果,将相似程度接近0的样本逐类对比数据库中的用户基础档案和历史采集数据,筛选出终端故障信息点;
步骤⑹:根据采集终端故障信息点的地理坐标,运用地理空间信息数据进行故障定位,在GIS地图上实现终端故障信息点跟踪和可视化展示。
2.根据权利要求1所述的基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:所述步骤⑴中,采集终端特性指标样本矩阵B={b1,b2…bn}(i=1,2,…,n),假定每个样本bi都具有m个特性指标分类,可表示为bi=(bi1,bi2…bij,bim)(j=1,2,…,m),同时,定义采集终端的标准特性指标矩阵为B0=(b01,b02…b0j,b0m),其中b0j为采集终端数据第j个特征值的标准参考值。
3.根据权利要求1所述的基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:所述步骤⑵中的归一化预处理是使每个特性指标值都分布在[0,1]区间上,具体公式为:
<mrow>
<msubsup>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
式中:b′ij为bij归一化后的值,bi max和bi min分别是bi的最大、最小值。
4.根据权利要求1所述的基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:所述步骤⑶中,相似度分析规则为:特性值与标准特性指标越越相似的样本,相似系数绝对值就越接近1,而关系疏远的样本的相似系数就越接近0;
相似系数相同的样本归为一类,先计算出各个分类样本与标准值之间的相似性统计量d(b0,bj),从而确定特性指标矩阵B中各样本与标准值B0之间模糊等价关系矩阵D;
采用样本向量bj与标准参考向量b0的马氏距离为:
d(b0,bj)=(b0-bj)T∑-1(b0-bj)
经过马氏距离函数计算得到矩阵B的模糊等价关系矩阵D为:
5.根据权利要求1所述的基于聚类分析的计量采集终端故障诊断和可视化定位方法,其特征在于:所述步骤⑷中的聚类分析是动态调整找到选择适当的阀值λ对模糊等价关系矩阵D进行截割,从而得到所有样本的分类,阀值λ值调整公式为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>n</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&GreaterEqual;</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中:i≥2,表示λ从1到0降低排列的聚类次数;λi-1和ni-1分别表示第i-1次聚类的元素个数和阀值;λi和ni分别表示第i次聚类的元素个数和阀值;若存在则定义第i次聚类的阀值λi为最优阀值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710430041.8A CN107316130A (zh) | 2017-06-09 | 2017-06-09 | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710430041.8A CN107316130A (zh) | 2017-06-09 | 2017-06-09 | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107316130A true CN107316130A (zh) | 2017-11-03 |
Family
ID=60183867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710430041.8A Pending CN107316130A (zh) | 2017-06-09 | 2017-06-09 | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316130A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885021A (zh) * | 2019-02-15 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种基于实时采集数据对采集设备进行监测的方法及*** |
CN111160652A (zh) * | 2019-12-31 | 2020-05-15 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
US20130282336A1 (en) * | 2010-12-27 | 2013-10-24 | Hitachi, Ltd. | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System |
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
-
2017
- 2017-06-09 CN CN201710430041.8A patent/CN107316130A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282336A1 (en) * | 2010-12-27 | 2013-10-24 | Hitachi, Ltd. | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System |
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李笑等: "改进模糊聚类算法在浙江旱栽优势作物核心种质研究中的应用", 《浙江农业学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885021A (zh) * | 2019-02-15 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种基于实时采集数据对采集设备进行监测的方法及*** |
CN111160652A (zh) * | 2019-12-31 | 2020-05-15 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
Xiao et al. | Data mining in building automation system for improving building operational performance | |
CN104915562B (zh) | 建筑能效诊断方法和*** | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及*** | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及*** | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN108758357B (zh) | 一种基于供水管网压力变化值分析的爆管定位方法 | |
Du Toit et al. | Customer segmentation using unsupervised learning on daily energy load profiles | |
CN107870275A (zh) | 基于大数据的避雷器运行状态评价方法 | |
CN115081795A (zh) | 多维场景下企业能耗异常成因分析方法及*** | |
CN106875613A (zh) | 一种火警态势分析方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测*** | |
CN107316130A (zh) | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 | |
CN104715156A (zh) | 一种建筑节能潜力动态评估方法 | |
CN112615428A (zh) | 一种线损分析治理***及方法 | |
CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN110426996B (zh) | 基于大数据及人工智能的环境污染监测方法 | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
WO2024001253A1 (zh) | 空调故障检测方法、装置、空调及电子设备 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN113723671B (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
CN116500296A (zh) | 针对生态基流监测的智能增强测流方法、***及其应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171103 |