CN110414724A - 用于预测耗电量的方法、装置、可读存储介质及电子设备 - Google Patents
用于预测耗电量的方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN110414724A CN110414724A CN201910621806.5A CN201910621806A CN110414724A CN 110414724 A CN110414724 A CN 110414724A CN 201910621806 A CN201910621806 A CN 201910621806A CN 110414724 A CN110414724 A CN 110414724A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- environmental data
- electrical equipment
- period
- time period
- 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 39
- 230000007613 environmental effect Effects 0.000 claims abstract description 154
- 230000005611 electricity Effects 0.000 claims description 98
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 description 16
- 238000004378 air conditioning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010248 power generation Methods 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"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种用于预测耗电量的方法、装置、可读存储介质及电子设备。该方法包括:获取用电设备所处环境在第一时间段对应的环境数据实际值;根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。由于用电设备的耗电量信息与用电设备所处环境的环境数据密切相关,所以,在根据第二时间段对应的环境数据预测值确定用电设备在第二时间段对应的耗电量信息时,可以提高对用电设备在第二时间段对应的耗电量信息进行预测的准确度。
Description
技术领域
本公开涉及数据处理领域,具体地,涉及一种用于预测耗电量的方法、装置、可读存储介质及电子设备。
背景技术
随着技术的快速发展,用电设备越来越普及,导致用电量越来越多。为了满足人们的用电需求,发电管理者需要有计划地发电。而耗电量预测是电力系统发电计划、企业用电计划的重要组成部分,同时,耗电量预测也是对发电、输电和电能分配等合理规划的必要前提。因此,提高耗电量预测的准确度具有重要意义。
发明内容
本公开的目的是提供一种用于预测耗电量的方法、装置、可读存储介质及电子设备,以提高对耗电量预测的准确率。
为了实现上述目的,本公开提供一种用于预测耗电量的方法,包括:
获取用电设备所处环境在第一时间段对应的环境数据实际值;
根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;
根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。
可选地,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
将所述环境数据实际值输入至时间序列预测模型,以获得所述时间序列预测模型输出的所述环境数据预测值,其中,所述时间序列预测模型是通过将所述用电设备所处环境在第一历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备所处环境在第二历史时间段对应的历史环境数据实际值作为输出的方式进行训练得到的,其中,所述第二历史时间段晚于所述第一历史时间段。
可选地,所述根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息,包括:
将所述环境数据预测值输入至耗电量预测模型,以获得所述耗电量预测模型输出的所述耗电量信息,其中,所述耗电量预测模型是通过将所述用电设备所处环境在第三历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备在所述第三历史时间段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息,包括:
若所述第二时间段包括用电繁忙时段,则将与所述用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得所述第一耗电量预测模型输出的所述用电繁忙时段对应的耗电量信息;
若所述第二时间段包括用电空闲时段,则将与所述用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得所述第二耗电量预测模型输出的所述用电空闲时段对应的耗电量信息,其中,所述第一耗电量预测模型用于预测用电繁忙时段对应的耗电量信息,所述第二耗电量预测模型用于预测用电空闲时段对应的耗电量信息。
可选地,所述第一耗电量预测模型是通过将所述用电设备所处环境在历史用电繁忙时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电繁忙时段对应的实际耗电量信息作为输出的方式进行训练得到的;所述第二耗电量预测模型是通过将所述用电设备所处环境在历史用电空闲时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电空闲时段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
获取所述用电设备在所述第一时间段对应的实际耗电量信息;
若在所述第一时间段对应的所述实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,其中,所述无用实际耗电量信息为在所述第一时间段对应的所述实际耗电量信息中小于预设耗电量的实际耗电量信息;
根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
可选地,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
确定所述第一时间段中的每一子时段各自对应的环境数据实际值的数量,其中,所述第一时间段按照预设的时间间隔被划分成多个子时段;
若存在对应的环境数据实际值的数量小于预设数量的子时段,则删除该子时段对应的环境数据实际值;
根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
本公开还提供一种用于预测耗电量的装置,包括:
获取模块,用于获取用电设备所处环境在第一时间段对应的环境数据实际值;
第一确定模块,用于根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;
第二确定模块,用于根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。
可选地,所述第一确定模块包括:
第一输入子模块,用于将所述环境数据实际值输入至时间序列预测模型,以获得所述时间序列预测模型输出的所述环境数据预测值,其中,所述时间序列预测模型是通过将所述用电设备所处环境在第一历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备所处环境在第二历史时间段对应的历史环境数据实际值作为输出的方式进行训练得到的。其中,所述第二历史时间段晚于所述第一历史时间段。
可选地,所述第二确定模块包括:
第二输入子模块,用于将所述环境数据预测值输入至耗电量预测模型,以获得所述耗电量预测模型输出的所述耗电量信息,其中,所述耗电量预测模型是通过将所述用电设备所处环境在第三历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备在所述第三历史时间段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述第二确定模块包括:
第三输入子模块,用于若所述第二时间段包括用电繁忙时段,则将与所述用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得所述第一耗电量预测模型输出的所述用电繁忙时段对应的耗电量信息;
第四输入子模块,用于若所述第二时间段包括用电空闲时段,则将与所述用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得所述第二耗电量预测模型输出的所述用电空闲时段对应的耗电量信息,其中,所述第一耗电量预测模型用于预测所述用电繁忙时段对应的耗电量信息,所述第二耗电量预测模型用于预测所述用电空闲时段对应的耗电量信息。
可选地,所述第一耗电量预测模型是通过将所述用电设备所处环境在历史用电繁忙时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电繁忙时段对应的实际耗电量信息作为输出的方式进行训练得到的;所述第二耗电量预测模型是通过将所述用电设备所处环境在历史用电空闲时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电空闲时段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述第一确定模块包括:
获取子模块,用于获取所述用电设备在所述第一时间段对应的实际耗电量信息;
第一确定子模块,用于若在所述第一时间段对应的所述实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,其中,所述无用实际耗电量信息为在所述第一时间段对应的所述实际耗电量信息中小于预设耗电量的实际耗电量信息;
第二确定子模块,用于根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
可选地,所述第一确定模块包括:
第三确定子模块,用于确定所述第一时间段中的每一子时段各自对应的环境数据实际值的数量,其中,所述第一时间段按照预设的时间间隔被划分成多个子时段;
删除子模块,用于若存在对应的环境数据实际值的数量小于预设数量的子时段,则删除该子时段对应的环境数据实际值;
第五确定子模块,用于根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的上述用于预测耗电量的方法的步骤。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开提供的上述用于预测耗电量的方法的步骤。
采用上述技术方案,电子设备根据所获取到的用电设备所处环境在第一时间段内对应的环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值,并根据该第二时间段对应的环境数据预测值,确定用电设备在第二时间段对应的耗电量信息。由于用电设备的耗电量信息与用电设备所处环境的环境数据密切相关,所以,在根据第二时间段对应的环境数据预测值确定用电设备在第二时间段对应的耗电量信息时,可以提高对用电设备在第二时间段对应的耗电量信息进行预测的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种用于预测耗电量的方法的流程图。
图2是根据本公开另一示例性实施例示出的一种用于预测耗电量的方法的流程图。
图3是根据本公开一示例性实施例示出的一种用于预测耗电量的装置的框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
相关技术中,对用电设备的耗电量进行预测是直接利用用电设备在历史时段对应的实际耗电量信息,来预测未来时间段对应的耗电量信息的。然而,在实际应用中,某一时间段的耗电量信息与该时间段对应的环境数据有关,因此,在相关技术中直接利用用电设备在历史时段对应的实际耗电量信息预测未来时间段对应的耗电量信息是不准确的。
为了解决相关技术中存在的问题,本公开提供一种用于预测耗电量的方法、装置、可读存储介质及电子设备。图1是根据本公开一示例性实施例示出的一种用于预测耗电量的方法的流程图,该方法可以应用于具有处理能力的电子设备中,例如处理器、用电设备控制器等。如图1所示,该方法可以包括以下步骤。
在步骤11中,获取用电设备所处环境在第一时间段对应的环境数据实际值。
在本公开中,执行本方法的电子设备可以实时地或者周期性地从环境数据采集装置中获取用电设备所处环境在第一时间段对应的环境数据实际值。其中,用电设备可以为家用空调、家用净化器等家用电器,也可以是企业用空调等等。环境数据是指影响用电设备耗电量的环境参数数据,例如,若用电设备为空调,则环境数据可以包括温度相关数据,和/或,湿度相关数据。其中,温度相关数据可以通过温度传感器测量得到,其包括的特征类别可以为一天中温度的最大值、最小值、平均值、中位值、极差、标准差、内距、偏差、峰度等任何可以表征温度的相关数据。同样地,湿度相关数据可以通过湿度传感器测量得到,其包括的特征类别也可以为一天中湿度的最大值、最小值、平均值、中位值、极差、标准差、内距、偏差、峰度等任何可以表征湿度的相关数据。第一时间段可以为过去的一年、两年、一个月、六个月等。
其中,电子设备可以是与用电设备互相分开但存在耦合关系的电子设备,也可以包含在该用电设备中,本公开对此不作具体限定。
在步骤12中,根据环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值,其中,第二时间段晚于第一时间段。
在实际应用中,用电设备在第二时间段对应的耗电量信息与用电设备所处环境在第二时间段对应的环境数据密切相关,为了能准确地确定出第二时间对应的耗电量信息,需首先预测出用电设备所处环境在第二时间段对应的环境数据预测值。具体地,电子设备可以根据用电设备所处环境在第一时间段对应的环境数据实际值,确定第二时间段对应的环境数据预测值。其中,第二时间段晚于第一时间段,第二时间段的时长可以与第一时间段的时长相等,也可以不等。示例地,第一时间段可以为2018年的1月至12月,第二时间段可以为2020年的1月至12月,可以为2020年的1月至6月。
在步骤13中,根据环境数据预测值,确定用电设备在第二时间段对应的耗电量信息。
采用上述技术方案,电子设备根据所获取到的用电设备所处环境在第一时间段内对应的环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值,并根据该第二时间段对应的环境数据预测值,确定用电设备在第二时间段对应的耗电量信息。由于用电设备的耗电量信息与用电设备所处环境的环境数据密切相关,所以,在根据第二时间段对应的环境数据预测值确定用电设备在第二时间段对应的耗电量信息时,可以提高对用电设备在第二时间段对应的耗电量信息进行预测的准确度。
需要说明的是,环境数据采集装置可以周期性地采集环境数据,这样,有可能会导致采集的环境数据实际值中包括了用电设备处于宕机或维修状态时间段对应的环境数据实际值。然而,由于在用电设备出现宕机或维修时,用电设备的耗电量几乎为零,所以,用电设备处于宕机或维修状态时间段对应的环境数据实际值是没有必要分析的。因此,在本公开中,可以将用电设备处于宕机或维修时间段内的环境数据去除,以减少对数据分析的工作量。具体地,图1中的步骤12的具体实施方式可以为:获取用电设备在第一时间段对应的实际耗电量信息;若在第一时间段对应的实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,其中,该无用实际耗电量信息为在第一时间段对应的实际耗电量信息中小于预设耗电量的实际耗电量信息;根据剩余的环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值。其中,预设耗电量可以为0,或者接近为0的数值。
在该种实施方式中,首先,在环境数据采集装置周期性地采集环境数据实际值时,控制电子巡检设备以同样的周期采集用电设备对应的实际耗电量信息,以获得用电设备在第一时间段对应的实际耗电量信息。接着,若在第一时间段对应的实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,最后,根据剩余的环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值。在该实施例中,由于可以去除无用实际耗电量信息对应的子时段对应的环境数据实际值,因此,可以减少对数据分析的工作量。
此外,考虑到环境数据采集装置可能会出现故障,且在故障情况下,会导致预设时长内采集到的环境数据实际值的数量较少,因此,在本公开中,可根据每个子时段对应的环境数据的实际值的数量来确定环境数据采集装置是否出现故障。
具体地,图1中的步骤12的具体实施还可以为:确定第一时间段中的每一子时段各自对应的环境数据实际值的数量,其中,第一时间段按照预设的时间间隔被划分为多个子时段;若存在对应的环境数据实际值的数量小于预设数量的子时段,则删除该子时段对应的环境数据实际值;根据剩余的环境数据实际值,确定用电设备所处环境在第二时间段对应的环境数据预测值。
其中,时间间隔大于环境数据采集装置的采集周期,预设数量可以基于时间间隔和环境数据采集装置的采集周期设定。示例地,若预设的时间间隔为1天,即,每天为一个子时段,环境数据采集装置的采集周期为30min,在正常情况下环境数据采集装置在每一子时段内均可以采集到的环境数据实际值的数量为48,则该预设数量为小于48的数值,其可以例如为30、40等等。
在该实施例中,由于可以将对应的环境数据实际值的数量小于预设数量的子时段确定为环境数据采集装置出现故障的时段,并将该子时段对应的环境数据实际值删除,因此,既可以减少对数据分析的工作量,还可以避免因环境数据采集装置出现故障,导致所采集到的环境数据实际值不准确的问题。
以用电设备为企业用空调,该环境数据包括温度相关数据和湿度相关数据为例,且温度相关数据包括的特征类别为一天中温度的平均值,湿度相关数据包括的特征类别为一天中湿度的平均值值。示例地,假设第一时间段为2019年1月1日至2019年1月10日,根据每天采集到的温度数据和湿度数据,分别确定每天的温度的平均值和湿度的平均值,以得到该第一时间段对应的环境数据实际值[at1,at2,......,at10]和[ah1,ah2,......,ah10],其中,t表征温度,ati(i=1,2,...,10)表征第一时间段中第i天的温度平均值,h表征湿度ahi(i=1,2,...,10)表征第一时间段中第i天的湿度平均值。其中,湿度相关数据与温度相关数据包括的特征类别、以及特征类别的数量可以相同,也可以不同。
图2是根据本公开另一示例性实施例示出的一种用于预测耗电量的方法的流程图。如图2所示,该方法可以包括以下步骤。
在步骤11中,获取用电设备所处环境在第一时间段对应的环境数据实际值。
在步骤121中,将环境数据实际值输入至时间序列预测模型,以获得时间序列预测模型输出的环境数据预测值。
其中,该时间序列预测模型是基于Prophet算法(时间序列预测算法)创建的。该时间序列预测模型是通过将用电设备所处环境在第一历史时间段对应的历史环境数据实际值作为输入、并将用电设备所处环境在第二历史时间段对应的历史环境数据实际值作为输出的方式进行训练得到的,且第二历史时间段晚于第一历史时间段。例如,第一历史时间段为2018年1月1日至2018年3月31日,第二历史时间段为2018年6月1日至2018年9月30日。
这样,在将步骤11中获得的用电设备所处环境在第一时间段对应的环境数据实际值输入至时间序列预测模型时,该时间序列预测模型可以输出用电设备所处环境在第二时间段对应的环境数据预测值,然后,执行步骤131。在步骤131中,将环境数据预测值输入至耗电量预测模型,以获得耗电量预测模型输出的耗电量信息。
其中,该耗电量预测模型可以为梯度回归提升树模型,该耗电量预测模型可以是通过将所述用电设备所处环境在第三历史时间段对应的历史环境数据实际值作为输入、并将用电设备在所述第三历史时间段对应的实际耗电量信息作为输出的方式进行训练得到的。
在对耗电量预测模型进行训练之前,首先,需要获得该耗电量预测模型的训练样本,具体地,可以通过以下步骤获得:
首先,获取第三历史时间段对应的历史环境数据实际值,并按照上述方式对该第三历史时间段对应的历史环境数据实际值进行处理,以得到以“天”为单位的历史环境数据实际值。接着,获取第三历史时间段对应的实际耗电量信息,并对该第三历史时间段对应的实际耗电量信息进行处理,以得到以“天”为单位的实际耗电量信息(以下简称“实际日耗电量信息”)。这样,在对耗电量预测模型进行训练时,所使用的第三历史时间段对应的历史环境数据实际值与该第三历史时间段对应的实际耗电量信息一一对应。如表1所示,该训练样本包括:在第三历史时间段内一天中的平均温度和平均湿度、以及一天中的耗电量。
表1
需要说明的是,表1仅示出了一种训练耗电量预测模型时所使用的训练样本集中的部分样本,而在实际训练过程中,需要使用较多数量的样本,在本公开中,对样本的数量并不作具体限定。
在确定出训练样本之后,可以通过以下方式训练得到该耗电量预测模型:以表2中的训练样本集为例,对温度进行切分,温度的可选切分点为:1.5,2.5,3.5,4.5,5.5,6.5,7.5,8.5,9.5。当选择切分点s=1.5时,样本集被一分为二:R1={1},R2={2,3,……,10},此时可求得R1对应的平均值c1,以及R2对应的平均值c2,其中,c1=5.56/1=5.56,c2=(5.7+5.91+6.4+6.8+7.05+8.9+8.7+9+9.05)/9=7.50,温度切分点s=1.5对应的平方损失误差为:m(s)=(5.56-5.56)2+(5.7-7.5)2+(5.91-7.5)2+……(9.05-7.5)2=15.72。按照上述方式,计算所有温度的可选切分点对应的平方损失误差,结果如表3所示。
表2
温度 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
湿度 | 10 | 8 | 5 | 4 | 7 | 7 | 7 | 4 | 7 | 9 |
耗电量 | 5.56 | 5.7 | 5.91 | 6.4 | 6.8 | 7.05 | 8.9 | 8.7 | 9 | 9.05 |
表3
s | 1.5 | 2.5 | 3.5 | 4.5 | 5.5 | 6.5 | 7.5 | 8.5 | 9.5 |
m(s) | 15.72 | 12.07 | 8.36 | 5.78 | 3.91 | 1.93 | 8.01 | 11.73 | 15.74 |
用同样方法计算湿度的切分点以及对应的平方损失误差,并将湿度的最小平方损失误差与温度的最小平方损失误差进行比较,假设温度的最小平方损失误差小于湿度的最小方损失误差,则选取温度完成样本切分,即选择(温度,s=6.5)划分样本,此时R1={1,2,……,6},R2={7,8,9,10}。R1对应的平均值c1=(5.56+5.7+5.91+6.4+6.8+7.05)/6=6.24,R2对应的平均值c2=(8.9+8.7+9+9.05)/3=8.91,所以第一棵回归树如公式(1)所示:
其中,f1(x)表征根据第一棵回归树拟合的耗电量(如表4中的拟合值),x表征温度。
接下来训练第二棵回归树,与第一棵回归树对原始数据进行拟合不同,第二棵回归树只需要拟合第一棵回归树的残差,即拟合值和耗电量的差值部分,表4为经过第一棵回归树拟合之后的残差表。
表4
温度 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
耗电量 | 5.56 | 5.7 | 5.91 | 6.4 | 6.8 | 7.05 | 8.9 | 8.7 | 9 | 9.05 |
拟合值 | 6.24 | 6.24 | 6.24 | 6.24 | 6.24 | 6.24 | 8.91 | 8.91 | 8.91 | 8.91 |
残差 | -0.68 | -0.54 | -0.33 | 0.16 | 0.56 | 0.81 | -0.01 | -0.21 | -0.09 | -0.14 |
同样地,对温度和湿度的所有可能切分点依次计算切分后的平方损失误差,以确定最小平方损失误差对应的切分点,以及该切分点为温度切分点还是湿度切分点。在本公开中,仍以温度切分点为3.5时,平方损失误差最小为例进行计算,得到的第二回归树如公式(2)所示:
其中,T2(x)表征根据第二棵回归树拟合的耗电量。
此时,第一棵回归树和第二棵回归树的集成结果如公式(3)所示:
其中,f2(x)为根据第一棵回归树和第二棵回归树拟合的耗电量。
按照上述方式计算,利用公式(3)拟合的训练样本的平方损失误差为0.79,若此时平方损失误差满足预设误差要求,则训练结束,否则按照训练第二棵回归树的方式继续训练第三棵回归树,直到拟合的训练样本的平方损失误差满足预设误差要求为止。
至此,耗电量预测模型被训练得到。这样,在得到环境数据预测值后,再将该环境数据预测值输入至预先训练得到耗电量预测模型,即可得到耗电量预测模型输出的耗电量信息。
此外,考虑到在用电繁忙时段和用电空闲时段用电设备的耗电量有显著差异,可将上述的第二时间段分为用电繁忙时段和用电空闲时段,以分别得到用电繁忙时段和用电空闲时段对应的耗电量信息。示例地,以用电设备为企业用空调为例,在工作日(包括周一至周五)时耗电量较大,在非工作日(包括周六、周日等)时耗电量较小,又或者,在环境数据与人体舒适的环境值相差较大时耗电量较大,在环境数据与人体舒适的环境值相差较小时耗电量较小。
在本公开中,为了进一步提高对用电设备在第二时间段对应的耗电量信息预测的准确度,采用分治思想,分别确定用电繁忙时段对应的耗电量信息和用电空闲时段对应的耗电量信息。具体地,在确定用电繁忙时段对应的耗电量信息时,采用第一耗电量预测模型,在确定用电空闲时段对应的耗电量信息时,采用第二耗电量预测模型。第一耗电量预测模型用于预测用电繁忙时段对应的耗电量信息,第二耗电量预测模型用于预测用电空闲时段对应的耗电量信息。
其中,第一耗电量预测模型和第二耗电量预测模型的训练过程与上文中耗电量预测模型的训练过程相同,只是训练样本不同。示例地,第一耗电量预测模型是通过将用电设备所处环境在历史用电繁忙时段对应的历史环境数据实际值作为输入、并将用电设备在历史用电繁忙时段对应的实际耗电量信息作为输出的方式进行训练得到的。第二耗电量预测模型是通过将用电设备所处环境在历史用电空闲时段对应的历史环境数据实际值作为输入、并将用电设备在所述历史用电空闲时段对应的实际耗电量信息作为输出的方式进行训练得到的。
对于企业用空调而言,历史用电繁忙时段可以是工作日对应的时段,历史用电空闲时段可以是非工作日对应的时段。或者,该历史用电繁忙时段可以是实际耗电量信息对应的实际耗电量大于或等于耗电量阈值(该耗电量阈值可以例如为50kW.h)的时段,历史用电空闲时段可以是实际耗电量信息对应的实际耗电量小于耗电量阈值的时段,其中,该耗电量阈值可以基于工作日对应的耗电量和非工作日对应的耗电量确定。
在分别训练得到第一耗电量预测模型和第二耗电量预测模型之后,图2中的步骤131的具体实施方式为:若第二时间段包括用电繁忙时段,则将与该用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得第一耗电量预测模型输出的用电繁忙时段对应的耗电量信息;若第二时间段包括用电空闲时段,则将与用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得第二耗电量预测模型输出的用电空闲时段对应的耗电量信息。
在一种实施方式中,在确定出第二时间段对应的环境数据预测值之后,可以根据该第二时间段、电子设备中预先存储的日历,分别确定出该第二时间段内包括的用电繁忙时段和用电空闲时段。示例地,假设第二时间段为2020年7月1日至2020年7月31日,根据电子设备中预先存储的日历,可分别确定出该2020年7月1日至2020年7月31日中的工作日和非工作日,并将工作日对应的环境数据预测值确定为用电繁忙时段对应的环境数据预测值,将非工作日对应的环境数据预测值确定为用电空闲时段对应的环境数据预测值。
在按照上述方式分别确定出用电繁忙时段、用电空闲时段之后,将用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得第一耗电量预测模型输出的用电繁忙时段对应的耗电量信息,将用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得第二耗电量预测模型输出的用电空闲时段对应的耗电量信息。
采用上述技术方案,针对第二时间段内的用电繁忙时段和用电空闲时段,采用不同的耗电量预测模型,分别得到用电繁忙时段对应的耗电量信息和用电空闲时段对应的耗电量信息,进一步提高了对用电设备在第二时间段对应的耗电量信息进行预测的准确度。
基于同一发明构思,本公开还提供一种用于预测耗电量的装置。图3是根据本公开一示例性实施例示出的一种用于预测耗电量的装置的框图。如图3所示,该装置可以包括:
获取模块301,用于获取用电设备所处环境在第一时间段对应的环境数据实际值;
第一确定模块302,用于根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;
第二确定模块303,用于根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。
可选地,所述第一确定模块302可以包括:
第一输入子模块,用于将所述环境数据实际值输入至时间序列预测模型,以获得所述时间序列预测模型输出的所述环境数据预测值,其中,所述时间序列预测模型是通过将所述用电设备所处环境在第一历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备所处环境在第二历史时间段对应的历史环境数据实际值作为输出的方式进行训练得到的。其中,所述第二历史时间段晚于所述第一历史时间段。
可选地,所述第二确定模块303可以包括:
第二输入子模块,用于将所述环境数据预测值输入至耗电量预测模型,以获得所述耗电量预测模型输出的所述耗电量信息,其中,所述耗电量预测模型是通过将所述用电设备所处环境在第三历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备在所述第三历史时间段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述第二确定模块303可以包括:
第三输入子模块,用于若所述第二时间段包括用电繁忙时段,则将与所述用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得所述第一耗电量预测模型输出的所述用电繁忙时段对应的耗电量信息;
第四输入子模块,用于若所述第二时间段包括用电空闲时段,则将与所述用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得所述第二耗电量预测模型输出的所述用电空闲时段对应的耗电量信息,其中,所述第一耗电量预测模型用于预测所述用电繁忙时段对应的耗电量信息,所述第二耗电量预测模型用于预测所述用电空闲时段对应的耗电量信息。
可选地,所述第一耗电量预测模型是通过将所述用电设备所处环境在历史用电繁忙时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电繁忙时段对应的实际耗电量信息作为输出的方式进行训练得到的;所述第二耗电量预测模型是通过将所述用电设备所处环境在历史用电空闲时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电空闲时段对应的实际耗电量信息作为输出的方式进行训练得到的。
可选地,所述第一确定模块包括:
获取子模块,用于获取所述用电设备在所述第一时间段对应的实际耗电量信息;
第一确定子模块,用于若在所述第一时间段对应的所述实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,其中,所述无用实际耗电量信息为在所述第一时间段对应的所述实际耗电量信息中小于预设耗电量的实际耗电量信息;
第二确定子模块,用于根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
可选地,所述第一确定模块包括:
第三确定子模块,用于确定所述第一时间段中的每一子时段各自对应的环境数据实际值的数量,其中,所述第一时间段按照预设的时间间隔被划分成多个子时段;
删除子模块,用于若存在对应的环境数据实际值的数量小于预设数量的子时段,则删除该子时段对应的环境数据实际值;
第五确定子模块,用于根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备400可以被提供为一控制器,如空调控制器。参照图4,电子设备400包括处理器422,其数量可以为一个或多个,以及存储器432,用于存储可由处理器1922执行的计算机程序。存储器432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器422可以被配置为执行该计算机程序,以执行上述的用于预测耗电量的方法。
另外,电子设备400还可以包括电源组件426和通信组件450,该电源组件426可以被配置为执行电子设备400的电源管理,该通信组件450可以被配置为实现电子设备400的通信,例如,有线或无线通信。此外,该电子设备400还可以包括输入/输出(I/O)接口458。电子设备400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的用于预测耗电量的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器432,上述程序指令可由电子设备400的处理器422执行以完成上述的用于预测耗电量的方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的用于预测耗电量的方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种用于预测耗电量的方法,其特征在于,包括:
获取用电设备所处环境在第一时间段对应的环境数据实际值;
根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;
根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
将所述环境数据实际值输入至时间序列预测模型,以获得所述时间序列预测模型输出的所述环境数据预测值,其中,所述时间序列预测模型是通过将所述用电设备所处环境在第一历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备所处环境在第二历史时间段对应的历史环境数据实际值作为输出的方式进行训练得到的,其中,所述第二历史时间段晚于所述第一历史时间段。
3.根据权利要求1所述的方法,其特征在于,所述根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息,包括:
将所述环境数据预测值输入至耗电量预测模型,以获得所述耗电量预测模型输出的所述耗电量信息,其中,所述耗电量预测模型是通过将所述用电设备所处环境在第三历史时间段对应的历史环境数据实际值作为输入、并将所述用电设备在所述第三历史时间段对应的实际耗电量信息作为输出的方式进行训练得到的。
4.根据权利要求1所述的方法,其特征在于,所述根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息,包括:
若所述第二时间段包括用电繁忙时段,则将与所述用电繁忙时段对应的环境数据预测值输入至第一耗电量预测模型,以获得所述第一耗电量预测模型输出的所述用电繁忙时段对应的耗电量信息;
若所述第二时间段包括用电空闲时段,则将与所述用电空闲时段对应的环境数据预测值输入至第二耗电量预测模型,以获得所述第二耗电量预测模型输出的所述用电空闲时段对应的耗电量信息,其中,所述第一耗电量预测模型用于预测所述用电繁忙时段对应的耗电量信息,所述第二耗电量预测模型用于预测所述用电空闲时段对应的耗电量信息。
5.根据权利要求4所述的方法,其特征在于,所述第一耗电量预测模型是通过将所述用电设备所处环境在历史用电繁忙时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电繁忙时段对应的实际耗电量信息作为输出的方式进行训练得到的;所述第二耗电量预测模型是通过将所述用电设备所处环境在历史用电空闲时段对应的历史环境数据实际值作为输入、并将所述用电设备在所述历史用电空闲时段对应的实际耗电量信息作为输出的方式进行训练得到的。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
获取所述用电设备在所述第一时间段对应的实际耗电量信息;
若在所述第一时间段对应的所述实际耗电量信息中存在无用实际耗电量信息,则确定该无用实际耗电量信息对应的子时段,并删除该子时段对应的环境数据实际值,其中,所述无用实际耗电量信息为在所述第一时间段对应的所述实际耗电量信息中小于预设耗电量的实际耗电量信息;
根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,包括:
确定所述第一时间段中的每一子时段各自对应的环境数据实际值的数量,其中,所述第一时间段按照预设的时间间隔被划分成多个子时段;
若存在对应的环境数据实际值的数量小于预设数量的子时段,则删除该子时段对应的环境数据实际值;
根据剩余的所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值。
8.一种用于预测耗电量的装置,其特征在于,包括:
获取模块,用于获取用电设备所处环境在第一时间段对应的环境数据实际值;
第一确定模块,用于根据所述环境数据实际值,确定所述用电设备所处环境在第二时间段对应的环境数据预测值,其中,所述第二时间段晚于所述第一时间段;
第二确定模块,用于根据所述环境数据预测值,确定所述用电设备在所述第二时间段对应的耗电量信息。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621806.5A CN110414724A (zh) | 2019-07-10 | 2019-07-10 | 用于预测耗电量的方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621806.5A CN110414724A (zh) | 2019-07-10 | 2019-07-10 | 用于预测耗电量的方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414724A true CN110414724A (zh) | 2019-11-05 |
Family
ID=68360987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621806.5A Pending CN110414724A (zh) | 2019-07-10 | 2019-07-10 | 用于预测耗电量的方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414724A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN113837420A (zh) * | 2020-06-23 | 2021-12-24 | 三菱电机(中国)有限公司 | 电力消耗预测方法、电力消耗预测系统及计算机可读存储介质 |
CN116610204A (zh) * | 2023-07-19 | 2023-08-18 | 碳丝路文化传播(成都)有限公司 | 一种用电设备电源管理方法、系统、电子设备及介质 |
CN117075566A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市明源云链互联网科技有限公司 | 能耗优化方法、装置、设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
CN107679660A (zh) * | 2017-09-30 | 2018-02-09 | 山东建筑大学 | 基于支持向量机的逐时建筑能耗预测方法 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN109028278A (zh) * | 2018-07-17 | 2018-12-18 | 哈尔滨工业大学 | 一种风电供暖的区域运行系统及调度策略 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN109685277A (zh) * | 2018-12-28 | 2019-04-26 | 国网冀北电力有限公司经济技术研究院 | 用电量预测方法及装置 |
-
2019
- 2019-07-10 CN CN201910621806.5A patent/CN110414724A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN107679660A (zh) * | 2017-09-30 | 2018-02-09 | 山东建筑大学 | 基于支持向量机的逐时建筑能耗预测方法 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN109028278A (zh) * | 2018-07-17 | 2018-12-18 | 哈尔滨工业大学 | 一种风电供暖的区域运行系统及调度策略 |
CN109685277A (zh) * | 2018-12-28 | 2019-04-26 | 国网冀北电力有限公司经济技术研究院 | 用电量预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
王广庆: "《电力销售与管理》", 31 December 2003 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN111445134B (zh) * | 2020-03-26 | 2021-05-28 | 珠海必要工业科技股份有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN111563776B (zh) * | 2020-05-08 | 2021-07-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN113837420A (zh) * | 2020-06-23 | 2021-12-24 | 三菱电机(中国)有限公司 | 电力消耗预测方法、电力消耗预测系统及计算机可读存储介质 |
CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN112163709B (zh) * | 2020-10-09 | 2024-04-09 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN116610204A (zh) * | 2023-07-19 | 2023-08-18 | 碳丝路文化传播(成都)有限公司 | 一种用电设备电源管理方法、系统、电子设备及介质 |
CN116610204B (zh) * | 2023-07-19 | 2023-11-14 | 碳丝路文化传播(成都)有限公司 | 一种用电设备电源管理方法、系统、电子设备及介质 |
CN117075566A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市明源云链互联网科技有限公司 | 能耗优化方法、装置、设备及计算机可读存储介质 |
CN117075566B (zh) * | 2023-10-13 | 2024-03-12 | 深圳市明源云链互联网科技有限公司 | 能耗优化方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414724A (zh) | 用于预测耗电量的方法、装置、可读存储介质及电子设备 | |
CN104864548B (zh) | 一种空调运行的控制方法及系统 | |
JP3783929B2 (ja) | 省エネルギー効果推定方法およびその装置 | |
CN104969133B (zh) | 云使能建筑物自动化系统 | |
JP7249155B2 (ja) | 蓄電池管理装置および蓄電池管理方法 | |
US20130173191A1 (en) | Power curve correlation system | |
EP3205949B1 (en) | Energy saving diagnosis device, energy saving diagnosis method, and program | |
CN104412481A (zh) | 能源管理服务器、能源管理方法以及程序 | |
US10692302B2 (en) | Servicing schedule method based on prediction of degradation in electrified vehicles | |
US20200034768A1 (en) | Energy conservation diagnostic system, method and program | |
CN114442697B (zh) | 一种温度控制方法、设备、介质及产品 | |
KR20150116966A (ko) | 용수량 수요 예측 장치 | |
CN115437302B (zh) | 一种大型中央空调ai智能控制方法及系统 | |
CN115614907A (zh) | 一种空调器及其室内温度预测方法和装置 | |
Gellings et al. | Electric load curve synthesis-a computer simulation of an electric utility load shape | |
CN114069642B (zh) | 一种考虑用户满意度的温控负荷综合调峰方法 | |
JPWO2015166758A1 (ja) | エネルギー制御システム、エネルギー制御装置、エネルギー制御方法及びプログラム | |
KR20170119863A (ko) | 에너지 저장 장치 용량 산정 방법 및 이를 이용하는 전력 관리 장치 | |
Markoska et al. | Towards smart buildings performance testing as a service | |
JP2019049404A (ja) | 計画生成装置、計画生成方法、空調システムおよびプログラム | |
Sperstad et al. | Valuation of stored energy in dynamic optimal power flow of distribution systems with energy storage | |
CN106896898A (zh) | 一种基于综合监控的应用于大滞后系统的系统级节能方法 | |
KR20140147456A (ko) | 상수관망의 일일 수요량 예측방법 | |
CN211261182U (zh) | 传感器、控制器、电子设备、空调 | |
JP7375355B2 (ja) | 推定方法、推定装置、コンピュータプログラム及び学習済みモデルの生成方法 |
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: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |