CN113822587B - 一种基于总线电流数据的工厂产能评估方法 - Google Patents

一种基于总线电流数据的工厂产能评估方法 Download PDF

Info

Publication number
CN113822587B
CN113822587B CN202111141865.6A CN202111141865A CN113822587B CN 113822587 B CN113822587 B CN 113822587B CN 202111141865 A CN202111141865 A CN 202111141865A CN 113822587 B CN113822587 B CN 113822587B
Authority
CN
China
Prior art keywords
current
value
data
day
max
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
Application number
CN202111141865.6A
Other languages
English (en)
Other versions
CN113822587A (zh
Inventor
刘方
滕繁荣
翟中平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhihuan Technology Changzhou Co ltd
Original Assignee
Zhihuan Technology Changzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhihuan Technology Changzhou Co ltd filed Critical Zhihuan Technology Changzhou Co ltd
Priority to CN202111141865.6A priority Critical patent/CN113822587B/zh
Publication of CN113822587A publication Critical patent/CN113822587A/zh
Application granted granted Critical
Publication of CN113822587B publication Critical patent/CN113822587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于总线电流数据的工厂产能评估方法，包括以下步骤：步骤S1、定时采集工厂供电总线的瞬时电流数据；步骤S2、选取当天以前N天内采集的所有电流值数据作为样本，并计算出每一天的电流和；步骤S3、统计前N天电流和的概率分布密度pi；步骤S4、对pi进行最小二乘法正态分布模型拟合得到评估模型M；步骤S5、计算M的置信区间；步骤S6、根据当天的电流和数值和M的置信区间评估当天的产能情况。本发明可用于工厂产能的实时有效评估并且数据采集方便、成本低、适用性广，能够依据历史数据和正态分布统计理论进行科学合理的产能评估，评估模型能够随时间推移进行实时更新，实现产能的动态实时跟踪和准确评估。

Description

一种基于总线电流数据的工厂产能评估方法
技术领域
本发明属于工厂产能监测与评估技术领域，具体涉及一种基于总线电流数据的工厂产能评估方法。
背景技术
随着物联网技术和信息技术的快速发展，建立有效信息技术平台和管理工具，实现企业经营状况实时监测和贷后风险管理工作的***化成为趋势。
生产型企业的工厂车间每天的实际产能情况能够有效反映企业的经营状况，现有技术主要通过传感器或者人工方式采集与工厂产能相关的多种数据，结合机器学习的方法实现产能评估和预测。例如，利用机器视觉进行产品中良品、次品的检测以及数据统计，结合深度学习网络实现产能评估预测(CN202010442738.9)。利用电耗单耗、设备运转、工艺仪表等海量数据为信息来源，运用机器学习的方法来实现产能预测(CN201911224534.1)。利用厂房因素、人员因素、设备因素和物料因素、操作岗位人员数量、设备损耗率等影响产能的因素作为评估依据，结合神经网络实现产能评估预测(CN202010774588.1)。
以上现有技术由于统计因素较多，需要布置较多的传感器，并且某些因素还需要人工的介入。同时由于统计因素较多，产能评估方法往往比较复杂。并且需要量身定制，方法通用性差。
而针对一些自动化程度较高的行业，例如电子产品、医药、汽车、造纸等，大多采用自动化生产线进行生产，完全可以通过工厂中生产设备的总体功耗来判断工厂的实际生产状况，而工厂总线电流正比于设备总体功耗，因此本发明提出了一种基于总线电流的工厂产能评估方法，来解决传统方法无法实现实时监测以及现有方法需要花费较大的人力物力、方法复杂、适应性不广的问题。
发明内容
针对以上现有的工厂产能监测技术中存在的不足，本发明提出一种基于总线电流数据的工厂产能评估方法。方法中先用电流卡钳传感器采集电流，将电流求和作为当天的参数指标，统计过去一段时间的电流分布；然后利用最小二乘法对电流分布进行正态分布拟合；接着通过置信区间的划分判断当天的工作状态；最后通过当天监测的电流数据，判断工厂的生产状况。
本发明提供了一种全新的工厂产能评估方法，与现有技术相比，本发明可用于工厂产能的实时有效评估并且数据采集方便、成本低、适用性广。能够依据历史数据和正态分布模型统计理论进行科学合理的产能评估。评估模型能够随时间推移进行实时更新，实现产能的动态实时跟踪和准确评估。
本发明通过以下技术方案来实现上述目的：
一种基于总线电流数据的工厂产能评估方法，包括以下步骤：
步骤S1、定时采集工厂供电总线的瞬时电流数据，将满足预设条件的瞬时电流数据求取平均值i(k)，k＝1，2，…，m，以该平均值i(k)作为该次采集的电流值数据；
步骤S2、选取当天以前N天内采集的所有电流值数据作为样本，并计算出前N天内每一天的电流和数据I(h)＝∑i(k)，h＝1，2，…，N；
步骤S3、于步骤S2中所有电流和数据I(h)中选取最大值Imax(h)和最小值Imin(h)并在两者之间划分K个区间，计算前N天内每一天的电流和落在每个区间的概率值pi＝n(j)/N，(i＝1，2，…，K)，n(j)，j＝1，2，…，K，一共K个区间，n(j)，j＝1，2，…，K为电流和I(h)落在每个区间的数量；
步骤S4、基于步骤S3中获得的概率值pi构建正态分布模型M(μ，σ2)；
步骤S5、设定置信水平值并推算出置信区间下限Imin＝u-2σ和置信区间上限Imax＝u+2σ；
步骤S6、将当天采集并计算出的电流和数据I与步骤S5中计算出的置信区间下限Imin＝u-2σ和置信区间上限Imax＝u+2σ进行对比分析，当I＜Imin时判定当天为低产能状态，当I＞Imax时判定当天为高产能状态，当Imin≤I≤Imax时判定当天为正常产能状态。
作为本发明的进一步优化方案，所述步骤S1中的预设条件为瞬时电流数据的采样率为fs，采集时长为T。
作为本发明的进一步优化方案，步骤S4中基于概率值pi构建正态分布模型M(μ，σ2)时，采用最小二乘法拟合概率值pi，得到正态分布模型M(μ，σ2)。
作为本发明的进一步优化方案，所述步骤S4中构建正态分布模型M(μ，σ2)的具体步骤如下：
步骤S4.1、将步骤S3中K个区间的中点作为新的横坐标x＝{Imin(h)+(Imax(h)-Imin(h))/(2*K),Imin(h)+3*(Imax(h)-Imin(h))/(2*K),…,Imin(h)+(2*K-1)(Imax(h)-Imin(h))/(2*K)}，并将步骤S3中获得的概率值pi除以(Imax(h)-Imin(h))/K作为新的纵坐标y；
步骤S4.2、将新坐标(x，y)作为观测量数据，建立目标函数求解参数并拟合得到均值为u，方差为σ的正态分布模型。
作为本发明的进一步优化方案，所述目标函数公式如下：
y＝f(x,w)
Figure GDA0003577261580000041
其中，x＝[x1，x2，…，xn]T∈Rn，y＝R，w＝[w1，w2，…wm]T为待定参数矩阵，且n>m，当目标函数取得最小值时对应的w＝[w1，w2，…wm]T即为所求参数，拟合获得均值为u，方差为σ的正态分布模型，n表示的是观测样本的个数，m表示拟合函数中的参数的个数，R表示的是一维实数，Rn表示n维实数，y是观测值，f(x，w)是拟合函数关系对应的拟合函数值。
作为本发明的进一步优化方案，所述置信水平值pc设定为95％。
作为本发明的进一步优化方案，所述步骤S1中定时采集工厂供电总线的瞬时电流数据，具体为，采用在工厂供电总线挂置电流卡钳传感器的方式进行数据采集。
本发明的有益效果在于：
1)本发明数据采集方便，不需要进行设备改造以安装各类传感器，仅需采集总线电流，采用电流卡钳实现无接触式安装；
2)本发明通用性强，仅需采集工厂车间总线电流，技术实施难度低，适用于各类自动化生产型企业；
3)本发明成本低，维护方便。仅需采集总线电流，数据采集终端少、成本低、后期维护更换方便；
4)本发明与传统的依赖企业经营报表的方法相比，实时性好、信息化程度高，消耗的人力物力小；
5)本发明依据正态分布模型统计理论进行科学合理的产能评估，与机器学习方法相比，评估模型可解释性强；
6)本发明的评估模型能够随时间推移和数据的不断更新进行实时更新，实现产能的动态实时跟踪和准确评估，能够较好地适应企业订单突然增加或减少引起的经营状况突变。
附图说明
图1是本发明的流程框图；
图2是本发明的实施案例中工厂一天48次采样电流的瞬时变化折线图；
图3是本发明的实施案例中工厂前154天电流和统计图；
图4是本发明的实施案例中电流和出现在各个区间的概率分布图；
图5是本发明的实施案例中正态分布评估模型图；
图6是本发明的实施案例中产能评估模型示意图；
图7是本发明的模型更新演示图；
图8是本发明的实施案例评估结果。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1-8所示，一种基于总线电流数据的工厂产能评估方法，包括以下步骤：
步骤S1、定时采集工厂供电总线的瞬时电流数据，将满足预设条件的瞬时电流数据求取平均值i(k)，k＝1，2，…，m，以该平均值i(k)作为该次采集的电流值数据；步骤S1中定时采集工厂供电总线的瞬时电流数据，具体为，采用在工厂供电总线挂置电流卡钳传感器的方式进行数据采集；步骤S1中的预设条件为瞬时电流数据的采样率为fs，采集时长为T。
在工厂总线上挂置卡钳电流传感器，利用传感器每隔半小时采集一次并计算每次的电流平均值，一天一共采集四十八次电流值，其中一天的电流变化情况如图2所示；
步骤S2、选取当天以前N天内采集的所有电流值数据作为样本，并计算出前N天内每一天的电流和数据I(h)＝∑i(k)，h＝1，2，…，N；
统计每天的电流并求出电流和，本案例一共统计了204天的电流数据，统计每天的电流和I(h)＝∑i(48)，h＝1，2，…，154，其中前154天的电流和情况如图3所示；
步骤S3、于步骤S2中所有电流和数据I(h)中选取最大值Imax(h)和最小值Imin(h)并在两者之间划分K个区间，计算前N天内每一天的电流和落在每个区间的概率值pi＝n(j)/N，(i＝1，2，…，K)，n(j)，j＝1，2，…，K；
将前154天的电流和中最大值和最小值之间均匀划分20个区间，统计电流和I(h)落在每个区间的概率pi＝n(j)/N，(i＝1，2，…，20)，其中n(j)，j＝1，2，…，20为电流和I(h)落在每个区间的数量，绘制电流和的分布图，如图4所示；
计算相应的概率pi(i＝1，2，…，20)，绘制电流和的分布的具体步骤如下：
统计工厂前154天的电流和数据，用落在各个区间的天数ni(i＝1，2，…，20)除以154天，即为电流落在各个区间的概率pi(i＝1，2，…，20)；
以电流和为横坐标，落在各个区间的概率pi(i＝1，2，…，20)为纵坐标绘制电流和的分布情况；
步骤S4、基于步骤S3中获得的概率值pi构建正态分布模型M(μ，σ2)；步骤S4中基于概率值pi构建正态分布模型M(μ，σ2)时，采用最小二乘法拟合概率值pi，得到正态分布模型M(μ，σ2)。
步骤S4中构建正态分布模型M(μ，σ2)的具体步骤如下：
步骤S4.1、将步骤S3中K个区间的中点作为新的横坐标x＝{Imin(h)+(Imax(h)-Imin(h))/(2*K),Imin(h)+3*(Imax(h)-Imin(h))/(2*K),…,Imin(h)+(2*K-1)(Ima x(h)-Imin(h))/(2*K)}，并将步骤S3中获得的概率值pi除以(Imax(h)-Imin(h))/K作为新的纵坐标y，保证最终拟合曲线与横坐标所围面积为1；
步骤S4.2、将新坐标(x，y)作为观测量数据，建立目标函数求解参数并拟合得到均值为u，方差为σ的正态分布模型。
目标函数公式如下：
y＝f(x,w)
Figure GDA0003577261580000081
其中，x＝[x1，x2，…，xn]T∈Rn，y＝R，w＝[w1，w2，…wm]T为待定参数矩阵，且n>m，当目标函数取得最小值时对应的w＝[w1，w2，…wm]T即为所求参数，拟合获得均值为u，方差为σ的正态分布模型，n表示的是观测样本的个数，m表示拟合函数中的参数的个数，R表示的是一维实数，Rn表示n维实数，y是观测值，f(x，w)是拟合函数关系对应的拟合函数值；如图5所示，拟合得到正态分布的模型；
具体为，取20个小区间的中点作为新的横坐标x，将纵坐标概率除以每个区间长度作为新的纵坐标y，保证最终拟合的正态分布曲线与横坐标所围面积为1；
将新的坐标(x，y)作为观测量，且x＝[x1，x2，…，x20]T∈R20，y＝R满足以下函数关系：
y＝f(x,w)
其中w＝[u，σ]T为待定参数，u为均值，σ为方差。为了寻找函数f(x，w)的参数w的最优估计值，对于已有的20组观测数据(xi，yi)(i＝1，2，…，20)求解目标函数：
Figure GDA0003577261580000082
目标函数取得最小值时对应的u＝416.0，σ＝35.6，正态分布模型建立。如图5所示。
步骤S5、设定置信水平值并推算出置信区间下限Imin＝u-2σ和置信区间上限Imax＝u+2σ；置信水平值pc设定为95％。
步骤S6、将当天采集并计算出的电流和数据I与步骤S5中计算出的置信区间下限Imin＝u-2σ＝344.8和置信区间上限Imax＝u+2σ＝487.2进行对比分析，当I＜Imin时判定当天为低产能状态，当I＞Imax时判定当天为高产能状态，当Imin≤I≤Imax时判定当天为正常产能状态。
根据当天的电流和数值I判断当天产能情况的具体步骤如下：
对得到的正态分布模型的置信区间对工厂生产进行判断，电流和小于Imin＝u-2σ＝344.8则表示工厂处于低产能状态，大于Imax＝u+2σ＝487.2区间表示工厂处于高产能状态，处于二者之间表示工厂处于正常产能状态；如图6所示。
第155天的电流和数据为，其数值为296.2，小于Imin＝344，因此属于低产能状态；
将1至154天电流和数据作为历史样本，用于建立评估模型来评估第155天的产能情况。之后将2-155天电流和数据作为历史样本，用于建立评估模型来评估第156天的产能情况，依次类推。评估模型的更新情况如图7所示，图中r1，r7为原始产能评估模型的上下限；r3，r9为随着时间推移，旧样本去除和新样本增加后产能评估模型的上下限。阴影部分为更新前后模型识别结果不同的区域。
之后，用同样的步骤评估第156-204天的产能情况，以测试本发明方法的有效性，将2-155天电流和数据作为历史样本，用于建立评估模型来评估第156天的产能情况，依次类推直至第204天的样本评估结束。评估结果如图8所示，从评估结果的直观判断以及与厂家的沟通了解的实际生产状态来看，本发明对产能的评估结果效果良好。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种基于总线电流数据的工厂产能评估方法，其特征在于，包括以下步骤：
步骤S1、定时采集工厂供电总线的瞬时电流数据，将满足预设条件的瞬时电流数据求取平均值i(k)，k＝1，2，…，m，以该平均值i(k)作为该次采集的电流值数据；
步骤S2、选取当天以前N天内采集的所有电流值数据作为样本，并计算出前N天内每一天的电流和数据I(h)＝∑i(k)，h＝1，2，…，N；
步骤S3、于步骤S2中所有电流和数据I(h)中选取最大值Imax(h)和最小值Imin(h)并在两者之间划分K个区间，计算前N天内每一天的电流和落在每个区间的概率值pi＝n(j)/N，(i＝1，2，…，K)，n(j)，j＝1，2，…，K；一共K个区间，n(j)，j＝1，2，…，K为电流和I(h)落在每个区间的数量；
步骤S4、基于步骤S3中获得的概率值pi构建正态分布模型M(μ，σ2)；
步骤S5、设定置信水平值并推算出置信区间下限Imin＝u-2σ和置信区间上限Imax＝u+2σ；
步骤S6、将当天采集并计算出的电流和数据I与步骤S5中计算出的置信区间下限Imin＝u-2σ和置信区间上限Imax＝u+2σ进行对比分析，当I＜Imin时判定当天为低产能状态，当I＞Imax时判定当天为高产能状态，当Imin≤I≤Imax时判定当天为正常产能状态。
2.根据权利要求1所述的一种基于总线电流数据的工厂产能评估方法，其特征在于：所述步骤S1中的预设条件为瞬时电流数据的采样率为fs，采集时长为T。
3.根据权利要求1所述的一种基于总线电流数据的工厂产能评估方法，其特征在于：步骤S4中基于概率值pi构建正态分布模型M(μ，σ2)时，采用最小二乘法拟合概率值pi，得到正态分布模型M(μ，σ2)。
4.根据权利要求3所述的一种基于总线电流数据的工厂产能评估方法，其特征在于，所述步骤S4中构建正态分布模型M(μ，σ2)的具体步骤如下：
步骤S4.1、将步骤S3中K个区间的中点作为新的横坐标x＝{Imin(h)+(Imax(h)-Imin(h))/(2*K),Imin(h)+3*(Imax(h)-Imin(h))/(2*K),…,Imin(h)+(2*K-1)(Imax(h)-Imin(h))/(2*K)}，并将步骤S3中获得的概率值pi除以(Imax(h)-Imin(h))/K作为新的纵坐标y；
步骤S4.2、将新坐标(x，y)作为观测量数据，建立目标函数求解参数并拟合得到均值为u，方差为σ的正态分布模型。
5.根据权利要求4所述的一种基于总线电流数据的工厂产能评估方法，其特征在于，所述目标函数公式如下：
y＝f(x,w)
Figure FDA0003577261570000021
其中，x＝[x1，x2，…，xn]T∈Rn，y＝R，w＝[w1，w2，…wm]T为待定参数矩阵，且n>m，当目标函数取得最小值时对应的w＝[w1，w2，…wm]T即为所求参数，拟合获得均值为u，方差为σ的正态分布模型；n表示的是观测样本的个数，m表示拟合函数中的参数的个数，R表示的是一维实数，Rn表示n维实数，y是观测值，f(x，w)是拟合函数关系对应的拟合函数值。
6.根据权利要求1所述的一种基于总线电流数据的工厂产能评估方法，其特征在于：所述置信水平值pc设定为95％。
7.根据权利要求1所述的一种基于总线电流数据的工厂产能评估方法，其特征在于：所述步骤S1中定时采集工厂供电总线的瞬时电流数据，具体为，采用在工厂供电总线挂置电流卡钳传感器的方式进行数据采集。
CN202111141865.6A 2021-09-28 2021-09-28 一种基于总线电流数据的工厂产能评估方法 Active CN113822587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111141865.6A CN113822587B (zh) 2021-09-28 2021-09-28 一种基于总线电流数据的工厂产能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111141865.6A CN113822587B (zh) 2021-09-28 2021-09-28 一种基于总线电流数据的工厂产能评估方法

Publications (2)

Publication Number Publication Date
CN113822587A CN113822587A (zh) 2021-12-21
CN113822587B true CN113822587B (zh) 2022-06-21

Family

ID=78921420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111141865.6A Active CN113822587B (zh) 2021-09-28 2021-09-28 一种基于总线电流数据的工厂产能评估方法

Country Status (1)

Country Link
CN (1) CN113822587B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116483041A (zh) * 2023-05-05 2023-07-25 广州特纳信息科技有限公司 基于物联网和大数据分析的智能控制***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007279876A (ja) * 2006-04-04 2007-10-25 Hitachi Global Storage Technologies Netherlands Bv 生産計画方法及び生産計画システム
JP5402183B2 (ja) * 2009-04-10 2014-01-29 オムロン株式会社 監視装置、監視装置の制御方法、および制御プログラム
CN112434962B (zh) * 2020-12-01 2021-08-24 国网江苏省电力有限公司营销服务中心 基于电力负荷数据的企业用户状态评估方法和***

Also Published As

Publication number Publication date
CN113822587A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN112434962B (zh) 基于电力负荷数据的企业用户状态评估方法和***
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN114004296A (zh) 一种基于电力负荷特征反向提取监测点的方法及***
CN113610381B (zh) 一种基于5g网络的水质远程实时监测***
CN110378510B (zh) 一种基于时间序列和层次聚合的配网物资需求预测方法
CN116742799A (zh) 一种基于物联网技术的配电辅助监测预警***
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN113822587B (zh) 一种基于总线电流数据的工厂产能评估方法
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN115619158A (zh) 一种服装产线进度智能化监测调控方法及***
CN116632836A (zh) 一种基于温度敏感性的公变台区负载率预测***
CN116862132A (zh) 基于大数据的资源调度方法
CN108345996B (zh) 一种降低风电功率考核电量的***及方法
CN116050788A (zh) 一种工业智能排产管理***
CN114912700A (zh) 一种工厂车间电力能耗的评估方法及其***
WO2020141154A1 (en) Method, system and computer program product for evaluation of energy consumption in industrial environments
CN112765549B (zh) 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法
CN113421170B (zh) 一种电力工程质量综合优化管理***以及方法
CN114386204A (zh) 基于灰色模型的电网夏季空调负荷峰值精细化预测方法及***
CN112561230A (zh) 基于电气特征的环保设备状态监测方法
CN111400284B (zh) 一种基于性能数据建立动态异常探测模型的方法
CN117406685B (zh) 适用于绿色低碳建筑的建筑设备智能控制优化管理***
CN117689070B (zh) 一种基于物联网设备的电表管理***
CN113158552B (zh) 基于时间序列的生物反应器运行状况分级预测方法及***
CN118094262B (zh) 一种基于空间聚类的负荷异常值检测方法

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