CN116528270B - 一种基站节能潜力评估方法、装置、设备及存储介质 - Google Patents
一种基站节能潜力评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116528270B CN116528270B CN202310763712.8A CN202310763712A CN116528270B CN 116528270 B CN116528270 B CN 116528270B CN 202310763712 A CN202310763712 A CN 202310763712A CN 116528270 B CN116528270 B CN 116528270B
- Authority
- CN
- China
- Prior art keywords
- base station
- energy
- influence factor
- factor data
- energy consumption
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 66
- 238000004134 energy conservation Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基站节能潜力评估方法、装置、设备及存储介质,涉及节能评估技术领域,包括以下步骤:获取目标时间内各种节能措施下基站节能的原始影响因子数据;对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种节能措施一一对应的第一主影响因子数据;将若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下基站的能耗值,并根据能耗值输出基站的节能潜力评估结果。本方案通过建立一个全面、准确、客观的基站能耗模型,不仅提高了基站节能潜力评估结果的准确性,还减少了人为因素对评估过程的干扰,保证了评估结果的客观性。
Description
技术领域
本申请涉及节能评估技术领域,尤其涉及一种基站节能潜力评估方法、装置、设备及存储介质。
背景技术
随着移动通信技术的快速发展,基站数量逐渐增多,基站能耗也逐年上升,为了降低基站能耗,节省能源,并减少碳排放,基站节能技术也成为业界关注的焦点。
而现有的基站节能潜力评估方法因主要依赖于历史能耗数据和运营商经验,使其评估结果的准确性和客观性具有一定的局限性,同时,这些方法还缺乏对众多节能影响因素的综合分析,使其也无法充分挖掘基站的节能潜力。
发明内容
针对现有基站节能潜力评估方法的不足,本申请提供了一种基站节能潜力评估方法,可提高基站节能潜力评估的准确性,并为基站节能措施的制定提供科学依据。
为实现上述目的,本申请采用以下技术方案:
本申请的一种基站节能潜力评估方法,包括以下步骤:
获取目标时间内各种节能措施下基站节能的原始影响因子数据;
对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
将所述若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果。
作为优选,所述节能措施包括无措施或设备升级、网络优化以及智能控制中的任意一种或其中两种及以上的组合。
作为优选,所述原始影响因子包括基站类型、设备参数、环境数据以及设备运行状态。
作为优选,所述对每种所述节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与所述各种节能措施一一对应的第一主影响因子数据,包括:
对每种节能措施下基站节能的原始影响因子数据进行数据清洗、缺失值处理和异常值处理,得到若干组与各种所述节能措施一一对应的第一影响因子数据;
利用特征工程提取每组所述第一影响因子数据中的第一主影响因子数据,得到若干组第一主影响因子数据,所述特征工程包括归一化和分桶处理。
作为优选,所述能耗模型的建立方法,包括:
采集所述基站处于各种节能措施下的历史能耗值和与其对应的历史影响因子数据;
对各种节能措施下的历史影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第二主影响因子数据;
基于所有历史能耗值及其分别对应的第二主影响因子数据,利用交叉验证法训练岭回归模型,得到所述基站的能耗模型。
作为优选,所述岭回归模型中模型参数的初始值为正规方程的解。
作为优选,所述基站的节能潜力评估结果包括所述基站的节能潜力大小及各种所述节能措施的优先级排序。
一种基站节能潜力评估装置,包括:
获取模块,用于获取目标时间内各种节能措施下基站节能的原始影响因子数据;
预处理模块,用于对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
评估模块,用于将所述若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果。
一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基站节能潜力评估方法。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现如上述中任一项所述的一种基站节能潜力评估方法。
本发明具有如下有益效果:
本方案通过建立一个全面、准确、客观的基站能耗模型,不仅可以提高基站节能潜力评估结果的准确性,还减少了人为因素对评估过程的干扰,从而保证了评估结果的客观性,同时,采用自动化的数据采集和处理方法,还降低了人工操作的复杂性,简单高效。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例1实现的一种基站节能潜力评估方法流程图;
图2是本申请实施例2实现的一种基站节能潜力评估装置示意图;
图3是本申请实施例3实现一种基站节能潜力评估方法的电子设备示意图。
具体实施方式
下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序,应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式,此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
实施例1
如图1所示,一种基站节能潜力评估方法,包括以下步骤:
S110、获取目标时间内各种节能措施下基站节能的原始影响因子数据;
S120、对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
S130、将所述若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果。
本实施例中,在采集目标时间内各种节能措施下基站节能的原始影响因子数据前,需要先根据该基站的历史能耗数据构建其对应的能耗模型,以便通过该能耗模型来预测目标时间内不同节能措施下基站的能耗值。
进一步地,采集所述基站处于各种节能措施下的历史能耗值和与其对应的历史影响因子数据;
对各种节能措施下的历史影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第二主影响因子数据;
基于所有历史能耗值及其分别对应的第二主影响因子数据,利用交叉验证法训练岭回归模型,得到所述基站的能耗模型。
首先,确定影响基站能耗的因素即基站节能的影响因子,这些因素通常包括基站类型(如宏基站、微基站、室分站)、设备参数、环境数据(如温度、湿度)、设备运行状态(如设备开关状态、设备运行时间等),设备参数又包括设备能效系数、空调制冷效率、设备负载(如业务量、信号质量),然后采集基站处在不同节能措施下的历史能耗值和与这些历史能耗值分别对应的历史影响因子数据,其中,节能措施为无措施或设备升级、网络优化以及智能控制中的任意一种或其中两种及以上的组合,作为优选,设备升级还包括空调制冷效率提高、开关电源转换效率提高和基站收发设备改造,即同一基站可以同时采取多项节能措施,也可以只采取一项节能措施,抑或是完全不采取节能措施,采集的历史数据要包含其中所有情况,接着对采集的所有历史能耗数据、设备参数、设备运行状态等信息进行预处理,该预处理包括数据清洗、缺失值处理和异常值处理,提高数据的有效性,再利用特征工程对预处理后的数据进行筛选以从中提取出具有代表性的影响因子数据,作为优选,特征工程包括归一化处理和分桶处理,根据影响因子的数据特征,可对预处理后的温度和湿度数据进行归一化处理,对预处理后的设备负载数据进行分桶处理,最后得到若干组第二主影响因子数据,有多少种节能措施的组合情况,就有多少组第二主影响因子数据,通过特征工程减小了影响因子间的相关性,可提高模型的泛化能力。
因为基站能耗可能会受到基站类型、环境(温湿度)以及设备运行状态等因素的影响,本实施例中选择岭回归(Ridge Regression)模型作为训练模型,同时,岭回归模型的损失函数表示为:Loss=RSS+α*Σ(βi 2),其中,RSS表示残差平方和,具体地,RSS =Σ(ei 2),ei=yi-y_hati,yi为实际观测值,y_hati为模型的预测值,ei为对应样本的残差,βi表示模型参数,α表示正则化参数,其通过正则化项的引入,可以减小模型参数的方差,从而提高模型的稳定性,尤其在存在多重共线性的情况下,岭回归能够有效地减少参数估计的偏差;且正则化项可以限制参数的增长,从而防止模型过度拟合,提高模型的泛化能力;正则化参数α还可以控制模型对数据拟合和正则化项的权衡,通过调整α的取值,可以选择不同的模型复杂度,从而满足不同问题的需求。
模型参数的初始值则是正规方程的解β=(XTX+αI)(-1)XTY,其中,I为单位矩阵,β表示模型的参数估计向量,也称为特征系数或权重,对于线性回归模型,每个βi对应于一个特征系数,用于描述该特征与目标变量之间的关系, X表示输入特征矩阵,是一个包含样本数据的矩阵,其每一行代表一个样本,每一列代表一个特征,X的维度是m×n,其中m是样本数量,n是特征数量, XT表示X的转置矩阵, α表示正则化参数,Y表示目标变量向量,其包含样本的实际观测值,Y的维度是m×1,m为样本数量,通过将这些参数和变量代入正规方程公式,求解出β的值,即可获得线性回归模型的参数估计结果,进而用于进行预测和分析,然后,基于采集的所有历史能耗值及其分别对应的第二主影响因子数据,使用交叉验证法对岭回归模型进行训练,交叉验证法是一种评估模型性能和选择超参数的技术,通过将数据集划分为训练集和验证集,可以在验证集上评估模型的性能,并选择最佳的超参数设置,本实施例中使用k折交叉验证,在k折交叉验证中,将数据集即特征工程处理后的历史数据,随机分成k个大小相似的折(folds),每次选取其中一折作为验证集,剩余的k-1折作为训练集,重复这个过程k次,每次选择不同的折作为验证集,最后将得到k个模型性能的评估结果,这样可以更全面地评估模型的性能,并减少因样本划分不同而引起的随机性,k可以根据样本数据大小确定,建议值是5或10,并将这些模型中性能最优的那个模型作为基站的能耗模型。
能耗模型构建完成后,即可利用该模型来评估基站的节能潜力,因节能措施的使用有很多种情况,为提高评估节能潜力的准确性,会预测每种情况下基站的节能潜力,也就需要获取不同情况下基站的原始影响因子数据,本实施例以预测目标时间段内未采取节能措施时基站的能耗值为例,对预测过程进行具体说明,先收集未来一段时间即目标时间内在无节能措施下的基站设备、环境数据和设备运行状态等原始影响因子数据,这些数据可以从历史数据中推断得出,也可以通过外部数据源(如气象数据、设备生产商提供的设备参数等)获取,对收集到的原始影响因子数据进行与模型构建阶段相同的预处理操作,即进行数据清洗、缺失值处理和异常值处理,得到一组第一影响因子数据,再根据模型构建阶段的特征工程方法,对该组第一影响因子数据进行特征提取,得到一组第一主影响因子数据,第一主影响因子与模型构建阶段的第二主影响因子应相同,最后将该组第一主影响因子数据输入构建的能耗模型中,即可得到目标时间内不采取节能措施下基站的能耗值,同理,可预测出其它各种节能措施下该基站的能耗值,将所有预测得到的能耗值进行比较,即可得到各种节能措施的优先级排序以及基站的节能潜力。
本实施例通过多维度参数建立能耗模型,再利用该模型预测未来一段时间内不使用节能措施和使用各种节能措施下基站的能耗值,进行评估基站的节能潜力,不仅提高了评估结果的准确性和客观性,还提高了工作效率。
实施例2
如图2所示,一种基站节能潜力评估装置,包括:
获取模块10,用于获取目标时间内各种节能措施下基站节能的原始影响因子数据;
预处理模块20,用于对所述获取模块10得到的各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
评估模块30,用于将所述预处理模块20得到的若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果。
上述装置的一种实施方式可为:获取模块10获取目标时间内各种节能措施下基站节能的原始影响因子数据;预处理模块20对所述获取模块10得到的各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;评估模块30将所述预处理模块20得到的若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果。
实施例3
如图3所示,一种电子设备,包括存储器301和处理器302,所述存储器301用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器302执行以实现上述的一种基站节能潜力评估方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行时实现如上述的一种基站节能潜力评估方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器301中,并由处理器302执行,并由输入接口305和输出接口306完成数据的I/O接口传输,以完成本发明,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在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,存储器301、处理器302,本领域技术人员可以理解,本实施例仅仅是计算机设备的示例,并不构成对计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入器307、网络接入设备、总线等。
处理器302可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器302、数字信号处理器302(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器302可以是微处理器302或者该处理器302也可以是任何常规的处理器302等。
存储器301可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器301也可以是计算机设备的外部存储设备,例如计算机设备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301还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器301用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器301还可以用于暂时地存储在输出器308,而前述的存储介质包括U盘、移动硬盘、只读存储器ROM303、随机存储器RAM304、碟盘或光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基站节能潜力评估方法,其特征在于,包括以下步骤:
获取目标时间内各种节能措施下基站节能的原始影响因子数据,所述节能措施包括无措施或设备升级、网络优化以及智能控制中的任意一种或其中两种及以上的组合;
对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
将所述若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果;
其中,能耗模型的建立方法,包括:
采集所述基站处于各种节能措施下的历史能耗值和与其对应的历史影响因子数据;
对各种节能措施下的历史影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第二主影响因子数据;
基于所有历史能耗值及其分别对应的第二主影响因子数据,利用交叉验证法训练岭回归模型,得到所述基站的能耗模型。
2.根据权利要求1所述的一种基站节能潜力评估方法,其特征在于,所述原始影响因子包括基站类型、设备参数、环境数据以及设备运行状态。
3.根据权利要求1所述的一种基站节能潜力评估方法,其特征在于,所述对各种所述节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与所述各种节能措施一一对应的第一主影响因子数据,包括:
对每种节能措施下基站节能的原始影响因子数据进行数据清洗、缺失值处理和异常值处理,得到若干组与各种所述节能措施一一对应的第一影响因子数据;
利用特征工程提取每组所述第一影响因子数据中的第一主影响因子数据,得到若干组第一主影响因子数据,所述特征工程包括归一化和分桶处理。
4.根据权利要求1所述的一种基站节能潜力评估方法,其特征在于,所述岭回归模型中模型参数的初始值为正规方程的解。
5.根据权利要求1所述的一种基站节能潜力评估方法,其特征在于,所述基站的节能潜力评估结果包括所述基站的节能潜力大小及各种所述节能措施的优先级排序。
6.一种基站节能潜力评估装置,其特征在于,包括:
获取模块,用于获取目标时间内各种节能措施下基站节能的原始影响因子数据,所述节能措施包括无措施或设备升级、网络优化以及智能控制中的任意一种或其中两种及以上的组合;
预处理模块,用于对各种节能措施下的原始影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第一主影响因子数据;
评估模块,用于将所述若干组第一主影响因子数据分别输入能耗模型中得到目标时间段内各种节能措施下所述基站的能耗值,并根据所述能耗值输出所述基站的节能潜力评估结果;
其中,能耗模型的建立模块,包括:
采集所述基站处于各种节能措施下的历史能耗值和与其对应的历史影响因子数据;
对各种节能措施下的历史影响因子数据分别进行预处理和特征提取,得到若干组与各种所述节能措施一一对应的第二主影响因子数据;
基于所有历史能耗值及其分别对应的第二主影响因子数据,利用交叉验证法训练岭回归模型,得到所述基站的能耗模型。
7.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1~5中任一项所述的一种基站节能潜力评估方法。
8.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序使计算机执行时实现如权利要求1~5中任一项所述的一种基站节能潜力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310763712.8A CN116528270B (zh) | 2023-06-27 | 2023-06-27 | 一种基站节能潜力评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310763712.8A CN116528270B (zh) | 2023-06-27 | 2023-06-27 | 一种基站节能潜力评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116528270A CN116528270A (zh) | 2023-08-01 |
CN116528270B true CN116528270B (zh) | 2023-10-03 |
Family
ID=87397914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310763712.8A Active CN116528270B (zh) | 2023-06-27 | 2023-06-27 | 一种基站节能潜力评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116528270B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004038269A (ja) * | 2002-06-28 | 2004-02-05 | Toshiba Corp | 設計支援装置、方法およびプログラム |
JP2012027536A (ja) * | 2010-07-20 | 2012-02-09 | Yamatake Corp | 省エネルギー評価支援装置および省エネルギー評価支援方法 |
CN103530706A (zh) * | 2013-10-23 | 2014-01-22 | 国家电网公司 | 一种配电网综合节能潜力分析方法 |
CN106849792A (zh) * | 2017-01-24 | 2017-06-13 | 中国农业大学 | 电机设备及集群***的能耗计算和节能措施评估方法 |
CN109376437A (zh) * | 2018-10-30 | 2019-02-22 | 中车南京浦镇车辆有限公司 | 一种基于多目标遗传算法的新能源车载储能优化控制方法 |
CN111861246A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 一种基于时空大数据的轨道交通节能评估方法及*** |
CN111950738A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 机器学习模型优化效果评估方法、装置、终端及存储介质 |
CN113379093A (zh) * | 2020-03-09 | 2021-09-10 | 中国石油化工股份有限公司 | 油气集输***能耗分析与优化方法 |
CN114374616A (zh) * | 2021-12-30 | 2022-04-19 | 中国电信股份有限公司 | 能耗评估方法、装置、设备及介质 |
CN114449550A (zh) * | 2020-11-05 | 2022-05-06 | 中国电信股份有限公司 | 基站节能***的参数优化方法和装置 |
CN114662852A (zh) * | 2022-02-24 | 2022-06-24 | 国网山东省电力公司电力科学研究院 | 一种有源配电网多措施降损效果评估方法及*** |
WO2022143621A1 (zh) * | 2020-12-29 | 2022-07-07 | 阿里巴巴集团控股有限公司 | 数据处理方法及装置、计算设备及试验精简设备 |
CN114970357A (zh) * | 2022-06-01 | 2022-08-30 | 新奥数能科技有限公司 | 节能效果评价方法、***、装置及存储介质 |
CN115459309A (zh) * | 2022-09-20 | 2022-12-09 | 国网甘肃省电力公司电力科学研究院 | 储能***参与电网多环节调控的效能评估方法及装置 |
CN115915237A (zh) * | 2021-08-09 | 2023-04-04 | ***通信集团设计院有限公司 | 基站设备的节能量测算方法、装置及计算设备 |
CN116249186A (zh) * | 2022-12-30 | 2023-06-09 | 中国电信股份有限公司 | 无线网设备的数据处理方法、装置、存储介质及电子设备 |
-
2023
- 2023-06-27 CN CN202310763712.8A patent/CN116528270B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004038269A (ja) * | 2002-06-28 | 2004-02-05 | Toshiba Corp | 設計支援装置、方法およびプログラム |
JP2012027536A (ja) * | 2010-07-20 | 2012-02-09 | Yamatake Corp | 省エネルギー評価支援装置および省エネルギー評価支援方法 |
CN103530706A (zh) * | 2013-10-23 | 2014-01-22 | 国家电网公司 | 一种配电网综合节能潜力分析方法 |
CN106849792A (zh) * | 2017-01-24 | 2017-06-13 | 中国农业大学 | 电机设备及集群***的能耗计算和节能措施评估方法 |
CN109376437A (zh) * | 2018-10-30 | 2019-02-22 | 中车南京浦镇车辆有限公司 | 一种基于多目标遗传算法的新能源车载储能优化控制方法 |
CN113379093A (zh) * | 2020-03-09 | 2021-09-10 | 中国石油化工股份有限公司 | 油气集输***能耗分析与优化方法 |
CN111861246A (zh) * | 2020-07-28 | 2020-10-30 | 国电南瑞科技股份有限公司 | 一种基于时空大数据的轨道交通节能评估方法及*** |
CN111950738A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 机器学习模型优化效果评估方法、装置、终端及存储介质 |
CN114449550A (zh) * | 2020-11-05 | 2022-05-06 | 中国电信股份有限公司 | 基站节能***的参数优化方法和装置 |
WO2022143621A1 (zh) * | 2020-12-29 | 2022-07-07 | 阿里巴巴集团控股有限公司 | 数据处理方法及装置、计算设备及试验精简设备 |
CN115915237A (zh) * | 2021-08-09 | 2023-04-04 | ***通信集团设计院有限公司 | 基站设备的节能量测算方法、装置及计算设备 |
CN114374616A (zh) * | 2021-12-30 | 2022-04-19 | 中国电信股份有限公司 | 能耗评估方法、装置、设备及介质 |
CN114662852A (zh) * | 2022-02-24 | 2022-06-24 | 国网山东省电力公司电力科学研究院 | 一种有源配电网多措施降损效果评估方法及*** |
CN114970357A (zh) * | 2022-06-01 | 2022-08-30 | 新奥数能科技有限公司 | 节能效果评价方法、***、装置及存储介质 |
CN115459309A (zh) * | 2022-09-20 | 2022-12-09 | 国网甘肃省电力公司电力科学研究院 | 储能***参与电网多环节调控的效能评估方法及装置 |
CN116249186A (zh) * | 2022-12-30 | 2023-06-09 | 中国电信股份有限公司 | 无线网设备的数据处理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116528270A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Predicting execution time of computer programs using sparse polynomial regression | |
CN108563739B (zh) | 天气数据获取方法及装置、计算机装置及可读存储介质 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
DE102018001535A1 (de) | Laufzeit-prozessoroptimierung | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN114041031A (zh) | 组合解确定*** | |
CN117272212B (zh) | 基于实时数据对制冷***进行最优运行参数选择的方法 | |
CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
CN116739152A (zh) | 新能源功率预测模型的构建方法和新能源功率预测方法 | |
US20210099894A1 (en) | Forcasting time series data | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN114115150B (zh) | 基于数据的热泵***在线建模方法及装置 | |
CN114139803A (zh) | 一种风电场站短期功率的预测方法、***、设备和介质 | |
CN111473494A (zh) | 基于机器学习的空调控制方法、装置和设备 | |
CN117220286B (zh) | 一种水风光多能互补***风险评估方法、装置及介质 | |
CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN117094453A (zh) | 一种用于虚拟电厂的调度优化***及其方法 |
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 |