CN112884013A - 基于数据挖掘技术的能耗分区方法 - Google Patents
基于数据挖掘技术的能耗分区方法 Download PDFInfo
- Publication number
- CN112884013A CN112884013A CN202110101445.9A CN202110101445A CN112884013A CN 112884013 A CN112884013 A CN 112884013A CN 202110101445 A CN202110101445 A CN 202110101445A CN 112884013 A CN112884013 A CN 112884013A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- cluster
- alist
- clustering
- 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 73
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000007418 data mining Methods 0.000 title claims abstract description 9
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004378 air conditioning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据挖掘技术的能耗分区方法,属于建筑节能技术领域,本发明可以弥补能耗监测***数据利用的空白,对建筑能耗数据进行分类处理,该方法根据监管平台采集数据采用数据挖掘技术对能耗数据进行分类。通过数据分类、数据识别、用能区域划分等步骤,提取用能模式特征值,对不同类型的能耗数据分层识别和利用。对于未装有能耗监测***,比如只能获取其用电总量的建筑,则可以利用本发明通过获取其它建筑的能耗组成信息,之后根据同类型建筑具有相似的功能分区和用能特点等特性将分类方法应用于未装有能耗分项监测***的建筑中,有助于了解未装有能耗监测***的建筑的能耗组成,提高诊断的效率于准确率。
Description
技术领域
本发明属于建筑节能技术领域,主要用于建筑物能耗分类研究,为一种基于数据挖掘技术的建筑能耗分类方法。
背景技术
当前,环境急剧恶化,能源过度消耗,其中建筑物是能源消耗的大户。据统计,全球建筑能源消耗占到了总能源消耗的40%以上。而近几年房地产市场的蓬勃发展和城镇化速度的加快更是加重了这种消耗。在这种背景下,有效认识既有建筑的能耗组成,进行有效的节能诊断,是降低建筑能耗的关键。
目前,许多公共建筑都建立了能耗监管平台,并且在运营过程中积累了大量数据。这不但有助于公共建筑节能管理工作的开展,也可以为建筑节能的科学研究和政府制定政策提供数据支持。针对相关平台的数据的利用状况,主要可分为三种方向。第一个方向是用于监测主要用能设备运行情况,揭示建筑用能设备在运行过程中,存在的维护水平问题及粗放式管理的不足。第二个应用方向是在搭建监测平台时与数学算法结合,实现建筑的自动报告与预警功能。将监测平台与BIM技术结合,实现用电、水量监测、设备信息实时查询、故障报警与维修路径计算、节能分析等功能。第三个应用方向是基于监测平台中的数据,建立能耗预测模型,用于研究建筑物总体能耗水平。通过对12栋教学建筑进行能耗分项监测,建立了学校教学类建筑的能耗预测模型,发现其能耗主要影响因素为教学楼面积和人员数量。
能耗监测平台的数据虽然为建筑能耗分析与节能改造提供了数据支撑,然而大量数据也带来了“数据灾难”,由于技术和管理等方面的原因,能耗监管平台运行过程中会产生大量存在问题的数据,管理人员难以发现和处理这些问题数据,最终导致能耗监测数据与建筑真实能耗相差甚远,也与设计能耗监管平台的初衷渐行渐背。
发明内容
鉴于现有技术中存在的不足和缺陷,本发明提供了一种基于数据挖掘技术的能耗区分方法,通过数据分类、数据识别、用能区域划分等步骤提升数据质量,提高数据利用价值,对建筑能耗数据进行分类处理,用以解决大量的问题数据而无法得到真实能耗数据的问题。
为了解决上述技术问题,本发明采用如下技术方案:一种基于数据挖掘技术的能耗分区方法,包括如下步骤:
1)通过建筑物能耗监测***采集能耗数据,包括建筑物总能耗,照明、空调、动力等各支路单项数据;
2)聚类是一个将数据集划分为若干组或类的过程,并使得同一个组内的数据对象具有较高的相似度,而不同组的数据对象则是不相似的,相似或不相似的度量是基于数据对象描述属性的取值来确定的,通常是利用各对象间距离来进行描述的,利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项,再按各分项中所承担的不同职能继续向下细分,首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心Ck={C1,…,Ck};
3)如果不知道某类电耗数据样本xi的所属类别及归属区域,则定义ArrayList集合aList,计算xi与所有聚类中心的欧氏距离dik,将dik升序排序将xi的序号i添加到aList中,根据数据样本xi距离聚类中心第二小距离与最小距离的比值公式计算ri,判断该数据样本的所属类别;
4)如果ri>ε,则直接根据xi的最小距离原则划分xi;
5)如果ri<ε,则根据欧氏距离和剩余数据样本计算xi在数据集X-{xp|p∈aList}中的最近邻xj,将序号j添加到aList中,如果xj已经划分到Ck所在簇,则同样将xi划分到Ck所在簇,如果xj还未被划分,根据处理xi的过程计算xj与聚类中心的距离,如果ri>ε,则不需要计算xj的最近邻,直接划分xi和xj到xj要划分的簇中,如果rj<ε,则同样排除aList元素对应的样本计算xj的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的xi连同其他元素对应的样本都归于此簇;
6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′,将其与上次计算所得误差平方和E进行对比;
7)如果E′-E<10-10,则算法收敛输出聚类结果;否则E=E′,计算每个簇的质心作为聚类中心,循环执行步骤3-步骤6直到算法收敛。
数据样本集X除去一些数据样本后剩余的数据样本:
X-X’={xi/xi∈Rp,i=1,2,…,n且i≠p,q,r}
X′=(xp,xq,xr)
算法收敛后所得的聚类结果即为电耗数据最终分类情况,从中可以得到建筑电耗的组成信息,包括照明、空调、动力以及各末端所占比例。
与现有技术相比,本发明具有的有益效果为:本发明提出一种对建筑能耗数据分类处理的一种方法,该方法根据监管平台采集数据采用数据挖掘技术对能耗数据进行分类。通过数据分类、数据识别、用能区域划分等步骤,提取用能模式特征值,对不同类型的能耗数据分层识别和利用。对于未装有能耗监测***,比如只能获取其用电总量的建筑,则可以利用本发明通过获取其它建筑的能耗组成信息,之后根据同类型建筑具有相似的功能分区和用能特点等特性将分类方法应用于未装有能耗分项监测***的建筑中,有助于了解未装有能耗监测***的建筑的能耗组成,提高诊断的效率于准确率。
附图说明
下面结合附图和具体实施方式对本发明作进一步的说明:
图1为本发明的原理框架图;
图2实施例中的商场各区域用电量占比聚类分析结果示意图。
具体实施方式
为了本发明的技术方案和有益效果更加清楚明白,下面结合附图和具体实施例对本发明进行进一步的详细说明,应当理解,此处所描述的具体实施方式仅用于理解本发明,并不用于限定本发明,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。
请参阅图1,本发明提供一种技术方案:基于数据挖掘技术的能耗分区方法,包括如下步骤:
1)通过建筑物能耗监测***采集能耗数据,包括建筑物总能耗,照明、空调、动力等各支路单项数据;
2)聚类是一个将数据集划分为若干组或类的过程,并使得同一个组内的数据对象具有较高的相似度,而不同组的数据对象则是不相似的,相似或不相似的度量是基于数据对象描述属性的取值来确定的,通常是利用各对象间距离来进行描述的,利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项,再按各分项中所承担的不同职能继续向下细分,首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心Ck={C1,…,Ck};
3)如果不知道某类电耗数据样本xi的所属类别及归属区域,则定义ArrayList集合aList,计算xi与所有聚类中心的欧氏距离dik,将dik升序排序将xi的序号i添加到aList中,根据数据样本xi距离聚类中心第二小距离与最小距离的比值公式计算ri,判断该数据样本的所属类别;
4)如果ri>ε,则直接根据xi的最小距离原则划分xi;
5)如果ri<ε,则根据欧氏距离和剩余数据样本计算xi在数据集X-{xp|p∈aList}中的最近邻xj,将序号j添加到aList中,如果xj已经划分到Ck所在簇,则同样将xi划分到Ck所在簇,如果xj还未被划分,根据处理xi的过程计算xj与聚类中心的距离,如果ri>ε,则不需要计算xj的最近邻,直接划分xi和xj到xj要划分的簇中,如果rj<ε,则同样排除aList元素对应的样本计算xj的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的xi连同其他元素对应的样本都归于此簇;
6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′,将其与上次计算所得误差平方和E进行对比;
7)如果E′-E<10-10,则算法收敛输出聚类结果;否则E=E′,计算每个簇的质心作为聚类中心,循环执行步骤3-步骤6直到算法收敛。
数据样本集X除去一些数据样本后剩余的数据样本:
X-X’={xi/xi∈Rp,i=1,2,…,n且i≠p,q,r}
X′=(xp,xq,xr)
算法收敛后所得的聚类结果即为电耗数据最终分类情况,从中可以得到建筑电耗的组成信息,包括照明、空调、动力以及各末端所占比例。
选取一栋商场建筑,该商场装有能耗分项监测***,监测层级可以达到设备级。提取能耗监测***中的数据,利用上述能耗聚类分析方法,进行该商场的用能特征分析,各区域用电量占比如图2所示。
从图2可以看出,照明***用电约占总用电37%的比重,其中商业照明占总照明的75%,公共照明占照明总用电的13%。空调***用电约占总用电的55%,其中冷源侧约占其中的79%,末端侧占21%。电梯***用电约占总用电的8%,其中客用电梯占动力***总用电的75%,消防电梯约占25%。在此基础上扩充数据量,加入其它多栋同类型建筑的用电数据,即可对商场类建筑的用电组成有更清晰的认识,对其它同类型建筑用电健康程度判断提供指导。
以商场建筑为例,通过本发明,还能得到公共照明、商业照明、应急照明在照明用电中所占比例,冷源侧与末端侧在空调***中所占比例,以及电梯、生活水泵等动力设备在用电中所占比例。融入多栋商场数据,可以得到商场建筑各末端支路用电比例指导值,可以用来判断未知商场的用电健康程度。
本发明提出一种对建筑能耗数据分类处理的一种方法,该方法以聚类算法为基础,聚类算法可使同一个组内的数据对象具有较高的相似度,而对不同组的数据对象可以确保其不相似性。使用该方法对建筑能耗数据进行聚类分析,析出不同区域与不同职能用电所占比重,提取用能模式特征值,对不同类型的能耗数据分层识别和利用。有助于给未装有能耗监测***的建筑分析其能耗组成提供指导,准确定位出现能耗较高问题的设备或支路,提高用能诊断效率。
Claims (2)
1.一种基于数据挖掘技术的能耗分区方法,其特征在于:包括如下步骤:
1)通过建筑物能耗监测***采集能耗数据,包括建筑物总能耗,照明、空调、动力等各支路单项数据;
2)聚类是一个将数据集划分为若干组或类的过程,并使得同一个组内的数据对象具有较高的相似度,而不同组的数据对象则是不相似的,相似或不相似的度量是基于数据对象描述属性的取值来确定的,通常是利用各对象间距离来进行描述的,利用此方法可以将建筑总用电划分为照明、空调、动力等用电分项,再按各分项中所承担的不同职能继续向下细分,首先应用k-means初始聚类中心选取策略选取K个能耗数据的初始聚类中心Ck={C1,…,Ck};
3)如果不知道某类电耗数据样本xi的所属类别及归属区域,则定义ArrayList集合aList,计算xi与所有聚类中心的欧氏距离dik,将dik升序排序将xi的序号i添加到aList中,根据数据样本xi距离聚类中心第二小距离与最小距离的比值公式计算ri,判断该数据样本的所属类别;
4)如果ri>ε,则直接根据xi的最小距离原则划分xi;
5)如果ri<ε,则根据欧氏距离和剩余数据样本计算xi在数据集X-{xp|p∈aList}中的最近邻xj,将序号j添加到aList中,如果xj已经划分到Ck所在簇,则同样将xi划分到Ck所在簇,如果xj还未被划分,根据处理xi的过程计算xj与聚类中心的距离,如果ri>ε,则不需要计算xj的最近邻,直接划分xi和xj到xj要划分的簇中,如果rj<ε,则同样排除aList元素对应的样本计算xj的近邻,重复以上过程,直到集合aList中最后一个元素对应的样本能够确定所属簇,aList中第一个元素对应的xi连同其他元素对应的样本都归于此簇;
6)按照步骤3-步骤5将数据集中的数据样本一一划分完毕后,计算聚类结果的误差平方和E′,将其与上次计算所得误差平方和E进行对比;
7)如果E′-E<10-10,则算法收敛输出聚类结果;否则E=E′,计算每个簇的质心作为聚类中心,循环执行步骤3-步骤6直到算法收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101445.9A CN112884013A (zh) | 2021-01-26 | 2021-01-26 | 基于数据挖掘技术的能耗分区方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101445.9A CN112884013A (zh) | 2021-01-26 | 2021-01-26 | 基于数据挖掘技术的能耗分区方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884013A true CN112884013A (zh) | 2021-06-01 |
Family
ID=76051818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101445.9A Pending CN112884013A (zh) | 2021-01-26 | 2021-01-26 | 基于数据挖掘技术的能耗分区方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884013A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720717A (zh) * | 2023-08-09 | 2023-09-08 | 山东历控能源有限公司 | 一种建筑能源管理调节***及方法 |
CN117196351A (zh) * | 2023-11-06 | 2023-12-08 | 中节能物业管理有限公司 | 一种基于物联网的智能建筑能耗监测方法与*** |
CN118171374A (zh) * | 2024-05-14 | 2024-06-11 | 中海物业管理有限公司 | 用于楼宇能耗分析的数据采集与诊断方法、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419585A (zh) * | 2011-12-08 | 2012-04-18 | 安徽泰格电气科技股份有限公司 | 建筑能耗监测*** |
CN105719194A (zh) * | 2016-01-11 | 2016-06-29 | 河南许继仪表有限公司 | 一种自动寻优型电力负荷分类方法 |
CN109064353A (zh) * | 2018-07-13 | 2018-12-21 | 国网上海市电力公司 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
CN109255043A (zh) * | 2018-09-14 | 2019-01-22 | 哈尔滨工业大学 | 基于场景理解的图像检索方法 |
CN109389522A (zh) * | 2018-10-15 | 2019-02-26 | 国网江苏省电力有限公司 | 一种柔性负荷的能量区块化方法及*** |
CN109815994A (zh) * | 2019-01-04 | 2019-05-28 | 国网山西省电力公司长治供电公司 | 一种用户用电负荷特征分析方法 |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
CN111932070A (zh) * | 2020-07-08 | 2020-11-13 | 深圳市深鹏达电网科技有限公司 | 一种家庭电力用户用电能效分析装置 |
-
2021
- 2021-01-26 CN CN202110101445.9A patent/CN112884013A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419585A (zh) * | 2011-12-08 | 2012-04-18 | 安徽泰格电气科技股份有限公司 | 建筑能耗监测*** |
CN105719194A (zh) * | 2016-01-11 | 2016-06-29 | 河南许继仪表有限公司 | 一种自动寻优型电力负荷分类方法 |
CN109064353A (zh) * | 2018-07-13 | 2018-12-21 | 国网上海市电力公司 | 一种基于改进聚类融合的大型建筑用户行为分析方法 |
CN109255043A (zh) * | 2018-09-14 | 2019-01-22 | 哈尔滨工业大学 | 基于场景理解的图像检索方法 |
CN109389522A (zh) * | 2018-10-15 | 2019-02-26 | 国网江苏省电力有限公司 | 一种柔性负荷的能量区块化方法及*** |
CN109815994A (zh) * | 2019-01-04 | 2019-05-28 | 国网山西省电力公司长治供电公司 | 一种用户用电负荷特征分析方法 |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
CN111932070A (zh) * | 2020-07-08 | 2020-11-13 | 深圳市深鹏达电网科技有限公司 | 一种家庭电力用户用电能效分析装置 |
Non-Patent Citations (6)
Title |
---|
刘蓉晖等: "模糊ISODATA算法在城市负荷分类中的应用", 《水电能源科学》 * |
李玉潮等: "一种改进的快速特征点匹配方法", 《测绘科学》 * |
林涛等: ""最近邻优化的k-means聚类算法"", 《计算机科学》 * |
段桂芹等: "基于优化初始聚类中心的K中心点算法", 《计算机与现代化》 * |
郝婧雯: "一种SIFT特征权重排序的多图关联图像检索方法", 《控制工程》 * |
黄亚萍等: "基于K-means算法的电子商务客户细分研究", 《电子设计工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720717A (zh) * | 2023-08-09 | 2023-09-08 | 山东历控能源有限公司 | 一种建筑能源管理调节***及方法 |
CN116720717B (zh) * | 2023-08-09 | 2023-11-03 | 山东历控能源有限公司 | 一种建筑能源管理调节***及方法 |
CN117196351A (zh) * | 2023-11-06 | 2023-12-08 | 中节能物业管理有限公司 | 一种基于物联网的智能建筑能耗监测方法与*** |
CN117196351B (zh) * | 2023-11-06 | 2024-02-13 | 中节能物业管理有限公司 | 一种基于物联网的智能建筑能耗监测方法与*** |
CN118171374A (zh) * | 2024-05-14 | 2024-06-11 | 中海物业管理有限公司 | 用于楼宇能耗分析的数据采集与诊断方法、存储介质 |
CN118171374B (zh) * | 2024-05-14 | 2024-07-19 | 中海物业管理有限公司 | 用于楼宇能耗分析的数据采集与诊断方法、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884013A (zh) | 基于数据挖掘技术的能耗分区方法 | |
CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及*** | |
CN107766983B (zh) | 一种城市轨道交通车站应急救援驻车点的设置方法 | |
CN103559426A (zh) | 一种针对多视图数据融合的蛋白质功能模块挖掘方法 | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN110633729A (zh) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 | |
CN109002858A (zh) | 一种用于用户行为分析的基于证据推理的集成聚类方法 | |
CN114239962B (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN107133722A (zh) | 基于电力企业大数据技术的配电网差异特征诊断分析方法 | |
CN109146232A (zh) | 主成分与变异系数的股市投资者情绪代理指标选择方法 | |
CN112784886B (zh) | 一种基于多层最大生成树图核的脑图像分类方法 | |
CN113393079B (zh) | 一种基于公交数据的交通小区划分方法 | |
CN114298246A (zh) | 一种基于模糊聚类分析类比的隧道地下水排放量确定方法 | |
CN116976574A (zh) | 一种基于两阶段混合聚类算法的建筑负荷曲线降维方法 | |
CN114612800A (zh) | 一种核算城市群建筑物质存量及时空变化的方法、*** | |
CN114372694A (zh) | 一种高校学生行为分析*** | |
CN110097126B (zh) | 基于dbscan聚类算法的核查重点人员、房屋漏登记的方法 | |
Taubenböck et al. | Delimiting central business districts—A physical approach using remote sensing | |
Li et al. | Identifying urban form typologies in seoul with mixture model based clustering | |
CN112348048A (zh) | 一种多结构多任务深度神经网络及其训练、分类方法 | |
CN108961056A (zh) | 基于熵维度与最大熵比的股市投资者情绪代理指标选择方法 | |
CN109034545A (zh) | 基于聚类与平均熵差群的股市投资者情绪指标选择方法 | |
CN109118041A (zh) | 基于聚类与最大熵增量比率的股市投资者情绪指标选择法 | |
CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用*** | |
CN110032174B (zh) | 一种分层故障诊断模型及方法 |
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 |