CN108700851B - 用于预测能量消耗的系统、方法和基于云的平台 - Google Patents

用于预测能量消耗的系统、方法和基于云的平台 Download PDF

Info

Publication number
CN108700851B
CN108700851B CN201680077334.6A CN201680077334A CN108700851B CN 108700851 B CN108700851 B CN 108700851B CN 201680077334 A CN201680077334 A CN 201680077334A CN 108700851 B CN108700851 B CN 108700851B
Authority
CN
China
Prior art keywords
consumption data
data
prediction
energy consumption
training
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
Application number
CN201680077334.6A
Other languages
English (en)
Other versions
CN108700851A (zh
Inventor
义·兴·本杰明·李
何永法
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.)
Global Design Corp ltd
Original Assignee
Global Design Corp 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 Global Design Corp ltd filed Critical Global Design Corp ltd
Publication of CN108700851A publication Critical patent/CN108700851A/zh
Application granted granted Critical
Publication of CN108700851B publication Critical patent/CN108700851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种预测系统。该系统包括：第一数据分解设备，其被配置成将所提供的时间序列的消耗数据分解成针对不同类型的日期的多个不同的训练集；以及第二数据分解设备，其被配置成将所述多个训练集中的每一个训练集分解成至少季节性分量和趋势分量。该系统还包括：回归设备，其被配置成基于至少与相应训练集的消耗数据相关联的时间顺序信息和趋势分量来对经分解的消耗数据执行回归分析以训练预测函数；以及预测设备，其被配置成基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据。公开了用于基于时间序列的消耗数据来预测能量消耗数据的方法和基于云的预测平台。

Description

用于预测能量消耗的系统、方法和基于云的平台
技术领域
本发明涉及预测能量消耗。特别地，本发明涉及用于预测能量消耗的系统、方法和基于云的平台。
背景技术
在全球气候变化的前景下，能量消耗和相应的二氧化碳排放在所有技术领域中都特别重要。相对较大比例的主能量用于住宅、商业和工业建筑物的操作，例如用于照明和加热、通风和空气调节(HVAC)。普遍认为，当今该领域的能量消耗是最大的二氧化碳排放驱动之一。为了减少全球范围内的二氧化碳排放，因此除了使用更多的清洁能源之外，建筑领域的能量效率是解决全球气候变化的问题的最佳机会之一。鉴于人口增长、电力驱动技术的广泛使用以及地球上人造建筑物数量的增加，情况尤其如此。
实现高能量效率的一个先决条件是对能量消耗的深入了解和预测。在现有技术中，存在用于预测给定设施或地点的能量消耗的一些方法。这样的方法基于通过应用例如基于统计数据回归或神经网络的预测算法来分析效用度量工具的历史消耗数据。然而，基于相对有限的数据集例如建筑物的每月总能量消耗以及基于多个输入参数的非常复杂的能量消耗模式，这种方法通常不提供充分准确的预测结果或者需要非常长的训练时间。此外，这种方法通常基于对每月消耗数据的回顾性分析，并且因此不允许建筑物的所有者或经营者实时评估一个或若干个建筑物的能量效率。
因此，需要用于预测一个或更多个建筑物的能量消耗的更好的系统和方法。优选地，这种改善的系统和方法应该允许地点管理者或所有者实时监测并且将预测的能量消耗与建筑物的真实能量消耗进行比较。
发明内容
根据本发明的第一方面，公开了一种预测系统。预测系统包括：测量系统，其用于提供时间序列的粒度级消耗数据；以及第一数据分解设备，其被配置成将时间序列的粒度级消耗数据分解成针对不同类型的日期的多个不同的训练集；以及第二分解设备，其被配置成将所述多个训练集中的每一个训练集分解成季节性分量和趋势分量。预测系统还包括回归设备，该回归设备被配置成基于与相应训练集的消耗数据相关联的时间顺序信息和趋势分量来对经分解的消耗数据执行回归分析以训练预测函数。预测系统还包括预测设备，该预测设备被配置成基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据。
根据本发明的第二方面，一种用于预测能量消耗数据的方法包括：使用测量系统捕获消耗的能量的消耗数据。能量消耗数据包括时间序列的粒度级消耗数据。该方法还包括：将消耗数据分解成针对不同类型的日期的多个不同的训练集，基于所述多个训练集针对每个类型的日期独立地训练预测函数，以及基于训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据。
根据本发明的第三方面，公开了一种基于云的预测平台。基于云的预测平台包括测量系统，该测量系统包括被配置成测量时间序列的粒度级消耗数据的多个传感器。基于云的预测平台还包括：数据捕获模块，其被配置成捕获通过数据网络提供的时间序列的消耗数据；第一数据分解模块，其被配置成将消耗数据分解成针对不同类型的日期的多个不同的训练集；以及第二数据分解模块，其被配置成将所述多个训练集中的每一个训练集分解成至少季节性分量和趋势分量。预测平台还包括：回归模块，其被配置成基于至少与相应训练集的消耗数据相关联的时间顺序信息和趋势分量来对经分解的消耗数据执行回归分析以训练预测函数；预测模块，其被配置成基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据；以及输出模块，其被配置成将所估计的预测的能量消耗数据输出至用户接口、警报设备、存储设备或第三方接口中的至少一个。数据捕获模块、第一数据分解模块、第二数据分解模块、回归模块和预测模块可以存储在非暂态存储介质中以在处理器中被执行。
通过使用被分解成不同训练集和分量的粒度级消耗数据，可以使用来自相对较短的训练时间段的数据来实现对能量消耗数据的更精确的预测。此外，采用这种方法，可以估计相对精细的粒度级预测数据，这可以用于实时监测或警报，以便快速检测被监测地点的资源消耗的趋势或偏差。
附图说明
下面将参照附图描述本发明的各种实施方式。在附图中，相同的附图标记用于不同实施方式的相同元件。
图1示出了根据本发明的实施方式的预测系统的示意图。
图2示出了根据本发明的实施方式的用于训练预测函数的方法的流程图。
图3示出了对测试地点的预测的能量消耗数据和测量的能量消耗数据的比较。
具体实施方式
本发明的实施方式涉及用于基于训练的预测函数来针对至少一个被监测地点例如建筑物估计预测的能量消耗数据的预测系统。本发明的实施方式还涉及可以用于实现这种预测系统的用于预测能量消耗数据的方法和基于云的预测平台。
图1示出了根据本发明的实施方式的预测系统100。系统100包括预测平台110和经由数据网络180例如因特网的第一网关112和第二网关152连接至预测平台110的测量系统150。
测量系统150被部署在待监测的地点例如单个建筑物或一组建筑物处。在待监测多个建筑物的情况下，每个建筑物可以具有其自己的测量系统150。在所描述的示例中，由中央电力供应点192a处的公用设备供应商190a向该地点供应电能。例如，该地点可以通过智能仪表装置154a连接至公用设备供应商190a的能量分配网络。此外，由中央气体供应点192b处的第二公用设备供应商190b向该地点供应气体，由气体计量装置154b计量。然而，在可替选的实施方式中，可以由更少或更多供应商通过更少或更多供应点和/或通过更少或更多能量载体向被监测地点提供能量。
在被监测地点内，由公用设备供应商190a供应的电能由多个分配面板(未示出)分配。通常，向待监测的地点内的任何特定端点提供的电能经由至少一个分配面板提供并且由至少一个断路器保护。在图1中示出的示例性实施方式中，出于简单起见，仅示出了三个断路器160a至160c。然而，注意如下事实：被监测地点可以包含数十、数百甚至数千个分配面板和断路器。
在所描述的实施方式中，断路器160a至160c中的每一个具有分配给它的对应的传感器170a至170c。传感器170被布置在断路器160上，以便分别监测通向电力消耗者164a至164c的对应电路162a至162c的能量消耗。在不同的实施方式中，传感器170可以与待监测的地点内的各个设施、断路器组、分配面板或者能量分配网络的任何其他独特部分相关联。
测量系统150还包括由气体计量装置154b向其供应呈气体形式的能量的加热、通风和空气调节(HVAC)系统166。典型地，HVAC系统166将包括一个或更多个内部传感器或控制装置，所述一个或更多个内部传感器或控制装置提供关于由HVAC系统166使用的能量以及其在整个被监测地点例如建筑物的分布的信息。
与断路器160相关联的传感器170以及设施146和计量器154的内部传感器被分别称为粒度级传感器。此外，它们收集的数据在下文中称为粒度级能量消耗值。
此外，测量系统150包括用于获得关于被监测地点的其他状态信息的附加传感器172。在所描述的实施方式中，传感器172测量被监测地点的一个或若干个位置处的环境数据，例如温度、湿度、风速或UV辐射水平。如下所述，由传感器172获得的环境数据可以用于调节HVAC系统166、监测建筑物的当前状态并且预测被监测地点的当前能量消耗。
HVAC系统166、传感器170和传感器172以及可选的计量装置154a和计量装置154b通过局域网156连接。以这种方式，以粒度级收集的用于各个能量消耗者164和166的特定于位置的能量消耗值以及其他测量值例如环境数据可以经由网关152、数据网络180和网关112被收集并且提供给预测平台110。
注意如下事实：本发明不限于图1中公开的特定测量系统150。为了本发明的目的，提供相对精细的粒度级消耗数据足以用于如下详述的进一步分析。这些数据也可以通过对与被监测地点的较大部分相关联的一个或几个传感器提供的数据进行高级数据分析来获得，而不是通过对与各个电路或能量消耗装置相关联的较大数目的传感器。
预测平台110包括数据捕获模块120、训练设备130和预测模块140。此外，预测平台110包括储存设备122、存储接口124和用户接口144。如下面更详细描述的，由预测平台110处理的所有数据被存储在中央储存设备122中。然而，注意如下事实：本发明的方法和系统还可以对即时可用的数据进行操作，进行存储仅提供用于归档目的或由外部实体提供。这些模块可以用硬件或软件或其组合来实现。例如，各个模块可以采取在非暂态存储装置上存储的计算机代码的形式，以供通用处理装置例如网络服务器计算机的处理器执行。
在操作中，数据捕获模块120从测量系统150中获得粒度级消耗数据并且将其存储在存储设备122中。这种数据可以被用作如稍后描述的训练设备130的训练集。可替选地，由其他装置获得的训练数据可以通过存储接口124提供给存储设备。在任一情况下，由数据捕获模块120获得的数据可以用于实时监测。
在待监测的地点的能量消耗可以被可靠地预测之前，训练设备130需要基于相对较大的数据集来执行训练。例如，训练设备130可以基于在几个月的训练时间段期间获得的粒度级消耗数据来训练。因此，训练设备130生成表征待监测地点的多个参数模型。这些参数也被存储在存储设备122中，并且然后可以被预测模块140使用以估计待监测地点的粒度级的能量消耗数据。
然后，可以将由预测模块140预测的粒度级消耗数据与先前存储的或从测量系统150获得的实时消耗数据进行比较，以便评估预测模块的质量和/或以便评估待监测地点的能量效率。这样的评估可以借助于用户接口144例如通过允许被监测地点的管理者登录到对应的Web应用程序来交互地执行。可替选地，引起对特别高或低的能量消耗的注意的自动消息可以借助于自动消息传递系统例如电子邮件或文本消息来发送。
为了实现预测的能量消耗的期望精度，训练设备130使用混合分解模型来分解存储设备122中存储的训练数据。在给定的示例中，这借助于水平数据分解模块132和竖直分解模块134来执行。水平数据分解模块132将训练数据分解成针对不同类型的日期的多个不同的训练集。例如，训练数据可以被分成用于工作日、周末和节假日的训练数据。借助于竖直数据分解模块134，这些不同的训练集然后被进一步分解成季节性分量、趋势分量和剩余分量，如下面更详细描述的。此外，回归模块136可以被用来从由竖直数据分解模块134提供的趋势分量中获得建模参数。由数据分解模块132和数据分解模块134将数据分解成不同尺寸改善了由回归模块136执行的回归的质量，并且因此改善了由预测模块140使用的预测模型的质量。
图2示出了根据本发明的实施方式的用于训练用于预测能量消耗数据的预测模型的方法200的流程图。
当成功训练时，消耗预测模型对待监测的地点的特定数据点的消耗模式即各个设施例如HVAC或照明系统、或建筑物的部分例如特定房间或楼层的粒度级能量消耗进行建模。以这种方式，不仅可以预测和监测建筑物的总能量消耗，而且可以分析能量消耗，并且因此可以分析建筑物的各个部分的效率。
图2中示出的训练方法200由三个主要阶段即水平分解、竖直分解和回归分析组成。
在方法200的第一步骤210中，提供了包括时间序列的消耗数据212的训练数据。例如，可以提供针对一年的每一天和针对测量系统150的每个传感器的历史消耗值连同相关联的日期信息，例如测量消耗值的时间点或时间段。如果可能的话，所提供的训练数据不仅包括历史消耗值，而且包括相关联的历史的环境信息214，例如在进行测量时的温度、湿度水平、风力强度和UV辐射水平。
在步骤220中，基于所提供的历史消耗数据212，执行水平分解。因此，水平分解模块132可以将所提供的消耗数据212分离成与消耗数据212的不同子集对应的几个训练集222、224和226。训练集222、224和226基于针对其获得测量数据的对应日期的类型来限定。该水平分解使得预测模型能够处理通常与文化传统例如节假日和周末相关联的行为变化。
可以基于固定规则例如日历规则来执行步骤220的分解，以便将训练数据212分解成多个不同的训练集222、224和226。例如，可以在步骤220中生成用于在正常工作日获得的数据的第一训练集222、用于周末的第二训练集224和用于节假日的第三训练集226。可替选地，可以基于通过识别日期与相似的消耗模式的机器学习来自动确定在步骤222中执行的分类。这种方法有时也被称为聚类。无论哪种方式，所获得的训练集222、224和226中包括的消耗数据将按时间顺序存储或者注释有对应的时间顺序信息用于进一步处理。
在步骤230中，在水平分解阶段生成的训练集222、224和226中的每一个训练集将由竖直分解模块134进一步处理。竖直分解的目的是将与给定训练集222、224或226的消耗数据对应的时间序列Y分解成三个分量，即季节性分量S、趋势分量T和剩余R，即：
Y＝S+T+R
季节性分量S对季节性影响即周期性模式建模。天气和其他环境因素的影响由趋势分量T的回归建模，如下面详述的。
可以使用已知的季节性分解算法将多个不同的训练集222、224和226分解成季节性分量S和趋势分量T。这种季节性分解算法的一个例子是公知的基于loess的季节性趋势分解过程。这种方法在如下中被更详细地描述：Robert B.Cleveland等人，“A seasonal-trend decomposition procedure based on Loess”，Journal of Official Statistics，第6卷，第1期，第3页至73页，1990年。能够执行季节性分解的另一算法基于例如在如下中描述的移动平均的计算：F.E.Grubbs(1969)，Procedures for detecting outlyingobservations in samples，Technometrics，第11卷，第1期，第1页至21页。
一旦水平分解和竖直分解二者都被执行，则季节性分量S被存储在存储设备122中并且趋势分量T被传递到回归模块136用于进一步的建模。剩余R必须与真实测量数据和由季节性分量S以及趋势分量T建模的消耗数据的分量之间的误差对应，并且因此在下文中不再考虑。然而，剩余分量R对于执行其他分析处理仍可以是有用的，并且因此也可以被存储在存储设备122中。
在步骤240中，关于趋势分量T的回归分析由回归模块136执行。该模块借助于时间顺序信息例如日、月、年或星期几来对趋势分量建模。此外，在所描述的实施方式中，另外的环境信息214被用于建模，只要它们可用于训练集222、224和226的消耗数据。例如，温度数据、湿度数据、风速数据和UV水平数据可以被使用，以便对地点的能量消耗对进行测量时的普遍天气条件的依赖性进行建模。
基于先前描述的数据的分解，可以利用许多不同的回归算法来解决该问题，例如在统计领域中已知的所谓的岭回归。例如，在如下中描述了这样的方法：A.E.Hoerl和R.W.Kennard(1970)，Ridge regression:Biased estimation for nonorthogonalproblems，Technometrics，第12卷，第1期，第55页至67页，并且因此在此不再详细描述。
在下文中，提供了简单示例以示出如何基于在步骤230中由第二分解模块134提供的趋势回归部分T来在步骤240中执行回归。
在该示例中，给出了以下趋势系列Trend_t：
Figure BDA0001714118420000071
Figure BDA0001714118420000081
该趋势系列与也提供如下的以下环境信息相关：
Figure BDA0001714118420000082
注意，通常，温度、湿度、风速和UV指数不是唯一要考虑的特征。这仅仅是用于说明的小子集。θt是时间t处的特征向量，例如，不考虑任何特征变换：
Figure BDA0001714118420000083
通过基于矩阵θ对向量Trend_t执行回归，可以获得最优参数β*，其中
θ＝[θ00:00…θ23:00]
为了简化，此处选择一般最小二乘(OLS)的方法用于回归。在这种情况下，
Figure BDA0001714118420000084
在这种表示中，最后一项β*是偏差项，它用于为模型提供较高的自由度。
此外，虽然在所描述的示例中未使用，但是可以使用其他参数作为特征向量θ的一部分。例如，日期t的特征集可以包括日期t的加热度日(HDD)参数和冷却度日(CDD)参数中的至少一个。如所描述的示例中，以日为基础对相对较短的时间段建模，HDD和CDD的值将是恒定的并且将在回归期间被吸收到偏差项中。然而，当对较长时间段建模时，则可以在模型中明确表示这些参数。
作为步骤240的结果，由回归模块136确定多个最优参数β。例如，不同的最优参数β可以针对每个类型的日期来确定并且可以被存储在存储设备122中。由竖直数据分解模块134确定的季节性分量S和由回归模块136确定的最优参数β一起表示用于针对每个类型的日期评估待监测的地点的能量消耗的模型f(t)。
该模型可以被使用以便基于对其执行估计的日期的类型以及环境信息214例如天气数据来确定建筑物的各个部分的能量消耗。这样的天气数据可以由测量系统150测量或者可以基于天气预测。
使用以上模型来预测地点能量消耗是在每一天的基础上进行的。在执行预测之前，必须根据与在步骤220中的水平数据分解中使用的分类规则相同的分类规则来对对其执行预测的日期进行分类。给定日期类型i，可以利用所获得的模型来基于以下预测函数执行预测：
Figure BDA0001714118420000091
其中，Si是类型i的季节性分量，θ是由回归模块136限定的输入参数，θ可以包括时间顺序信息和环境信息两者，βi是类型i的最优参数，并且f是回归模块136中使用的模型。
作为步骤240的结果，预测模块140确定为待监测的地点的粒度级能量消耗水平集。这种估计的消耗数据可以用于例如通过将所有的各个消耗值加起来预测被监测地点的总能量消耗或者可以用于对建筑物的各个部分的实时能量消耗与对应的估计进行比较。因此，建筑物的管理者可以容易地识别整个建筑物或其特定部分是否超过预测的能量预算并且相应地进行动作。
图3示出了对测试地点的预测的能量消耗数据(图的上部分)和实际测量的真实能量消耗数据(图的下部分)的比较。对于该比较，在2015年5月1日至2015年6月14日之间捕获了测试地点的粒度级消耗数据。基于2015年5月采集的数据，预测函数被训练。基于该训练，对于2015年6月1日至2015年6月14日的时间段测试地点的能量消耗被估计并且与同一时间段的测量能量消耗进行了比较。如从图3中可以看出，即使对于该相对较短的训练时间段，仍存在R2＝0.9390的高相关性。
对于图3所示的预测，没有环境数据可用于训练。即该预测仅仅基于从训练数据导出的历史趋势。
如上所详细描述，供训练设备130训练使用的数据具有与从测量系统150获得的测量数据的格式在本质上相同的格式。因此，可以在操作期间连续重复训练系统。因此，该模型可以得到持续的改善，以获得更精确的估计结果。
通过对估计的能量消耗值与实时测量的能量消耗值或与被提供为训练集的历史能量消耗数据212进行比较，地点管理者或能量顾问可以评估被监测地点的效率。因此，可以设计和监测改善地点的能量效率的装置。
例如，地点管理者可以对关于能量消耗者的升级之前和之后的建筑物的能量效率进行比较。例如，当安装具有较高能量效率的新的照明系统时，管理者应该能够观察到被监测地点的真实能量消耗应该降至先前预测的能量消耗以下并且在实践中量化实现的节约量。这种信息也可以用于所谓的能量管理合同(EMC)，其中，所预测的节约量可以用于获得第三方资金用于节能项目。
此外，如果商定的能量绩效目标不太可能实现，则借助于实时或近乎实时的监测，可以生成自动警报。因此，能量效率管理可以由地点管理者实施。
基于回归模型，决策者将能够基于天气变化趋势来模拟未来的能量消耗，从而帮助量化气候变化的成本，最终支持对能量资源的更加可持续的管理的事业。

Claims (18)

1.一种预测系统，包括：
测量系统，其用于提供时间序列的粒度级消耗数据；
第一数据分解设备，其被配置成将所述时间序列的粒度级消耗数据分别分解成针对工作日、周末和节假日的三个不同的训练集；
第二数据分解设备，其被配置成将三个训练集中的每一个训练集分解成季节性分量和趋势分量；
回归设备，其被配置成基于与相应训练集的消耗数据相关联的时间顺序信息和趋势分量来对经分解的消耗数据执行回归分析以训练预测函数；以及
预测设备，其被配置成基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据。
2.根据权利要求1所述的预测系统，还包括数据捕获设备，所述数据捕获设备被配置成捕获被监测地点的粒度级消耗数据。
3.根据权利要求2所述的预测系统，其中，所述第一数据分解设备被配置成分解由所述数据捕获设备捕获的粒度级消耗数据。
4.根据权利要求2所述的预测系统，还包括比较设备，所述比较设备被配置成对所捕获的所述被监测地点的粒度级消耗数据与所估计的能量消耗数据进行比较。
5.根据权利要求4所述的预测系统，还包括图形用户接口，所述图形用户接口被配置成显示所捕获的所述被监测地点的粒度级消耗数据和所估计的能量消耗数据。
6.根据权利要求4所述的预测系统，还包括警报设备，所述警报设备被配置成在所捕获的粒度级消耗数据超出所述预测的能量消耗数据多于预定裕度的情况下通知用户。
7.根据权利要求1所述的预测系统，还包括数据存储设备，所述数据存储设备被配置成存储至少一个时间序列的消耗数据、所述三个训练集、所述季节性分量、所述趋势分量、所述预测函数和所述预测的能量消耗数据。
8.根据权利要求1所述的预测系统，其中，所述测量系统包括多个传感器，其中，所述传感器被布置在对应的断路器上，每个断路器保护通向被监测地点内的电力消耗者的对应电路，每个传感器监测由所述传感器被分配至的对应断路器所保护的电路的能量消耗。
9.一种用于预测能量消耗数据的方法，包括：
使用测量系统捕获消耗的能量的消耗数据，其中，能量消耗数据包括时间序列的粒度级消耗数据；
将所述消耗数据分解成针对工作日、周末和节假日的多个不同的训练集；
基于所述多个训练集中的对应训练集针对每个类型的日期独立地训练预测函数；以及
基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据；
其中，在训练所述预测函数的步骤中，基于与相应训练集的消耗数据相关联的时间顺序信息和趋势分量来对经分解的消耗数据执行回归分析。
10.根据权利要求9所述的方法，其中，在将所述消耗数据分解成多个不同的训练集的步骤中，使用基于所述消耗数据的机器学习算法将所述消耗数据分解成多个相似日期的序列。
11.根据权利要求9所述的方法，还包括以下步骤：将所述多个训练集中的每一个训练集分解成季节性分量、趋势分量和剩余分量。
12.根据权利要求9所述的方法，其中，所述回归分析还基于与相应训练集的消耗数据相关联的环境信息。
13.根据权利要求12所述的方法，其中，所述环境信息包括以下中的至少一个：温度数据、湿度数据、风数据和UV辐射数据。
14.根据权利要求11所述的方法，其中，在训练所述预测函数的步骤中，基于以下序列来训练所述预测函数：
Figure FDA0003340154120000021
其中，类型是日期t的类型，θt是日期t的特征集，并且β*是估计的最优参数，
Figure FDA0003340154120000022
表示对季节性影响进行建模的类型的季节性分量，
Figure FDA0003340154120000023
表示对天气和其他环境因素的影响进行建模的类型的趋势分量。
15.根据权利要求14所述的方法，其中，所述日期t的特征集包括日期t的加热度日参数和冷却度日参数中的至少一个。
16.根据权利要求9所述的方法，其中，针对至少一种能量资源类型提供粒度级消耗数据。
17.根据权利要求9所述的方法，其中，所述时间序列的消耗数据包括关于电能、气体、油、热水和蒸汽中的至少一个的消耗数据。
18.一种基于云的预测平台，包括：
测量系统，其包括多个传感器，并且被配置成测量时间序列的粒度级消耗数据；以及
处理器，其包括存储待在所述处理器上执行的指令的非暂态存储介质，所述指令被配置成
捕获通过数据网络提供的时间序列的粒度级消耗数据；
将所述消耗数据分别分解成针对工作日、周末和节假日的三个不同的训练集；
将三个训练集中的每一个训练集分解成至少季节性分量和趋势分量；
基于至少与相应训练集的消耗数据相关联的时间顺序信息和所述趋势分量来对经分解的消耗数据执行回归分析以训练预测函数；
基于经训练的预测函数和对其执行预测的日期的类型来估计预测的能量消耗数据；以及
将所估计的预测的能量消耗数据输出至以下中的至少一个：用户接口显示器、警报设备、存储设备或第三方接口。
CN201680077334.6A 2015-10-30 2016-10-28 用于预测能量消耗的系统、方法和基于云的平台 Active CN108700851B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/929,034 2015-10-30
US14/929,034 US10515308B2 (en) 2015-10-30 2015-10-30 System, method and cloud-based platform for predicting energy consumption
PCT/CN2016/103789 WO2017071648A1 (en) 2015-10-30 2016-10-28 System, Method and Cloud-Based Platform for Predicting Energy Consumption

Publications (2)

Publication Number Publication Date
CN108700851A CN108700851A (zh) 2018-10-23
CN108700851B true CN108700851B (zh) 2022-03-25

Family

ID=58629882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680077334.6A Active CN108700851B (zh) 2015-10-30 2016-10-28 用于预测能量消耗的系统、方法和基于云的平台

Country Status (5)

Country Link
US (1) US10515308B2 (zh)
CN (1) CN108700851B (zh)
DE (1) DE112016004932T8 (zh)
GB (1) GB2561474B (zh)
WO (1) WO2017071648A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018154360A1 (ja) * 2017-02-24 2018-08-30 オムロン株式会社 学習データを生成するための処理方法、システム、プログラムおよび記憶媒体、並びに学習データを生成する方法およびシステム
US10731886B2 (en) 2017-07-20 2020-08-04 Carrier Corporation HVAC system including energy analytics engine
JP6797780B2 (ja) * 2017-11-07 2020-12-09 株式会社東芝 情報処理装置、情報処理方法及びプログラム
US11061934B1 (en) * 2018-04-06 2021-07-13 Intuit Inc. Method and system for characterizing time series
EP3677976A1 (en) * 2019-01-02 2020-07-08 Gestamp Servicios S.A. Method, system and computer program product for evaluation of energy consumption in industrial environments
WO2020237539A1 (zh) * 2019-05-29 2020-12-03 西门子股份公司 电力负荷的预测方法、装置及存储介质
CN110658725B (zh) * 2019-08-19 2023-05-02 周口师范学院 一种基于人工智能的能源监管和预测系统及其方法
CN112423327B (zh) * 2019-08-22 2024-02-09 中兴通讯股份有限公司 一种容量预测方法及设备、存储介质
CN110701796B (zh) * 2019-08-29 2021-07-06 广州微控能源科技有限公司 一种基于云预测算法的热水系统节能控制系统
KR20210033769A (ko) * 2019-09-19 2021-03-29 삼성전자주식회사 전자 장치 및 전자 장치의 동작 방법
US20210201191A1 (en) * 2019-12-27 2021-07-01 Stmicroelectronics, Inc. Method and system for generating machine learning based classifiers for reconfigurable sensor
WO2022026925A1 (en) * 2020-07-30 2022-02-03 Onboard Data, Inc. System and methods for determining operational relationships in building automation and control networks
US11626730B2 (en) * 2021-03-05 2023-04-11 Air Products And Chemicals, Inc. Method and apparatus for managing predicted power resources for an industrial gas plant complex
CN114565327B (zh) * 2022-04-29 2022-07-05 深圳科信能源科技有限公司 基于物联网的智慧能源管控系统
CN115015486B (zh) * 2022-06-13 2023-04-07 中南大学 一种基于回归树模型的碳排放量测算方法
CN115355447B (zh) * 2022-10-20 2023-01-06 成都秦川物联网科技股份有限公司 一种基于物联网的智慧燃气门站调压优化方法和系统
CN116070795B (zh) * 2023-03-29 2023-07-11 山东历控能源有限公司 一种基于物联网的智慧能源管控方法及系统
CN118100178A (zh) * 2024-04-26 2024-05-28 阿里巴巴（中国）有限公司 时间序列的处理方法和电力系统负荷的处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102597639A (zh) * 2009-09-16 2012-07-18 施耐德电气美国股份有限公司 对能量负荷进行建模和监测的系统和方法
CN104484715A (zh) * 2014-11-28 2015-04-01 江苏大学 一种基于神经网络和微粒群优化算法的建筑能耗预测方法

Family Cites Families (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030101009A1 (en) 2001-10-30 2003-05-29 Johnson Controls Technology Company Apparatus and method for determining days of the week with similar utility consumption profiles
SE0202214D0 (sv) * 2002-07-12 2002-07-12 St Jude Medical A cardiac stimulating device
US20040102937A1 (en) * 2002-11-21 2004-05-27 Honeywell International Inc. Energy forecasting using model parameter estimation
US7089125B2 (en) * 2003-10-27 2006-08-08 Itron, Inc. Distributed asset optimization (DAO) system and method
GB2408592B (en) 2003-11-27 2005-11-16 James Ian Oswald Household energy management system
WO2007087537A2 (en) * 2006-01-23 2007-08-02 The Trustees Of Columbia University In The City Of New York System and method for grading electricity distribution network feeders susceptible to impending failure
US7795877B2 (en) 2006-11-02 2010-09-14 Current Technologies, Llc Power line communication and power distribution parameter measurement system and method
US20120143383A1 (en) 2007-02-02 2012-06-07 Inovus Solar, Inc. Energy-efficient utility system utilizing solar-power
US7974913B1 (en) 2007-07-30 2011-07-05 Barclays Capital Inc. Methods, computer systems, and software for estimating trading volume
CA2722785C (en) 2008-05-07 2015-03-17 Power House Dynamics, Inc. System and method to monitor and manage performance of appliances
CN102057396B (zh) * 2008-06-12 2014-09-17 地铁电力有限公司 用于节能减排的方法
US8768745B2 (en) 2008-07-31 2014-07-01 Xerox Corporation System and method of forecasting print job related demand
US9129231B2 (en) 2009-04-24 2015-09-08 Rockwell Automation Technologies, Inc. Real time energy consumption analysis and reporting
KR101078905B1 (ko) 2009-05-21 2011-11-01 엘에스산전 주식회사 지능형 분전반
US9606520B2 (en) 2009-06-22 2017-03-28 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
CN102577023B (zh) 2009-09-09 2015-02-25 松下电器产业株式会社 电力控制系统
US8370283B2 (en) 2010-12-15 2013-02-05 Scienergy, Inc. Predicting energy consumption
FR2975206B1 (fr) * 2011-05-11 2014-04-04 Commissariat Energie Atomique Procede de prevision de la consommation energetique d'un batiment
CN102354178B (zh) 2011-08-02 2013-04-17 常州节安得能源科技有限公司 能效监控系统
US8983670B2 (en) 2011-09-14 2015-03-17 Honeywell International Inc. Energy consumption disaggregation system
US20150178865A1 (en) * 2011-09-20 2015-06-25 The Trustees Of Columbia University In The City Of New York Total property optimization system for energy efficiency and smart buildings
CN103018582A (zh) 2011-09-28 2013-04-03 南京丹迪克科技开发有限公司 一种电能质量监测系统
US9798298B2 (en) 2012-04-02 2017-10-24 Accenture Global Services Limited Community energy management system
CN103543309B (zh) 2012-07-16 2016-09-07 青岛海尔空调电子有限公司 向用户提醒用电量的方法和装置
US9569804B2 (en) 2012-08-27 2017-02-14 Gridium, Inc. Systems and methods for energy consumption and energy demand management
TWI451096B (zh) 2012-09-04 2014-09-01 Univ Nat Taiwan Normal Integrated energy consumption control system and its method
CA2884785C (en) 2012-09-13 2022-10-18 Huninn Mesh R&D Pty Ltd Systems, methods and devices for networking over a network
US10389126B2 (en) 2012-09-13 2019-08-20 Stem, Inc. Method and apparatus for damping power oscillations on an electrical grid using networked distributed energy storage systems
KR101321622B1 (ko) 2012-09-17 2013-10-23 한국전력공사 보호계층 생활상태 모니터링 장치 및 방법
CN102938092A (zh) * 2012-10-08 2013-02-20 珠海派诺科技股份有限公司 一种基于神经网络的建筑节假日能耗预测方法
KR101336571B1 (ko) 2012-11-09 2013-12-03 한국 전기안전공사 전기재해 취약장소의 전기안전관리 시스템을 관리 및 운영하는 계층구조 기반 단체 건물의 배전반 감시 시스템
CN102969796B (zh) 2012-12-10 2015-04-08 电子科技大学 一种农网近实时电量监测与调度管理系统
US9043085B2 (en) 2013-01-11 2015-05-26 Johnson Controls Technology Company Vehicle accessory load controller and method
US9471722B2 (en) 2013-02-05 2016-10-18 Johnson Controls Technology Company Systems and methods for evaluating a fault condition in a building
WO2014162752A1 (ja) * 2013-04-04 2014-10-09 株式会社村田製作所 誘電体磁器組成物およびそれを用いた積層セラミックコンデンサ
CN103236102B (zh) 2013-05-02 2018-08-17 上海永天科技股份有限公司 基于物联网技术的智能化楼宇能源管理系统
EP3055842B1 (en) 2013-10-07 2020-01-22 Google LLC Smart-home hazard detector providing non-alarm status signals at opportune moments
CN103544544B (zh) * 2013-10-29 2016-08-17 广东工业大学 一种能源消耗预测方法及装置
US9355069B2 (en) 2013-12-20 2016-05-31 Johnson Controls Technology Company Systems and methods for determining the uncertainty in parameters of an energy use model
IN2014MU00871A (zh) 2014-03-14 2015-09-25 Tata Consultancy Services Ltd
US9800646B1 (en) 2014-05-13 2017-10-24 Senseware, Inc. Modification of a sensor data management system to enable sensors as a service
US9576245B2 (en) * 2014-08-22 2017-02-21 O Power, Inc. Identifying electric vehicle owners
CN104239982A (zh) 2014-10-12 2014-12-24 刘岩 一种基于时间序列和神经网络的建筑节假日能耗预测方法
CN104268424A (zh) * 2014-10-12 2015-01-07 刘岩 一种基于时间序列的地铁能耗综合预测方法
US9995815B2 (en) 2014-12-30 2018-06-12 Energybox Ltd. Energy metering system and method for its calibration
CN104615119B (zh) 2015-02-28 2016-09-07 南京飞腾电子科技有限公司 一种家庭能源管理系统
US9912192B2 (en) 2015-06-22 2018-03-06 Iron Mountain Incorporated Power distribution visibility in data center environments
KR20180059500A (ko) 2015-09-24 2018-06-04 어스네트웍스 아이엔씨 교정된 전력 측정들을 유도하기 위한 원격 감지

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102597639A (zh) * 2009-09-16 2012-07-18 施耐德电气美国股份有限公司 对能量负荷进行建模和监测的系统和方法
CN104484715A (zh) * 2014-11-28 2015-04-01 江苏大学 一种基于神经网络和微粒群优化算法的建筑能耗预测方法

Also Published As

Publication number Publication date
GB2561474B (en) 2021-10-13
DE112016004932T5 (de) 2018-08-02
GB201808010D0 (en) 2018-07-04
US20170124466A1 (en) 2017-05-04
CN108700851A (zh) 2018-10-23
DE112016004932T8 (de) 2018-08-23
US10515308B2 (en) 2019-12-24
WO2017071648A1 (en) 2017-05-04
GB2561474A (en) 2018-10-17

Similar Documents

Publication Publication Date Title
CN108700851B (zh) 用于预测能量消耗的系统、方法和基于云的平台
Gunay et al. Data analytics to improve building performance: A critical review
Meng et al. Degree-day based non-domestic building energy analytics and modelling should use building and type specific base temperatures
KR101698224B1 (ko) 건물 에너지 소비 분석 시스템
US8370283B2 (en) Predicting energy consumption
JP2009294969A (ja) 需要予測方法および需要予測装置
US11403647B2 (en) Systems and methods for data analytics for virtual energy audits and value capture assessment of buildings
JP2003242212A (ja) ユーティリティの消費特性が類似する曜日を決定する装置および方法
WO2015196133A2 (en) Energy infrastructure sensor data rectification using regression models
JP2003162324A (ja) ビル内のユーティリティの異常使用を検出するインテリジェント・データ分析法
Harmer et al. Using calibrated energy models for building commissioning and load prediction
Ploennigs et al. Exploiting generalized additive models for diagnosing abnormal energy use in buildings
WO2018112352A1 (en) Techniques of automated fault detection and related systems and methods
JP6756425B2 (ja) 省エネ診断プログラム
CN107121943B (zh) 一种用于获得智能仪表的健康预测信息的方法和装置
CN116187552A (zh) 异常检测方法、计算设备及计算机存储介质
CN108604821B (zh) 能量消耗报警方法、能量消耗报警系统和平台
CN116930652A (zh) 一种公共建筑能耗监测系统及节能效果监测方法
EP3677976A1 (en) Method, system and computer program product for evaluation of energy consumption in industrial environments
JP2018021856A (ja) 気象情報予測装置および電力需要予測装置
Spiliotis et al. Tracking the performance of photovoltaic systems: a tool for minimising the risk of malfunctions and deterioration
JP7240767B1 (ja) 風況予測システム及び風況予測方法
Uppal et al. Short term load forecasting through heat index biasing approach for smart grid sustainability
US20200332773A1 (en) A prognostics and health management model for predicting wind turbine oil filter wear level
García et al. Implementation of an Energy Demand Forecasting Model under a Smart Grids Environment

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