CN105868887A - 一种基于分项计量的楼宇综合能效分析方法 - Google Patents
一种基于分项计量的楼宇综合能效分析方法 Download PDFInfo
- Publication number
- CN105868887A CN105868887A CN201610168903.XA CN201610168903A CN105868887A CN 105868887 A CN105868887 A CN 105868887A CN 201610168903 A CN201610168903 A CN 201610168903A CN 105868887 A CN105868887 A CN 105868887A
- Authority
- CN
- China
- Prior art keywords
- building
- electricity consumption
- frequent
- tree
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 24
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000000295 complement effect Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004378 air conditioning Methods 0.000 description 22
- 238000009435 building construction Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002580 esophageal motility study Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于分项计量的楼宇综合能效分析方法,其特征在于,包括以下步骤:1)获取楼宇的日用电量数据,包括日总用电量、用电设备日总用电量、各个用电设备机组日用电量和日气象温度数据,并进行预处理补全缺失数值和损坏数据;2)采用K均值算法对日用电量数据进行泛化处理,得到泛化数据集;3)采用FP增长算法对泛化数据集进行关联规则分析,得到楼宇总能耗与气象温度以及各个用电设备间的关联性。与现有技术相比,本发明具有算法先进、效果明显等优点。
Description
技术领域
本发明涉及楼宇综合能效分析,尤其是涉及一种基于分项计量的楼宇综合能效分析方法。
背景技术
楼宇建筑能耗占了全球总能源消耗的约40%,是温室气体排放的重要来源之一。我国楼宇耗电量约占全国城镇总耗电量的27%,95%以上建筑属于高耗能建筑,单位建筑能耗是发达国家的1.5~2倍。未来,随着我国经济发展和产业结构调整,楼宇建筑能耗比重将继续上升。为了应对能源危机和环境恶化,楼宇建筑的节能工作受到政府及产学界的重要关注。
楼宇的能效管理系统能对建筑内的各个用能子系统的能耗分项计量数据进行采集分析、评估诊断和优化控制,达到提高能效和减少浪费的目的。分项计量数据的分析评估可提取设备用能特征、识别异常,是建立科学节能模式和优化运行方案的基础,在能效管理系统中具有重要的作用。
传统的能效分析根据既有的指标对楼宇能耗进行评估,并不能挖掘出楼宇能耗深层次的关系和结论。并且受数据质量、执行难易度和经济发展水平限制,传统能效分析评价受到限制。在最近几年,提出一些楼宇能量管理系统中能耗数据的智能分析方法:通过楼宇日负荷曲线特征提取,异常检测,典型变量分析以及简单分类器对楼宇进行能耗异常检测和负荷预测,有效的负荷预测可以节省电力系统的调度开支;量化分析楼宇建筑15分钟间隔电能消耗数据的方法,可以让管理者更好地了解楼宇设备电能消耗,有助于发掘楼宇参与需求响应、降低电能浪费和尖峰负荷管理的机会;为智能楼宇能量管理系统提出一种使用规则集的决策支持模型,可用于控制楼宇运行数据如何偏离设定值,并进行内部状态诊断和楼宇能量运行优化。
以上方法的研究对象大都是整个楼宇的能耗数据,并不能针对各个用电设备提出针对性建议。本发明基于分项计量的能耗分析技术,采用关联分析技术深层次地挖掘用电设备的用电特征。关联分析是一种发现隐藏在大型数据集中有意义的联系的数据挖掘技术,所发现的联系用关联规则或频繁项集的形式表示。关联规则已经大量应用在金融,医疗,电力市场营销以及设备故障检测上,在楼宇能效分析中应用较少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分项计量的楼宇综合能效分析方法。
本发明的目的可以通过以下技术方案来实现:
与现有技术相比,本发明具有以下优点:
一、算法先进、效果明显:本发明能够分析楼宇总能耗与气象温度间的关联性以及与各个用电设备的关联特征,有针对性地研究用电设备的用电特征,提出有针对性的节能建议。
二、根据聚类后的典型负荷曲线,有针对性地研究用电设备的用电特征,有助于制定分时电价。
三、根据提取出的用电设备的关联特征,为楼宇节能与改善提供依据,有助于楼宇智能用电需求响应机制以及楼宇设备优化运行策略的制定。
附图说明
图1为本发明的方法流程图。
图2为工作日负荷曲线图。
图3为三类工作日负荷曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例:
研究数据来源于某办公园区7月~9月各个楼宇和空调机组的用电量,分项计量电表主要包括办公楼宇总电表、19楼总表、C楼总表、D楼总表、中央空调总表及4个空调机组分表等,图1为本发明的方法流程图。
由于得到的电量数据是电表每分钟的读数,因此需要先转换为以15分钟为间隔的功率数据。处理方法是将每15分钟电表读数为一组,用第15分钟的电表读数减去第1分钟的读数再除以时间就得到这段时间内的平均负荷数据。为了清晰显示负荷的变化趋势,使用15分钟消耗的电量作为负荷曲线的每一点。经过数据处理得到7月26日~9月5日共42天的负荷数据。只考虑工作日的负荷变化情况,图2是整个园区办公楼宇30天的工作日负荷曲线,每天96个电量数据点。
1、将得到的负荷曲线应用聚类分析进行数据挖掘,得到差异较大的几类曲线。聚类算法如下:
1)对于一个包含n个d维数据点的数据集X={x1,x2,…,xi,…,xn},其中xi∈Rd,选择数据集中K个点作为初始聚类中心,每个对象代表一个类别的中心μk(k=1,2,...,K),本实施例中n=30,d=96。
2)计算各点到中心μk的欧式距离,按距离最近的准则分别将它们分配给与其最相似的聚类中心代表的类,形成K个簇C={ck,k=1,2,…K}。每个簇ck代表一个类。计算该类各点到聚类中心μk的距离平方和J(ck):
3)计算各类样本到其所在类别聚类中心μk总的距离平方和J(C),直至最小。
其中,若xi∈ci,dki=1;若dki=0。
最后计算类内所有对象的均值作为该类的新聚类中心。
4)判断聚类中心和J(C)值是否发生改变,若发生改变则转步骤2),若不再改变则聚类结束。
为了确定最佳聚类效果,引入DB(Davies-Bouldin)有效性指标进行评估,DB指标越小聚类效果越佳。表1得到的是k=2,3,4时DB指标,可以看出k=3时,DB指标最小。因此将工作日负荷曲线分为三类。图3是当k=3时,负荷数据归一化后三类工作日负荷曲线。
表1总表聚类有效性评估
2、泛化数据集
泛化数据集是对电量和气温数据从较低的概念层抽象到较高的概念层。这里采用K-means算法对连续数据进行离散化聚类,用类别的标号代替实际的数据值,形成差异分明、层次清晰的离散数据集,构成关联规则分析所直接面向的数据源,从而为数据挖掘准备了必要条件。具体过程如下:
对办公楼宇日用电量、空调日用电量和气温进行聚类分析,并进行有效性评估,可发现在k=3时聚类效果最佳,分别将其分成三个区间:低水平、中等水平、高水平。为了研究四个空调机组间的相关性,将各空调机组日用电量大于等于100kWh视为空调开,低于100kWh视为空调关。于是得到泛化等级取值范围,如表2。
表2泛化等级取值范围
对原始数据集中的电量数据、气温数据按照各自泛化等级的取值范围进行等级归类,得到如表3所示的泛化数据集。在表3中,楼宇总表的低水平、中等水平、高水平三个等级分别用E1、E2、E3表示,空调日用电总量的三个等级分别用A1、A2、A3表示。温度的三个等级分别用T1、T2、T3表示。四个空调的开关情况分别用a、b、c、d表示,a1表示1#空调开,a0表示1#空调关,依此类推。
表3泛化数据集
3、获取关联规则
在实现办公楼宇用电量关联性分析时,在Visual c++平台上编程实现了FP-Growth算法以寻找所有的频繁项集,然后再生成强关联规则。FP-Growth算法如下:
1)FP-Growth算法的基本步骤
输入为一个数据集(楼宇总用电量、空调用电量、空调开关状态、气象温度等)和一个最小支持度阈值,输出为频繁项集l。
步骤1:构造FP-Tree
(a)第一次扫描数据集,筛选出项支持度大于最小支持度阈值的所有频繁项的集合F,按每个频繁项的支持度降序排列,结果记为频繁项表L。
(b)创建树的根结点,用“null”表示。第二次扫描数据库,对每一条筛选出的频繁项的集合按L中频繁项的次序创建分枝并插入FP-Tree。
步骤2:对FP-Tree进行数据挖掘得到关联规则
(a)若该树只包含单路径,则对该路径中结点的每个组合生成频繁集输出。
(b)若该树含多条路径,则由长度为1的频繁模式(初始后缀模式)开始,收集它的前缀路径(条件模式基),然后构建条件FP树,并递归地在该树上进行挖掘。通过后缀模式与条件树产生的频繁模式连接实现输出频繁集模式。
2)强关联规则的生成
由FP-Growth算法得到的每个频繁项集l,生成其所蕴含的强关联规则步骤如下:
(a)生成l的所有非空子集;
(b)对于l中每个非空子集s,补集r=l-s,如果则输出规则s→r。其中min_conf是最小置信度阈值。由于该规则是由满足最小支持度阈值的频繁项集l产生,因此该规则必然是强关联规则。
将以上泛化数据集及最小支持度阈值录入程序中生成频繁集,然后对频繁集进行挖掘产生强关联规则,作为综合能效分析结果,见表4。
表4强关联规则
从表4我们可以得到以下关联规则:
空调对楼宇总电量的影响
对规则1、规则2、规则3进行分析,当空调用电量分别处于高、中、低等水平时,楼宇总的用电量一定也处于相应水平。可见夏季空调负荷对总负荷有着非常重要的影响。
空调机组间的关联性
对规则4、规则5、规则6进行分析,空调4#(d0)对空调3#(c1)的影响程度更大,即空调3#、4#关联性较高。由于处于同一支路的空调受环境、气温影响更为相似,相关性更大。
气温对空调的影响
对规则7、规则12进行分析,规则7表明气温处于27.5~31.5区间时,空调3#一定会开;将规则7和规则12结合起来考虑,规则12比规则7支持度略低,由0.567下降到0.5,这说明气温处于T2的前提下,空调3#处于开状态的时间主要集中在空调4#处于关状态的时间,并且置信度达到1。
气温与楼宇总用电量的关联性
对规则8、规则9、规则10进行分析,温度与楼宇的用电量有着十分密切的关系。由规则9可知大部分时间温度和用电量处于中等水平,即气温处于27.5~31.5区间时,楼宇总的用电量将有76.5%的概率处于12550~15560kWh。;由规则10可知一旦温度达到31.5度以上,用电量一定处于高水平。
Claims (5)
1.一种基于分项计量的楼宇综合能效分析方法,其特征在于,包括以下步骤:
1)获取楼宇的日用电量数据,包括日总用电量、用电设备日总用电量、各个用电设备机组日用电量和日气象温度数据,并进行预处理补全缺失数值和损坏数据;
2)采用K均值算法对日用电量数据进行泛化处理,得到泛化数据集;
3)采用FP增长算法对泛化数据集进行关联规则分析,得到楼宇总能耗与气象温度以及各个用电设备间的关联性。
2.根据权利要求1所述的一种基于分项计量的楼宇综合能效分析方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)采用聚类算法对楼宇日总用电量、用电设备日总用电量和日气象温度数据进行聚类,通过有效性评估获得聚类类别数目,并通过聚类类别数目对聚类后的数据进行区间划分;
22)设定各个用电设备机组日用电量与机组开关的关系;
23)根据划分后的区间以及各个用电设备机组日用电量与机组开关的关系对对楼宇日总用电量、用电设备日总用电量和日气象温度数据进行等级归类,获得泛化数据集。
3.根据权利要求2所述的一种基于分项计量的楼宇综合能效分析方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)根据泛化数据集构建FP树;
32)在FP树中根据路径生成频繁项集;
33)设定最小置信度阈值,并且根据最小置信度阈值在频繁项集中生成强关联规则,即楼宇总能耗与气象温度以及各个用电设备间的关联性。
4.根据权利要求3所述的一种基于分项计量的楼宇综合能效分析方法,其特征在于,所述的步骤31)具体包括以下步骤:
311)设定最小支持度阈值,并扫描泛化数据集,筛选出项支持度大于最小支持度阈值的所有频繁项的集合F,按每个频繁项的支持度降序排列,获得频繁项表L;
312)创建FP树的根结点,并再次扫描泛化数据集,对每一条筛选出的频繁项的集合按L中频繁项的次序创建分枝并插入FP树。
5.根据权利要求4所述的一种基于分项计量的楼宇综合能效分析方法,其特征在于,所述的步骤32)具体包括以下步骤:
321)当FP树只包含单路径,则对该路径中结点的每个组合生成频繁集并输出;
322)当FP树含多条路径,则由长度为1的频繁模式开始,收集它的前缀路径,并构建条件FP树,并递归地在该树上进行挖掘,通过后缀模式与条件FP树产生的频繁模式连接输出频繁集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168903.XA CN105868887A (zh) | 2016-03-23 | 2016-03-23 | 一种基于分项计量的楼宇综合能效分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168903.XA CN105868887A (zh) | 2016-03-23 | 2016-03-23 | 一种基于分项计量的楼宇综合能效分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868887A true CN105868887A (zh) | 2016-08-17 |
Family
ID=56625444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610168903.XA Pending CN105868887A (zh) | 2016-03-23 | 2016-03-23 | 一种基于分项计量的楼宇综合能效分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868887A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650225A (zh) * | 2016-10-25 | 2017-05-10 | 康美药业股份有限公司 | 基于fp增长算法模型的中药配方数据挖掘方法及系统 |
CN108267962A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种控制方法和装置 |
EP3402153A1 (en) * | 2017-05-12 | 2018-11-14 | Nokia Solutions and Networks Oy | Cloud infrastructure vulnerabilities assessment background |
CN108965440A (zh) * | 2018-07-23 | 2018-12-07 | 珠海格力电器股份有限公司 | 工程信息的收集方法、装置、智能终端及云端服务器 |
CN111260138A (zh) * | 2020-01-18 | 2020-06-09 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
CN112689299A (zh) * | 2021-01-14 | 2021-04-20 | 广州市贝讯通信技术有限公司 | 基于FP-growth算法的小区负荷分流方法及装置 |
CN113139064A (zh) * | 2021-01-15 | 2021-07-20 | 西安天和防务技术股份有限公司 | 关联规则挖掘方法、装置、计算机设备及存储介质 |
CN113255850A (zh) * | 2021-07-15 | 2021-08-13 | 南京易司拓电力科技股份有限公司 | 配用电节能节费潜力评估方法 |
-
2016
- 2016-03-23 CN CN201610168903.XA patent/CN105868887A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650225A (zh) * | 2016-10-25 | 2017-05-10 | 康美药业股份有限公司 | 基于fp增长算法模型的中药配方数据挖掘方法及系统 |
CN108267962A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信有限公司研究院 | 一种控制方法和装置 |
EP3402153A1 (en) * | 2017-05-12 | 2018-11-14 | Nokia Solutions and Networks Oy | Cloud infrastructure vulnerabilities assessment background |
WO2018206356A1 (en) * | 2017-05-12 | 2018-11-15 | Nokia Solutions And Networks Oy | Cloud infrastructure vulnerabilities assessment background |
CN108965440A (zh) * | 2018-07-23 | 2018-12-07 | 珠海格力电器股份有限公司 | 工程信息的收集方法、装置、智能终端及云端服务器 |
CN111260138A (zh) * | 2020-01-18 | 2020-06-09 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
CN111260138B (zh) * | 2020-01-18 | 2023-05-26 | 湖南大学 | 加权和自适应并行关联规则的火电机组能耗动态优化方法 |
CN112689299A (zh) * | 2021-01-14 | 2021-04-20 | 广州市贝讯通信技术有限公司 | 基于FP-growth算法的小区负荷分流方法及装置 |
CN113139064A (zh) * | 2021-01-15 | 2021-07-20 | 西安天和防务技术股份有限公司 | 关联规则挖掘方法、装置、计算机设备及存储介质 |
CN113255850A (zh) * | 2021-07-15 | 2021-08-13 | 南京易司拓电力科技股份有限公司 | 配用电节能节费潜力评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868887A (zh) | 一种基于分项计量的楼宇综合能效分析方法 | |
Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
CN106570581B (zh) | 能源互联网环境下基于属性关联的负荷预测系统及其方法 | |
Weinand et al. | Developing a municipality typology for modelling decentralised energy systems | |
CN104156786B (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
CN105184455A (zh) | 一种面向城市电力数据分析的高维可视化分析方法 | |
CN111832861A (zh) | 基于大数据平台的居民负荷变尺度画像方法和系统 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN102147839A (zh) | 一种光伏发电量预测方法 | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
CN113065278B (zh) | 一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法 | |
CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
CN109902743A (zh) | 一种风电机组输出功率预测方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
CN109816166A (zh) | 一种地源热泵系统性能预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116579546B (zh) | 一种基于园区的智能化用电数据分析及管理系统 | |
CN104318316A (zh) | 一种用户用电实时测量方法 | |
CN115313377B (zh) | 一种电力负荷预测方法及系统 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
Ibrahim et al. | Revolutionizing Solar Generation Data Mining through Advanced Machine Learning Algorithms: Novel Insights and Results | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
Parra et al. | Customers' demand clustering analysis—A case study using smart meter data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |