CN106796577A - 使用回归模型的能量基础设施传感器数据校正 - Google Patents

使用回归模型的能量基础设施传感器数据校正 Download PDF

Info

Publication number
CN106796577A
CN106796577A CN201580044176.XA CN201580044176A CN106796577A CN 106796577 A CN106796577 A CN 106796577A CN 201580044176 A CN201580044176 A CN 201580044176A CN 106796577 A CN106796577 A CN 106796577A
Authority
CN
China
Prior art keywords
data
retrieval
physical
actual physics
energy
Prior art date
Application number
CN201580044176.XA
Other languages
English (en)
Inventor
M·V·乔治苏
I·梅兹克
Original Assignee
加利福尼亚大学董事会
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to US201462015233P priority Critical
Priority to US62/015,233 priority
Application filed by 加利福尼亚大学董事会 filed Critical 加利福尼亚大学董事会
Priority to PCT/US2015/036779 priority patent/WO2015196133A2/en
Publication of CN106796577A publication Critical patent/CN106796577A/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Abstract

本发明提供了一种使用回归模型进行物理数据校正的系统和方法。例如,物理数据可以是能量基础设施传感器数据。系统可以使用回归模型在数据丢失期间执行传感器数据的估计。系统可以通过使用回归模型估计的物理数据的概率分布函数与实际物理数据的比较来评估回归模型的准确性。

Description

使用回归模型的能量基础设施传感器数据校正

[0001] 相关申请的交叉参考

[0002] 本申请根据35U.S.C.§119 (e)要求于2014年6月20日提交的题为“ENERGY INFRASTRUCTURE SENSOR DATA RECTIFICATION USING REGRESSION” 的编号为62/015,233 的美国临时专利申请的优先权,其全部公开内容通过引用并入本文。

[0003] 关于联邦资助的研究和开发的声明

[0004] 本发明是根据由美国陆军提交的合同号W911NF-11 -1 -0511的政府支持进行的。政 府在本发明中享有一定的权利。

技术领域

[0005] 本发明涉及使用回归模型的能量基础设施传感器数据校正。

背景技术

[0006] 随着更多的设备、建筑物和能源被添加到能量网络中,对能量基础设施系统的稳 定性的监视和预测的需求变成越来越关键的需求。大规模互联电力系统中广泛的断电在世 界各地重复出现。例子包括1965年东北美洲停电、1996年北美洲西部停电和2003年北美和 欧洲停电,以及2012年8月印度的大规模停电,其中电网接近崩溃,并且使7亿人几天没有电 力。

发明内容

[0007] 本公开描述了一种用于使用机器学习方法在数据丢失期间估计物理数据(例如, 能量基础设施传感器数据)的系统和方法。作为示例,可以使用随时间推移列出能量消耗的 仪表来监视建筑物能量消耗。诸如设备故障或建筑物功率损失的故障的发生可以防止测量 和记录一些能量消耗数据。这种事件可能频繁发生,并在测量数据中产生大的“间隙”。使用 回归模型,系统可以预测建筑物能量使用量(usage)。回归模型包括但不限于线性回归、多 项式回归、逻辑回归、多变量线性回归、神经网络、内核回归,诸如支持向量回归(SVR)等。当 应用于数据不可用的时间段时,该技术允许系统在数据丢失期间校正能量基础设施传感器 数据。

[0008] 本公开的一个方面提供了一种用于物理数据校正的系统。该系统包括被配置为存 储数据集的计算机数据仓库,该数据集包括由物理传感器测量的实际物理数据。该系统进 一步包括计算系统,该计算系统包括一个或多个计算设备,该计算系统与计算机数据仓库 通信并且被编程以实现:历史数据估计器,其被配置为:从计算机数据仓库检索实际物理数 据,其中实际物理数据对应于第一时间间隔;确定与实际物理数据相关的参数;检索与所确 定的参数相关联并且对应于第一时间间隔的第一测量值;使用机器学习生成所检索的第一 测量值到所检索的实际物理数据的映射;检索与所确定的参数相关联并且对应于不同于第 一时间间隔的第二时间间隔的第二测量值;以及使用所检索的第二测量值和所生成的映射 来估计第二时间间隔的物理数据。

[0009] 前述段落的系统可以具有以下特征的任何子组合:其中历史数据估计器进一步被 配置为:使用检索到的第一测量值和所生成的映射来估计第一时间间隔的第二物理数据, 将估计的第二物理数据与检索的实际物理数据相比较,并且基于比较确定与物理传感器相 关联的性能基准检测(benchmark);其中历史数据估计器进一步被配置为:使用所检索的第 一测量值和所生成的映射来估计第一时间间隔的第二物理数据、将所估计的第二物理数据 与所检索的实际物理数据比较、基于所述比较确定所估计的第二物理数据和检索的实际物 理数据之间的差、并且响应于差大于阈值的确定来确定故障已经发生;其中历史数据估计 器进一步被配置为向用户设备发送故障已经发生的指示;其中物理传感器位于建筑物、工 业过程、车辆、电力网、可再生能源或常规能量源中的一个中;其中计算机系统进一步被编 程以实现数据预测器,所述数据预测器被配置为:基于所估计的物理数据生成控制序列,并 将控制序列发送到控制系统,使得控制系统可以调节物理传感器的操作;其中控制系统是 监督和数据采集系统;其中参数是一天中的小时、星期几、温度、太阳辐射或相对湿度中的 至少一个;其中实际物理数据包括电压、电流、温度、湿度、空气流量、电力使用量、水使用 量、气体使用量、占有率、光、烟雾或网络分组中的至少一个;其中物理传感器包括恒温器、 恒湿器或公用事业仪表中的至少一个;其中历史数据估计器进一步被配置为使用回归模型 生成映射;并且其中回归模型包括支持向量回归。

[0010] 本公开的另一方面提供了一种用于校正物理数据的方法。该方法包括:如由包括 一个或多个计算设备的计算机系统实现的,所述计算机系统配置有特定的可执行指令,从 控制系统检索由物理传感器测量的实际物理数据,其中实际物理数据对应于第一时间间 隔;确定与实际物理数据相关的参数;检索与所确定的参数相关联的并且对应于第一时间 间隔的第一测量值;使用机器学习生成所检索的第一测量值到所检索的实际物理数据的映 射;检索与所确定的参数相关联的并且对应于不同于第一时间间隔的第二时间间隔的第二 测量值;以及使用所检索的第二测量值和所生成的映射来估计第二时间间隔的物理数据。

[0011] 前述段落的方法可以具有以下特征的任何子组合:其中该方法进一步包括使用检 索的第一测量值和生成的映射来估计第一时间间隔的第二物理数据、将估计的第二物理数 据和所检索的实际物理数据比较、以及基于比较确定与物理传感器相关联的性能基准检 测;其中该方法进一步包括使用所检索的第一测量值和所生成的映射来估计第一时间间隔 的第二物理数据、将所估计的第二物理数据和所检索的实际物理数据比较、基于比较确定 所估计的第二物理数据与所检索的实际物理数据之间的差、以及响应于差大于阈值的确 定,确定故障已发生;其中该方法进一步包括向用户设备发送故障已经发生的指示;其中物 理传感器位于建筑物、工业过程、车辆、电力网、可再生能源或常规能源中的一个中;其中该 方法进一步包括基于所估计的物理数据生成控制序列、以及将控制序列发送到控制系统, 使得控制系统可以调节物理传感器的操作;并且其中生成映射包括使用回归模型生成所检 索的第一测量值到所检索的实际物理数据的映射。

[0012] 本公开的另一方面提供了一种具有存储在其上的用于使用机器学习技术来校正 物理数据的历史数据估计器的非暂时性计算机可读介质,所述历史数据估计器包括可执行 代码,当可执行代码被执行在计算设备上时实现一种过程,该过程包括:从控制系统检索由 物理传感器测量的实际物理数据,其中实际物理数据对应于第一时间间隔;确定与实际物 理数据相关的参数;检索与所确定的参数相关联的并且对应于第一时间间隔的第一测量 值;使用机器学习生成所检索的第一测量值到所检索的实际物理数据的映射;检索与所确 定的参数相关联的并且对应于不同于第一时间间隔的第二时间间隔的第二测量值;以及使 用所检索的第二测量值和所生成的映射来估计第二时间间隔的物理数据。

附图说明

[0013] 现在参考附图,其中始终用相同的附图标记表示对应的部件:

[00M]图1示出了示出能量数据校正系统中的各种部件的框图。

[0015] 图2是使用支持向量回归(SVR)模型估计的物理数据和三种不同仪表类型的实际 物理数据的Wasserstein距离比较。

[0016] 图3示出描绘呈现五个月数据丢失的建筑物仪表的年度组合的实际和估计消耗的 用户界面。

[0017] 图4A示出描绘在由于传感器故障而丢失两个星期的数据的一个月时段内由350, 〇〇〇平方英尺办公楼中的建筑物仪表收集的测量值的用户界面。

[0018] 图4B示出了描绘由350,000平方英尺办公楼中的建筑物仪表收集的测量值以及使 用回归模型估计的建筑物仪表数据的用户界面,其中基于一天中的小时和星期几来估计建 筑物仪表数据。

[0019] 图4C示出了描绘由350,000平方英尺办公楼中的建筑物仪表收集的测量值以及使 用回归模型估计的建筑物仪表数据的用户界面,其中基于一天中的小时、星期几以及室外 空气温度来估计建筑物仪表数据。

[0020] 图5示出了可由图1的能量数据校正服务器使用以校正丢失的物理数据的过程。

具体实施方式

[0021] 企塑

[0022] 自然现象可被用作设备或设备组的能源或者可以作为干扰。在这两种情况下,与 自然现象相关的过去状态或未来状态的知识可能有助于规划和操作。例如,直接太阳能、风 能、潮汐能、地热能、生物质能(例如绿色原油)循环等是可再生能源生产系统的主要输入。 然而,可再生能源的更广泛渗透已经成为电力系统不稳定的潜在原因。可再生能源包括太 阳能和风力发电,并且它们的输出通常由于天气的不确定性而波动。在现代电力系统中,采 用大量分布式源,波动电源可能需要更多监视。标准监督控制和数据采集(SCADA)系统连续 地收集电力系统状态的信息并将这些信息分配给电力系统操作者。

[0023] 实时相量测量单元(PMU)的最新进展可以提供使用AC电压的相位的高级数据收集 方法,其在A.G.Phadke的 “Synchronized phasor measurement in power systems” IEEE Comput·Appl·Power,vol·6,no·2,pp·10-15,Apr·1993”、J·De La Ree,V. Centeno , J.S.Thorp和A.G.Phadke的“Synchronized phasor measurement applications in power systems”,IEEE Trans . Smart Grid,vol · I,no · I,pp· 20-27,Jun· 2010,以及A. Armenia和 J.H.Chou的“A flexible phasor data concentrator design leveraging existing software technologies”,IEEE Trans. Smart Grid, vol · I,no · I,pp· 73-81,Jun. 2010中更 详细描述,其全部内容通过引用并入本文。沿着这些方面的分析方法在D.R.Ostojk:'的 “Spectral monitoring of power system dynamic performances”,IEEE Trans. Power Syst ·,vol · 8,no · 2,pp ·445-451,May 1993、以及A. R.Messina和V. Vittal的 “Nonlinear, non-stationary analysis of interarea oscillations via Hilbert spectral analysis”,IEEE Trans · Power Syst ·,vol · 21,no · 3,pp · 1234- 1241,Aug · 2006,以及 A·R·Messina和V·Vittal的“Extraction of dynamic patterns from wide-area measurements using empirical orthogonal functions”,Power Systerns , IEEE Transactions,vol ·22,ηο· 2,pp.682_692,May 2007中进一步描述,其全部内容通过引用并 入本文。

[0024] 在美国,建筑物消耗了全国产生的能量的40%。根据国家实现减少能源使用量和 提高能源安全的目标,行业已经围绕提高建筑物能效来发展。随着建筑物能效优先级的提 高,建筑物能量使用的监视、管理和验证是越来越多范围的任务。该领域中的任务包括能量 使用计费、建筑物性能分类、翻新机会的识别等。通常,建筑物公用设施仪表是用于完成这 些任务的第一(且有时唯一)测量。

[0025] 然而,对于不完全的数据,可能出现错误。尽管社会、经济和政治影响广泛,但能源 基础设施系统的监视和预测受到了极其重要的传感器信息的延伸丢失的阻碍。彼此之间交 换信息的设备或设备组在数据传输期间容易发生数据丢失,这可能妨碍对能量使用的有效 理解和准确预测。因此,确定用于校正丢失数据的方法以防止或减少错误出现的可能性可 能是有利的D

[0026] 对于用于数据预测的建筑物能量的回归类型分析存在许多最近的研究。例如,参 数线性回归模型先前已经用于加热能量预测,诸如在Catalina ,Tiber iu,Vlad Iordache和 Bogdan Caracaleanu 2013年“Multiple regression model for fast prediction of the heating energy demand’,,Energy and Buildings 57 (0) :302_312、Soldo,Boidar, Primo PotonikjGoran imunovi,Tomislavari和Edvard Govekar 2014年“Improving the residential natural gas consumption forecasting models by using solar radiation”,Energy and Buildings 69(0):498_506、Ghiaus,Cristian 2006年 “Experimental estimation of building energy performance by robust regression’,,Energy and Buildings 38 (6) : 582-587以及Martani ,Claudio ,David Lee, Prudence Robinson,Rex Britter和Carlo Ratti 2012年“ENERNET:Studying the dynamic relationship between building occupancy and energy consumption’,, Energy and Buildings 47 (0) :584-591中描述的,其在此通过引用全部并入本文D在这种 线性回归模型中,设施使用量可以与被认为影响其消耗的因素相关,诸如天气变化、一天中 的时间、占有率等。作为另一示例,机器学习技术之前已经以人工神经网络(ANN)的形式应 用,诸如在Neto,Alberto Hernandez和Flvio August。Sanzovo Fiorelli的2008年 “Comparison of detailed model simulation and artificial neural network for forecasting building energy consumption’,,Energy and Buildings 40 (12):2169-2176中描述的,其通过引用整体并入本文,并且支持矢量机,诸如在Dong,Bing,Cheng Cao 和Siew Eang Lee 2005年的“Applying support vector machines to predict building energy consumption in tropical region’,,Energy and Buildings 37 (5) : 545-553中描 述的,其通过引用整体并入本文。通常,这些工作中描述的方法仅在经过长时间段(例如,大 于1小时)之后才产生能量消耗的预测。

[0027] 因此,本文公开了用于解决在数据丢失期间丢失的能量数据从而例如完成与电网 监视、电网管理、电网不稳定性预防、建筑物能量监视、建筑物能量管理、建筑物能量验证等 相关的任务的系统和方法。与上述参考的技术中公开的系统和方法相比,本文描述的系统 和方法可以能够以任何相关的时间尺度(例如,每年、每半年、每季节、每月、每周、每天、每 小时、每子小时等)准确地预测丢失的能量数据。本文描述的系统和方法可以使用机器学习 方法(例如,回归模型)来估计丢失的信息。回归模型的准确性可以通过模型估计和实际数 据之间的概率分布函数的比较来评估。本文描述的系统和方法的应用可以包括但不限于建 筑物能量使用、需求响应、能量网格中的可再生能量资源的集成和平衡、电力网动态和稳定 性和/或基于网络的应用。

[0028] 作为示例,可以使用诸如计量表的传感器来监视建筑物能量消耗,所述传感器将 能量消耗随时间推移列出。诸如设备故障或建筑物功率损失的故障的发生可以防止能量消 耗数据被测量和记录。这种事件可能频繁发生,并在测量数据中产生大的“间隙”。使用回归 模型,系统可以创建建筑物能量使用量的预测。回归模型包括但不限于线性回归、多项式回 归、逻辑回归、多变量线性回归、神经网络、内核回归(诸如支持向量回归(SVR))等。当应用 于数据不可用的时间段时,该技术可允许系统在数据丢失期间有效地校正能量消耗数据。

[0029] 在优选实施例的以下描述中,参考形成其一部分的附图,并且其中通过图示的方 式示出了可以实践本公开的具体实施例。应当理解,在不偏离本公开的范围的情况下,可以 利用其它实施例并且可以进行结构改变。

[0030] 系统总览

[0031] 图1示出了示出能量数据校正系统100中的各种部件的框图。如图1所示,能量数据 校正系统100包括能量系统110、控制系统130、能量数据校正服务器140、校正能量数据数据 库145、SCADA系统150以及用户设备160。

[0032] 能量系统110可以是多种结构或部件中的一种,诸如一个或多个建筑物,一个或多 个工业过程(例如,工厂),一个或多个车辆、电网、可再生能源(例如,水力发电、太阳能、风 能等)、常规能源(例如,发电机、天然气发电厂、核电站、煤电厂等)等。能量系统110可以包 括测量物理数据的各种传感器(例如,恒温器、恒湿器、公用事业计量表等)。物理数据可以 包括环境方面,诸如温度或湿度,但是也可以包括系统方面,诸如功率消耗或电流。来自传 感器的读数还可以被转换成适当的形式以便于分析。例如,传感器可以记录温度的变化或 湿度的变化,或者可以替代地记录这些值在一段时间内的积分。可替代地,计算机系统可以 对原始传感器数据执行这种后处理。物理数据可以例如包括电压、电流、温度、湿度、空气流 量、电力使用量、水使用量、气体使用量、占有率、光、烟雾、网络分组等。能量系统Iio中的每 个传感器可以本地存储信息。可替代地或另外地,一个或多个传感器可以将测量的信息发 送到能量系统Iio内的中央系统。传达其信息的那些传感器可以是无线的或有线的。某些实 施例考虑了包括对等(ad hoc)基础设施的传感器,从而有助于将读数传输到中央系统。在 包括无线传感器的某些实施例中,能量系统Iio内的路由器可以用于从本地传感器收集数 据并将它们传递到中央系统。

[0033] SCADA系统150可以包括在通信信道上操作以向用户或操作者提供对远程设备的 控制的控制系统。SCADA系统150还可以包括获取并存储远程设备的状态信息的数据获取系 统。例如,SCADA系统150可以允许对能量系统110内的结构或部件的控制,并且可以获取并 存储由能量系统Iio的传感器测量的物理数据。

[0034] SCADA系统150可以经由网络120与能量系统110通信。网络120可以是可以由各种 不同方操作的链接网络的公共可访问网络,诸如互联网。在其它实施例中,网络120可以包 括专用网络、个人区域网络、局域网、广域网、电缆网络、卫星网络、蜂窝电话网络等或其组 合,每个都具有对互联网的访问和/或来自互联网的访问。

[0035] 能量数据校正服务器140可以经由类似于网络120 (未示出)的另一个网络与SCADA 系统150通信。能量数据校正服务器140可以包括一个或多个编程的计算设备(其可以是地 理上分布的),每个编程的计算设备可以包括处理器和存储器。例如,能量数据校正服务器 140可以包括各种部件,诸如历史数据估计器142和数据预测器144。历史数据估计器142和 数据预测器144可以各自实现为可执行代码模块,其存储在能量数据校正服务器140的存储 器中并由能量数据校正服务器140的(多个)处理器执行。历史数据估计器142和数据预测器 144还可以部分地或全部地在专用硬件中实现。历史数据估计器142可以被配置为对于其中 不存在历史数据的时间间隔,预测或估计对应于能量系统110的一个或多个传感器的数据。 例如,能量数据校正服务器140可以经由SCADA系统150接收由能量系统110的传感器测量的 物理数据,并将这种数据存储在经校正能量数据数据库145中。可替代地,未示出,SCADA系 统150可以直接将物理数据存储在校正能量数据数据库145中,并且能量数据校正服务器 140可以从校正能量数据数据库145检索这种数据。使用所接收的物理数据和下面更详细描 述的技术,历史数据估计器142可以确定在哪些时间间隔中物理数据丢失并且预测或估计 丢失的物理数据。能量数据校正服务器140可以将实际和估计的物理数据发送到用户设备 160用于显示和分析。

[0036] 在一些实施例中,历史数据估计器142被配置为对于其中存在历史数据的时间间 隔预测或估计对应于能量系统110的一个或多个传感器的数据。历史数据估计器142可以使 用实际物理数据和下面描述的技术来估计这种数据。历史数据估计器142可以将估计的数 据处理为能量系统110性能的基线。历史数据估计器142然后可以将估计的数据与实际数据 进行比较以测量能量系统110的性能(例如,以对能量系统110的性能进行基准检测)。测量 的性能可以被发送到SCADA系统150或单独的控制系统130,使得SCADA系统150或单独的控 制系统130可以自动采取适当的动作(例如,调节能量系统110中的部件或结构的操作或参 数,生成描述操作员观看的过去和/或当前操作的报告等)。历史数据估计器142还可以将估 计的数据与实际数据进行比较,以便进行故障检测。例如,如果实际数据点和估计数据点之 间的差超过阈值某一置信度,则这可以指示发生故障。检测到故障的指示可以被发送到 SCADA系统150或单独的控制系统130,使得可以采取适当的动作。可替代地,能量数据校正 服务器140可以将估计的数据发送到SCADA系统150或单独的控制系统130,并且SCADA系统 150或单独的控制系统130可以执行性能基准检测和/或故障检测。

[0037] 能量数据校正服务器140还可以被配置为预测或估计在未来的时间间隔中对应于 能量系统110的一个或多个传感器的数据。数据预测器144可以使用实际物理数据和下面描 述的技术来预测这种数据。数据预测器144可以使用预测的数据来例如确定并生成可被用 于维持操作效率的未来能量系统110的控制序列。例如,如果能量系统110对应于建筑物并 且预测的数据指示下一天可以是热天,则数据预测器144可以确定加热器锅炉应该被关闭 并且可以生成适当的控制序列。所生成的控制序列可以被发送到SCADA系统150或单独的控 制系统130,使得可以实现控制序列。

[0038] 如上所述,用户设备160可以从能量数据校正服务器140接收实际和估计的物理数 据。用户设备160可以在交互式用户界面中显示这种信息。经由用户界面,用户可以分析数 据以执行各种任务。例如,能量数据校正服务器140可以估计物理数据,使得用户界面显示 在一年的时间段内的完整的一组物理数据。用户界面可以允许用户组织用于客户端计费、 资源跟踪(例如,跟踪多少吨⑶2被消耗)、自我报告的物理数据,生成可用于维持操作效率 的控制序列(例如,可以被发送到SCADA系统150或单独的控制系统130以用于控制能量系统 110中的一个或多个结构或部件的操作的控制序列)等。

[0039] 虽然图1中示出了单个用户设备160,但是这不意味着进行限制。能量数据校正系 统110可以包括任意数量的用户设备160。用户设备160可以包括各种各样的计算设备,包括 个人计算设备、终端计算设备、膝上型计算设备、平板计算设备、电子阅读器设备、移动设备 (例如,移动电话、媒体播放器、手持游戏设备等)、具有网络访问和程序执行能力的可穿戴 设备(例如,“智能手表”或“智能眼镜”)、无线设备、机顶盒、控制台、娱乐系统、具有网络访 问和程序执行能力的电视(例如,“智能TV”)以及各种其它电子设备和电器。各个用户设备 160可以执行浏览器应用或其它联网应用以与能量数据校正服务器140通信。

[0040] 校正能量数据数据库145可以存储实际的、估计的和/或预测的物理数据。校正能 量数据数据库145可以位于能量数据校正服务器140的外部。例如,校正能量数据数据库145 可以由单独的系统或服务器存储和管理,并且可以经由直接连接或间接连接(例如,经由网 络,例如网络120)与能量数据校正服务器140通信。在未示出的其它实施例中,校正能量数 据数据库145位于能量数据校正服务器140内。

[0041] 虽然图1和本公开的能量数据校正系统相对于能量数据进行了描述,但是这仅仅 是出于说明的目的,而不意味着是限制性的。由能量数据校正服务器140执行的本文所描述 的技术可以应用于许多其它应用。例如,能量数据校正服务器140可以使用本文描述的技术 进行运输规划。能量数据校正服务器140可以使用历史数据来预测数据,以估计将来可能使 用交通设施的车辆或人的数量。作为另一示例,能量数据校正服务器140可以使用这里描述 的技术进行电信预报。能量数据校正服务器140可以预测数据以允许网络计划者或网络系 统确定要购买多少设备以满足需求,预测网络负载并相应地调节参数等。作为另一示例,能 量数据校正服务器140可以使用本文描述的技术进行遥感中的数据调节。卫星可以用于测 量地球表面的环境动力学(例如,温度、湿度等)。然而,云层可能会阻止某些位置的测量,导 致数据中的间隙。因此,能量数据校正服务器140可以使用本文所描述的技术来估计这种丢 失的数据。作为另一示例,能量数据校正服务器140可以使用本文所描述的技术来监视过程 中的条件的参数(例如,振动、温度等),以识别参数的(显著)变化,其可以指示故障正在发 展。作为另一示例,能量数据校正服务器140可以使用本文所描述的技术来进行销售预测。

[0042] 由能量数据校正服务器140实现的技术

[0043] A)估计数据丢失时段的物理数据

[0044] 当管理并监视像能量系统110的联网系统时,数据丢失(例如,能量系统110中的传 感器或部件不能发送测量分组)可能是常见的问题。数据丢失的一些示例可以包括停电、传 感器校准的丢失和/或网络拥塞。当传感器(诸如建筑物仪表)经历数据丢失时,子小时使用 信息可能在几个小时至几个月的持续时间内不可用,直到问题解决。由于信息损失,能量系 统110性能的评估和不同能量系统110之间的性能的交叉比较可能变得困难。为了管理这个 问题,从业者经常借助于基于测量的物理数据的年度化来估计丢失的物理数据。然而,能量 数据校正服务器140可以使用基于回归模型的评估的预测模型来估计数据丢失期间的物理 数据。

[0045] 为了执行估计,能量数据校正服务器140 (例如,历史数据估计器142和/或数据预 测器144)可以首先通过生成回归模型来对物理数据的行为建模。通常,回归模型通过创建 两个数据集之间的输入/输出关系的映射来工作。因此,能量数据校正服务器140可以通过 生成将一组输入映射到一组输出的回归模型来对物理数据的行为建模。为了对物理数据建 模,能量数据校正服务器140可以使用测量的或实际的物理数据作为输出数据集并且使用 输出数据集相关的测量组作为输入数据集。因为物理数据(特别是如果物理数据是从建筑 物导出的)可能受环境的强烈影响,所以输入数据集可以包括对应于天气变量(例如温度、 太阳辐射和/或相对湿度)的测量值。然而,不要求对应于天气变量的测量值是输入数据集 的一部分。来自其它变量的测量值可以是输入数据集的一部分,诸如对应于时间变量(例如 一天中的小时或星期几)的测量值。在输入数据集中使用的测量值可以对应于存在实际物 理数据的时间间隔。因此,由能量数据校正服务器140使用的用于生成回归模型的输入数据 集和输出数据集可以包括与相同时间间隔对应的数据。

[0046] 一旦已经选择了输入数据集和输出数据集,能量数据校正服务器140可以为回归 模型选择一个或多个回归模型参数(例如,系数)。可以以下列方式选择回归模型参数,例 如,导致紧密拟合通过输入和输出数据集中的数据图的线(例如,使用最小二乘法、最大似 然法等),其中如果输入数据值和输出数据值与相同的时间或时间间隔相关联,则可以将这 两个值绘制在一起。能量数据校正服务器140可以使用一个或多个回归参数来生成单个回 归模型。

[0047] 在一些实施例中,能量数据校正服务器140选择多组回归模型参数,其中每组回归 模型参数对应于单独的回归模型。例如,不同的参数组可以各自产生紧密拟合通过输入和 输出数据集中的数据的图的线。在这种情况下,能量数据校正服务器140可以使用每组回归 参数来生成单独的回归模型。因此,能量数据校正服务器140可以生成多个回归模型。

[0048] 一旦创建(多个)回归模型,能量数据校正服务器140可以通过测量输入数据集估 计输出数据集的程度来验证每个回归模型的质量。如果能量数据校正服务器140生成单个 回归模型,则如果回归模型的经验证的质量或准确性超过(或不超过)阈值,能量数据校正 服务器140可以选择该回归模型来估计数据丢失的时间间隔的物理数据。如果能量数据校 正服务器140生成多个回归模型,则能量数据校正服务器140可以基于每个回归模型的验证 的质量或准确性来选择回归模型中的一个来估计其中数据丢失的时间间隔的物理数据。

[0049] 例如,可以通过在类似的时间段内将估计的物理数据与实际物理数据进行比较来 确定所生成的(多个)回归模型的准确性。如上所述,可以从SCADA系统150接收实际物理数 据(并且实际物理数据可以是当最初生成正被验证的回归模型时在输出数据集中使用的相 同数据)。实际物理数据可以对应于第一时间间隔。估计的物理数据可以是正被验证的回归 模型的输出,其中回归模型的输入可以是在最初生成回归模型时在输入数据集中使用的相 同数据,并且其中输入对应于相同的第一时间间隔(并且因此估计的物理数据也可以对应 于相同的第一时间间隔)。

[0050] 为了评估模型捕获时间动态行为的能力,能量数据校正服务器140可以使用与实 际和/或估计的物理数据的属性相关的概率分布函数(PDF)。两个信号(例如,实际物理数据 和由模型估计或预测的物理数据)的TOF的比较可以通过以下来定义:

Figure CN106796577AD00131

[0054] 其中PSD是功率谱密度。在等式(1)和(2)中,M可以是在指定时间间隔内测量的实 际物理数据(例如,在6月份期间测量的时间序列建筑物仪表数据),并S可以是在相同指定 的时间间隔(例如,在6月份期间使用对应于与6月份相关联的输入变量的测量值由回归模 型预测或预报的时间序列建筑物仪表数据)由被验证的回归模型估计的物理数据。

[0055] 比较的分布可以是实际和估计的物理数据(例如,时间序列建筑物仪表数据)的归 一化功率谱密度。因为建筑物能量消耗可以在多个时间尺度上显示周期性行为,具有强的 每日、每周和/或季节性振荡,如在Georgescu,Michael ,Bryan Eisenhower和Igor Mezic 2012年的 “Creating Zoning Approximations to Building Energy Models using the Koopman Operator”,国际大厦性能模拟协会的第五届会议(Fifth National Conference of International Building Performance Simulation Association-USA)的SimBuild 2012 ·会议记录· 40-47 · http : //www · ibpsa · us/simbui ld2012/Papers/SB12_TS01b_3_ Georgescu.pdf访问时间(Accessed) : 7/15/2013中更详细描述的,其通过引用整体并入本 文,像Wasserstein距离的度量可以帮助确定是否在回归模型的预测输出中正确地捕获实 际物理数据的频谱内容。Wasserstein距离在本文中用于简单的目的,而不意味着进行限 制。例如,诸如H2、H无穷大、均方根误差等的其它度量可以帮助确定实际物理数据的频谱内 容是否在回归模型的预测输出中被正确地捕获。在验证测试中,能量数据校正服务器140可 以通过确定并使用Wasserstein距离(或上述其它度量中的任何一个)来计算模型准确度。 PDF上的该度量的值是Wasserstein距离可以测量模型重建由能量数据校正服务器140最初 使用以生成回归模型的原始数据的能力。

[0056] 在实施例中,如果能量数据校正服务器140生成单个回归模型,则如果所确定的 Wasserstein距离小于阈值(例如,0.005),能量数据校正服务器140选择该回归模型来估计 其中数据丢失的时间间隔的物理数据。如果能量数据校正服务器140生成多个回归模型,则 能量数据校正服务器140可以选择与最低确定的Wasserstein距离相关联的回归模型作为 回归模型,以用于估计其中数据丢失的时间间隔的物理数据。

[0057] 图2示出了验证测试的结果。在如图2所示的示例中,由能量数据校正服务器140使 用建筑物仪表数据生成86个模型。将建模的物理数据的PDF与各种仪表的实际物理数据进 行比较,如图表210、220和230所示(其中线212、222和232表示实际物理数据并且线214、224 和234表示建模的物理数据),计算回归模型的SVR方法可以准确地捕获许多仪表的行为。对 于图2中所示的图形210、220和230,当能量数据校正服务器140生成回归模型时,环境变量 可以被包括在输入数据集中。对于不准确的模型,环境变量包含在输入数据集中可能是不 良的选择(poor choice)。如上所述,可以通过分析建模的物理数据和实际物理数据各自的 PDF之间的Wasserstein距离对建模的物理数据和实际物理数据进行比较。基于分析,PDF距 离和模型性能之间的关系可以被总结如下:

[0058] · Wasserstein距离〈0.005:大多数频谱特征都很好地被捕获。该模型准确地反映 数据。

[0059] · 0.005〈Wasserstein距离〈0.01:捕获大多数频谱特征,但是振荡的振幅或相位 可能不匹配。

[0060] · 0.OKWasserstein距离:缺少主要频谱特征。该模型不反映数据。通常由于在模 型输入(例如,在特定时间自动设备关闭)内没有捕获的传感器数据的非平稳属性而不匹 配。

[0061] 利用可接受的回归模型,能量数据校正服务器140可以从初始输入数据集(例如, 当最初生成回归模型时使用的输入数据集)中使用的变量中选择测量值作为回归模型的输 入,其对应于实际物理数据不存在的时间间隔。然后,回归模型可以产生其中不存在历史数 据的时间间隔(例如,数据丢失的时间段)的估计物理数据作为输出。使用这些技术,能量数 据校正服务器140可以使用有限量的物理数据来生成模型,并且能够在数据丢失期间捕获 物理数据的预期特性。

[0062] 作为示例,图3示出了描绘呈现五个月数据丢失的建筑物仪表的年度组合的实际 和估计消耗的用户界面300。用户界面300可以由用户设备160显示。建筑物仪表可以测量冷 水使用量。具体地,能量数据校正服务器140可以使用7个月的可用数据(例如,在曲线图310 中描绘的数据)生成建筑物仪表的回归模型。然后,能量数据校正服务器140可以使用回归 模型来估计在其中不存在建筑物仪表数据的5个月范围内的冷水使用量(例如,在图表320 中的框325中描绘的数据)。在数据丢失的时间段期间,回归模型可以正确地估计8月和9月 (可能是当地气候最热的月份)期间较高的平均冷水使用量。尽管具有根据其执行外推的有 限数据,但是能量数据校正服务器140可以执行预测。使用实际测量值和预测的测量值的组 合的现在完整的建筑物仪表输出可以以如上所述的方式帮助促进建筑物操作中的附加建 筑物分析或调节。

[0063] 在另一个示例中,图4A示出了描绘在由于传感器故障而丢失两个星期的数据的一 个月时段中由350,000平方英尺办公楼中的建筑物仪表收集的测量值的用户界面400。用户 界面400可以由用户设备160显示。建筑物仪表可以测量耗电量(electrical consumption)。使用图形410中由线415描绘的测量值作为输出数据集,能量数据校正服务 器140可以使用与图形410中描绘的测量值相关的测量值作为输入数据集(例如,一天中的 小时和星期几,如下所述)以生成回归模型。然后,能量数据校正服务器140可以使用所生成 的回归模型来估计缺失的建筑物仪表数据,如图4B中线420所示。可以基于以下两个输入来 估计缺失的建筑物仪表数据:一天中的小时和星期几。这两个输入可以在预处理步骤中生 成。如图4B所示,在一年的数据的过程中,回归模型可以在5%内匹配总的实际耗电量。

[0064] 在进一步的实施例中,使用由线415表示的测量值作为输出数据集,能量数据校正 服务器140可以使用与图表410中描绘的测量值相关的测量值作为输入数据集(例如,一天 中的小时、星期几、以及天气变量,如下所述),以生成回归模型。然后,能量数据校正服务器 140可以使用所生成的回归模型来估计缺失的建筑物仪表数据,如图4C中由线425所示。不 像图4B所描绘的估计,图4C中示出的丢失的建筑物仪表数据可以基于一天中的时间、星期 几和室外空气温度。将室外空气温度作为附加输入添加可以允许所生成的回归模型更好地 跟踪每日峰值,并且可以去除在图4B中示出的先前预测中创建的周期性。此外,通过回归模 型在6%内匹配总的实际耗电量,在一年期间的准确度可以被保持。

[0065] 如本文所描述的,能量数据校正服务器140可以使用上述技术以任何相关时间尺 度(例如,每小时、每分钟、每子分钟等)精确地预测丢失的物理数据。能量数据校正服务器 140估计物理数据的时间尺度可以仅被包括在能量系统110中的测量设备(例如,传感器)限 制。

[0066] 另外,能量数据校正服务器140可以使用诸如建筑物能量模型(或者反映实际条件 的任何其它输入数据或输入数据的组合)的模型作为输入来代替或增加输入数据集中的实 际环境数据,以实现对预期未来输入的预测。由回归模型产生的预测然后可以表示对未来 事件的预测。作为示例,通过事先确定特定事件可能发生的时间间隔(例如,不能满足的未 来能量需求),能量数据校正服务器140可以使用所得到的预测进行需求响应。

[0067] 校正物理数据的示例过程

[0068] 图5示出了可以由能量数据校正服务器140使用以校正丢失的物理数据的过程 500。作为示例,图1的历史数据估计器142或数据预测器144可以被配置为实现过程500。过 程500在框502处开始。

[0069] 在框502处,检索由物理传感器测量的实际物理数据。实际物理数据可以从诸如 SCADA系统150的SCADA系统或者从诸如校正能量数据数据库145的数据库检索。实际物理数 据可以对应于第一时间间隔。物理传感器可以是包括在诸如能量系统110的能量系统中的 部件。

[0070] 在框504处,确定与实际物理数据相关的参数。例如,参数可以是天气变量,诸如温 度、太阳辐射或相对湿度。该参数可以与实际物理数据相关,因为该参数影响实际物理数据 的值。

[0071] 在框506处,检索与所确定的参数相关联并且对应于第一时间间隔的第一测量值。 可以从任何内部或外部数据库(例如,经由像网络120的网络)检索第一测量值。

[0072] 在框508处,使用机器学习来生成所检索的第一测量值至检索到的实际物理数据 的映射。例如,回归模型(诸如SVR)可以被用于生成映射。在进行到框510之前,框508处的过 程500可以如本文中所描述地验证映射(例如,验证回归模型)。例如,过程500可以使用映射 和第一测量值来生成估计的物理数据。过程500然后可以将估计的物理数据与检索到的实 际物理数据进行比较以确定度量,诸如Wasserstein距离,其可以指示检索到的实际物理数 据的频谱内容是否在回归模型的预测输出中被正确地捕获。

[0073] 在框510处,检索与所确定的参数相关联并且对应于第二时间间隔的第二测量值。

[0074] 在框512处,使用检索到的第二测量值和所生成的映射来估计第二时间间隔的物 理数据。如本文所描述的,估计的物理数据可以被用于性能基准检测、故障检测和/或生成 用于未来能量系统110操作的控制序列。

[0075] 关于本公开的附加信息可以在公开的Michael Georgescu,Emma Eccles,Varsha Manjunath,Emily Swindle和Igor Mezic,BS014会议,2014年6月的“Machine Learning Methods for Site-Level Building Energy Forecasting and Data Rectification”中 找到,其通过引用整体并入本文。

[0076] 附加实施例

[0077] 图1的能量数据校正服务器140可以是单个计算设备,或者它可以包括逻辑地或物 理地分组在一起以共同地作为服务器系统操作的多个不同的计算设备,诸如计算机服务 器。能量数据校正服务器140的组件可以各自在专用硬件(例如,具有一个或多个ASIC的服 务器计算设备)中实现,使得不需要软件,或者作为硬件和软件的组合。另外,能量数据校正 服务器140的模块和部件可以被组合在一个服务器计算设备上或者在几个服务器计算设备 上单独分离或分组。在一些实施例中,能量数据校正服务器140可以包括比图IA-B中所示的 更多或更少的部件。

[0078] 在一些实施例中,由能量数据校正服务器140提供的特征和服务可以被实现为经 由通信网络120可消费的web服务。在另外的实施例中,能量数据校正服务器140由在托管计 算环境中实现的一个或多个虚拟机提供。托管计算环境可以包括一个或多个快速供应和释 放的计算资源,该计算资源可以包括计算、联网和/或存储设备。托管计算环境也可以被称 为云计算环境。

[0079] 丞M

[0080] 本文描述的所有方法和任务可以由计算机系统执行和完全自动化。在一些情况 下,计算机系统可以包括通过网络进行通信和互操作以执行所描述的功能的多个不同的计 算机或计算设备(例如,物理服务器、工作站、存储阵列、云计算资源等)。每个这种计算设备 通常包括执行存储在存储器或其它非暂时性计算机可读存储介质或设备(例如,固态存储 设备、磁盘驱动器等)中的程序指令或模块的处理器(或多个处理器)。本文公开的各种功能 可以体现在这样的程序指令中,和/或可以被实现在计算机系统的专用电路(例如,ASIC或 FPGA)中。在计算机系统包括多个计算设备的情况下,这些设备可以但不一定位于同一地 点。所公开的方法和任务的结果可以通过将诸如固态存储器芯片和/或磁盘的物理存储设 备变换到不同状态而持久地存储。在一些实施例中,计算机系统可以是其处理资源由多个 不同的商业实体或其他用户共享的基于云的计算系统。

[0081] 取决于实施例,本文描述的任何过程或算法的某些动作、事件或功能可以以不同 的顺序执行,可以被添加、合并或完全省略(例如,不是所有描述的操作或事件对于算法的 实践是必要的)。此外,在某些实施例中,可以例如通过多线程处理、中断处理或多个处理器 或处理器核心或在其它并行架构上而不是顺序地并发地执行操作或事件。

[0082] 结合本文中所公开的实施例而描述的各种说明性逻辑块、模块、例程和算法步骤 可以实施为电子硬件(例如,ASIC或FPGA设备)、在通用计算机硬件上运行的计算机软件,或 两者的组合。为了清楚地说明硬件和软件的这种可互换性,上面已经在其功能方面一般性 地描述了各种说明性组件、块、模块和步骤。这种功能是否被实现为专用硬件而不是在通用 硬件上运行的软件取决于特定应用和施加在整个系统上的设计约束。所描述的功能可以针 对每个特定应用以不同的方式实现,但是这种实现决策不应被解释为导致脱离本公开的范 围。

[0083] 此外,结合本文所公开的实施例描述的各种说明性逻辑块和模块可以由机器来实 现或执行,所述机器诸如通用处理器设备、数字信号处理器(DSP)、专用集成电路(ASIC)、现 场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件或其 任意组合来实现或执行。通用处理器设备可以是微处理器,但在替代方案中,处理器设备可 以是控制器、微控制器或状态机、其组合等。处理器设备可以包括被配置为处理计算机可执 行指令的电路。在另一实施例中,处理器设备包括执行逻辑操作而不处理计算机可执行指 令的FPGA或其它可编程设备。处理器设备还可以被实现为计算设备的组合,例如DSP和微处 理器的组合、多个微处理器、结合DSP核心的一个或多个微处理器,或任何其它这种配置。虽 然本文主要针对数字技术进行描述,但是处理器设备还可以主要包括模拟部件。例如,本文 所描述的信号处理算法中的一些或全部可以在模拟电路或混合的模拟和数字电路中实现。 计算环境可以包括任何类型的计算机系统,仅举几例,包括但不限于基于微处理器、大型计 算机、数字信号处理器、便携式计算设备、设备控制器或电器内的计算引擎的计算机系统。

[0084] 结合本文公开的实施例描述的方法、过程、例程或算法的元素可直接体现在硬件 中、在由处理器设备执行的软件模块中或两者的组合中。软件模块可以驻留在RAM存储器、 闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或任何其 它形式的非暂时性计算机可读存储介质中。示例性存储介质可以耦合到处理器设备,使得 处理器设备可以从存储介质读取信息和向存储介质写入信息。在替代方案中,存储介质可 以集成到处理器设备。处理器设备和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终 端中。在替代方案中,处理器设备和存储介质可以作为分立部件驻留在用户终端中。

[0085] 除非另有特别说明或在上下文中以其它方式理解,否则本文使用的条件语言,诸 如尤其是“能够”、“可以”、“可能”、“可”、“例如”等,通常旨在表达某些实施例包括某些特 征、元件和/或步骤,而其它实施例不包括某些特征、元件和/或步骤。因此,这种条件语言通 常不旨在暗示特征、元件和/或步骤以任何方式对于一个或多个实施例是必需的,或者一个 或多个实施例必然包括用于在有或没有其它输入或提示的情况下决定是否这些特征、元件 和/或步骤被包括在或将在任何特定实施例中执行。术语“包括”、“包含”、“具有”等是同义 的,并且以开放式的方式包含使用,并且不排除额外的元件、特征、动作、操作等。此外,术语 “或”以其包括的含义使用(而不是以其排他的含义),使得当例如用于连接元件列表时,术 语“或”表示一个、一些或所有的元件。

[0086] 除非另有特别说明,否则诸如短语“X、Y、Z中的至少一个”的分离语言另外被理解 为与一般使用的上下文一起表示项目、术语等可以是Χ、Υ或Ζ,或其任何组合(例如,Χ、Υ和/ 或Ζ)。因此,这种分离语言通常不旨在并且不应当暗示某些实施例需要X中的至少一个、Y中 的至少一个,或者Z中的至少一个各自存在。

[0087] 虽然上面的详细描述已经示出、描述和指出了应用于各种实施例的新颖特征,但 是可以理解,可以对所示的设备或算法的形式和细节进行各种省略、替换和改变而不偏离 本公开的精神。可以认识到,本文描述的某些实施例可以在不提供本文所阐述的所有特征 和益处的形式内实施,因为一些特征可以与其它特征分开使用或实践。本文公开的某些实 施例的范围由随附权利要求而不是前面的描述指示。在权利要求的等同物的含义和范围内 的所有改变将被包括在其范围内。

Claims (20)

1. 一种用于物理数据校正的系统,所述系统包括: 计算机数据仓库,其被配置为存储数据集,所述数据集包括由物理传感器测量的实际 物理数据;以及 计算系统,其包括一个或多个计算设备,所述计算系统与所述计算机数据仓库通信并 且被编程以实现: 历史数据估计器,其被配置为: 从所述计算机数据仓库检索所述实际物理数据,其中所述实际物理数据对应于第一时 间间隔; 确定与所述实际物理数据相关的参数; 检索与确定的参数相关联并且对应于所述第一时间间隔的第一测量值; 使用机器学习生成检索的第一测量值到检索的实际物理数据的映射; 检索与确定的参数相关联并且对应于不同于所述第一时间间隔的第二时间间隔的第 二测量值;以及 使用检索的第二测量值和生成的映射来估计所述第二时间间隔的物理数据。
2. 根据权利要求1所述的系统,其中所述历史数据估计器进一步被配置为: 使用检索的第一测量值和生成的映射来估计所述第一时间间隔的第二物理数据; 比较所述估计的第二物理数据与检索的实际物理数据;以及 基于所述比较确定与所述物理传感器相关联的性能基准检测。
3. 根据权利要求1所述的系统,其中所述历史数据估计器进一步被配置为: 使用检索的第一测量值和生成的映射来估计所述第一时间间隔的第二物理数据; 比较所述估计的第二物理数据与检索的实际物理数据; 基于所述比较确定估计的第二物理数据与检索的实际物理数据之间的差;以及 响应于所述差大于阈值的确定而确定发生了故障。
4. 根据权利要求3所述的系统,其中所述历史数据估计器进一步被配置为向用户设备 发送所述故障已经发生的指示。
5. 根据权利要求1所述的系统,其中所述物理传感器位于建筑物、工业过程、车辆、电 网、可再生能源或常规能源中的一个中。
6. 根据权利要求1所述的系统,其中所述计算机系统进一步被编程为实现数据预测器, 所述数据预测器被配置为: 基于估计的物理数据生成控制序列;以及 将所述控制序列发送到控制系统,使得所述控制系统可以调节所述物理传感器的操 作。
7. 根据权利要求6所述的系统,其中所述控制系统是监督控制和数据采集系统。
8. 根据权利要求1所述的系统,其中所述参数是一天中的小时、星期几、温度、太阳辐射 或相对湿度中的至少一个。
9. 根据权利要求1所述的系统,其中所述实际物理数据包括电压、电流、温度、湿度、空 气流量、电力使用量、水使用量、气体使用量、占有率、光、烟雾或网络分组中的至少一个。
10. 根据权利要求1所述的系统,其中所述物理传感器包括恒温器、恒湿器或公用事业 仪表中的至少一个。
11. 根据权利要求1所述的系统,其中所述历史数据估计器进一步被配置为使用回归模 型生成所述映射。
12. 根据权利要求11所述的系统,其中所述回归模型包括支持向量回归。
13. —种用于校正物理数据的方法,所述方法包括: 如由包括一个或多个计算设备的计算机系统实现的,所述计算机系统配置有特定的可 执行指令, 从控制系统检索由物理传感器测量的实际物理数据,其中所述实际物理数据对应于第 一时间间隔; 确定与所述实际物理数据相关的参数; 检索与确定的参数相关联的并且对应于所述第一时间间隔的第一测量值; 使用机器学习生成检索的第一测量值到检索的实际物理数据的映射; 检索与确定的参数相关联的并且对应于不同于所述第一时间间隔的第二时间间隔的 第二测量值;以及 使用检索的第二测量值和生成的映射来估计所述第二时间间隔的物理数据。
14. 根据权利要求13所述的方法,进一步包括: 使用检索的第一测量值和生成的映射来估计所述第一时间间隔的第二物理数据; 将估计的第二物理数据与检索的实际物理数据比较;以及 基于所述比较确定与所述物理传感器相关联的性能基准检测。
15. 根据权利要求13所述的方法,进一步包括: 使用检索的第一测量值和生成的映射来估计所述第一时间间隔的第二物理数据; 将估计的第二物理数据与检索的实际物理数据比较; 基于所述比较确定估计的第二物理数据与检索的实际物理数据之间的差;以及 响应于所述差大于阈值的确定,确定故障已经发生。
16. 根据权利要求15所述的方法,进一步包括向用户设备发送所述故障已经发生的指
17. 根据权利要求13所述的方法,其中所述物理传感器位于建筑物、工业过程、车辆、电 网、可再生能源或常规能源中的一种中。
18. 根据权利要求13所述的方法,进一步包括: 基于估计的物理数据生成控制序列;以及 将所述控制序列发送到控制系统,使得所述控制系统可以调节所述物理传感器的操 作。
19. 根据权利要求13所述的方法,其中生成映射包括使用回归模型生成检索的第一测 量值到检索的实际物理数据的映射。
20. —种具有存储在其上的历史数据估计器的非暂时性计算机可读介质,所述历史数 据估计器用于使用机器学习技术来校正物理数据,所述历史数据估计器包括可执行代码, 当在计算设备上执行时,所述可执行代码实现过程,所述过程包括: 从控制系统检索由物理传感器测量的实际物理数据,其中所述实际物理数据对应于第 一时间间隔; 确定与所述实际物理数据相关的参数; 检索与确定的参数相关联的并且对应于所述第一时间间隔的第一测量值; 使用机器学习生成检索的第一测量值到检索的实际物理数据的映射; 检索与确定的参数相关联的并且对应于不同于所述第一时间间隔的第二时间间隔的 第二测量值;以及 使用检索的第二测量值和生成的映射来估计所述第二时间间隔的物理数据。
CN201580044176.XA 2014-06-20 2015-06-19 使用回归模型的能量基础设施传感器数据校正 CN106796577A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US201462015233P true 2014-06-20 2014-06-20
US62/015,233 2014-06-20
PCT/US2015/036779 WO2015196133A2 (en) 2014-06-20 2015-06-19 Energy infrastructure sensor data rectification using regression models

Publications (1)

Publication Number Publication Date
CN106796577A true CN106796577A (zh) 2017-05-31

Family

ID=54869980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580044176.XA CN106796577A (zh) 2014-06-20 2015-06-19 使用回归模型的能量基础设施传感器数据校正

Country Status (6)

Country Link
US (1) US20150371151A1 (zh)
CN (1) CN106796577A (zh)
AU (1) AU2015276877A1 (zh)
CA (1) CA2952631A1 (zh)
SG (1) SG11201610308QA (zh)
WO (1) WO2015196133A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108871428A (zh) * 2018-05-09 2018-11-23 南京思达捷信息科技有限公司 一种基于大数据的地质监控平台及其方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6395083B2 (ja) * 2014-08-04 2018-09-26 パナソニックIpマネジメント株式会社 電力使用状況推定装置、プログラム
WO2017098193A1 (en) * 2015-12-11 2017-06-15 Toshiba Research Europe Limited Configuration of a wireless connection used to transmit sensor readings from a sensor to a data collection facility
KR101787545B1 (ko) * 2016-03-25 2017-11-22 주식회사 파인애플소프트 단절된 네트워크 환경에서의 데이터 수집방법 및 이를 이용한 제어방법
US10461533B2 (en) * 2016-09-29 2019-10-29 Enel X North America, Inc. Apparatus and method for automated validation, estimation, and editing configuration
US10291022B2 (en) * 2016-09-29 2019-05-14 Enel X North America, Inc. Apparatus and method for automated configuration of estimation rules in a network operations center
US10423186B2 (en) 2016-09-29 2019-09-24 Enel X North America, Inc. Building control system including automated validation, estimation, and editing rules configuration engine
US10170910B2 (en) * 2016-09-29 2019-01-01 Enel X North America, Inc. Energy baselining system including automated validation, estimation, and editing rules configuration engine
US10191506B2 (en) * 2016-09-29 2019-01-29 Enel X North America, Inc. Demand response dispatch prediction system including automated validation, estimation, and editing rules configuration engine
US10566791B2 (en) 2016-09-29 2020-02-18 Enel X North America, Inc. Automated validation, estimation, and editing processor
US10203714B2 (en) 2016-09-29 2019-02-12 Enel X North America, Inc. Brown out prediction system including automated validation, estimation, and editing rules configuration engine
US10298012B2 (en) * 2016-09-29 2019-05-21 Enel X North America, Inc. Network operations center including automated validation, estimation, and editing configuration engine
US20180137218A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for similarity-based information augmentation
US10855550B2 (en) * 2016-11-16 2020-12-01 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
KR101965937B1 (ko) * 2016-11-17 2019-08-13 두산중공업 주식회사 이상 신호 복원 장치 및 방법
US10521863B2 (en) 2017-08-22 2019-12-31 Bdc Ii, Llc Climate data processing and impact prediction systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090216469A1 (en) * 2008-02-27 2009-08-27 Honeywell International Inc. System for multidimensional data-driven utility baselining
US20100324962A1 (en) * 2009-06-22 2010-12-23 Johnson Controls Technology Company Smart building manager
US20120296482A1 (en) * 2009-10-23 2012-11-22 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets
CN103168278A (zh) * 2010-08-06 2013-06-19 加利福尼亚大学董事会 用于分析建筑物操作传感器数据的系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7587348B2 (en) * 2006-03-24 2009-09-08 Basepoint Analytics Llc System and method of detecting mortgage related fraud
US7706965B2 (en) * 2006-08-18 2010-04-27 Inrix, Inc. Rectifying erroneous road traffic sensor data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090216469A1 (en) * 2008-02-27 2009-08-27 Honeywell International Inc. System for multidimensional data-driven utility baselining
US20100324962A1 (en) * 2009-06-22 2010-12-23 Johnson Controls Technology Company Smart building manager
US20120296482A1 (en) * 2009-10-23 2012-11-22 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets
CN103168278A (zh) * 2010-08-06 2013-06-19 加利福尼亚大学董事会 用于分析建筑物操作传感器数据的系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CRISTIAN GHIAUS: "Experimental estimation of building energy performance by robust regression", 《ENERGY AND BUILDINGS》 *
林诗杰等: "一种基于支持向量回归的蒸散发数据缺失插补方法研究", 《科研信息化技术与应用》 *
毛李帆等: "中长期负荷预测的异常数据辨识与缺失数据处理", 《电网技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108871428A (zh) * 2018-05-09 2018-11-23 南京思达捷信息科技有限公司 一种基于大数据的地质监控平台及其方法

Also Published As

Publication number Publication date
WO2015196133A3 (en) 2016-02-25
WO2015196133A2 (en) 2015-12-23
SG11201610308QA (en) 2017-01-27
US20150371151A1 (en) 2015-12-24
CA2952631A1 (en) 2015-12-23
AU2015276877A1 (en) 2017-01-05

Similar Documents

Publication Publication Date Title
Fang et al. Evaluation of a multiple linear regression model and SARIMA model in forecasting heat demand for district heating system
Ismail et al. Genetic algorithm based optimization on modeling and design of hybrid renewable energy systems
Li et al. When weather matters: IoT-based electrical load forecasting for smart grid
Hirth et al. Why wind is not coal: on the economics of electricity generation
Ahmad et al. A comprehensive overview on the data driven and large scale based approaches for forecasting of building energy demand: A review
Zhang et al. Review on the research and practice of deep learning and reinforcement learning in smart grids
Stimmel Big data analytics strategies for the smart grid
Wang et al. Synchronous pattern matching principle-based residential demand response baseline estimation: Mechanism analysis and approach description
Brown et al. Decision scaling: Linking bottom‐up vulnerability analysis with climate projections in the water sector
Ela et al. Studying the variability and uncertainty impacts of variable generation at multiple timescales
Yun et al. Building hourly thermal load prediction using an indexed ARX model
Selakov et al. Hybrid PSO–SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank
Marquez et al. Proposed metric for evaluation of solar forecasting models
Fan et al. Short-term load forecasting based on a semi-parametric additive model
Zhang et al. Modeling conditional forecast error for wind power in generation scheduling
Bitar et al. Bringing wind energy to market
Mavromatidis et al. Design of distributed energy systems under uncertainty: A two-stage stochastic programming approach
Hernandez et al. Short-term load forecasting for microgrids based on artificial neural networks
Hernández et al. A study of the relationship between weather variables and electric power demand inside a smart grid/smart world framework
Pinson et al. Adaptive modelling and forecasting of offshore wind power fluctuations with Markov‐switching autoregressive models
Wu et al. Integrating solar PV (photovoltaics) in utility system operations: Analytical framework and Arizona case study
Mavrotas et al. Energy planning of a hospital using Mathematical Programming and Monte Carlo simulation for dealing with uncertainty in the economic parameters
US20160247085A1 (en) Managing computational workloads of computing apparatuses powered by renewable resources
Li et al. Estimating daily global solar radiation by day of year in China
Zhang et al. Stochastic model predictive control using a combination of randomized and robust optimization

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170531