CN112116496B - 能耗诊断规则的配置方法和装置 - Google Patents
能耗诊断规则的配置方法和装置 Download PDFInfo
- Publication number
- CN112116496B CN112116496B CN202011030052.5A CN202011030052A CN112116496B CN 112116496 B CN112116496 B CN 112116496B CN 202011030052 A CN202011030052 A CN 202011030052A CN 112116496 B CN112116496 B CN 112116496B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption data
- diagnostic
- point
- diagnosis
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 366
- 238000003745 diagnosis Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000007621 cluster analysis Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010863 targeted diagnosis 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种能耗诊断规则的配置方法和装置,该方法包括,以近N天内目标建筑的诊断点位采集到的所有能耗数据作为诊断点位的能耗数据集;利用聚类分析算法将诊断点位的能耗数据集分类为一类能耗数据和二类能耗数据;根据分类后的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;计算得到诊断点位在每一种时段内采集的所有能耗数据的统计指标,作为诊断点位在该时段对应的诊断阈值;每一种时段和对应的诊断阈值,组成诊断点位的诊断规则。本方案根据诊断点位近期采集的能耗数据动态地确定诊断规则,确保诊断规则与目标建筑近期实际的能源使用情况相匹配,进而提高后续的能耗检测的准确度。
Description
技术领域
本发明涉及能耗检测技术领域,特别涉及一种能耗诊断规则的配置方法和装置。
背景技术
随着节能减排思想的普及,对于如商场,写字楼等大型建筑物的能耗的检测日益受到人们的关注。现有方法一般是在目标建筑的电力***中安装多个位于不同位置的传感器,每一个传感器相当于目标建筑的一个能耗诊断点位,每个诊断点位均按一定时间间隔定时采集对应位置上的能耗数据并上传至计算机。对于每一个诊断点位,计算机可以将该诊断点位当前采集的能耗数据(如电流,电压,功率等)和预设的能耗诊断规则中对应的阈值进行比对,以判断该诊断点位是否发生异常,由此可以及时的检测出目标建筑内的异常能耗并提示有关人员维护。
目前的能耗诊断规则,一般是有关人员根据目标建筑过去一段时间内的历史能耗数据和经验设定,设定好之后就写入计算机,使计算机基于能耗诊断规则进行检测。
现有技术的问题在于,目标建筑被使用一段时间后,其真实的能耗情况可能会相对于设定能耗诊断规则时参考的历史能耗数据发生偏差,导致当前的能耗诊断规则与近期目标建筑实际的能源使用情况不匹配,使得根据能耗诊断规则进行的能耗检测的结果的准确度较低。
发明内容
针对上述现有技术存在的问题,本申请提供一种能耗诊断规则的配置方法和装置,以提高能耗检测的结果的准确度。
本申请提供一种能耗诊断规则的配置方法,包括:
获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为所述诊断点位的能耗数据集;其中,所述预设时长包括以当前时刻作为结束时刻的前N天,所述N为预设的正整数;
利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据;其中,所述一类能耗数据的聚类中心小于所述二类能耗数据的聚类中心;
根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;
针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值;其中,所述诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成所述诊断点位的诊断规则。
可选的,所述利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据之前,还包括:
对所述诊断点位的能耗数据集进行数据清洗和特征转换;
其中,所述利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据,包括:
利用聚类分析算法将经过数据清洗和特征转换后的所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
可选的,所述针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值之后,还包括:
若所述诊断点位已配置有诊断规则,将当前生成的诊断规则和所述诊断点位已配置的诊断规则进行比对;
若当前生成的诊断规则和所述诊断点位已配置的诊断规则的相似度低于预设的阈值,则输出规则变更提示信息;其中,所述规则变更提示信息用于提示用户是否将所述诊断点位已配置的诊断规则变更为当前生成的诊断规则。
可选的,所述针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值之后,还包括:
实时获取所述诊断点位当前采集的能耗数据;
根据所述诊断点位的诊断规则,确定所述当前采集的能耗数据所对应的采集时间属于所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段或者休息日非运行时段;
若所述当前采集的能耗数据,大于所述采集时间所属的时段的诊断阈值,输出所述诊断点位的异常提示信息。
可选的,所述根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段之前,还包括:
根据所述能耗数据集计算得到所述诊断点位的规律性指标;
若所述规律性指标小于或等于预设的规律性阈值,输出所述诊断点位的规律性预警信息。
本申请第二方面提供一种能耗诊断规则的配置装置,包括:
获取单元,用于获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为所述诊断点位的能耗数据集;其中,所述预设时长包括以当前时刻作为结束时刻的前N天,所述N为预设的正整数;
分类单元,用于利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据;其中,所述一类能耗数据的聚类中心小于所述二类能耗数据的聚类中心;
确定单元,用于根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;
计算单元,用于针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值;其中,所述诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成所述诊断点位的诊断规则。
可选的,还包括:
预处理单元,用于对所述诊断点位的能耗数据集进行数据清洗和特征转换;
其中,所述分类单元利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据时,具体用于:
利用聚类分析算法将经过数据清洗和特征转换后的所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
可选的,所述配置装置还包括比对单元,用于:
若所述诊断点位已配置有诊断规则,将当前生成的诊断规则和所述诊断点位已配置的诊断规则进行比对;
若当前生成的诊断规则和所述诊断点位已配置的诊断规则的相似度低于预设的阈值,则输出规则变更提示信息;其中,所述规则变更提示信息用于提示用户是否将所述诊断点位已配置的诊断规则变更为当前生成的诊断规则。
可选的,所述配置装置还包括诊断单元,用于:
实时获取所述诊断点位当前采集的能耗数据;
根据所述诊断点位的诊断规则,确定所述当前采集的能耗数据所对应的采集时间属于所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段或者休息日非运行时段;
若所述当前采集的能耗数据,大于所述采集时间所属的时段的诊断阈值,输出所述诊断点位的异常提示信息。
可选的,所述配置装置还包括检测单元,用于:
根据所述能耗数据集计算得到所述诊断点位的规律性指标;
若所述规律性指标小于或等于预设的规律性阈值,输出所述诊断点位的规律性预警信息。
本申请提供一种能耗诊断规则的配置方法和装置,该方法包括,以近N天内目标建筑的诊断点位采集到的所有能耗数据作为诊断点位的能耗数据集;利用聚类分析算法将诊断点位的能耗数据集分类为一类能耗数据和二类能耗数据;根据分类后的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;计算得到诊断点位在每一种时段内采集的所有能耗数据的统计指标,作为诊断点位在该时段对应的诊断阈值;每一种时段和对应的诊断阈值,组成诊断点位的诊断规则。本方案根据诊断点位近期采集的能耗数据动态地确定诊断规则,确保诊断规则与目标建筑近期实际的能源使用情况相匹配,进而提高后续的能耗检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种能耗诊断规则的配置方法的流程图;
图2为本申请另一实施例提供的一种能耗诊断规则的配置方法的流程图;
图3为本申请实施例提供的一种能耗诊断装置的结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参考图1,本申请实施例提供一种能耗诊断规则的配置方法,该方法可以包括以下步骤:
首先需要说明的是,本申请任一实施例所提供的配置方法,均可以适用于任意一个需要进行能耗检测的建筑物,即目标建筑的任意一个或多个诊断点位。
也就是说,本申请任一实施例所提供的诊断规则的配置方法,可以用于按一定的时间间隔配置(例如,每隔N天配置一次)目标建筑内某一个或者某几个指定的诊断点位的诊断规则,也可以,按一定的时间间隔配置目标建筑内所有诊断点位的诊断规则。
为了方便理解本申请所提供的方法,后续实施例均结合配置一个诊断点位的诊断规则的过程说明本申请所提供的诊断规则配置方法,在实际实施时,只需要针对目标建筑的每一个诊断点位均执行本申请实施例提供的方法,就可以实现对目标建筑的每一个诊断点位的诊断规则的配置。
还需要说明的是,当被配置的诊断点位已有诊断规则时,本申请所提供的诊断规则的配置方法,可以理解为,将该诊断点位原有的诊断规则,更新为执行本申请任一实施例的配置方法后得到的诊断规则。
S101、获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为诊断点位的能耗数据集。
其中,预设时长包括以当前时刻作为结束时刻的前N天,N为预设的正整数。
N的数值可以根据目标建筑每天的能耗使用情况的变化程度确定,若目标建筑的每天的能耗使用情况频繁的发生变化,例如,每经过两到三天,每天的日均能耗就会有大幅度的上升或下降,那么,可以设置一个较小的N值,若目标建筑的每天的能耗使用情况较为平稳,例如,最近20天内每一天的日均能耗均接近于前一天的日均能耗,则可以设置一个较大的N值。
一般的,N应当设定为大于或等于7的整数。
如背景技术所述,一个诊断点位可以按一定的时间间隔定时采集所在位置的能耗数据,例如,可以每隔5分钟采集所在位置的功率数据,采集得到的数据记为X(i,j),其中,j表示采集到的是当天的第j个数据,i表示该数据是第i天的数据,进一步的,在有多个诊断点位的场合,为了区分不同诊断点位采集的能耗数据,可以进一步将某个诊断点位采集的能耗数据记为X(i,j,k),其中,k是为每一个诊断点位预先配置的唯一的诊断点位标识。
结合上述例子,假设一个诊断点位每隔5分钟采集得到一个能耗数据X(i,j),一天内可以采集到M个能耗数据,则步骤S101中就可以获取到最近N天每一天采集的M个能耗数据,即能耗数据集包含N×M。
S102、利用聚类分析算法将诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
其中,一类能耗数据的聚类中心小于二类能耗数据的聚类中心。
聚类分析算法是一类常见的数据分析算法,聚类分析算法能够在预先设定若干个聚类中心的基础上,将一个数据集中的大量数据按照与聚类中心的距离划分为对应的多个类别,每一个类别对应于设定的一个聚类中心。本实施例可以使用K-means聚类算法对诊断点位的能耗数据集进行分类,当然,在其他可选的实施例中,也可以采用其他任意一种现有的聚类分析算法执行步骤S102的分类过程。
执行步骤S102时,可以对每一个能耗数据配置一个对应的类别标签,以区分不同类的能耗数据,对于能耗数据X(i,j),其类别标签可以记为C(i,j),其中,类别标签C(i,j)的值可以是0或者1,若能耗数据X(i,j)是一类能耗数据,则对应的类别标签C(i,j)的值为0,反之,若能耗数据X(i,j)为二类能耗数据,则对应的类别标签C(i,j)的值为1。
S103、根据分类后的诊断点位的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段。
步骤S103的具体执行过程如下:
首先,在分类完成后,针对每一个能耗数据X(i,j),根据在这个能耗数据之前采集的其他能耗数据的类别,在这个能耗数据之后采集的其他能耗数据,以及这个能耗数据的类别,确定采集这个能耗数据的时间点,是开启时间点,关闭时间点,或者既不属于开启时间点也不属于关闭时间点。
具体的,若一个能耗数据X(i,j),满足C(i,j-1)等于0,C(i,j)等于0,C(i,j+1)等于1,C(i,j+1)等于1的条件,则确定这个能耗数据对应的时间点(即采集这个能耗数据的时间点)是开启时间点。若能耗数据X(i,j),满足C(i,j-1)等于1,C(i,j)等于1,C(i,j+1)等于0,C(i,j+1)等于0的条件,则确定这个能耗数据对应的时间点是关闭时间点。进一步的,若能耗数据X(i,j)不满足上述两个条件中的任意一个,则确定这个能耗数据对应的时间点既不属于开启时间点也不属于关闭时间点。
其中,C(i,j)为能耗数据X(i,j)的类别标签,C(i,j-1)为能耗数据X(i,j)的前一个能耗数据X(i,j-1)的类别标签,C(i,j+1)为能耗数据X(i,j)的后一个能耗数据X(i,j+1)的类别标签,C(i,j+2)为能耗数据X(i,j)之后的第二个能耗数据X(i,j+2)的类别标签。
例如,假设诊断点位每5分钟(min)采集一个能耗数据,能耗数据X(i,j-1)至能耗数据X(i,j+2)依次是在T1至T4时刻采集的,X(i,j)是在T2时刻采集的,则:
T1=T2-5min;T3=T2+5min;T4=T2+10min。
由此可以从能耗数据集中确定出多个对应的时间点是开启时间点或者是关闭时间点的能耗数据。
需要说明的是,若能耗数据X(i,j)的前一个能耗数据,是前一天的采集的能耗数据,或者能耗数据X(i,j)的后一个能耗数据以及之后的第二个能耗数据是后一天的能耗数据,则上述标记需要进行对应的调整。
具体来说,对于前一种情况,C(i,j-1)就变更前一天的最后一个能耗数据的类别标签,对于后一种情况,C(i,j+1)和C(i,j+2)就变更为后一天采集的第一个和第二个能耗数据的类别标签,也就是C(i+1,1)和C(i+1,2)。
在此基础上,一方面,在步骤S101所述的最近N天中确定出所有的工作日,统计所有工作日,属于一天中的同一时刻的时间点中开启时间点的数量和关闭时间点的数量。若某一时刻对应的所有时间点中开启时间点的数量大于最近N天中工作日的总数的80%,则将该时刻确定为工作日的开时刻,反之,若某一时刻对应的所有时间点中关闭时间点的数量大于最近N天中工作日的总数的80%,则将该时刻确定为工作日的关时刻。
对应的,若某一时刻对应的所有时间点中有部分开启时间点,或者有部分关闭时间点,但是开启时间点的数量或者关闭时间点的数量不满足上述条件,则确定该时刻不是开时刻或者关时刻。
举例来说,假设N的取值为30,最近30天内有20个工作日,最近30天中,每一天的10:00诊断点位均会采集到一个能耗数据,那么这20个工作日中在10:00采集到的能耗数据共计有20个,对应的时间点也就有20个,20的80%等于16。假设这20个时间点中有16个以上的开启时间点,则将工作日的10:00确定为工作日的开时刻,若这20个时间点中有16个以上的关闭时间点,则将工作日的10:00确定为工作日的关时刻,若这20个时间点不满足上述两个条件中任意一个条件,则确定工作日的10:00既不是开时刻也不是关时刻。
另一方面,对于休息日的开时刻和关时刻的确定方法与工作日相同,在步骤S101所述的最近N天中确定出所有的休息日,统计所有休息日,属于一天中的同一时刻的时间点中开启时间点的数量和关闭时间点的数量。若某一时刻对应的所有时间点中开启时间点的数量大于最近N天中休息日的总数的80%,则将该时刻确定为休息日的开时刻,反之,若某一时刻对应的所有时间点中关闭时间点的数量大于最近N天中休息日的总数的80%,则将该时刻确定为休息日的关时刻。
确定了开时刻和关时刻之后,对于每一个开时刻(不论是工作日的开时刻还是休息日的开时刻),将这个开时刻和这个开时刻之后的第一个关时刻(不论是工作日的关时刻还是休息日的关时刻)之间的时间段(简称时段),确定为运行时段,若这一运行时段完全属于工作日或休息日,则这一时段记为工作日运行时段或者休息日运行时段,若这一运行时段一部分属于工作日,另一部分属于休息日,则将属于工作日的那一段时间确定为工作日运行时段,将属于休息日的那一段时间确定为休息日运行时段。
对应的,对于每一个关时刻(不论是工作日的关时刻还是休息日的关时刻),将这个关时刻和这个关时刻之后的第一个开时刻(不论是工作日的开时刻还是休息日的开时刻)之间的时间段确定为非运行时段,具体确定为工作日非运行时段还是休息日非运行时段可以参考前述运行时段的确定方式,此处不再详述。
S104、针对诊断点位的每一种时段,计算得到诊断点位在时段内采集的所有能耗数据的统计指标,作为诊断点位在时段对应的诊断阈值。
上述统计指标,可以是,对应时段内诊断点位采集到的所有能耗数据的算术平均值,或者加权平均值,当然,也可以除平均值以外的其他统计指标,例如对应时段内采集的能耗数据的中位数等。
以工作日运行时段为例进行说明,假设在步骤S103中,确定了每个工作日的8:00至11:00为一个工作日运行时段,记为工作日运行时段1,那么,在步骤S104中,可以从前述能耗数据集中,获取在每一个工作日的8:00至11:00这段时间内采集到的诊断数据,将获取到的所有诊断数据作为在工作日运行时段1采集到的诊断数据子集,随后,统计工作日运行时段1的这个诊断数据子集的某一统计指标,将统计结果作为针对该诊断点位的工作日运行时段1的诊断阈值。可选的,也可以获得统计结果后,根据历史经验对统计结果进行一定的调整,例如将统计结果乘以预设的系数,以计算结果作为该诊断点位的工作日运行时段1的诊断阈值。
确定了工作日运行时段1的诊断阈值之后,后续进行能耗检测时,针对该诊断点位在工作日的8:00至11:00这一时间段内每一次采集到的能耗数据,若该能耗数据大于诊断阈值,则确定该能耗数据为异常数据。
对于其他时段的诊断阈值的确定方法与上述例子基本一致,只需要从步骤S101中获取的能耗数据集中提取每一个在对应时段内采集的能耗数据,然后对提取的多个能耗数据统计出对应的统计指标即可,此处不再详述。
为了进行区别,将根据工作日运行时段的能耗数据确定的诊断阈值记为第一诊断阈值,将根据工作日非运行时段的能耗数据确定的诊断阈值记为第二诊断阈值,将根据休息日运行时段的能耗数据确定的诊断阈值记为第三诊断阈值,将根据休息日非运行时段的能耗数据确定的诊断阈值记为第四诊断阈值。
其中,诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成诊断点位的诊断规则。
需要说明的是,对于设置有多个诊断点位的目标建筑,每一个诊断点位都有其对应的诊断规则,对于不同的诊断点位,其对应的诊断规则所划分的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段以及每种时段对应的阈值,均有可能不相同。因此,在实际进行能耗检测时,对于每一个诊断点位每一次采集到的能耗数据,均应该根据该诊断点位对应的诊断规则确定当前属于哪一时段,并根据该诊断点位对应的诊断规则中对应时段的诊断阈值判断采集的能耗是否异常。
本申请提供一种能耗诊断规则的配置方法,该方法包括,以近N天内目标建筑的诊断点位采集到的所有能耗数据作为诊断点位的能耗数据集;利用聚类分析算法将诊断点位的能耗数据集分类为一类能耗数据和二类能耗数据;根据分类后的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;计算得到诊断点位在每一种时段内采集的所有能耗数据的统计指标,作为诊断点位在该时段对应的诊断阈值;每一种时段和对应的诊断阈值,组成诊断点位的诊断规则。本方案根据诊断点位近期采集的能耗数据动态地确定诊断规则,确保诊断规则与目标建筑近期实际的能源使用情况相匹配,进而提高后续的能耗检测的准确度。
本申请另一实施例还提供一种能耗诊断规则的配置方法,请参考图2,该方法可以包括以下步骤:
S201、获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为诊断点位的能耗数据集。
S202、对诊断点位的能耗数据集进行数据预处理。
数据预处理,具体可以包括数据清洗和特征转换两个步骤。
其中,数据清洗,是指,从步骤S201获取的能耗数据集中,按照能耗数据的大小删除前2%的能耗数据,然后再删除其中小于0的能耗数据。
特征转换,是指,针对能耗数据集中的每一个能耗数据X(i,j),利用下述公式计算该能耗数据对应的转换能耗数据Y(i,j):
其中,std(Xk)表示诊断点位k的,经过数据清洗后的能耗数据集的标准差。
通过特征转换,能耗数据集中的每一个能耗数据X(i,j,k)均被转换为对应的转换能耗数据Y(i,j,k)。
本实施例后续步骤中对能耗数据集的处理,均针对经过步骤S202的数据预处理之后的能耗数据集进行。
S203、判断诊断点位的规律性指标是否大于规律性阈值。
若规律性指标均大于规律性阈值,则执行步骤S205,反之,若规律性指标小于或等于规律性阈值,则执行步骤S204。
可选的,规律性阈值可以设置为0.35。
任意一个诊断点位k的规律性指标Pk的计算方法如下:
其中,M表示诊断点位k每一天采集到的能耗数据的个数为M,std(Yj)表示,针对步骤S201中获取的最近N天的能耗数据,选取每一天采集到的第j个转换能耗数据构成一个能耗数据子集,然后计算这个能耗数据子集的标准差,计算结果就是std(Yj)。
例如,假设每一天诊断点位k采集到40个能耗数据,前述预设时长包括最近30天。
逐一获取最近30天中每一天诊断点位k采集到的第一个能耗数据对应的转换能耗数据,然后计算这30个转换能耗数据的标准差,得到的计算结果就是std(Y1)。
总而言之,std(Yj)可以理解为预设时长内的每一天在同一时刻采集的能耗数据的标准差。
需要说明的是,计算规律性指标的步骤除了可以适用于本实施例中经过数据预处理的能耗数据集以外,还可以适用于未经过数据预处理的能耗数据集。
std(Yk)表示对步骤S201中获取的诊断点位k的能耗数据集进行数据预处理后得到的数据集的标准差。
S204、输出诊断点位的规律性预警信息。
诊断点位的规律性预警信息,用于说明该诊断点位某一天的规律性指标小于或等于规律性阈值。
可选的,输出规律性预警信息之后,可以继续执行步骤S205,也可以直接结束本方法,也就是不为规律性指标小于或等于规律性阈值的诊断点位配置诊断规则。
S205、利用聚类分析算法将诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
S206、根据分类后的诊断点位的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段。
S207、针对诊断点位的每一种时段,计算得到诊断点位在时段内采集的所有能耗数据的统计指标,作为诊断点位在时段对应的诊断阈值。
如前文所述,对于一个诊断点位k,划分完上述四种时段并确定每一种时段的诊断阈值之后,就相当于获得了该诊断点位k的诊断规则。
进一步的,在本实施例中,若诊断点位k已经配置有诊断规则,则可以将已配置的诊断规则,和步骤S206和步骤S207中生成的诊断规则进行比较,根据比较结果决定是否将已配置的诊断规则更新为当前生成的诊断规则。
具体比较过程参考步骤S208。
S208、将当前生成的诊断规则和诊断点位已配置的诊断规则进行比对。
若当前生成的诊断规则和已配置的诊断规则的相似度小于预设的阈值,则执行步骤S209,若当前生成的诊断规则和已配置的诊断规则的相似度大于或等于预设的阈值,则执行步骤S210。
两个诊断规则之间的相似度可以用划分的时段的差别,以及对应时段的诊断阈值的差别表示。
具体来说,两个诊断规则划分的工作日运行时段,工作日非运行时段,休息日运行时段,休息日非运行时段之间的差别越大,则这两个诊断规则的相似度越低,另外,若两个诊断规则在对应时段确定的诊断阈值的差别越大,则两个诊断规则的相似度越低,反之,若两个诊断规则所划分的各个时段基本重合,每个时段的诊断阈值基本一致,则这两个诊断规则的相似度较高。
S209、输出规则变更提示信息。
其中,规则变更提示信息用于提示用户是否将诊断点位已配置的诊断规则变更为当前生成的诊断规则。
若用户确定将诊断点位已配置的诊断规则更新为当前生成的诊断规则,那么可以继续执行步骤S210。
反之,若用户确定不更新已配置的诊断规则,那么可以将步骤S206和步骤S207中生成的诊断规则确定为能耗诊断问题,并存储在数据库中。
S210、将诊断点位已配置的诊断规则更新为当前生成的诊断规则。
本实施例在配置诊断规则之前,对能耗数据进行数据预处理,以及规律性指标的检测,其中,数据预处理能够筛选掉能耗数据集中过大或过小的异常能耗数据,规律性指标检测则可以及时地发现某些短时间内能耗数据波动过大的诊断点位,以便有关人员配置针对性的诊断规则。
本申请实施例针对目标建筑的任意一个诊断点位所配置的诊断规则,其具体用处可以参考如下能耗检测过程:
针对任意一个诊断点位k,实时获取该诊断点位当前采集的能耗数据。
获取当前的能耗数据之后,确定该能耗数据的采集时间位于诊断点位k的诊断规则中的哪一个时段内。
假设当前采集的能耗数据的采集时间位于诊断点位k的工作日运行时段内,那么,就可以从诊断点位k的诊断规则中,获取工作日运行时段的诊断阈值,随后,将当前采集的能耗数据和诊断点位k在工作日运行时段的诊断阈值进行比较,若当前采集的能耗数据大于诊断点位k在工作日运行时段的诊断阈值,则确定当前采集的能耗数据为异常能耗数据,检测到异常能耗数据后,可以将异常能耗数据和对应的采集时间,采集该异常能耗数据的诊断点位的标识对应的记录在数据库中,并且输出异常提示信息,用于提示相关人员在诊断点位k出现异常能耗数据。
若当前采集的能耗数据,小于工作日运行时段的诊断阈值,则确定该能耗数据为正常能耗数据,继续检测下一个能耗数据。
可以理解的,以上针对一个诊断点位k在工作日运行时段的检测过程的说明,同样可以适用于目标建筑的任意一个诊断点位在任意时段的检测。
结合本申请任一实施例所提供的诊断规则的配置方法,本申请实施例还提供一种能耗诊断规则的配置装置,请参考图3,该装置可以包括以下单元:
获取单元301,用于获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为诊断点位的能耗数据集。
其中,预设时长包括以当前时刻作为结束时刻的前N天,N为预设的正整数。
分类单元302,用于利用聚类分析算法将诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
其中,一类能耗数据的聚类中心小于二类能耗数据的聚类中心。
确定单元303,用于根据分类后的诊断点位的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段。
计算单元304,用于针对诊断点位的每一种时段,计算得到诊断点位在时段内采集的所有能耗数据的统计指标,作为诊断点位在时段对应的诊断阈值。
其中,诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成诊断点位的诊断规则。
可选的,该装置还包括:
预处理单元305,用于对诊断点位的能耗数据集进行数据清洗和特征转换。
其中,分类单元302利用聚类分析算法将诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据时,具体用于:
利用聚类分析算法将经过数据清洗和特征转换后的诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
可选的,该装置还包括比对单元306,用于:
若诊断点位已配置有诊断规则,将当前生成的诊断规则和诊断点位已配置的诊断规则进行比对;
若当前生成的诊断规则和诊断点位已配置的诊断规则的相似度低于预设的阈值,则输出规则变更提示信息;其中,规则变更提示信息用于提示用户是否将诊断点位已配置的诊断规则变更为当前生成的诊断规则。
可选的,该装置还包括诊断单元307,用于:
实时获取诊断点位当前采集的能耗数据;
根据诊断点位的诊断规则,确定当前采集的能耗数据所对应的采集时间属于诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段或者休息日非运行时段;
若当前采集的能耗数据,大于采集时间所属的时段的诊断阈值,输出诊断点位的异常提示信息。
可选的,该装置还包括检测单元308,用于:
根据能耗数据集计算得到诊断点位的规律性指标;
若规律性指标小于或等于预设的规律性阈值,输出诊断点位的规律性预警信息。
本申请实施例所提供的能耗诊断规则的配置装置,其具体工作原理可以参考本申请任一实施例所提供的能耗诊断规则的配置方法的对应步骤,此处不再详述。
本申请提供一种能耗诊断规则的配置装置,该装置包括,获取单元301,用于以近N天内目标建筑的诊断点位采集到的所有能耗数据作为诊断点位的能耗数据集;分类单元302利用聚类分析算法将诊断点位的能耗数据集分类为一类能耗数据和二类能耗数据;确定单元303根据分类后的能耗数据集,确定诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;计算单元304,计算得到诊断点位在每一种时段内采集的所有能耗数据的统计指标,作为诊断点位在该时段对应的诊断阈值;每一种时段和对应的诊断阈值,组成诊断点位的诊断规则。本方案根据诊断点位近期采集的能耗数据动态地确定诊断规则,确保诊断规则与目标建筑近期实际的能源使用情况相匹配,进而提高后续的能耗检测的准确度。
本申请实施例还提供一种计算机存储介质,用于存储计算机程序,存储的计算机程序被执行时,具体用于实现本申请任一实施例所提供的诊断规则的配置方法。
本申请实施例还提供一种电子设备,请参考图4,该电子设备包括存储器401和处理器402,其中,存储器401用于存储计算机程序,处理器402用于执行存储器401存储的计算机程序,具体用于实现本申请任一实施例所提供的诊断规则的配置方法。
最后,还需要说明的是,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。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种能耗诊断规则的配置方法,其特征在于,包括:
获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为所述诊断点位的能耗数据集;其中,所述预设时长包括以当前时刻作为结束时刻的前N天,所述N为预设的正整数;
利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据;其中,所述一类能耗数据的聚类中心小于所述二类能耗数据的聚类中心;
根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;
其中,所述工作日运行时段为位于工作日的运行时段,所述工作日非运行时段为位于工作日的非运行时段,所述休息日运行时段为位于休息日的运行时段,所述休息日非运行时段为位于休息日的非运行时段;所述运行时段为开启时间点与所述开启时间点之后的第一个关闭时间点之间的时间段;所述非运行时段为所述关闭时间点与所述关闭时间点之后的第一个开启时间点之间的时间段;所述开启时间点和所述关闭时间点,由所述能耗数据之前采集的其他能耗数据的类别、在所述能耗数据之后采集的其他能耗数据的类别,以及所述能耗数据的类别确定;
针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值;其中,所述诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成所述诊断点位的诊断规则。
2.根据权利要求1所述的配置方法,其特征在于,所述利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据之前,还包括:
对所述诊断点位的能耗数据集进行数据清洗和特征转换;
其中,所述利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据,包括:
利用聚类分析算法将经过数据清洗和特征转换后的所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
3.根据权利要求1所述的配置方法,其特征在于,所述针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值之后,还包括:
若所述诊断点位已配置有诊断规则,将当前生成的诊断规则和所述诊断点位已配置的诊断规则进行比对;
若当前生成的诊断规则和所述诊断点位已配置的诊断规则的相似度低于预设的阈值,则输出规则变更提示信息;其中,所述规则变更提示信息用于提示用户是否将所述诊断点位已配置的诊断规则变更为当前生成的诊断规则。
4.根据权利要求1所述的配置方法,其特征在于,所述针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值之后,还包括:
实时获取所述诊断点位当前采集的能耗数据;
根据所述诊断点位的诊断规则,确定所述当前采集的能耗数据所对应的采集时间属于所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段或者休息日非运行时段;
若所述当前采集的能耗数据,大于所述采集时间所属的时段的诊断阈值,输出所述诊断点位的异常提示信息。
5.根据权利要求1所述的配置方法,其特征在于,所述根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段之前,还包括:
根据所述能耗数据集计算得到所述诊断点位的规律性指标;
若所述规律性指标小于或等于预设的规律性阈值,输出所述诊断点位的规律性预警信息。
6.一种能耗诊断规则的配置装置,其特征在于,包括:
获取单元,用于获取预设时长内目标建筑的诊断点位采集到的所有能耗数据,作为所述诊断点位的能耗数据集;其中,所述预设时长包括以当前时刻作为结束时刻的前N天,所述N为预设的正整数;
分类单元,用于利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据;其中,所述一类能耗数据的聚类中心小于所述二类能耗数据的聚类中心;
确定单元,用于根据分类后的所述诊断点位的能耗数据集,确定所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段和休息日非运行时段;其中,所述工作日运行时段为位于工作日的运行时段,所述工作日非运行时段为位于工作日的非运行时段,所述休息日运行时段为位于休息日的运行时段,所述休息日非运行时段为位于休息日的非运行时段;所述运行时段为开启时间点与所述开启时间点之后的第一个关闭时间点之间的时间段;所述非运行时段为所述关闭时间点与所述关闭时间点之后的第一个开启时间点之间的时间段;所述开启时间点和所述关闭时间点,由所述能耗数据之前采集的其他能耗数据的类别、在所述能耗数据之后采集的其他能耗数据的类别,以及所述能耗数据的类别确定;
计算单元,用于针对所述诊断点位的每一种时段,计算得到所述诊断点位在所述时段内采集的所有能耗数据的统计指标,作为所述诊断点位在所述时段对应的诊断阈值;其中,所述诊断点位的工作日运行时段和对应的第一诊断阈值,工作日非运行时段和对应的第二诊断阈值,休息日运行时段和对应的第三诊断阈值,以及休息日非运行时段和对应的第四诊断阈值,组成所述诊断点位的诊断规则。
7.根据权利要求6所述的配置装置,其特征在于,还包括:
预处理单元,用于对所述诊断点位的能耗数据集进行数据清洗和特征转换;
其中,所述分类单元利用聚类分析算法将所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据时,具体用于:
利用聚类分析算法将经过数据清洗和特征转换后的所述诊断点位的能耗数据集包含的能耗数据分类为一类能耗数据和二类能耗数据。
8.根据权利要求6所述的配置装置,其特征在于,所述配置装置还包括比对单元,用于:
若所述诊断点位已配置有诊断规则,将当前生成的诊断规则和所述诊断点位已配置的诊断规则进行比对;
若当前生成的诊断规则和所述诊断点位已配置的诊断规则的相似度低于预设的阈值,则输出规则变更提示信息;其中,所述规则变更提示信息用于提示用户是否将所述诊断点位已配置的诊断规则变更为当前生成的诊断规则。
9.根据权利要求6所述的配置装置,其特征在于,所述配置装置还包括诊断单元,用于:
实时获取所述诊断点位当前采集的能耗数据;
根据所述诊断点位的诊断规则,确定所述当前采集的能耗数据所对应的采集时间属于所述诊断点位的工作日运行时段,工作日非运行时段,休息日运行时段或者休息日非运行时段;
若所述当前采集的能耗数据,大于所述采集时间所属的时段的诊断阈值,输出所述诊断点位的异常提示信息。
10.根据权利要求6所述的配置装置,其特征在于,所述配置装置还包括检测单元,用于:
根据所述能耗数据集计算得到所述诊断点位的规律性指标;
若所述规律性指标小于或等于预设的规律性阈值,输出所述诊断点位的规律性预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030052.5A CN112116496B (zh) | 2020-09-27 | 2020-09-27 | 能耗诊断规则的配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030052.5A CN112116496B (zh) | 2020-09-27 | 2020-09-27 | 能耗诊断规则的配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116496A CN112116496A (zh) | 2020-12-22 |
CN112116496B true CN112116496B (zh) | 2023-12-08 |
Family
ID=73797024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011030052.5A Active CN112116496B (zh) | 2020-09-27 | 2020-09-27 | 能耗诊断规则的配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116496B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10333767A (ja) * | 1997-05-30 | 1998-12-18 | Chubu Nippon Denki Software Kk | 自動運転システムのジョブ実行日決定方式および記録媒体 |
WO2011087169A1 (ko) * | 2010-01-15 | 2011-07-21 | Lim Tae-Hwan | 운영시스템의 장애 등급 판단방법 |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
EP2660770A1 (de) * | 2012-05-02 | 2013-11-06 | Stadt Aachen Gebäudemanagement | Verfahren und System zum Überwachen des Energie- oder Wasserverbrauchs |
CN204011998U (zh) * | 2014-06-30 | 2014-12-10 | 青岛经济技术开发区海尔热水器有限公司 | 一种智能插座 |
CN104749431A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种公共建筑空调***末端设备电耗间接计量*** |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
CN109240263A (zh) * | 2018-09-12 | 2019-01-18 | 深圳市紫衡技术有限公司 | 一种在线节能诊断方法、***、设备、存储介质 |
WO2019235272A1 (ja) * | 2018-06-09 | 2019-12-12 | 備前グリーンエネルギー株式会社 | 省エネ診断プログラム |
CN110988556A (zh) * | 2019-12-20 | 2020-04-10 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
CN111380155A (zh) * | 2020-04-02 | 2020-07-07 | 上海市建筑科学研究院有限公司 | 实时在线冷源运行综合效率用能诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6443601B1 (ja) * | 2017-03-10 | 2018-12-26 | 備前グリーンエネルギー株式会社 | 省エネルギー診断システム、方法及びプログラム |
CN109960539A (zh) * | 2017-12-21 | 2019-07-02 | 广东欧珀移动通信有限公司 | 应用程序预加载方法、装置、存储介质及移动终端 |
-
2020
- 2020-09-27 CN CN202011030052.5A patent/CN112116496B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10333767A (ja) * | 1997-05-30 | 1998-12-18 | Chubu Nippon Denki Software Kk | 自動運転システムのジョブ実行日決定方式および記録媒体 |
WO2011087169A1 (ko) * | 2010-01-15 | 2011-07-21 | Lim Tae-Hwan | 운영시스템의 장애 등급 판단방법 |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
EP2660770A1 (de) * | 2012-05-02 | 2013-11-06 | Stadt Aachen Gebäudemanagement | Verfahren und System zum Überwachen des Energie- oder Wasserverbrauchs |
CN204011998U (zh) * | 2014-06-30 | 2014-12-10 | 青岛经济技术开发区海尔热水器有限公司 | 一种智能插座 |
CN104749431A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种公共建筑空调***末端设备电耗间接计量*** |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
WO2019235272A1 (ja) * | 2018-06-09 | 2019-12-12 | 備前グリーンエネルギー株式会社 | 省エネ診断プログラム |
CN109240263A (zh) * | 2018-09-12 | 2019-01-18 | 深圳市紫衡技术有限公司 | 一种在线节能诊断方法、***、设备、存储介质 |
CN110988556A (zh) * | 2019-12-20 | 2020-04-10 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
CN111380155A (zh) * | 2020-04-02 | 2020-07-07 | 上海市建筑科学研究院有限公司 | 实时在线冷源运行综合效率用能诊断方法 |
Non-Patent Citations (14)
Title |
---|
一种动态实时高校建筑能耗异常检测方法;江航;卢暾;顾寒苏;丁向华;顾宁;;计算机工程(第04期);全文 * |
一种数控切削机床运行能耗状态在线判别方法;王超;刘飞;庹军波;;中国机械工程(第13期);全文 * |
作息模式对建筑能耗模拟的影响分析;耿阳;林波荣;彭渤;;建筑技术开发(第04期);全文 * |
办公建筑逐时能耗异常数据在线插补方法;周璇等;建筑科学;第34 卷(第6 期);第84页左栏第3段,第85页左栏第2段至右栏第2段,第87段表 5及右栏第5段 * |
吴蔚沁 ; .基于机器学习算法的建筑能耗监测数据异常识别及修复方法.建设科技.2017,(第09期),全文. * |
基于SVM的大型公共建筑能耗预测模型与异常诊断;周峰;张立茂;秦文威;吴贤国;林净怡;;土木工程与管理学报(第06期);全文 * |
基于数据监测平台的重庆地区房间空调器使用作息分析;刘猛;晏璐;李金波;徐振坤;杜顺开;;暖通空调(第05期);全文 * |
基于机器学习算法的建筑能耗监测数据异常识别及修复方法;吴蔚沁;;建设科技(第09期);全文 * |
基于计量单元的建筑电耗在线诊断方法;陈莹;张皓;;建设科技(第16期);全文 * |
大型办公建筑照明能耗实测数据分析及模型初探;周欣;燕达;任晓欣;洪天真;;照明工程学报(第04期);全文 * |
模式识别技术在安全级电动阀故障诊断中的应用;杨国峰;胡守印;;核动力工程(第01期);全文 * |
江航 ; 卢暾 ; 顾寒苏 ; 丁向华 ; 顾宁 ; .一种动态实时高校建筑能耗异常检测方法.计算机工程.2017,(第04期),全文. * |
配电网能效管理***设计及应用;黄素娟;王海龙;吴婧妤;吴爽;叶鹏飞;;电工电气(第08期);全文 * |
陈莹 ; 张皓 ; .基于计量单元的建筑电耗在线诊断方法.建设科技.2016,(第16期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112116496A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
Faustine et al. | A survey on non-intrusive load monitoring methodies and techniques for energy disaggregation problem | |
US9817045B2 (en) | Methods and system for nonintrusive load monitoring | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
Chen et al. | Environmental sensors-based occupancy estimation in buildings via IHMM-MLR | |
JP6315905B2 (ja) | 監視制御システム及び制御方法 | |
CN112818066A (zh) | 一种时序数据异常检测方法、装置及电子设备和存储介质 | |
Wang et al. | Automated point mapping for building control systems: Recent advances and future research needs | |
JP2023089004A5 (zh) | ||
CN116821809B (zh) | 基于人工智能的生命体征数据采集*** | |
Mittal et al. | Application of Bayesian Belief Networks for context extraction from wireless sensors data | |
CN116562746B (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
CN111078512A (zh) | 告警记录生成方法、装置、告警设备及存储介质 | |
CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN112116496B (zh) | 能耗诊断规则的配置方法和装置 | |
Sarmas et al. | Baseline energy modeling for improved measurement and verification through the use of ensemble artificial intelligence models | |
JP6625839B2 (ja) | 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法 | |
CN109461231B (zh) | 一种门锁控制方法、装置、控制设备及可读存储介质 | |
JP6626056B2 (ja) | 特徴行動検知装置 | |
ul Islam et al. | A low complexity binary-weighted energy disaggregation framework for residential electricity consumption | |
KR101867222B1 (ko) | 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치 | |
Zhang et al. | Estimating the number of occupants and activity intensity in large spaces with environmental sensors | |
CN110929800B (zh) | 一种基于sax算法的商业体异常用电检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |