CN107315884A - 一种基于线性回归的建筑能耗建模方法 - Google Patents

一种基于线性回归的建筑能耗建模方法 Download PDF

Info

Publication number
CN107315884A
CN107315884A CN201710537577.XA CN201710537577A CN107315884A CN 107315884 A CN107315884 A CN 107315884A CN 201710537577 A CN201710537577 A CN 201710537577A CN 107315884 A CN107315884 A CN 107315884A
Authority
CN
China
Prior art keywords
energy consumption
building
numerical value
data
modeling method
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.)
Granted
Application number
CN201710537577.XA
Other languages
English (en)
Other versions
CN107315884B (zh
Inventor
宋扬
官泽
孔祥旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shougang Automation Information Technology Co Ltd
Original Assignee
Beijing Shougang Automation Information Technology Co Ltd
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
Application filed by Beijing Shougang Automation Information Technology Co Ltd filed Critical Beijing Shougang Automation Information Technology Co Ltd
Priority to CN201710537577.XA priority Critical patent/CN107315884B/zh
Publication of CN107315884A publication Critical patent/CN107315884A/zh
Application granted granted Critical
Publication of CN107315884B publication Critical patent/CN107315884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于线性回归的建筑能耗建模方法，包括：获得建筑中所有耗能单元的历史数据；对所有历史数据进行预处理；将分类数据运用线性回归分析拟合构建回归模型；根据目标函数预测耗能部件未来的预期能耗数值及建筑未来的预期总能耗数值。该建筑能耗建模方法能有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的。

Description

一种基于线性回归的建筑能耗建模方法
技术领域
本发明涉及建筑能耗技术领域，特别涉及一种基于线性回归的建筑能耗建模方法。
背景技术
建筑能耗分析是确定合理的节能策略的基础，是节能降耗工作的研究热点之一，国内外很多学者对于建筑能耗分析与建模方法进行了深入的研究。这些研究分为两类：第一类主要以建筑结构为研究对象，在建筑设计阶段采用建筑能耗逐时模拟软件对能耗进行预测，由于人对于建筑物的使用方式的不确定性，导致该类预测与实际情况有较大区别；第二类主要是在已有建筑基础上，采集建筑在运行阶段的所有信息，研究能耗数据可以了解能耗的产生规律。
现有技术中建筑能耗研究方法对能耗规律的描述不够细致，无法对建筑能耗进行准确的预测。
发明内容
本发明提供了一种基于线性回归的建筑能耗建模方法，解决了或部分解决了现有技术中建筑能耗研究方法对能耗规律的描述不够细致，无法对建筑能耗进行准确的预测的技术问题，实现了有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的的技术效果。
本发明提供的一种基于线性回归的建筑能耗建模方法包括：
获得所述建筑中所有耗能单元的历史数据；所述历史数据包括：各个所述耗能单元的赋有标记信息的能耗数值及所述建筑的总能耗数值；所述标记信息包括：时间、室外温度、应用场景、业务；所述时间包括：时间间隔分别以年、月、日、小时或分钟记的各个时间段；
对所有所述历史数据进行预处理；所述预处理包括：对所有所述历史数据进行归一化处理及分类处理；其中，所有所述历史数据经过所述归一化处理后满足正态分布；所述分类处理为：将所述历史数据按照所述时间、所述室外温度、所述应用场景及所述业务这四个维度进行数据分类获得四个子类，再运用决策树模型对四个所述子类进行细分获得分类数据，最后将所有所述分类数据构建成的训练数据集；
将所述分类数据运用线性回归分析拟合构建回归模型；所述线性回归分析拟合包括：以所述时间中的各个所述时间段为自变量，以所述时间段对应的所述能耗数值为因变量，进行线性拟合获得第一拟合关系式；以所述室外温度的平方为自变量，以所述室外温度对应的所述能耗数值为因变量，进行线性拟合获得第二拟合关系式；以所述应用场景为自变量，以所述应用场景对应的所述能耗数值为因变量，进行线性拟合获得第三拟合关系式；以所述业务为自变量，以所述业务对应的所述能耗数值为因变量，进行线性拟合获得第四拟合关系式；根据所述第一拟合关系式、所述第二拟合关系式、所述第三拟合关系式及所述第四拟合关系式构建目标函数；所述目标函数即为所述回归模型；所述目标函数以所述时间、所述室外温度、所述应用场景及所述业务为自变量，以所述耗能单元的能耗数值为因变量；
根据所述目标函数预测所述耗能部件未来的预期能耗数值及所述建筑未来的预期总能耗数值。
作为优选，所述建筑能耗建模方法还包括：
测量获得赋有标记信息的实时数据；
根据所述实时数据中的所述耗能部件的实时能耗数值与所述预期能耗数值绘制散点对比图；
当所述散点对比图趋近于y＝x表示的直线时，则确定所述目标函数为合理的函数，否者，所述目标函数不合理，需要重新构建。
作为优选，所述实时数据的标记信息包括：时间、室外温度、应用场景、业务。
作为优选，所述建筑能耗建模方法还包括：
将所述目标函数运用拉格朗日乘子法求取所述耗能单元的极值及所述建筑的总能耗极值；
所述拉格朗日乘子法具体为：通过限制所述时间、所述室外温度、所述应用场景及所述业务中的一个或多个自变量，控制其余的所述自变量，进而获得所述耗能单元的能耗极值及所述建筑的总能耗极值，进而确定对能耗影响最大的所述自变量。
作为优选，所述归一化处理采用Z-score标准化方法，运用转化函数对所述历史数据进行处理，使处理后的所述历史数据满足正态分布；
其中，所述μ为所有所述历史数据的均值，所述σ为所有所述历史数据的标准差，所述x为其中一个所述历史数据，所述x*为所述x处理后的所述历史数据。
作为优选，在所述归一化处理之后，所述分类处理之前，对所述历史数据进行向量化处理；
所述向量化处理具体为：将所述历史数据整理后按照设定规则存入矩阵中，以便进行所述分类处理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得建筑中所有耗能单元的历史数据，对所有历史数据进行预处理获得分类数据；预处理包括：对所有历史数据进行归一化处理及分类处理；将分类数据运用线性回归分析拟合构建目标函数，从而得到满足历史数据的回归模型，掘出能耗的规律，准确预测未来建筑能耗；这样，有效解决了现有技术中建筑能耗研究方法对能耗规律的描述不够细致，无法对建筑能耗进行准确的预测的技术问题，实现了有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的的技术效果。
附图说明
图1为本发明提供的基于线性回归的建筑能耗建模方法的流程示意图。
具体实施方式
本申请实施例提供了一种基于线性回归的建筑能耗建模方法，解决了或部分解决了现有技术中建筑能耗研究方法对能耗规律的描述不够细致，无法对建筑能耗进行准确的预测的技术问题，通过获得建筑中所有耗能单元的历史数据，对所有历史数据进行预处理获得分类数据；预处理包括：对所有历史数据进行归一化处理及分类处理；将分类数据运用线性回归分析拟合构建目标函数，从而得到满足历史数据的回归模型，掘出能耗的规律，准确预测未来建筑能耗，实现了有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的的技术效果。
参见附图1，本发明提供的一种基于线性回归的建筑能耗建模方法包括：
S1：获得建筑中所有耗能单元的历史数据；历史数据包括：各个耗能单元的赋有标记信息的能耗数值及建筑的总能耗数值；标记信息包括：时间、室外温度、应用场景、业务；时间包括：时间间隔分别以年、月、日、小时或分钟记的各个时间段。
S2：对所有历史数据进行预处理；预处理包括：对所有历史数据进行归一化处理及分类处理；其中，所有历史数据经过归一化处理后满足正态分布；分类处理为：将历史数据按照时间、室外温度、应用场景及业务这四个维度进行数据分类获得四个子类，再运用决策树模型对四个子类进行细分获得分类数据，最后将所有分类数据构建成的训练数据集。
S3：将分类数据运用线性回归分析拟合构建回归模型；线性回归分析拟合包括：以时间中的各个时间段为自变量，以时间段对应的能耗数值为因变量，进行线性拟合获得第一拟合关系式；以室外温度的平方为自变量，以室外温度对应的能耗数值为因变量，进行线性拟合获得第二拟合关系式；以应用场景为自变量，以应用场景对应的能耗数值为因变量，进行线性拟合获得第三拟合关系式；以业务为自变量，以业务对应的能耗数值为因变量，进行线性拟合获得第四拟合关系式；根据第一拟合关系式、第二拟合关系式、第三拟合关系式及第四拟合关系式构建目标函数；目标函数即为回归模型；目标函数以时间、室外温度、应用场景及业务为自变量，以耗能单元的能耗数值为因变量。
S4：根据目标函数预测耗能部件未来的预期能耗数值及建筑未来的预期总能耗数值。
其中，该建模方法的基本思路为：获取历史数据与实时数据；对获取到的数据进行分类；对数据及影响因子进行分类；通过分析影响因子，对分析后的曲线进行线性拟合，通过曲线及预测结果反馈影响因子，形成闭环，最终达到分析结果的准确性和全流程的最优性；通过分析结果，用拉格朗日乘子法分析能耗控制条件并准确给出预测结果。该建模方法能有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的。
进一步的，该建筑能耗建模方法还包括：测量获得赋有标记信息的实时数据；根据实时数据中的耗能部件的实时能耗数值与预期能耗数值绘制散点对比图；当散点对比图趋近于y＝x表示的直线时，则确定目标函数为合理的函数，否者，目标函数不合理，需要重新构建。实时数据的标记信息包括：时间、室外温度、应用场景、业务。
进一步的，该建筑能耗建模方法还包括：将目标函数运用拉格朗日乘子法求取耗能单元的极值及建筑的总能耗极值；拉格朗日乘子法具体为：通过限制时间、室外温度、应用场景及业务中的一个或多个自变量，控制其余的自变量，进而获得耗能单元的能耗极值及建筑的总能耗极值，进而确定对能耗影响最大的自变量。
进一步的，归一化处理采用Z-score标准化方法，运用转化函数对历史数据进行处理，使处理后的历史数据满足正态分布；其中，μ为所有历史数据的均值，σ为所有历史数据的标准差，x为其中一个历史数据，x*为x处理后的历史数据。
进一步的，在归一化处理之后，所述分类处理之前，对所述历史数据进行向量化处理；向量化处理具体为：将历史数据整理后按照设定规则存入矩阵中，以便进行分类处理。
下面通过具体实施例来详细介绍本申请提供的基于线性回归的建筑能耗建模方法：
步骤S1：获取历史数据，包括：年、月、日、时、分、天气、室外温度、总能源消耗。
步骤S2：归类历史数据及影响因素，包括：
S201：数据归一化，通过转化函数对建筑能耗历史数据进行处理后，使其满足正态分布，其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
S202：数据向量化，通过对归一化处理后的历史数据，进行向量化处理，将数据整理后将数据按照一定规则存入矩阵中，方便后续的分析计算。
S203：数据分类，决策树学习是用损失函数表示目标，其损失函数通常是正则化的极大似然函数，学习的策略是使损失函数最小化，然后使用信息增益来安定数据的可用性。通过对熵值的计算，可以说明熵越大，数据越不可用。本申请中，将历史数据按照时间、室外温度、应用场景及业务这四个维度进行数据分类获得四个子类，再运用决策树模型对四个子类进行细分获得分类数据，最后将所有分类数据构建成的训练数据集，计算出分类数据的信息熵，假设在样本数据集D中，混有c种类别的数据。构建决策树时，根据给定的样本数据集选择某个特征值作为树的节点。为D表示分类后的训练数据集，c表示数据类别数，Pi表示类别i样本数据占比。通过这种方式对采集到的数据进行相应的数据分类和数据预处理。
步骤S3：拟合分析，包括：
S301：自变量影响显著性分析，及分析自变量与因变量的关系。自变量影响显著性分析具体包括：通过原理为“小概率事件实际不可能性原理”得到的“无效假设”理论，判断其原假设对于多组数据是否会造成差异显著，如果是，则认为其假设具有显著性，通过显著性来接收或者否定预期假设。分析自变量与因变量的关系具体包括：通过步骤S203的分类处理，得到需要参与计算的自变量，本实施例使用R语言处理数据。先对数据plot得到各变量与因变量能耗值的散点图，初步判断年、月、日、时、分、天气各自与能耗是线性关系，室外温度的平方与能耗是线性关系。
S302：线性回归拟合分析，通过lm函数对各自变量与因变量建立初步模型，使用summary函数检视回归结果。
S303：检验模型，使用残差分析筛除异常点，这里主要使用标准化残差开方与拟合值的残差图。然后使用gqtest和bptest函数检验异方差，若存在异方差则需要修正异方差。接下来需要检验多重共线性，使用step函数对模型逐步回归，AIC值最小的时候，模型最佳。
S304：输出模型。
步骤S4：分析能耗控制条件，预测未来能耗数据。
分析能耗控制条件具体为：采用拉格朗日乘子法得到能耗极值，通过建立的回归模型，生成模型下的预测数据集，通过预测值与实际值的散点对比图观察是否趋近于y＝x这一条直线，若趋近，则预测模型可用。在得到模型后，通过拉格朗日乘子法，控制自变量，得到能耗数据的极值，分析影响能耗最大的自变量。预测未来能耗数据具体为：根据目标函数预测耗能部件未来的预期能耗数值及建筑未来的预期总能耗数值。
该建筑能耗建模方法普适于能耗分析数据预处理，是一种通用的数据预处理方法，能够有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗的目的。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得建筑中所有耗能单元的历史数据，对所有历史数据进行预处理获得分类数据；预处理包括：对所有历史数据进行归一化处理及分类处理；将分类数据运用线性回归分析拟合构建目标函数，从而得到满足历史数据的回归模型，掘出能耗的规律，准确预测未来建筑能耗；这样，有效解决了现有技术中建筑能耗研究方法对能耗规律的描述不够细致，无法对建筑能耗进行准确的预测的技术问题，实现了有效预测建筑能源的消耗情况，通过对影响条件的控制，达到节能减耗目的的技术效果。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于线性回归的建筑能耗建模方法，其特征在于，所述基于线性回归的建筑能耗建模方法包括：
获得所述建筑中所有耗能单元的历史数据；所述历史数据包括：各个所述耗能单元的赋有标记信息的能耗数值及所述建筑的总能耗数值；所述标记信息包括：时间、室外温度、应用场景、业务；所述时间包括：时间间隔分别以年、月、日、小时或分钟记的各个时间段；
对所有所述历史数据进行预处理；所述预处理包括：对所有所述历史数据进行归一化处理及分类处理；其中，所有所述历史数据经过所述归一化处理后满足正态分布；所述分类处理为：将所述历史数据按照所述时间、所述室外温度、所述应用场景及所述业务这四个维度进行数据分类获得四个子类，再运用决策树模型对四个所述子类进行细分获得分类数据，最后将所有所述分类数据构建成的训练数据集；
将所述分类数据运用线性回归分析拟合构建回归模型；所述线性回归分析拟合包括：以所述时间中的各个所述时间段为自变量，以所述时间段对应的所述能耗数值为因变量，进行线性拟合获得第一拟合关系式；以所述室外温度的平方为自变量，以所述室外温度对应的所述能耗数值为因变量，进行线性拟合获得第二拟合关系式；以所述应用场景为自变量，以所述应用场景对应的所述能耗数值为因变量，进行线性拟合获得第三拟合关系式；以所述业务为自变量，以所述业务对应的所述能耗数值为因变量，进行线性拟合获得第四拟合关系式；根据所述第一拟合关系式、所述第二拟合关系式、所述第三拟合关系式及所述第四拟合关系式构建所述目标函数；所述目标函数即为所述回归模型；所述目标函数以所述时间、所述室外温度、所述应用场景及所述业务为自变量，以所述耗能单元的能耗数值为因变量；
根据所述目标函数预测所述耗能部件未来的预期能耗数值及所述建筑未来的预期总能耗数值。
2.如权利要求1所述的基于线性回归的建筑能耗建模方法，其特征在于，所述建筑能耗建模方法还包括：
测量获得赋有标记信息的实时数据；
根据所述实时数据中的所述耗能部件的实时能耗数值与所述预期能耗数值绘制散点对比图；
当所述散点对比图趋近于y＝x表示的直线时，则确定所述目标函数为合理的函数，否者，所述目标函数不合理，需要重新构建。
3.如权利要求2所述的基于线性回归的建筑能耗建模方法，其特征在于，
所述实时数据的标记信息包括：时间、室外温度、应用场景、业务。
4.如权利要求1所述的基于线性回归的建筑能耗建模方法，其特征在于，所述建筑能耗建模方法还包括：
将所述目标函数运用拉格朗日乘子法求取所述耗能单元的极值及所述建筑的总能耗极值；
所述拉格朗日乘子法具体为：通过限制所述时间、所述室外温度、所述应用场景及所述业务中的一个或多个自变量，控制其余的所述自变量，进而获得所述耗能单元的能耗极值及所述建筑的总能耗极值，进而确定对能耗影响最大的所述自变量。
5.如权利要求1所述的基于线性回归的建筑能耗建模方法，其特征在于，
所述归一化处理采用Z-score标准化方法，运用转化函数对所述历史数据进行处理，使处理后的所述历史数据满足正态分布；
其中，所述μ为所有所述历史数据的均值，所述σ为所有所述历史数据的标准差，所述x为其中一个所述历史数据，所述x*为所述x处理后的所述历史数据。
6.如权利要求1所述的基于线性回归的建筑能耗建模方法，其特征在于，
在所述归一化处理之后，所述分类处理之前，对所述历史数据进行向量化处理；
所述向量化处理具体为：将所述历史数据整理后按照设定规则存入矩阵中，以便进行所述分类处理。
CN201710537577.XA 2017-07-04 2017-07-04 一种基于线性回归的建筑能耗建模方法 Active CN107315884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710537577.XA CN107315884B (zh) 2017-07-04 2017-07-04 一种基于线性回归的建筑能耗建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710537577.XA CN107315884B (zh) 2017-07-04 2017-07-04 一种基于线性回归的建筑能耗建模方法

Publications (2)

Publication Number Publication Date
CN107315884A true CN107315884A (zh) 2017-11-03
CN107315884B CN107315884B (zh) 2020-12-18

Family

ID=60180589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710537577.XA Active CN107315884B (zh) 2017-07-04 2017-07-04 一种基于线性回归的建筑能耗建模方法

Country Status (1)

Country Link
CN (1) CN107315884B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805333A (zh) * 2018-05-08 2018-11-13 中国银行股份有限公司 核心银行系统的批量操作运行耗时预测方法及装置
CN109255472A (zh) * 2018-08-20 2019-01-22 天津科技大学 一种基于多元自适应回归样条的办公建筑能耗预测方法
CN109409605A (zh) * 2018-10-31 2019-03-01 山东建筑大学 一种近零能耗住宅准动态能耗计算方法、优化设计方法
CN110031877A (zh) * 2019-04-17 2019-07-19 山东科技大学 一种基于grnn模型的区域nwp对流层延迟改正方法
CN110188963A (zh) * 2019-06-05 2019-08-30 中国矿业大学(北京) 基于最小角回归和梯度提升模型的建筑能耗预测方法
CN110701732A (zh) * 2019-12-10 2020-01-17 南昌掘策数据服务有限公司 能耗数据分析方法、系统及中央空调的节能方法和系统
CN111563774A (zh) * 2020-05-08 2020-08-21 上海腾暨物联网科技有限公司 一种煤炭价格指数预测与供需关系指数构建方法及系统
CN111784133A (zh) * 2020-06-22 2020-10-16 上海化学工业区中法水务发展有限公司 一种制定污水厂能耗绩效指标的方法及设备
CN111967756A (zh) * 2020-08-11 2020-11-20 中国科学院城市环境研究所 一种目标驱动源的建筑能耗碳排放确定方法及系统
CN112150631A (zh) * 2020-09-23 2020-12-29 浙江大学 一种基于神经网络的实时能耗优化绘制方法和装置
CN112258337A (zh) * 2020-09-14 2021-01-22 陕西讯格信息科技有限公司 一种自我补全修正的基站能耗模型预测方法
CN113792490A (zh) * 2021-09-16 2021-12-14 国网江苏省电力有限公司营销服务中心 一种基于支持向量回归机的水泥搅拌机能耗建模方法
CN115481813A (zh) * 2022-10-09 2022-12-16 武汉理工大学 基于机器学习的新能源公交车能耗预测方法
CN116680935A (zh) * 2023-07-31 2023-09-01 天津六百光年智能科技有限公司 一种基于分段线性函数的二网供水预测模型构建方法
CN117043794A (zh) * 2022-07-01 2023-11-10 嘉兴尚坤科技有限公司 基于多元线性回归和聚类分析的建筑能耗预测方法和系统
CN117371624A (zh) * 2023-12-07 2024-01-09 邢台职业技术学院 一种建筑节能改造优化管理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103024761A (zh) * 2011-09-26 2013-04-03 艾默生网络能源有限公司 基站能耗模型建立方法、能耗预测方法及装置
CN103194553A (zh) * 2013-04-07 2013-07-10 昆明理工大学 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法
CN104732298A (zh) * 2015-04-02 2015-06-24 南京天溯自动化控制系统有限公司 基于决策树和线性回归插值实现ems负荷预测的方法
CN104866725A (zh) * 2015-06-01 2015-08-26 河南中烟工业有限责任公司 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法
CN105096685A (zh) * 2015-08-13 2015-11-25 中国石油化工股份有限公司 石化火灾场景多感知应急训练系统
CN105631539A (zh) * 2015-12-25 2016-06-01 上海建坤信息技术有限责任公司 基于支持向量机的智能楼宇能耗预测方法
US20170177599A1 (en) * 2015-12-18 2017-06-22 International Business Machines Corporation Assignment of Data Within File Systems
US20170179716A1 (en) * 2015-12-16 2017-06-22 Johnson Controls Technology Company Central plant control system with building energy load estimation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103024761A (zh) * 2011-09-26 2013-04-03 艾默生网络能源有限公司 基站能耗模型建立方法、能耗预测方法及装置
CN103194553A (zh) * 2013-04-07 2013-07-10 昆明理工大学 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法
CN104732298A (zh) * 2015-04-02 2015-06-24 南京天溯自动化控制系统有限公司 基于决策树和线性回归插值实现ems负荷预测的方法
CN104866725A (zh) * 2015-06-01 2015-08-26 河南中烟工业有限责任公司 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法
CN105096685A (zh) * 2015-08-13 2015-11-25 中国石油化工股份有限公司 石化火灾场景多感知应急训练系统
US20170179716A1 (en) * 2015-12-16 2017-06-22 Johnson Controls Technology Company Central plant control system with building energy load estimation
US20170177599A1 (en) * 2015-12-18 2017-06-22 International Business Machines Corporation Assignment of Data Within File Systems
CN105631539A (zh) * 2015-12-25 2016-06-01 上海建坤信息技术有限责任公司 基于支持向量机的智能楼宇能耗预测方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805333A (zh) * 2018-05-08 2018-11-13 中国银行股份有限公司 核心银行系统的批量操作运行耗时预测方法及装置
CN109255472A (zh) * 2018-08-20 2019-01-22 天津科技大学 一种基于多元自适应回归样条的办公建筑能耗预测方法
CN109409605B (zh) * 2018-10-31 2021-09-24 山东建筑大学 一种近零能耗住宅准动态能耗计算方法、优化设计方法
CN109409605A (zh) * 2018-10-31 2019-03-01 山东建筑大学 一种近零能耗住宅准动态能耗计算方法、优化设计方法
CN110031877A (zh) * 2019-04-17 2019-07-19 山东科技大学 一种基于grnn模型的区域nwp对流层延迟改正方法
CN110188963A (zh) * 2019-06-05 2019-08-30 中国矿业大学(北京) 基于最小角回归和梯度提升模型的建筑能耗预测方法
CN110701732A (zh) * 2019-12-10 2020-01-17 南昌掘策数据服务有限公司 能耗数据分析方法、系统及中央空调的节能方法和系统
CN111563774A (zh) * 2020-05-08 2020-08-21 上海腾暨物联网科技有限公司 一种煤炭价格指数预测与供需关系指数构建方法及系统
CN111784133A (zh) * 2020-06-22 2020-10-16 上海化学工业区中法水务发展有限公司 一种制定污水厂能耗绩效指标的方法及设备
CN111784133B (zh) * 2020-06-22 2023-01-24 上海化学工业区中法水务发展有限公司 一种制定污水厂能耗绩效指标的方法及设备
CN111967756A (zh) * 2020-08-11 2020-11-20 中国科学院城市环境研究所 一种目标驱动源的建筑能耗碳排放确定方法及系统
CN112258337B (zh) * 2020-09-14 2024-03-12 陕西讯格信息科技有限公司 一种自我补全修正的基站能耗模型预测方法
CN112258337A (zh) * 2020-09-14 2021-01-22 陕西讯格信息科技有限公司 一种自我补全修正的基站能耗模型预测方法
CN112150631A (zh) * 2020-09-23 2020-12-29 浙江大学 一种基于神经网络的实时能耗优化绘制方法和装置
CN112150631B (zh) * 2020-09-23 2021-09-21 浙江大学 一种基于神经网络的实时能耗优化绘制方法和装置
CN113792490A (zh) * 2021-09-16 2021-12-14 国网江苏省电力有限公司营销服务中心 一种基于支持向量回归机的水泥搅拌机能耗建模方法
CN117043794A (zh) * 2022-07-01 2023-11-10 嘉兴尚坤科技有限公司 基于多元线性回归和聚类分析的建筑能耗预测方法和系统
WO2024000570A1 (zh) * 2022-07-01 2024-01-04 嘉兴尚坤科技有限公司 基于多元线性回归和聚类分析的建筑能耗预测方法和系统
CN115481813A (zh) * 2022-10-09 2022-12-16 武汉理工大学 基于机器学习的新能源公交车能耗预测方法
CN115481813B (zh) * 2022-10-09 2024-05-31 武汉理工大学 基于机器学习的新能源公交车能耗预测方法
CN116680935A (zh) * 2023-07-31 2023-09-01 天津六百光年智能科技有限公司 一种基于分段线性函数的二网供水预测模型构建方法
CN116680935B (zh) * 2023-07-31 2023-10-13 天津六百光年智能科技有限公司 一种基于分段线性函数的二网供水预测模型构建方法
CN117371624B (zh) * 2023-12-07 2024-02-20 邢台职业技术学院 一种建筑节能改造优化管理方法
CN117371624A (zh) * 2023-12-07 2024-01-09 邢台职业技术学院 一种建筑节能改造优化管理方法

Also Published As

Publication number Publication date
CN107315884B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN107315884A (zh) 一种基于线性回归的建筑能耗建模方法
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN113837356B (zh) 基于融合神经网络的污水处理智能预测方法
CN102707256A (zh) 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
Hobson et al. Clustering and motif identification for occupancy-centric control of an air handling unit
CN110826774B (zh) 母线负荷预测方法、装置、计算机设备及存储介质
Yu et al. A regional wind power probabilistic forecast method based on deep quantile regression
CN106779478A (zh) 一种负荷调度价值评估方法
CN111241755A (zh) 电力负荷预测方法
Alamsyah et al. Artificial neural network for Indonesian tourism demand forecasting
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN108898243A (zh) 一种电力系统输电网络安全性测试系统
CN108984830A (zh) 一种基于模糊网络分析的建筑能效评价方法及装置
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
Zhao et al. Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression
Mellios et al. A multivariate analysis of the daily water demand of Skiathos Island, Greece, implementing the artificial neuro-fuzzy inference system (ANFIS)
CN114757330A (zh) 基于lstm的城市瞬时用水量预测方法
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
Jiang et al. Medium-long term load forecasting method considering industry correlation for power management
CN114004397A (zh) 一种计及多因素影响的地区能源消费态势预测方法及装置
Hobson et al. Wi-Fi Based Occupancy Clustering and Motif Identification: A Case Study.
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
CN116341929A (zh) 一种基于聚类和自适应梯度提升决策树的预测方法
Yang et al. Prediction research on the energy consumption of public building based on mlr-bp neural network

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