CN117034043B - 基于多能源物联网的智慧建筑综合能耗监测方法及*** - Google Patents
基于多能源物联网的智慧建筑综合能耗监测方法及*** Download PDFInfo
- Publication number
- CN117034043B CN117034043B CN202311294922.3A CN202311294922A CN117034043B CN 117034043 B CN117034043 B CN 117034043B CN 202311294922 A CN202311294922 A CN 202311294922A CN 117034043 B CN117034043 B CN 117034043B
- Authority
- CN
- China
- Prior art keywords
- center point
- clustering center
- moment
- data
- time axis
- 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 90
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 97
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于多能源物联网的智慧建筑综合能耗监测方法及***，属于监测数据处理技术领域，该方法步骤包括：获取建筑物的多个时刻的多维度能耗数据；对获取的多维度能耗数据进行主成分分析得到筛选主成分；选取出对筛选主成分进行聚类循环时的多个聚类中心点；计算出每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，利用综合扩张系数确定每个聚类中心点修正后搜索范围并更新聚类中心点对应时刻，根据循环聚类后最终聚类结果内数据的相关性截取异常数据；本发明用以解决现有技术中在监测能耗异常数据时容易出现错划进而导致不能精确的截取异常数据所在时间段的问题。
Description
技术领域
本发明属于能耗数据处理技术领域，具体涉及基于多能源物联网的智慧建筑综合能耗监测方法及***。
背景技术
智慧建筑是集现代科学技术之大成的产物，主要由现代建筑技术、现代电脑技术、现代通讯技术组成，智慧建筑指的是将建筑的结构、***、服务和管理根据用户的需求进行最优化组合，从而为用户提供一个高效、舒适、便利的人性化建筑环境；而能耗监测***是通过物联网技术，采集和监测智慧建筑中各种能源的使用数据，如电力使用量、燃气消耗、能量负荷等使用数据。
目前一般利用中央处理器对各种能源传感器获得的数据进行分析和处理，利用中央处理器识别出能源浪费和低效区域对应的时间段，能帮助用户了解能源的使用情况、能识别出能耗高峰时段和设备效率低下的问题，进而帮助建筑管理者能够采取针对性的措施优化能源分配降低能耗从而提升能源利用效率。
但是现有技术中在利用中央处理器对各种能源传感器获得的数据进行分析和处理时，一般利用SLIC超像素分割的思想，将不同能耗的时间段进行分割，以便找到能耗异常的时间区间，但是由于多维度数据的复杂性，会出现异常数据与正常数据相互交叉的情况，对于一般的SLIC超像素分割，在进行划分过程中会产生错划的情况，进而导致不能精确的识别出异常数据所在的时间段，即不能准确的监测出能耗异常情况。
发明内容
本发明提供基于多能源物联网的智慧建筑综合能耗监测方法及***，用于解决现有技术中在对能耗数据进行监测时，不能精确的识别出异常数据所在的时间段，不能准确的监测出能耗异常情况的问题。
本发明的基于多能源物联网的智慧建筑综合能耗监测方法采用如下技术方案：
S1、获取建筑物的多个时刻的多维度能耗数据；
S2、对获取的多个时刻的多维度能耗数据进行主成分分析得到多个主成分，同时提取每个主成分的方差贡献率，根据每个主成分的方差贡献率选取出筛选主成分；
S3、选取出对筛选主成分进行聚类循环时的多个聚类中心点，并利用每个聚类中心点对应时刻将时间轴划分为多个区间，从每个聚类中心点开始沿时间轴任一方向延伸选取两个相邻的第一区间和第二区间；
S4、获取每个时刻在每个筛选主成分上的数据，根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数；
S5、根据在任意两个筛选主成分中第一区间内数据的相关性、任意两个筛选主成分中第二区间内数据的相关性、每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数，计算出每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数；
S6、根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点预设初始搜索范围进行修正，得到每个聚类中心点对应时刻修正后搜索范围；
S7、在得到每个聚类中心点对应时刻修正后搜索范围，对多维度能耗数据进行聚类得到初始聚类结果；
S8、根据获取的初始聚类结果更新每个聚类中心点对应时刻，当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和大于或等于预设第一阈值时，重复执行S3到S7的步骤开始下一次循环；当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和小于预设第一阈值时终止循环，并输出最终聚类结果；
S9、根据最终聚类结果内数据的相关性截取异常数据。
进一步地，根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的步骤包括：
对第一区间内的数据进行线性拟合得到第一直线；
对第二区间内的数据进行线性拟合得到第二直线；
将第一直线和第二直线斜率的相似性，作为每个聚类中心点在每个筛选主成分中沿时间轴任一方向延伸的扩张系数。
进一步地，每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数；/>表示第/>个筛选主成分；/>表示第/>个聚类中心点对应时刻；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；/>表示以自然常数为底的指数函数。
进一步地，每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>沿时间轴/>方向延伸的综合扩张系数；/>表示筛选主成分的总个数；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；/>表示序列/>与序列/>之间的皮尔森相关系数；/>表示第/>个筛选主成分在第/>个区间内的数据序列；/>表示第/>个筛选主成分在第/>个区间内的数据序列； 表示序列/>与/>之间的皮尔森相关系数；/>表示第/>个主成分在第/>个区间内的数据序列；/>表示第/>个主成分在第个区间内的数据序列；/>表示现有归一化函数；/>表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数。
进一步地，根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点预设初始搜索范围进行修正，得到每个聚类中心点对应时刻修正后搜索范围的步骤包括：
任意选取两个相邻的聚类中心点记作第一聚类中心点和第二聚类中心点；
获取第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，同时获取第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数；
计算出第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，与第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数的之和，并记作综合扩张系数和值；
计算出第一聚类中心点沿时间轴正方向延伸的综合扩张系数与综合扩张系数和值的比值，并将该比值与预设初始搜索范围的乘积作为第一聚类中心点对应时刻修正后搜索范围；
按照第一聚类中心点修正后搜索范围的计算方法计算出每个聚类中心点对应时刻修正后搜索范围。
进一步地，每个聚类中心点对应时刻修正后搜索范围的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>修正后搜索范围；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；表示第/>个聚类中心点对应时刻/>沿时间轴正方向延伸的综合扩张系数；/>表示第/>个聚类中心点对应时刻/>沿时间轴负方向延伸的综合扩张系数；/>表示预设初始搜索范围，/>表示第/>个区间的长度，即沿/>方向上相邻区间的长度。
进一步地，本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和的计算步骤包括：
选取出初始聚类结果中任一类别作为目标类别，将目标类别中的聚类中心点作为目标聚类中心点；
获取本次循环中目标聚类中心点对应的第一时刻，同时获取下一次循环中目标聚类中心点对应的第二时刻；
计算出第一时刻和第二时刻的时间差值绝对值，按照目标聚类中心点对应的时间差值绝对值的计算方法计算出每个聚类中心点对应的时间差值绝对值；
将全部聚类中心点对应的时间差值绝对值相加，得到本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和。
进一步地，根据每个主成分的方差贡献率选取出筛选主成分的步骤包括：
根据每个主成分的方差贡献率计算出累计方差贡献率，选取出累计方差贡献率大于预设第二阈值的主成分作为筛选主成分。
进一步地，根据最终聚类结果内数据的相关性截取异常数据的步骤包括：
选取出最终聚类结果中任一类别作为目标类别，将目标类别在时间轴上相邻的类别记作目标相邻类别；
计算出目标类别内的数据在任意两个维度上相关性，同时计算出目标相邻类别内的数据在任意两个维度上相关性；
计算出目标类别内的数据在任意两个维度上相关性与目标相邻类别在对应两个维度上相关性的相关性差值，当相关性差值绝对值大于预设第三阈值时，则截取出目标类别和目标邻域类别内的多维度能耗数据作为异常数据。
基于多能源物联网的智慧建筑综合能耗监测***，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
本发明的有益效果是：
本发明用于解决现有技术中在对能耗数据进行监测时，不能精确的识别出异常数据所在的时间段的问题，为此本发明首先利主成分分析的方法，对获取的建筑物的多维度能耗数据进行降维，以降低了冗余数据对分割结果的影响；在进行聚类循环时首先根据选取的聚类中心点将时间轴划分为多个区间；对于某一筛选主成分而言，若在从聚类中心点出发向时间轴正方向延伸选取的两个区间中对应数据序列之间的相似较高，则该筛选主成分代表的能耗数据在该时间段内变化较小，则应当赋予该聚类中心点的搜索范围以更高的扩张系数，使得更多的同类数据对应时刻划分至相同的区间，因此根据同一筛选主成分在相邻区间内数据的相似性，得到每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数。
由于每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数，表征的是在单个筛选主成分中数据在相邻区间内的差异性，而各筛选主成分体现的是不同维度的能耗数据，可能会由于数据之间的滞后性及其他因素，而导致其扩张系数的计算结果有所不同，因此根据不同主成分在同一区间内多维度能耗数据的相关性对每个聚类中心点的扩张系数进行调整得到综合扩张系数；本发明通过对每个聚类中心点的扩张系数进行调整，降低了异常突变能耗数据在同一类别中出现的概率，提高了对于异常数据所在时间段进行分割的精度，有助于对监测数据中的异常时段进行截取，进而通过调整能源分配来降低能源浪费。
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，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他的附图。
图1为本发明提供的基于多能源物联网的智慧建筑综合能耗监测方法的总体步骤流程图；
图2为本发明中根据每个主成分的方差贡献率计算出累计方差贡献率的示意图；
图3为本发明中利用每个聚类中心点对应时刻将时间轴划分为多个区间的示意图；
图4为本发明中目标类别与目标相邻类别的示意图；
图5为本发明中对目标类别和目标相邻类别在任意两个维度内的数据进行拟合得到的折线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
实施例1：
本实施例提供的基于多能源物联网的智慧建筑综合能耗监测方法，如图1所示，该方法包括：
S1、获取建筑物的多个时刻的多维度能耗数据。
本实施例针对的应用场景为利用智慧建筑上的多个传感器采集多维度能耗数据，采集一天内的多维度能耗数据，数据采样间隔为20s，每次采样获取一个时刻的多维度能耗数据，本实施例中获取的多维度能耗数据包括电力能耗数据A1、燃气能耗数据A2、空调能耗数据A3、水能耗数据A4、设备能耗数据A5、温度能耗数据A6、太阳能能耗数据A7。
每个时刻采集到的电力能耗数据A1、燃气能耗数据A2、空调能耗数据A3、水能耗数据A4、设备能耗数据A5、温度能耗数据A6、太阳能能耗数据A7构成一个七维向量，记为每个时刻的多维度能耗数据，至此，获得一天内所有时刻的多维度能耗数据；
S2、对获取的多个时刻的多维度能耗数据进行主成分分析得到多个主成分，同时提取每个主成分的方差贡献率，根据每个主成分的方差贡献率选取出筛选主成分。
根据每个主成分的方差贡献率选取出筛选主成分的步骤包括：根据每个主成分的方差贡献率计算出累计方差贡献率，选取出累计方差贡献率大于预设第二阈值的主成分作为筛选主成分。
在多维度能耗数据中，会存在一些冗余的维度或变量，这些变量可能在分析中不具有明显的区分能力，因此利用PCA主成分分析方法，能识别和去除多维度能耗数据的冗余信息，从而提高数据的清晰度。利用PCA主成分分析方法对获取的所有时刻的多维度能耗数据进行主成分分析并得到多个主成分。
需要说明的是PCA主成分分析方法为现有的数据分析方法，常用于高维数据的降维，用于提取数据的主要特征分量。在得到每个主成分后，提取每个主成分的方差贡献率为公知技术。方差贡献率是指每个主成分对原始数据方差的贡献程度，一般方差贡献率越大表明该主成分对解释原始数据更为重要，计算方差贡献率的方法是将每个主成分的方差除以原始数据的总方差，得到一个百分比，实际应用中可以利用PCA分析软件来获取主成分并提取出方差贡献率。
根据每个主成分的方差贡献率计算出累计方差贡献率的方法为：将得到的全部主成分的方差贡献率从大到小进行排序，在得到每个主成分的方差贡献率后计算出累计方差贡献率，本实施例中预设第二阈值为85％，选取累计方差贡献率大于85％的前个主成分作为筛选主成分，筛选主成分记为/>,/>,…,/>，以下针对多个筛选主成分进行后续分析。
如图2所示，为根据每个主成分的方差贡献率计算出累计方差贡献率的示意图，若得到个主成分，将/>个主成分的方差贡献率从大到小进行排序并进行累加得到累计方差贡献率，若累加到第/>个主成分后累计方差贡献率等于86％，那么就选取出前/>个主成分作为筛选主成分。
S3、选取出对筛选主成分进行聚类循环时的多个聚类中心点，并利用每个聚类中心点对应时刻将时间轴划分为多个区间，从每个聚类中心点开始沿时间轴任一方向延伸选取两个相邻的第一区间和第二区间。
如图3所示，为利用每个聚类中心点对应时刻将时间轴划分为多个区间的示意图；图3中0点所在位置为时间轴原点，沿时间轴左侧延伸即为沿时间轴负方向延伸，沿时间轴右侧延伸即为沿时间轴正方向延伸，每个筛选主成分对应的是一个维度数据，所以每个聚类中心点对应时刻同时对应多个主成分数据。在聚类循环时需要等距选取聚类中心点，记初次循环时选取的相邻两个聚类中心点之间的时间间隔为，/>的建议值为/>，若起始时刻为0时刻，间隔/>后的聚类中心点记为1时刻，1时刻后间隔/>后的聚类中心点记为2时刻，依次选取多个聚类中心点，将0时刻与1时刻之间为一个区间，1时刻与2时刻之间为另一区间，同理利用每个聚类中心点对应时刻将时间轴划分为多个区间；同时若以第5时刻为例，从第5时刻开始沿时间轴正方向延伸选取两个相邻的第一区间和第二区间，即第5时刻与第6时刻之间的区间为第一区间，第6时刻与第7时刻之间的区间记为第二区间。
需要说明的是本实施例所用的聚类算法是SLIC超像素分割算法，SLIC超像素分割算法是一种聚类算法，该算法的大致实现方法为：首先随机选取若干等间距分布的聚类中心点，然后根据聚类中心点的搜索范围内的数据点的距离更新聚类中心点，最后通过多次循环并在循环中不断更新聚类中心点位置，得到最终聚类结果。
进一步需要说明的是，SLIC超像素分割算法是用于图像数据的，本实施例中的多维度能耗数据是时序数据，那么本实施例将时序的多维度能耗数据视为行为一的图像输入到SLIC超像素分割算法中，具体的SLIC超像素分割算法是公知技术，本实施例不赘述其具体实现方法。
S4、获取每个时刻在每个筛选主成分上的数据，根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数。
根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的步骤包括：对第一区间内的数据进行线性拟合得到第一直线；对第二区间内的数据进行线性拟合得到第二直线；将第一直线和第二直线斜率的相似性，作为每个聚类中心点在每个筛选主成分中沿时间轴任一方向延伸的扩张系数。
在已知每个时刻的多维度能耗数据后，得到每个时刻在每个筛选主成分上的数据属于现有公知技术，具体的获取方法为计算每个时刻的多维度能耗数据在每个筛选主成分上的投影值，记为每个时刻在每个筛选主成分上的数据，这些数据中每个数据对应一个时刻，因此每个筛选主成分上的所有数据按照时刻的先后顺序构成每个筛选主成分的数据序列。需要说明的是，根据主成分分析算法可知，每个筛选主成分是一个单位向量，所有多维度能耗数据在每个筛选主成分上的投影值就等于多维度能耗数据与筛选主成分的内积。
以下针对某一筛选主成分而言，若在以聚类中心点出发向时间轴任一方向延伸选取的两个区间中，其对应数据序列之间的相似较高，则该主成分代表的能耗数据在该时间段内变化较小，则应当赋予该聚类中心点的搜索范围以更高的扩张系数，使得更多的同类数据对应时刻划分至相同的区间。
每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数；/>表示第/>个筛选主成分；/>表示第/>个聚类中心点对应时刻；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；/>表示以自然常数为底的指数函数。
在每个聚类中心点在每个筛选主成分中沿时间轴任一延伸方向的扩张系数的计算公式中，对于第个聚类中心点而言，其搜索范围在沿时间轴正负两个方向上应当是不同的，故需要考虑其沿时间轴正负两个方向上数据的变化情况，由上述分析，当/>的值为1时，表示第/>个聚类中心点沿时间轴正方向延伸的第一个区间，即第一个与第/>个聚类中心点相邻的区间也叫第一区间，/>表示第/>个聚类中心点沿时间轴正方向延伸的第二个区间，即第二个与第/>个聚类中心点相邻的区间也叫第二区间；当/>的值为-1时，/>表示第/>个聚类中心点沿时间轴负方向延伸的第一个区间，/>表示第/>个聚类中心点沿时间轴正方向延伸的第二个区间，通过衡量两个相邻区间内数据点的变化情况判断是否需要向临近区域扩张。
例如：若本实施例中，那么当/>的值为1时，第一区间即为第5个聚类中心点对应时刻与第6个聚类中心点对应时刻之间的区间，第二区间即为第6个聚类中心点对应时刻与第7个聚类中心点对应时刻之间的区间，同时需要说明的是本步骤中获取的数据是同一筛选主成分的数据。
S5、根据在任意两个筛选主成分中第一区间内数据的相关性、任意两个筛选主成分中第二区间内数据的相关性、每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数，计算出每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数。
在步骤S4中计算出了每个聚类中心点在每个筛选主成分中沿时间轴任一延伸方向的扩张系数，表征的是在单个筛选主成分内，数据在相邻区间内的差异性，可能会由于数据之间的滞后性及其他因素，而导致其扩张系数的计算结果有所不同。对于某些筛选主成分内的突变数据，可能是由于正常能耗改变而导致的，但这些突变数据会导致对应中心点的扩张系数较小，因此仅根据单个主成分的数据变化，得到的搜索范围会差生误差；考虑当能耗数据产生异常时，对应区间在不同主成分之间的相关系数会产生突变，反之则会保持在一个相对平稳的水平。例如在一天数据内，温度数据与空调能耗数据之间的相关系数应当较为平稳，当相关系数出现较大差异时，其对应时间段出现异常概率较高，对应扩张系数应当调整较小，以防止将部分异常数据与正常数据划分至同一类别当中，因此根据不同筛选主成分在同一区间内数据的相关性对每个聚类中心点的扩张系数进行调整得到综合扩张系数。
每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>沿时间轴/>方向延伸的综合扩张系数；/>表示筛选主成分的总个数；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；/>表示序列/>与序列/>之间的皮尔森相关系数；/>表示第/>个筛选主成分在第/>个区间内的数据序列；/>表示第/>个筛选主成分在第/>个区间内的数据序列； 表示序列/>与/>之间的皮尔森相关系数；/>表示第/>个主成分在第/>个区间内的数据序列；/>表示第/>个主成分在第个区间内的数据序列；/>表示现有归一化函数；/>表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数。
在每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数的计算公式中，利用第个聚类中心点对应时刻/>在各个筛选主成分中沿时间轴/>方向延伸的扩张系数进行加权平均，而权重系数的获取，是利用各个筛选主成分在对应区间内的相关系数的变化得到的；若第/>个主成分与第/>个主成分，两相邻区间内的相关系数差异较小，即对应两个区间内，两个主成分之间的影响是同步变化的，则对应第/>个主成分在聚类中心点/>时刻下沿/>方向上的扩张系数置信度应当更高，反之应当对其扩张系数进行压缩。同时需要说明的是本步骤中在计算/>时利用的是不同筛选主成分在同一区间内的数据序列，同时计算/>时也利用的是不同筛选主成分在同一区间内的数据序列。
S6、根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点预设初始搜索范围进行修正，得到每个聚类中心点对应时刻修正后搜索范围。
根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点初始搜索范围进行修正，得到每个聚类中心点修正后搜索范围的步骤包括：任意选取两个相邻的聚类中心点记作第一聚类中心点和第二聚类中心点；获取第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，同时获取第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数；计算出第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，与第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数的之和，并记作综合扩张系数和值；计算出第一聚类中心点沿时间轴正方向延伸的综合扩张系数与综合扩张系数和值的比值，并将该比值与预设初始搜索范围的乘积作为第一聚类中心点对应时刻修正后搜索范围；按照第一聚类中心点修正后搜索范围的计算方法计算出每个聚类中心点对应时刻修正后搜索范围。
每个聚类中心点对应时刻修正后搜索范围的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>修正后搜索范围；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；表示第/>个聚类中心点对应时刻/>沿时间轴正方向延伸的综合扩张系数；/>表示第/>个聚类中心点对应时刻/>沿时间轴负方向延伸的综合扩张系数；/>表示预设初始搜索范围，/>表示第/>个区间的长度，即沿/>方向上相邻区间的长度。
在每个聚类中心点对应时刻修正后搜索范围的计算公式中，在预设初始搜索范围的基础上，利用相邻时刻之间的扩张系数之间的比例，确定各聚类中心点的搜索区间；是为了保证相邻两个时刻沿相交方向上的搜索范围保证一定的重叠，防止出现过多点只在单个聚类中心点的搜索范围内出现。
需要说明的是在SLIC超像素分割算法中，预设的初始搜索范围为两倍的两个聚类中心点之间的距离即两个区间的长度，而聚类中心点的位置在聚类循环时是变化的，即两个聚类中心点之间的距离是变化的，所以每次循环时都会根据聚类中心点位置重新预设一次初始搜索范围，即预设初始搜索范围为，当/>发生变化时预设初始搜索范围也会发生变化。
S7、在得到每个聚类中心点对应时刻修正后搜索范围，对多维度能耗数据进行聚类得到初始聚类结果。
在得到每个聚类中心点对应时刻修正后搜索范围，对多维度能耗数据进行聚类得到初始聚类结果的步骤包括：计算出每个聚类中心点与其修正后搜索范围内每个多维度能耗数据之间的欧式距离；根据多维度能耗数据与每个聚类中心点之间的欧式距离进行聚类得到初始聚类结果。需要说明的是在现有超像素分割算法中，在得到聚类中心点搜索范围后，对数据进行聚类得到聚类结果的步骤为，计算出每个聚类中心点搜索范围内每个数据点与聚类中心点之间的欧式距离，多个聚类中心点之间的搜索范围会存在重叠部分，因此一个数据点需要计算出与多个聚类中心点之间的距离，选取欧式距离最小的聚类中心点并将该数据点与该聚类中心点划分为聚类，最终输出聚类结果，具体的数据点与聚类中心点的划分方式也为现有公知技术。
在得到每个聚类中心点对应时刻修正后搜索范围后，重新对步骤S1中获取的每个时刻的多维度能耗数据进行聚类，第一次循环聚类得到的结果为初始聚类结果。
S8、根据获取的初始聚类结果更新每个聚类中心点对应时刻，当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和大于或等于预设第一阈值时，重复执行S3到S7的步骤开始下一次循环；当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和小于预设第一阈值时终止循环，并输出最终聚类结果。
根据获取的初始聚类结果更新每个聚类中心点对应时刻，利用的是现有的SLIC算法根据目标聚类中心点更新聚类中心点位置得到下一次循环聚类中心点。
本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和的计算步骤包括：
选取出初始聚类结果中任一类别作为目标类别，将目标类别中的聚类中心点作为目标聚类中心点；获取本次循环中目标聚类中心点对应的第一时刻，同时获取下一次循环中目标聚类中心点对应的第二时刻；计算出第一时刻和第二时刻的时间差值绝对值，按照目标聚类中心点对应的时间差值绝对值的计算方法计算出每个聚类中心点对应的时间差值绝对值；将全部聚类中心点对应的时间差值绝对值相加，得到本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和。
需要说明的是，当每个聚类中心点对应的时刻几乎不发生变化，即聚类中心点的位置几乎不发生变化时终止循环，终止循环条件如下：
；
其中，表示本次循环中第/>个聚类中心点对应的时刻；/>表示下一次循环中第/>个聚类中心点对应的时刻；/>表示聚类中心点的总个数；/>表示预设第一阈值，本实施例中/>的建议值为10。
S9、根据最终聚类结果内数据的相关性截取异常数据。
根据最终聚类结果内数据的相关性对异常数据进行检测的步骤包括：选取出最终聚类结果中任一类别作为目标类别，将目标类别在时间轴上相邻的类别记作目标相邻类别；计算出目标类别内的数据在任意两个维度上相关性，同时计算出目标相邻类别内的数据在任意两个维度上相关性；计算出目标类别内的数据在任意两个维度上相关性与目标相邻类别在对应两个维度上相关性的相关性差值，当相关性差值绝对值大于预设第三阈值时，则截取出目标类别和目标邻域类别内的多维度能耗数据作为异常数据。
如图4所示，为目标类别与目标相邻类别的示意图，需要说明的是在本实施例中，目标类别对应的是七维数据，目标相邻类别对应的也是七维数据，而在截取异常数据时计算的是任意两个维度数据之间的相关性。如图5所示，为对目标类别和目标相邻类别在任意两个维度内的数据进行拟合得到的折线示意图，例如，若 A3和A6的相关性突然存在变化时，则认为目标类别与目标相邻类别内的数据出现了异常，而本实施例中截取出异常数据是为了找出异常数据所在的位置后进行后续的分析和处理，找出设备效率低下的问题，因此只需要找到异常数据所在的区间即可，实现快速定位异常数据所在位置，在后续分析处理问题的时候对异常数据所在区间的前后数据都进行分析，准确的找出能耗效率低下的问题。
本实施例中第三阈值的建议值为，当目标类别内的数据在任意两个维度上相关性与目标相邻类别在对应两个维度上相关性的相关性差值大于预设第三阈值/>时，认为目标类别和目标邻域类别内的数据为异常数据，即目标类别和目标相邻类别只要有任意两个维度的相关性出现异常后，就将目标类别和目标相邻类别内的数据截取出作为异常数据。
实施例2：
本实施例提供的基于多能源物联网的智慧建筑综合能耗监测***，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现基于多能源物联网的智慧建筑综合能耗监测方法的步骤。
本发明提供基于多能源物联网的智慧建筑综合能耗监测方法，用于解决现有技术中在对能耗数据进行监测时，不能精确的识别出异常数据所在的时间段，不能准确的监测出能耗异常情况的问题。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，该方法包括：
S1、获取建筑物的多个时刻的多维度能耗数据；
S2、对获取的多个时刻的多维度能耗数据进行主成分分析得到多个主成分，同时提取每个主成分的方差贡献率，根据每个主成分的方差贡献率选取出筛选主成分；
S3、选取出对筛选主成分进行聚类循环时的多个聚类中心点，并利用每个聚类中心点对应时刻将时间轴划分为多个区间，从每个聚类中心点开始沿时间轴任一方向延伸选取两个相邻的第一区间和第二区间；
S4、获取每个时刻在每个筛选主成分上的数据，根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数；
S5、根据在任意两个筛选主成分中第一区间内数据的相关性、任意两个筛选主成分中第二区间内数据的相关性、每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数，计算出每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数；
S6、根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点预设初始搜索范围进行修正，得到每个聚类中心点对应时刻修正后搜索范围；
S7、在得到每个聚类中心点对应时刻修正后搜索范围，对多维度能耗数据进行聚类得到初始聚类结果；
S8、根据获取的初始聚类结果更新每个聚类中心点对应时刻，当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和大于或等于预设第一阈值时，重复执行S3到S7的步骤开始下一次循环；当本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和小于预设第一阈值时终止循环，并输出最终聚类结果；
S9、根据最终聚类结果内数据的相关性截取异常数据；
所述每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数；/>表示第/>个筛选主成分；/>表示第/>个聚类中心点对应时刻；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；表示对第/>个筛选主成分在第/>个区间内的数据进行线性拟合得到直线的斜率；/>表示以自然常数为底的指数函数。
2.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，根据在同一筛选主成分中第一区间和第二区间内数据的相似性，计算出每个聚类中心点对应时刻在每个筛选主成分中沿时间轴任一方向延伸的扩张系数的步骤包括：
对第一区间内的数据进行线性拟合得到第一直线；
对第二区间内的数据进行线性拟合得到第二直线；
将第一直线和第二直线斜率的相似性，作为每个聚类中心点在每个筛选主成分中沿时间轴任一方向延伸的扩张系数。
3.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>沿时间轴/>方向延伸的综合扩张系数；/>表示筛选主成分的总个数；/>表示方向代表值，/>，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；/>表示序列/>与序列之间的皮尔森相关系数；/>表示第/>个筛选主成分在第/>个区间内的数据序列；/>表示第/>个筛选主成分在第/>个区间内的数据序列； 表示序列/>与/>之间的皮尔森相关系数；/>表示第/>个主成分在第/>个区间内的数据序列；/>表示第/>个主成分在第个区间内的数据序列；/>表示现有归一化函数；/>表示第/>个聚类中心点对应时刻/>在第/>个筛选主成分中沿时间轴/>方向延伸的扩张系数。
4.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，根据每个聚类中心点对应时刻沿时间轴任一方向延伸的综合扩张系数，对每个聚类中心点预设初始搜索范围进行修正，得到每个聚类中心点对应时刻修正后搜索范围的步骤包括：
任意选取两个相邻的聚类中心点记作第一聚类中心点和第二聚类中心点；
获取第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，同时获取第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数；
计算出第一聚类中心点对应时刻沿时间轴正方向延伸的综合扩张系数，与第二聚类中心点对应时刻沿时间轴负方向延伸的综合扩张系数的之和，并记作综合扩张系数和值；
计算出第一聚类中心点沿时间轴正方向延伸的综合扩张系数与综合扩张系数和值的比值，并将该比值与预设初始搜索范围的乘积作为第一聚类中心点对应时刻修正后搜索范围；
按照第一聚类中心点修正后搜索范围的计算方法计算出每个聚类中心点对应时刻修正后搜索范围。
5.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，每个聚类中心点对应时刻修正后搜索范围的计算公式为：
；
其中，表示第/>个聚类中心点对应时刻/>修正后搜索范围；/>表示方向代表值，，当/>取1时表示沿时间轴正方向延伸，当/>取-1时表示沿时间轴负方向延伸；/>表示第/>个聚类中心点对应时刻/>沿时间轴正方向延伸的综合扩张系数；/>表示第个聚类中心点对应时刻/>沿时间轴负方向延伸的综合扩张系数；/>表示预设初始搜索范围，/>表示第/>个区间的长度，即沿/>方向上相邻区间的长度。
6.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和的计算步骤包括：
选取出初始聚类结果中任一类别作为目标类别，将目标类别中的聚类中心点作为目标聚类中心点；
获取本次循环中目标聚类中心点对应的第一时刻，同时获取下一次循环中目标聚类中心点对应的第二时刻；
计算出第一时刻和第二时刻的时间差值绝对值，按照目标聚类中心点对应的时间差值绝对值的计算方法计算出每个聚类中心点对应的时间差值绝对值；
将全部聚类中心点对应的时间差值绝对值相加，得到本次循环每个聚类中心点对应时刻与下一次循环聚类中心点对应的时刻差值绝对值之和。
7.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，根据每个主成分的方差贡献率选取出筛选主成分的步骤包括：
根据每个主成分的方差贡献率计算出累计方差贡献率，选取出累计方差贡献率大于预设第二阈值的主成分作为筛选主成分。
8.根据权利要求1所述的基于多能源物联网的智慧建筑综合能耗监测方法，其特征在于，根据最终聚类结果内数据的相关性截取异常数据的步骤包括：
选取出最终聚类结果中任一类别作为目标类别，将目标类别在时间轴上相邻的类别记作目标相邻类别；
计算出目标类别内的数据在任意两个维度上相关性，同时计算出目标相邻类别内的数据在任意两个维度上相关性；
计算出目标类别内的数据在任意两个维度上相关性与目标相邻类别在对应两个维度上相关性的相关性差值，当相关性差值绝对值大于预设第三阈值时，则截取出目标类别和目标邻域类别内的多维度能耗数据作为异常数据。
9.基于多能源物联网的智慧建筑综合能耗监测***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294922.3A CN117034043B (zh) | 2023-10-09 | 2023-10-09 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294922.3A CN117034043B (zh) | 2023-10-09 | 2023-10-09 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117034043A CN117034043A (zh) | 2023-11-10 |
| CN117034043B true CN117034043B (zh) | 2024-01-16 |
Family
ID=88639844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311294922.3A Active CN117034043B (zh) | 2023-10-09 | 2023-10-09 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034043B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421618B (zh) * | 2023-11-24 | 2024-04-05 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及*** |
| CN117436006B (zh) * | 2023-12-22 | 2024-03-15 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及*** |
| CN117455725B (zh) * | 2023-12-22 | 2024-03-12 | 广惠建设工程集团有限公司 | 一种基于bim建筑的建筑能耗管理方法及*** |
| CN117609813B (zh) * | 2024-01-23 | 2024-04-23 | 山东第一医科大学附属省立医院(山东省立医院) | 一种重症患者监护数据智能管理方法 |
| CN117668684B (zh) * | 2024-01-31 | 2024-04-16 | 新风光电子科技股份有限公司 | 基于大数据分析的电网电能数据异常检测方法 |
| CN117952569B (zh) * | 2024-03-27 | 2024-06-25 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理*** |
| CN117977717B (zh) * | 2024-04-01 | 2024-06-11 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种寒地风光热储能综合能源协同管理方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016206784A (ja) * | 2015-04-17 | 2016-12-08 | 株式会社Ihi | データ分析装置及びデータ分析方法 |
| EP3839680A1 (en) * | 2019-12-20 | 2021-06-23 | Robert Bosch GmbH | Method and device for controlling a machine using principal component analysis |
| CN115329446A (zh) * | 2022-10-13 | 2022-11-11 | 江苏航运职业技术学院 | 一种装配式建筑预制构件智能吊装过程数字孪生建模方法 |
| CN116109039A (zh) * | 2023-02-22 | 2023-05-12 | 扬州市职业大学(扬州开放大学) | 一种数据驱动异常检测与预警*** |
| CN116308456A (zh) * | 2023-02-23 | 2023-06-23 | 国网新疆电力有限公司信息通信公司 | 大数据环境下用户用电行为分析方法、***、装置及介质 |
| CN116431975A (zh) * | 2023-06-12 | 2023-07-14 | 陕西巨人商务信息咨询有限公司 | 一种数据中心的环境监测方法及*** |
| CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
-
2023
- 2023-10-09 CN CN202311294922.3A patent/CN117034043B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016206784A (ja) * | 2015-04-17 | 2016-12-08 | 株式会社Ihi | データ分析装置及びデータ分析方法 |
| EP3839680A1 (en) * | 2019-12-20 | 2021-06-23 | Robert Bosch GmbH | Method and device for controlling a machine using principal component analysis |
| CN115329446A (zh) * | 2022-10-13 | 2022-11-11 | 江苏航运职业技术学院 | 一种装配式建筑预制构件智能吊装过程数字孪生建模方法 |
| CN116109039A (zh) * | 2023-02-22 | 2023-05-12 | 扬州市职业大学(扬州开放大学) | 一种数据驱动异常检测与预警*** |
| CN116308456A (zh) * | 2023-02-23 | 2023-06-23 | 国网新疆电力有限公司信息通信公司 | 大数据环境下用户用电行为分析方法、***、装置及介质 |
| CN116431975A (zh) * | 2023-06-12 | 2023-07-14 | 陕西巨人商务信息咨询有限公司 | 一种数据中心的环境监测方法及*** |
| CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
Non-Patent Citations (5)
| Title |
|---|
| "Nonlocal feature learning based on a variational graph auto-encoder network for small area change detection using SAR imagery";Hang Su et.al.;《ISPRS Journal of Photogrammetry and Remote Sensing》;第193卷;第137-149页 * |
| "基于SLIC-DPC算法的车辆检测研究";阮孟丽等;《齐齐哈尔大学学报》;第37卷(第02期);第41-45页 * |
| "建筑能效分析技术及能耗预测模型研究";李琳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2020年卷(第12期);C038-46 * |
| "群体智能算法及其在基因表达数据聚类中的应用";陈伟;《中国博士学位论文全文数据库信息科技辑》;第2011年卷(第12期);第I140-32页 * |
| 安徽省城市建设用地变化及驱动力分析;张雪茹;尹志强;姚亦锋;胡美娟;洪永胜;;长江流域资源与环境;第25卷(第04期);第544-551页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117034043A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117034043B (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及*** | |
| CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
| CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
| CN116955895B (zh) | 一种变压器运行异常监测方法及*** | |
| CN117312997B (zh) | 一种电力管理***智能诊断方法及*** | |
| CN116992322B (zh) | 一种智慧城市数据中心管理*** | |
| CN116320043B (zh) | 一种提高多载波通信***传输效率的方法及*** | |
| CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
| CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
| CN111026738A (zh) | 区域人口监控方法、***、电子设备及存储介质 | |
| CN112800231A (zh) | 电力数据校验方法、装置、计算机设备和存储介质 | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN117436006B (zh) | 一种智慧环网柜故障实时监测方法及*** | |
| CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
| CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
| CN117237678B (zh) | 用电行为异常检测方法、装置、设备及存储介质 | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
| CN116384949B (zh) | 一种基于数字化管理的智慧政务信息数据管理*** | |
| CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
| CN117575176B (zh) | 一种电力数据中异常值的处理方法及*** | |
| CN110942196B (zh) | 预测辐照修正方法及装置 | |
| CN118052540A (zh) | 一种设备维修方案智能管理方法及*** | |
| CN118035916A (zh) | 一种农村电网供电故障异常检测方法 |
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 |