CN110727257A - 基于k均值聚类算法的设备运行诊断方法和装置 - Google Patents
基于k均值聚类算法的设备运行诊断方法和装置 Download PDFInfo
- Publication number
- CN110727257A CN110727257A CN201910798955.9A CN201910798955A CN110727257A CN 110727257 A CN110727257 A CN 110727257A CN 201910798955 A CN201910798955 A CN 201910798955A CN 110727257 A CN110727257 A CN 110727257A
- Authority
- CN
- China
- Prior art keywords
- equipment
- class
- energy consumption
- distance
- plan
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于K均值聚类算法的设备运行诊断方法和装置。方法包括:获取设备的运行计划和/或历史数据;获取设备在不同时间的多组运行数据;基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到;根据计算结果评估设备运行情况,诊断是否存在能耗异常。本发明基于K‑MEANS算法对设备运行数据进行聚类分析,通过更加深入的分析评估设备运行情况,可实现能耗异常自动诊断,帮助挖掘节能空间,降低能耗消耗,提高能源管理水平。
Description
技术领域
本发明涉及能源管理技术领域,具体涉及一种基于K均值聚类算法的设备运行诊断方法和装置。
背景技术
伴随着设备用能数据采集和传输技术的日渐成熟,建设能源管理平台成为各个集团或公司的趋势。平台可收集设备的能耗数据并进行简单的分析,生成图表和报表便于管理人员掌握能耗数据,为能源管理提供便利。
在数据分析方面,传统的能源管理平台可进行简单的对比分析,可根据设定的阈值产生报警,通过报警提示用能异常。
实践发现,传统的能源管理平台只注重数据收集和展示,弱化了数据分析,不能深入的挖掘设备能耗异常,不能解决节能管路的核心问题,在节能方案的制定方面非常困难,在节能管控上不能形成业务闭环。
发明内容
本发明提供一种基于K均值聚类算法的设备运行诊断方法和装置,用于传统能源管理平台数据分析深度不够、节能潜力发掘困难的技术问题。
为解决上述技术问题,采用的技术方案如下:
第一方面,提供一种基于K均值聚类算法的设备运行诊断方法,用于能源管理平台,该方法包括:获取设备的运行计划和/或历史数据;获取设备在不同时间的多组运行数据;基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到;根据计算结果评估设备运行情况,诊断是否存在能耗异常。
该方法基于人工智能技术,将K均值聚类(K-MEANS)算法运用于能源管理平台,对设备运行数据进行聚类分析,评估设备运行情况,可实现能耗异常自动诊断。进而,可根据诊断结果生成节能工单并自动下发,全程跟踪节能专项落地,形成能源管理业务闭环。该方法充分考虑能源管理的实际特点,将K-MEANS算法运用到能源管理中,根据设备用能特点深入挖掘节能潜力,逐步实现能耗控制和能效提升,进而达到人员、设备和能耗综合管控的目标。
可选的,所述获取设备的运行计划包括:获取设备计划运行的时间和功率,并计算计划运行的能耗;所述获取设备在不同时间的多组运行数据包括:按照预设的时间定时获取设备实际运行的能耗以及设备的开关状态。
可选的,根据计算结果评估设备运行情况包括:根据计算得到的距离得出评分,基于评分评估设备运行情况。
可选的,所述距离包括时间距离和能耗距离。
可选的,按照以下公式计算评分:
D=a*d1+bd2
其中,D是评分,a、b是加权系数,d1是已经归一化的时间距离,d2是已经归一化的能耗距离。
第二方面,提供一种基于K均值聚类算法的设备运行诊断装置,用于能源管理平台,包括:获取模块,用于获取设备的运行计划和/或历史数据,以及,获取设备在不同时间的多组运行数据;聚类模块,用于基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;计算模块,用于计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划和/或历史数据得到,所述历史类基于设备的历史数据得到;评估模块,用于根据计算结果评估设备运行情况,诊断是否存在能耗异常。
可选的,所述获取模块,具体用于:获取设备计划运行的时间和功率,并计算计划运行的能耗;以及,按照预设的时间定时获取设备实际运行的能耗以及设备的开关状态。
可选的,所述评估模块,具体用于根据计算得到的距离,按照以下公式计算评分:
D=a*d1+bd2
其中,D是评分,a、b是加权系数,所述距离包括时间距离和能耗距离,d1是已经归一化的时间距离,d2是已经归一化的能耗距离;
以及,基于评分评估设备运行情况,诊断是否存在能耗异常。
第三方面,提供一种能源管理平台,包括处理器和存储器,所述处理器用于执行如本发明第一力面所述的基于K均值聚类算法的设备运行诊断方法。
第四方面,提供一种存储介质,存储有程序,所述程序当被包括处理器的能源管理平台运行时,执行如本发明第一方面所述的基于K均值聚类算法的设备运行诊断方法。
从以上技术方案可以看出,本发明具有以下优点:
基于K-MEANS算法对设备运行数据进行聚类分析,通过更加深入的分析评估设备运行情况,可实现能耗异常自动诊断,帮助挖掘节能空间,降低能耗消耗,提高能源管理水平;解决了现有技术分析深度不够、节能潜力发掘困难的技术问题。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明实施例基于K均值聚类算法的设备运行诊断方法的流程图;
图2是本发明实施例基于K均值聚类算法的设备运行诊断装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面通过具体实施例,进行详细的说明。
本发明实施例,提供一种基于K均值聚类算法的设备运行诊断方法,该方法可用于能源管理平台对设备的用能数据进行诊断,判断是否存在能耗异常。所说的用能数据例如可包括设备的用电量数据,燃气消耗、暖气消耗数据,以及用水量数据等。
本发明基于K-mean算法封装“设备运行诊断装置”,运行于能源管理平台,评估设备运行情况,可实现用能异常自动诊断。当照明、电梯、冷机等设备出现用能异常时,能源管理平台可自动检测出问题;进一步的,还可以智能分析原因,基于K-means算法判断是否存在异常开启或异常关闭,同时可以推荐理想的运行计划/策略。
“设备运行诊断装置”作为运行于能源管理平台的程序模块,可用来诊断用能设备如照明设备、空调设备、电梯设备等的开启时间、开启功率的大小是否是按照设定的计划/参数运行,并且用K均值聚类算法把设备的运行规律划分为一个个不同的类别,再去计算这些类别与标准的运行计划类/历史类之间的距离并得出评分,从而诊断是否存在用能异常。
请参考图1,本发明一个实施例中,提供的一种基于K均值聚类算法的设备运行诊断方法,可包括:
S1.获取设备的运行计划和/或历史数据。
能源管理平台首先获取被预先录入的设备的运行计划,该运行计划可包括设备计划运行的时间和功率。并且,可以根据计划运行的时间和功率,计算计划运行的能耗。
S2.获取设备在不同时间的多组运行数据。
能源管理平台可以按照预设的时间定时获取设备实际运行的能耗,例如每15分钟读取一次设备的能耗,每天共读取96个能耗值。96个能耗值和各自对应的运行时间,构成96组运行数据。
S3.基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类。
能源管理平台可以基于K均值聚类算法,对获取的多组运行数据进行分类,分出的类别称为运行类。当运行数据包括时间和能耗两种数据,得到的运行类可包括运行时间类和运行能耗类。基于K均值聚类算法,分成的若干个类代表了该设备运行规律,但具体分成的哪几类是不确定的。一般以天为单位,对当天的运行数据进行分类,分成的类代表设备当天的运行规律。
S4.计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到。
能源管理平台还可以基于设备的运行计划得到相应的若干个类别,称为计划类,作为参考标准,用来与实际的运行类做对比分析。能源管理平台可以根据历史数据和趋势,得到计划类。计划类和/或历史类可视为是该设备运行应该遵循的依据。
举例来说,计划类:可根据设备开关的策略得出的几大类别,例如供冷季的运行策略是一类、供热季的运行策略是一类,过渡季的运行策略是一类。
历史类:可根据该设备历史运行数据生成的几种类别。
有了计划类和/或历史类之后,就可以将根据获取的运行数据分出的运行类,分别与计划类、运行类相比较。通过与计划类比较,计算距离和差距,可判断该运行与计划的偏离情况,比如哪里距离差距大就是不符合计划的,有问题的。通过与历史类相比较可以得出该设备与自己的历史运行情况是否相符,如果相符,说明设备的运行比较稳定,如果不相符,而是产生了一种新的类别,说明设备的运行偏离了历史的运行轨道,可能出了某个问题。
本步骤中,所述的计算距离是计算类之间的欧式距离,即,计算运行类和相应的计划类和/或历史类之间的欧式距离。
本文中,设备的运行数据可包括时间和能耗两种数据类型,所说的运行类、计划类和历史类中的每一种的类均按照数据类型的不同分开处理,所说的计算距离包括计算时间距离和计算能耗距离。
本步骤中,计算类之间的欧式距离,其计算公式可为:
其中,当计算时间距离时,X为时间数据;当计算能耗距离时,X为能耗数据;i和j分别表示运行类和计划类,k表示类的序号,p为类的总数量;d表示计算得到的距离。
S5.根据计算结果评估设备运行情况,诊断是否存在能耗异常。
能源管理平台在计算得到运行类和计划类之间的欧式距离之后,可以根据计算得到的距离,采用评估算法得出评分,基于评分评估设备运行情况,找出设备的运行问题,诊断是否存在能耗异常。
一些实施例中,可以按照以下公式所示的评估算法计算评分:
D=a*d1+b*d2
其中,D是评分,a、b是加权系数,d1是已经归一化的时间距离,d2是已经归一化的能耗距离。
计算出的评分表示设备运行的好坏,评分高说明设备的运行符合设定的趋势,是按照计划运行的,评分低说明设备开启管理混乱。当评分严重背离其理想值时,说明可能存在能耗异常。
以上,本发明公开了一种基于K均值聚类算法的设备运行诊断方法,该方法可以由运行于能源管理平台的“设备运行诊断装置”实施。“设备运行诊断装置”是基于K-mean算法封装,或者,基于K均值聚类和支持向量机算法封装的程序模块产品,能辅助管理人员进行能耗异常的发现,帮助挖掘节能空间,发掘节能潜力,降低能耗消耗,提高能源管理水平。
请参考图2,本发明的一个实施例,还提供一种基于K均值聚类算法的设备运行诊断装置,用于能源管理平台,可包括:
获取模块21,用于获取设备的运行计划和/或历史数据,以及,获取设备在不同时间的多组运行数据;
聚类模块22,用于基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;
计算模块23,用于计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到;
评估模块24,用于根据计算结果评估设备运行情况,诊断是否存在能耗异常。
进一步的,所述获取模块21,具体用于:获取设备计划运行的时间和功率,并计算计划运行的能耗;以及,按照预设的时间定时获取设备实际运行的能耗以及设备的开关状态。
进一步的,所述评估模块24,具体用于根据计算得到的距离,按照以下公式计算评分:
D=a*d1+b*d2
其中,a、b是加权系数,所述距离包括时间距离和能耗距离,d1是已经归一化的时间距离,d2已经归一化的能耗距离;
以及,基于评分评估设备运行情况,诊断是否存在能耗异常。
本发明的一个实施例,还提供一种能源管理平台,包括处理器和存储器,所述处理器用于执行如图1所示的实施例提供的基于K均值聚类算法的设备运行诊断方法。
本发明的一个实施例,还提供一种存储介质,存储有程序,所述程序当被包括处理器的能源管理平台运行时,执行如图1所示的实施例提供的基于K均值聚类算法的设备运行诊断方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
上述实施例仅用以说明本发明的技术方案,而非对其限制;本领域的普通技术人员应当理解:具依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于K均值聚类算法的设备运行诊断方法,用于能源管理平台,其特征在于,包括:
获取设备的运行计划和/或历史数据;
获取设备在不同时间的多组运行数据;
基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;
计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到;
根据计算结果评估设备运行情况,诊断是否存在能耗异常。
2.根据权利要求1所述的方法,其特征在于,
所述获取设备的运行计划包括:获取设备计划运行的时间和功率,并计算计划运行的能耗;
所述获取设备在不同时间的多组运行数据包括:按照预设的时间定时获取设备实际运行的能耗以及设备的开关状态。
3.根据权利要求2所述的方法,其特征在于,
根据计算结果评估设备运行情况包括:根据计算得到的距离得出评分,基于评分评估设备运行情况。
4.根据权利要求3所述的方法,其特征在于,
所述距离包括时间距离和能耗距离。
5.根据权利要求4所述的方法,其特征在于,
按照以下公式计算评分:
D=a*d1+bd2
其中,D是评分,a、b是加权系数,d1是已经归一化的时间距离,d2是已经归一化的能耗距离。
6.一种基于K均值聚类算法的设备运行诊断装置,用于能源管理平台,其特征在于,包括:
获取模块,用于获取设备的运行计划和/或历史数据,以及,获取设备在不同时间的多组运行数据;
聚类模块,用于基于K均值聚类算法对获取的多组运行数据进行分类,得到若干个运行类;
计算模块,用于计算运行类与相应的计划类和/或历史类之间的距离,所述计划类基于设备的运行计划得到,所述历史类基于设备的历史数据得到;
评估模块,用于根据计算结果评估设备运行情况,诊断是否存在能耗异常。
7.根据权利要求6所述的装置,其特征在于,
所述获取模块,具体用于:获取设备计划运行的时间和功率,并计算计划运行的能耗;以及,按照预设的时间定时获取设备实际运行的能耗以及设备的开关状态。
8.根据权利要求7所述的装置,其特征在于,
所述评估模块,具体用于根据计算得到的距离,按照以下公式计算评分:
D=a*d1+bd2
其中,D是评分,a、b是加权系数,所述距离包括时间距离和能耗距离,d1是已经归一化的时间距离,d2是已经归一化的能耗距离;
以及,基于评分评估设备运行情况,诊断是否存在能耗异常。
9.一种能源管理平台,其特征在于,包括处理器和存储器,所述处理器用于执行如权利要求1-5中任一所述的基于K均值聚类算法的设备运行诊断方法。
10.一种存储介质,存储有程序,所述程序当被包括处理器的能源管理平台运行时,执行如权利要求1-5中任一所述的基于K均值聚类算法的设备运行诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798955.9A CN110727257A (zh) | 2019-08-27 | 2019-08-27 | 基于k均值聚类算法的设备运行诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910798955.9A CN110727257A (zh) | 2019-08-27 | 2019-08-27 | 基于k均值聚类算法的设备运行诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110727257A true CN110727257A (zh) | 2020-01-24 |
Family
ID=69217775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910798955.9A Pending CN110727257A (zh) | 2019-08-27 | 2019-08-27 | 基于k均值聚类算法的设备运行诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727257A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明系统异常能耗分析方法 |
CN111929496A (zh) * | 2020-09-05 | 2020-11-13 | 广州天萌建筑设计有限公司 | 办公建筑独立房间能耗采集、监测、分析及报警系统 |
CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
CN112836720A (zh) * | 2020-12-16 | 2021-05-25 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
CN112884013A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于数据挖掘技术的能耗分区方法 |
CN113064779A (zh) * | 2021-03-04 | 2021-07-02 | 山东英信计算机技术有限公司 | 一种机器出厂诊断方法、系统、设备和存储介质 |
CN113552803A (zh) * | 2021-07-26 | 2021-10-26 | 桂林电子科技大学 | 一种基于工况识别的能量管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011073613A1 (en) * | 2009-12-15 | 2011-06-23 | University Of Portsmouth | A method, apparatus and computer program for diagnosing a mode of operation of a machine |
CN103713217A (zh) * | 2013-12-25 | 2014-04-09 | 国家电网公司 | 一种直流偏磁条件下电力变压器运行状态的在线监测方法 |
CN106384300A (zh) * | 2016-09-27 | 2017-02-08 | 山东建筑大学 | 基于大数据和模糊模型的建筑异常用能检测方法及系统 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
-
2019
- 2019-08-27 CN CN201910798955.9A patent/CN110727257A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011073613A1 (en) * | 2009-12-15 | 2011-06-23 | University Of Portsmouth | A method, apparatus and computer program for diagnosing a mode of operation of a machine |
CN103713217A (zh) * | 2013-12-25 | 2014-04-09 | 国家电网公司 | 一种直流偏磁条件下电力变压器运行状态的在线监测方法 |
CN106384300A (zh) * | 2016-09-27 | 2017-02-08 | 山东建筑大学 | 基于大数据和模糊模型的建筑异常用能检测方法及系统 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明系统异常能耗分析方法 |
CN111695792B (zh) * | 2020-05-29 | 2023-08-01 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明系统异常能耗分析方法 |
CN111929496A (zh) * | 2020-09-05 | 2020-11-13 | 广州天萌建筑设计有限公司 | 办公建筑独立房间能耗采集、监测、分析及报警系统 |
CN112836720A (zh) * | 2020-12-16 | 2021-05-25 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
CN112836720B (zh) * | 2020-12-16 | 2024-03-29 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
CN112884013A (zh) * | 2021-01-26 | 2021-06-01 | 山东历控能源有限公司 | 基于数据挖掘技术的能耗分区方法 |
CN113064779A (zh) * | 2021-03-04 | 2021-07-02 | 山东英信计算机技术有限公司 | 一种机器出厂诊断方法、系统、设备和存储介质 |
CN113552803A (zh) * | 2021-07-26 | 2021-10-26 | 桂林电子科技大学 | 一种基于工况识别的能量管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110727257A (zh) | 基于k均值聚类算法的设备运行诊断方法和装置 | |
CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN109343995A (zh) | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 | |
CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN108921355A (zh) | 一种基于时间序列预测模型的告警阈值设定方法及装置 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
CN110135064A (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
Jalali et al. | Predicting time-to-failure of plasma etching equipment using machine learning | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
Sarita et al. | Principal component analysis technique for early fault detection | |
KR20200084401A (ko) | 빅데이타를 활용한 공기압축기 양방향 고장진단 및 원격운전제어 시스템 | |
CN117239713A (zh) | 一种基于配电网调度智慧安全的管控方法及系统 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
von Birgelen et al. | Using self-organizing maps to learn hybrid timed automata in absence of discrete events | |
CN114047730B (zh) | 一种高效省能火电厂发电生产优化控制装置 | |
CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
CN115731073A (zh) | 基于业务场景分析的调度操作异常监控方法 | |
CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
CN117630758B (zh) | 发电站变压器健康状态监测方法及系统 | |
CN108964016A (zh) | 计及离散总用电量数据的用户电器运行情况识别方法 | |
Chumnanvanichkul et al. | Three-level Classification of Air Conditioning Energy Consumption for Building Energy Management System Using Data Mining Techniques | |
CN110310047A (zh) | 一种工厂生产状态异常检测模型设计方法 | |
CN113642937B (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |