CN110009156A - 建筑能耗预算管理方法和存储介质 - Google Patents
建筑能耗预算管理方法和存储介质 Download PDFInfo
- Publication number
- CN110009156A CN110009156A CN201910277642.9A CN201910277642A CN110009156A CN 110009156 A CN110009156 A CN 110009156A CN 201910277642 A CN201910277642 A CN 201910277642A CN 110009156 A CN110009156 A CN 110009156A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- day
- subitem
- month
- moon
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 339
- 238000007726 management method Methods 0.000 title claims abstract description 10
- 238000003860 storage Methods 0.000 title claims abstract description 10
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 125
- 238000000034 method Methods 0.000 claims description 47
- 238000010438 heat treatment Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 15
- 238000005057 refrigeration Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 53
- 230000000875 corresponding effect Effects 0.000 description 37
- 238000001816 cooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种建筑能耗预算管理方法和存储介质。通过根据历史年中日能耗数据判断建筑物的各分项能耗与气候的相关性，对于气候相关分项基于气候数据来参与到分项能耗的预测中；而对于气候无关分项，根据历史能耗的变化趋势来预测对应的分项能耗。由此，可以更加准确地对于建筑物的分项能耗进行预测，以更加准确地控制建筑物的能耗情况。
Description
技术领域
本发明涉及能源管理领域，具体涉及一种建筑能耗预算管理方法和存储介质。
背景技术
公共建筑由于建筑功能复杂、体量大、用能设备多、业态变化快、配电支路复杂等原因，通常具备能耗总量大、单位面积能耗强度高、用能特征复杂等特点，是该标准约束的重中之重。
公共建筑总能耗通常按照建筑用能分项或设备进行进一步拆分，常见的分项包括：照明***(又包含下级为室内照明、室外照明、景观照明等)；动力***(又包含下级为给排水泵、电梯***、消防风机、排烟风机等)；停车场***(又包含下级为停车场照明、停车场风机)；暖通空调***(又包含下级制冷主机、冷冻泵、冷却泵和冷却塔)；和其他***(如特殊设备等)。
然而在实际应用中，公共建筑虽然了解能耗总体控制目标，但很难将总目标拆分到各个分项，也很难将一个全年整体目标拆分到每一天。建筑运维人员由于并不明确每个分项、每天的能耗约束，因此运行时无从下手，最终仍然容易导致建筑总体能耗超标。
发明内容
有鉴于此，本发明的目的在于提供更加精确的建筑物的分项能耗预测方法和实现方式。
第一方面，本发明实施例提供一种建筑能耗预算管理方法，所述方法包括：
根据各分项的历史逐日能耗和历史逐日室外温度参数确定各个分项的气候相关性系数，所述相关性系数用于表征所述分项与气候的相关性；
根据所述相关性系数将各个分项分为气候相关分项和气候无关分项；
对于气候相关分项，通过训练预测模型根据气候相关数据预测并计算所述气候相关分项全年中各月的各分项的月预测能耗；
对于气候无关分项，根据所述气候无关分项的历史年中月能耗数据计算气候无关分项全年中各月的各分项的月预测能耗；
获取预测月的设定总能耗，并根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗，所述预测月的月预测总能耗为预测月中所述气候相关分项和气候无关分项的各分项的月预测能耗之和；以及
累计所述预测月中每日各分项的日预测能耗以获取预测月中每日的日预测总能耗；
其中，所述分项包括照明***、动力***、停车场***和暖通空调***中的一种或多种。
优选地，根据皮尔森相关性系数算法计算各分项的历史逐日能耗和历史逐日室外温度参数的相关性来确定各个分项的气候相关性系数。
优选地，根据所述相关性系数将各个分项分为气候相关分项和气候无关分项包括：
响应于所述分项对应的相关性系数的绝对值低于预定阈值，将对应的分项确定为气候无关分项；以及
响应于所述分项对应的相关性系数的绝对值高于预定阈值，将对应的分项确定为气候相关分项。
优选地，通过训练预测模型根据气候相关数据预测并计算所述气候相关分项全年中各月的各分项的月预测能耗包括：
根据所述历史逐日室外温度参数和预定基准温度计算每日制冷度日数和每日采暖度日数；
根据所述每日制冷度日数、每日采暖度日数、日期类型、季节类型和历史分项逐日能耗通过支持向量机方法计算所述气候相关分项全年中每日的各分项的日预测能耗；以及
累计全年中各月对应的所述气候相关分项的各分项的日预测能耗以获取所述气候相关分项全年中各月的各分项的月预测能耗。
优选地，计算每日制冷度日数和每日采暖度日数包括：
根据所述历史逐日室外温度参数计算历史年中每月的稳定系数；
根据所述稳定系数获取典型气象年，所述典型气象年为在历史的年的相同月份中选取稳定系数最小的月份组成；以及
根据所述典型气象年的各月份对应的全月逐日室外温度参数计算所述每日制冷度日数和每日采暖度日数。
优选地，根据所述历史逐日室外温度参数中的日最高温度和日最低温度计算所述稳定系数。
优选地，根据所述历史逐日室外温度参数中的日最高温度和日最低温度计算所述稳定系数包括：
根据所述日最高温度和日最低温度分别计算最高温度和最低温度对应的月均值；
根据所述最高温度和最低温度对应的月均值分别计算所述最高温度和最低温度对应的年均值；
根据所述最高温度和最低温度对应的月均值和年均值分别计算所述最高温度和最低温度对应的标准差；
根据所述最高温度和最低温度对应的月均值、年均值和标准差分别计算所述最高温度和最低温度对应的标准系数；以及
将所述最高温度和最低温度对应的标准系数加权求和以获取稳定系数。
优选地，所述最高温度和最低温度的权重相同。
优选地，根据所述气候无关分项的历史年中月能耗数据计算气候无关分项全年中各月的各分项的月预测能耗包括：
根据所述历史年中月能耗数据计算全年中各月的各分项的历史月能耗的平均值；
根据历史年中各分项的历史月能耗计算历史年中全年各月的各分项月能耗的平均增长率；以及
根据所述全年中各月的各分项的历史月能耗的平均值和对应月的各分项的历史月能耗的平均增长率计算所述气候无关分项全年中各月的各分项的月预测能耗。
优选地，根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗包括：
响应于所述预测月的月预测总能耗与设定总能耗一致，将与预测月对应月份的气候相关分项的每日的各分项的日预测能耗作为所述气候相关分项预测月中各分项的日预测能耗，根据与预测月对应月份的气候无关分项的各分项的月预测能耗通过滑动周系数法获取气候无关分项预测月中各分项的日预测能耗；以及
响应于所述预测月的月预测总能耗与设定总能耗不一致，通过滑动周系数法获取预测月中各分项的日预测能耗。
优选地，根据与预测月对应月份的气候无关分项的各分项的月预测能耗通过滑动周系数法获取气候无关分项预测月中各分项的日预测能耗包括：
获取历史中连续一周的所述气候无关分项的各分项的历史逐日能耗；
根据所述历史中连续一周的所述气候无关分项的各分项的历史逐日能耗计算气候无关分项的各分项的滑动周比例系数；以及
根据所述滑动周比例系数和所述与预测月对应月份的气候无关分项的各分项的月预测能耗获取所述气候无关分项的各分项的日预测能耗。
优选地，响应于所述预测月的月预测总能耗与设定总能耗不一致，通过滑动周系数法获取预测月中各分项的日预测能耗包括：
获取历史中连续一周的各分项的历史逐日能耗；
根据所述历史中连续一周各分项的历史逐日能耗计算各分项的滑动周比例系数；以及
根据所述各分项的滑动周比例系数和预测月中各分项的月设定能耗获取预测月中各分项的日预测能耗。
优选地，所述预测月中各分项的月设定能耗为与预测月对应月份中各分项的月预测能耗与月预测总能耗的比值乘以所述设定总能耗。
优选地，所述方法还包括：
根据所述预测月中每日的日预测总能耗获取当月的能耗进度值；以及
根据所述能耗进度值对当月能耗进行预警或报警。
优选地，根据所述预测月中每日的日预测总能耗获取当月的能耗进度值包括：
获取当月已发生的实际能耗，所述已发生的实际能耗为当月已发生的天数的实际日能耗之和；
获取当月未发生的预测能耗，所述未发生的预测能耗为当月未发生的天数的日预测总能耗之和；
根据所述已发生的实际能耗和所述未发生的预测能耗获取当月的模拟能耗，所述模拟能耗为所述已发生的实际能耗和所述未发生的预测能耗之和；以及
根据所述当月的模拟能耗和设定总能耗计算能耗进度值，所述能耗进度值为所述模拟能耗和设定总能耗的比值。
优选地，根据所述能耗进度值所处的区间范围，对当月能耗预警或报警。
第二方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
本发明实施例通过根据历史年中日能耗数据判断建筑物的各分项能耗与气候的相关性，对于气候相关分项基于气候数据来参与到分项能耗的预测中；而对于气候无关分项，根据历史能耗的变化趋势来预测对应的分项能耗。由此，可以更加准确地对于建筑物的分项能耗进行预测，以更加准确地控制建筑物的能耗情况。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的建筑能耗预算管理方法的流程图；
图2是本发明实施例计算每日制冷度日数和每日采暖度日数的流程图；
图3是本发明实施例预测模型的数据模型图；
图4是本发明实施例SVM算法模块的工作流程图；
图5是本发明实施例获取日预测能耗的流程图；
图6是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明实施例的建筑能耗预算管理方法的流程图。本发明实施例的建筑能耗预算管理方法用于对建筑物中的照明***(又包含下级为室内照明、室外照明、景观照明等)；动力***(又包含下级为给排水泵、电梯***、消防风机、排烟风机等)；停车场***(又包含下级为停车场照明、停车场风机)；暖通空调***(又包含下级制冷主机、冷冻泵、冷却泵和冷却塔)；和其他***(如特殊设备等)等各种分项的能耗来进行较为精确的预测。所述分项包括但不限于上述列举的***分项。在以下的描述中，
如图1所示，本实施例的方法包括：
步骤S100、根据各分项的历史逐日能耗和历史逐日室外温度参数确定各个分项的气候相关性系数，所述相关性系数用于表征所述分项与气候的相关性。
步骤S200、根据所述相关性系数将各个分项分为气候相关分项和气候无关分项。
步骤S300、对于气候相关分项，通过训练预测模型根据气候相关数据预测并计算所述气候相关分项全年中各月的各分项的月预测能耗。
步骤S400、对于气候无关分项，根据对应的历史月能耗数据计算气候无关分项全年中各月的各分项的月预测能耗。
步骤S500、获取预测月的设定总能耗，并根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗，所述预测月的月预测总能耗为预测月中所述气候相关分项和气候无关分项的各分项的月预测能耗之和。
步骤S600、累计所述预测月中每日各分项的日预测能耗以获取预测月中每日的日预测总能耗。
其中，需要说明的是，对于步骤S300和步骤S400是两个独立执行的步骤，所以执行的先后顺序不做限定。
对于建筑物不同的分项***，分项能耗与气候之间实际上具有不同的关联性。例如，对于暖通空调***，其能耗与气候是有密切关联的。而对于其它的分项***，不同的建筑则可能会有不同的设置方式，使得其与气候的相关性对于管理者是未知的，本发明实施例根据历史记录数据来获取不同的分项和气候室外温度参数的相关性，进而判断分项能耗与是否具有气候相关属性，进而对于气候相关分项和气候无关分项采用不同的方式进行分项能耗预测。
对于步骤S100，可以根据历史记录的建筑物的分项历史逐日能耗和对应的历史逐日室外温度参数计算两者的相关性系数。
在一个可选实现方式中，根据皮尔森相关性系数算法计算各分项的历史逐日能耗和历史逐日室外温度的相关性来确定各个分项的气候相关性系数。具体地，确定相关性系数的公式为：
其中，Xi为各分项的历史逐日能耗，Yi为历史逐日室外温度，R 为相关性系数。
由此，即可根据历史记录数据来获取不同的分项和气候室外温度的相关性系数。
对于步骤S200，根据相关性系数既可以对不同的分项与气候的相关性来进行分类。
在一个可选实现方式中，步骤S100计算获得的相关性系数的取值在[-1，1]之间，0代表无关，(0，1]代表正相关，[-1，0)代表负相关。首先根据大量实测数据的统计分析，证明相关性系数判别阈值为±0.4，即 [0.4，1]代表该分项日能耗与室外温度正相关；[-1，-0.4]代表该分项日能耗与室外温度负相关；(-0.4，0.4)代表该分项日能耗与室外温度相关性低。
在本实现方式中，将与室外温度正相关和负相关的分项标记为气候相关分项，将与室外温度相关性低的分项标记为气候无关分项。
也即，步骤S200可以包括：
步骤S210、响应于所述分项对应的相关性系数的绝对值低于预定阈值，将对应的分项确定为气候无关分项。
步骤S220、响应于所述分项对应的相关性系数的绝对值高于预定阈值，将对应的分项确定为气候相关分项。
对于步骤S300，其对于气候相关分项来进行分项能耗的预测。
具体地，步骤S300包括如下步骤：
步骤S310、根据所述历史室外温度参数和预定基准温度计算每日制冷度日数和每日采暖度日数。
每日制冷度日数(Cooling Degree Days，CDD)是指在制冷期的每一天中，室外逐日平均温度高于基准温度的度数。
每日采暖度日数(Heating Degree Day，HDD)是指在采暖期的每一天中，室外逐日平均温度低于基准温度的度数。
进一步地，计算每日制冷度日数和每日采暖度日数的步骤为：
根据所述历史逐日室外温度参数计算历史年中每月的稳定系数。
根据所述稳定系数获取典型气象年，所述典型气象年为在历史的年的相同月份中选取稳定系数最小的月份组成。
根据所述典型气象年的室外温度系数计算所述每日制冷度日数和每日采暖度日数。
在本实施例中，每日制冷度日数和每日采暖度日数为所要预测的月分的每日的CDD和HDD。
具体地，如图2所示，步骤S310包括如下步骤：
步骤S311、判断是否有所要预测的月份的室外温度预测数据。
步骤S312、如果有，则调用所述室外温度预测数据计算所述每日 CDD和每日HDD。
步骤S313、如果没有，则获取历史室外温度数据，根据历史室外温度数据来计算所述每日CDD和每日HDD。
具体地，步骤S313可以包括如下步骤：
在一个可选的实现方式中，对于步骤S313，可包括如下步骤
在步骤S3131，选择气象参数并决定权重。
优选地，所述气象参数为历史室外温度的日最高温度Tmax和日最低温度Tmin，权重均为0.5。
具体地，收集所有历史N年中最高温度Tmax，最低温度Tmin逐日值。
在步骤S3132，计算每年每月参数月均值。
其中，为最高温度的月均值，为最低温度的月均值，d 为对应月份的天数。
在步骤S3133，计算年均值。
其中，为最高温度的年均值，为最低温度的年均值，N 为历史年数。
在步骤S3134，计算标准差。
其中，σmax为最高温度的标准差，σmin为最低温度的标准差。
在步骤S3135，计算标准系数。
其中，ηmax为最高温度的标准系数，ηmin为最低温度的标准系数。
在步骤S3136，计算稳定系数。
η＝0.5*ηmax+0.5*ηmin
其中，η为稳定系数。
针对每月份选择历年中稳定系数η最小值，即认为在历史年中，该月的室外温度最能代表所有历史数据中的该月情况，其对应的全月逐日参数作为典型气象年对应月份的参数。
在步骤S3137，根据典型气象年的室外温度参数计算每日制冷度日数和每日采暖度日数。
其中，Tmax为典型气象年中逐日最高温度，Tmin为典型气象年中逐日最低温度。T1、T2为基准温度。
在本实施例中，T1＝T2＝15℃。
对于步骤S312，调用所述室外温度预测数据计算所述每日CDD和每日HDD，只需要根据上述步骤S3137的公式即可获取，其中Tmax为室外温度预测数据的最高温度，Tmin为室外温度预测数据的最低温度。T1、 T2为基准温度。
步骤S320、根据所述每日制冷度日数、每日采暖度日数、日期类型、季节类型和历史分项逐日能耗通过支持向量机方法计算所述气候相关分项全年中每日的各分项的日预测能耗。
步骤S330、累计全年中各月对应的所述气候相关分项的各分项的日预测能耗以获取所述气候相关分项全年中各月的各分项的月预测能耗。
步骤S320和步骤S330采用的预测模型的数据模型图如图3所示。
图3是本发明实施例预测模型的数据模型图。如图3所示，预测模型的数据模型包括输入模块31、SVM(Support Vector Machine，支持向量机)算法模块32和月预测能耗计算模块33。
在本实施例中，输入模块31用于获取的所述预测模型的输入数据，所述预测模型的输入数据包括CDD、HDD、日期类型、季节类型和历史分项日能耗。其中，CDD和HDD为从步骤S313中计算得到的数据。日期类型为1-7，代表周一至周日。季节类型包括：采暖季、过渡季和制冷季。
在本实施例中，SVM算法模块32用于根据所述预测模型的输入数据计算所述与气候相关分项的分项日预测能耗。SVM算法模块32采用优化的非线性核函数SVM方法，其工作步骤如图4所示。
图4是本发明实施例SVM算法模块的工作流程图。如图4所示，包括如下步骤：
步骤S321、获取训练数据，所述训练数据包括CDD、HDD、日期类型、季节类型和历史分项日能耗。
步骤S322、特征提取。
在本实施例中，选取的特征为CDD、HDD、日期类型和季节类型。学习样本为历史分项日能耗。
步骤S323、根据所述训练数据获取相应的条件分支。
步骤S324、SVM算法训练，返回测试结果。
具体地，SVM算法是一类按监督学***面。是一种比较好的实现了结构风险最小化思想的方法，它的机器学习策略是结构风险最小化原则。
在本实施例中，根据训练输入数据和对应的训练样本即可获取预测模型。
步骤S325、保存预测模型。
步骤S326、获取测试输入数据。
步骤S327、根据预测模型获取各分项的日预测能耗。
由此，即可根据SVM算法模块获取所述气候相关分项全年中每日的各分项的日预测能耗。
在本实施例中，月预测能耗计算模块33累计全年中各月对应的所述气候相关分项的各分项的日预测能耗以获取所述气候相关分项全年中各月的各分项的月预测能耗。
对于步骤S400，其对于气候无关分项基于历史数据的变化趋势来计算获取其对应各分项的月预测能耗。
在一个可选实现方式中，步骤S400包括如下步骤：
步骤S410、根据所述历史年中月能耗数据计算全年中各月的各分项的历史月能耗的平均值。
其中，Ei，m，y为历史y(y＝1-N)年中某月m(m＝1～12)的某分项i 的分项历史月能耗，分项月能耗的平均值，N为历史年数。
步骤S420、根据历史年中各分项的历史月能耗计算历史年中全年各月的各分项月能耗的平均增长率。
其中，ΔEi，m，y为相同月份的第y年与第y-1年的某月m(m＝1～12) 的某分项i的分项历史月能耗的差值。为历史年中各月的分项月能耗的平均增长率。
步骤S430、根据所述全年中各月的各分项的历史月能耗的平均值和对应月的各分项的历史月能耗的平均增长率计算所述气候无关分项全年中各月的各分项的月预测能耗。
其中，Ei，m，y+1为所述气候无关分项的各分项的月预测能耗。
对于步骤S500，获取预测月的设定总能耗，并根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗，所述预测月的月预测总能耗为预测月中所述气候相关分项和气候无关分项的各分项的月预测能耗之和。具体地，如图5所示，包括如下步骤：
步骤S510、获取预测月的设定总能耗。
具体地，预测月的设定总能耗可以根据建筑的历年的能耗情况以及期望的能耗情况人为设定。
步骤S520、获取预测月的月预测总能耗，所述预测月的月预测总能耗为预测月中所述气候相关分项和气候无关分项的各分项的月预测能耗之和。
步骤S530、判断所述预测月的月预测总能耗与设定总能耗是否一致。
步骤S540、响应于所述预测月的月预测总能耗与设定总能耗一致，将与预测月对应月份的气候相关分项的每日的各分项的日预测能耗作为所述气候相关分项预测月中各分项的日预测能耗。
步骤S550、响应于所述预测月的月预测总能耗与设定总能耗一致，根据与预测月对应月份的气候无关分项的各分项的月预测能耗通过滑动周系数法获取气候无关分项预测月中各分项的日预测能耗。具体可包括如下步骤：
步骤S551、获取历史中连续一周的所述气候无关分项的各分项的历史逐日能耗。
步骤S552、根据所述历史中连续一周的所述气候无关分项的各分项的历史逐日能耗计算气候无关分项的各分项的滑动周比例系数。具体按照以下公式：
其中，ei，j指某分项i第j日(j＝1～7这里指周一至周日，不是日期) 的能耗，βi，j为分项i在第j天的滑动周比例系数。
步骤S553、根据所述滑动周比例系数和所述与预测月对应月份的气候无关分项的各分项的月预测能耗获取所述气候无关分项的各分项的日预测能耗。具体按照以下公式：
其中，为m月的分项i的月预测能耗，第j天的分项i的日预测能耗。
需要说明的是，步骤S550和步骤S540是设定总能耗与月预测总能耗不一致的情况下，独立执行的两个步骤，对于执行的先后顺序不限定。
步骤S560、响应于所述预测月的月预测总能耗与设定总能耗不一致，通过滑动周系数法获取预测月中各分项的日预测能耗。具体可包括如下步骤：
步骤S561、获取历史中连续一周的各分项的历史逐日能耗，包括气候相关各分项和气候无关各分项。
步骤S562、根据所述历史中连续一周各分项的历史逐日能耗计算各分项的滑动周比例系数。具体按照以下公式：
其中，βi，j为分项i在第j天的滑动周比例系数。
步骤S563、根据所述各分项的滑动周比例系数和预测月中各分项的月设定能耗获取预测月中各分项的日预测能耗。
其中，m月的分项i的月设定能耗，第j天的分项i的日预测能耗。
其中，各分项的月设定能耗为各分项的月预测能耗与月预测总能耗的比值乘以所述设定总能耗。
对于上述步骤S550和S560，当新建建筑无任何历史数据时，本***需等待一周才能使用，以第一个7天(需包含完整的周一到周日)的日能耗依照上述公式计算βi，j来启动。
当建筑运行一段时间，数据库内已有多于1周的数据保存时，拆分算法中以最近一个滑动周为准；若其中存在坏数，则以最近一个完整好数的滑动周数据，重新计算滑动周日分项比例系数，再计算日分项预测能耗。
对于步骤S600，累计所述预测月中每日各分项的日预测能耗以获取预测月中每日的日预测总能耗。
在一个可选实现方式中，如图1所示，本发明实施例的方法还包括：
步骤S700、获取当月的能耗进度值，并根据所述能耗进度值对当月能耗进行预警或报警。
具体地，假设今天为本月的第j天，获取当月的能耗进度值包括如下步骤：
步骤S710、获取当月已发生的实际能耗，所述已发生的实际能耗为当月已发生的天数的实际日能耗之和。
其中，Ea为已发生的实际能耗。j-1为当月已发生天数，ej为第j天的实际日能耗。
步骤S720、获取当月未发生的预测能耗，所述未发生的预测能耗为当月未发生的天数的日预测总能耗之和。
其中，Eb为当月未发生的预测能耗，为第j天的日预测总能耗，ej-1为第j-1天的实际日能耗，为第j-1天的日预测总能耗。
当为0时，取为1。
步骤S730、根据所述已发生的实际能耗和所述未发生的预测能耗获取当月的模拟能耗，所述模拟能耗为所述已发生的实际能耗和所述未发生的预测能耗之和。
Es＝Ea+Eb
其中，Es为模拟能耗。
步骤S740、根据所述当月的模拟能耗和设定总能耗计算能耗进度值，所述能耗进度值为所述模拟能耗和设定总能耗的比值。
其中，Eq为设定总能耗，P为能耗进度值。
由此，即可根据所述能耗进度值对当月能耗进行预警或报警。
在一个可选的实现方式中，也可以根据风险率对当月能耗进行预警或报警。具体地，风险率的计算公式为：
对于对当月能耗进行预警，可根据实际情况通过设置敏感度的值来使得在相应能耗进度值时，发出预警信号。例如，对于能耗要求相对较低的建筑物，其对能耗的敏感度较低，可将敏感度设置在能耗进度值较大的时候(例如P＝90％)，进行预警。对于能耗要求相对较高的建筑物，其对能耗的敏感度较高，可将敏感度设置在进度值较低的时候(例如 P＝60％)，进行预警。
由此，即可根据建筑物的实际情况在不同能耗进度值时进行预警。
同时，也可根据风险率设置预警提示的强弱程度。具体地，可将风险率的大小设置不同区间，例如风险率小于-20％、(-20％，0]、(0,10％]、 (10％，20％]、大于20％。使得根据风险率所在的区间对能耗进行预警。
对于对当月能耗进行报警，可根据实际情况通过设置敏感度的值来使得在相应能耗进度值时，发出报警信号。例如，对于能耗要求相对较低的建筑物，其对能耗的敏感度较低，可将敏感度设置在能耗进度值较大的时候(例如30％)，进行报警。对于能耗要求相对较高的建筑物，其对能耗的敏感度较高，可将敏感度设置在能耗进度值较低的时候(例如5％)，进行报警。
同时，也可根据超标率对能耗进行报警。
超标率的计算公式为：
其中，Ea为已发生的实际能耗，Eq为设定总能耗，P″为超标率。
具体地，可将超标率的大小设置不同区间，例如(0，5％]、(5％， 10％]、(10％，20％]、(20％，30％]、大于30％。使得根据超标率所在区进行报警。
在一个具体地实施例中，假设现在是11月29日10:20，11月的设定总能耗为5300kWh，截至当前日的已发生的实际能耗为11月1日0:00 至11月28日23:59的实际累计能耗为5000kWh，昨日的实际能耗和日预测总能耗为ej-1＝200kWh和11月29日的日预测总能耗11月30日预测总能耗则
变化率＝200/190＝1.0526。
未发生的预测能耗为180*1.0526+190*1.0526＝389.47kWh。
模拟能耗为5000+389.47＝5389.47kWh。
P＝模拟能耗/设定总能耗＝5389.462/5300＝101.7％。
风险率＝1.7％。
由此，即可获取能耗进度值和风险率。
本发明实施例通过根据历史年中日能耗数据判断建筑物的各分项能耗与气候的相关性，对于气候相关分项基于气候数据来参与到分项能耗的预测中，而对于气候无关分项，根据历史能耗的变化趋势来预测对应的分项能耗。由此，可以更加准确地对于建筑物的分项能耗进行预测，以更加准确地控制建筑物的能耗情况。
图6是本发明实施例的电子设备的示意图。图6所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器 51和存储器52。处理器51和存储器52通过总线53连接。存储器52 适于存储处理器51可执行的指令或程序。处理器51可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器51通过执行存储器52所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线53将上述多个组件连接在一起，同时将上述组件连接到显示控制器54和显示装置以及输入/ 输出(I/O)装置55。输入/输出(I/O)装置55可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置55通过输入/输出(I/O)控制器56 与***相连。
本领域的技术人员应明白，本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本发明是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种建筑能耗预算管理方法，其特征在于，所述方法包括：
根据各分项的历史逐日能耗和历史逐日室外温度参数确定各个分项的气候相关性系数，所述相关性系数用于表征所述分项与气候的相关性；
根据所述相关性系数将各个分项分为气候相关分项和气候无关分项；
对于气候相关分项，通过训练预测模型根据气候相关数据预测并计算所述气候相关分项全年中各月的各分项的月预测能耗；
对于气候无关分项，根据所述气候无关分项的历史年中月能耗数据计算气候无关分项全年中各月的各分项的月预测能耗；
获取预测月的设定总能耗，并根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗，所述预测月的月预测总能耗为预测月中所述气候相关分项和气候无关分项的各分项的月预测能耗之和；以及
累计所述预测月中每日各分项的日预测能耗以获取预测月中每日的日预测总能耗；
其中，所述分项包括照明***、动力***、停车场***和暖通空调***中的一种或多种。
2.根据权利要求1所述的方法，其特征在于，根据皮尔森相关性系数算法计算各分项的历史逐日能耗和历史逐日室外温度参数的相关性来确定各个分项的气候相关性系数。
3.根据权利要求1所述的方法，其特征在于，根据所述相关性系数将各个分项分为气候相关分项和气候无关分项包括：
响应于所述分项对应的相关性系数的绝对值低于预定阈值，将对应的分项确定为气候无关分项；以及
响应于所述分项对应的相关性系数的绝对值高于预定阈值，将对应的分项确定为气候相关分项。
4.根据权利要求1所述的方法，其特征在于，通过训练预测模型根据气候相关数据预测并计算所述气候相关分项全年中各月的各分项的月预测能耗包括：
根据所述历史逐日室外温度参数和预定基准温度计算每日制冷度日数和每日采暖度日数；
根据所述每日制冷度日数、每日采暖度日数、日期类型、季节类型和历史分项逐日能耗通过支持向量机方法计算所述气候相关分项全年中每日的各分项的日预测能耗；以及
累计全年中各月对应的所述气候相关分项的各分项的日预测能耗以获取所述气候相关分项全年中各月的各分项的月预测能耗。
5.根据权利要求4所述的方法，其特征在于，计算每日制冷度日数和每日采暖度日数包括：
根据所述历史逐日室外温度参数计算历史年中每月的稳定系数；
根据所述稳定系数获取典型气象年，所述典型气象年为在历史的年的相同月份中选取稳定系数最小的月份组成；以及
根据所述典型气象年的各月份对应的全月逐日室外温度参数计算所述每日制冷度日数和每日采暖度日数。
6.根据权利要求5所述的方法，其特征在于，根据所述历史逐日室外温度参数中的日最高温度和日最低温度计算所述稳定系数。
7.根据权利要求6所述的方法，其特征在于，根据所述历史逐日室外温度参数中的日最高温度和日最低温度计算所述稳定系数包括：
根据所述日最高温度和日最低温度分别计算最高温度和最低温度对应的月均值；
根据所述最高温度和最低温度对应的月均值分别计算所述最高温度和最低温度对应的年均值；
根据所述最高温度和最低温度对应的月均值和年均值分别计算所述最高温度和最低温度对应的标准差；
根据所述最高温度和最低温度对应的月均值、年均值和标准差分别计算所述最高温度和最低温度对应的标准系数；以及
将所述最高温度和最低温度对应的标准系数加权求和以获取稳定系数。
8.根据权利要求7所述的方法，其特征在于，所述最高温度和最低温度的权重相同。
9.根据权利要求1所述的方法，其特征在于，根据所述气候无关分项的历史年中月能耗数据计算气候无关分项全年中各月的各分项的月预测能耗包括：
根据所述历史年中月能耗数据计算全年中各月的各分项的历史月能耗的平均值；
根据历史年中各分项的历史月能耗计算历史年中全年各月的各分项月能耗的平均增长率；以及
根据所述全年中各月的各分项的历史月能耗的平均值和对应月的各分项的历史月能耗的平均增长率计算所述气候无关分项全年中各月的各分项的月预测能耗。
10.根据权利要求4所述的方法，其特征在于，根据所述设定总能耗和预测月的月预测总能耗计算所述预测月中各分项的日预测能耗包括：
响应于所述预测月的月预测总能耗与设定总能耗一致，将与预测月对应月份的气候相关分项的每日的各分项的日预测能耗作为所述气候相关分项预测月中各分项的日预测能耗，根据与预测月对应月份的气候无关分项的各分项的月预测能耗通过滑动周系数法获取气候无关分项预测月中各分项的日预测能耗；以及
响应于所述预测月的月预测总能耗与设定总能耗不一致，通过滑动周系数法获取预测月中各分项的日预测能耗。
11.根据权利要求10所述的方法，其特征在于，根据与预测月对应月份的气候无关分项的各分项的月预测能耗通过滑动周系数法获取气候无关分项预测月中各分项的日预测能耗包括：
获取历史中连续一周的所述气候无关分项的各分项的历史逐日能耗；
根据所述历史中连续一周的所述气候无关分项的各分项的历史逐日能耗计算气候无关分项的各分项的滑动周比例系数；以及
根据所述滑动周比例系数和所述与预测月对应月份的气候无关分项的各分项的月预测能耗获取所述气候无关分项的各分项的日预测能耗。
12.根据权利要求10所述的方法，其特征在于，响应于所述预测月的月预测总能耗与设定总能耗不一致，通过滑动周系数法获取预测月中各分项的日预测能耗包括：
获取历史中连续一周的各分项的历史逐日能耗；
根据所述历史中连续一周各分项的历史逐日能耗计算各分项的滑动周比例系数；以及
根据所述各分项的滑动周比例系数和预测月中各分项的月设定能耗获取预测月中各分项的日预测能耗。
13.根据权利要求12所述的方法，其特征在于，所述预测月中各分项的月设定能耗为与预测月对应月份中各分项的月预测能耗与月预测总能耗的比值乘以所述设定总能耗。
14.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述预测月中每日的日预测总能耗获取当月的能耗进度值；以及
根据所述能耗进度值对当月能耗进行预警或报警。
15.根据权利要求14所述的方法，其特征在于，根据所述预测月中每日的日预测总能耗获取当月的能耗进度值包括：
获取当月已发生的实际能耗，所述已发生的实际能耗为当月已发生的天数的实际日能耗之和；
获取当月未发生的预测能耗，所述未发生的预测能耗为当月未发生的天数的日预测总能耗之和；
根据所述已发生的实际能耗和所述未发生的预测能耗获取当月的模拟能耗，所述模拟能耗为所述已发生的实际能耗和所述未发生的预测能耗之和；以及
根据所述当月的模拟能耗和设定总能耗计算能耗进度值，所述能耗进度值为所述模拟能耗和设定总能耗的比值。
16.根据权利要求14所述的方法，其特征在于，根据所述能耗进度值所处的区间范围，对当月能耗预警或报警。
17.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-16中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910277642.9A CN110009156A (zh) | 2019-04-08 | 2019-04-08 | 建筑能耗预算管理方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910277642.9A CN110009156A (zh) | 2019-04-08 | 2019-04-08 | 建筑能耗预算管理方法和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009156A true CN110009156A (zh) | 2019-07-12 |
Family
ID=67170377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910277642.9A Pending CN110009156A (zh) | 2019-04-08 | 2019-04-08 | 建筑能耗预算管理方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009156A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686427A (zh) * | 2020-12-14 | 2021-04-20 | 博锐尚格科技股份有限公司 | 一种动态调整的建筑能耗预算管理目标确定方法及装置 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和*** |
| CN113468157A (zh) * | 2021-07-12 | 2021-10-01 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
| CN113886927A (zh) * | 2021-10-18 | 2022-01-04 | 广东电网有限责任公司 | 空调***末端设备逐时能耗拆分方法、装置及设备及介质 |
| CN116255655A (zh) * | 2023-05-11 | 2023-06-13 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、***和介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
-
2019
- 2019-04-08 CN CN201910277642.9A patent/CN110009156A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜瑞芝: ""GM-WLSSVM模型在办公建筑电力能耗预测中的应用"", 《计算机应用与软件》 * |
| 狄彦强: ""某办公建筑机电***能耗拆分实例研究"", 《2018供热工程建设与高效运行研讨会论文集》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686427A (zh) * | 2020-12-14 | 2021-04-20 | 博锐尚格科技股份有限公司 | 一种动态调整的建筑能耗预算管理目标确定方法及装置 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和*** |
| CN113468157A (zh) * | 2021-07-12 | 2021-10-01 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
| CN113468157B (zh) * | 2021-07-12 | 2024-04-26 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
| CN113886927A (zh) * | 2021-10-18 | 2022-01-04 | 广东电网有限责任公司 | 空调***末端设备逐时能耗拆分方法、装置及设备及介质 |
| CN116255655A (zh) * | 2023-05-11 | 2023-06-13 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、***和介质 |
| CN116255655B (zh) * | 2023-05-11 | 2023-07-07 | 中铁建工集团有限公司 | 基于大数据的设备智能检调方法、***和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009156A (zh) | 建筑能耗预算管理方法和存储介质 | |
| Ahmad et al. | Short and medium-term forecasting of cooling and heating load demand in building environment with data-mining based approaches | |
| Afram et al. | Black-box modeling of residential HVAC system and comparison of gray-box and black-box modeling methods | |
| CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
| Pombeiro et al. | Dynamic programming and genetic algorithms to control an HVAC system: Maximizing thermal comfort and minimizing cost with PV production and storage | |
| Manfren et al. | Calibration and uncertainty analysis for computer models–a meta-model based approach for integrated building energy simulation | |
| US9568519B2 (en) | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data | |
| Brown et al. | Kernel regression for real-time building energy analysis | |
| US9429921B2 (en) | Method and system for energy control management | |
| Čongradac et al. | Recognition of the importance of using artificial neural networks and genetic algorithms to optimize chiller operation | |
| Urieli et al. | A learning agent for heat-pump thermostat control | |
| Lai et al. | Vapnik's learning theory applied to energy consumption forecasts in residential buildings | |
| Delcroix et al. | Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings | |
| CA2847232A1 (en) | Dynamic tagging to create logical models and optimize caching in energy management systems | |
| O’Donnell et al. | Scenario modelling: A holistic environmental and energy management method for building operation optimisation | |
| Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
| Maddalena et al. | Experimental data-driven model predictive control of a hospital HVAC system during regular use | |
| EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
| KR20190102391A (ko) | 인공 신경망을 이용한 개인의 만족도 예측을 통해 건물의 열 에너지 시스템을 제어하는 방법 및 장치 | |
| CN110736225A (zh) | 空调的控制方法和装置 | |
| Zhang et al. | A systematic feature extraction and selection framework for data-driven whole-building automated fault detection and diagnostics in commercial buildings | |
| Qiu et al. | Model-free optimal chiller loading method based on Q-learning | |
| CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
| Triolo et al. | Estimating cooling demand flexibility in a district energy system using temperature set point changes from selected buildings | |
| Zhao et al. | Prediction of functional zones cooling load for shopping mall using dual attention based LSTM: A case study |
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 | ||
| CB02 | Change of applicant information |
Address after: 100088 Room 221, Building 5, 11 Deshengmenwai Street, Xicheng District, Beijing Applicant after: Borui Shangge Technology Co., Ltd Address before: Room 221, Building 5, 11 Deshengmen Avenue, Xicheng District, Beijing, 100120 Applicant before: BEIJING PERSAGY ENERGY SAVING TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |