CN112231492A - 一种智能供热阀门控制知识图谱的构建方法和系统 - Google Patents
一种智能供热阀门控制知识图谱的构建方法和系统 Download PDFInfo
- Publication number
- CN112231492A CN112231492A CN202011139490.5A CN202011139490A CN112231492A CN 112231492 A CN112231492 A CN 112231492A CN 202011139490 A CN202011139490 A CN 202011139490A CN 112231492 A CN112231492 A CN 112231492A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- knowledge
- graph
- heat supply
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Air Conditioning Control Device (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能供热阀门控制知识图谱的构建方法和系统,包括数据采集模块、知识图谱模块、深度学习模块、数据存储模块,所述数据采集模块包括历史数据模块、网络知识模块、实时数据模块,所述知识图谱模块包括数据分类模块、知识沉淀模块、知识应用模块,所述深度学习模块包括在线学习模块、增量学习模块、关联分析模块,所述数据储存模块包括关系型数据模块、图数据模块、数据仓库模块,供热阀门控制知识图谱是供热知识领域的一个典型应用场景,知识图谱能被多种领域业务系统调用,提供专家级知识支撑,知识图谱构建在云环境或独立数据环境中,数据的分析、处置独立于业务系统,不消耗业务系统任何资源。
Description
技术领域
本发明涉及智能供热阀门控制技术领域,具体为一种智能供热阀门控制知识图谱的构建方法和系统。
背景技术
城市环境的日渐改善,居民对冬日用暖的舒适度也提出了更高的要求。为了提高热能利用效率,提升居民的用暖满意度,当前部分建筑物内已经开始采用了分户供热系统。远控电动阀门是分户供热系统在用户处安装的主要部件,承担了控制热水流量,调节用户室温的重要任务。
居民建筑物位置、结构存在差异,会导致不同位置的居民建筑物达到标准供热室内温度需要的热能是不一致的。例如:边户和中间户,阳面和阴面,顶层和中间层,砖混结构和整体浇筑结构,有外墙保温和没有外墙保温。
热量自身的特点,也会导致不同位置的居民建筑物达到标准供热室内温度需要的热能是不一致的。例如:热水在上。
因此现有的具备远控能力的分户供热系统往往需要实时采集分户温度,来控制远控电动阀门开度。因为分户温度的变化不是断崖式,具有时间周期。不同分户环境下,同一开度变化对温度的影响不一致。造成了分户供热系统对远控电动阀门的开度调节是一种盲目的尝试过程。
现有技术1:《基于神经网络预测的供热节能控制方法与系统》。通过支持向量机神经网络结构来预测室温到达指定温度需要的时间消耗。神经网络最著名的缺点,就是“黑匣子”性质。这意味着不知道神经网络将会如何产出结果,更不知道为什么会产生这种结果。具有不可控性的技术应用在供暖的民生工程实用性差。其次神经网络需要更多的数据。数十万、甚至数百万的标记样本才够基本保证预测结果相对准确。当前分户供暖的应用场景提供不出需要的大数据样本。基于神经网络技术故有缺陷,需要有效解决。
现有技术2:《用于智慧城市供暖的温度控制面积法热计量系统及方法》提出了一种供热计量收费方式,与本发明不属于同一技术领域。
现有技术3:《分户供暖阀门自动控制方法、装置及系统》提出了一种自动控制阀门开度的方式,与本发明属于同一技术领域。其自动控制方法是通过系统步进阀门开度,尝试逼近室温要求。首先温度采集法调节阀门具有时间周期,需要等待温度变化后,判断阀门开度是否需要进一步调节。其次采集室内温度需要加装室内温度采集器,采集回水温度、供水温度需要加装温度传感器,加大了项目成本。
现有技术4:当前分户供暖普遍采用的方式是供热公司人工操作阀门。当用户反馈温度不达标,由供热公司专人去现场测温,手动调节阀门开度,然后一段时间后继续现场测温,直到温度达标。当供热过热时,用户不会反馈,往往会选择开窗通风。人工手动调节温度过高会造成能源的浪费。
对现有技术的分析,综合因素影响下的供热过程中建筑物分户控制阀门开度预测,缺乏一种完善的知识体系指导,亟待解决。
发明内容
解决的技术问题
针对现有技术的不足,本发明提供了一种智能供热阀门控制知识图谱的构建方法和系统,解决了分户控制阀门反复尝试开度控制室内温度带来的供热能源消耗大、安装费时费力成本高、不同地域不同环境下推广难度大的问题,同时有效提高了指定室温要求下,阀门开度的准确性。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种智能供热阀门控制知识图谱的系统,包括数据采集模块、知识图谱模块、深度学习模块、数据存储模块。
优选的,所述数据采集模块包括历史数据模块、网络知识模块、实时数据模块,所述知识图谱模块包括数据分类模块、知识沉淀模块、知识应用模块,所述深度学习模块包括在线学习模块、增量学习模块、关联分析模块,所述数据储存模块包括关系型数据模块、图数据模块、数据仓库模块;
所述数据采集模块的输出端与深度学习模块的输入端电连接,所述深度学习模块与知识图谱模块的输入端电连接,所述知识图谱模块的输出端与数据存储模块的输入端电连接,所述历史数据模块的输出端与增量学习模块的输入端电连接,所述网络知识模块的输出端与在线学习模块的输入端电连接,所述实时数据模块的输出端与关联分析模块的输入端电连接。
优选的,一种智能供热阀门控制知识图谱的构建方法,其特征在于:包括以下步骤:
A.获取待处理供热数据;
B.构建、生产供热知识图谱;
C.优化、维护供热知识图谱。
优选的,所述步骤A包括以下步骤:
A1、实时数据模块根据业务知识图谱的构建需求建立采集规则,根据规则选择合适的方式获取相关的供热现场数据。
A2、网络知识模块在网络上,根据弱规则的方式获取供热相关数据。
A3、历史数据模块根据弱规则的方式,导入离线收集的供热相关数据。
A4、数据采集模块做数据有效性判断,初步判别数据的正确性、合法性,一般不做去重、合并操作。数据采集模块主动剔除无效数据。
A5、数据采集模块判断数据的类型是否为关系型数据。
A6、如果是关系型数据,数据采集模块将数据传输给关系型数据模块,由关系型数据模块存储。
A7、如果是非关系型数据,数据采集模块将数据传输给数据仓库模块,由数据仓库模块存储。
步骤A6中,关系型数据不仅包含由规则指定收集的关系型数据,而且包含从网络上和离线收集的关系型数据。
步骤A7中,构建知识图谱的数据还包含网络上和离线收集的海量非关系型数据。
优选的,所述步骤B包括以下步骤:
B1、图数据模块分析预测阀门开度业务需求,确定供热阀门控制知识图谱的数据格式。
B2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则。
B3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率。
B4、增量学习模块深度挖掘数据仓库模块中存储的历史数据。
B5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据。
B6、关联分析模块分析关系型数据模块中存储的实时数据。
B7、深度学习模块统一处理B4、B5、B6输出的知识数据变化,融合同类知识,验证知识调整知识概率值。
B8、深度学习模块将新挖掘出的实体、类型、关系等信息存入图数据模块维护。
B9、深度学习模块将重复、高频的信息存入关系型数据模块维护。
B10、知识应用模块,提供知识图谱的应用接口。
优选的,所述步骤B7中,深度学习模块处理的知识数据不仅包含从现有数据中挖掘出的关联关系,而且包含从实时数据中挖掘出的关联关系。两者之间相互支撑,来融合同类知识和验证知识调整知识概率值。有效的提高了基于片段信息挖掘出来的知识的准确性,步骤B10中,知识图谱的应用接口可以但不仅限于SDK、可执行程序、小程序、APP等。应用形式可以但不仅限于关系可视化、查询、一问一答、推荐等知识图谱应用。
8.优选的,所述步骤C包括以下步骤:
C1、图数据模块获取阀门开度知识图谱结构设计需求,跟新供热阀门控制知识图谱的数据格式。
C2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则。
C3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率。
C4、增量学习模块深度挖掘数据仓库模块中存储的历史数据。
C5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据。
C6、关联分析模块分析关系型数据模块中存储的实时数据。
C7、深度学习模块统一处理C4、C5、C6输出的知识数据变化,融合同类知识,验证知识调整知识概率值。
C8、深度学习模块挖掘出新的业务补充知识。基于新知识更新知识图谱结构设计需求,下一步流程跳转到C1。
优选的,所述步骤C8中,基于新知识提出的知识图谱结构设计需求,包括对原有知识图谱结构元素的增加、删除、调权等,还包括增加、删除新的附属知识图谱结构。
有益效果
本发明提供了一种智能供热阀门控制知识图谱的构建方法和系统。具备以下有益效果:
(1)、该智能供热阀门控制知识图谱的构建方法和系统,供热阀门控制知识图谱是供热知识领域的一个典型应用场景,知识图谱能被多种领域业务系统调用,提供专家级知识支撑。
(2)、该智能供热阀门控制知识图谱的构建方法和系统,知识图谱的构建可以基于现有相关知识产生,构建过程还能通过采集现场典型特征,进行适合应用场景的定制优化。
(3)、该智能供热阀门控制知识图谱的构建方法和系统,知识图谱构建在云环境或独立数据环境中,数据的分析、处置独立于业务系统,不消耗业务系统任何资源。
(4)、该智能供热阀门控制知识图谱的构建方法和系统,知识图谱的构建过程通过数据挖掘,具备自我提升的能力。
附图说明
图1是本发明一个具体实施方式的系统原理图;
图2是本发明一个具体实施方式中获取待处理供热数据过程的流程图;
图3是本发明一个具体实施方式中构建、生产供热知识图谱过程的流程图;
图4是本发明一个具体实施方式中优化、维护供热知识图谱过程的流程图;
图5是本发明一个具体实施方式中设计的阀门开度知识图谱格式;
图6是本发明一个具体实施方式中阀门开度知识图谱格式跟新需求;
图7是本发明一个具体实施方式中跟新设计的阀门开度知识图谱格式。
图中:1数据采集模块、2历史数据模块、3网络知识模块、4实时数据模块、5知识图谱模块、6数据分类模块、7知识沉淀模块、8知识应用模块、9深度学习模块、10在线学习模块、11增量学习模块、12关联分析模块、13数据储存模块、14关系型数据模块、15图数据模块、16数据仓库模块。
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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-7,本发明提供一种技术方案:一种智能供热阀门控制知识图谱的系统,包括数据采集模块1、知识图谱模块5、深度学习模块9、数据存储模块13。
一种智能供热阀门控制知识图谱的系统,数据采集模块1包括历史数据模块2、网络知识模块3、实时数据模块4,知识图谱模块5包括数据分类模块6、知识沉淀模块7、知识应用模块8,深度学习模块9包括在线学习模块10、增量学习模块11、关联分析模块12,数据储存模块13包括关系型数据模块14、图数据模块15、数据仓库模块16;
数据采集模块1的输出端与深度学习模块9的输入端电连接,深度学习模块9与知识图谱模块5的输入端电连接,知识图谱模块5的输出端与数据存储模块13的输入端电连接,历史数据模块2的输出端与增量学习模块11的输入端电连接,网络知识模块3的输出端与在线学习模块10的输入端电连接,实时数据模块4的输出端与关联分析模块12的输入端电连接。
一种智能供热阀门控制知识图谱的构建方法,包括以下步骤:
A.获取待处理供热数据;
B.构建、生产供热知识图谱;
C.优化、维护供热知识图谱。
步骤A包括以下步骤:
A1、实时数据模块根据业务知识图谱的构建需求建立采集规则,根据规则选择合适的方式获取相关的供热现场数据。
A2、网络知识模块在网络上,根据弱规则的方式获取供热相关数据。
A3、历史数据模块根据弱规则的方式,导入离线收集的供热相关数据。
A4、数据采集模块做数据有效性判断,初步判别数据的正确性、合法性,一般不做去重、合并操作。数据采集模块主动剔除无效数据。
A5、数据采集模块判断数据的类型是否为关系型数据。
A6、如果是关系型数据,数据采集模块将数据传输给关系型数据模块,由关系型数据模块存储。
A7、如果是非关系型数据,数据采集模块将数据传输给数据仓库模块,由数据仓库模块存储。
步骤A6中,关系型数据不仅包含由规则指定收集的关系型数据,而且包含从网络上和离线收集的关系型数据。
步骤A7中,构建知识图谱的数据还包含网络上和离线收集的海量非关系型数据。
步骤B包括以下步骤:
B1、图数据模块分析预测阀门开度业务需求,确定供热阀门控制知识图谱的数据格式。
B2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则。
B3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率。
B4、增量学习模块深度挖掘数据仓库模块中存储的历史数据。
B5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据。
B6、关联分析模块分析关系型数据模块中存储的实时数据。
B7、深度学习模块统一处理B4、B5、B6输出的知识数据变化,融合同类知识,验证知识调整知识概率值。
B8、深度学习模块将新挖掘出的实体、类型、关系等信息存入图数据模块维护。
B9、深度学习模块将重复、高频的信息存入关系型数据模块维护。
B10、知识应用模块,提供知识图谱的应用接口。
步骤B7中,深度学习模块处理的知识数据不仅包含从现有数据中挖掘出的关联关系,而且包含从实时数据中挖掘出的关联关系。两者之间相互支撑,来融合同类知识和验证知识调整知识概率值。有效的提高了基于片段信息挖掘出来的知识的准确性,步骤B10中,知识图谱的应用接口可以但不仅限于SDK、可执行程序、小程序、APP等。应用形式可以但不仅限于关系可视化、查询、一问一答、推荐等知识图谱应用。
步骤C包括以下步骤:
C1、图数据模块获取阀门开度知识图谱结构设计需求,跟新供热阀门控制知识图谱的数据格式。
C2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则。
C3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率。
C4、增量学习模块深度挖掘数据仓库模块中存储的历史数据。
C5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据。
C6、关联分析模块分析关系型数据模块中存储的实时数据。
C7、深度学习模块统一处理C4、C5、C6输出的知识数据变化,融合同类知识,验证知识调整知识概率值。
C8、深度学习模块挖掘出新的业务补充知识。基于新知识更新知识图谱结构设计需求,下一步流程跳转到C1。
步骤C8中,基于新知识提出的知识图谱结构设计需求,包括对原有知识图谱结构元素的增加、删除、调权等,还包括增加、删除新的附属知识图谱结构。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种智能供热阀门控制知识图谱的系统,包括数据采集模块(1)、知识图谱模块(5)、深度学习模块(9)、数据存储模块(13)。
2.根据权利要求1所述的一种智能供热阀门控制知识图谱的系统,其特征在于:所述数据采集模块(1)包括历史数据模块(2)、网络知识模块(3)、实时数据模块(4),所述知识图谱模块(5)包括数据分类模块(6)、知识沉淀模块(7)、知识应用模块(8),所述深度学习模块(9)包括在线学习模块(10)、增量学习模块(11)、关联分析模块(12),所述数据储存模块(13)包括关系型数据模块(14)、图数据模块(15)、数据仓库模块(16);
所述数据采集模块(1)的输出端与深度学习模块(9)的输入端电连接,所述深度学习模块(9)与知识图谱模块(5)的输入端电连接,所述知识图谱模块(5)的输出端与数据存储模块(13)的输入端电连接,所述历史数据模块(2)的输出端与增量学习模块(11)的输入端电连接,所述网络知识模块(3)的输出端与在线学习模块(10)的输入端电连接,所述实时数据模块(4)的输出端与关联分析模块(12)的输入端电连接。
3.一种智能供热阀门控制知识图谱的构建方法,其特征在于:包括以下步骤:
A.获取待处理供热数据;
B.构建、生产供热知识图谱;
C.优化、维护供热知识图谱。
4.根据权利要求3所述的一种智能供热阀门控制知识图谱的构建方法,其特征在于:所述步骤A包括以下步骤:
A1、实时数据模块根据业务知识图谱的构建需求建立采集规则,根据规则选择合适的方式获取相关的供热现场数据;
A2、网络知识模块在网络上,根据弱规则的方式获取供热相关数据;
A3、历史数据模块根据弱规则的方式,导入离线收集的供热相关数据;
A4、数据采集模块做数据有效性判断,初步判别数据的正确性、合法性,一般不做去重、合并操作;数据采集模块主动剔除无效数据;
A5、数据采集模块判断数据的类型是否为关系型数据;
A6、如果是关系型数据,数据采集模块将数据传输给关系型数据模块,由关系型数据模块存储;
A7、如果是非关系型数据,数据采集模块将数据传输给数据仓库模块,由数据仓库模块存储;
步骤A6中,关系型数据不仅包含由规则指定收集的关系型数据,而且包含从网络上和离线收集的关系型数据;
步骤A7中,构建知识图谱的数据还包含网络上和离线收集的海量非关系型数据。
5.根据权利要求3所述的一种智能供热阀门控制知识图谱的构建方法,其特征在于:所述步骤B包括以下步骤:
B1、图数据模块分析预测阀门开度业务需求,确定供热阀门控制知识图谱的数据格式;
B2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则;
B3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率;
B4、增量学习模块深度挖掘数据仓库模块中存储的历史数据;
B5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据;
B6、关联分析模块分析关系型数据模块中存储的实时数据;
B7、深度学习模块统一处理B4、B5、B6输出的知识数据变化,融合同类知识,验证知识调整知识概率值;
B8、深度学习模块将新挖掘出的实体、类型、关系等信息存入图数据模块维护;
B9、深度学习模块将重复、高频的信息存入关系型数据模块维护;
B10、知识应用模块,提供知识图谱的应用接口。
6.根据权利要求5所述的一种智能供热阀门控制知识图谱的构建方法,其特征在于:所述步骤B7中,深度学习模块处理的知识数据不仅包含从现有数据中挖掘出的关联关系,而且包含从实时数据中挖掘出的关联关系;两者之间相互支撑,来融合同类知识和验证知识调整知识概率值,有效的提高了基于片段信息挖掘出来的知识的准确性,步骤B10中,知识图谱的应用接口可以但不仅限于SDK、可执行程序、小程序、APP等;应用形式可以但不仅限于关系可视化、查询、一问一答、推荐等知识图谱应用。
7.根据权利要求3所述的一种智能供热阀门控制知识图谱的构建方法,其特征在于:所述步骤C包括以下步骤:
C1、图数据模块获取阀门开度知识图谱结构设计需求,跟新供热阀门控制知识图谱的数据格式;
C2、深度学习模块针对知识图谱的数据挖掘需求,选择增量学习算法、在线学习算法和各种关联分析规则;
C3、数据分类模块针对不同深度挖掘算法实现对输入数据的要求,预处理待输入的分析数据,提高挖掘算法的效率;
C4、增量学习模块深度挖掘数据仓库模块中存储的历史数据;
C5、在线学习模块深度挖掘数据仓库模块中存储的网络知识数据;
C6、关联分析模块分析关系型数据模块中存储的实时数据;
C7、深度学习模块统一处理C4、C5、C6输出的知识数据变化,融合同类知识,验证知识调整知识概率值;
C8、深度学习模块挖掘出新的业务补充知识,基于新知识更新知识图谱结构设计需求,下一步流程跳转到C1。
8.根据权利要求7所述的一种智能供热阀门控制知识图谱的构建方法,其特征在于:所述步骤C8中,基于新知识提出的知识图谱结构设计需求,包括对原有知识图谱结构元素的增加、删除、调权等,还包括增加、删除新的附属知识图谱结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139490.5A CN112231492B (zh) | 2020-10-22 | 2020-10-22 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139490.5A CN112231492B (zh) | 2020-10-22 | 2020-10-22 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231492A true CN112231492A (zh) | 2021-01-15 |
CN112231492B CN112231492B (zh) | 2023-07-07 |
Family
ID=74110261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139490.5A Active CN112231492B (zh) | 2020-10-22 | 2020-10-22 | 一种智能供热阀门控制知识图谱的构建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231492B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989135A (zh) * | 2021-04-15 | 2021-06-18 | 杭州网易再顾科技有限公司 | 实时风险团伙的识别方法、介质、装置和计算设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109828539A (zh) * | 2019-01-30 | 2019-05-31 | 浙江中易慧能科技有限公司 | 一种基于pdca体系的大数据供热能源管控平台系统 |
CN109829039A (zh) * | 2018-12-13 | 2019-05-31 | 平安科技(深圳)有限公司 | 智能聊天方法、装置、计算机设备及存储介质 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110225075A (zh) * | 2019-03-25 | 2019-09-10 | 北京快电科技有限公司 | 一种建筑能源互联网智慧运营云操作系统 |
US20190286086A1 (en) * | 2016-11-10 | 2019-09-19 | Rowanalytics Ltd | Control apparatus and method for processing data inputs in computing devices therefore |
CN110822768A (zh) * | 2019-11-18 | 2020-02-21 | 河南大学 | 一种居民区废弃热水热量智能回收系统 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN111765287A (zh) * | 2020-06-29 | 2020-10-13 | 瑞纳智能设备股份有限公司 | 一种内嵌人工智能计算模块的阀门及其调节方法 |
-
2020
- 2020-10-22 CN CN202011139490.5A patent/CN112231492B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101619850A (zh) * | 2009-08-06 | 2010-01-06 | 杭州盘古自动化系统有限公司 | 基于热电系统负荷在线预测的调度方法与系统 |
US20190286086A1 (en) * | 2016-11-10 | 2019-09-19 | Rowanalytics Ltd | Control apparatus and method for processing data inputs in computing devices therefore |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109829039A (zh) * | 2018-12-13 | 2019-05-31 | 平安科技(深圳)有限公司 | 智能聊天方法、装置、计算机设备及存储介质 |
CN109828539A (zh) * | 2019-01-30 | 2019-05-31 | 浙江中易慧能科技有限公司 | 一种基于pdca体系的大数据供热能源管控平台系统 |
CN110225075A (zh) * | 2019-03-25 | 2019-09-10 | 北京快电科技有限公司 | 一种建筑能源互联网智慧运营云操作系统 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110822768A (zh) * | 2019-11-18 | 2020-02-21 | 河南大学 | 一种居民区废弃热水热量智能回收系统 |
CN111578371A (zh) * | 2020-05-22 | 2020-08-25 | 浙江大学 | 一种数据驱动的城市集中供热系统精准调控方法 |
CN111765287A (zh) * | 2020-06-29 | 2020-10-13 | 瑞纳智能设备股份有限公司 | 一种内嵌人工智能计算模块的阀门及其调节方法 |
Non-Patent Citations (3)
Title |
---|
孙兵;: "基于神经网络的集中供热智能仿真系统设计", 制造业自动化, no. 23, pages 112 - 115 * |
朱冬雪;鹿世化;张帆;过继伟;葛雪锋;: "BP算法预测控制在供热系统中的节能应用", 建筑热能通风空调, no. 04, pages 54 - 56 * |
王炎;张海增;胡新华;赵隽;李添;: "基于大数据模式识别机器学习算法的热力站动态能耗指标预测模型", 电力大数据, no. 04, pages 52 - 58 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989135A (zh) * | 2021-04-15 | 2021-06-18 | 杭州网易再顾科技有限公司 | 实时风险团伙的识别方法、介质、装置和计算设备 |
CN112989135B (zh) * | 2021-04-15 | 2023-03-24 | 杭州网易再顾科技有限公司 | 实时风险团伙的识别方法、介质、装置和计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112231492B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651200A (zh) | 一种工业企业聚合用户电力负荷管理方法和系统 | |
Hong et al. | Discrete demand side control performance under dynamic building simulation: A heat pump application | |
CN105706325A (zh) | 电网频率响应 | |
CN113435657A (zh) | 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质 | |
CN106597862A (zh) | 基于关联规则挖掘的建筑能耗控制装置及方法 | |
Liu et al. | A review of data-driven smart building-integrated photovoltaic systems: Challenges and objectives | |
KR20210013565A (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
CN116558082B (zh) | 一种节能通风系统 | |
CN115048815B (zh) | 一种基于数据库的电力业务智能仿真管理系统及方法 | |
CN111795426A (zh) | 一种新型室内智慧供暖系统及方法 | |
CN112231492A (zh) | 一种智能供热阀门控制知识图谱的构建方法和系统 | |
Sartipi | Dynamic data processing for building energy consumption | |
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 | |
Zhang et al. | An Assessment of the Impacts of Heat Electrification on the Electric Grid in the UK | |
CN111598724A (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
Cai et al. | Experimental implementation of an emission-aware prosumer with online flexibility quantification and provision | |
CN110135617A (zh) | 一种气象因素影响下基于负荷特性的改进短期负荷的预测方法 | |
KR101793149B1 (ko) | 마이크로그리드 운영 시스템 및 방법 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN116822682A (zh) | 一种热力站热负荷在线预测方法 | |
Lorenzati et al. | Social housing in Italy: Energy audit and dynamic simulation towards a nZEB policy | |
Bai | A temperature control strategy to achieve low-temperature district heating in North China | |
Kolokotsa et al. | Smart buildings, smart communities and demand response | |
Seo et al. | A tutorial: information and communications-based intelligent building energy monitoring and efficient systems | |
CN112651540A (zh) | 一种配电网规划项目投资优化方法 |
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 |