CN114970357A - 节能效果评价方法、***、装置及存储介质 - Google Patents

节能效果评价方法、***、装置及存储介质 Download PDF

Info

Publication number
CN114970357A
CN114970357A CN202210622225.5A CN202210622225A CN114970357A CN 114970357 A CN114970357 A CN 114970357A CN 202210622225 A CN202210622225 A CN 202210622225A CN 114970357 A CN114970357 A CN 114970357A
Authority
CN
China
Prior art keywords
time period
data
energy
energy consumption
factor
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
Application number
CN202210622225.5A
Other languages
English (en)
Inventor
李东进
郝赫
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.)
Xinao Shuneng Technology Co Ltd
Original Assignee
Xinao Shuneng Technology 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 Xinao Shuneng Technology Co Ltd filed Critical Xinao Shuneng Technology Co Ltd
Priority to CN202210622225.5A priority Critical patent/CN114970357A/zh
Publication of CN114970357A publication Critical patent/CN114970357A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及节能环保技术领域，提供了一种节能效果评价方法、***、装置及存储介质。该方法包括：获取第一时间段和第二时间段的数据，数据包括天气因素数据、工作因素数据、人员因素数据、能耗数据；基于获取的第一时间段数据，利用预设的回归模型，建立能耗因素关联模型；将第二时间段的影响因素数据输入能耗因素关联模型，计算得到第二时间段的能耗基准值；计算第二时间段能耗基准值与能耗实际值的差值，该差值为节能量，基于该节能量对节能效果进行评价。本公开能够全面且准确地获取模型参数，提高能耗评价的精准度和效率，评价结果的可信度较高。

Description

节能效果评价方法、***、装置及存储介质
技术领域
本公开涉及节能环保技术领域，尤其涉及一种节能效果评价方法、***、装置及存储介质。
背景技术
在建筑体总能耗中，制热/制冷***的能耗占据了很大比重，出于对经济性和环保性的追求，需要对制热/制冷***采取各种节能措施。
从节能措施的实施方案来说，可大体分为两类。第一类是基于设备改造的节能措施，主要包括对现有设备的改造、替换和升级等，比如将定频水泵替换为变频水泵。第二类是基于设备控制算法的节能措施，在不对现有设备进行物理改造的前提下，通过对设备运行状态的调控，来达成节能目标，比如根据天气状况动态调控冷水机组出水温度设定值。在实际操作中，制热/制冷***的节能改造可能会同时包含以上两类措施。节能措施的效果如何，是衡量该措施是否成功的最重要的方面，因此需要对节能效果进行可量化的评价。目前节能效果评价方法可大致分为三类。第一类是基于设备机理的节能量测算，第二类是基于数值模拟的节能量测算，第三类是通过改造前后的制热/制冷***实际耗能量差值进行评价。
现有技术仅仅从被改造设备本身的设备机理考虑，评价条件简单，忽略了改造前后制热/制冷***所处环境状态的不一致性的因素。
发明内容
有鉴于此，本公开实施例提供了一种节能效果评价方法、***、装置及计算机程序可读存储介质，以解决现有技术中的评价效果差、不能够从整体耗能量变动考虑和评价节能效果、评价效果不够精准、考量因素不全面等问题。
本公开实施例的第一方面，提供了节能效果评价方法，包括以下步骤：
步骤1：将采取节能措施前的一个或者多个时间段作为第一时间段，将采取节能措施后的一个或者多个时间段作为第二时间段，获取第一时间段和第二时间段的数据，数据包括影响因素数据、能耗数据；
步骤2：基于获取的第一时间段数据，利用预设的回归模型，建立能耗因素关联模型；
步骤3：将第二时间段的影响因素数据输入能耗因素关联模型，计算得到第二时间段的能耗基准值；
步骤4：计算第二时间段能耗基准值与能耗实际值的差值，该差值为节能量，基于节能量对节能效果进行评价。
本公开实施例的第二方面，提供了一种***，包括：包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第三方面，提供了一种装置，包括：包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：通过全面获取基准期的影响因素数据、能耗数据，采用回归模型建立能耗因素关联模型，能够全面且准确地获取模型参数，提高能耗评价的精准度，将评价期影响因素数据输入能耗因素关联模型，计算得到评价期能耗基准值，在此基础上计算评价期能耗基准值与能耗实际值的差值，能够根据客观环境的实际条件，实时输出基准值，提高了效率、获得了可信度较高的评价结果，从***整体层面而非设备层面对节能效果进行计算，产生可量化的评价。
附图说明
为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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，还可以根据这些附图获得其它的附图。
图1是本公开实施例的应用场景的场景示意图；
图2是本公开实施例提供的一种节能效果评价方法的流程示意图；
图3是本公开实施例提供的一种面向制热/制冷***节能措施的节能效果评价方法的流程示意图；
图4是本公开实施例提供的一种神经网络的两层隐层与单层输出层的输入与输出方法流程示意图；
图5是本公开实施例提供的一种***的结构示意图；
具体实施方式
针对现有技术的第一类节能效果评价方法，即基于设备机理的节能效果测算，该方法仅仅从被改造设备本身的设备机理考虑，一是忽略了设备机理理论与实际运行状况的差异，二是忽略了制热/制冷***作为一个整体，各设备之间具有一定的耦合关联性，该设备的改造会对其他设备的运行状况造成影响，仅从被改造设备的耗能量变动考虑是不合适的。
针对现有技术的第二类节能效果评价方法，即基于数值模拟的测算，数值模拟并不能完全还原现实中制热/制冷***的运行工况，因此数值模拟通常是将制热/制冷***放在一个简化的条件下模拟运行，使得模拟得到节能效果不具有较好的可信度和认可度。
针对现有技术的第三类节能效果评价方法，即通过改造前后的实际耗能量差值进行评价，该方法忽略了改造前后制热/制冷***所处环境状态的不一致性。以综合商业体为例，若以改造后一个月与改造前一个月的耗能量差异作为对节能效果的评价，由于不能保证作为对比的两个月的天气状况、节假日数量、供冷面积等变量的一致性，使得评价结果不准确。例如，一般来说，9月份的制热/制冷耗能量通常比8月份的耗能量要低，当叠加上此类变量后，节能措施所带来的效果就变得难以衡量。
本发明实施例能够解决现有技术中存在的相关问题，具体参见下文描述。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种节能效果评价方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4、网络5、制热***6、制冷***7、其它节能***8。
终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。
需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
制热***6、制冷***7、其它节能***8均可以与终端设备1、2、3、服务器4以及网络5的任一端相连，从而进行通信和数据的传输。
图2是本公开实施例提供的一种节能效果评价方法的流程示意图。图2的节能效果评价方法可以由图1的终端设备或服务器执行。如图2所示，该节能效果评价方法包括：
S201，获取基准期和评价期的数据，数据包括影响因素数据、能耗数据；
S202，基于获取的基准期数据，利用预设的回归模型，建立能耗因素关联模型；
S203，将评价期的影响因素数据输入能耗因素关联模型，计算得到评价期的能耗基准值；
S204，计算评价期能耗基准值与能耗实际值的差值，该差值为节能量，基于节能量对节能效果进行评价。
其中，将采取节能措施前的一个或者多个时间段作为基准期，将采取节能措施后的一个或者多个时间段作为评价期。
方法步骤用“SXXX”表示，XXX为三位连续编号的数字，如该方法步骤的S201、S202、S203、S204，应理解，实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对公开实施例的实施过程构成任何限定。其他具体实施方式中关于方法步骤的理解方式与本实施方式相同，将不再赘述。
具体地，通过回归模型得到能耗因素关联模型，采用数学模型建立影响因素与能耗数据之间的关联分析，能够在获得影响因素数据的前提下，获得较为准确的能耗数据，能够为准确评价节能效果建立数据基础，因此，处理后的评价期影响因素数据，通过能耗因素关联模型，计算得到评价期能耗基准值，评价期能耗基准值与能耗实际值的差值，即为该节能措施的节能量，可以用于评价节能效果。
根据本公开实施例提供的技术方案，通过全面获取基准期的影响因素数据、能耗数据，提高能耗评价的精准度，能够根据客观环境的实际条件，实时输出基准值，获得了可信度较高的评价结果，从***整体层面而非设备层面对节能效果进行计算，产生可量化的评价。
在一些实施例中，该节能效果评价方法，影响因素数据包括：天气因素、工作因素、人员因素数据等。
图3是本公开实施例提供的一种制热/制冷***节能效果评价方法的流程示意图。图3的制热/制冷***节能效果评价方法可以由图1的终端设备或服务器执行。如图3所示，该制热/制冷***节能效果评价方法包括：
S301，获取制热/制冷***的基准期和评价期的数据，获取的影响因素数据包括：天气因素、工作因素、人员因素数据，工作因素包括工作面积、节假日天数、时段因素，人员因素包括人员数量、人员流通量；
S302，基于获取的基准期数据，利用预设的回归模型，建立能耗因素关联模型；
S303，将评价期的影响因素数据输入能耗因素关联模型，计算得到评价期的能耗基准值；
S304，计算评价期能耗基准值与能耗实际值的差值，该差值为节能量，基于该节能量对节能效果进行评价。
其中，将制热/制冷***在采取节能措施前的一个或者多个时间段作为基准期，将制热/制冷***在采取节能措施后的一个或者多个时间段作为评价期。
具体地，制热/制冷***的影响因素与工作***本身的功率、节能工作参数等相关，还与工作的外部环境因素即天气因素相关，也与制热/制冷***工作的室内环境因素，特别是人员因素相关，制热/制冷***通过外部天气因素与室内人员因素的协调与联动，完成制热/制冷功能，因此，进一步限定影响因素数据包括：天气因素、工作因素、人员因素数据等。
根据本公开实施例提供的技术方案，通过天气因素、工作因素、人员因素数据的获取与处理，实现了从***整体层面而非设备层面对节能效果进行计算，产生可量化的评价。
在一些实施例中，该节能效果评价方法，天气因素包括日间温度、夜间温度、日间湿度、夜间湿度、日间风速、夜间风速、降水天数等，工作因素包括供冷面积、节假日天数、时段因素：根据计算时间粒度的不同，包括月份或者该年份的第几周等，人员因素包括人员数量、人员流通量等。
具体地，选取对制热/制冷***影响最大的天气因素、工作因素、人员因素，能够从原理上获取影响制热/制冷***节能效果的影响因子，从而实现全面且准确的获取影响因素的因变量，能够保障模型的准确研究，从而提高整体***的评价效率。
在一些实施例中，该节能效果评价方法，基准期的选择标准是：以实施节能措施的时刻为界限，在实施节能措施之前，一个完整制热/制冷周期的三倍及以上整数倍作为一个基准期。
根据本公开实施例提供的技术方案，通过一个完整制热/制冷周期的三倍及以上整数倍作为一个基准期的选取方式，能够提供足够的数据长度，还能够在足够稳定的时间周期倍数基础上，实现稳定可靠的数据输出。
在一些实施例中，该节能效果评价方法，分别对基准期和评价期的影响因素数据、能耗数据进行数据处理，数据处理主要包括异常值剔除、缺失值补全、特征抽取等，将非以向量形式表示的数据的特征值映射到概率分布中，可以映射到均值为0、标准差为1的标准正态分布中。
具体地，对数据的处理和特征向量形式的数据处理，可以为数据输入回归模型做好准备，满足回归模型的数据格式要求，非特征向量和特征向量形式的经过处理后的数据均可以直接输入线性回归方程，进一步得到各系数的参量数值，在回归方程模型的基础上获得基准期与评价期的能耗基准值。
根据本公开实施例提供的技术方案，通过传统的线性回归模型，也能够实现相关数据的验证与确定，方案的实施较为容易，应用广泛，进一步地，通过标准正态分布的归一化处理，能够实现数据的高精度处理，提高可靠性。
在一些实施例中，该节能效果评价方法，特征向量形式的经过处理后的数据可以输入决策树、支持向量机、机器学习模型、深度学习模型等。
根据本公开实施例提供的技术方案，通过多种模型的选择均可以实现本发明的技术效果，实施较为灵活且容易推广。
在一些实施例中，该节能效果评价方法，对数据处理后得到的天气因素向量x1、工作因素向量x2和人员因素向量x3进行拼接，得到综合特征向量
Figure BDA0003675059430000081
Figure BDA0003675059430000082
其中d0为三类影响因素所包含的特征维度的数量的和，
Figure BDA0003675059430000083
表示维度数量为d0的向量空间。
在一些实施例中，该节能效果评价方法，将各因素数据的特征向量输入两层或者两层以上全连接神经网络，加入到神经网络的激活函数类型为：relu、Leaky relu、Parametric relu、relu6、sigmoid、tanh、Swish、Hard-Swish、H-Swish等，隐层神经网络和输出层神经网络的激活函数相同或者不相同，进而得到编码后的特征向量。
具体地，通过多种激活函数、神经网络的多层设置，隐层神经网络和输出层神经网络的激活函数相同或者不相同，可以实现神经网络的层数+激活函数+隐层与输出层激活函数选择的灵活安排，最大限度利用了神经网络的结构与工作特点，能够实现神经网络的优化学习。
在一些实施例中，该节能效果评价方法，在神经网络模型中的全连接层之后，添加dropout层来防止过拟合。
在一些实施例中，该节能效果评价方法，将特征向量输入包含两层隐层的全连接神经网络，在第一层全连接神经网络隐层输出得到编码后的特征向量
Figure BDA0003675059430000091
在第二层全连接神经网络隐层输出得到编码后的特征向量
Figure BDA0003675059430000092
选取relu为激活函数，公式如下所示：
Figure BDA0003675059430000093
Figure BDA0003675059430000094
其中，d1表示第一层全连接神经网络隐层输出层单元的数量，
Figure BDA0003675059430000095
表示第一层全连接神经网络隐层输出层的向量空间，d2表示第二层全连接神经网络隐层输出层单元的数量，
Figure BDA0003675059430000096
表示第二层全连接神经网络隐层输出层的向量空间，
Figure BDA0003675059430000097
和
Figure BDA0003675059430000098
分别表示全连接神经网络两层隐层的权重矩阵和偏置向量，relu为激活函数。
在一些实施例中，将特征向量
Figure BDA0003675059430000099
输入单层全连接神经网络，选取relu为激活函数，得到当前时段制热/制冷***耗能量参考值
Figure BDA00036750594300000910
Figure BDA00036750594300000911
其中R表示全连接神经网络单层输出层的向量空间，
Figure BDA00036750594300000912
和
Figure BDA00036750594300000913
分别表示单层输出层的权重向量和偏置值，relu为激活函数。
模型训练过程：通过最小化如下损失函数，训练得到能耗因素关联模型：
Figure BDA0003675059430000101
其中，k表示训练样本数量，yi表示第i个样本的耗能量真实值，
Figure BDA0003675059430000102
表示第i个样本的模型计算所得的耗能量参考值。
图4是本公开实施例提供的一种神经网络的两层隐层与单层输出的方法流程示意图，图中
Figure BDA0003675059430000103
和
Figure BDA0003675059430000104
分别表示全连接神经网络两层隐层的权重矩阵和偏置向量，
Figure BDA0003675059430000105
和
Figure BDA0003675059430000106
分别表示全连接神经网络单层输出层的权重向量和偏置值，relu为激活函数。左图表示将三种影响因素向量均输入神经网络的方式，其中，数据处理后得到的天气因素向量为x1、数据处理后得到的工作因素向量为x2和数据处理后得到的人员因素向量为x3；右图表示经过将三种影响因素向量经过拼接之后得到的综合特征向量x输入神经网络，输出得到
Figure BDA0003675059430000107
具体地，以两层隐层和单层输出层的神经网络的方式完成机器学习，可以通过较少的神经网络层数实现本发明的目的。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
图5是本公开实施例提供的***500的示意图。如图5所示，该实施例的***500包括：处理器501、存储器502以及存储在该存储器502中并且可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在***500中的执行过程。
***500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。***500可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是***500的示例，并不构成对***500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，***还可以包括输入输出设备、网络接入设备、总线等。
处理器501可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器502可以是***500的内部存储单元，例如，***500的硬盘或内存。存储器502也可以是***500的外部存储设备，例如，***500上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器502还可以既包括***500的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/***和方法，可以通过其它的方式实现。例如，以上所描述的装置/***实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种节能效果评价方法，其特征在于，包括：
将采取节能措施前的一个或者多个时间段作为第一时间段，将采取节能措施后的一个或者多个时间段作为第二时间段，获取第一时间段和第二时间段分别对应的数据，其中所述数据包括影响因素数据和能耗数据；
基于所述第一时间段的数据，利用预设的回归模型，建立能耗因素关联模型，所述能耗因素关联模型用于表征所述影响因素数据与能耗基准值之间的影响关系；
将所述第二时间段的影响因素数据输入所述能耗因素关联模型，计算得到所述第二时间段的能耗基准值；
计算所述第二时间段的能耗基准值与所述第二时间段的能耗实际值的差值，将所述差值作为节能量，基于所述节能量对节能效果进行评价。
2.根据权利要求1所述的节能效果评价方法，其特征在于，所述获取第一时间段和第二时间段分别对应的数据，包括：
对***进行节能效果评价，获取所述***对应的影响因素数据和能耗数据，其中，所述影响因素数据包括天气因素、工作因素和人员因素数据，所述工作因素包括工作面积、节假日天数和时段因素，所述人员因素包括人员数量和人员流通量；所述***为制热***或者制冷***。
3.根据权利要求1所述的节能效果评价方法，其特征在于，在所述获取第一时间段和第二时间段分别对应的的数据之后，所述方法还包括：
分别对所述第一时间段和所述第二时间段的影响因素数据及能耗数据进行数据处理，所述数据处理包括异常值剔除、缺失值补全和特征抽取。
4.根据权利要求3所述的节能效果评价方法，其特征在于，对第一时间段和第二时间段的影响因素数据、能耗数据进行数据处理之后，将以非向量形式表示的数据的特征值映射到均值为0、标准差为1的标准正态分布中。
5.根据权利要求4所述的节能效果评价方法，其特征在于，对数据处理后得到的天气因素向量x1、工作因素向量x2和人员因素向量x3进行拼接，得到综合特征向量
Figure FDA0003675059420000021
Figure FDA0003675059420000022
其中d0为三类影响因素所包含的特征维度数量的和，
Figure FDA0003675059420000023
表示特征维度数量为d0的向量空间。
6.根据权利要求4或者5所述的节能效果评价方法，其特征在于，建立能耗因素关联模型的过程中，分别单独选择隐层神经网络和输出层神经网络的激活函数，激活函数类型包括：relu、Leaky relu、Parametric relu、relu6、sigmoid、tanh、Swish、Hard-Swish、H-Swish，将第一时间段影响因素数据的特征向量输入两层或者两层以上的神经网络，得到编码后的各层输出特征向量。
7.根据权利要求6所述的节能效果评价方法，其特征在于，将第一时间段影响因素数据的特征向量输入两层隐层和单层输出层的全连接神经网络，在第一层隐层输出得到编码后的特征向量
Figure FDA0003675059420000024
在第二层隐层输出得到编码后的特征向量
Figure FDA0003675059420000025
在单层输出层得到编码后的特征向量即***耗能量参考值
Figure FDA0003675059420000026
选取relu为隐层和输出层的激活函数，公式如下所示：
Figure FDA0003675059420000027
Figure FDA0003675059420000028
Figure FDA0003675059420000029
其中，d1表示第一层全连接神经网络隐层输出层单元的数量，
Figure FDA00036750594200000210
表示第一层全连接神经网络隐层输出层的向量空间，d2表示第二层全连接神经网络隐层输出层单元的数量，
Figure FDA00036750594200000211
表示第二层全连接神经网络隐层输出层的向量空间，
Figure FDA00036750594200000212
和
Figure FDA00036750594200000213
分别表示全连接神经网络两层隐层的权重矩阵和偏置向量，
Figure FDA00036750594200000214
和
Figure FDA00036750594200000215
分别表示单层输出层的权重向量和偏置值，R表示全连接神经网络单层输出层的向量空间，relu为激活函数。
8.一种节能效果评价***，其特征在于，包括：
获取模块，被配置为将采取节能措施前的一个或者多个时间段作为第一时间段作为第一时间段，将采取节能措施后的一个或者多个时间段作为第二时间段，获取第一时间段和第二时间段分别对应的数据，其中所述数据包括影响因素数据和能耗数据；
建立模块，被配置为基于所述第一时间段的数据，利用预设的回归模型，建立能耗因素关联模型，所述能耗因素关联模型用于表征所述影响因素数据与能耗基准值之间的影响关系；
计算模块，被配置为将所述第二时间段的影响因素数据输入所述能耗因素关联模型，计算得到所述第二时间段的能耗基准值；
评价模块，被配置为计算所述第二时间段的能耗基准值与所述第二时间段的能耗实际值的差值，将所述差值作为节能量，基于所述节能量对节能效果进行评价。
9.一种装置，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202210622225.5A 2022-06-01 2022-06-01 节能效果评价方法、***、装置及存储介质 Pending CN114970357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210622225.5A CN114970357A (zh) 2022-06-01 2022-06-01 节能效果评价方法、***、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210622225.5A CN114970357A (zh) 2022-06-01 2022-06-01 节能效果评价方法、***、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114970357A true CN114970357A (zh) 2022-08-30

Family

ID=82959209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210622225.5A Pending CN114970357A (zh) 2022-06-01 2022-06-01 节能效果评价方法、***、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114970357A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116528270A (zh) * 2023-06-27 2023-08-01 杭州电瓦特科技有限公司 一种基站节能潜力评估方法、装置、设备及存储介质
CN117875775A (zh) * 2024-01-10 2024-04-12 杭州云牧科技有限公司 一种建筑空调节能效果评估方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116528270A (zh) * 2023-06-27 2023-08-01 杭州电瓦特科技有限公司 一种基站节能潜力评估方法、装置、设备及存储介质
CN116528270B (zh) * 2023-06-27 2023-10-03 杭州电瓦特科技有限公司 一种基站节能潜力评估方法、装置、设备及存储介质
CN117875775A (zh) * 2024-01-10 2024-04-12 杭州云牧科技有限公司 一种建筑空调节能效果评估方法及装置

Similar Documents

Publication Publication Date Title
CN110147456B (zh) 一种图像分类方法、装置、可读存储介质及终端设备
CN109902222A (zh) 一种推荐方法及装置
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN114970357A (zh) 节能效果评价方法、***、装置及存储介质
CN111352965A (zh) 序列挖掘模型的训练方法、序列数据的处理方法及设备
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113177366B (zh) 一种综合能源***规划方法、装置和终端设备
CN110751326A (zh) 一种光伏日前功率预测方法、装置以及存储介质
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、***及终端设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN112766402A (zh) 算法选择方法、装置和电子设备
CN115130894A (zh) 基于人工智能的生产规划方法、装置、计算机设备及介质
CN109117352B (zh) 服务器性能预测方法和装置
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN117057935A (zh) 基于领域设计的数据处理方法、装置、设备及其存储介质
CN110210677A (zh) 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
CN114971053A (zh) 低压台区网络线损率在线预测模型的训练方法及装置
CN114154415A (zh) 设备寿命的预测方法及装置
CN113723712A (zh) 风电功率预测方法、***、设备及介质
CN110348190A (zh) 基于用户操作行为的用户设备归属判断方法及装置
CN116541766B (zh) 脑电数据修复模型的训练方法、脑电数据修复方法及装置
CN113139490B (zh) 一种图像特征匹配方法、装置、计算机设备及存储介质
CN109255432B (zh) 神经网络模型构建方法及装置、存储介质、电子设备

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