CN110458340B - 基于模式分类的建筑空调冷负荷自回归预测方法 - Google Patents

基于模式分类的建筑空调冷负荷自回归预测方法 Download PDF

Info

Publication number
CN110458340B
CN110458340B CN201910675653.2A CN201910675653A CN110458340B CN 110458340 B CN110458340 B CN 110458340B CN 201910675653 A CN201910675653 A CN 201910675653A CN 110458340 B CN110458340 B CN 110458340B
Authority
CN
China
Prior art keywords
load
prediction
air conditioner
day
building air
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
CN201910675653.2A
Other languages
English (en)
Other versions
CN110458340A (zh
Inventor
丁研
李沛霖
张强
田喆
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910675653.2A priority Critical patent/CN110458340B/zh
Publication of CN110458340A publication Critical patent/CN110458340A/zh
Application granted granted Critical
Publication of CN110458340B publication Critical patent/CN110458340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于模式分类的建筑空调冷负荷自回归预测方法。可应用于建筑空调系统相关领域的科学研究和工程应用。该方法包括：对所有模型的输入数据进行预处理，获得原始数据集；对空调负荷进行聚类分析，即对负荷模式进行预先分类；确定日前和当日两种时间尺度预测模型的影响因素，明确日前和当日预测模型的输入选择；采用斯皮尔曼相关性系数分析法检查冷负荷与影响因素之间的相关性；确定预测日的负荷模式；最后，建立日前和当日冷负荷预测模型。本预测方法可以提高建筑空调冷负荷预测结果的准确性，加快预测模型的计算速度，指导建筑空调系统的运行调控。

Description

基于模式分类的建筑空调冷负荷自回归预测方法
技术领域
本发明涉及一种建筑空调冷负荷预测方法，具体涉及一种基于模式分类的建筑空调冷负荷自回归预测方法。
背景技术
许多研究表明，供暖、通风和空调(HVAC)系统消耗的能量是建筑总能耗的主要组成部分。当前空调系统大多采用传统的反馈控制方法，基于用户侧的回水温度来调整系统。但是由于建筑结构复杂，人员行为多变，反馈控制已经不能满足人们的需求。通过预测未来一段时间的建筑物冷负荷，可以实时的响应室内情况的变化，因此，冷负荷预测是提高空调系统能效的有效途径。冷负荷预测可以提前通知运行人员未来的制冷需求，运行人员可以根据预测的冷负荷对系统进行管理和设置，暖通空调系统的调节由“反馈”模式变为“前馈”模式。用于指导系统管理和运行的预测模型大致可分为日前和当日。日前预测模型用于确定第二天的冷负荷。可指导操作人员提前编制暖通空调系统管理计划，如安排冷水机组、预测日使用的水泵、冷却塔等，并对其他设备进行维护或维修。当日预测模型用于确定未来几个小时预测时间的冷负荷，能准确地预测一段时间内的制冷需求，指导操作人员制定暖通空调系统的运行策略。
自回归模型，就是用同一变数之前各期，用历史数据来模拟预测未来数据，并假设它们为线性关系，其中包含了内生变量滞后项。ARX模型为具有外输入的自回归模型，该模型在此自回归模型的基础上增加了外部输入，更加契合冷负荷的数据特点。在之前的研究中，ARX模型常用于直接对建筑冷负荷进行预测，而预测不同时间的冷负荷所需历史数据、相关参数不同，ARX模型计算结果也会有较大误差。
因此，采用合理的方法，建立一种基于模式分类的建筑空调冷负荷自回归预测方法，是对系统进行合理管理和设置，减少系统能耗亟待解决的关键问题。
发明内容
有鉴于此，本发明提供一种基于模式分类的建筑空调冷负荷自回归预测方法，以解决上述问题。
基于以往的发明，本发明进行了以下改进：采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；采用k-means聚类分析进行负荷模式聚类分析，得到负荷模式典型日；确定影响日前预测与当日预测的因素，采用斯皮尔曼系数分析法对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；采用k-means聚类分析确定预测日的负荷模式；采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型。
本发明提出了一种基于模式分类的建筑空调冷负荷自回归预测方法，包括以下步骤：
采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；
采用k-means聚类分析对建筑冷负荷进行分类，进行负荷模式聚类分析，得到负荷模式典型日；
确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；
采用k-means聚类分析确定预测日的负荷模式；
采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型；
对建筑空调冷负荷预测模型进行评估。
进一步的，影响因素包括影响日前冷负荷预测因素及影响当日冷负荷预测因素。
进一步的，对所有数据进行预处理，所采用的方法是四分位距方法。
进一步的，对建筑冷负荷进行负荷模式聚类分析，所采用的方法是k均值聚类法。首先，随机选取k个对象作为初始的聚类中心；其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；接着，计算新的聚类中心；最后，重复以上两个步骤直到误差平方和局部最小。
误差平方和的计算公式是
Figure BDA0002143177940000021
其中：SSE表示误差平方和；
Ci表示集群Si的聚类中心；
K代表聚类中心的个数；
x代表集群Si中的数据点。
最接近每个集群聚类中心的负荷日将被视为典型日。
进一步的，对建筑空调冷负荷和影响因素进行相关性分析，采用斯皮尔曼系数来计算各类变量相关性的大小和方向。
计算斯皮尔曼系数的方法是
Figure BDA0002143177940000031
式中：N表示数据个数；
di表示第i条数据中两个变量的排序之差。
在选择影响因子时遵循以下选择标准，将影响因子的相关系数与规定的极限值进行比较。当满足极限值时，认为它对预测负荷具有显着影响，然后将其提取为模型输入。没有统一的方法来选择极限值；用户应根据应用合理选择限值。但是，对极限值的一般要求大于0.5，这表明它们之间至少存在关系。
表示变量的一个样本；表示变量的一个样本；表示变量和的样本个数。进一步的，采用k-means聚类分析确定预测日的负荷模式。
进一步的，采用基于模式分类的自回归模型建立日前与当日冷负荷预测模型。
基于模式分类的自回归模型(ARX模型)用于描述预测的冷负荷与各种模型输入之间的关系，所选模型输入为斯皮尔曼系数法得到的与冷负荷相关性最强的参数。
有益效果：本预测方法可以提高建筑空调冷负荷预测结果的准确性，加快预测模型的计算速度，指导建筑空调系统的运行调控。
附图说明
图1为本发明的流程图；
图2为负荷模式聚类结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。如图1所示，本实施例提供一种基于具有额外输入的自回归模型和人工神经网络模型的冷负荷模型预测方法，包括以下步骤：
步骤1：采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值，获得原始数据集；
某建筑空调系统每天24小时运行。该建筑的空调系统由8台相同规格的冷水机组组成。1台冷水机组的额定制冷量为4186千瓦。空调系统中的冷却塔、冷却水泵和一次侧冷冻水泵均与冷水机组一一匹配。二次侧冷冻水泵根据空调终端进行调整。冷冻水出口温度和水量均为额定设计值。该建筑的实际供冷量数据由热量表测量，室外干球温度数据由气象站测量，数据记录间隔均为1小时。以该建筑在2017年和2018年的两个供冷季的供冷量数据记录为基础，详述本发明的具体实施方式。
步骤2：采用k-means聚类法对建筑冷负荷进行分类，进行负荷模式聚类分析，得到负荷模式典型日；
首先，随机选取k个对象作为初始的聚类中心；其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；接着，计算新的聚类中心；最后，重复以上两个步骤直到误差平方和局部最小。误差平方和的计算公式如式(1)所示。
Figure BDA0002143177940000041
其中：SSE表示误差平方和；
Ci表示集群Si的聚类中心；
K代表聚类中心的个数；
x代表集群Si中的数据点；最接近每个集群聚类中心的负荷日将被视为典型日。
2017年和2018年的每小时制冷负荷基于K均值聚类方法进行聚类。通过误差平方和判断集群的数量，结果如图2所示，当集群数量增加到5时，SSE的减少减慢。因此，在两年的冷却季节中设定五种负荷模式。
步骤3：确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；
对建筑空调冷负荷和影响因素进行相关性分析，采用斯皮尔曼系数来计算各类变量相关性的大小和方向。计算斯皮尔曼系数的方法如式(2)所示。
Figure BDA0002143177940000042
式中：N表示数据个数；
di表示第i条数据中两个变量的排序之差。
在选择影响因子时遵循以下选择标准，将影响因子的相关系数与规定的极限值进行比较。当满足极限值时，认为它对预测负荷具有显着影响，然后将其提取为模型输入。没有统一的方法来选择极限值；应根据应用合理选择限值。但是，对极限值一般要求大于0.5，这表明它们之间至少存在关系。
在相同的负荷模式下，通过相关分析确定历史数据负荷与预测日负荷之间的关系。在案例建筑中，以集群5为例，当以0.4作为相关系数的极限值时，发现t-24和t-48的负荷与预测负荷的相关性最强。因此，将T-24和T-48的负荷作为集群5日前预测模型的模型输入。对于集群2到集群4，执行相同的分析以获得模型输入。对于全天几乎没有制冷需求的集群1，当预测日确定为集群1时，该日的小时负荷被视为零，因此不进行相关分析。
表示变量的一个样本；表示变量的一个样本；表示变量和的样本个数。由于建筑围护结构的热惯性，室外干球温度向内部传递的变化趋势会出现一定的滞后。历史时期室外干球温度对预测负荷也有影响。通过相关分析，确定了预测时间t的冷负荷与预测时间和历史时间室外干球温度的关系。室外干球温度对预测负荷的影响在所有负荷模式下都是相同的。因此，利用整个冷却季节的数据，分析了预测负荷与室外干球温度的关系。
步骤4采用k-means聚类分析确定预测日的负荷模式；
首先，随机选取k个对象作为初始的聚类中心；其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；接着，计算新的聚类中心；最后，重复以上两个步骤直到误差平方和局部最小。误差平方和的计算公式如式(3)所示。
Figure BDA0002143177940000051
其中：SSE表示误差平方和；
Ci表示集群Si的聚类中心；
K代表聚类中心的个数；
x代表集群Si中的数据点。
将2017年和2018年制冷季节的所有负荷日随机分为10个数据集。每个数据集中的负荷日分布在整个制冷季的所有阶段，每个数据集中包含五种负荷模式，因此模型验证是通用的。分类结果见表1。
表1 k-means聚类分析结果
Figure BDA0002143177940000052
表1表明，SSE精度从0.5到0.9不等，平均分类精度约为0.7。从所有数据集中选择分类准确度较高的数据集(数据集7)和分类准确度较低的数据集(数据集9)进行后续分析。
步骤5采用具有额外输入的自回归模型建立日前与当日冷负荷预测模型；
具有额外输入的自回归模型(ARX模型)用于描述预测的冷负荷与各种模型输入之间的关系，在本案例中所选输入参数为室外干球温度和历史冷负荷，采用的方法如式(4)所示。
Figure BDA0002143177940000061
其中：Qt表示预测时间t的冷负荷；
Ti表示室外干球温度；
Qi表示历史冷负荷；
m表示影响Qt的室外干球温度值的数量；
wi表示模型输入的系数
wl表示一个常量偏移因子，用于部分减少建模误差的影响。
ARX预测技术用于建立数据集群7和集群9的日前预测模型。以数据集群7为例，表2给出了集群2-集群5的ARX预测模型。
表2集群2到集群5的ARX预测模型
Figure BDA0002143177940000062
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (2)

1.基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，包括以下步骤：
(1)采用四分位距方法对数据进行预处理，检测建筑原始数据中的异常值；
(2)采用k-means聚类分析对步骤(1)得到的建筑空调冷负荷进行分类，进行负荷模式的聚类分析，得到典型日的负荷模式；
(3)确定影响日前预测与当日预测的因素，对建筑空调冷负荷和影响因素进行相关性分析，剔除相关性较低的变量，得到日前和当日预测模型的模型输入选择；
(4)采用k-means聚类分析确定预测日的负荷模式；
(5)根据步骤(4)得到的负荷模式，采用自回归模型建立日前与当日空调冷负荷的预测模型；
所述影响因素包括影响日前冷负荷预测因素及影响当日冷负荷预测因素；
所述步骤(2)中对建筑空调负荷进行负荷模式聚类分析以及步骤(4)中确定预测日的负荷模式所采用的方法是k-means聚类分析：
首先，随机选取k个对象作为初始的聚类中心；
其次，计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；
接着，计算新的聚类中心；
最后，重复以上两个步骤直到误差平方和局部最小，误差平方和的计算公式是：
Figure FDA0004064907640000011
其中：SSE表示误差平方和；
Ci表示集群Si的聚类中心；
K代表聚类中心的个数；
x代表集群Si中的数据点；
最接近每个集群聚类中心的负荷日将被视为典型日；
所述步骤(3)中对建筑空调冷负荷和影响因素进行相关性分析，采用斯皮尔曼相关性系数来计算各类变量相关性的大小和方向：
Figure FDA0004064907640000021
式中：N表示数据个数；
di表示第i条数据中两个变量的排序之差。
2.根据权利要求1所述的基于模式分类的建筑空调冷负荷自回归预测方法，其特征在于，所述步骤(5)中，采用基于模式分类的自回归模型建立日前与当日建筑空调冷负荷预测模型。
CN201910675653.2A 2019-07-25 2019-07-25 基于模式分类的建筑空调冷负荷自回归预测方法 Active CN110458340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910675653.2A CN110458340B (zh) 2019-07-25 2019-07-25 基于模式分类的建筑空调冷负荷自回归预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910675653.2A CN110458340B (zh) 2019-07-25 2019-07-25 基于模式分类的建筑空调冷负荷自回归预测方法

Publications (2)

Publication Number Publication Date
CN110458340A CN110458340A (zh) 2019-11-15
CN110458340B true CN110458340B (zh) 2023-06-02

Family

ID=68483424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910675653.2A Active CN110458340B (zh) 2019-07-25 2019-07-25 基于模式分类的建筑空调冷负荷自回归预测方法

Country Status (1)

Country Link
CN (1) CN110458340B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612031A (zh) * 2020-04-03 2020-09-01 华电电力科学研究院有限公司 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法
CN111401658B (zh) * 2020-04-08 2022-07-19 西安建筑科技大学 一种基于建筑空间单元的并行冷负荷预测方法
CN111583059B (zh) * 2020-04-20 2024-01-23 上海电力大学 基于k-means聚类的分布式能源站典型日负荷获取方法
CN112215474B (zh) * 2020-09-18 2024-06-21 上海市建筑科学研究院有限公司 一种冷水机组用能运行特征模型
CN114688692B (zh) * 2020-12-30 2023-10-20 北京天诚同创电气有限公司 负荷预测方法、系统及装置
CN112862222A (zh) * 2021-03-26 2021-05-28 中国建设银行股份有限公司 空调回风温度的预测方法、异常监控方法和相关装置
CN113094907A (zh) * 2021-04-15 2021-07-09 天津大学 一种用于空调负荷和电动汽车充电负荷联合调度方法
CN113869601A (zh) * 2021-10-18 2021-12-31 深圳供电局有限公司 一种电力用户负荷预测方法、装置及设备
CN115130899B (zh) * 2022-07-18 2023-04-18 东南大学溧阳研究院 一种基于Kmeas—GM的空调负荷日前响应能力评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009110379A (ja) * 2007-10-31 2009-05-21 Nippon Telegr & Teleph Corp <Ntt> パターン予測装置、パターン予測方法及びパターン予測プログラム
CN107704875A (zh) * 2017-09-30 2018-02-16 山东建筑大学 基于改进ihcmac神经网络的建筑负荷预测方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699771B (zh) * 2013-09-27 2016-09-21 广东工业大学 一种冷负荷预测的情景-聚类方法
CN105761163A (zh) * 2016-02-22 2016-07-13 国家电网公司 一种基于相关性分析和气象因子聚类的调温负荷定量方法
CN107203822A (zh) * 2016-03-16 2017-09-26 上海吉贝克信息技术有限公司 基于Logistic回归的证券客户流失预测的方法及系统
CN106127360A (zh) * 2016-06-06 2016-11-16 国网天津市电力公司 一种基于用户特性分析的多模型负荷预测方法
CN106682764A (zh) * 2016-12-02 2017-05-17 河海大学 一种基于并行预测策略的公共楼宇日前空调负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009110379A (ja) * 2007-10-31 2009-05-21 Nippon Telegr & Teleph Corp <Ntt> パターン予測装置、パターン予測方法及びパターン予測プログラム
CN107704875A (zh) * 2017-09-30 2018-02-16 山东建筑大学 基于改进ihcmac神经网络的建筑负荷预测方法和装置

Also Published As

Publication number Publication date
CN110458340A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110458340B (zh) 基于模式分类的建筑空调冷负荷自回归预测方法
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
Ben-Nakhi et al. Energy conservation in buildings through efficient A/C control using neural networks
Kawashima et al. Hourly thermal load prediction for the next 24 hours by ARIMA, EWMA, LR and an artificial neural network
CN101021914A (zh) 暖通空调负荷预测方法和系统
Zhang et al. Development and evaluation of cooling load prediction models for a factory workshop
Wang et al. Energy consumption prediction for water-source heat pump system using pattern recognition-based algorithms
Kreider et al. Predicting hourly building energy usage
CN117439101B (zh) 一种用于电网中新能源与柔性负荷互动的智能网络
CN112329813B (zh) 一种能耗预测用特征提取方法及系统
CN111723085B (zh) 公共建筑空调用电能耗数据清洗方法及系统
CN114046593A (zh) 一种动态预测性机器学习型空调节能控制方法及系统
CN115696871B (zh) 一种基于机器学习的数据中心水冷系统调控方法及装置
CN113778215A (zh) 基于大数据实现数据中心pue预测以及降耗策略的方法
CN113405223A (zh) 一种基于grnn的冷机台数控制方法及其控制系统
CN112686442A (zh) 基于运行多样性空调末端能耗预测方法和系统
CN108346009A (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN113959071B (zh) 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN117955094B (zh) 一种电力负荷的预测方法和系统
CN113028610B (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
CN117559422A (zh) 基于画像的工业园区可调节功率区间估计方法、系统与计算机可读存储介质
CN115327930B (zh) 一种可视化节能管控方法及系统
CN112781183A (zh) 一种空调系统智能降耗的方法、系统和空调
CN114636212A (zh) 一种基于grnn的多台冷水机组系统运行控制方法
CN104751233A (zh) 契约容量最佳化系统及最佳化方法

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
GR01 Patent grant
GR01 Patent grant