CN111033552A - 热能流体传输系统中非侵入式传感器的认知能量评估 - Google Patents
热能流体传输系统中非侵入式传感器的认知能量评估 Download PDFInfo
- Publication number
- CN111033552A CN111033552A CN201880056230.6A CN201880056230A CN111033552A CN 111033552 A CN111033552 A CN 111033552A CN 201880056230 A CN201880056230 A CN 201880056230A CN 111033552 A CN111033552 A CN 111033552A
- Authority
- CN
- China
- Prior art keywords
- events
- energy
- fluid transfer
- transfer system
- energy usage
- 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.)
- Granted
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 141
- 238000012546 transfer Methods 0.000 title claims abstract description 109
- 230000001149 cognitive effect Effects 0.000 title description 57
- 238000010438 heat treatment Methods 0.000 claims abstract description 14
- 238000001816 cooling Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000003466 anti-cipated effect Effects 0.000 abstract description 2
- 230000037406 food intake Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000019771 cognition Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/01—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using semiconducting elements having PN junctions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K17/00—Measuring quantity of heat
- G01K17/06—Measuring quantity of heat conveyed by flowing media, e.g. in heating systems e.g. the quantity of heat in a transporting medium, delivered to or consumed in an expenditure device
- G01K17/08—Measuring quantity of heat conveyed by flowing media, e.g. in heating systems e.g. the quantity of heat in a transporting medium, delivered to or consumed in an expenditure device based upon measurement of temperature difference or of a temperature
- G01K17/20—Measuring quantity of heat conveyed by flowing media, e.g. in heating systems e.g. the quantity of heat in a transporting medium, delivered to or consumed in an expenditure device based upon measurement of temperature difference or of a temperature across a radiating surface, combined with ascertainment of the heat transmission coefficient
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/022—Means for indicating or recording specially adapted for thermometers for recording
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K2213/00—Temperature mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
可以根据收集的数据学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件。能量使用评估操作可使用温度信号消歧操作来执行,其中数据由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集,以学习系统性能指标,并且当与摄取的预期策略行为耦合时,根据学习的行为实时地识别一个或多个能量使用浪费事件。
Description
技术领域
本发明一般涉及计算系统,尤其涉及使用计算处理器在云计算环境中的热能流体传输系统中进行认知能量评估的各种实施例。
背景技术
在当今社会,机械系统的各种进步,加上计算技术的进步,使得各种附带的好处成为可能,诸如提高热能流体传输系统的效率。随着计算机在整个社会方面的激增,继续呈现附加机会来利用热能流体传输系统中的技术,以提高功率和能量消耗的效率,同时使能量足迹最小化。
发明内容
提供了用于通过与一个或多个存储器相关联的一个或多个处理器在云计算环境中的热能流体传输系统中进行认知能量评估的各种实施例。在一个实施例中,仅作为示例,提供了一种用于在云计算环境中使用物联网(IoT)传感器阵列的热能流体传输系统中进行认知能量评估的方法/系统。用于热能流体传输系统中的认知能量评估的实施例可以在云计算环境中。可以根据收集的已消歧的控制信号数据来学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件。能量使用评估操作可使用温度信号消歧操作来执行,其中数据由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集,以学习系统性能指标,并且当与摄取的预期策略行为耦合时,根据学习的行为实时地识别一个或多个能量使用浪费事件。
附图说明
为了容易地理解本发明的优点,将通过参考附图中示出的具体实施例来呈现上面简要描述的本发明的更具体的描述。应当理解,这些附图仅描述了本发明的典型实施例,因此不应被认为是对其范围的限制,将通过使用附图来描述和解释本发明的附加特征和细节,其中:
图1是描述根据本发明实施例的示例性计算节点的框图;
图2是描述根据本发明实施例的示例性云计算环境的附加框图;
图3是描述根据本发明实施例的抽象模型层的附加框图;
图4是描述根据本发明的各方面起作用的各种用户硬件和计算组件的图;
图5是用于由处理器定义热能流体传输系统中的信号消歧事件检测的示例性方法的曲线图,其中可以实现本发明的各个方面;
图6是根据本发明的各方面的物联网(IoT)计算网络中的热能流体传输系统中的认知能量评估的流程框图;
图7是根据本发明的各方面的热能流体传输系统中在监督学习阶段期间比较选定时间段的温度信号的输出结果的曲线图;
图8是根据本发明的各方面的物联网(IoT)计算网络中的热能流体传输系统中的监督学习阶段的流程框图;
图9是根据本发明的方面的热能流体传输系统中的地面实况标记的曲线图;
图10是根据本发明的各方面的物联网(IoT)计算网络中的热能流体传输系统的调度的认知能量评估的流程框图;
图11是描述根据本发明的方面的物联网(IoT)计算网络中的热能流体传输系统的认知能量评估的输出报告的图;以及
图12是用于由处理器在云计算环境中的热能流体传输系统中进行认知能量评估的示例性方法的流程图,其中可以实现本发明的各个方面。
具体实施方式
如本文将描述的,本文提供的各种实施例涉及热能流体传输系统,诸如,例如,热能泵送液体输送系统、可包括高压热水("HPHW"或蒸汽)系统、低压热水(LPHW)系统、过程冷却水、冷冻水、制冷(高压侧)系统的系统或其它流体泵系统。
这些热能流体传输系统中的许多系统用于各种类型的建筑物内,诸如,例如商业建筑物。而且,这些建筑物中的绝大多数在锅炉系统中可使用天然气,这需要大量的能量消耗,特别是当锅炉系统涉及热水服务时。然而,在许多建筑环境中,与基于电力的能量用户对应物相比,对操作相当大的锅炉资产和LPHW服务的供应(例如,锅炉操作和性能的各种感知水平)的理解较少。这主要是由于与燃气锅炉操作相关联的高可靠性水平,其中锅炉室往往被管理为"黑箱",并且检查锅炉室往往是有限的或者仅响应于锅炉跳闸警报。考虑到接近这些热能流体传输系统的复杂性和困难性,难以获得对底层控制数据的访问,因为热能流体传输系统是独立的并且可以是专有系统。因此,需要提供连续的和认知的能量性能评估,以用于识别一个或多个节能机会。
因此,本文提供了用于云计算环境中的热能流体传输系统中的认知能量评估的各种实施例。在一个实施例中,仅作为示例,提供了一种用于在云计算环境中使用物联网(IoT)传感器阵列的热能流体传输系统中进行认知能量评估的方法/系统。用于热能流体传输系统中的认知能量评估的实施例可以在云计算环境中。热能流体传输系统(其可以是加热服务、冷却服务或其组合)的行为可以根据收集的数据来学习,以识别一个或多个能量使用事件。可以使用由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集的温度信号来执行能量使用评估操作,以根据学习的行为来识别一个或多个能量使用浪费事件。热能流体传输系统中的认知能量评估提供进行必要的能量浪费评估以识别一个或多个能量浪费事件的能力。温度信号数据可用于检测和报告能量浪费事件。
在一个方面,本文描述的实施例提供了单个时间序列温度信号的消歧,该单个时间序列温度信号可以是热能流体传输系统的返回管线中的共同返回温度。IoT传感器设备可检测返回管线温度,以使得能够进行热能流体传输系统的认知能量评估。最初,可以学习热能流体传输系统的行为。能量使用事件可以散布在温度信号中,并且随后用于检测能量浪费事件。能量浪费事件可以包括例如调度失配、系统无负载或能够影响调度改变点的干循环事件的开始(例如,允许实现大量节能机会的夏季和冬季锅炉操作的开始)或其他定义的能量浪费事件。
这样,所提出的发明提供了按需和实时的能量使用和能量浪费使用的分析评估。这样,本发明克服了部署侵入专家硬件设备、延长系统关闭或使用领域专业知识来解释输出的任何要求,考虑到其专业性质以及考虑到所涉及的工作和时间的水平,这是昂贵的。所提出的发明消除了对直接锅炉控制询问或建筑管理系统("BMS")访问以进行锅炉的认知能量评估的任何要求,同时消除了对专业硬件安装的需要。在一个方面,IoT使能温度传感器上的无线绑带可以应用于热能流体传输系统中的管道网络的返回温度回路,其不需要系统干预、设置、安装或布线。
在一个方面,本发明涉及任何闭环热能流体传输系统(加热和冷却)。该系统的益处和优点可以包括消除/减少关闭系统的要求。在一个方面,本发明提供了可在没有安装资源支持的情况下部署在热能流体传输系统(包括加热和冷却系统)中的可在云计算环境内操作的一个或多个非侵入式IoT传感器。一个或多个非侵入式IoT传感器可被选择性地和/或战略性地定位在一个或多个管道上,诸如例如任何封闭泵送热能流体传输系统(其可包括高压热水("HPHW"或蒸汽)系统、低压热水("LPHW")系统、过程冷却水、冷冻水、制冷(高压侧)系统或其他流体泵送系统)中的管道网络的返回管线(例如,连接/捆扎到管道网络中的返回管线中的管道的外部)。数据可以被连续地采样并且用于充分地表征系统的状态(例如,健康状态)、建立可接受的能量使用阈值和/或创建用于特定类型的热能流体传输系统的能量使用概况(profile),以及用于认知能量评估。数据采样可以在选定的时间段(例如,24小时的数据采样和训练)期间发生,并且在没有领域专业知识参与的情况下提供对所测量系统的异常系统控制和需求事件的检测。本发明还取消了对辅助数据或硬件输入要求的需要。
在一个方面,本发明可在管道网络的返回区段/返回回路(后能量负载区段)上部署单个IoT传感器,并且对单个数据点(Treturn,其为热能流体传输系统的返回温度)执行一个或多个基于云的实时统计检测操作,并且认知地评估/确定能量使用效率。本发明还取消了对辅助数据或硬件输入要求的需要。一个或多个IoT传感器可在跨热能流体传输系统的完整校园集群(例如,IoT网络的IoT传感器集群)部署的IoT返回传感器的网络中。这样,本发明提供了IoT传感器集群的状态的综合测量的生成和确定,和/或为设施管理和操作人员提供了验证跨大校园范围的锅炉调度的自动化方法,该方法可用于针对公司达成一致的运行时间策略来识别任何异常。
因此,如本文所述,本发明提供了在云计算环境中由处理器评估热能流体传输系统中的能量浪费。在一个方面,从至少一个环境控制数据对象(或通过可容易部署的IoT传感器来获取)连续地监视和认知地验证数据,以便:1)评估系统设置点,2)确定系统开始的次数,3)检测正在进行的启用/禁用系统的任何每日调度异常,4)确定无负载事件的开始,5)根据系统启用标志来确定系统运行时间,和/或6)确定系统未调度的非工作时间操作。
在一个方面,各种实施例可接受系统返回温度数据和所选系统控制策略作为认知能量评估操作的输入。认知能量评估的一个或多个输出可包括系统设置点评估、系统运行时间、系统每日无负载开始、每日系统启用和禁用时间戳、系统每日高负载和无负载事件时间戳以及系统非正常操作时间。认知能量评估操作可用于识别系统内的容量负载平衡操作和评估机会,以确定正确的锅炉尺寸,以满足目标服务建筑或区域内的进行中的需求。
下面将进一步描述本发明的其它方面和附带的益处。
在附加方面,认知的或"认知"可以指通过思维、经验和使用机器学习(其可以包括使用基于传感器的设备或包括音频或视频设备的其他计算系统)的一个或多个感测来获取知识和理解的精神动作或过程。认知也可以指识别行为模式,导致一个或多个事件、操作或过程的"学习"。因此,随着时间的推移,认知模型可以开发语义标签以应用于观察到的行为,并且使用知识领域或本体来存储学习到的观察到的行为。在一个实施例中,系统提供了可以从一个或多个事件、操作或过程中学习到的内容的渐进的复杂度水平。
在另外的方面,术语认知可以指认知系统。认知系统可以是专用计算机系统,或计算机系统组,其配置有硬件和/或软件逻辑(与软件在其上执行的硬件逻辑组合)以仿效人类认知功能。这些认知系统将类人的特性应用于传达和操纵思想,当与数字计算的固有强度结合时,其可以大规模地以高准确度(例如,在定义的百分比范围内或高于准确度阈值)和弹性来解决问题。认知系统可以执行一个或多个计算机实现的认知操作,这些认知操作近似于人类思考过程,同时使得用户或计算系统能够以更自然的方式交互。认知系统可以包括人工智能逻辑,例如,诸如基于自然语言处理(NLP)的逻辑,以及机器学习逻辑,其可以被提供为专用硬件、在硬件上执行的软件、或专用硬件和在硬件上执行的软件的任何组合。认知系统的逻辑可以实现(多个)认知操作,其示例包括但不限于问答、语料库中的内容的不同部分内的相关概念的标识、以及诸如因特网网页搜索的智能搜索算法。
通常,这样的认知系统能够执行以下功能:1)导航人类语言和理解的复杂性;2)摄取并处理大量的结构化和非结构化数据;3)生成并估计假设;4)加权并估计仅基于相关证据的响应;5)提供情况特定建议、洞察、评估、确定、估计、计算和指导;6)通过机器学习过程,利用每次迭代和交互来改进知识和学习;7)在作用点(上下文指导)处进行的使能决策;8)与任务、过程或操作成比例地缩放;9)扩展和放大人类的专业知识和认知;10)从自然语言中识别共鸣的、类人的属性和特性;11)从自然语言推断各种语言特定或不可知的属性;12)记忆和回忆相关数据点(图像、文本、语音)(例如,从数据点(图像、文本、语音)的高度相关回忆(记忆和回忆));和/或13)基于经验用模仿人类认知的情景认知操作来预测和感测。
首先应当理解,尽管本公开包括关于云计算的详细描述,但其中记载的技术方案的实现却不限于云计算环境,而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式,用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源,例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实现快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度。
服务模型如下:
软件即服务(SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作系统、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1,其中显示了云计算节点的一个例子。图1显示的云计算节点10仅仅是适合的云计算节点的一个示例,不应对本发明实施例的功能和使用范围带来任何限制。总之,云计算节点10能够被用来实现和/或执行以上所述的任何功能。
云计算节点10具有计算机系统/服务器12,其可与众多其它通用或专用计算系统环境或配置一起操作。众所周知,适于与计算机系统/服务器12一起操作的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任意系统的分布式云计算技术环境,等等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图1所示,云计算节点10中的计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,其它硬件和/或软件模块可以与计算机系统/服务器12一起操作,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本发明的上下文中,并且如本领域技术人员将理解的,图1中描述的各种组件可以位于移动车辆中。例如,与所示实施例的机制相关联的一些处理和数据存储能力可以经由本地处理组件本地发生,而相同的组件经由网络连接到远程定位的分布式计算数据处理和存储组件以实现本发明的各种目的。此外,如本领域普通技术人员将理解的,本说明旨在仅传达可以是共同实现各个发明方面的分布式计算组件的整个连接网络的子集。
现在参考图2,其中显示了示例性的云计算环境50。如图所示,云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10,本地计算设备例如可以是个人数字助理(PDA)或移动电话54A,台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样,云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解,图2显示的各类计算设备54A-N仅仅是示意性的,云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图3,其中显示了云计算环境50(图2)提供的一组功能抽象层。首先应当理解,图3所示的组件、层以及功能都仅仅是示意性的,本发明的实施例不限于此。如图3所示,提供下列层和对应功能:
设备层55包括嵌入有和/或独立的电子器件、传感器、致动器和其他对象以在云计算环境50中执行各种任务的物理和/或虚拟设备。设备层55中的每个设备将联网能力结合到其他功能抽象层,使得从设备获得的信息可以被提供给该设备,和/或来自其他抽象层的信息可以被提供给设备。在一个实施例中,包括设备层55在内的各种设备可以并入统称为"物联网"(IoT)的实体的网络。如本领域普通技术人员将理解的,这样的实体网络允许数据的相互通信、收集和传播以实现各种目的。
如图所示,设备层55包括传感器52、致动器53、具有集成处理、传感器和联网电子设备的"学习"恒温器56、相机57、可控家用插座/插口58以及可控电开关59,如图所示。其它可能的设备可以包括但不限于各种附加传感器设备、联网设备、电子设备(诸如远程控制设备)、附加致动器设备、所谓的"智能"电器(诸如冰箱或洗衣机/烘干机)以及各种各样的其它可能的互连对象。
硬件和软件层60包括硬件和软件组件。硬件组件的例子包括:主机61;基于RISC(精简指令集计算机)体系结构的服务器62;服务器63;刀片服务器64;存储设备65;网络和网络组件66。软件组件的例子包括:网络应用服务器软件67以及数据库软件68。
虚拟层70提供一个抽象层,该层可以提供下列虚拟实体的例子:虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74,以及虚拟客户端75。
在一个示例中,管理层80可以提供下述功能:资源供应功能81:提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取;计量和定价功能82:在云计算环境内对资源的使用进行成本跟踪,并为此提供帐单和发票。在一个例子中,该资源可以包括应用软件许可。安全功能:为云的消费者和任务提供身份认证,为数据和其它资源提供保护。用户门户功能83:为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84:提供云计算资源的分配和管理,以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85:为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供云计算环境可能实现的功能的示例。在该层中,可提供的工作负载或功能的示例包括:地图绘制与导航91;软件开发及生命周期管理92;虚拟教室的教学提供93;数据分析处理94;交易处理95;以及在本发明的所示实施例的上下文中,用于使用IoT传感器阵列的热能流体传输系统中的认知能量评估的各种工作负荷和功能96。另外,用于使用IoT传感器阵列的热能流体传输系统中的认知能量评估的工作负荷和功能96可以包括诸如数据分析(包括来自各种环境传感器的数据收集和处理)和预测数据分析功能的操作。本领域普通技术人员将理解,用于使用IoT传感器阵列的热能流体传输系统中的认知能量评估的工作负荷和功能96还可以结合各种抽象层的其他部分(诸如硬件和软件60、虚拟化70、管理80和其他工作负载90(诸如数据分析处理94)中的那些)工作,以实现本发明的所示实施例的各种目的。
如本文所述,本发明提供了在云计算环境中使用IoT传感器阵列的热能流体传输系统中的认知能量评估。在一个方面,IoT使能温度传感器可以在距定义的起点的选定/已知的测量距离处耦合(例如,捆扎)到热能流体传输系统的管道的区段(例如,在能量负载之后的管道网络的返回回路),该选定/已知的测量距离例如诸如距定义的起点100米的距离,该定义的起点可以是循环泵的出口歧管或储热器的阀注入点。热能流体传输系统的与加热服务、冷却服务或其组合相关联的行为可以根据收集的数据来学习,以识别一个或多个能量使用事件。可以使用由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集的温度信号来执行能量使用评估操作,以根据所学习的行为来识别一个或多个能量使用浪费事件。如本文所述,从所提出的认知能量评估方法的IoT传感器设备获取的可比较温度信号可针对特定热能流体传输系统的一个或多个能量使用阈值标准/值来验证。从IoT传感器设备获取的高于或超出一个或多个能量使用阈值标准/值的所选范围的任何温度信号可指示能量浪费使用。可以向用户提供警报(例如,通过/失败)通知(例如,经由诸如计算机、平板电脑、智能电话等的计算设备上的图形用户界面"GUI")。
现在转向图4,描述了根据所示实施例的各种机制描述示例性功能组件400的框图。图4示出了根据本技术的示例的计算环境(诸如计算环境402)中的机器学习模型的认知能量评估和训练。如将看到的,在与先前在图1-3中描述的相同的描述意义上,许多功能块也可以被认为是功能的"模块"或"组件"。考虑到上述内容,模块/组件块400也可以并入到根据本发明的用于精确时间事件预测建模的系统的各种硬件和软件组件中。许多功能块400可以作为各种组件上的后台进程在分布式计算组件中或在用户设备上或在其它地方执行。再次示出了计算机系统/服务器12,其结合了处理单元16和存储器28以执行根据本发明的各个方面的各种计算、数据处理和其他功能。
系统400可以包括计算环境402(例如,包括在热交换系统/单元中)、热能流体传输系统430和设备420,诸如台式计算机、膝上型计算机、平板计算机、智能电话和/或可以具有一个或多个处理器和存储器的另一电子设备。设备420、热能流体传输系统430和计算环境402可由诸如计算网络的一种或多种通信方法各自彼此相关联和/或彼此通信。在一个示例中,设备420和/或热能流体传输系统430可由与计算环境402相关联的所有者、客户或技术人员/管理员控制。在另一示例中,设备420和/或热能流体传输系统430可以完全独立于计算环境402的所有者、客户或技术人员/管理员。
在一个方面,计算环境402可以向设备420提供虚拟化计算服务(即,虚拟化计算、虚拟化存储、虚拟化联网等)。更具体地,计算环境402可以提供虚拟化计算、虚拟化存储、虚拟化联网和在硬件基板上执行的其他虚拟化服务。
如图4所示,计算环境402可包括机器学习模块406、与机器学习模块406相关联的特征和/或参数404以及热能流体传输系统430。特征和/或参数数据库404还可包括用于每个热能流体传输系统430和/或与IoT传感器组件416相关联的IoT传感器设备的能量使用概况。应当注意,一个或多个IoT传感器设备可被表示为IoT传感器组件416可被耦合到热能流体传输系统430。特征和/或参数404可以是特征、参数、行为特性、能量使用概况数据、能量使用阈值标准/值、温度数据、历史数据、测试和验证的数据、或用于测试、监测、验证、检测、学习、分析和/或计算与热能流体传输系统430中的认知能量评估有关的各种条件或诊断的其它指定/定义的数据的组合。即,可以选择参数的不同组合并将其应用于输入数据,以用于学习或训练机器学习模块406的一个或多个机器学习模型。特征和/或参数404可定义与IoT传感器组件416相关联的一个或多个非侵入式IoT传感器的一个或多个设置以使得该一个或多个非侵入式IoT传感器能够经由IoT传感器组件416来检测温度信号数据。与IoT传感器组件416相关联的一个或多个非侵入式IoT传感器可在距替代的非侵入式传感器一个或多个定义的距离处耦合到热能流体传输系统430。
计算环境402还可包括计算机系统12,如图1中所描述的。计算机系统12还可以包括浪费能量使用组件410、认知能量评估组件412和IoT传感器组件416,每个组件与机器学习模块相关联,用于训练和学习一个或多个机器学习模型,并且还用于将特征、参数、行为特性、能量使用概况、能量使用阈值标准/值、流体流速数据、温度数据或其组合的多个组合应用于机器学习模型,以用于热能流体传输系统中的认知能量评估。
在一个方面,机器学习模块406可包括评估/预测组件408,其用于使用来自温度信号的温度数据来认知地预测和/或认知地评估能量评估,该温度信号由与位于热能流体传输系统430中的管道网络(例如,管道回路中的返回管线)的一个或多个选定位置处的IoT传感器组件416相关联的一个或多个IoT传感器收集。例如,计算机系统12使用浪费能量使用组件410和认知能量评估组件412可以认知地确定与IoT传感器组件416相关联的一个或多个IoT传感器的能量使用。热能流体传输系统430的能量使用概况可以在机器学习模块406、特征和/或参数404或两者中创建、定义、存储和维持。
机器学习模块406可以从与IoT传感器组件416相关联的一个或多个IoT传感器收集反馈信息,以学习热能流体传输系统430的行为、建立能量使用计划、能量使用阈值标准和值、建立热能流体传输系统430的能量使用概况、建立热能流体传输系统430的健康状态、检测(与浪费能量使用组件410相关联)一个或多个异常的热能流体传输系统事件或其组合。机器学习模块406可使用反馈信息来使用评估/预测组件408提供热能流体传输系统430的能量输出的认知评估。即,评估/预测组件408可以通过与IoT传感器组件416相关联的一个或多个IoT传感器来认知地评估热能流体传输系统430的能量。简而言之,机器学习模块406可以使用反馈信息来初始化,以学习热能流体传输系统430的行为。
浪费能量使用组件410可以根据收集的温度信号认知地检测能量使用异常或浪费能量使用活动,可以将收集的温度信号与能量使用阈值和值进行比较。
设备420可以包括图形用户界面(GUI)422,其能够在设备420上显示一个或多个用户界面控件,以便用户与GUI422交互。例如,GUI 422可根据热能流体传输系统的能量输出的认知评估,经由交互式图形用户界面(GUI)向用户显示能量输出或流体流率。例如,能量输出或流体流速事件可以是在GUI422上可听见地和/或可视地指示或显示的警报"失败警报!能量浪费事件-检测到连续干循环事件"。应该注意到,"干循环"是由锅炉的长期损耗引起的。干循环是热能流体传输系统的重复点火——以保持热能流体传输系统的内部水温——当实际上没有来自热能流体传输系统所服务的建筑物或系统的真正加热需求(例如,没有能量)时。如果水继续被泵送到热能流体传输系统的加热回路周围,并且锅炉随后燃烧以补偿来自管道系统的热损失,以便保持期望的固定流温度,则问题加剧。在春天和秋天,当锅炉倾向于打开和关闭或调整时,尤其是当锅炉尺寸过大时,干循环处于其最坏的状态。
在一个方面,如本文所述,热能流体传输系统中的认知热能评估和评估/预测建模(或机器学习建模)可使用各种方法或方法的组合来执行,诸如监督学习、无监督学习、时间差异学习、强化学习等。可以与本技术一起使用的监督学习的一些非限制性示例包括AODE(averaged one-dependence estimator,平均一相关评估器)、人工神经网络、反向传播、贝叶斯统计、朴素海湾分类器、贝叶斯网络、贝叶斯知识库、基于案例的推理、决策树、归纳逻辑编程、高斯过程回归、基因表达编程、数据处理的分组方法(group method of datahandling,GMDH)、学习自动机、学习矢量量化、最小消息长度(决策树、决策图等)、懒惰学习、基于实例的学习、最近邻算法、模拟建模、可能近似正确(probably approximatelycorrect,PAC)学习、波纹下降规则、知识获取方法、符号机器学习算法、子符号机器学习算法、支持矢量机、随机森林、分类器的集合、引导聚合(装袋)、提升(元算法)、序数分类、回归分析、信息模糊网络(information fuzzy network,IFN)、统计分类、线性分类器、费雪线性判别、逻辑回归、感知器、支持矢量机、近邻分类器、k最近邻、隐马尔可夫模型和提升。可以与本技术一起使用的无监督学习的一些非限制性示例包括人工神经网络、数据聚类、期望最大化、自组织映射、径向基函数网络、矢量量化、生成地形图、信息瓶颈方法、IBSEAD(distributed autonomous entity systems based interaction,基于分布式自主实体系统的交互)、关联规则学习、先验算法、Eclat算法、FP-生长算法、分层聚类、单链接聚类、概念聚类、划分聚类、k均值算法、模糊聚类和增强学习。时间差学习的一些非限制性示例可以包括Q学习和学习自动机。关于本段落中描述的监督、非监督、时间差异或其他机器学习的示例中的任一个的具体细节是已知的并且在本公开的范围内。而且,当部署一个或多个机器学习模型时,计算设备可以在被部署在公共环境中之前首先在受控环境中被测试。此外,即使当部署在公共环境中(例如,在受控测试环境外部)时,也可以监视计算设备的合规性。
在一个方面,计算系统12/计算环境402可以根据数学运算或可能涉及一个或多个数学运算的函数来执行一个或多个计算(例如,通过分析或计算来求解微分方程或偏微分方程,使用加法、减法、除法、乘法、标准偏差、均值、平均值、百分比、使用统计分布的统计建模,通过找到组合变量的最小值、最大值或类似阈值等)。
图5是用于由处理器定义热能流体传输系统中的信号消歧事件检测(例如,消歧操作)的示例性方法的曲线图500。即,曲线图500描述了典型的每日采样建筑物锅炉Treturn信号概况的示例,使用从热能流体传输系统上的IoT传感器设备收集的温度特征,在没有负载(没有能量需求事件)检测的样本建筑物内定义若干不同的显著能量事件(包括从上午11点开始没有负载事件检测,即,从上午11点开始的重复的干循环信号证实建筑物没有表现出加热需求)。曲线图500描述了由处理器通过绘制和定义与热能流体传输系统相关的一个或多个事件来评估云计算环境中的热能流体传输系统中的能量的示例,该一个或多个事件可以发生在两个事件内,诸如例如系统开始时间和系统停止时间。曲线图500描述了Y轴上的温度(以摄氏度测量)和X轴上的时间段(例如,小时和分钟)。热能流体传输系统(诸如例如锅炉)的开始时间可以在大约4小时21分钟的第一时间段开始,并且在第二时间段(例如5小时14分钟)检测到温度上升到主要需求事件(例如能量使用需求)。也就是说,仅作为示例,可以在04:00处观察开始时间,并且在19:00处观察停止时间。如在曲线图500中观察到的,描述了多个能量使用需求("主要需求事件")。此外,还通过测量从热能流体传输系统上的IoT传感器设备收集的温度信号来描述设置点、(多个)燃烧器开始事件和异常需求事件(例如,"无负载"事件)的检测。
曲线图500示出了本发明检测热能流体传输系统的开始时间和停止时间,以便与预期的调度(例如,预期的每日调度策略)相比能够识别热能流体传输系统的任何异常。而且,可以检测在操作调度期间(例如,在每日操作期间)的每个能量需求事件(例如,负载事件)和非能量需求事件(无负载事件)。更具体地,可以检测从负载事件转变到无负载事件(例如,锅炉的干循环)的时间点(改变点)。也就是说,改变点是热能流体传输系统进入干循环的位置;系统上唯一的负荷导致锅炉燃烧并导致回路损失(例如,当热能在系统回路中循环时损失热能)的点。换句话说,改变点可以是从能量需求事件到非能量需求事件的转变点。如果改变点每天都一致,则一旦检测到(并且使用热能流体传输系统来进行操作以节约能量),该改变点可以被检测为能量浪费避免机会。
此外,通过实时执行认知能量评估分析,如果针对定义的规则(例如,定义的公司策略、能量使用阈值/值或操作的调度)检测到异常,则认知能量评估分析还可以生成一个或多个各种类型的警报。异常还可以包括预期系统行为的偏差和/或检测在一段时间(例如,一天)内无负载改变点随时间的显著偏移(其可以是季节性改变开始的指示),或在连续早期改变点(即,一天内干循环事件的开始)观察的情况下系统设计尺寸过大。
图6是描述根据本发明的各方面在低压热水(LPHW)系统中起作用的各种用户硬件和计算组件的示图600。LPHW系统可以包括一个或多个锅炉,诸如,例如,"锅炉1"、一个或多个非侵入式IoT传感器,诸如,例如,IoT传感器S1、流首部(flow header)、返回首部、泵和加热系统负载(例如,负载1和负载n)。
IoT传感器S1(例如,IoT使能温度传感器S1)可耦合(例如,捆绑)到管道,诸如例如目标管道的选定管道区段的外部部分(例如,管道网络的返回回路),以实现性能的认知评估(例如,设置点和系统需求评估)。来自IoT传感器S1的各种高频(例如,高于所选或定义频率的频率,诸如,例如,每一分钟或小于每一分钟的采样频率)温度读数可被传送给IoT通信网络(例如,IoT云),以便应用运行在单个数据点(Treturn)上的适当温度信号检测操作并确定一个或多个关键性能指标("key performance indicator,KPI"),诸如,例如系统设置点设置、燃烧器/锅炉开始事件的数目、或系统需求事件的标识,其可包括无负载需求事件和/或短循环需求事件。即,来自IoT传感器S1的各种温度读数可以被动态地传送给IoT通信网络(例如,IoT云),以便应用在IoT计算系统的分析层中运行的适当温度信号检测操作。随着时间的推移,感测的准确度可以被提高,因为附加检测事件被创建并且检测操作被微调和/或使用机器学习机制来学习。此外,使用机器学习模型的辅助,可以应用异常检测操作来确定(例如,实时/按需)一个或多个异常事件。
在附加方面,IoT温度使能传感器S1(例如,IoT使能温度传感器S1)可被耦合(例如,捆扎)到管道,诸如例如流体返回管线/回到泵的管道的所选管道区段的外部,以使得能够在系统运行无负载操作的情况下对数据Treturn进行采样。
本发明基于根据等式1的热能流体传输系统的能量流率百分比:
H=Q×Cp×ρ× (Tflow-Treturn) (1),
其中,H是热流率(例如,千瓦Kw),Cp是比热容(例如,以千焦每千克(KJ/KG摄氏度)测量),ρ是密度(kg/m3,其中kg是千克,并且m是米),并且Q是流率(m3/s,其中s是秒)。流体流率("q"或"Q")可由IoT温度使能传感器S1来确定。在确定流体流率("q"或"Q")时,可以检测到可能影响数据Treturn的负载事件。在一个方面,Treturn是在公共返回首部处测量的供应热水/冷冻水的返回温度。Tflow可以是供应的热水/冷冻水的流动温度。
当流动温度(Tflow)和流体流速(q)在操作期间保持在恒定的稳定状态时,返回温度(Treturn)可用于进行系统需求或负载的客观和比较性的确定,如由等式2给出的:
H≈Treturn (2)。
应当注意,对于每个单独的流体传输泵送系统,可以通过识别和访问现有资源基础设施(诸如例如BMS或历史仓库)内的数据对象,或者通过部署独立的IoT温度传感器(例如,IoT温度使能传感器S1)来建立Treturn的高频率采样(采样发生少于1分钟),作为执行系统能量评估的手段。采样数据可以被传送并保存到云计算环境,并且可以继续采样数据长达所选时间段(例如,一个月),以便获取足够的训练数据。训练数据可以用于生成热能流体传输系统的调谐阈值水平,如本文所述,用于学习热能流体传输系统的行为。一旦根据训练数据调谐热能流体传输系统,则可以对信号消歧检测事件应用基于规则的数据分析操作,以报告在选定时间段(例如,24小时)期间的系统异常。
因此,温度传感器(IoT云使能传感器)可以位于离流体传输泵已知距离处,该温度传感器连续地对温度信号进行采样。一旦检测到(在统计确定性的水平或在定义的水平),就可以确定和/或计算温度信号数据。可基于学习行为(例如,训练数据)、能量阈值标准/值、管道尺寸、管道材料、流体密度和环境温度、一个或多个IoT传感器或其组合来将所采样的返回温度(Treturn)数据与预期返回温度(Treturn)数据进行比较,以用于认知能量评估。可以基于所应用的分析操作从系统生成通过/失败警报。即,认知能量评估报告可以被提供,诸如例如,提供给基于因特网的计算系统的交互式图形用户界面("GUI")。
现在转到图7,描述了在热能流体传输系统中的监督学习阶段期间比较选定时间段的温度信号的输出结果的曲线图700。如所描述的,可以从两个不同的建筑物LPHW系统采样比较性样本Treturn(参见图6)样本时间序列(其类似于曲线图500的温度信号)一个星期。给定两个不同LPHW系统之间的可变性,监督学习阶段可以用于散布系统特定的不同需求和供应概况。监督学习阶段可以用于生成特定改变率,该特定改变率然后可以实时应用于各个系统内正在进行的异常检测。
现在转到图8,描述了物联网(IoT)计算网络中的热能流体传输系统中的监督学习阶段的流程框图800。功能800可以被实现为作为机器上的指令执行的方法,其中指令被包括在至少一个计算机可读介质或一个非暂时性机器可读存储介质上。功能800可以针对特定热能流体传输系统开始,如在框802中。如在框804中,可以使用由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集的温度信号来对训练数据进行采样(例如,摄取可以是原始数据的训练数据)。采样可以是在选定时间段(例如,至少四周)内的Treturn的高频采样。在一个方面,可以直接从BMS或一个或多个非侵入式物联网(IoT)传感器的部署捕获公共首部LPHW返回温度(Treture)。如在块806中,可以预处理所收集的采样数据的数据(例如,数据去噪、归一化、每时间间隔的斜率计算等)。如在块808中,可以学习热能流体传输系统的行为的监督学习。温度信号概况数据可以被摄取并且用实际事件检测开始时间戳来标记。认知能量评估操作可基于被分类成多个一阶导数阈值、改变率、以及静带改变率(静带可以是为了使设备或计算机记录变化而测量值必须改变的给定范围或量的最小百分比)的时间间隔来执行,以便提取一个或多个系统参数。可以执行学习阶段输出,如在块810中。输出可以动态地传送到云环境、被保存和/或作为报告提供给计算机的GUI。
图9是用于在热能流体传输系统中识别每日Treturn信号时间序列(非领域专业知识)内的锅炉开始事件的示例地面实况标记示例的曲线图900。类似于曲线图500,描述了在选定时间段(例如,每小时时间段)期间具有多个标记的事件开始时间戳的温度信号。
图10是物联网(IoT)计算网络中的热能流体传输系统的调度认知能量评估的流程框图。功能1000可以被实现为作为机器上的指令执行的方法,其中指令被包括在至少一个计算机可读介质或一个非暂时性机器可读存储介质上。功能1000可通过收集或"摄取"用于所选热能流体传输系统(例如,系统"A")的数据而开始,如在块1002中。也就是说,可以使用由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集的温度信号来对数据进行采样。采样可以是在选定时间段内的Treturn的高频采样。在一个方面,可以直接从BMS或一个或多个非侵入式物联网(IoT)传感器的部署捕获公共首部LPHW返回温度(Treture)。如框1004中所示,可预处理所收集数据的数据(例如,数据去噪、归一化、每时间间隔的斜率计算等)。如在框1006中,可以执行事件检测操作,以识别一种或多种类型的事件。可以使用认知事件检测操作的输出报告(参见图11)(例如,"每日输出报告")(也参见图8的框810的"学习阶段输出"),如框1008中那样。例如,当前采样的返回温度(Treturn)可以与在学习阶段期间学习或建立的预期返回温度(Treturn)值或阈值进行比较。任何偏差或差异可以被认知地识别为异常或浪费能量使用操作。输出报告(例如,每日输出报告)可以被动态地传送到云环境、被保存和/或作为报告被提供给计算机的GUI。可以发出合规异常警报,如在块1010中的。可以使用系统控制策略(例如,具有填充数据的静态表/主表,该填充数据可以包括系统概况、行为、策略、能量合规要求、能量使用阈值、能量使用值或能量使用标准等)来辅助合规异常警报。可以执行确定操作以确定合规异常警报是否在系统控制策略内,如在框1012中。如果合规异常警报不在系统控制策略内,则可以如在框1014中那样生成失败警报(通知/警告)。例如,失败警报可以指示周五2:55上午的锅炉开始时间在正常预期时间/启用限制之外。
图11是描述物联网(IoT)计算网络中的热能流体传输系统的认知能量评估的输出报告1100的图。在一个方面,输出报告可以如图10中所描述的那样生成。输出报告(例如,每日输出报告)可以被动态地传送到云环境、被保存和/或作为报告被提供给计算机的GUI。输出报告可以包括一个或多个选定的列,这些列可以包括例如日期、月份、系统启用时间、系统禁用时间和系统无负载开始时间,以及各种其他用户定义的选择主题。如输出报告1100中所示,输出报告示出了系统启用时间,其中每日报告锅炉的调度异常。例如,基于与系统策略的偏差(例如,系统使能时间在基于预期系统使能开始时间策略的预期开始时间之外),为星期五17th设置警报标记("标记物")。作为另一示例,输出报告1100示出了系统无负载开始的异常。针对星期五17th设置警报标记,其基于与系统策略的偏差(例如,无负载检测在一年的预期正常时间之外)指示早期无负载检测的异常。
图12是用于通过处理器在热能流体传输系统中进行认知能量评估的方法1200,其中可以实现所示实施例的各个方面。功能1200可以被实现为作为机器上的指令执行的方法,其中指令被包括在至少一个计算机可读介质或一个非暂时性机器可读存储介质上。功能1200可以在框1202中开始。如在框1204中,可以根据所收集的数据来学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件。如在框1206中,可以通过将消歧操作(例如,消歧事件检测操作)使用和/或应用于由位于热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器在选定时间段内收集的温度信号来执行能量使用评估操作,以根据所学习的行为来识别一个或多个能量使用浪费事件。消歧操作可以包括将温度信号分解成一种或多种类型的事件;以及分析该温度信号以获得一种或多种类型的事件的特征。可以学习和使用每种类型的事件的特征。功能1200可以在框1208结束。
在一个方面,结合和/或作为图12的至少一个框的一部分,方法1200的操作可以包括以下各项中的每一个。方法1200的操作可包括使用来自一个或多个非侵入式IoT传感器的反馈信息来初始化机器学习机制,以提供热能流体传输系统的能量使用概况,根据所收集的数据来生成一个或多个能量使用调谐阈值,由一个或多个非侵入式IoT传感器在所选时间段内连续地采样温度数据,或执行其组合。机器学习机制可以使用反馈信息来实现,以提供热能流体传输系统的能量输出的认知评估。
方法1200的操作可包括将一个或多个当前能量使用事件的温度信号与一个或多个能量使用调谐阈值进行比较,以识别一个或多个能量使用浪费事件。
方法1200的操作可包括确定用于操作调度的热能流体传输系统开始时间和热能流体传输系统停止时间,以识别一个或多个能量使用浪费事件,评估操作调度期间的能量需求事件(例如,热能流体传输系统上的能量负载)和非能量需求事件(例如,热能流体传输系统上的无能量负载),确定操作调度期间的意外改变点,其中改变点是从能量需求事件到非能量需求事件的转变,或执行其组合。可以生成警报(例如,通过/失败警报)以指示对一个或多个能量使用浪费事件的识别。而且,能量使用评估的结果可以经由用于热能流体传输系统的交互式图形用户界面(GUI)提供给用户。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是―但不限于―电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (20)
1.一种用于由处理器评估云计算环境中的热能流体传输系统中的能量的方法,包括:
根据收集的数据来学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件;以及
通过将消歧操作应用于由位于所述热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器针对一种或多种类型的事件在选定时间段内收集的温度信号来执行能量使用评估,以根据所学习的行为来识别一个或多个能量使用浪费事件。
2.根据权利要求1所述的方法,其中,所述消歧操作还包括:
将所述温度信号分解成所述一种或多种类型的事件;以及
分析所述温度信号以获得所述一种或多种类型的事件的特征。
3.根据权利要求1所述的方法,还包括:
根据所收集的数据生成一个或多个能量使用调谐阈值;或
由所述一个或多个非侵入式IoT传感器在所述选定时间段内连续地采样温度数据。
4.根据权利要求1所述的方法,还包括将一个或多个当前能量使用事件的温度信号与一个或多个能量使用调谐阈值进行比较,以识别所述一个或多个能量使用浪费事件。
5.根据权利要求1所述的方法,还包括使用来自所述一个或多个非侵入式IoT传感器的反馈信息来初始化机器学习机制,以提供所述热能流体传输系统的能量使用概况。
6.根据权利要求1所述的方法,还包括:
确定用于操作调度的热能流体传输系统开始时间和热能流体传输系统停止时间,以识别所述一个或多个能量使用浪费事件;
估计所述操作调度期间的能量需求事件和非能量需求事件;以及
确定所述操作调度期间的非预期改变点,其中改变点是从所述能量需求事件到所述非能量需求事件的转变。
7.根据权利要求1所述的方法,还包括:
提供警报以指示对所述一个或多个能量使用浪费事件的识别;
经由用于所述热能流体传输系统的交互式图形用户界面(GUI)向用户提供所述能量使用评估。
8.一种用于评估云计算环境中的热能流体传输系统中的能量的系统,包括:
具有可执行指令的一个或多个计算机,所述可执行指令在被执行时使所述系统:
根据收集的数据来学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件;以及
通过将消歧操作应用于由位于所述热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器针对一种或多种类型的事件在选定时间段内收集的温度信号来执行能量使用评估,以根据所学习的行为来识别一个或多个能量使用浪费事件。
9.根据权利要求8所述的系统,其中,所述可执行指令还:
使用来自所述一个或多个非侵入式IoT传感器的反馈信息来初始化机器学习机制,以提供所述热能流体传输系统的能量使用概况;以及
根据所收集的数据和反馈信息来生成一个或多个能量使用调谐阈值。
10.根据权利要求8所述的系统,其中,所述消歧操作还包括可执行指令,所述可执行指令:
将所述温度信号分解成所述一种或多种类型的事件;以及
分析所述温度信号以获得所述一种或多种类型的事件的特征。
11.根据权利要求8所述的系统,其中,所述可执行指令还:
由所述一个或多个非侵入式IoT传感器在所述选定时间段内连续地采样温度数据;或
将一个或多个当前能量使用事件的温度信号与一个或多个能量使用调谐阈值进行比较,以识别所述一个或多个能量使用浪费事件。
12.根据权利要求8所述的系统,其中,所述可执行指令还:
确定用于操作调度的热能流体传输系统开始时间和热能流体传输系统停止时间,以识别所述一个或多个能量使用浪费事件;
评估所述操作调度期间的能量需求事件和非能量需求事件;以及
确定所述操作调度期间的非预期改变点,其中改变点是从所述能量需求事件到所述非能量需求事件的转变。
13.根据权利要求8所述的系统,其中,所述可执行指令还:
提供警报以指示对所述一个或多个能量使用浪费事件的识别;以及
经由用于所述热能流体传输系统的交互式图形用户界面(GUI)向用户提供所述能量使用评估。
14.一种用于由处理器评估云计算环境中的热能流体传输系统中的能量的计算机程序产品,所述计算机程序产品包括具有存储在其中的计算机可读程序代码部分的非暂时性计算机可读存储介质,所述计算机可读程序代码部分包括:
可执行部分,其根据收集的数据来学习与加热服务、冷却服务或其组合相关联的热能流体传输系统的行为,以识别一个或多个能量使用事件;以及
可执行部分,其通过将消歧操作应用于由位于所述热能流体传输系统中的一个或多个选定位置处的一个或多个非侵入式物联网(IoT)传感器针对一种或多种类型的事件在选定时间段内收集的温度信号来执行能量使用评估,以根据所学习的行为来识别一个或多个能量使用浪费事件。
15.根据权利要求14所述的计算机程序产品,还包括可执行部分,其:
使用来自所述一个或多个非侵入式IoT传感器的反馈信息来初始化机器学习机制,以提供所述热能流体传输系统的能量使用概况;以及
根据所收集的数据和反馈信息生成一个或多个能量使用调谐阈值。
16.根据权利要求14所述的计算机程序产品,其中,所述消歧操作还包括可执行部分,所述可执行部分:
将所述温度信号分解成所述一种或多种类型的事件;以及
分析所述温度信号以获得所述一种或多种类型的事件的特征。
17.根据权利要求14所述的计算机程序产品,还包括可执行部分,其:
由所述一个或多个非侵入式IoT传感器在所述选定时间段内连续地采样温度数据;或
将一个或多个当前能量使用事件的温度信号与一个或多个能量使用调谐阈值进行比较,以识别所述一个或多个能量使用浪费事件。
18.根据权利要求14所述的计算机程序产品,还包括可执行部分,所述可执行部分:
确定用于操作调度的热能流体传输系统开始时间和热能流体传输系统停止时间,以识别所述一个或多个能量使用浪费事件;
评估所述操作调度期间的能量需求事件和非能量需求事件;以及
确定所述操作调度期间的非预期改变点,其中改变点是从所述能量需求事件到所述非能量需求事件的转变。
19.根据权利要求14所述的计算机程序产品,还包括可执行部分,所述可执行部分提供警报以指示对所述一个或多个能量使用浪费事件的识别。
20.根据权利要求14所述的计算机程序产品,还包括可执行部分,所述可执行部分经由用于所述热能流体传输系统的交互式图形用户界面(GUI)向用户提供所述能量使用评估。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/689,639 | 2017-08-29 | ||
US15/689,639 US11774295B2 (en) | 2017-08-29 | 2017-08-29 | Cognitive energy assessment by a non-intrusive sensor in a thermal energy fluid transfer system |
PCT/IB2018/056026 WO2019043484A1 (en) | 2017-08-29 | 2018-08-10 | COGNITIVE ENERGY ASSESSMENT BY A NON-INTRUSIVE SENSOR IN A THERMAL ENERGY FLUID TRANSFER SYSTEM |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111033552A true CN111033552A (zh) | 2020-04-17 |
CN111033552B CN111033552B (zh) | 2023-11-21 |
Family
ID=65437429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880056230.6A Active CN111033552B (zh) | 2017-08-29 | 2018-08-10 | 热能流体传输系统中非侵入式传感器的认知能量评估 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11774295B2 (zh) |
JP (1) | JP7190795B2 (zh) |
CN (1) | CN111033552B (zh) |
DE (1) | DE112018003496T5 (zh) |
GB (1) | GB2580248B (zh) |
WO (1) | WO2019043484A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783739B (zh) * | 2021-10-20 | 2022-11-11 | 緯創資通股份有限公司 | 溫度預測模型的建立方法、加熱溫度設定方法和熱循環系統 |
CN115328289A (zh) * | 2022-10-14 | 2022-11-11 | 湖南云箭智能科技有限公司 | 一种板卡温度控制方法、装置、设备及可读存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11305978B2 (en) * | 2018-08-13 | 2022-04-19 | Carlisle Fluid Technologies, Inc. | Modular plural component platform |
US11468353B2 (en) * | 2019-11-11 | 2022-10-11 | Rockwell Automation Technologies, Inc. | System for detecting data drift in machine-learning process monitoring |
JP7425300B2 (ja) * | 2020-03-09 | 2024-01-31 | 富士通株式会社 | 実行制御方法及び実行制御プログラム |
CN111343282A (zh) * | 2020-03-17 | 2020-06-26 | 唐山冀东石油机械有限责任公司 | 一种远程加热炉集中控制系统及控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105143830A (zh) * | 2013-04-26 | 2015-12-09 | 雷蒙尼有限责任公司 | 监视系统 |
US20160010878A1 (en) * | 2014-07-14 | 2016-01-14 | Santa Clara University | Machine Learning based Smart Water Heater Controller using Wireless Sensor Networks |
CN106537429A (zh) * | 2014-05-28 | 2017-03-22 | 西门子瑞士有限公司 | 用于针对一个或多个建筑物提供优化或改进措施的系统和方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005009701A (ja) | 2003-06-17 | 2005-01-13 | Yukio Inoguchi | 床暖房システム |
JP2005301582A (ja) | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
IL183970A0 (en) | 2007-06-14 | 2007-10-31 | Isaac Yatir | Electric boiler |
US20100262403A1 (en) | 2009-04-10 | 2010-10-14 | Bradford White Corporation | Systems and methods for monitoring water heaters or boilers |
US8020390B2 (en) * | 2009-06-06 | 2011-09-20 | International Business Machines Corporation | Cooling infrastructure leveraging a combination of free and solar cooling |
US20120323382A1 (en) | 2011-06-15 | 2012-12-20 | Expanergy, Llc | Systems and methods to assess and optimize energy usage for a facility |
CN104061664B (zh) | 2013-03-22 | 2016-09-07 | 中国移动通信集团上海有限公司 | 通信机房的空调监控系统、方法及装置 |
GB2519986A (en) | 2013-11-04 | 2015-05-13 | Ideal Boilers Ltd | Wireless boiler control system |
US10402044B2 (en) | 2014-10-28 | 2019-09-03 | Apana Inc. | Systems and methods for resource consumption analytics |
US20160116512A1 (en) | 2014-10-28 | 2016-04-28 | Korea Electronics Technology Institute | Method and system for monitoring energy consumption |
US10012394B2 (en) * | 2014-12-30 | 2018-07-03 | Vivint, Inc. | Smart water heater |
US20160266594A1 (en) * | 2015-03-12 | 2016-09-15 | Daniel Kauffman | System and method for residential utility monitoring and improvement of energy efficiency |
US10484478B2 (en) | 2015-05-04 | 2019-11-19 | Johnson Controls Technology Company | HVAC controller with integrated wireless network processor chip |
US11200529B2 (en) | 2015-08-06 | 2021-12-14 | Ns Solutions Corporation | Information processing apparatus, information processing system, information processing method and non-transitory computer readable recording medium |
JP2017067375A (ja) | 2015-09-30 | 2017-04-06 | リンナイ株式会社 | 暖房装置 |
KR20170073175A (ko) * | 2015-12-18 | 2017-06-28 | 주식회사 나노켐 | 스마트 보일러 컨트롤 시스템 |
US10859276B2 (en) * | 2016-04-05 | 2020-12-08 | Smart Global B. Energy Ltd | Water heating system with smart boiler and method thereof |
WO2018029669A1 (en) * | 2016-08-08 | 2018-02-15 | Sindesy - Iot Solutions Ltd. | Smart water heating system and methods useful in conjunction therewith |
EP3291030A1 (en) * | 2016-09-01 | 2018-03-07 | Enervalis N.V. | Optimizing operation of hot water systems |
US10591174B2 (en) * | 2017-04-06 | 2020-03-17 | Johnson Controls Technology Company | Smart transducer plug and play control system and method |
US10845226B2 (en) * | 2017-04-21 | 2020-11-24 | Trane International Inc. | Adhesive flow meter |
-
2017
- 2017-08-29 US US15/689,639 patent/US11774295B2/en active Active
-
2018
- 2018-08-10 WO PCT/IB2018/056026 patent/WO2019043484A1/en active Application Filing
- 2018-08-10 DE DE112018003496.8T patent/DE112018003496T5/de active Pending
- 2018-08-10 JP JP2020510582A patent/JP7190795B2/ja active Active
- 2018-08-10 GB GB2003592.9A patent/GB2580248B/en active Active
- 2018-08-10 CN CN201880056230.6A patent/CN111033552B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105143830A (zh) * | 2013-04-26 | 2015-12-09 | 雷蒙尼有限责任公司 | 监视系统 |
CN106537429A (zh) * | 2014-05-28 | 2017-03-22 | 西门子瑞士有限公司 | 用于针对一个或多个建筑物提供优化或改进措施的系统和方法 |
US20160010878A1 (en) * | 2014-07-14 | 2016-01-14 | Santa Clara University | Machine Learning based Smart Water Heater Controller using Wireless Sensor Networks |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783739B (zh) * | 2021-10-20 | 2022-11-11 | 緯創資通股份有限公司 | 溫度預測模型的建立方法、加熱溫度設定方法和熱循環系統 |
CN115328289A (zh) * | 2022-10-14 | 2022-11-11 | 湖南云箭智能科技有限公司 | 一种板卡温度控制方法、装置、设备及可读存储介质 |
CN115328289B (zh) * | 2022-10-14 | 2022-12-20 | 湖南云箭智能科技有限公司 | 一种板卡温度控制方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20190064004A1 (en) | 2019-02-28 |
JP2020531995A (ja) | 2020-11-05 |
WO2019043484A1 (en) | 2019-03-07 |
GB202003592D0 (en) | 2020-04-29 |
GB2580248A (en) | 2020-07-15 |
CN111033552B (zh) | 2023-11-21 |
DE112018003496T5 (de) | 2020-04-09 |
GB2580248B (en) | 2022-12-28 |
US11774295B2 (en) | 2023-10-03 |
JP7190795B2 (ja) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896378B2 (en) | Fast detection of energy consumption anomalies in buildings | |
US11080620B2 (en) | Localizing energy consumption anomalies in buildings | |
US10041844B1 (en) | Fluid flow rate assessment by a non-intrusive sensor in a fluid transfer pump system | |
CN111033552B (zh) | 热能流体传输系统中非侵入式传感器的认知能量评估 | |
US10699214B2 (en) | Automatic identification and deployment of virtual sensor models | |
US11187446B2 (en) | Anomaly detection in a refrigeration condensor system | |
Uppal et al. | Cloud‐based fault prediction using IoT in office automation for improvisation of health of employees | |
US11119878B2 (en) | System to manage economics and operational dynamics of IT systems and infrastructure in a multi-vendor service environment | |
Wilkinson et al. | Comparison of methods for wind turbine condition monitoring with SCADA data | |
US20190295001A1 (en) | Cognitive data curation in a computing environment | |
US11669757B2 (en) | Operational energy consumption anomalies in intelligent energy consumption systems | |
US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
Huong et al. | Federated learning-based explainable anomaly detection for industrial control systems | |
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
US10690548B2 (en) | Environmental factor assessment by a non-intrusive sensor in a fluid transfer pumping system | |
CN113632112A (zh) | 增强的集成模型多样性和学习 | |
US20190335688A1 (en) | Methods and systems for optimizing and monitoring groundwater and solar energy usage | |
US20200143294A1 (en) | Automatic classification of refrigeration states using in an internet of things computing environment | |
US20180300647A1 (en) | Intelligent service negotiation using cognitive techniques | |
US11175083B2 (en) | Intelligent refrigeration compressor runtime schedule extraction | |
US11200989B1 (en) | Aperiodic data driven cognitive control system | |
Bangert | Smart condition monitoring using machine learning | |
US20230259117A1 (en) | Asset health identification from multi-modality data analysis | |
US20230259755A1 (en) | Edge-based forecasting of environmental conditions | |
Balali et al. | Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation |
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 |