CN104715156B - 一种建筑节能潜力动态评估方法 - Google Patents
一种建筑节能潜力动态评估方法 Download PDFInfo
- Publication number
- CN104715156B CN104715156B CN201510131472.5A CN201510131472A CN104715156B CN 104715156 B CN104715156 B CN 104715156B CN 201510131472 A CN201510131472 A CN 201510131472A CN 104715156 B CN104715156 B CN 104715156B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- factor
- angle value
- consumption data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种建筑节能潜力动态评估方法。该方法通过历史同期能耗数据和能耗环境因子数据计算能耗影响因子和能耗数据的关联度值,然后选取关联度值最大的能耗环境因子,计算各个时间段内最优能耗数据点并构建各个时间段内的关联度值最大的能耗影响因子与能耗数据之间的回归方程,根据得到的回归方程计算当前能耗环境因子数据下的标准能耗数据,最后计算当前能耗数据、标准能耗数据与最优能耗数据的差值。相比于现有技术,本发明的方法最优能耗数据更为合理准确,突破了原有静态对标比较等方法中的诸多不足。
Description
技术领域
本发明涉及本发明涉及建筑能源管理与动态建模评估技术。
背景技术
在我国目前的能耗结构中,建筑所造成的能源消耗已占我国总的商品能耗的20%~30%。在建筑的全生命周期中,建筑材料和建造过程所消耗的能源一般只占其总的能源消耗的20%左右,大部分能源消耗发生在建筑物运行过程中。根据建筑能耗特点的不同,建筑可分为三类:住宅建筑,一般性非住宅建筑和大型公共建筑。根据对大量数据的研究,大型公共建筑的单位面积能耗是前两类建筑的4~8倍,具有很大的节能潜力。
20世纪70年代前后,许多西方国家就开始采用统一的方法在全国范围内进行公共建筑能耗统计工作。早在1976年英国政府就开始对建筑物进行能耗调查,通过多年的收集与分析,建成了包括建筑类型,用能设备模型等详细能耗信息数据库;同期,美国也通过国家标准局对建筑能耗进行统计与分析,目前,美国已经建成了建筑能耗信息数据库,该数据库被广泛应用;日本是个能源匮乏的国家,应此日本对能耗监管非常重视,日本用能技术综合管理协会每年都要对其会员单位能耗进行统计与分析,日本能量中心每年都会公布一些地方大型公共建筑的能耗信息;而我们国家目前尚无完善的建筑能耗数据库。
国外在上世纪70年代开始研究与推行BAS(建筑智能控制系统)实现建筑节能。我国自上世纪90年代才引进国外BAS推广建筑节能,但目前我国建筑实际智能控制和能源管控水平远落后于发达国家,尤其在大型公共建筑(群)领域,我国相关企业提供用能管控和智能控制一体化管控的能力薄弱。
目前,能够提供大型公共建筑用能管理(管控)系统的国外厂家主要有霍尼韦尔、西门子、江森自控、施耐德等,国内主要有清华同方、江苏联宏等。国外产品如霍尼韦尔的Dashboard用能管控系统,是在基于BACnet和LonWorks国际标准技术的BAS之上实现对各种用能电气设备的可靠性控制,但只能实现简单能耗监测和数据管理分析,因缺乏全面和高精度的用能数据采集和分析,影响控制策略节能效率,所以国外知名BAS厂家都已成立能源管理部,开展BAS与能源管理融合的研究和开发,对建筑节能进行动态评估已成为国际技术热点。国内产品如清华同方的ezEMS能源(用能)管理系统,是基于分类分项的能耗监测软件,对建筑内部各项能耗相关信息的采集、数据统计、分析、对比及报表汇总等功能,但缺乏海量数据存储和管理、能耗异常建模分析、无法进行建筑节能进行动态评估,缺乏与国外产品竞争实力。
根据外界环境变化,采用智能建筑自适应评估技术才能及时发现耗能异常;通过控制策略节能效益模拟技术,大大调整控制策略的效率,实现节能效益可预测。
发明内容
本发明所要解决的问题:对建筑能耗进行节能评估,以便于对建筑能耗进行更好更合理的管理和控制从而使其达到最佳的节能效果。
为解决上述问题,本发明采用的方案如下:
一种建筑节能潜力动态评估方法,包括以下步骤:
S1:获取能耗节点的各个时间段内的历史同期能耗数据和历史同期能耗环境因子数据;
S2:根据各时间段内的历史同期能耗数据和历史同期能耗环境因子数据,计算相应时间段内的各个能耗影响因子和能耗数据的关联度值;
S3:选取各时间段内能耗影响因子和能耗的关联度值最大的能耗影响因子;
S4:根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,计算各个时间段内的最优能耗数据点;
S5:以关联度值最大的能耗影响因子作为自变量、能耗数据为因变量,根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,构建各个时间段内的关联度值最大的能耗影响因子与能耗数据之间的回归方程;
S6:根据所述的回归方程计算当前能耗环境因子数据下的标准能耗数据;
S7:计算当前能耗数据、标准能耗数据与最优能耗数据的差值。
进一步,根据本发明的建筑节能潜力动态评估方法,所述步骤S2中计算各个能耗影响因子和能耗数据的关联度值采用如下公式进行计算:
其中,x为历史同期能耗影响因子数据,y为历史同期能耗数据,r为能耗影响因子和能耗数据的关联度值。
进一步,根据本发明的建筑节能潜力动态评估方法,所述步骤S4中计算最优能耗数据包括以下步骤:
S41:计算时间段内关联度值最大的能耗影响因子的历史同期能耗环境因子数据的均值和历史同期能耗数据的均值,得到均值点M;
S42:采用欧式距离公式计算时间段内各个历史同期数据点与均值点M的距离;
S43:选取与均值点距离最小的数据点作为最优能耗数据点。
进一步,根据本发明的建筑节能潜力动态评估方法,所述步骤S2中计算各个能耗影响因子和能耗数据的关联度值时,首先计算各个能耗影响因子和各单项能耗数据的关联度值,然后取平均值作为该能耗影响因子与能耗数据的关联度值。
本发明的技术效果如下:本发明通过计算能耗环境因子与能耗数据的关联度值计算最优能耗数据点再结合回归分析方法计算标准能耗。与现有技术相比,本发明方法得到的最优能耗更加合理和准确,得到的能耗差距更能够准确反映节能潜力,为更好更合理地管理和控制能源消耗提供决策依据,从而使其达到最佳的节能效果。
具体实施方式
下面对本发明做进一步详细说明。
本实施例是建筑能源管理系统中用于对建筑进行节能潜力进行动态评估的方法。建筑能源管理系统包括智能能耗数据采集系统。智能能耗数据采集系统通过RS-485,KNX,WebService,ODBC等多种总线与数据接口实时获取能耗,环境测量,状态数据等,形成历史能耗数据库。历史能耗数据库中存储有能耗节点基本信息以及与能耗节点对应的历史能耗和历史能耗影响因子数据等数据。能耗节点基本信息通常包括:标识号、地点、类型等能耗节点的静态属性信息。能耗影响因子是对能耗产生影响的因素,比如:环境温度、湿度。不同的建筑下,能耗影响因子有所不同。比如在医院中,能耗影响因子还包括人流量、床位信息。再比如在商场内能耗影响因子除了人流量之外还可能包括商场的销售额等信息。显而意见地,环境温度和湿度等气象数据会对建筑的能耗造成相当大的影响。此外,在商场或医院中,人流量也是一个不可或缺的因素。这些对建筑能耗造成影响的因素通称为能耗影响因子。能耗影响因子数据是这些能耗影响因子的具体数据值。本实施例中,智能能耗数据采集系统对能耗数据以及能耗影响因子数据的采集以一小时为间隔。也就是,智能能耗数据采集系统每隔一小时采集一次各个能耗节点的能耗数据和能耗影响因子数据等实时数据存入数据库内,形成历史能耗数据库。采集到的能耗数据为能耗节点在这一小时内消耗的能源,包括但不限于:照明能耗、空调能耗等等。当然,本领域技术人员理解,时间间隔也可以是五分钟、十五分钟、半小时等其他时间长度。本实施例中智能能耗数据采集系统之所以称为智能是因为该系统除了用于采集实时数据之外,还对实时数据进行特征波形诊断,拓扑检查方法检测负荷的变化规律,并对异常数据进行修补。本实施例的建筑节能潜力进行动态评估的方法是对智能能耗数据采集系统采集到的数据进行分析的过程。因此,智能能耗数据采集系统对实时数据的特征波形诊断、数据修补等实现不是本发明和本实施例所讨论的范畴,不再赘述。本实施例的建筑节能潜力进行动态评估的方法主要包括以下步骤:
S1:获取能耗节点的各个时间段内的历史同期能耗数据和历史同期能耗环境因子数据;
S2:根据各时间段内的历史同期能耗数据和历史同期能耗环境因子数据,计算相应时间段内的各个能耗影响因子和能耗数据的关联度值;
S3:选取各时间段内能耗影响因子和能耗的关联度值最大的能耗影响因子;
S4:根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,计算各个时间段内的最优能耗数据点;
S5:以关联度值最大的能耗影响因子作为自变量、能耗数据为因变量,根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,构建各个时间段内的关联度值最大的能耗影响因子与能耗数据之间的回归方程;
S6:根据所述的回归方程计算当前能耗环境因子数据下的标准能耗数据;
S7:计算当前能耗数据、标准能耗数据与最优能耗数据的差值。
其中步骤S1中的历史同期能耗数据和历史同期能耗环境因子数据自上述的智能能耗数据采集系统所形成的历史能耗数据库,不再赘述。步骤S1中时间段的选择依赖于评估目的和评估计划。时间段可以以天为单位,每天24小时,对每天的各个小时内的节能潜力进行评估。时间段也可以按作息时间进行,比如将每天分成4个时间段:9~12点,12~18点,18~22点,22~9点。时间段也可以按星期为单位,评估每个星期内各个日子的节能潜力。时间段也可以按月为单位,评估每个月内各个日子的节能潜力。本实施例以每天24小时,对某个能耗节点的每天各小时内的节能评估进行举例说明。假设数据库中存储有该能耗节点180天的历史能耗数据和历史能耗环境因子数据。该能耗节点有三种单项能耗和三个能耗环境因子。三种单项能耗分别为:照明能耗、空调能耗、设备能耗。三个静态能耗环境因子分别为环境温度、环境湿度和人流量。相应地,历史能耗数据包括:历史照明能耗数据、历史空调能耗数据和历史设备能耗数据。历史能耗环境因子数据包括历史环境温度数据、历史环境湿度数据和历史人流量数据。每天各小时的历史同期能耗数据和历史同期能耗环境因子数据为:
历史同期照明能耗数据Li={l1,l2,l3,......,l180};
历史同期空调能耗数据Ai={a1,a2,a3,......,a180};
历史同期设备能耗数据Si={s1,s2,s3,......,s180};
历史同期环境温度数据Ti={t1,t2,t3,......,t180};
历史同期环境湿度数据Wi={w1,w2,w3,......,w180};
历史同期人流量数据Ci={c1,c2,c3,......,c180}。
上述历史同期照明能耗数据Li、历史同期空调能耗数据Ai、历史同期设备能耗数据Si、历史同期环境温度数据Ti、历史同期环境湿度数据Wi、历史同期人流量数据Ci中的下标i表示第i个小时,下标i取值范围为[1..24]。本实施例下面根据上述数据对上述步骤S2-S7做举例说明和解析。
一、关联度值的计算和关联度值最大的能耗影响因子
关联度值的计算即为前述步骤S2,输入为步骤S1获得的历史同期能耗和历史同期能耗影响因子数据,输出为各个时间段内的各个能耗影响因子和能耗数据的关联度值。能耗影响因子和能耗数据的关联度值采用关联度值公式进行计算。关联度值公式定义为该公式中,x为历史同期能耗影响因子数据,y为历史同期能耗数据,r为能耗影响因子和能耗数据的关联度值。由于本实施例中存在三种单项能耗数据,和三个能耗环境因子,因此首先可以考虑计算能耗环境因子与单项能耗数据之间的关联度值,然后取平均值作为该能耗影响因子与能耗数据的关联度值。由此可以计算得到以下9个关联度值:
环境温度和照明能耗数据的关联度值
环境湿度和照明能耗数据的关联度值
人流量和照明能耗数据的关联度值
环境温度和空调能耗数据的关联度值
环境湿度和空调能耗数据的关联度值
人流量和空调能耗数据的关联度值
环境温度和设备能耗数据的关联度值
环境湿度和设备能耗数据的关联度值
人流量和设备能耗数据的关联度值
将各能耗影响因子与各单项能耗数据之间的关联度值取均值后可以计算出各能耗影响因子与能耗数据的关联度值:
环境温度与能耗数据的关联度值
环境湿度与能耗数据的关联度值
人流量与能耗数据的关联度值
需要说明的是上述得到的关联度值是某个时间段的数据。本实施例中,一天24小时,可以得到24个上述关联度值数据:
环境温度与能耗数据的关联度值RT={rT,1,rT,2,rT,3,...,rT,24};
环境湿度与能耗数据的关联度值RW={rW,1,rW,2,rW,3,...,rW,24};
人流量与能耗数据的关联度值RC={rC,1,rC,2,rC,3,...,rC,24}。
上述的关联度值数据也可以表示成:P={P1,P2,P3,...,P24},其中Pi表示第i个小时的能耗影响因子和能耗数据的关联度值数据,Pi={rT,i,rW,i,rC,i}。
得到上述关联度值数据P后可以计算各个小时的关联度值最大的影响因子。比如Pi中有rT,i>rW,i>rC,i,则在第i时间段(小时)内关联度值最大的影响因子是环境温度。
二、最优能耗数据的计算
本步骤即为前述步骤S4。计算最优能耗数据包括以下步骤:
S41:计算时间段内关联度值最大的能耗影响因子的历史同期能耗环境因子数据的均值和历史同期能耗数据的均值,得到均值点M;
S42:采用欧式距离公式计算时间段内各个历史同期数据点与均值点M的距离;
S43:选取与均值点距离最小的数据点作为最优能耗数据点。
以第i个时间段(小时)的能耗影响因子和能耗数据的关联度值数据Pi={rT,i,rW,i,rC,i}为例,假设rT,i>rW,i>rC,i,则在第i时间段(小时)内关联度值最大的影响因子是环境温度。则,均值点M可以表示为:M={LM,AM,SM,TM};其中,LM为历史同期照明能耗数据的均值,AM为历史同期空调能耗数据的均值,SM为历史同期设备能耗数据的均值,TM为史同期环境温度数据的均值。即有:然后采用欧式距离公式计算时间段内各个历史同期数据点与均值点M的距离。各个历史同期数据点可以表示成{li,ai,si,ti},则各个历史同期数据点与均值点M的距离di采用欧式距离公式计算有:由此可以得到180个距离值:D={d1,d2,d3,......,d180}。最后选取与均值点距离最小的数据点作为最优能耗数据点。即,假设有dm=min{d1,d2,d3,......,d180},则最优能耗数据点为:{lm,am,sm,tm},这里m取值于[1..180]。
三、构建回归方程
本步骤即为前述步骤S5。以人流量这一能耗环境因子为例。假设本实施例的能耗节点来自某一商场,显而意见地,对于商场来说,商场人流量越大,能耗相应地也越大。这一关系可以简单的用线性函数表示y=ax+b。这里y表示能耗,x表示人流量,a和b分别是两个待定的参数。于是本步骤的任务即为:以历史同期能耗环境因子数据和历史同期能耗数据作为样本数据,通过回归分析获得两个待定参数a和b具体的值。由于能耗与人流量之间是线性关系,因此,这里的回归分析也就是线性回归,结合最小二乘法,本领域技术人员很容易可以计算出待定参数a和b具体的值,不再赘述。对于其他的能耗环境因子而言,比如环境温度,能耗与环境温度之间的关系不能通过简单的线性函数表达,则需要采用更为复杂的函数。显而易见地,不同的能耗环境因子与能耗之间需要用不同的函数表达,而且在不同的场合下需要用不同的函数表达,本说明书显然不可能列举各种能耗环境因子与能耗之间的函数关系。本步骤依赖于各种不同的函数。对于某一具体的函数而言,本领域技术人员,对其进行回归分析并不困难,因此,本说明书不再赘述。
四、计算标准能耗和差值
本步骤即为前述步骤S6和步骤S7。经步骤S5回归分析得到回归方程后,很容易计算当前能耗环境因子下的标准能耗。比如以上述能耗与人流量得到的回归方程y=ax+b为例,将当前的人流量数据带入回归方程即可计算出标准能耗y值。得到标准能耗数据后,即可与最优能耗数据相减得到差值,也可以将当前能耗数据与最优能耗数据相减得到差值。得到的差值即为节能潜力。
需要指出的是,本实施例仅仅是本发明最佳实施方式之一,凡是采用等同替换或等效变换的方式而形成的技术方案均符合本发明的精神,落在本发明权利要求保护的范围内。
Claims (4)
1.一种建筑节能潜力动态评估方法,其特征在于,包括以下步骤:
S1:获取能耗节点的各个时间段内的历史同期能耗数据和历史同期能耗环境因子数据;
S2:根据各时间段内的历史同期能耗数据和历史同期能耗环境因子数据,计算相应时间段内的各个能耗影响因子和能耗数据的关联度值;
S3:选取各时间段内能耗影响因子和能耗的关联度值最大的能耗影响因子;
S4:根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,计算各个时间段内的最优能耗数据点;
S5:以关联度值最大的能耗影响因子作为自变量、能耗数据为因变量,根据关联度值最大的能耗影响因子的历史同期能耗环境因子数据和历史同期能耗数据,构建各个时间段内的关联度值最大的能耗影响因子与能耗数据之间的回归方程;
S6:根据所述的回归方程计算当前能耗环境因子数据下的标准能耗数据;
S7:计算当前能耗数据、标准能耗数据与最优能耗数据的差值。
2.如权利要求1所述的建筑节能潜力动态评估方法,其特征在于,所述步骤S2中计算各个能耗影响因子和能耗数据的关联度值采用如下公式进行计算:
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
其中,x为历史同期能耗影响因子数据,y为历史同期能耗数据,r为能耗影响因子和能耗数据的关联度值。
3.如权利要求1所述的建筑节能潜力动态评估方法,其特征在于,所述步骤S4中计算最优能耗数据包括以下步骤:
S41:计算时间段内关联度值最大的能耗影响因子的历史同期能耗环境因子数据的均值和历史同期能耗数据的均值,得到均值点M;
S42:采用欧式距离公式计算时间段内各个历史同期数据点与均值点M的距离;
S43:选取与均值点距离最小的数据点作为最优能耗数据点。
4.如权利要求1所述的建筑节能潜力动态评估方法,其特征在于,所述步骤S2中计算各个能耗影响因子和能耗数据的关联度值时,首先计算各个能耗影响因子和各单项能耗数据的关联度值,然后取平均值作为该能耗影响因子与能耗数据的关联度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131472.5A CN104715156B (zh) | 2015-03-24 | 2015-03-24 | 一种建筑节能潜力动态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510131472.5A CN104715156B (zh) | 2015-03-24 | 2015-03-24 | 一种建筑节能潜力动态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104715156A CN104715156A (zh) | 2015-06-17 |
CN104715156B true CN104715156B (zh) | 2017-10-13 |
Family
ID=53414479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510131472.5A Active CN104715156B (zh) | 2015-03-24 | 2015-03-24 | 一种建筑节能潜力动态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104715156B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154281A (zh) * | 2016-12-06 | 2018-06-12 | 中国石油天然气股份有限公司 | 一种天然气净化厂能源消耗评价方法及装置 |
CN108171392A (zh) * | 2017-05-19 | 2018-06-15 | 国网甘肃省电力公司电力科学研究院 | 一种公共建筑综合能耗评估方法 |
CN108663574A (zh) * | 2017-09-30 | 2018-10-16 | 国网上海市电力公司 | 一种低压台区降损能力的评判方法 |
CN110555057A (zh) * | 2019-08-19 | 2019-12-10 | 武汉世纪楚林科技有限公司 | 节能大数据分析方法、装置、终端设备及存储介质 |
CN111080135A (zh) * | 2019-12-19 | 2020-04-28 | 江苏联宏智慧能源股份有限公司 | 一种动态增量能耗数据的处理方法、设备及可读存储介质 |
CN111861246B (zh) * | 2020-07-28 | 2022-09-09 | 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系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5667483B2 (ja) * | 2011-03-17 | 2015-02-12 | アズビル株式会社 | 建物設備運用状態評価方法および装置 |
CN102419585A (zh) * | 2011-12-08 | 2012-04-18 | 安徽泰格电气科技股份有限公司 | 建筑能耗监测系统 |
CN103544399A (zh) * | 2013-11-04 | 2014-01-29 | 牛丽仙 | 一种基于灰色关联的建筑用电节能管理方法 |
-
2015
- 2015-03-24 CN CN201510131472.5A patent/CN104715156B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104715156A (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715156B (zh) | 一种建筑节能潜力动态评估方法 | |
CN106096726B (zh) | 一种非侵入式负荷监测方法及装置 | |
CN102866321B (zh) | 一种自适应的防窃漏电诊断方法 | |
CN105811402B (zh) | 一种电力负荷预测系统及其预测方法 | |
Jota et al. | Building load management using cluster and statistical analyses | |
CN111291076B (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN106093652A (zh) | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 | |
CN107679634A (zh) | 一种基于数据可视化的供电故障报修分析和预测的方法 | |
CN106600447B (zh) | 一种变电站巡检机器人集中监控系统大数据云分析方法 | |
CN103413253A (zh) | 一种基于经济、气象因素的年最大负荷分类预测方法 | |
CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
CN105320123A (zh) | 一种基于在线监测数据的测控设备健康状态评价系统和方法 | |
CN106570635B (zh) | 电压合格率多维度分析方法 | |
CN105654393A (zh) | 配电网园区能效管理服务系统 | |
CN115528817A (zh) | 一种用户端智能配用电系统、方法、介质、设备及终端 | |
AU2016201731A1 (en) | Analytics in a utility infrastructure | |
CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
CN117077899A (zh) | 一种智慧园区耗能异常监测分析方法、系统、终端及介质 | |
Stoyanova et al. | Adapted methods from statistical process control for evaluation of load variations in distribution grids | |
KR101765376B1 (ko) | 섹터그래프로 구성한 시계모양의 에너지 사용상황 제시 기법과 나무자료구조를 활용한 에너지관리시스템 | |
Ahmad et al. | Statistical distributions of load profiling data | |
CN111160993A (zh) | 基于用户负荷报装的用户实用及阶段释放系数的分析方法 | |
EP3906447B1 (en) | Method, system and computer program product for evaluation of energy consumption in industrial environments | |
CN115424419B (zh) | 一种地下水动态监测多元预警系统 | |
TWI468952B (zh) | 智慧電網之短期負載預測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 210012 3 of Tian Shu Science Park, 170-1 software Avenue, Yuhuatai District, Nanjing, Jiangsu. Patentee after: NANJING TIANSU AUTOMATION CONTROL SYSTEM Co.,Ltd. Address before: The Olympic Avenue in Jianye District of Nanjing city of Jiangsu Province, No. 69 210019 Patentee before: NANJING TIANSU AUTOMATION CONTROL SYSTEM Co.,Ltd. |