CN111737240B - 一种能耗归属日期的判断方法、装置及存储介质 - Google Patents

一种能耗归属日期的判断方法、装置及存储介质 Download PDF

Info

Publication number
CN111737240B
CN111737240B CN202010452374.2A CN202010452374A CN111737240B CN 111737240 B CN111737240 B CN 111737240B CN 202010452374 A CN202010452374 A CN 202010452374A CN 111737240 B CN111737240 B CN 111737240B
Authority
CN
China
Prior art keywords
energy consumption
attribution
value
date
daily
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
CN202010452374.2A
Other languages
English (en)
Other versions
CN111737240A (zh
Inventor
洪蒙纳
方主升
李继庚
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.)
Qingyuan Boyit Intelligent Technology Co ltd
Original Assignee
Qingyuan Boyit Intelligent Technology Co ltd
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 Qingyuan Boyit Intelligent Technology Co ltd filed Critical Qingyuan Boyit Intelligent Technology Co ltd
Priority to CN202010452374.2A priority Critical patent/CN111737240B/zh
Publication of CN111737240A publication Critical patent/CN111737240A/zh
Application granted granted Critical
Publication of CN111737240B publication Critical patent/CN111737240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Fuzzy Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种能耗归属日期的判断方法、装置及存储介质，其中方法包括获取第N日的原始数据；根据预设的数据清洗方法，对原始数据进行数据清洗，并获得第N日每个小时能耗数据的最大值与最小值；基于最大值与最小值的差值确定第N日每个小时的能耗值；获取日统计周期与日归属布尔值，若日统计周期的起始时间与结束时间不位于同一日期内，根据日归属布尔值计算能耗值的归属日期；基于能耗值与归属日期计算第N日的总能耗。本发明实施例提供的能耗归属日期的判断方法、装置及存储介质，对于统计能耗的周期为每日的N:00到次日的N‑1:59(0<N<24)而言，能够作出智能的判断与分析，减小了运算量，提高了能耗计算的准确度，进而能够获得准确的日周期能耗数据信息。

Description

一种能耗归属日期的判断方法、装置及存储介质
技术领域
本发明涉及数据分析技术领域，尤其是涉及一种能耗归属日期的判断方法、装置及存储介质。
背景技术
由于各种能源自然禀赋有所不同，同等标准量的不同能源热值利用程度是不同的，因此需要对产出能耗进行数据统计，以此反映能源消费水平与能源利用效率。
在工业生产中，理想状况下工厂统计能耗的周期是从每天的00:00到23:59。这种统计方式非常好实现，只需要把表计采集上来的数据按照天划分，就可以知道能耗所归属的日期(即能耗归属天)。能耗的归属天和采集天是一一对应的。比如2020年4月17日2:00分采集的能耗数据是归属于2020年4月17日的。但在实际生产过程中，受产品的需求和其他因素(如排班)的影响，能耗的日统计周期并非理想状况下的00:00到23:59，而是其他不规律的时间段，例如，2020年4月17日8:00至2020年4月18日7:59，2020年4月17日9:00至2020年4月18日8:59，这种情况的数据统计会使得统计周期的跨度变大，由单个自然日变成跨天的两个自然日，导致能耗的归属天和采集天并非一一对应的关系(即2020年4月17日2:00分采集的能耗数据可能并非归属于2020年4月17日)，进而导致能耗的计算变得复杂，无法得到准确的日周期能耗数据。
发明内容
本发明实施例提供了一种能耗归属日期的判断方法、装置及存储介质，以解决现有的能耗归属日期判断方法计算复杂，无法得到准确的日周期能耗数据的技术问题，通过引入有针对性的数据算法，降低了运算量，提高了计算的准确度，能够得到精准的跨天能耗归属数据。
为了解决上述技术问题，本发明实施例提供了一种能耗归属日期的判断方法，其特征在于，包括：
获取第N日的原始数据；
根据预设的数据清洗方法，对所述原始数据进行数据清洗，并获得第N日每个小时能耗数据的最大值与最小值；
基于所述最大值与所述最小值的差值确定第N日每个小时的能耗值；
获取日统计周期与日归属布尔值，若所述日统计周期的起始时间与结束时间不位于同一日期内，根据所述日归属布尔值计算所述能耗值的归属日期；
基于所述能耗值与所述归属日期计算第N日的总能耗。
作为优选方案，根据所述原始数据生成对应的原始数据曲线，所述数据清洗方法具体为：
判断原始数据曲线中第N个所述原始数据点是否为拟合数据曲线的第N-1个拟合数据点的增量，且所述增量的值在第一预设阈值范围内；判断第N+1个所述原始数据点是否为第N个所述原始数据点的增量；其中，N为大于等于1的正整数；
若是，则将第N个所述原始数据点进行描绘至所述拟合数据曲线，作为所述拟合数据曲线的第N个拟合数据点；
若否，判断第N个所述原始数据点是否为所述原始数据曲线中的N-1个原始数据点的增量，且所述增量的值在第二预设阈值范围内；判断第N+1个所述原始数据点与第N个所述原始数据点相比是否为超过第三预设阈值的增量或减量；
若是，则计算第N个所述数据点与第N-1个所述原始数据点的增量值，并将所述增量值与所述拟合数据曲线第N-1个拟合数据点的值进行累加，得到所述拟合数据曲线的第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
若否，将所述拟合数据曲线的第N-1个拟合数据点的值作为第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
根据所有所述拟合数据点得到完整的拟合数据曲线，根据所述完整的拟合数据曲线实现所述原始数据的清洗。
作为优选方案，获取日统计周期与日归属布尔值，具体为：
根据所述日统计周期的起始时间与结束时间确定第N日的归属段，并根据所述归属段确定所述日归属布尔值。
作为优选方案，所述归属段包括前归属与后归属，所述前归属对应的日归属布尔值为0，所述后归属对应的日归属布尔值为1。
作为优选方案，根据所述日归属布尔值计算所述能耗值的归属日期，具体为采用如下公式计算所述归属日期：
T＝t+k×D-S；其中T为归属日期，t为年月日小时，k为日归属布尔值，D为1日(即24h)，S为日统计周期的起始时间。
作为优选方案，基于所述能耗值与所述归属日期计算第N日的总能耗，具体为：
按日对所述能耗值进行分组，计算第N日的总能耗。
作为优选方案，所述方法还包括：
若所述日统计周期的起始时间与结束时间位于同一日期内，按日对所述能耗值进行分组，计算第N日的总能耗。
本发明另一实施例提供了一种能耗归属日期的判断装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的能耗归属日期的判断方法。
本发明又一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的能耗归属日期的判断方法。
相比于现有技术，本发明实施例的有益效果在于，通过获取原始能耗数据，并对其进行数据清洗，以提高采集到的数据的准确程度；再通过特定的计算方法确定每个小时的实际归属日期，对于统计能耗的周期为每日的N:00到次日的N-1:59(0<N<24)而言，能够分析出第N日每个小时的能耗归属属于哪一日，从而防止能耗的归属天和采集天非一一对应时造成的计算紊乱，基于适宜的方法流程，对跨天的统计周期作出了智能的判断，减小了运算量，提高了能耗计算的准确度，进而能够获得准确的日周期能耗数据信息。
附图说明
图1是本发明实施例中的能耗归属日期的判断方法的流程示意图；
图2是本发明实施例中的数据清洗方法的流程示意图；
图3是本发明实施例中的原始数据曲线和拟合数据曲线对比示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种能耗归属日期的判断方法，具体的，请参见图1，图1为本发明实施例提供的能耗归属日期的判断方法的流程示意图，其中包括以下步骤：
S101、获取第N日的原始数据；
S102、根据预设的数据清洗方法，对所述原始数据进行数据清洗，并获得第N日每个小时能耗数据的最大值与最小值；
S103、基于所述最大值与所述最小值的差值确定第N日每个小时的能耗值；
S104、获取日统计周期与日归属布尔值，若所述日统计周期的起始时间与结束时间不位于同一日期内，根据所述日归属布尔值计算所述能耗值的归属日期；
S105、基于所述能耗值与所述归属日期计算第N日的总能耗。
需要说明的是，第N日的原始数据的获取由表计实现，表计是用来统计能源消耗的仪器，比如产量表、计电表、水表、产量表、水煤气表、水煤浆表、天然气表、蒸汽表、热油表、柴油表、二氧化碳表、氩气表。原始数据通过采集器读取表计获得，然后通过ioT物联网套件收集后录入后台的数据仓库，对于某些机械式结构的仪表，可以通过摄像头的数值图像识别来采集数据。在本发明实施例中，从起点时间开始算的24个小时，定义为一个日统计周期，如果起始时间是当天的00:00，那么日统计周期就是00:00-23:59；如果起始时间是当天的07:00，那么日统计周期就是07:00-次日6:59。具体来说，如果日统计周期为2020年4月17日07:00至2020年4月18日6:59，那么2020年4月17日的时间分为00:00-06:59(日前段)和07:00至23:59(日后段)两段。
对于日统计周期不跨天的，比如日统计周期是2020年4月17日00:00-23:59，那么2020年4月17日00:00-23:59产生的能耗都是归属于2020年4月17日。对于日统计周期为2020年4月17日07:00至2020年4月18日6:59这种情况而言，2020年4月17的日前段有可能归属于2020年4月17日，也可能归属于2020年4月16日，在本发明实施例中，如果归属到2020年4月16日，称为前归属，如果归属到2020年4月17日，称为后归属。综上所述，举例来说，2020年4月17日前段的前归属是2020年4月16日，后归属是2020年4月17日；2020年4月17日后段的前归属是2020年4月17日，后归属是2020年4月18日。
作为优选地，在上述实施例中，请参见图2，图2为本发明实施例提供的数据清洗方法的流程示意图，其中根据所述原始数据生成对应的原始数据曲线，所述数据清洗方法具体为：
S1、判断原始数据曲线中第N个所述原始数据点是否为拟合数据曲线的第N-1个拟合数据点的增量，且所述增量的值在第一预设阈值范围内；判断第N+1个所述原始数据点是否为第N个所述原始数据点的增量；其中，N为大于等于1的正整数；
S2、若是，则将第N个所述原始数据点进行描绘至所述拟合数据曲线，作为所述拟合数据曲线的第N个拟合数据点；
S3、若否，判断第N个所述原始数据点是否为所述原始数据曲线中的N-1个原始数据点的增量，且所述增量的值在第二预设阈值范围内；判断第N+1个所述原始数据点与第N个所述原始数据点相比是否为超过第三预设阈值的增量或减量；
S4、若是，则计算第N个所述数据点与第N-1个所述原始数据点的增量值，并将所述增量值与所述拟合数据曲线第N-1个拟合数据点的值进行累加，得到所述拟合数据曲线的第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
S5、若否，将所述拟合数据曲线的第N-1个拟合数据点的值作为第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
S6、根据所有所述拟合数据点得到完整的拟合数据曲线，根据所述完整的拟合数据曲线实现所述原始数据的清洗。
具体的，请参见图3，图3为本发明实施例提供的原始数据曲线和拟合数据曲线对比示意图，其中，横坐标为时间，纵坐标为数据值，虚线为拟合数据曲线，实线为原始数据曲线。通过数据清洗能够将无法准确体现实际数据的原始数据曲线进行描绘，得到能够准确体现实际数据的拟合数据曲线，有效地降低了计算的复杂度，且有效提高数据拟合数据曲线的准确性，从而能够有效提高数据清洗的效率，为后续的数据处理提供保障。
优选地，在上述实施例中，根据所述日统计周期的起始时间与结束时间确定第N日的归属段，并根据所述归属段确定所述日归属布尔值。所述归属段包括前归属与后归属，所述前归属对应的日归属布尔值为0，所述后归属对应的日归属布尔值为1。
优选地，在上述实施例中，采用如下公式计算所述归属日期：
T＝t+k×D－S；其中T为归属日期，t为年月日小时，k为日归属布尔值，D为1日(即24h)，S为日统计周期的起始时间。
举例来说，2020年4月17日7时，年月日小时值是2020年04月17日07时，若日统计周期开始时间为当日9时，日归属布尔值为1(后归属)，根据上述公式可得：归属日期年月日＝2020年04月17日07时+1×1日-9时＝2020年04月17日，符合前段后归属的预期；若日统计周期开始时间为当日9时，日归属布尔值为0(前归属)，根据上述公式可得：归属日期年月日＝2020年04月17日07时+0×1日-9时＝2020年04月16日，符合前段前归属的预期。
在另一实施例中，若日统计周期开始时间为5时，日归属布尔值为1(后归属)，根据上述公式可得：归属日期年月日＝2020年04月17日07时+1×1日-5时＝2020年04月18日，符合后段后归属的预期；若日统计周期开始时间为5时，日归属布尔值为0(前归属)，根据上述公式可得：归属日期年月日＝2020年04月17日07时+0×1日-5时＝2020年04月17日，符合后段前归属的预期。
优选地，在上述实施例中，基于所述能耗值与所述归属日期计算第N日的总能耗，具体为按日对所述能耗值进行分组，计算第N日的总能耗。
优选地，在上述实施例中，如图1所示，所述方法还包括：
若所述日统计周期的起始时间与结束时间位于同一日期内(即日统计周期为00:00-23:59)，此时归属天与采集天为一一对应的关系，按日对所述能耗值进行分组，计算第N日的总能耗。
本发明另一实施例提供了一种能耗归属日期的判断装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的能耗归属日期的判断方法。示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以实现本发明的方法步骤。
所述能耗归属日期的判断装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述能耗归属日期的判断装置设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，能耗归属日期的判断装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述能耗归属日期的判断装置还可以包括输入输出设备、网络接入设备、总线等等。所称处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明又一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的能耗归属日期的判断方法。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
本发明实施例提供的能耗归属日期的判断方法、装置及存储介质，通过获取原始能耗数据，并对其进行数据清洗，以提高采集到的数据的准确程度；再通过特定的计算方法确定每个小时的实际归属日期，对于统计能耗的周期为每日的N:00到次日的N-1:59(0<N<24)而言，能够分析出第N日每个小时的能耗归属属于哪一日，从而防止能耗的归属天和采集天非一一对应时造成的计算紊乱，基于适宜的方法流程，对跨天的统计周期作出了智能的判断，减小了运算量，提高了能耗计算的准确度，进而能够获得准确的日周期能耗数据信息。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种能耗归属日期的判断方法，其特征在于，包括：
获取第N日的原始数据；
根据预设的数据清洗方法，对所述原始数据进行数据清洗，并获得第N日每个小时能耗数据的最大值与最小值；
基于所述最大值与所述最小值的差值确定第N日每个小时的能耗值；
获取日统计周期与日归属布尔值，若所述日统计周期的起始时间与结束时间不位于同一日期内，根据所述日归属布尔值计算所述能耗值的归属日期；
基于所述能耗值与所述归属日期计算第N日的总能耗；
其中，所述根据预设的数据清洗方法，对所述原始数据进行数据清洗，包括：根据所述原始数据生成对应的原始数据曲线，判断原始数据曲线中第N个所述原始数据点是否为拟合数据曲线的第N-1个拟合数据点的增量，且所述增量的值在第一预设阈值范围内；判断第N+1个所述原始数据点是否为第N个所述原始数据点的增量；其中，N为大于等于1的正整数；
若是，则将第N个所述原始数据点进行描绘至所述拟合数据曲线，作为所述拟合数据曲线的第N个拟合数据点；
若否，判断第N个所述原始数据点是否为所述原始数据曲线中的N-1个原始数据点的增量，且所述增量的值在第二预设阈值范围内；判断第N+1个所述原始数据点与第N个所述原始数据点相比是否为超过第三预设阈值的增量或减量；
若是，则计算第N个所述数据点与第N-1个所述原始数据点的增量值，并将所述增量值与所述拟合数据曲线第N-1个拟合数据点的值进行累加，得到所述拟合数据曲线的第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
若否，将所述拟合数据曲线的第N-1个拟合数据点的值作为第N个拟合数据点的值，并将所述第N个拟合数据点描绘至所述拟合数据曲线中；
根据所有所述拟合数据点得到完整的拟合数据曲线，根据所述完整的拟合数据曲线实现所述原始数据的清洗；
所述根据所述日归属布尔值计算所述能耗值的归属日期，具体为采用如下公式计算所述归属日期：
T＝t+k×D－S；其中T为归属日期，t为年月日小时，k为日归属布尔值，D为1日(即24h)，S为日统计周期的起始时间。
2.如权利要求1所述的能耗归属日期的判断方法，其特征在于，获取日统计周期与日归属布尔值，具体为：
根据所述日统计周期的起始时间与结束时间确定第N日的归属段，并根据所述归属段确定所述日归属布尔值。
3.如权利要求2所述的能耗归属日期的判断方法，其特征在于，所述归属段包括前归属与后归属，所述前归属对应的日归属布尔值为0，所述后归属对应的日归属布尔值为1。
4.如权利要求1所述的能耗归属日期的判断方法，其特征在于，基于所述能耗值与所述归属日期计算第N日的总能耗，具体为：
按日对所述能耗值进行分组，计算第N日的总能耗。
5.如权利要求1所述的能耗归属日期的判断方法，其特征在于，所述方法还包括：
若所述日统计周期的起始时间与结束时间位于同一日期内，按日对所述能耗值进行分组，计算第N日的总能耗。
6.一种能耗归属日期的判断装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的能耗归属日期的判断方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的能耗归属日期的判断方法。
CN202010452374.2A 2020-05-25 2020-05-25 一种能耗归属日期的判断方法、装置及存储介质 Active CN111737240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010452374.2A CN111737240B (zh) 2020-05-25 2020-05-25 一种能耗归属日期的判断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010452374.2A CN111737240B (zh) 2020-05-25 2020-05-25 一种能耗归属日期的判断方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111737240A CN111737240A (zh) 2020-10-02
CN111737240B true CN111737240B (zh) 2023-12-26

Family

ID=72648140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010452374.2A Active CN111737240B (zh) 2020-05-25 2020-05-25 一种能耗归属日期的判断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111737240B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641916B (zh) * 2022-09-29 2024-05-03 杭州准芯生物技术有限公司 一种分子生物学检测方法、计算机设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002157305A (ja) * 2000-11-17 2002-05-31 Osaka Gas Co Ltd Ｅｓｃｏ事業用の補正用データ提供方法及び補正用データ構造
CN101189632A (zh) * 2005-05-02 2008-05-28 瑞士联合银行集团 用于大量结果数据集的时间最优计算的数据处理方法
JP2014230306A (ja) * 2013-05-17 2014-12-08 富士電機機器制御株式会社 消費エネルギーを管理する装置およびプログラム
CN105912621A (zh) * 2016-04-07 2016-08-31 上海上实龙创智慧能源科技股份有限公司 一种区域建筑能耗平台数据存储和查询方法
CN108197764A (zh) * 2017-12-22 2018-06-22 浙江中易和节能技术有限公司 预测电力企业综合能耗的方法及其设备
CN111080135A (zh) * 2019-12-19 2020-04-28 江苏联宏智慧能源股份有限公司 一种动态增量能耗数据的处理方法、设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002157305A (ja) * 2000-11-17 2002-05-31 Osaka Gas Co Ltd Ｅｓｃｏ事業用の補正用データ提供方法及び補正用データ構造
CN101189632A (zh) * 2005-05-02 2008-05-28 瑞士联合银行集团 用于大量结果数据集的时间最优计算的数据处理方法
JP2014230306A (ja) * 2013-05-17 2014-12-08 富士電機機器制御株式会社 消費エネルギーを管理する装置およびプログラム
CN105912621A (zh) * 2016-04-07 2016-08-31 上海上实龙创智慧能源科技股份有限公司 一种区域建筑能耗平台数据存储和查询方法
CN108197764A (zh) * 2017-12-22 2018-06-22 浙江中易和节能技术有限公司 预测电力企业综合能耗的方法及其设备
CN111080135A (zh) * 2019-12-19 2020-04-28 江苏联宏智慧能源股份有限公司 一种动态增量能耗数据的处理方法、设备及可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Game-Theoretical Energy Management for Energy Internet With Big Data-Based Renewable Power Forecasting;Zhenyu Zhou;《IEEE》;第5731-5746页 *
基于DTW的大型公共建筑能源数据可视化分析评价模型;洪芸;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》;第C038-68页 *
大数据环境下资源负荷短期预测时间跨度估计;卢志翔;《科技通报》;第112-114页 *

Also Published As

Publication number Publication date
CN111737240A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
JP5962190B2 (ja) 短期電力負荷を予測する方法及び装置
CN110019401B (zh) 件量预测方法、装置、设备及其存储介质
CN111950805B (zh) 中长期电力负荷预测方法、装置、计算机设备及存储介质
CN111737240B (zh) 一种能耗归属日期的判断方法、装置及存储介质
CN116503206B (zh) 一种入库径流重构方法、计算机设备及介质
CN111563236B (zh) 一种短期风速预测方法及装置
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
Deceglie et al. RdTools: An open source python library for PV degradation analysis
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
CN116451873A (zh) 基于多尺度双时空网络区域风力发电功率预测方法及系统
CN112766535B (zh) 一种考虑负荷曲线特征的建筑负荷预测方法及系统
CN113672666A (zh) 机器负荷预测方法、装置、电子设备及可读存储介质
CN115858719B (zh) 一种基于大数据分析的sim卡活跃度预测方法及系统
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN111144629A (zh) 一种水力发电站来水量预测方法及系统
CN114520773B (zh) 一种服务请求的响应方法、装置、服务器及存储介质
CN106056254A (zh) 一种计及出力水平影响的风电预测误差模拟方法
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
WO2022227219A1 (zh) 房产指数数据分析方法、装置、设备及存储介质
CN115577928A (zh) 燃气蒸汽锅炉项目节能潜力分析系统及方法
CN110659681B (zh) 基于模式识别的时序数据预测系统及方法
Ding et al. Multi-scale variation prediction of PM2. 5 concentration based on a Monte Carlo method
Mondal et al. Parametric Time-series Modelling of London Smart Meter Data for Short-term Demand Forecasting
CN114138095A (zh) 互联网数据中心idc的功耗处理方法、设备和可读介质
CN117745318A (zh) 一种电力现货市场日前电价的预测方法、电子设备

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