CN113343334A - 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 - Google Patents
基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 Download PDFInfo
- Publication number
- CN113343334A CN113343334A CN202110588741.6A CN202110588741A CN113343334A CN 113343334 A CN113343334 A CN 113343334A CN 202110588741 A CN202110588741 A CN 202110588741A CN 113343334 A CN113343334 A CN 113343334A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- air conditioner
- variable
- model
- building
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置,其中方法包括:步骤S1:接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据;步骤S2:定义初始变量和建筑基准模型;步骤S3:并生成相应的几何模型和***模型;步骤S4:运行模型并获得空调能耗;步骤S5:重复步骤S2至S4,获得不同初始变量抽样值对应的空调能耗,并获得各变量作用于空调能耗的敏感性,并将敏感性大于预设定阈值的变量作为空调能耗敏感变量;步骤S6:建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型;步骤S7:利用得到的能耗预测模型预测空调能耗。与现有技术相比,本发明具有可移植等优点。
Description
技术领域
本发明涉及空调能耗优化领域,尤其是涉及一种基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置。
背景技术
建筑能耗预测是提高建筑能源利用效率、减缓全球变暖趋势的重要手段。在建筑的规划设计阶段,精确的能耗预测有助于实现能源设备的合理配置,在运行及改造阶段,能耗预测可以作为设计和选择合适的节能方法的工具,短期多步能耗预测可集成到基于模型预测的建筑***运行控制中,预先优化***运行方案,以实现调峰或降低运行能耗。目前主要有两类建筑能耗预测方法:(1)基于物理模型,(2)基于数据驱动模型。
基于物理模型的建筑能耗预测借助能耗模拟软件,需经历信息收集、几何建模、***建模、模型调试等几个过程,但由于参数及模型本身的不确定性,计算结果往往与实测值存在偏差。近几年,基于数据驱动模型的能耗预测方法得到了广泛关注,它从历史数据中挖掘信息,不需要繁复的建模过程,但能够取得令人满意的预测精度。目前绝大部分基于数据驱动模型的能耗预测模型训练因实际案例而异,以目标建筑历史能耗作为训练数据,模型只能反映该建筑的能耗使用特征,不能迁移到其他建筑。
发明内容
本发明的目的就是为了提供一种基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置。
本发明的目的可以通过以下技术方案来实现:
一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,包括:
步骤S1:接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据,其中,所述分析目标包括于空调***相关设备能耗及冷、热负荷;
步骤S2:定义初始变量集并执行抽样,定义建筑基准模型;
步骤S3:根据初始变量抽样值,并生成相应的几何模型和***模型;
步骤S4:运行模型并获得空调能耗;
步骤S5:重复步骤S2至S4,获得不同初始变量抽样值对应的空调能耗,并获得各变量作用于空调能耗的敏感性,并将敏感性大于预设定阈值的变量作为空调能耗敏感变量;
步骤S6:建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型;
步骤S7:利用得到的能耗预测模型预测空调能耗。
所述初始变量集中的变量包括负荷相关变量和***相关变量。
所述负荷相关变量的抽样方式为拉丁超立方抽样,所述***相关变量的抽样方式为Morris抽样。
所述建筑基准模型包括设备运行时间表、人员活动时间表、基本功能空间分布及目标地区对应的气象信息。
所述能耗预测模型采用Catboost算法建立。
一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,包括:
用户输入模块,接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据,其中,所述分析目标包括于空调***相关设备能耗及冷、热负荷,用户可选取其中一种或若干种
主控程序模块,用于定义初始变量集并执行抽样,定义建筑基准模型,调用模型生成模块并执行批量计算,存储计算结果,调用敏感性分析模块,最后提供各变量敏感性排序供用户选择;
模型生成模块,用于读取主控程序模块中的初始变量抽样值,并生成相应的几何模型和***模型;
敏感性分析模块,用于读取主控程序模块中的初始变量抽样值及对应的模型计算结果,得到各变量的敏感性排序;
能耗预测模块,用于建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型,并利用得到的能耗预测模型预测空调能耗。
与现有技术相比,本发明具有以下有益效果:
1)本发明适用于不同地区的各种建筑类型,适用性广。
2)可用于新建建筑的能耗预测。
附图说明
图1为本发明的组成结构总体示意图。
图2为本发明模型生成模块中几何和***模型建立流程图
图3为本发明外形匹配算法生成不同紧凑度平面的示意图。
图4为本发明包含的5种紧凑度不同的建筑外形示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,包括:
步骤S1:接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据,其中,所述分析目标包括于空调***相关设备能耗及冷、热负荷;
步骤S2:定义初始变量集并执行抽样,定义建筑基准模型;
步骤S3:根据初始变量抽样值,并生成相应的几何模型和***模型;
步骤S4:运行模型并获得空调能耗;
步骤S5:重复步骤S2至S4,获得不同初始变量抽样值对应的空调能耗,并获得各变量作用于空调能耗的敏感性,并将敏感性大于预设定阈值的变量作为空调能耗敏感变量;
步骤S6:建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型;
步骤S7:利用得到的能耗预测模型预测空调能耗。
具体的,上述方法以计算机程序的形式由计算机***实现,如图1所示,一种空调能耗相关敏感变量自动提取工具包括五个功能模块:用户输入模块、空调能耗相关敏感变量提取主控模块、模型生成模块和敏感性分析模块、能耗预测模块。
用户输入模块,可允许用户自定义建筑类型、建筑所在气候区或城市、分析目标。可以是冷、热负荷,或空调***相关设备能耗,包括冷机、锅炉、水泵、空调箱、冷却塔等。本例假设建筑类型选择酒店建筑,所在地区为上海,分析目标为冷机能耗。
空调能耗相关敏感变量提取主控模块生成初始变量集,如表1-2,包含23个负荷相关变量和11个***相关变量。基准模型中有七个功能空间。各个功能空间的面积比例可以反应一个典型的酒店建筑用途,功能及对应面积比例分别为:大堂0.1,服务间0.1,餐厅0.075,厨房0.03,会议室0.025,健身房0.02,客房0.65。气象文件选用上海市典型气象年数据。
表1负荷相关初始变量
表2***相关初始变量
空调能耗相关敏感变量提取主控模块分别对负荷相关变量和***相关变量执行抽样。对于负荷相关变量,采用Morris法和拉丁超立方抽样,Morris抽样240次,拉丁超立方抽样6000次。***相关变量中的数值型变量采用拉丁超立方采样方法共生成600个样本,结合两个非数值变量(风***类型和水***类型)的9个组合,共得到5400个样本
模型生成模块的主要功能是建立与输入参数对应的能耗模型。对于一个能耗模型,几何部分和***部分分开建模。模型建立的具体工作流程如图2所示。主要包括三个部分:(1)基准模型文件读取;(2)几何/***模型生成子模块;(3)参数修改子模块。具体执行时首先通读取空调能耗相关敏感变量提取主控模块中的参数抽样值,建立相应的建筑几何模型,并与基准文件(idf格式)相结合,得到idf模型文件,其次根据参数抽样值修改idf中相应的参数,生成可计算的idf文件。
为了建立与建筑面积、层数和体形系数相对应的建筑几何模型,几何模型生成子模块包含5个建筑外形,其紧凑度依次从大到小排列,sigma因子来表示每个平面形状的紧密型,如图3所示,sigma计算公式为:
于是,建筑体型系数CR,可以用一个函数与sigma联系起来:
CR=f(sigma,Atotal,NL)
其中C为建筑占地面积的周长,A为建筑占地面积,Atotal为建筑面积,NL为建筑层数。
从而可以实现根据建筑面积、层数和体形系数参数值选择适配的建筑外形。
空调能耗相关敏感变量提取主控模块调用模型生成模块得到idf文件,对所有参数抽样值对应的模型执行计算,得到冷负荷结果和冷机能耗结果,分别存储于数据库中。
敏感性分析模块读取参数抽样值和负荷及能耗计算结果,分别对负荷相关变量和***相关变量执行敏感性分析。负荷相关变量敏感性分析采用Morris方法和回归法。Morris方法采用μ*作为敏感性指标,回归法采用SRRC和PRCC作为敏感性指标,输出两者所得敏感变量的并集。对于***相关变量,只采用回归方法分析,敏感性指标为SRRC和PRCC。
能耗预测模块中的气象参数特征包括干球温度和相对湿度及经过平滑处理的干球温度、相对湿度光滑方法是Savitzky-Golay平滑滤波器。时间标签特征包括一天的第几小时(表示1-24)、一星期的第几天(表示1-7)、一个月份的第几天(表示1-31)。此外,不同日类型(工作日、周末、假日等)的人员活动特征是不同的,能耗变化信息也可以用0-1的分类特征来表示。另外还包括历史能耗数据中提取的两个因子,分别为:
(1)周期因子
(2)统计因子
统计因子从历史能耗数据集中提取了均值、中位数、最大值、最小值、偏度和标准差等统计信息。计算公式为:
ti,j=T(Yi,j)
式中,ti,j表示第j个月第i个工作日对应的统计因子,T代表了均值、中位数、最大值、最小值、偏度和标准差等统计量的计算公式,Yi,j表示在预测日期之前对应月份对应工作日的历史数据集。
Claims (10)
1.一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,其特征在于,包括:
步骤S1:接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据,其中,所述分析目标包括于空调***相关设备能耗及冷、热负荷;
步骤S2:定义初始变量集并执行抽样,定义建筑基准模型;
步骤S3:根据初始变量抽样值,并生成相应的几何模型和***模型;
步骤S4:运行模型并获得空调能耗;
步骤S5:重复步骤S2至S4,获得不同初始变量抽样值对应的空调能耗,并获得各变量作用于空调能耗的敏感性,并将敏感性大于预设定阈值的变量作为空调能耗敏感变量;
步骤S6:建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型;
步骤S7:利用得到的能耗预测模型预测空调能耗。
2.根据权利要求1所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,其特征在于,所述初始变量集中的变量包括负荷相关变量和***相关变量。
3.根据权利要求2所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,其特征在于,所述负荷相关变量的抽样方式为拉丁超立方抽样,所述***相关变量的抽样方式为Morris抽样。
4.根据权利要求1所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,其特征在于,所述建筑基准模型包括设备运行时间表、人员活动时间表、基本功能空间分布及目标地区对应的气象信息。
5.根据权利要求1所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测方法,其特征在于,所述能耗预测模型采用Catboost算法建立。
6.一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,包括:
用户输入模块,接收含有建筑类型、所在气候区或城市,以及分析目标信息的输入数据,其中,所述分析目标包括于空调***相关设备能耗及冷、热负荷,用户可选取其中一种或若干种
主控程序模块,用于定义初始变量集并执行抽样,定义建筑基准模型,调用模型生成模块并执行批量计算,存储计算结果,调用敏感性分析模块,最后提供各变量敏感性排序供用户选择;
模型生成模块,用于读取主控程序模块中的初始变量抽样值,并生成相应的几何模型和***模型;
敏感性分析模块,用于读取主控程序模块中的初始变量抽样值及对应的模型计算结果,得到各变量的敏感性排序;
能耗预测模块,用于建立空调能耗敏感变量、天气参数、时间标签与空调设备能耗之间的映射关系,得到能耗预测模型,并利用得到的能耗预测模型预测空调能耗。
7.根据权利要求6所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,其特征在于,所述初始变量集中的变量包括负荷相关变量和***相关变量。
8.根据权利要求7所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,其特征在于,所述负荷相关变量的抽样方式为拉丁超立方抽样,所述***相关变量的抽样方式为Morris抽样。
9.根据权利要求6所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,其特征在于,所述建筑基准模型包括设备运行时间表、人员活动时间表、基本功能空间分布及目标地区对应的气象信息。
10.根据权利要求6所述的一种基于空调能耗敏感变量的跨建筑空调能耗预测装置,其特征在于,所述能耗预测模型采用Catboost算法建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588741.6A CN113343334B (zh) | 2021-05-28 | 2021-05-28 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588741.6A CN113343334B (zh) | 2021-05-28 | 2021-05-28 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343334A true CN113343334A (zh) | 2021-09-03 |
CN113343334B CN113343334B (zh) | 2022-11-15 |
Family
ID=77472396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588741.6A Active CN113343334B (zh) | 2021-05-28 | 2021-05-28 | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343334B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160598A (zh) * | 2019-11-13 | 2020-05-15 | 浙江中控技术股份有限公司 | 一种基于动态能耗基准的能源预测与能耗管控方法及*** |
CN114200988A (zh) * | 2021-12-06 | 2022-03-18 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理*** |
CN114880959A (zh) * | 2022-07-11 | 2022-08-09 | 广东电网有限责任公司佛山供电局 | 一种用于建筑能耗混合模型的输入变量获取方法和*** |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计***及设计方法 |
CN111310126A (zh) * | 2020-02-14 | 2020-06-19 | 天津大学 | 一种适用于规划阶段区域建筑的空调负荷预测方法 |
CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
-
2021
- 2021-05-28 CN CN202110588741.6A patent/CN113343334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933850A (zh) * | 2019-02-02 | 2019-06-25 | 天津大学 | 一种居住建筑热负荷模型分步校准方法 |
CN111310126A (zh) * | 2020-02-14 | 2020-06-19 | 天津大学 | 一种适用于规划阶段区域建筑的空调负荷预测方法 |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计***及设计方法 |
CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
Non-Patent Citations (7)
Title |
---|
RIVALIN L , STABAT P, MARCHIO D , ET AL: "A comparison of methods for uncertainty and sensitivity analysis applied to the energy performance of new commercial buildings", 《ENERGY AND BUILDINGS》 * |
WEI T , CHOUDHARY R: "A probabilistic energy model for non-domestic building sectors applied to analysis of school buildings in greater London", 《ENERGY AND BUILDINGS》 * |
WEI T , SONG JT , LI ZY , ET AL: "Bootstrap techniques for sensitivity analysis and model selection in building thermal performance analysis", 《APPLIED ENERGY》 * |
何成,朱丽,田玮: "城市建筑布局的能耗敏感性分析", 《哈尔滨工业大学学报》 * |
宋蒙: "大型公共建筑用电能耗预测模型及预测数据分析", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
张沁宜,林波荣: "典型绿色办公建筑能耗差异校验与敏感性分析", 《暖通空调》 * |
张礼静: "基于敏感性分析的寒冷地区典型办公建筑能耗研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160598A (zh) * | 2019-11-13 | 2020-05-15 | 浙江中控技术股份有限公司 | 一种基于动态能耗基准的能源预测与能耗管控方法及*** |
CN114200988A (zh) * | 2021-12-06 | 2022-03-18 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理*** |
CN114200988B (zh) * | 2021-12-06 | 2023-01-10 | 深圳市时誉高精科技有限公司 | 基于大数据的室内恒温器管理*** |
CN114880959A (zh) * | 2022-07-11 | 2022-08-09 | 广东电网有限责任公司佛山供电局 | 一种用于建筑能耗混合模型的输入变量获取方法和*** |
CN114880959B (zh) * | 2022-07-11 | 2022-12-30 | 广东电网有限责任公司佛山供电局 | 一种用于建筑能耗混合模型的输入变量获取方法和*** |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113343334B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343334B (zh) | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 | |
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
Shi et al. | A review on building energy efficient design optimization rom the perspective of architects | |
Li et al. | A holistic review on life cycle energy of buildings: An analysis from 2009 to 2019 | |
Shiel et al. | Parametric analysis of design stage building energy performance simulation models | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及*** | |
Lim et al. | BIM and genetic algorithm optimisation for sustainable building envelope design | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及*** | |
Hosamo et al. | Digital Twin of HVAC system (HVACDT) for multiobjective optimization of energy consumption and thermal comfort based on BIM framework with ANN-MOGA | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
Lam et al. | A statistical approach to the development of a typical meteorological year for Hong Kong | |
CN115471362A (zh) | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 | |
CN106295029A (zh) | 一种基于性能导向的建筑多目标优化设计方法 | |
Mavromatidis | A review on hybrid optimization algorithms to coalesce computational morphogenesis with interactive energy consumption forecasting | |
CN112651070A (zh) | 一种基于建筑信息模型的数据处理方法 | |
Sha et al. | Development of a key-variable-based parallel HVAC energy predictive model | |
CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
Natanian | Optimizing mixed-use district designs in hot climates: A two-phase computational workflow for energy balance and environmental performance | |
CN112465215A (zh) | 一种分布式能源用户侧冷热电短期负荷预测方法及*** | |
CN115689382B (zh) | 一种利用宏观尺度上城市形态测算城市建筑能耗的方法 | |
CN115809718B (zh) | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和*** | |
CN112712213B (zh) | 一种集中空调住宅深度迁移学习能耗预测方法及*** |
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 |