CN110298488A - 一种基于数据挖掘的能源数据分析方法及系统 - Google Patents
一种基于数据挖掘的能源数据分析方法及系统 Download PDFInfo
- Publication number
- CN110298488A CN110298488A CN201910466075.1A CN201910466075A CN110298488A CN 110298488 A CN110298488 A CN 110298488A CN 201910466075 A CN201910466075 A CN 201910466075A CN 110298488 A CN110298488 A CN 110298488A
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- analysis method
- analysis
- mining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000007418 data mining Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 7
- 238000013144 data compression Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能源数据处理技术领域，尤其涉及一种基于数据挖掘的能源数据分析方法及系统，其不同之处在于，其步骤包括：S1、由数据采集设备统一将数据汇总至采集终端，然后进行集中存储；S2、对采集到的能源数据进行分类、检查和标准化；S3、根据挖掘目标与数据特点选择数据挖掘方法，通过离线挖掘与在线机器学习提升智能分析水平；S4、对能源系统进行类型划分，根据不同设备类型、应用场景和历史数据来建立预测模型。本发明对能源大数据进行处理分析，预测能源的消耗情况，优化了能源消耗。
Description
技术领域
本发明涉及能源数据处理技术领域，尤其涉及一种基于数据挖掘的能源数据分析方法及系统。
背景技术
能源是人类社会赖以生存和发展的重要物质基础。纵观人类社会发展的历史，人类文明的每一次重大进步都伴随着能源的改进和更替。能源的开发利用极大地推进了世界经济和人类社会的发展。随着能源日益紧张和环境恶化，节约能源、提高能源利用效率极其重要。各类水、电、气设备与分类能耗是工业设施、社会基础设施与各类建筑建设投资和日常运营成本的主要构成部分之一，合理布局能源设施配置和管控功能可以显著提高设施与能源利用效率并降低成本。
目前的能源管理只能将探测和采集到的能源消耗数据显示给用户，并没有进一步分析及预测，用户无法据此作出改进或预防措施，能源系统的数据使用率不高。
鉴于此，为克服上述技术缺陷，提供一种基于数据挖掘的能源数据分析方法及系统成为本领域亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种基于数据挖掘的能源数据分析方法及系统，对能源大数据进行处理分析，预测能源的消耗情况，优化了能源消耗。
为解决以上技术问题，本发明的技术方案为：一种基于数据挖掘的能源数据分析方法，其不同之处在于，其步骤包括：
S1、由数据采集设备统一将数据汇总至采集终端，然后进行集中存储；
S2、对采集到的能源数据进行分类、检查和标准化；
S3、根据挖掘目标与数据特点选择数据挖掘方法，通过离线挖掘与在线机器学习提升智能分析水平；
S4、对能源系统进行类型划分，根据不同设备类型、应用场景和历史数据来建立预测模型。
按以上方案，所述步骤S1中采集的数据包括：应用场景类型，能源设备的运行时间、运行状态、能耗参数。
按以上方案，所述步骤S2中，检查数据的完整性并去除噪声和奇异值，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后进行数据标准化。
按以上方案，所述步骤S3中，针对能源系统多变量、变量间多重相关和海量数据的特点，使用主成分分析、偏最小二乘分析的多变量变换与筛选方法，对能源系统对于能耗的影响因素进行分析与挖掘。
按以上方案，步骤S4中，根据设备类型、设备运行时间段和环境参数信息，对能源管理系统中的设备能耗进行有效预测。
按以上方案，建立预测模型有两种方法：基于线性回归方法和人工神经网络预测方法。按以上方案，所述基于线性回归方法中，线性回归的基本公式为：Y＝αX+β+ε；
式中，Y为因变量；X为自变量；α，β为回归系数；ε为影响因子，在不考虑外界因素影响的情况下，该值可忽略不计；
假设一元线性回归模型为：Yi′＝αXi+β，i∈[1，n]；
建立该模型的具体步骤为：
(1)估算模型的回归参数，可得到：
(2)根据最小二乘法原理，记为：
要使其得到最小值，根据极值原理，分别对α，β求偏导数，令它们都等于0，即：
整理可得：
(3)解上面的方程组得到模型的回归系数α和β的值分别为：
本步骤中使用第二代回归分析方法PLS分析所提取出的主成分，建立主成分与能耗之间的回归模型，实现基于回归方法的能耗预测。
按以上方案，所述人工神经网络预测方法为BP神经网络算法，其步骤为：
(1)选择能源数据样本进行预处理，归一化处理使之成为适合网络的数据形式；
(2)将数据样本分为训练样本和测试样本；
(3)确定网络的输入输出神经元的数目；
(4)选择合理的训练算法，确定合适的训练步数，指定适当的训练目标误差，以获得较好的网络性能；由于BP网络固有的缺陷，选择附加动量项的学习算法来训练。
按以上方案，所述基于线性回归方法和人工神经网络预测方法可以结合一起使用。
一种基于数据挖掘的能源数据分析系统，其不同之处在于：其包括
数据采集设备：主要包含部署在现场的各类采集设备，这些设备统一将数据汇总至采集终端，然后进行集中存储；
数据存储模块：对数据采集设备中采集的原始数据进行分类存储；
数据预处理模块：检查数据的完整性，去除噪声和奇异值，根据任务的目标，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后数据标准化；
指标预警模块：根据预设的指标对能源异常情况进行监测和预警；
能源调度模块：主动问询各个单元需要监测的关键参数，对不同类型的能源进行分类管理，实现传统能源和新能源的自动化调度方式，并具备风、光、水及其他能源的协调控制能力。
对比现有技术，本发明的有益特点为：对能源大数据进行处理分析，预测能源的消耗情况，减少了能源浪费，优化了能源消耗，使用户可以更好地作出改进及预防措施。
附图说明
图1为本发明实施例的实现流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在下文中，将参考附图来更好地理解本发明的许多方面。附图中的部件未必按照比例绘制。替代地，重点在于清楚地说明本发明的部件。此外，在附图中的若干视图中，相同的附图标记指示相对应零件。
如本文所用的词语“示例性”或“说明性”表示用作示例、例子或说明。在本文中描述为“示例性”或“说明性”的任何实施方式未必理解为相对于其它实施方式是优选的或有利的。下文所描述的所有实施方式是示例性实施方式，提供这些示例性实施方式是为了使得本领域技术人员做出和使用本公开的实施例并且预期并不限制本公开的范围，本公开的范围由权利要求限定。在其它实施方式中，详细地描述了熟知的特征和方法以便不混淆本发明。出于本文描述的目的，术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”和其衍生词将与如图1定向的发明有关。而且，并无意图受到前文的技术领域、背景技术、发明内容或下文的详细描述中给出的任何明示或暗示的理论限制。还应了解在附图中示出和在下文的说明书中描述的具体装置和过程是在所附权利要求中限定的发明构思的简单示例性实施例。因此，与本文所公开的实施例相关的具体尺寸和其他物理特征不应被理解为限制性的，除非权利要求书另作明确地陈述。
参照图1，本发明的技术方案为：一种基于数据挖掘的能源数据分析方法，其不同之处在于，其步骤包括：
S1、由数据采集设备统一将数据汇总至采集终端，然后进行集中存储；
S2、对采集到的能源数据进行分类、检查和标准化；
S3、根据挖掘目标与数据特点选择数据挖掘方法，通过离线挖掘与在线机器学习提升智能分析水平；
S4、对能源系统进行类型划分，根据不同设备类型、应用场景和历史数据来建立预测模型。
具体的，所述步骤S1中采集的数据包括：应用场景类型，风电机组、光伏电站、燃气轮机机组、地源热泵机组等能源设备的运行时间、运行状态、能耗参数。
具体的，所述步骤S2中，检查数据的完整性并去除噪声和奇异值，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后进行数据标准化。
优选的，所述步骤S3中，针对能源系统多变量、变量间多重相关和海量数据的特点，使用主成分分析(Principal Component Analysis，PCA)、偏最小二乘分析(PartialLeast Square，PLS)等多变量变换与筛选方法，对能源系统对于能耗的影响因素进行分析与挖掘。将合适的数据预处理和偏最小二乘分析相结合，可以实现对具有多重相关性的能源影响因素的重要性分析。
具体的，步骤S4中，根据设备类型、设备运行时间段和环境参数信息，对能源管理系统中的设备能耗进行有效预测。
具体的，建立预测模型有两种方法：基于线性回归方法和人工神经网络预测方法。
具体的，所述基于线性回归方法中，线性回归的基本公式为：Y＝αX+β+ε；
式中，Y为因变量；X为自变量；α，β为回归系数；ε为影响因子，在不考虑外界因素影响的情况下，该值可忽略不计；
假设一元线性回归模型为：Yi′＝αXi+β，i∈[1，n]；
建立该模型的具体步骤为：
(1)估算模型的回归参数，可得到：
(2)根据最小二乘法原理，记为：
要使其得到最小值，根据极值原理，分别对α，β求偏导数，令它们都等于0，即：
整理可得：
(3)解上面的方程组得到模型的回归系数α和β的值分别为：
本步骤中使用第二代回归分析方法PLS分析所提取出的主成分，建立主成分与能耗之间的回归模型，实现基于回归方法的能耗预测。
在回归模型中，最基本的是一元线性回归模型；当因变量变化同时受多个自变量影响时，称为多元线性回归模型。PLS被称为第二代回归分析方法，在基于回归的预测中有极好的应用效果；本预测方法可对空调用电、动力用电、照明用电的进行数据预测，并结合月统计能耗预测结果来更好地进行节能规划。
具体的，所述人工神经网络预测方法为BP神经网络算法，BP神经网络的基本原理：先用一元线性回归方程来对原始数据进行预测，再将预测结果输入到训练好的BP神经网络中进行精确处理，使其能够更接近实际值。其步骤为：
(1)选择能源数据样本进行预处理，一般使用归一化处理使之成为适合网络的数据形式；
(2)将数据样本分为训练样本和测试样本；
(3)确定网络的输入输出神经元的数目；
(4)选择合理的训练算法，确定合适的训练步数，指定适当的训练目标误差，以获得较好的网络性能；由于BP网络固有的缺陷，选择附加动量项的学习算法来训练。
BP神经网络即多层前馈网络，是到目前为止使用最多和最为成熟的一种神经网络，采用最小均方差的学习方式，可用于语言综合、语言识别、自适应控制等。它是一种利用误差反向传播(Back Propagation)训练算法的具有隐含层的多层前馈网络，BP算法系统地解决了多层网络中隐含单元连接权的学习问题，其基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。系统实际统计数据，可以使用系统真实数据对网络进行训练，受适当训练的网络有泛化能力，即当输入出现训练中未提供的数据时，网络也有能力进行辨识。
BP神经网络的工作流程主要分为两个阶段：第一个阶段为前向传输，输入信号从输入层到中间层，最后到达输出层；第二个阶段为误差反馈，从输出层到中间层，最后到达输入层，在反馈的过程中，通过不断调整各层之间的加权系数和偏差来让网络的预测更加贴近误差范围。
神经网络还可以在线训练：通过一次正向传播，和一次反向传播，我们就可以将网络的参数更新一次，所谓训练网络，就是让正向传播和反向传播不断的往复进行，不断地更新网络的参数，最终使网络能够逼近真实的关系。
优选的，所述基于线性回归方法和人工神经网络预测方法可以结合一起使用。线性回归法虽然能够实现对一定序列的趋势进行预测，而且无需很多资料即可建立自变量和因变量的关系式。但是在有些个别的回归分析中针对影响因子和自变量的不确定性，会导致回归的变动较大，可能还会出现伪回归的情况。所以，在对能耗的预测当中，也可以结合BP神经网络一起来对能耗进行精确的预测，以解决线性回归存在的缺陷。
一种基于数据挖掘的能源数据分析系统，其不同之处在于：其包括
数据采集设备：主要包含部署在现场的各类采集设备，这些设备统一将数据汇总至采集终端，然后进行集中存储；
数据存储模块：对数据采集设备中采集的原始数据进行分类存储；
数据预处理模块：检查数据的完整性，去除噪声和奇异值，根据任务的目标，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后数据标准化；准确而系统的数据是进行预测的基础，必须根据确定的预测目标，采集有关历史和当前数据，对数据进行预处理、压缩和变换、标准化等操作，以满足预测的要求。
指标预警模块：根据预设的指标对能源异常情况进行监测和预警；
能源调度模块：主动问询各个单元需要监测的关键参数，对不同类型的能源进行分类管理，实现传统能源和新能源的自动化调度方式，并具备风、光、水及其他能源的协调控制能力。随着新能源规模的增长，电网实时调度的难度显著增加，此模块将会减轻能源调度的压力，减少了指定发电计划等工作的工作量。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于数据挖掘的能源数据分析方法，其特征在于，其步骤包括：
S1、由数据采集设备统一将数据汇总至采集终端，然后进行集中存储；
S2、对采集到的能源数据进行分类、检查和标准化；
S3、根据挖掘目标与数据特点选择数据挖掘方法，通过离线挖掘与在线机器学习提升智能分析水平；
S4、对能源系统进行类型划分，根据不同设备类型、应用场景和历史数据来建立预测模型。
2.根据权利要求1所述的基于数据挖掘的能源数据分析方法，其特征在于：所述步骤S1中采集的数据包括：应用场景类型，能源设备的运行时间、运行状态、能耗参数。
3.根据权利要求1所述的基于数据挖掘的能源数据分析方法，其特征在于：所述步骤S2中，检查数据的完整性并去除噪声和奇异值，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后进行数据标准化。
4.根据权利要求1所述的基于数据挖掘的能源数据分析方法，其特征在于：所述步骤S3中，针对能源系统多变量、变量间多重相关和海量数据的特点，使用主成分分析、偏最小二乘分析的多变量变换与筛选方法，对能源系统对于能耗的影响因素进行分析与挖掘。
5.根据权利要求1所述的基于数据挖掘的能源数据分析方法，其特征在于：步骤S4中，根据设备类型、设备运行时间段和环境参数信息，对能源管理系统中的设备能耗进行有效预测。
6.根据权利要求5所述的基于数据挖掘的能源数据分析方法，其特征在于：建立预测模型有两种方法：基于线性回归方法和人工神经网络预测方法。
7.根据权利要求6所述的基于数据挖掘的能源数据分析方法，其特征在于：所述基于线性回归方法中，线性回归的基本公式为：Y＝αX+β+ε；
式中，Y为因变量；X为自变量；α，β为回归系数；ε为影响因子，在不考虑外界因素影响的情况下，该值可忽略不计；
假设一元线性回归模型为：Yi′＝αXi+β，i∈[1，n]；
建立该模型的具体步骤为：
(1)估算模型的回归参数，可得到：
(2)根据最小二乘法原理，记为：
要使其得到最小值，根据极值原理，分别对α，β求偏导数，令它们都等于0，即：
整理可得：
(3)解上面的方程组得到模型的回归系数α和β的值分别为：
本步骤中使用第二代回归分析方法PLS分析所提取出的主成分，建立主成分与能耗之间的回归模型，实现基于回归方法的能耗预测。
8.根据权利要求6所述的基于数据挖掘的能源数据分析方法，其特征在于：所述人工神经网络预测方法为BP神经网络算法，其步骤为：
(1)选择能源数据样本进行预处理，归一化处理使之成为适合网络的数据形式；
(2)将数据样本分为训练样本和测试样本；
(3)确定网络的输入输出神经元的数目；
(4)选择合理的训练算法，确定合适的训练步数，指定适当的训练目标误差，以获得较好的网络性能；由于BP网络固有的缺陷，选择附加动量项的学习算法来训练。
9.根据权利要求6所述的基于数据挖掘的能源数据分析方法，其特征在于：所述基于线性回归方法和人工神经网络预测方法可以结合一起使用。
10.一种基于数据挖掘的能源数据分析系统，其特征在于：其包括
数据采集设备：主要包含部署在现场的各类采集设备，这些设备统一将数据汇总至采集终端，然后进行集中存储；
数据存储模块：对数据采集设备中采集的原始数据进行分类存储；
数据预处理模块：检查数据的完整性，去除噪声和奇异值，根据任务的目标，利用数据压缩、变换的方法来减少要考虑的有效变量数目或数据样本数目，或找到数据的不变表示，最后数据标准化；
指标预警模块：根据预设的指标对能源异常情况进行监测和预警；
能源调度模块：主动问询各个单元需要监测的关键参数，对不同类型的能源进行分类管理，实现传统能源和新能源的自动化调度方式，并具备风、光、水及其他能源的协调控制能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910466075.1A CN110298488A (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的能源数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910466075.1A CN110298488A (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的能源数据分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298488A true CN110298488A (zh) | 2019-10-01 |
Family
ID=68027391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910466075.1A Pending CN110298488A (zh) | 2019-05-31 | 2019-05-31 | 一种基于数据挖掘的能源数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298488A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161095A (zh) * | 2019-12-16 | 2020-05-15 | 南京松数科技有限公司 | 一种检测建筑能源异常消耗的方法 |
| CN112099458A (zh) * | 2020-10-16 | 2020-12-18 | 中泰信达环保科技(武汉)有限公司 | 一种人工智能污水运营系统 |
| CN112231306A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 基于大数据的能源数据分析系统及方法 |
| CN113055990A (zh) * | 2020-07-27 | 2021-06-29 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 |
| CN113377822A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于能源大数据的数据处理系统 |
| CN113377843A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于能源大数据的数据分析系统 |
| CN116523276A (zh) * | 2023-07-04 | 2023-08-01 | 天津市蓟州区民力新能源科技有限公司 | 基于智能控制系统的高效能源利用管理平台 |
| CN116520709A (zh) * | 2023-06-16 | 2023-08-01 | 上海能誉科技股份有限公司 | 一种能源动力系统的运行优化装置及运行优化方法 |
| CN117235173A (zh) * | 2023-11-14 | 2023-12-15 | 睿至科技集团有限公司 | 一种基于数字能源的分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106159998A (zh) * | 2016-07-18 | 2016-11-23 | 南京中节涛创能源科技有限公司 | 可再生能源微电网优化调度系统 |
| CN107357818A (zh) * | 2017-06-12 | 2017-11-17 | 安徽中控仪表有限公司 | 能源监控优化管理系统的大数据挖掘架构 |
| CN108830413A (zh) * | 2018-06-08 | 2018-11-16 | 上海电力学院 | 一种建筑能源消耗的可视化预测方法及系统 |
| CN109543889A (zh) * | 2018-11-08 | 2019-03-29 | 河海大学 | 一种区域综合能源系统日前协同优化运行方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
-
2019
- 2019-05-31 CN CN201910466075.1A patent/CN110298488A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106159998A (zh) * | 2016-07-18 | 2016-11-23 | 南京中节涛创能源科技有限公司 | 可再生能源微电网优化调度系统 |
| CN107357818A (zh) * | 2017-06-12 | 2017-11-17 | 安徽中控仪表有限公司 | 能源监控优化管理系统的大数据挖掘架构 |
| CN108830413A (zh) * | 2018-06-08 | 2018-11-16 | 上海电力学院 | 一种建筑能源消耗的可视化预测方法及系统 |
| CN109543889A (zh) * | 2018-11-08 | 2019-03-29 | 河海大学 | 一种区域综合能源系统日前协同优化运行方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴波: "《造纸过程能源管理系统中数据挖掘与能耗预测方法的研究》", 《中国博士学位论文全文数据库（工程科技辑）》 * |
| 杜亚松: "《基于数据挖掘和支持向量机的微网负荷预测》", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161095A (zh) * | 2019-12-16 | 2020-05-15 | 南京松数科技有限公司 | 一种检测建筑能源异常消耗的方法 |
| CN111161095B (zh) * | 2019-12-16 | 2023-10-24 | 南京松数科技有限公司 | 一种检测建筑能源异常消耗的方法 |
| CN113055990B (zh) * | 2020-07-27 | 2021-11-30 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 |
| CN113055990A (zh) * | 2020-07-27 | 2021-06-29 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 |
| CN112231306A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 基于大数据的能源数据分析系统及方法 |
| CN112099458A (zh) * | 2020-10-16 | 2020-12-18 | 中泰信达环保科技(武汉)有限公司 | 一种人工智能污水运营系统 |
| CN113377822A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于能源大数据的数据处理系统 |
| CN113377843A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于能源大数据的数据分析系统 |
| CN116520709A (zh) * | 2023-06-16 | 2023-08-01 | 上海能誉科技股份有限公司 | 一种能源动力系统的运行优化装置及运行优化方法 |
| CN116523276A (zh) * | 2023-07-04 | 2023-08-01 | 天津市蓟州区民力新能源科技有限公司 | 基于智能控制系统的高效能源利用管理平台 |
| CN116523276B (zh) * | 2023-07-04 | 2023-09-08 | 天津市蓟州区民力新能源科技有限公司 | 基于智能控制系统的高效能源利用管理平台 |
| CN117235173A (zh) * | 2023-11-14 | 2023-12-15 | 睿至科技集团有限公司 | 一种基于数字能源的分析方法及系统 |
| CN117235173B (zh) * | 2023-11-14 | 2024-02-20 | 睿至科技集团有限公司 | 一种基于数字能源的分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298488A (zh) | 一种基于数据挖掘的能源数据分析方法及系统 | |
| Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110348513A (zh) | 一种基于深度学习的风电机组故障预测方法 | |
| CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
| Wu et al. | Applying of GA-BP neural network in the land ecological security evaluation | |
| CN111861211B (zh) | 一种具有双层反窃电模型的系统 | |
| CN102289569A (zh) | 一种电力系统突发事件应急处理方法 | |
| CN104156786A (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 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
| Fu et al. | An innovative decision making method for air quality monitoring based on big data-assisted artificial intelligence technique | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Li et al. | Hybrid teaching—learning artificial neural network for city-level electrical load prediction | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| Jiang et al. | A building energy consumption prediction method based on random forest and ARMA | |
| Lv et al. | Research on short-term load forecasting approach for smart grid | |
| CN103927431A (zh) | 基于pyramid时间框架的电站锅炉运行状态监测方法 | |
| Hasan et al. | An Artificial Intelligence-based Framework to Achieve the Sustainable Development Goals in the Context of Bangladesh | |
| Lu et al. | A deep belief network based model for urban haze prediction | |
| Zhong et al. | Acceptable if building electricity price trend change to some biology trends |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |