CN113486433A - 用于净零能耗建筑的能耗缺数的计算方法以及填充*** - Google Patents
用于净零能耗建筑的能耗缺数的计算方法以及填充*** Download PDFInfo
- Publication number
- CN113486433A CN113486433A CN202110816756.3A CN202110816756A CN113486433A CN 113486433 A CN113486433 A CN 113486433A CN 202110816756 A CN202110816756 A CN 202110816756A CN 113486433 A CN113486433 A CN 113486433A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- deficit
- training
- missing
- 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 163
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 22
- 230000006735 deficit Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 12
- 230000007812 deficiency Effects 0.000 claims description 10
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000007717 exclusion Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Civil Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及用于净零能耗建筑的能耗缺数计算方法以及能耗缺数填充***,能耗缺数的计算方法的步骤包括:采集能耗数据,建立固定信息和内外部数据的数据库,标记数据,特征提取,提取最大似然值,形成特征子集,缺失值预测,填充数据;能耗缺数填充***,包括:数据采集***,智能电表,电脑,显示设备。本申请的能耗缺数计算方法利用净零能耗建筑能耗数据具有较强的时间规律性,填充的数据遵循相关规律性,根据本申请的计算方法,对于大量的净零能耗建筑的能耗数据,可以加速运算过程以实现实时在线计算和数据填充。
Description
技术领域
本申请涉及物联网和大数据算法技术对于缺失数据填充,特别是用于净零能耗建筑的能耗缺数计算方法以及能耗缺数填充***。
背景技术
在净零能耗建筑(Net Zero Energy Building,NZEB)中,建筑设计会充分适应当地的气候特征和场地条件,通过被动式设计和技术手段、主动技术措施和场地内外的可再生资源,保证建筑能耗的供给侧和需求侧的近似平衡。现今,物联网(IoT)技术已大规模应用于建筑能耗数据的采集。
但由于测量过程中,网络断连、传感器故障、传感器电池耗尽、人工操作失误等原因,能耗时序数据也常出现数据缺失的现象。此外,对于一些结构复杂的建筑,在物联网建设中较难使用有线传输的方式,而只能采用无线传输,由此造成的数据缺失率甚至高于10%以上,考虑传感器、人工等其他因素,总的数据缺失率会更高。能耗监测数据的缺失,不仅无法对历史的建筑能耗供给侧和需求侧匹配关系进行测量验证,而且会对未来建筑产能和负荷的预测精度造成不利影响,无法达到供需平衡、净零能耗的建筑节能目标。
建筑能耗有其特殊性,能耗数据具有较强的时间规律性,填充的数据必须遵循相关规律性。首先,建筑能耗和负荷需量和人的活动和作息时间紧密相关;其次,可再生能源中的光伏能源产量和日照强度、辐照度、转化效率、天气、气候等因素相关。
现有技术中,对于时序数据的缺失值填充已有不少方法,不少学者为了保证数据的完整性,通过统计学、人工智能等算法,推导出了一系列的算法对缺失数据进行填充,例如线性、多项式、随机抽样、拉丁超立方抽样等。
以上方法从数学角度给出了解决方案,但是没有考虑能耗时序数据问题的规律性和特殊性,且没有足够强大计算能力的方法加速运算过程,实现实时数据填充。
发明内容
本申请要解决的技术问题是如何避免计算净零能耗建筑的能耗缺数时,未考虑能耗时序数据问题的规律性和特殊性,数据不精确问题,并且如何增强计算能力、加速运算过程,实现净零能耗建筑的能耗缺数实时数据计算和填充问题。
为解决上述技术问题,根据本申请的一个方面,提供一种用于净零能耗建筑的能耗缺数计算方法,方法的步骤包括:
首先,采集能耗数据。采集净零能耗建筑的供给侧能耗数据和需求侧能耗数据,供给侧能耗数据包括光伏、地源热泵、储能等能耗数据,需求侧能耗数据包括照明、插座、空调设备等能耗数据;
并且,建立固定信息和内外部数据的数据库。固定信息包括建筑信息和设备信息,建筑信息,包含建造年份、建筑结构、建筑功能、建筑所处的经度和纬度、地下和地上层数、建筑设计图、门窗的材料和导热系数、建筑设计单位能耗等,设备信息,包含生产年份、设计使用年限、最近维护时间、设备型号、额定功率、额定冷负荷、额定频率等。内外部数据包括人员活动和天气数据,人员活动,包括工作日还是周末、上下班时间、节日时间、固定活动人数、大型活动安排等,天气数据,包括历史温度、湿度、辐照度、风力、风速、风向、干球和湿球温度等;
然后,标记数据,对采集的能耗数据进行标记,区分为正常数据和缺失数据,选取正常数据/未缺失数据时间段作为训练集和验证集,选取缺失数据时间段作为测试集;对训练集、验证集和测试集中的能耗时序数据进行特征抽取,对应形成训练特征集、验证特征集和测试特征集,特征包括:时间特征、统计特征、时序特征、交叉项特征。时间特征,包括年、月、日、小时、分钟、是否节假日、周几、季节等,统计特征,包括移动平均值、中位数、25%分位数、75%分位数、最大值、最小值、标准差、偏度、峰度等,时序特征,包括平方和、离差、绝对值之和、滞后的自相关性系数、近似熵、大于均值个数、小于均值个数、最大值第一次出现的位置、最小值第一次出现的位置等,交叉项特征,通过因子分解机生成的二阶交叉项特征,其中,训练和验证特征集采用自助聚合(Bagging)的方式无放回地抽取;
接着,以训练特征集、验证特征集和测试特征集作为输入项,应用隐马尔科夫模型(Hidden Markov Model,HMM)提取能耗时序数据的最大似然值,并且通过欧式距离(Euclidean Distance)、余弦、闵可夫斯基距离(Minkowski Distance)等计算出最大似然距离;通过比对最大似然距离找寻与测试特征集最匹配的训练和验证特征子集;在训练特征子集和验证特征子集上,应用轻量化梯度提升模型(Light Gradient Boosting Model,LightGBM)通过单边梯度采样(Gradient-based One-Side Sampling,GOSS)和互斥特征捆绑(Exclusive Feature Bundling,EFB)进行训练,并应用训练所得模型完成数据融合(blending),获得缺失值预测的缺数填充模型,对缺失数据进行填充。
根据本申请的实施例,可将隐马尔科夫模型计算相应能耗时序数据所得的最大似然值保存,以后每次采集到新数据时只需计算一次。
根据本申请的实施例,在各训练和验证特征子集上,可以应用轻量化梯度提升模型进行训练时,选取小部分数据样本在子集上进行运算。
根据本申请的实施例,在缺失值预测步骤可以进行微调,保存最新的轻量化梯度提升模型的缺数填充模型,对于新增数据通过应用增量学习和交叉验证的方法实现模型的微调。
优选地,能耗时序数据选取最近的20-30时间序列窗口作为输入项。
优选地,由于能耗数据波动的幅度不大,故指定采集时间间隔可以为5分钟。
根据本申请的另一方面,提供一种用于净零能耗建筑的能耗缺数填充***,包括:由数据采集器和传感器组成的数据采集***,安装于净零能耗建筑中的,用于实时采集光伏、地源热泵、储能等建筑的供给侧的能耗数据;安装于净零能耗建筑中的智能电表,采集照明、插座、空调设备等建筑的需求侧的能耗数据;电脑,利用上述用于净零能耗建筑的能耗缺数计算方法计算供给侧和需求侧能耗缺失数据数,并填充对应缺失数据;以及显示设备,显示供给侧的能耗和需求侧的能耗监测数据,并显示能耗平衡曲线图。
根据本申请的实施例,能耗缺数填充***的数据采集器可为单片机,例如可使用Raspberry Pi 4B;传感器可采用RS485串口协议;电脑可实现无线连接网络。
根据本申请的实施例,能耗缺数填充***的其中,能耗缺数填充***尽可能采用有线连接,如结构复杂无法安装有线,则采用无线网关实现数据的上传,无线网关采用Lora。
因为用于净零能耗建筑的能耗缺数计算方法以及能耗缺数填充***,能耗缺数的计算方法方法的步骤包括:采集能耗数据,建立固定信息和内外部数据数据库,标记数据,特征提取,提取最大似然值,形成特征子集,缺失值预测,输出能耗值。其方法,将能耗缺失值填充转换为一个预测问题,未缺失数据时间段作为训练集和验证集,缺失数据时间段作为测试集;不同于预测问题中对于未来天气、室内人员活动情况的不确定性,历史时间段内的信息是相对确定的,且能耗数据具有较强的时间规律性;由于能耗时序数据具有一定的自相关性,因此可应用隐马尔科夫实现时序数据的聚类,完成从测试集到训练集数据的匹配;轻量化梯度提升模型模型通过单边梯度采样和互斥特征捆绑在大数据集上有快速和高精度的计算能力,所以可实现如下有益效果:
计算净零能耗建筑的能耗缺数时考虑能耗时序数据问题的规律性和特殊性,并增强计算能力、加速运算过程,实现净零能耗建筑的能耗缺数实时数据计算和填充。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本申请的一些实施例,而非对本申请的限制。
图1是根据本申请实施例的用于净零能耗建筑的能耗缺数计算方法实现的流程图;
图2是根据本申请实施例的用于净零能耗建筑的能耗缺数填充***的示意图。
附图标记说明:
1净零能耗建筑;11光伏板;12地源热泵;13储能设备;21空调设备;31网关;41供给侧能耗曲线;42缺数现象;43需求侧能耗曲线;44能耗平衡曲线;51显示设备;101能耗数据;102固定信息;103内外部数据;201标记数据;301特征提取;401最大似然值;501训练和验证特征集子集;601缺失值预测;701填充数据。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例的附图,对本申请实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于所描述的本申请的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
除非另作定义,此处使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。
图1是根据本申请实施例的用于净零能耗建筑的能耗缺数计算方法实现的流程图。
如图1所示,根据本申请实施例的用于净零能耗建筑的能耗缺数计算方法步骤包括采集能耗数据101、建立固定信息102和内外部数据103数据库、标记数据201、特征提取301、提取最大似然值401、形成训练和验证特征子集501、缺失值预测601、填充数据701。
采集能耗数据101是对净零能耗建筑的能耗数据进行采集,要采集的能耗数据包括供给侧能耗数据和需求侧能耗数。其中,供给侧能耗数据包括光伏、地源热泵、储能等能耗数据;需求侧能耗数据包括照明、插座、空调设备等能耗数据。以上每个数据子项都需要通过分项计量获取实时的能耗数据,时间间隔以5分钟为宜。
建立固定信息102和内外部数据103数据库。固定信息包括建筑信息和设备信息。建筑信息包含建造年份、建筑结构、建筑功能、建筑所处的经度和纬度、地下和地上层数、建筑设计图、门窗的材料和导热系数、建筑设计单位能耗等;设备信息包含生产年份、设计使用年限、最近维护时间、设备型号、额定功率、额定冷负荷、额定频率等。内外部数据包括人员活动和天气数据。人员活动包括工作日还是周末、上下班时间、节日时间、固定活动人数、大型活动安排等;天气数据包括历史温度、湿度、辐照度、风力、风速、风向、干球和湿球温度等。
标记数据202是对采集的能耗数据进行标记。区分和标记出正常数据和缺失数据,选取正常数据(即:未缺失数据)时间段作为训练集和验证集,选取缺失数据时间段作为测试集。
特征提取301是对训练集、验证集和测试集中的能耗时序数据进行特征抽取,对应形成训练特征集、验证特征集和测试特征集。特征包括时间特征、统计特征、时序特征、交叉项特征。其中,时间特征,包括年、月、日、小时、分钟、是否节假日、周几、季节等;统计特征,包括移动平均值、中位数、25%分位数、75%分位数、最大值、最小值、标准差、偏度、峰度等;时序特征,包括平方和、离差、绝对值之和、滞后的自相关性系数、近似熵、大于均值个数、小于均值个数、最大值第一次出现的位置、最小值第一次出现的位置等;交叉项特征,通过因子分解机生成的二阶交叉项特征。
为避免负迁移学习的现象,即在训练和验证特征子集上获得的模型弱于整体模型。本申请采用自助聚合的方式无放回地抽取训练和验证特征集。
提取最大似然值401是以训练特征集、验证特征集和测试特征集作为输入项,应用隐马尔科夫模型提取能耗时序数据的最大似然值。通过欧式距离、余弦、闵可夫斯基距离等计算出最大似然距离。
通过比对最大似然距离找寻与测试特征集最匹配的训练和验证特征子集501,形成特征子集。
缺失值预测601是在训练特征子集和验证特征子集上,应用轻量化梯度提升模型通过单边梯度采样和互斥特征捆绑进行训练,并应用训练所得模型完成数据融合,获得缺失值预测的缺数填充模型,此方法大数据集上有快速和高精度的计算能力。
最后,完成填充数据701。
根据本申请的实施例,可将隐马尔科夫模型计算相应能耗时序数据所得的最大似然值保存,以后每次采集到新数据时,只需计算一次。
根据本申请的实施例,可在各训练和验证特征子集上,应用轻量化梯度提升模型进行训练时,选取小部分数据样本在子集上进行运算,可以提升计算效率和模型鲁棒性。
根据本申请的实施例,可保存最新的轻量化梯度提升模型的缺数填充模型,对于新增数据通过应用增量学习和交叉验证的方法实现模型的微调,可以保证精度同时提高计算速度,更好实现实时数据计算和填充。
优选地,能耗时序数据可选取最近的20-30时间序列窗口作为输入项。
再优选地,采集能耗数据的时间间隔可为5分钟左右。
图2是根据本申请实施例的用于净零能耗建筑的能耗缺数填充***的示意图。
如图2所示,根据本申请实施例的用于净零能耗建筑的能耗缺数填充***包括数据采集***(未示出)、智能电表(未示出)、电脑(未示出)和显示设备51。
安装于净零能耗建筑中的数据采集***,包括数据采集器和传感器,实时采集光伏、地源热泵、储能等建筑的供给侧的能耗数据,例如:光伏板11、地源热泵12、储能设备13。
安装于净零能耗建筑中的智能电表,采集照明、插座、空调设备21等建筑的需求侧的能耗数据。
电脑用于计算供给侧和需求侧能耗缺失数据数,并填充对应缺失数据。
显示设备51用于显示供给侧能耗曲线41、缺数现象42、需求侧能耗曲线43,并显示能耗平衡曲线44图。
根据本申请的实施例,能耗缺数填充***的数据采集器可为单片机,例如可使用Raspberry Pi 4B;传感器可采用RS485串口协议;可用能无线连接网络的电脑。
优选地,能耗缺数填充***的其中,能耗缺数填充***尽可能采用有线连接,如结构复杂无法安装有线,则采用无线网关实现数据的上传,无线网关采用Lora。
因为用于净零能耗建筑的能耗缺数计算方法以及能耗缺数填充***,能耗缺数的计算方法方法的步骤包括:采集能耗数据,建立固定信息和内外部数据数据库,标记数据,特征提取,提取最大似然值,形成特征子集,缺失值预测,微调,输出能耗值。其方法,将能耗缺失值填充转换为一个预测问题,未缺失数据时间段作为训练集和验证集,缺失数据时间段作为测试集;不同于预测问题中对于未来天气、室内人员活动情况的不确定性,历史时间段内的信息是相对确定的,且能耗数据具有较强的时间规律性;由于能耗时序数据具有一定的自相关性,因此可从测试集到训练集数据的进行匹配;并运用大数据集上快速和高精度的计算方法计算,所以可实现如下有益效果:
计算净零能耗建筑的能耗缺数时考虑能耗时序数据问题的规律性和特殊性,并增强计算能力、加速运算过程,实现净零能耗建筑的能耗缺数实时数据计算和填充。
以上仅是本申请的示范性实施方式,而非用于限制本申请的保护范围,本申请的保护范围由所附的权利要求确定。
Claims (16)
1.一种用于净零能耗建筑的能耗缺数计算方法,所述方法包括如下步骤:
采集能耗数据,采集所述净零能耗建筑的供给侧能耗数据和需求侧能耗数据;
建立固定信息和内外部数据的数据库,
其中,固定信息包括建筑信息和设备信息,内外部数据包括人员活动和天气数据;
标记数据,对采集的能耗数据进行标记,区分为正常数据和缺失数据,选取正常数据/未缺失数据时间段作为训练集和验证集,选取缺失数据时间段作为测试集;
特征提取,对训练集、验证集和测试集中的能耗时序数据进行特征抽取,对应形成训练特征集、验证特征集和测试特征集;
提取最大似然值,以训练特征集、验证特征集和测试特征集作为输入项,计算出最大似然值和最大似然距离;
形成训练和验证特征子集,通过比对最大似然距离找寻与测试特征集最匹配的训练和验证特征子集;
缺失值预测,在所述训练特征子集和验证特征子集上,获得缺失值预测的缺数填充模型;以及
填充数据,对所述缺失数据进行填充。
2.根据权利要求1所述的能耗缺数计算方法,其中,所述特征提取为对训练特征集和验证特征集采用自助聚合的方式无放回地抽取。
3.根据权利要求1所述的能耗缺数计算方法,其中,所述特征提取的特征包括:时间特征、统计特征、时序特征、交叉项特征。
4.根据权利要求1所述的能耗缺数计算方法,其中,所述提取最大似然值应用隐马尔科夫模型提取所述能耗时序数据的最大似然值,并且通过欧式距离、余弦距离、闵可夫斯基距离等计算出最大似然距离。
5.根据权利要求1所述的能耗缺数计算方法,其中,所述缺失值预测应用轻量化梯度提升模型通过单边梯度采样和互斥特征捆绑进行训练,并应用训练所得模型完成数据融合,获得缺失值预测的缺数填充模型。
6.根据权利要求4所述的能耗缺数计算方法,其中,将所述隐马尔科夫模型计算相应能耗时序数据所得的最大似然值保存,以后每次采集到新数据时,只需计算一次。
7.根据权利要求5所述的能耗缺数计算方法,其中,在所述缺失值预测步骤,在所述训练特征子集和验证特征子集上,应用轻量化梯度提升模型进行训练时,选取小部分数据样本在子集上进行运算。
8.根据权利要求1所述的能耗缺数计算方法,其中,所述缺失值预测步骤,还包括:
微调,保存最新的轻量化梯度提升模型的缺数填充模型,对于新增数据通过应用增量学习和交叉验证的方法实现模型的微调。
9.根据权利要求1所述的能耗缺数计算方法,其中,所述能耗时序数据选取最近的20-30时间序列窗口作为输入项。
10.根据权利要求1所述的能耗缺数计算方法,其中,所述采集能耗数据的时间间隔为5分钟。
11.一种用于净零能耗建筑的能耗缺数填充***,包括:
数据采集***,其包括:数据采集器和传感器,实时采集光伏、地源热泵、储能等建筑的供给侧的能耗数据,所述数据采集***安装于净零能耗建筑中;
智能电表,采集照明、插座、空调设备等建筑的需求侧的能耗数据,所述智能电表安装于净零能耗建筑中;
电脑,计算所述供给侧和需求侧能耗缺失数据数,并填充对应缺失数据,
其中,计算所述供给侧和需求侧能耗缺失数据数的方法包括如权利要求1-10中任一项所述的能耗缺数的计算方法;以及
显示设备,显示所述供给侧的能耗和需求侧的能耗监测数据,并显示能耗平衡曲线图。
12.根据权利要求11所述的能耗缺数填充***,其中,所述数据采集器为单片机Raspberry Pi 4B。
13.根据权利要求11所述的能耗缺数填充***,其中,所述传感器采用RS485串口协议。
14.根据权利要求11所述的能耗缺数填充***,其中,所述能耗缺数填充***采用有线连接。
15.根据权利要求11所述的能耗缺数填充***,还包括无线网关,所述能耗缺数填充***采用无线连接,无线网关采用Lora。
16.根据权利要求11所述的能耗缺数填充***,其中,所述电脑可实现无线连接网络。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020116311896 | 2020-12-31 | ||
CN202011631189 | 2020-12-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486433A true CN113486433A (zh) | 2021-10-08 |
Family
ID=77942518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816756.3A Pending CN113486433A (zh) | 2020-12-31 | 2021-07-20 | 用于净零能耗建筑的能耗缺数的计算方法以及填充*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852928A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种近零能耗建筑负荷预测方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖***能耗预测方法 |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和*** |
CN110597799A (zh) * | 2019-09-17 | 2019-12-20 | 上海仪电(集团)有限公司中央研究院 | 一种时序数据缺失值自动填补方法、***和设备 |
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111080009A (zh) * | 2019-12-13 | 2020-04-28 | 北京瑞莱智慧科技有限公司 | 基于时间序列的数据预测及补全方法、装置、介质和设备 |
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN112070317A (zh) * | 2020-09-17 | 2020-12-11 | 四川长虹电器股份有限公司 | 酒店空调能耗预测方法 |
CN112085125A (zh) * | 2020-09-29 | 2020-12-15 | 西安交通大学 | 基于线性自学习网络的缺失值填补方法、存储介质及*** |
CN112101755A (zh) * | 2020-09-02 | 2020-12-18 | 江苏中设集团股份有限公司 | 一种基于多因素综合考虑的服务区能耗估算方法及*** |
-
2021
- 2021-07-20 CN CN202110816756.3A patent/CN113486433A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109858700A (zh) * | 2019-02-01 | 2019-06-07 | 华北水利水电大学 | 基于相似样本筛选的bp神经网络供暖***能耗预测方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和*** |
CN109961177A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法 |
CN110597799A (zh) * | 2019-09-17 | 2019-12-20 | 上海仪电(集团)有限公司中央研究院 | 一种时序数据缺失值自动填补方法、***和设备 |
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111080009A (zh) * | 2019-12-13 | 2020-04-28 | 北京瑞莱智慧科技有限公司 | 基于时间序列的数据预测及补全方法、装置、介质和设备 |
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN112101755A (zh) * | 2020-09-02 | 2020-12-18 | 江苏中设集团股份有限公司 | 一种基于多因素综合考虑的服务区能耗估算方法及*** |
CN112070317A (zh) * | 2020-09-17 | 2020-12-11 | 四川长虹电器股份有限公司 | 酒店空调能耗预测方法 |
CN112085125A (zh) * | 2020-09-29 | 2020-12-15 | 西安交通大学 | 基于线性自学习网络的缺失值填补方法、存储介质及*** |
Non-Patent Citations (3)
Title |
---|
AOWABIN RAHMAN等: ""Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks"", 《APPLIED ENERGY》 * |
唐舟进 等: ""一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法"", 《物理学报》 * |
高山 等: ""全矢HMM在轴承剩余寿命预测中的应用"", 《机械设计与制造》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852928A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种近零能耗建筑负荷预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102705957B (zh) | 办公建筑中央空调逐时冷负荷在线预测方法及*** | |
EP3614055A1 (en) | Heat supply regulation method and apparatus | |
CN107133702B (zh) | 一种风电场全场功率预测方法 | |
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及*** | |
CN105373971A (zh) | 基于大数据的建筑能效管理的方法 | |
CN102592424A (zh) | 无线抄表通信*** | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN106768044A (zh) | 一种建筑能耗检测方法 | |
CN105091225A (zh) | 一种离线计算室内空调开机和温度超标的方法及其*** | |
CN104930589B (zh) | 基于分布式传感网络的小区供暖控制***及方法 | |
CN102841592A (zh) | 基于无线互联技术的温棚控制*** | |
CN109508743A (zh) | 一种基于knn改进算法的建筑能耗监测异常数据的修复方法 | |
CN113486433A (zh) | 用于净零能耗建筑的能耗缺数的计算方法以及填充*** | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
CN108614173B (zh) | 一种低压侧综合能耗分析方法和低压侧综合能耗分析*** | |
CN103234583A (zh) | 包含测光和测风功能的实时监测*** | |
TWI671996B (zh) | 判斷太陽能發電模組朝向的方法 | |
Chen et al. | Research on energy-saving optimization model based on building energy consumption data | |
Wang | Research and design of intelligent monitoring system for greenhouse based on Internet of Things | |
CN107133372B (zh) | 一种移动通信基站能耗标杆场景化评估方法及装置 | |
CN105653804A (zh) | 一种建筑能耗的模拟分析装置及方法 | |
CN114548533A (zh) | 一种建筑冷热电动态负荷设计方法、装置、区域内动态负荷获取方法、计算机及存储介质 | |
CN204155277U (zh) | 基于住区室内外环境的信息连续采集装置 | |
CN206584209U (zh) | 一种用于棉花储备库的信息采集*** | |
CN202535372U (zh) | 一种千万千瓦级风电基地实时风资源网络管理*** |
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: 20211008 |