CN117807541A - 一种基于大数据的智慧园区安全管理*** - Google Patents
一种基于大数据的智慧园区安全管理*** Download PDFInfo
- Publication number
- CN117807541A CN117807541A CN202311828002.5A CN202311828002A CN117807541A CN 117807541 A CN117807541 A CN 117807541A CN 202311828002 A CN202311828002 A CN 202311828002A CN 117807541 A CN117807541 A CN 117807541A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- user
- data
- judging
- abnormal
- 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
Links
- 238000005265 energy consumption Methods 0.000 claims abstract description 135
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 31
- 239000006185 dispersion Substances 0.000 claims description 24
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及园区智能管理技术领域,具体公开了基于大数据的智慧园区安全管理***,所述***包括:实时能耗监测模块,用于实时监测园区的总用电能耗数据;公共设备运行监测模块,用于实时监测园区公共设备的状态参数及用电能耗数据;用户数据接入端,用于实时采集园区各个用户的能耗数据;安全管理中心,用于根据实时获取的园区用户的能耗数据与用户历史能耗数据进行用户能耗异常分析,根据用户能耗异常分析结果判断用户能耗异常状态;及根据园区公共设备的用电能耗数据及状态参数对公共设备运行异常状态进行判断,及根据总用电能耗数据对园区整体能耗异常进行判断。
Description
技术领域
本发明涉及园区智能管理技术领域,具体为一种基于大数据的智慧园区安全管理***。
背景技术
智慧园区通过将多个公司集成在同一区域,能够更好的集中资源,促进产业的集聚和发展,而对于智慧园区,其通过融合物联网、大数据、云计算、空间物理等新一代信息通信技术,能够实现区域内及时、互动、整合的信息感知、传递和处理,进而实现对智慧园区的管理。
园区管理的安全管理过程包括多个方面,例如火灾风险管理、安防管理以及耗能异常管理,其中对于园区的能耗管理,现有的管理***会根据园区设备的运行状况以及其运行状态,实现对园区设备耗能异常的判断,进而及时的解决风险问题,保证园区设备的正常运行。
然而,现有的园区设备管理主要针对园区的公用设备,例如园区公共区域的空调设备、空气净化设备等,由于能够获取其准确的控制数据,因此能够对其能耗状态进行较为准确的判断,而对于园区用户而言,园区管理端能够获取其耗能数据,但较难获取其设备的运行状态,因此对用户端的耗能异常判断也缺少依据,进而判断的准确性较差。
发明内容
本发明的目的在于提供一种基于大数据的智慧园区安全管理***,解决以下技术问题:
如何更加全面准确的对园区的耗能异常进行判断。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的智慧园区安全管理***,所述***包括:
实时能耗监测模块,用于实时监测园区的总用电能耗数据;
公共设备运行监测模块,用于实时监测园区公共设备的状态参数及用电能耗数据;
用户数据接入端,用于实时采集园区各个用户的能耗数据;
安全管理中心,用于根据实时获取的园区用户的能耗数据与用户历史能耗数据进行用户能耗异常分析,根据用户能耗异常分析结果判断用户能耗异常状态;及根据园区公共设备的用电能耗数据及状态参数对公共设备运行异常状态进行判断,及根据总用电能耗数据对园区整体能耗异常进行判断。
进一步地,所述用户能耗异常分析的过程包括:
对用户历史能耗数据按日期进行分组,对每个分组进行耗能离散度分析,获取每个分组的离散度系数;
根据当前日期耗能状态及其所在分组的离散度系数的大小执行不同的判断策略。
进一步地,所述耗能离散度分析的过程包括:
通过公式:
计算获得每个分组的离散度系数sE;
其中,n为该分组历史数据量,i=1、2、…、n;Ei为第i个历史数据的耗能系数,为所有历史数据耗能系数均值,max(eci)为第i个历史数据的耗能最大值,/>为第i个历史数据的耗能均值,τ为调整系数;
通过公式:
计算当前日期t时间点的耗能系数Et(t);
其中,ec(t)为实时耗能曲线,max(ec(t))为t0~t时段ec(t)的最大值,t0为当前日期起始时间点;
通过公式:
计算获得耗能超差量ΔE,并将ΔE与预设超差阈值ΔE1进行比对:
若ΔE<ΔE1,则判断该用户耗能状况正常;
若ΔE≥ΔE1,则将当天日期对应分组的离散度系数sE与预设离散度阈值s1进行比对:
若sE≤s1,则判断该用户耗能状况异常,并发送异常信息给用户核对;
若sE>s1,则根据ec(t)的变动状况判断用户耗能状况。
进一步地,根据ec(t)的变动状况判断用户耗能状况的过程包括:
对进行求解,获取若干个时间区间组;
其中,k1为预设速率阈值;
若存在时间区间持续时长大于预设时长T1,则判断该用户耗能状况异常,并发送异常信息给用户核对;
否则,保持实时监测。
进一步地,对公共设备运行异常状态进行判断的过程包括:
获取每个公共设备的历史控制功率数据及历史耗能数据,根据历史控制功率数据及历史耗能数据拟合出公共设备的效率变化曲线;
根据每个公共设备的效率变化曲线判断公共设备状态及对公共设备耗能状态异常进行判断。
进一步地,公共设备效率变化曲线拟合的过程包括:
按照不同的环境温度划分时间区间;
通过公式:
计算获得划分的第j时间区间第k个公共设备效率变化曲线μjk(t),按照预设间隔采集所有μjk(t)上的点,根据采集的点进行拟合,确定公共设备效率变化曲线μk(t);
其中,pkj(t)为第j时间区间第k个公共设备的控制功率曲线,fc为第k个公共设备所述类别对应的耗能转化函数,cj(t)为第j时间区间第k个公共设备的实时耗能曲线,Tj为第j时间区间的温度中间值,fT为第k个公共设备所述类别对应的温度对该类设备的影响函数。
进一步地,根据μk(t)判断公共设备状态的过程包括:
通过公式:
计算获得第k个设备的异常系数Yk(t),将异常系数Yk(t)与预设阈值Y1k进行比对:
若Yk(t)>Y1k,则判断该设备状态异常;
其中,表示t时间点之前预设时段/>的最大值,Δt为预设时段,σk为第k个设备所述类别对应的修正系数。
进一步地,对公共设备耗能状态异常进行判断的过程包括:
通过公式:
Gk(t)=fck(pk(t))-fck(pk(t))*μk(t)*fTk(T(t))-ck(t)
计算获得第k个公共设备t时间点的误差系数Gk(t);
若Gk(t)>G1k,则判断该公共设备耗能状态异常;
其中,T(t)为当前时间点的温度,pk(t)为第k个设备的控制功率曲线,ck(t)为第k个设备的实时耗能曲线,G1k为第k个设备所属类别的允许最大误差值。
本发明的有益效果:
(1)本发明通过安全管理中心根据实时获取的园区用户的能耗数据与用户历史能耗数据进行用户能耗异常分析,能够结合用户的历史用电确定该用户的耗能特征,进而在当前该用户耗能状态相对与其历史耗能特征出现明显差别时及时发出通知,进而协助用户对其耗能状态进行判断及管理,此过程不需要对接用户设备的运行数据,能够对耗能异常进行判断。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于大数据的智慧园区安全管理***的逻辑框图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,在一个实施例中,提供了一种基于大数据的智慧园区安全管理***,该***通过公共设备运行监测模块及用户数据接入端,分别对公共设备的耗能异常状态及用户耗能风险进行判断,其中公共设备运行监测模块用于实时监测园区公共设备的状态参数及用电能耗数据,用户数据接入端用于实时采集园区各个用户的能耗数据,进而实现对园区耗能异常的准确判断,其中在具体判断的过程中,通过安全管理中心根据实时获取的园区用户的能耗数据与用户历史能耗数据进行用户能耗异常分析,能够结合用户的历史用电确定该用户的耗能特征,进而在当前该用户耗能状态相对与其历史耗能特征出现明显差别时及时发出通知,进而协助用户对其耗能状态进行判断及管理,此过程不需要对接用户设备的运行数据,能够对耗能异常进行判断;另外,本实施例通过根据园区公共设备的用电能耗数据及状态参数对公共设备运行异常状态进行判断,能够针对设备的历史损耗状况及当前的环境因素进行综合判断,进而提高了对公用设备耗能异常判断的准确性;另外本实施例还设置了实时能耗监测模块用于实时监测园区的总用电能耗数据,通过安全管理中心根据总用电能耗数据对园区整体能耗异常进行判断,能够对园区偷电漏电等问题进行及时的判断,保证了园区的用电安全性。
需要说明的是,本实施例中的用户指的是园区企业用户。
另外,用户能耗异常分析的过程包括:对用户历史能耗数据按日期进行分组,具体按工作日、周六、周日进行划分,对每个分组进行耗能离散度分析,获取每个分组的离散度系数;根据当前日期耗能状态及其所在分组的离散度系数的大小执行不同的判断策略,对于离散度较小的用户,说明其用电状态较为稳定,因此当其出现较大波动时,说明其存在异常风险较大,而对于离散度较大的用,说明其用电状态不稳定,因此需要进一步判断;其中,耗能离散度分析的过程包括:通过公式:
计算获得每个分组的离散度系数sE;其中,n为该分组历史数据量,i=1、2、…、n;Ei为第i个历史数据的耗能系数,E为所有历史数据耗能系数均值,max(eci)为第i个历史数据的耗能最大值,为第i个历史数据的耗能均值,τ为调整系数,其根据经验数据选择设定;因此获取的离散度系数sE能够反映改用户的耗能稳定性状态;之后再通过公式:
计算当前日期t时间点的耗能系数Et(t);其中,ec(t)为实时耗能曲线,max(ec(t))为t0~t时段ec(t)的最大值,t0为当前日期起始时间点;再通过公式:
计算获得耗能超差量ΔE,并将jE与预设超差阈值ΔE1进行比对,预设超差阈值ΔE1根据经验数据拟合设定,因此若ΔE<ΔE1,则说明该用户当前耗能状况在合理的范围内,因此判断该用户耗能状况正常;若ΔE≥ΔE1,则说明该用户当前耗能状况超出合理的范围,因此将当天日期对应分组的离散度系数sE与预设离散度阈值s1进行比对:若sE≤s1,则说明该用户的历史耗能状况较为稳定,此时出现超差量较大的问题,因此判断该用户耗能状况异常,并发送异常信息给用户核对;若sE>s1,则根据ec(t)的变动状况判断用户耗能状况,具体的判断过程包括:对进行求解,获取若干个时间区间组;其中,k1为预设速率阈值,T1为预设时长,其均根据经验数据选择设定,若存在时间区间持续时长大于预设时长T1,则说明用户耗能状态存在异常风险较大,因此判断该用户耗能状况异常,并发送异常信息给用户核对;否则,保持实时监测;通过上述对用户耗能风险的判断过程,相对直接阈值比对判断的方式,本实施例能够更加灵敏且准确的对风险进行判断,进而协助园区用户对耗能状态进行有效的管理。
作为本发明的一种实施方式,对公共设备运行异常状态进行判断的过程包括:获取每个公共设备的历史控制功率数据及历史耗能数据,根据历史控制功率数据及历史耗能数据拟合出公共设备的效率变化曲线;根据每个公共设备的效率变化曲线判断公共设备状态及对公共设备耗能状态异常进行判断,需要说明的是,本申请针对园区内耗电状况较大的设备,例如空调设备、空气净化设备,其中各公共设备效率变化曲线拟合的过程包括:按照不同的环境温度划分时间区间,该过程根据不同温度条件下公用设备的状态影响经验数据选择设定,需要说明的是,对设备耗能影响的环境因素有多个,但温度对其影响原高于其他环境因素的影响,因此本实施例仅考虑温度因素的影响,通过公式:
计算获得划分的第j时间区间第k个公共设备效率变化曲线μjk(t),其中,pkj(t)为第j时间区间第k个公共设备的控制功率曲线,fc为第k个公共设备所述类别对应的耗能转化函数,其根据该类数据的测试数据拟合获得,cj(t)为第j时间区间第k个公共设备的实时耗能曲线,Tj为第j时间区间的温度中间值,fT为第k个公共设备所述类别对应的温度对该类设备的影响函数,其根据不同温度梯度下的测试数据拟合获得,因此μjk(t)反映了该区间温度状态下的效率变化状况,按照预设间隔采集所有μjk(t)上的点,根据采集的点进行拟合,确定公共设备效率变化曲线μk(t);在此基础上,通过公式:
计算获得第k个设备的异常系数Yk(t),其中,表示t时间点之前预设时段/>的最大值,Δt为预设时段,σk为第k个设备所述类别对应的修正系数,其根据该类设备的经验数据拟定,因此通过异常系数Yk(t)的大小,进而实现对该设备运行耗能异常与否的判断,将异常系数Yk(t)与预设阈值Y1k进行比对,预设阈值Y1k根据第k个设备所述类别设备的经验数据拟合获得,因此若Yk(t)>Y1k,则判断该设备状态异常。
另外,本实施例对公共设备耗能状态异常进行判断的过程包括:通过公式:
Gk(t)=fck(pk(t))-fck(pk(t))*μk(t)*fTk(T(t))-ck(t)
计算获得第k个公共设备t时间点的误差系数Gk(t),其中,T(t)为当前时间点的温度,pk(t)为第k个设备的控制功率曲线,ck(t)为第k个设备的实时耗能曲线,G1k为第k个设备所属类别的允许最大误差值,其第k个设备所述类别设备的经验数据拟合获得,因此当Gk(t)>G1k时,则判断该公共设备耗能状态异常,进而通过上述过程实现对公共设备耗能状态的准确判断过程。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于大数据的智慧园区安全管理***,其特征在于,所述***包括:
实时能耗监测模块,用于实时监测园区的总用电能耗数据;
公共设备运行监测模块,用于实时监测园区公共设备的状态参数及用电能耗数据;
用户数据接入端,用于实时采集园区各个用户的能耗数据;
安全管理中心,用于根据实时获取的园区用户的能耗数据与用户历史能耗数据进行用户能耗异常分析,根据用户能耗异常分析结果判断用户能耗异常状态;及根据园区公共设备的用电能耗数据及状态参数对公共设备运行异常状态进行判断,及根据总用电能耗数据对园区整体能耗异常进行判断。
2.根据权利要求1所述的一种基于大数据的智慧园区安全管理***,其特征在于,所述用户能耗异常分析的过程包括:
对用户历史能耗数据按日期进行分组,对每个分组进行耗能离散度分析,获取每个分组的离散度系数;
根据当前日期耗能状态及其所在分组的离散度系数的大小执行不同的判断策略。
3.根据权利要求2所述的一种基于大数据的智慧园区安全管理***,其特征在于,所述耗能离散度分析的过程包括:
通过公式:
计算获得每个分组的离散度系数sE;
其中,n为该分组历史数据量,i=1、2、…、n;Ei为第i个历史数据的耗能系数,为所有历史数据耗能系数均值,max(eci)为第i个历史数据的耗能最大值,/>为第i个历史数据的耗能均值,τ为调整系数;
通过公式:
计算当前日期t时间点的耗能系数Et(t);
其中,ec(t)为实时耗能曲线,max(ec(t))为t0~t时段ec(t)的最大值,t0为当前日期起始时间点;
通过公式:
计算获得耗能超差量ΔE,并将ΔE与预设超差阈值ΔE1进行比对:
若ΔE<ΔE1,则判断该用户耗能状况正常;
若ΔE≥ΔE1,则将当天日期对应分组的离散度系数sE与预设离散度阈值s1进行比对:
若sE≤s1,则判断该用户耗能状况异常,并发送异常信息给用户核对;
若sE>s1,则根据ec(t)的变动状况判断用户耗能状况。
4.根据权利要求3所述的一种基于大数据的智慧园区安全管理***,其特征在于,根据ec(t)的变动状况判断用户耗能状况的过程包括:
对进行求解,获取若干个时间区间组;
其中,k1为预设速率阈值;
若存在时间区间持续时长大于预设时长T1,则判断该用户耗能状况异常,并发送异常信息给用户核对;
否则,保持实时监测。
5.根据权利要求1所述的一种基于大数据的智慧园区安全管理***,其特征在于,对公共设备运行异常状态进行判断的过程包括:
获取每个公共设备的历史控制功率数据及历史耗能数据,根据历史控制功率数据及历史耗能数据拟合出公共设备的效率变化曲线;
根据每个公共设备的效率变化曲线判断公共设备状态及对公共设备耗能状态异常进行判断。
6.根据权利要求5所述的一种基于大数据的智慧园区安全管理***,其特征在于,公共设备效率变化曲线拟合的过程包括:
按照不同的环境温度划分时间区间;
通过公式:
计算获得划分的第j时间区间第k个公共设备效率变化曲线μjk(t),按照预设间隔采集所有μjk(t)上的点,根据采集的点进行拟合,确定公共设备效率变化曲线μk(t);
其中,pkj(t)为第j时间区间第k个公共设备的控制功率曲线,fc为第k个公共设备所述类别对应的耗能转化函数,cj(t)为第j时间区间第k个公共设备的实时耗能曲线,Tj为第j时间区间的温度中间值,fT为第k个公共设备所述类别对应的温度对该类设备的影响函数。
7.根据权利要求6所述的一种基于大数据的智慧园区安全管理***,其特征在于,根据μk(t)判断公共设备状态的过程包括:
通过公式:
计算获得第k个设备的异常系数Yk(t),将异常系数Yk(t)与预设阈值Y1k进行比对:
若Yk(t)>Y1k,则判断该设备状态异常;
其中,表示t时间点之前预设时段/>的最大值,Δt为预设时段,σk为第k个设备所述类别对应的修正系数。
8.根据权利要求6所述的一种基于大数据的智慧园区安全管理***,其特征在于,对公共设备耗能状态异常进行判断的过程包括:
通过公式:
Gk(t)=fck(pk(t))-fck(pk(t))*μk(t)*fTk(T(t))-ck(t)
计算获得第k个公共设备t时间点的误差系数Gk(t);
若Gk(t)>G1k,则判断该公共设备耗能状态异常;
其中,T(t)为当前时间点的温度,pk(t)为第k个设备的控制功率曲线,ck(t)为第k个设备的实时耗能曲线,G1k为第k个设备所属类别的允许最大误差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311828002.5A CN117807541A (zh) | 2023-12-28 | 2023-12-28 | 一种基于大数据的智慧园区安全管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311828002.5A CN117807541A (zh) | 2023-12-28 | 2023-12-28 | 一种基于大数据的智慧园区安全管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117807541A true CN117807541A (zh) | 2024-04-02 |
Family
ID=90422964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311828002.5A Pending CN117807541A (zh) | 2023-12-28 | 2023-12-28 | 一种基于大数据的智慧园区安全管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052593A (zh) * | 2024-04-16 | 2024-05-17 | 四川邕合科技有限公司 | 一种基于大数据的园区异常用能用户识别方法及*** |
-
2023
- 2023-12-28 CN CN202311828002.5A patent/CN117807541A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052593A (zh) * | 2024-04-16 | 2024-05-17 | 四川邕合科技有限公司 | 一种基于大数据的园区异常用能用户识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4325683A1 (en) | Distributed flexible resource aggregation control apparatus and control method | |
CN109495502B (zh) | 一种工控网络安全健康指数评估方法和装置 | |
CN117807541A (zh) | 一种基于大数据的智慧园区安全管理*** | |
US20230175652A1 (en) | Safety monitoring methods and internet of things systems of pipe network reliability degree based on intelligent gas | |
CN111522864B (zh) | 基于用电数据的企业生产模式识别及转移生产预警方法 | |
CN117057670A (zh) | 基于物联网的物业智能能源管理*** | |
CN112650580B (zh) | 一种基于边缘计算的工业大数据监测*** | |
CN114801751A (zh) | 一种基于数据分析的汽车电池故障预测*** | |
CN117013606B (zh) | 一种基于人工智能的光伏发电智能储能控制*** | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN113128867B (zh) | 一种售电偏差管理***及其方法 | |
CN114564683A (zh) | 园区智慧用电监测*** | |
CN102095953B (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN116863723B (zh) | 一种数字孪生基座的使用方法 | |
CN117799597A (zh) | 一种混合动力拖拉机分布式驱动*** | |
CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
CN111968008A (zh) | 基于多能协作的综合能源监控***及方法 | |
CN105809257A (zh) | 一种基于电力通信网络的触发式状态检修方法 | |
CN110599245A (zh) | 一种工程项目造价数据管理*** | |
CN115858281A (zh) | 一种基于物联网的能耗管理***及方法 | |
CN110474988B (zh) | 一种新能源的远程监控*** | |
EP3521947A1 (de) | Energiemanagementverfahren | |
CN106247546B (zh) | 一种中央空调用能精细化定额的实现方法及调节装置 | |
CN116452367B (zh) | 一种智能供电管理*** | |
CN117540330B (zh) | 基于自学习功能的配电柜*** |
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 |