CN116996076B - 一种用于校园设备的电气能耗数据智能管理方法 - Google Patents
一种用于校园设备的电气能耗数据智能管理方法 Download PDFInfo
- Publication number
- CN116996076B CN116996076B CN202311254258.XA CN202311254258A CN116996076B CN 116996076 B CN116996076 B CN 116996076B CN 202311254258 A CN202311254258 A CN 202311254258A CN 116996076 B CN116996076 B CN 116996076B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption data
- quasi
- data
- influence
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 886
- 238000007726 management method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000000875 corresponding effect Effects 0.000 claims description 325
- 238000000034 method Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013144 data compression Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000007906 compression Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000013523 data management Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3068—Precoding preceding compression, e.g. Burrows-Wheeler transformation
- H03M7/3071—Prediction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及数据压缩处理技术领域，具体涉及一种用于校园设备的电气能耗数据智能管理方法，该方法包括：获取校园设备对应的电气能耗数据序列，并构建电气能耗曲线图；对确定的所有拟能耗数据进行自适应等分；确定每个拟能耗数据对应的幅度影响权重；对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理；对每个拟能耗数据进行能耗稳定性分析处理；得到每个拟能耗数据对应的预测能耗数据、预测能耗波动幅度、预测峰值和预测谷值；通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩。本发明通过对电气能耗数据序列进行数据处理，实现了数据压缩，减少了数据的冗余程度，并提高了数据压缩效果。
Description
技术领域
本发明涉及数据压缩处理技术领域，具体涉及一种用于校园设备的电气能耗数据智能管理方法。
背景技术
随着科技的发展，电气能耗数据管理的应用越来越广泛，例如，电气能耗数据智能管理可以用于校园设备。电气能耗数据管理往往是指利用先进的信息和通信技术，将传统电气能耗与智能化技术相结合，实现电气生产、传输、配送和消费的智能化管理和优化，可以实现电气供需的平衡和优化。在电气能耗管理中，往往有大量的与电相关的数据被收集和处理。这些数据往往规模庞大，因此往往需要对采集的数据进行压缩。目前，对每个数据进行压缩时，通常采用的方式为：通过差分编码，对每个数据进行压缩。其中，每个数据的基准块也就是每个数据的前一个数据。
然而，当以电气能耗数据的前一个电气能耗数据作为基准块，对电气能耗数据进行压缩时，经常会存在如下技术问题：
以电气能耗数据的前一个电气能耗数据作为基准块，对电气能耗数据进行压缩时，往往需要计算每两个电气能耗数据之间的差异，并将计算的差异编码为二进制数据，然而，由于电气能耗数据往往是变化的，所以可能存在计算的差异大于对应的电气能耗数据，从而导致增加了数据的冗余程度，进而导致数据压缩效果较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决由于数据冗余导致的数据压缩效果较差的技术问题，本发明提出了一种用于校园设备的电气能耗数据智能管理方法。
本发明提供了一种用于校园设备的电气能耗数据智能管理方法，该方法包括：
获取校园设备对应的电气能耗数据序列，并根据所述电气能耗数据序列，构建电气能耗曲线图；
根据电气能耗曲线图中相邻的波峰波谷，确定拟能耗数据；
对所有拟能耗数据进行自适应等分，得到拟能耗数据组；
根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重；
根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度；
对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标；
根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度；
根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值；
根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩，其中，预测峰值是波峰的基准块，预测谷值是波谷的基准块。
可选地，所述对所有拟能耗数据进行自适应等分，得到拟能耗数据组，包括：
记预设数量集合中任意一个预设数量为标记数量，将所有拟能耗数据等分为所述标记数量个数据组，并将等分的每个数据组，确定为候选数据组，得到所述标记数量对应的候选数据组集合；
将每个候选数据组中所有拟能耗数据的方差，确定为每个候选数据组对应的离散程度；
将所述标记数量对应的候选数据组集合中所有候选数据组对应的离散程度的均值，确定为标记数量对应的目标差异指标；
从所述预设数量集合中筛选出目标差异指标最小的预设数量，作为目标数量；
将所述目标数量对应的候选数据组集合中的每个候选数据组，确定为拟能耗数据组。
可选地，所述根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重，包括：
根据每个拟能耗数据对应的波峰和波谷的差值，确定每个拟能耗数据对应的目标能耗波动幅度，其中，所述波峰和波谷的差值与所述目标能耗波动幅度呈正相关；
根据每个拟能耗数据与其前一个拟能耗数据对应的目标能耗波动幅度，确定每个拟能耗数据对应的因素影响指标；
根据每个拟能耗数据，构建每个拟能耗数据对应的偏离因子，其中，拟能耗数据与偏离因子呈正相关；
根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的因素影响指标和偏离因子，确定每个拟能耗数据对应的幅度影响权重。
可选地，拟能耗数据对应的因素影响指标对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标；i是拟能耗数据组的序号；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中第j个拟能耗数据对应的目标能耗波动幅度；/>是第i个拟能耗数据组中第j-1个拟能耗数据对应的目标能耗波动幅度；/>是第i个拟能耗数据组中第j个拟能耗数据；/>是第i个拟能耗数据组中第j-1个拟能耗数据；/>是预先设置的大于0的因子；/>为取绝对值函数。
可选地，拟能耗数据对应的幅度影响权重对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重；i是拟能耗数据组的序号；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中拟能耗数据的数量；/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标；是第i个拟能耗数据组中第j个拟能耗数据对应的偏离因子；/>是取绝对值函数；/>是预先设置的大于0的因子；/>是第i个拟能耗数据组对应的异常影响程度；/>是第i个拟能耗数据组中第j个拟能耗数据对应的异常影响指标。
可选地，所述根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度，包括：
根据每个拟能耗数据组中所有拟能耗数据对应的幅度影响权重和因素影响指标，确定每个拟能耗数据组对应的整体影响指标；
将每个拟能耗数据对应的因素影响指标与每个拟能耗数据所属拟能耗数据组对应的整体影响指标的差值的绝对值，确定为每个拟能耗数据对应的影响差异指标；
根据每个拟能耗数据对应的影响差异指标，确定每个拟能耗数据对应的目标影响相似度，其中，影响差异指标与目标影响相似度呈负相关。
可选地，拟能耗数据组对应的整体影响指标对应的公式为：
；
其中，是第i个拟能耗数据组对应的整体影响指标；i是拟能耗数据组的序号；是第i个拟能耗数据组中拟能耗数据的数量；/>是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中所有拟能耗数据对应的幅度影响权重的累加和；/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标。
可选地，所述对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标，包括：
记任意一个拟能耗数据为标记能耗数据，从所述标记能耗数据所属拟能耗数据组中筛选出除了所述标记能耗数据之外的拟能耗数据，作为候选能耗数据；
将所有候选能耗数据的均值，确定为所述标记能耗数据对应的能耗代表数据；
将所述标记能耗数据与所述能耗代表数据的差值的绝对值，确定为所述标记能耗数据对应的数据差异指标；
根据所述数据差异指标，确定所述标记能耗数据对应的目标稳定指标，其中，所述数据差异指标与所述目标稳定指标呈负相关。
可选地，所述根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，包括：
根据每个拟能耗数据之前的拟能耗数据，预测得到每个拟能耗数据对应的预测能耗数据；
根据每个拟能耗数据对应的目标稳定指标和目标影响相似度，确定每个拟能耗数据对应的目标幅度权重，其中，目标稳定指标和目标影响相似度均与目标幅度权重呈正相关；
将每个拟能耗数据与其对应的目标幅度权重的乘积，确定为每个拟能耗数据对应的参考幅度；
记任意一个拟能耗数据为标记能耗数据，从所述标记能耗数据之前的拟能耗数据中筛选出离所述标记能耗数据最近的预设数目个拟能耗数据，作为待定能耗数据，得到所述标记能耗数据对应的待定能耗数据集合；
将所述标记能耗数据对应的待定能耗数据集合中所有待定能耗数据对应的参考幅度的累加值，确定为所述标记能耗数据对应的预测能耗波动幅度。
可选地，所述根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值，包括：
将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的和值，确定为每个拟能耗数据对应的预测峰值；
将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的差值，确定为每个拟能耗数据对应的预测谷值。
本发明具有如下有益效果：
本发明的一种用于校园设备的电气能耗数据智能管理方法，通过对电气能耗数据序列进行数据处理，实现了数据压缩，解决了由于数据冗余导致的数据压缩效果较差的技术问题，减少了数据的冗余程度，并提高了数据压缩效果。首先，由于电气能耗数据序列中的电气能耗数据往往是随着采集时间的变化而不断变化的数据，因此基于电气能耗数据序列，构建电气能耗曲线图，可以便于后续直观的分析电气能耗数据的趋势变化，以及波峰波谷之间的能耗变化幅度情况。因此可以基于每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，量化每个拟能耗数据对应的幅度影响权重。然后，拟能耗数据与其所属拟能耗数据组之间的幅度波动影响情况越相似时，往往说明拟能耗数据与其所属拟能耗数据组中的各个拟能耗数据对幅度波动的影响情况越相似，往往说明拟能耗数据越符合其所属拟能耗数据组的数据分布规律，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。接着，拟能耗数据对应的目标稳定指标越大时，往往说明拟能耗数据越稳定，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。之后，综合考虑每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，可以提高每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度确定的准确度。由于拟能耗数据和能耗波动幅度往往与波峰波谷有关，因此基于每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，可以量化每个拟能耗数据对应的预测峰值和预测谷值。最后，基于每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，可以实现对每个拟能耗数据对应的波峰波谷的压缩。其次，由于波峰波谷可以表征电气能耗数据的变化情况，所以获取波峰波谷往往可以近似推测波峰波谷之间的电气能耗数据，因此相较于对每个电气能耗数据进行压缩，本发明对波峰波谷进行压缩，可以在保留电气能耗数据的变化趋势的情况下，减少了数据冗余程度。再者，相较于以电气能耗数据的前一个电气能耗数据作为基准块，对电气能耗数据进行通过差分编码压缩，本发明以预测峰值与预测谷值作为基准块，即以预测值为基准块，对数据进行差分编码压缩，可以在一定程度上降低基准块与待进行压缩数据之间的差异，可以在一定程度上减少数据冗余程度，从而可以提高数据压缩效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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附图。
图1为本发明的一种用于校园设备的电气能耗数据智能管理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种用于校园设备的电气能耗数据智能管理方法，该方法包括以下步骤：
获取校园设备对应的电气能耗数据序列，并根据电气能耗数据序列，构建电气能耗曲线图；
根据电气能耗曲线图中相邻的波峰波谷，确定拟能耗数据；
对所有拟能耗数据进行自适应等分，得到拟能耗数据组；
根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重；
根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度；
对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标；
根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度；
根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值；
根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的一种用于校园设备的电气能耗数据智能管理方法的一些实施例的流程。该用于校园设备的电气能耗数据智能管理方法，包括以下步骤：
步骤S1，获取校园设备对应的电气能耗数据序列，并根据电气能耗数据序列，构建电气能耗曲线图。
在一些实施例中，可以获取校园设备对应的电气能耗数据序列，并根据上述电气能耗数据序列，构建电气能耗曲线图。
其中，校园设备可以是校园里的电气设备。电气能耗数据序列中的电气能耗数据可以表征校园设备的用电能耗情况。例如，电气能耗数据可以是电流。并且电气能耗数据可以是交流电流。电气能耗数据序列可以是根据采集时间，按照从早到晚的顺序，对电气能耗数据进行排序，得到的序列。电气能耗曲线图的横坐标可以是电气能耗数据的采集时间。电气能耗曲线图的纵坐标可以是电气能耗数据。
需要说明的是，由于电气能耗数据序列中的电气能耗数据往往是随着采集时间的变化而不断变化的数据，因此基于电气能耗数据序列，构建电气能耗曲线图，可以便于后续直观的分析电气能耗数据的趋势变化，以及波峰波谷之间的能耗变化幅度情况。其次，由于实施例中的采集的数据均为时序数据，因此实施例中数据的前一个数据即为在对应时序中数据的前一个数据，实施例中数据距离的远近也是对应时序中位置的远近。
作为示例，本步骤可以包括以下步骤：
第一步，获取校园设备对应的电气能耗数据序列。
例如，若电气能耗数据为电流，则可以通过电流表，采集校园设备在预设时间段内每个时刻下的电流，作为电气能耗数据，组成电气能耗数据序列。其中，预设时间段可以是预先设置的时间段。预设时间段对应的时长可以是预设时长。预设时长可以是预先设置的时长。例如，预设时长可以是1天。
第二步，根据电气能耗数据序列，构建电气能耗曲线图。
例如，可以将采集时间作为横坐标，电气能耗数据作为纵坐标，得到散点图，并对该散点图中的坐标点进行曲线拟合，将得到的曲线图作为电气能耗曲线图。
步骤S2，根据电气能耗曲线图中相邻的波峰波谷，确定拟能耗数据。
在一些实施例中，可以根据电气能耗曲线图中相邻的波峰波谷，确定拟能耗数据。
其中，波峰也就是曲线中的极大值。波谷也就是曲线中的极小值。若电气能耗曲线图中的波峰波谷依次为：第一波峰、第一波谷、第二波峰和第二波谷，则该电气能耗曲线图中所有相邻波峰波谷可以包括：第一波峰和第一波谷、第一波谷和第二波峰、第二波峰和第二波谷，即该电气能耗曲线图中相邻的波峰波谷有3个。若电气能耗数据为电流，则拟能耗数据可以为拟电流数据。
作为示例，本步骤可以包括以下步骤：
第一步，从电气能耗曲线图中的所有极值中筛选出采集时间最早的极值，作为目标极值。
第二步，若目标极值为波峰，则可以从电气能耗曲线图中所有相邻波峰波谷中筛选出波峰采集时间早于对应波谷采集时间的相邻波峰波谷，并将筛选出的每相邻波峰波谷的中值，确定为拟能耗数据。
例如，若电气能耗曲线图中的波峰波谷依次为：第一波峰、第一波谷、第二波峰和第二波谷，则从该电气能耗曲线图中所有相邻波峰波谷中筛选出的所有波峰早于对应波谷采集的相邻波峰波谷可以包括：第一波峰和第一波谷、第二波峰和第二波谷。故可以将第一波峰和第一波谷的中值，作为一个拟能耗数据，记为第一拟能耗数据，其中，第一波峰和第一波谷可以是第一拟能耗数据对应的波峰波谷；并将第二波峰和第二波谷的中值，作为一个拟能耗数据，记为第二拟能耗数据，第二波峰和第二波谷可以是第二拟能耗数据对应的波峰波谷。
第三步，若目标极值为波谷，则可以从电气能耗曲线图中所有相邻波峰波谷中筛选出波谷采集时间早于对应波峰采集时间的相邻波峰波谷，并将筛选出的每相邻波峰波谷的中值，确定为拟能耗数据。
例如，若电气能耗曲线图中的波峰波谷依次为：第三波谷、第三波峰、第四波谷和第四波峰，则从该电气能耗曲线图中所有相邻波峰波谷中筛选出的所有波谷早于对应波峰采集的相邻波峰波谷可以包括：第三波谷和第三波峰、第四波谷和第四波峰。故可以将第三波谷和第三波峰的中值，作为一个拟能耗数据，记为第三拟能耗数据，其中，第三波峰和第三波谷可以是第三拟能耗数据对应的波峰波谷；并将第四波谷和第四波峰的中值，作为一个拟能耗数据，记为第四拟能耗数据，其中，第四波峰和第四波谷可以是第四拟能耗数据对应的波峰波谷。
步骤S3，对所有拟能耗数据进行自适应等分，得到拟能耗数据组。
在一些实施例中，可以对所有拟能耗数据进行自适应等分，得到拟能耗数据组。
作为示例，本步骤可以包括以下步骤：
第一步，记预设数量集合中任意一个预设数量为标记数量，将所有拟能耗数据等分为上述标记数量个数据组，并将等分的每个数据组，确定为候选数据组，得到上述标记数量对应的候选数据组集合。
其中，预设数量可以是预先设置的数量。例如，预设数量集合可以是由[10，100]中的整数构成的集合。候选数据组中每相邻的两个拟能耗数据可以是采集时间相邻的拟能耗数据。候选数据组集合中的各个候选数据组中候选数据可以相等。
第二步，将每个候选数据组中所有拟能耗数据的方差，确定为每个候选数据组对应的离散程度。
第三步，将上述标记数量对应的候选数据组集合中所有候选数据组对应的离散程度的均值，确定为标记数量对应的目标差异指标。
第四步，从上述预设数量集合中筛选出目标差异指标最小的预设数量，作为目标数量。
第五步，将上述目标数量对应的候选数据组集合中的每个候选数据组，确定为拟能耗数据组。
需要说明的是，当目标差异指标越小时，往往说明候选数据组中拟能耗数据分布波动程度相对越小，以电流为例，此时拟能耗数据为拟电流数据，此时当目标差异指标越小时，候选数据组中拟电流数据分布波动程度相对越小，受到的负载影响概率越小，后续计算的电流稳定性相对越准确。
步骤S4，根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重。
在一些实施例中，可以根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重。
需要说明的是，基于每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，可以量化每个拟能耗数据对应的幅度影响权重。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个拟能耗数据对应的波峰和波谷的差值，确定每个拟能耗数据对应的目标能耗波动幅度。
其中，上述波峰和波谷的差值可以与上述目标能耗波动幅度呈正相关。
例如，确定每个拟能耗数据对应的目标能耗波动幅度对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的目标能耗波动幅度。/>是第i个拟能耗数据组中第j个拟能耗数据对应的波峰。/>是第i个拟能耗数据组中第j个拟能耗数据对应的波谷。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。
需要说明的是，可以表征第i个拟能耗数据组中第j个拟能耗数据对应的波峰波谷之间的波动变化的一半，也就是说/>以表征第j个拟能耗数据对应的实际的能耗波动幅度。以电流为例，此时拟能耗数据为拟电流数据。由于在理想状态下，拟电流数据往往与电流波动幅度呈正比关系。其中，理想状态可以是电流波动只受到拟电流数据影响的状态。则理想状态下的波动幅度可以表示为/>，在理想状态下k值往往保持不变。其中，k是常数，/>是第i个拟能耗数据组中第j个拟能耗数据，故拟能耗数据为拟电流数据时，/>可以表征拟电流数据对应的实际情况下的电流波动幅度，/>可以表征拟电流数据对应的理想状态下的电流波动幅度。
第二步，根据每个拟能耗数据与其前一个拟能耗数据对应的目标能耗波动幅度，确定每个拟能耗数据对应的因素影响指标。
例如，拟能耗数据对应的因素影响指标对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。/>是第i个拟能耗数据组中第j个拟能耗数据对应的目标能耗波动幅度。/>是第i个拟能耗数据组中第j-1个拟能耗数据对应的目标能耗波动幅度，也就是第j个拟能耗数据的前一个拟能耗数据对应的目标能耗波动幅度。/>是第i个拟能耗数据组中第j个拟能耗数据。/>是第i个拟能耗数据组中第j-1个拟能耗数据。/>是预先设置的大于0的因子，主要用于防止分母为0，比如，/>可以为0.01。/>为取绝对值函数。
需要说明的是，可以表征实际情况下多个因素对能耗波动幅度的影响程度。以电流为例，电流下的能耗波动幅度可以表征电流的波动情况，此时拟能耗数据为拟电流数据。由于在理想状态下，拟电流数据往往与电流波动幅度呈正比关系。其中，理想状态可以是电流波动只受到拟电流数据影响的状态。但实际用电过程中，电流的波动大小由于受到很多复杂因素影响导致其不符合电流大小的变化趋势，因此拟能耗数据为拟电流数据时，此时/>可以表征实际情况下多个因素对电流波动的影响程度。
第三步，根据每个拟能耗数据，构建每个拟能耗数据对应的偏离因子。
其中，拟能耗数据可以与偏离因子呈正相关。
例如，构建每个拟能耗数据对应的偏离因子对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的偏离因子。/>是预先设置的大于0的调整参数，可以根据实际情况进行设置，如，/>可以为1.5。/>是以自然常数为底的对数函数。/>是第i个拟能耗数据组中第j个拟能耗数据。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。
需要说明的是，可以表征第j个拟能耗数据对能耗波动幅度的影响程度。以电流为例，此时拟能耗数据为拟电流数据，理想状态下电流波动大小与波动幅度的k值往往是不变的，但拟电流数据的波动情况往往也会使k值发生偏移，拟电流数据本身大小越大，k值的偏离程度往往也会变大，但随着拟电流数据增大，电子原件温度往往会升高，往往导致电阻变大，此时k值的偏离程度变大的速度会越来越慢，则此时/>可以表征由于电流引起的对电流波动的影响程度。
第四步，根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的因素影响指标和偏离因子，确定每个拟能耗数据对应的幅度影响权重。
例如，拟能耗数据对应的幅度影响权重对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。/>是第i个拟能耗数据组中拟能耗数据的数量。/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标。是第i个拟能耗数据组中第j个拟能耗数据对应的偏离因子。/>是取绝对值函数。/>是预先设置的大于0的因子，主要用于防止分母为0，比如，/>可以为0.01。/>是第i个拟能耗数据组对应的异常影响程度。/>是第i个拟能耗数据组中第j个拟能耗数据对应的异常影响指标。
需要说明的是，在理想状态下往往应该等于/>。以电流为例，即拟能耗数据为拟电流数据，由于除了拟电流数据大小影响之外，电流波动幅度大小还受到很多其他的复杂因素影响，因此当/>越大时，往往说明除了拟电流数据大小之外其他因素对电流波动幅度大小的影响程度越大；/>是为了计算数据异常程度，组内数据异常程度越大，则对应权重越小，因此/>是为了计算异常程度与组内异常程度均值的差异大小，差异越小，权重越大，因此，当/>越大时，往往说明拟电流数据大小对电流波动幅度大小的影响程度越大，往往说明其对应的权重越大。
步骤S5，根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度。
在一些实施例中，可以根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度。
需要说明的是，拟能耗数据与其所属拟能耗数据组之间的幅度波动影响情况越相似时，往往说明拟能耗数据与其所属拟能耗数据组中的各个拟能耗数据对幅度波动的影响情况越相似，往往说明拟能耗数据越符合其所属拟能耗数据组的数据分布规律，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。因此拟能耗数据对应的目标影响相似度越大，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个拟能耗数据组中所有拟能耗数据对应的幅度影响权重和因素影响指标，确定每个拟能耗数据组对应的整体影响指标。
例如，拟能耗数据组对应的整体影响指标对应的公式为：
；
其中，是第i个拟能耗数据组对应的整体影响指标。i是拟能耗数据组的序号。是第i个拟能耗数据组中拟能耗数据的数量。/>是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重。j是第i个拟能耗数据组中拟能耗数据的序号。/>是第i个拟能耗数据组中所有拟能耗数据对应的幅度影响权重的累加和。/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标。
需要说明的是，以电流为例，电流下的能耗波动幅度可以表征电流的波动情况，此时拟能耗数据为拟电流数据，此时可以表征实际情况下多个因素对电流波动的影响程度，此时当/>越大时，往往说明拟电流数据大小对电流波动幅度大小的影响程度越大，往往说明其对应的权重越大，所以/>可以表征第i个拟能耗数据组对电流波动幅度大小的整体影响程度，由于第i个拟能耗数据组中各个拟能耗数据对电流波动幅度大小的影响程度越相似时后续数据预测越准确，因此/>也可以看作第i个拟能耗数据组中各个拟能耗数据对电流波动幅度大小的最优影响程度。
第二步，将每个拟能耗数据对应的因素影响指标与每个拟能耗数据所属拟能耗数据组对应的整体影响指标的差值的绝对值，确定为每个拟能耗数据对应的影响差异指标。
第三步，根据每个拟能耗数据对应的影响差异指标，确定每个拟能耗数据对应的目标影响相似度。
其中，影响差异指标可以与目标影响相似度呈负相关。
例如，确定每个拟能耗数据对应的目标影响相似度对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的目标影响相似度。是归一化函数。/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标。/>是第i个拟能耗数据组对应的整体影响指标。/>为取绝对值函数。/>是预先设置的大于0的因子，如，/>可以为0.01。/>是第i个拟能耗数据组中第j个拟能耗数据对应的影响差异指标。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。
需要说明的是，当越小时，往往说明第j个拟能耗数据对应的因素影响指标与第i个拟能耗数据组对应的整体影响指标越相近，往往说明/>与/>之间的差异越小，往往说明第j个拟能耗数据越符合第i个拟能耗数据组内数据的分布规律，往往说明第j个拟能耗数据用于数据预测可以使数据预测更准确，应该赋予较大的权重。
步骤S6，对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标。
在一些实施例中，可以对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标。
需要说明的是，拟能耗数据对应的目标稳定指标越大时，往往说明拟能耗数据越稳定，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。因此拟能耗数据对应的目标稳定指标越大，往往说明拟能耗数据越适用于参与后续能耗波动幅度的预测。
作为示例，本步骤可以包括以下步骤：
第一步，记任意一个拟能耗数据为标记能耗数据，从上述标记能耗数据所属拟能耗数据组中筛选出除了上述标记能耗数据之外的拟能耗数据，作为候选能耗数据。
第二步，将所有候选能耗数据的均值，确定为上述标记能耗数据对应的能耗代表数据。
第三步，将上述标记能耗数据与上述能耗代表数据的差值的绝对值，确定为上述标记能耗数据对应的数据差异指标。
第四步，根据上述数据差异指标，确定上述标记能耗数据对应的目标稳定指标。
其中，上述数据差异指标可以与上述目标稳定指标呈负相关。
例如，确定标记能耗数据对应的目标稳定指标对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的目标稳定指标。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。/>是归一化函数。为取绝对值函数。/>是第i个拟能耗数据组中第j个拟能耗数据。/>是第i个拟能耗数据组中，除了第j个拟能耗数据之外的所有拟能耗数据的均值，也就是第j个拟能耗数据对应的能耗代表数据。/>是预先设置的大于0的因子，如，/>可以为0.01。/>是第i个拟能耗数据组中第j个拟能耗数据对应的数据差异指标。
需要说明的是，当越大时，往往说明拟能耗数据越不稳定，往往说明可信度越低，往往说明数据波动权重越小。
步骤S7，根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度。
在一些实施例中，可以根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度。
需要说明的是，综合考虑每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，可以提高每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个拟能耗数据之前的拟能耗数据，预测得到每个拟能耗数据对应的预测能耗数据。
其中，拟能耗数据对应的预测能耗数据可以是拟能耗数据的预测值。
例如，根据每个拟能耗数据之前的拟能耗数据，通过移动平均法，得到每个拟能耗数据对应的预测能耗数据。
第二步，根据每个拟能耗数据对应的目标稳定指标和目标影响相似度，确定每个拟能耗数据对应的目标幅度权重。
其中，目标稳定指标和目标影响相似度均可以与目标幅度权重呈正相关。
例如，确定每个拟能耗数据对应的目标幅度权重对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的目标幅度权重。/>是第i个拟能耗数据组中第j个拟能耗数据对应的目标稳定指标。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。/>是第i个拟能耗数据组中第j个拟能耗数据对应的目标影响相似度。
需要说明的是，当越大时，往往说明第j个拟能耗数据对能耗波动幅度影响程度越大，越应该用于后续能耗波动幅度预测。
第三步，将每个拟能耗数据与其对应的目标幅度权重的乘积，确定为每个拟能耗数据对应的参考幅度。
第四步，记任意一个拟能耗数据为标记能耗数据，从上述标记能耗数据之前的拟能耗数据中筛选出离上述标记能耗数据最近的预设数目个拟能耗数据，作为待定能耗数据，得到上述标记能耗数据对应的待定能耗数据集合。
其中，预设数目可以是预先设置的数目。待定能耗数据集合可以包括筛选出的预设数目个拟能耗数据。
第五步，将上述标记能耗数据对应的待定能耗数据集合中所有待定能耗数据对应的参考幅度的累加值，确定为上述标记能耗数据对应的预测能耗波动幅度。
例如，确定每个拟能耗数据对应的预测能耗波动幅度对应的公式可以为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的预测能耗波动幅度。n是预设数目，也就是待定能耗数据集合中待定能耗数据的数量。/>是第i个拟能耗数据组中第j个拟能耗数据对应的待定能耗数据集合中，第a个待定能耗数据对应的目标幅度权重。/>是第i个拟能耗数据组中第j个拟能耗数据对应的待定能耗数据集合中第a个待定能耗数据。/>是第i个拟能耗数据组中第j个拟能耗数据对应的待定能耗数据集合中，第a个待定能耗数据对应的参考幅度。i是拟能耗数据组的序号。j是第i个拟能耗数据组中拟能耗数据的序号。a是第j个拟能耗数据对应的待定能耗数据集合中待定能耗数据的序号。
需要说明的是，可以表征预测的能耗波动幅度。
步骤S8，根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值。
在一些实施例中，可以根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值。
其中，预测峰值可以是波峰的预测值。预测谷值可以是波谷的预测值。
需要说明的是，由于拟能耗数据和能耗波动幅度往往与波峰波谷有关，因此基于每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，可以量化每个拟能耗数据对应的预测峰值和预测谷值。
作为示例，本步骤可以包括以下步骤：
第一步，将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的和值，确定为每个拟能耗数据对应的预测峰值。
第二步，将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的差值，确定为每个拟能耗数据对应的预测谷值。
步骤S9，根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩。
在一些实施例中，可以根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩。
其中，预测峰值可以是波峰的基准块。预测谷值可以是波谷的基准块。
作为示例，根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩可以包括：将拟能耗数据对应的波峰和预测峰值的差值编码为二进制数据，并将拟能耗数据对应的波谷和预测谷值的差值编码为二进制数据。
需要说明的是，若电气能耗数据为电流，则用得到的基准块对数据进行压缩，可以利用每次得到的实际波峰波谷减去对应波峰波谷的预测值，得到电流差值，并将电流差值用二进制编码进行存储。
综上，基于每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，可以实现对每个拟能耗数据对应的波峰波谷的压缩。其次，由于波峰波谷可以表征电气能耗数据的变化情况，所以获取波峰波谷往往可以近似推测波峰波谷之间的电气能耗数据，因此相较于对每个电气能耗数据进行压缩，本发明对波峰波谷进行压缩，可以在保留电气能耗数据的变化趋势的情况下，减少了数据冗余程度。再者，相较于以电气能耗数据的前一个电气能耗数据作为基准块，对电气能耗数据进行通过差分编码压缩，本发明以预测峰值与预测谷值作为基准块，即以预测值为基准块，对数据进行差分编码压缩，可以在一定程度上降低基准块与待进行压缩数据之间的差异，可以在一定程度上减少数据冗余程度，从而可以提高数据压缩效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (2)
1.一种用于校园设备的电气能耗数据智能管理方法，其特征在于，包括以下步骤：
获取校园设备对应的电气能耗数据序列，并根据所述电气能耗数据序列，构建电气能耗曲线图；
根据电气能耗曲线图中相邻的波峰波谷，确定拟能耗数据；
对所有拟能耗数据进行自适应等分，得到拟能耗数据组；
根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重；
根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度；
对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标；
根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度；
根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值；
根据每个拟能耗数据对应的预测峰值和预测谷值，通过差分编码，对每个拟能耗数据对应的波峰波谷进行压缩，其中，预测峰值是波峰的基准块，预测谷值是波谷的基准块；
所述对所有拟能耗数据进行自适应等分，得到拟能耗数据组，包括：
记预设数量集合中任意一个预设数量为标记数量，将所有拟能耗数据等分为所述标记数量个数据组，并将等分的每个数据组，确定为候选数据组，得到所述标记数量对应的候选数据组集合；
将每个候选数据组中所有拟能耗数据的方差，确定为每个候选数据组对应的离散程度；
将所述标记数量对应的候选数据组集合中所有候选数据组对应的离散程度的均值，确定为标记数量对应的目标差异指标；
从所述预设数量集合中筛选出目标差异指标最小的预设数量，作为目标数量；
将所述目标数量对应的候选数据组集合中的每个候选数据组，确定为拟能耗数据组；
所述根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据与其前一个拟能耗数据对应的波峰波谷，确定每个拟能耗数据对应的幅度影响权重，包括：
根据每个拟能耗数据对应的波峰和波谷的差值，确定每个拟能耗数据对应的目标能耗波动幅度，其中，所述波峰和波谷的差值与所述目标能耗波动幅度呈正相关；
根据每个拟能耗数据与其前一个拟能耗数据对应的目标能耗波动幅度，确定每个拟能耗数据对应的因素影响指标；
根据每个拟能耗数据，构建每个拟能耗数据对应的偏离因子，其中，拟能耗数据与偏离因子呈正相关；
根据每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的因素影响指标和偏离因子，确定每个拟能耗数据对应的幅度影响权重；
拟能耗数据对应的因素影响指标对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标；i是拟能耗数据组的序号；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中第j个拟能耗数据对应的目标能耗波动幅度；/>是第i个拟能耗数据组中第j-1个拟能耗数据对应的目标能耗波动幅度；/>是第i个拟能耗数据组中第j个拟能耗数据；/>是第i个拟能耗数据组中第j-1个拟能耗数据；/>是预先设置的大于0的因子；/>为取绝对值函数；
拟能耗数据对应的幅度影响权重对应的公式为：
；
其中，是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重；i是拟能耗数据组的序号；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中拟能耗数据的数量；/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标；是第i个拟能耗数据组中第j个拟能耗数据对应的偏离因子；/>是取绝对值函数；/>是预先设置的大于0的因子；/>是第i个拟能耗数据组对应的异常影响程度；/>是第i个拟能耗数据组中第j个拟能耗数据对应的异常影响指标；/>；/>是预先设置的大于0的调整参数；/>是以自然常数为底的对数函数；/>是第i个拟能耗数据组中第j个拟能耗数据；
所述根据每个拟能耗数据对应的幅度影响权重和波峰波谷，以及每个拟能耗数据所属拟能耗数据组中所有拟能耗数据对应的幅度影响权重，对每个拟能耗数据与其所属拟能耗数据组之间进行相似幅度影响分析处理，得到每个拟能耗数据对应的目标影响相似度，包括：
根据每个拟能耗数据组中所有拟能耗数据对应的幅度影响权重和因素影响指标，确定每个拟能耗数据组对应的整体影响指标；
将每个拟能耗数据对应的因素影响指标与每个拟能耗数据所属拟能耗数据组对应的整体影响指标的差值的绝对值，确定为每个拟能耗数据对应的影响差异指标；
根据每个拟能耗数据对应的影响差异指标，确定每个拟能耗数据对应的目标影响相似度，其中，影响差异指标与目标影响相似度呈负相关；
拟能耗数据组对应的整体影响指标对应的公式为：
；
其中，是第i个拟能耗数据组对应的整体影响指标；i是拟能耗数据组的序号；/>是第i个拟能耗数据组中拟能耗数据的数量；/>是第i个拟能耗数据组中第j个拟能耗数据对应的幅度影响权重；j是第i个拟能耗数据组中拟能耗数据的序号；/>是第i个拟能耗数据组中所有拟能耗数据对应的幅度影响权重的累加和；/>是第i个拟能耗数据组中第j个拟能耗数据对应的因素影响指标；
所述对每个拟能耗数据进行能耗稳定性分析处理，得到每个拟能耗数据对应的目标稳定指标，包括：
记任意一个拟能耗数据为标记能耗数据，从所述标记能耗数据所属拟能耗数据组中筛选出除了所述标记能耗数据之外的拟能耗数据，作为候选能耗数据；
将所有候选能耗数据的均值，确定为所述标记能耗数据对应的能耗代表数据；
将所述标记能耗数据与所述能耗代表数据的差值的绝对值，确定为所述标记能耗数据对应的数据差异指标；
根据所述数据差异指标，确定所述标记能耗数据对应的目标稳定指标，其中，所述数据差异指标与所述目标稳定指标呈负相关；
所述根据每个拟能耗数据之前的拟能耗数据及其对应的目标稳定指标和目标影响相似度，预测得到每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，包括：
根据每个拟能耗数据之前的拟能耗数据，预测得到每个拟能耗数据对应的预测能耗数据；
根据每个拟能耗数据对应的目标稳定指标和目标影响相似度，确定每个拟能耗数据对应的目标幅度权重，其中，目标稳定指标和目标影响相似度均与目标幅度权重呈正相关；
将每个拟能耗数据与其对应的目标幅度权重的乘积，确定为每个拟能耗数据对应的参考幅度；
记任意一个拟能耗数据为标记能耗数据，从所述标记能耗数据之前的拟能耗数据中筛选出离所述标记能耗数据最近的预设数目个拟能耗数据，作为待定能耗数据，得到所述标记能耗数据对应的待定能耗数据集合；
将所述标记能耗数据对应的待定能耗数据集合中所有待定能耗数据对应的参考幅度的累加值，确定为所述标记能耗数据对应的预测能耗波动幅度。
2.根据权利要求1所述的一种用于校园设备的电气能耗数据智能管理方法，其特征在于，所述根据每个拟能耗数据对应的预测能耗数据和预测能耗波动幅度，确定每个拟能耗数据对应的预测峰值和预测谷值，包括：
将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的和值，确定为每个拟能耗数据对应的预测峰值；
将每个拟能耗数据对应的预测能耗数据与预测能耗波动幅度的差值，确定为每个拟能耗数据对应的预测谷值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254258.XA CN116996076B (zh) | 2023-09-27 | 2023-09-27 | 一种用于校园设备的电气能耗数据智能管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254258.XA CN116996076B (zh) | 2023-09-27 | 2023-09-27 | 一种用于校园设备的电气能耗数据智能管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116996076A CN116996076A (zh) | 2023-11-03 |
| CN116996076B true CN116996076B (zh) | 2023-12-19 |
Family
ID=88534214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311254258.XA Active CN116996076B (zh) | 2023-09-27 | 2023-09-27 | 一种用于校园设备的电气能耗数据智能管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116996076B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4509150A (en) * | 1980-12-31 | 1985-04-02 | Mobil Oil Corporation | Linear prediction coding for compressing of seismic data |
| US4947858A (en) * | 1989-01-31 | 1990-08-14 | Hewlett-Packard Company | Method and apparatus for data compression in an ECG monitoring system |
| JP2006211155A (ja) * | 2005-01-26 | 2006-08-10 | Olympus Imaging Corp | データ圧縮装置、データ圧縮方法、データ圧縮プログラム、データ伸張装置 |
| JP2006259937A (ja) * | 2005-03-15 | 2006-09-28 | Omron Corp | データ収集装置およびデータ復元装置 |
| CN108989817A (zh) * | 2018-09-03 | 2018-12-11 | 西安交通大学 | 一种基于参考帧错位预测的雷达数据压缩方法 |
| CN110277998A (zh) * | 2019-06-27 | 2019-09-24 | 中国电力科学研究院有限公司 | 电网数据无损压缩方法和装置 |
| CN111832839A (zh) * | 2020-07-24 | 2020-10-27 | 河北工业大学 | 基于充分增量学习的能耗预测方法 |
| CN113364813A (zh) * | 2021-08-09 | 2021-09-07 | 新风光电子科技股份有限公司 | 一种轨道交通能量回馈数据的压缩传输方法及*** |
| CN115118788A (zh) * | 2022-06-29 | 2022-09-27 | 北京中科心研科技有限公司 | 时序数据压缩方法、装置、可穿戴智能设备及存储介质 |
| CN115622566A (zh) * | 2022-09-30 | 2023-01-17 | 中国南方电网有限责任公司 | 高效率的电力实时数据动态无损压缩传输方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030220801A1 (en) * | 2002-05-22 | 2003-11-27 | Spurrier Thomas E. | Audio compression method and apparatus |
| US8885477B2 (en) * | 2011-08-26 | 2014-11-11 | European Space Agency | Method, device and system for compressing time series data |
| US9953436B2 (en) * | 2012-06-26 | 2018-04-24 | BTS Software Solutions, LLC | Low delay low complexity lossless compression system |
| TWI662948B (zh) * | 2018-08-10 | 2019-06-21 | 國立中央大學 | 無損心電訊號壓縮系統及方法 |
-
2023
- 2023-09-27 CN CN202311254258.XA patent/CN116996076B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4509150A (en) * | 1980-12-31 | 1985-04-02 | Mobil Oil Corporation | Linear prediction coding for compressing of seismic data |
| US4947858A (en) * | 1989-01-31 | 1990-08-14 | Hewlett-Packard Company | Method and apparatus for data compression in an ECG monitoring system |
| JP2006211155A (ja) * | 2005-01-26 | 2006-08-10 | Olympus Imaging Corp | データ圧縮装置、データ圧縮方法、データ圧縮プログラム、データ伸張装置 |
| JP2006259937A (ja) * | 2005-03-15 | 2006-09-28 | Omron Corp | データ収集装置およびデータ復元装置 |
| CN108989817A (zh) * | 2018-09-03 | 2018-12-11 | 西安交通大学 | 一种基于参考帧错位预测的雷达数据压缩方法 |
| CN110277998A (zh) * | 2019-06-27 | 2019-09-24 | 中国电力科学研究院有限公司 | 电网数据无损压缩方法和装置 |
| CN111832839A (zh) * | 2020-07-24 | 2020-10-27 | 河北工业大学 | 基于充分增量学习的能耗预测方法 |
| CN113364813A (zh) * | 2021-08-09 | 2021-09-07 | 新风光电子科技股份有限公司 | 一种轨道交通能量回馈数据的压缩传输方法及*** |
| CN115118788A (zh) * | 2022-06-29 | 2022-09-27 | 北京中科心研科技有限公司 | 时序数据压缩方法、装置、可穿戴智能设备及存储介质 |
| CN115622566A (zh) * | 2022-09-30 | 2023-01-17 | 中国南方电网有限责任公司 | 高效率的电力实时数据动态无损压缩传输方法 |
Non-Patent Citations (3)
| Title |
|---|
| Integrated Data Compression and Pulse Rate Extraction Scheme Using Differential Coding for Wireless PPG Monitoring Devices;Gangireddy Narendra Kumar Reddy;《2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS)》;第48-53页 * |
| 卫星遥测数据实时压缩算法设计与实现;史礼婷;《遥 测 遥 控》;第22-27页 * |
| 基于相似日区域化RBF分析的校园能耗预测;曲朝阳;刘阳;;福建电脑(第12期);第1-4页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116996076A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| Rajabi et al. | A comparative study of clustering techniques for electrical load pattern segmentation | |
| CN111160617A (zh) | 一种电力日负荷预测方法及装置 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN102426674A (zh) | 一种基于马尔科夫链的电力***负荷预测方法 | |
| CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
| CN108074015B (zh) | 一种风电功率超短期预测方法及*** | |
| CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
| CN105631532A (zh) | 一种基于模糊决策的神经网络模型电力***负荷预测方法 | |
| CN102509173A (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
| CN114254838B (zh) | 一种短期电力负荷预测影响因子的确定方法 | |
| CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
| CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
| CN106779147B (zh) | 一种基于自适应层次时间序列聚类的用电负荷预测方法 | |
| CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
| CN114676896B (zh) | 基于时间分解改进算法的电力运行监测方法及*** | |
| CN114548575A (zh) | 基于迁移学习的自适应建筑日前负荷预测方法 | |
| CN116996076B (zh) | 一种用于校园设备的电气能耗数据智能管理方法 | |
| CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
| CN116894687A (zh) | 一种基于机器学习的用电量分析方法及***、电子设备 | |
| CN112149052B (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
| CN109783894B (zh) | 一种基于信息再修正的负荷协调预测方法 | |
| CN116523148A (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
| CN114266423A (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
| CN116404637A (zh) | 电力***短期负荷预测方法和电力***短期负荷预测装置 |
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 |