CN112559501A - 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法 - Google Patents

一种数据驱动的建筑空调电耗与照明插座电耗拆分方法 Download PDF

Info

Publication number
CN112559501A
CN112559501A CN202011378406.5A CN202011378406A CN112559501A CN 112559501 A CN112559501 A CN 112559501A CN 202011378406 A CN202011378406 A CN 202011378406A CN 112559501 A CN112559501 A CN 112559501A
Authority
CN
China
Prior art keywords
air conditioner
data
power consumption
started
clustering
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
Application number
CN202011378406.5A
Other languages
English (en)
Other versions
CN112559501B (zh
Inventor
赵天怡
张城瑀
特日格乐
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202011378406.5A priority Critical patent/CN112559501B/zh
Publication of CN112559501A publication Critical patent/CN112559501A/zh
Application granted granted Critical
Publication of CN112559501B publication Critical patent/CN112559501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

Abstract

本发明属于建筑能耗监测系统中数据质量保障技术领域，提供了一种数据驱动的建筑空调电耗与照明插座电耗拆分方法，包括以下步骤：S1、对建筑能耗监测系统的历史数据进行预处理；S2、利用S1中清洗过的历史数据，对建筑内空调设备使用情况进行识别，主要采用室外空气温度模型算法及K均值聚类算法两种方法；S3、根据识别出的空调工作工况，对掺混的空调电耗及照明插座电耗进行拆分。本发明的有益之处在于提供了两种可以优势互补的空调使用工况识别方案，进而做到能够有效利用少量正常不混杂的电耗数据，将混杂的空调电耗与照明插座电耗数据进行拆分。

Description

一种数据驱动的建筑空调电耗与照明插座电耗拆分方法
技术领域
本发明涉及一种掺混电耗数据的在线拆分办法，具体涉及一种以数据驱动的建筑空调电耗与照明插座电耗的在线拆分办法，属于建筑能耗监测系统中数据质量保障技术领域。
背景技术
随着建筑能耗监测平台相关技术的发展，利用历史能耗数据开展建筑节能工作成为重要手段。技术人员可以依据历史能耗数据开展能耗统计、节能潜力分析、能源预测、能源利用优化等工作，这对公共建筑节能研究起到了重要的作用。但是，从多年运行的实际情况看，目前，建筑能耗监测平台通常面临着如下几个问题：1)建筑能耗监测平台普遍存在分项监测不够精细的问题；2)建筑能耗监测平台普遍无法在配电线路改造后做出有效的同步响应；3)建筑能耗监测平台普遍缺乏对于问题数据的在线辨识和修复功能。因此，在这种情况下，照明插座电耗的分项中往往掺杂着分体式空调、风机盘管等空调末端设备，这些空调末端设备虽然单体功率小，但运行时间长、数量多，并且和人员行为特征紧密相关，难以识别用能工况，使得照明插座的精确能耗数据获取受混杂监测支路的影响，直接干扰对建筑用能的判断和后期的能耗数据应用。
针对于以上的问题，国内外许多专家和学者采用不同的方法对其做了大量的研究，他们普遍采用建筑能耗模拟法、非嵌入式能耗监测法、末端设备拆分算法、人均能源使用量模型法等方法进行末端用能设备的电耗拆分。但是这些电耗拆分办法普遍思路是利用建筑和用电设备的详细信息进行建模，因此普遍面临着以下问题：1)在无法获知设备基本信息和运行信息情况下难以实现；2)在面对区域大量建筑时，或面对末端用能设备复杂的单一建筑时，进行设备基本信息和运行信息调研时需要较高人力成本；3)在面对不用类型和特征的建筑时，难以做到普遍适用。
本发明针对于上述方法遇到的问题，采用室外空气温度模型算法和临近聚类算法的组合方法识别和拆分掺混的空调电耗数据和照明插座电耗数据。这两种方法在最佳适用场景、计算速度、计算精度等方面具有互补优势，构成了一种不需要详细建筑和设备信息的在线低成本分离方法，并具有多场景通用性。
发明内容
本发明要解决的技术问题是提供一种能够以历史数据为驱动，并能有效拆分掺混的空调电耗与照明插座电耗的在线拆分方法。
本发明的技术方案：
一种数据驱动的建筑空调电耗与照明插座电耗拆分方法，步骤如下：
S1、对建筑能耗监测系统的历史数据进行预处理：对问题数据进行分类，采用K均值聚类算法识别并清洗突变数据。具体步骤如下：
S1.1、对问题数据进行分类：
问题数据主要包括突变数据及缺失数据，建筑能耗监测平台的缺失数据记为“0”，可以实现在线识别，无需人工加入算法处理。突变数据指部分用能数据出现过大或过小，超出实际用能阈值，需要人工加入算法进行辨识并清洗。
S1.2、利用K均值聚类算法识别清洗突变数据：
在样本数据集中随机选择3个点作为初始聚类中心，计算样本集中其他点到初始聚类中心的距离，并分配到最近邻簇内。第一轮聚类完成后，在各簇内，将所有样本点平均值作为新的聚类中心，并重复第一轮的步骤，直至聚类中心不再变化，完成聚类，输出聚类中心和3个簇分类。
样本点间的距离采用闵可夫斯基距离(Minkowski Distance)，即下式计算，其中p代表维数。
Figure BDA0002808733160000031
聚类中心值为最大和最小的两个簇中，如果各自簇样本个数占总样本数5％以下，并且聚类中心的大小差别较大时，簇中数据可识别为突变数据。
S2、利用S1中清洗过的历史数据，对建筑内空调设备使用情况进行识别：主要采用室外空气温度模型算法及K均值聚类算法两种方法。
S2.1、定义空调设备的使用工况分区。由工作时刻中使用空调小时数占比p的大小定义指定日实际使用工况，以经验取40％、70％作为空调使用工况临界值。P<40％时，判定空调设备不开启或轻度开启，40％<p<70％,判定空调设备中度开启，p>70％,判定空调设备重度开启。
S2.2、依据不同需求，选择室外空气温度模型算法或K均值聚类算法中的一种对空调使用工况进行辨识；针对指定日的空调工况识别，选择室外空气温度模型算法，针对指定时刻的空调工况识别，选择K均值聚类算法；
S2.3、利用室外空气温度模型算法，识别指定日的空调设备运行使用情况。利用历史数据中准确的照明插座电耗数据与平均室外温度，以电耗为因变量，温度为自变量建立函数关系并绘制图像。根据上述函数关系，计算二阶导数计算，确定拟合曲线的拐点对应温度为判别温度。如果指定日的室外温度小于判别温度，则认为p<40％，即空调不开启或轻微开启；如果指定日的室外温度大于判别温度，则认为p>40％，即空调中度或重度开启。
S2.4、利用K均值聚类算法，识别指定日或指定时刻的空调设备运行使用情况。利用历史数据中准确的照明插座电耗数据与平均室外温度，以K均值聚类算法，K取3进行聚类计算。聚类中心最小的簇对应p<40％,即空调不开启或轻微开启；聚类中心最大的簇对应p>70％,即空调设备重度开启；剩余的聚类中心介于最大和最小之间的簇对应40％<p<70％,即空调设备中度开启。
S3、根据识别出的空调工作工况，对掺混的空调电耗及照明插座电耗进行拆分。空调不开启或轻微开启时，可认为数据不需进行拆分。空调中度或重度开启时，需要对数据进行拆分。即通过上述识别方法得到空调中度或重度开启的时刻，利用与这一时刻最相近的对应工作日、工作时刻的不掺混空调电耗的照明插座电耗值ei,j进行插补，得到估算的不掺混空调电耗的照明插座电耗数据。
本发明的有益效果：本发明提供了两种可以优势互补的空调使用工况识别方案，进而做到能够有效利用少量正常不混杂的电耗数据，将混杂的空调电耗与照明插座电耗数据进行拆分。
附图说明
图1为对掺混的空调电耗与照明插座电耗进行拆分的流程图
图2为S2.3中利用室外空气温度模型算法识别空调工况的流程图
图3为S2.4中利用K均值聚类算法识别空调工况的流程图
图4为S2.3曲线拐点及S2.4聚类结果的示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，一下结合附图及实例，对本发明进行进一步详细说明。应当理解，此处
以下结合发明内容和说明书附图详细说明本发明的具体实施方式。见图1，本发明主要包括以下步骤：
S1、对建筑能耗监测系统的历史数据进行预处理：对问题数据进行分类，采用K均值聚类算法识别并清洗突变数据。具体步骤如下：
S1.1、对问题数据进行分类：
问题数据主要包括突变数据及缺失数据，建筑能耗监测平台的缺失数据记为“0”，可以实现在线识别，无需人工加入算法处理。突变数据指部分用能数据出现过大或过小，超出实际用能阈值，需要人工加入算法进行辨识并清洗。
S1.2、利用K均值聚类算法识别清洗突变数据：
在样本数据集中随机选择3个点作为初始聚类中心，计算样本集中其他点到初始聚类中心的距离，并分配到最近邻簇内。第一轮聚类完成后，在各簇内，将所有样本点平均值作为新的聚类中心，并重复第一轮的步骤，直至聚类中心不再变化，完成聚类，输出聚类中心和3个簇分类。
样本点间的距离采用闵可夫斯基距离(Minkowski Distance)，即下式计算，其中p代表维数。
Figure BDA0002808733160000051
聚类中心值为最大和最小的两个簇中，如果各自簇样本个数占总样本数5％以下，并且聚类中心的大小差别较大时，簇中数据可识别为突变数据。
S2、利用S1中清洗过的历史数据，对建筑内空调设备使用情况进行识别：主要采用室外空气温度模型算法及K均值聚类算法两种方法。
S2.1、定义空调设备的使用工况分区。由工作时刻中使用空调小时数占比p的大小定义指定日实际使用工况，以经验取40％、70％作为空调使用工况临界值。P<40％时，判定空调设备不开启或轻度开启，40％<p<70％,判定空调设备中度开启，p>70％,判定空调设备重度开启。
S2.2、依据不同需求，选择室外空气温度模型算法或K均值聚类算法中的一种对空调使用工况进行辨识；针对指定日的空调工况识别，选择室外空气温度模型算法，针对指定时刻的空调工况识别，选择K均值聚类算法；
S2.3、利用室外空气温度模型算法，识别指定日的空调设备运行使用情况。见图2，利用历史数据中准确的照明插座电耗数据与平均室外温度，以电耗为因变量，温度为自变量建立函数关系并绘制图像。根据上述函数关系，计算二阶导数计算，确定拟合曲线的拐点对应温度为判别温度，见图4。如果指定日的室外温度小于判别温度，则认为p<40％，即空调不开启或轻微开启；如果指定日的室外温度大于判别温度，则认为p>40％，即空调中度或重度开启。
S2.4、利用K均值聚类算法，识别指定日或指定时刻的空调设备运行使用情况。见图3，利用历史数据中准确的照明插座电耗数据与平均室外温度，以K均值聚类算法，K取3进行聚类计算，见图4。聚类中心最小的簇对应p<40％,即空调不开启或轻微开启；聚类中心最大的簇对应p>70％,即空调设备重度开启；剩余的聚类中心介于最大和最小之间的簇对应40％<p<70％,即空调设备中度开启。
S3、根据识别出的空调工作工况，对掺混的空调电耗及照明插座电耗进行拆分。空调不开启或轻微开启时，可认为数据不需进行拆分。空调中度或重度开启时，需要对数据进行拆分。即通过上述识别方法得到空调中度或重度开启的时刻，利用与这一时刻最相近的对应工作日、工作时刻的不掺混空调电耗的照明插座电耗值ei,j进行插补，得到估算的不掺混空调电耗的照明插座电耗数据。

Claims (1)

1.一种数据驱动的建筑空调电耗与照明插座电耗拆分方法，其特征在于，步骤如下：
S1、对建筑能耗监测系统的历史数据进行预处理：对问题数据进行分类，采用K均值聚类算法识别并清洗突变数据；
S1.1、对问题数据进行分类：
问题数据包括突变数据及缺失数据；建筑能耗监测平台的缺失数据记为“0”，可实现在线识别，无需处理；突变数据指部分用能数据出现过大或过小，超出实际用能阈值，需要人工加入算法进行辨识并清洗；
S1.2、利用K均值聚类算法识别清洗突变数据：
在样本数据集中随机选择3个点作为初始聚类中心，计算样本集中其他点到初始聚类中心的距离，并分配到最近邻簇内；第一轮聚类完成后，在各簇内，将所有样本点平均值作为新的聚类中心，并重复第一轮的步骤，直至聚类中心不再变化，完成聚类，输出聚类中心和3个簇分类；
样本点间的距离采用闵可夫斯基距离，即下式计算：
Figure FDA0002808733150000011
其中x1和x2代表两个样本点的坐标，k代表样本点的次序，p代表维数；聚类中心值为最大和最小的两个簇中，如果各自簇样本个数占总样本数5％以下，并且聚类中心的大小差别较大时，簇中数据可识别为突变数据；
S2、利用步骤S1中清洗过的历史数据，对建筑内空调设备使用情况进行识别：主要采用室外空气温度模型算法及K均值聚类算法两种方法；
S2.1、定义空调设备的使用工况分区；由工作时刻中使用空调小时数占比p的大小定义指定日实际使用工况，取40％、70％作为空调使用工况临界值；P<40％时，判定空调设备不开启或轻度开启，40％<p<70％,判定空调设备中度开启，p>70％,判定空调设备重度开启；
S2.2、依据不同需求，选择室外空气温度模型算法或K均值聚类算法中的一种对空调使用工况进行辨识；针对指定日的空调工况识别，选择室外空气温度模型算法，针对指定时刻的空调工况识别，选择K均值聚类算法；
S2.3、利用室外空气温度模型算法，识别指定日的空调设备运行使用情况；利用历史数据中准确的照明插座电耗数据与平均室外温度，以电耗为因变量，温度为自变量建立函数关系；根据上述函数关系，计算二阶导数计算，确定拟合曲线的拐点对应温度为判别温度；如果指定日的室外温度小于判别温度，则认为p<40％，即空调不开启或轻微开启；如果指定日的室外温度大于判别温度，则认为p>40％，即空调中度或重度开启；
S2.4、利用K均值聚类算法，识别指定日或指定时刻的空调设备运行使用情况；利用历史数据中准确的照明插座电耗数据与平均室外温度，以K均值聚类算法，K取3进行聚类计算；聚类中心最小的簇对应p<40％,即空调不开启或轻微开启；聚类中心最大的簇对应p>70％,即空调设备重度开启；剩余的聚类中心介于最大和最小之间的簇对应40％<p<70％,即空调设备中度开启；
S3、根据识别出的空调工作工况，对掺混的空调电耗及照明插座电耗进行拆分；空调不开启或轻微开启时，认为数据不需进行拆分；空调中度或重度开启时，需要对数据进行拆分；即通过上述识别方法得到空调中度或重度开启的时刻，利用与这一时刻最相近的对应工作日、工作时刻的不掺混空调电耗的照明插座电耗值ei,j进行插补，得到估算的不掺混空调电耗的照明插座电耗数据。
CN202011378406.5A 2020-12-01 2020-12-01 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法 Active CN112559501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011378406.5A CN112559501B (zh) 2020-12-01 2020-12-01 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011378406.5A CN112559501B (zh) 2020-12-01 2020-12-01 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

Publications (2)

Publication Number Publication Date
CN112559501A true CN112559501A (zh) 2021-03-26
CN112559501B CN112559501B (zh) 2021-11-05

Family

ID=75045628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011378406.5A Active CN112559501B (zh) 2020-12-01 2020-12-01 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法

Country Status (1)

Country Link
CN (1) CN112559501B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100010683A1 (en) * 2008-07-14 2010-01-14 Lawrence Kates Method and apparatus for power-limiting electrical access
US20150130275A1 (en) * 2013-11-12 2015-05-14 D-Link Corporation Smart socket for automatically switching between electricity utilization modes
CN104749431A (zh) * 2015-03-23 2015-07-01 同济大学 一种公共建筑空调系统末端设备电耗间接计量系统
CN106570282A (zh) * 2016-11-09 2017-04-19 天津绿信节能科技有限公司 一种办公建筑空调能耗拆分方法
CN108960657A (zh) * 2018-07-13 2018-12-07 国网上海市电力公司 一种基于特征优选的楼宇负荷特性分析方法
CN109447107A (zh) * 2018-09-14 2019-03-08 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN111723085A (zh) * 2020-06-28 2020-09-29 山东建筑大学 公共建筑空调用电能耗数据清洗方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100010683A1 (en) * 2008-07-14 2010-01-14 Lawrence Kates Method and apparatus for power-limiting electrical access
US20150130275A1 (en) * 2013-11-12 2015-05-14 D-Link Corporation Smart socket for automatically switching between electricity utilization modes
CN104749431A (zh) * 2015-03-23 2015-07-01 同济大学 一种公共建筑空调系统末端设备电耗间接计量系统
CN106570282A (zh) * 2016-11-09 2017-04-19 天津绿信节能科技有限公司 一种办公建筑空调能耗拆分方法
CN108960657A (zh) * 2018-07-13 2018-12-07 国网上海市电力公司 一种基于特征优选的楼宇负荷特性分析方法
CN109447107A (zh) * 2018-09-14 2019-03-08 华南理工大学 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN111723085A (zh) * 2020-06-28 2020-09-29 山东建筑大学 公共建筑空调用电能耗数据清洗方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BISHNU NEPAL等: "ENERGY CONSERVATION IN UNIVERSITY BUILDINGS BY ENERGY PATTERN ANALYSIS USING CLUSTERING TECHNIQUE", 《HTTPS://WWW.WITPRESS.COM/SECURE/EJOURNALS/PAPERS/EQ040206F.PDF》 *
刘超等: "基于建筑能耗监管平台的VRV空调系统及集中式空调系统运行电耗分析", 《建筑科学》 *
李沁等: "大型办公建筑照明及插座系统电耗逐时使用率聚类分析", 《土木建筑与环境工程》 *
祝侃等: "江苏省公共建筑能耗监测平台数据分析", 《建筑节能与绿色建筑》 *

Also Published As

Publication number Publication date
CN112559501B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN110131843B (zh) 基于大数据的空调的智能调控方法及系统
CN112418722A (zh) 基于v-i轨迹图和神经网络的非侵入式负荷识别方法
CN109447107B (zh) 基于信息熵的办公建筑空调日用能模式异常在线检测方法
CN112097365A (zh) 基于预测和分类模型的空调故障检测与辩识方法及装置
CN111158245A (zh) 一种基于物联网的建筑节能监测管理方法
CN115388522A (zh) 基于lora技术的空调能耗管控系统
CN112559501B (zh) 一种数据驱动的建筑空调电耗与照明插座电耗拆分方法
CN113218053B (zh) 空调负荷调控系统
CN115272675A (zh) 一种基于多传感器信息融合的能源管理系统以及方法
CN115099521A (zh) 一种融合bim与深度神经网络的建筑物能耗优化方法
CN113790516A (zh) 中央空调制冷站全局优化节能控制方法、系统和电子设备
CN112781183A (zh) 一种空调系统智能降耗的方法、系统和空调
CN103472297A (zh) 一种电能分项计量的方法
CN111723085B (zh) 公共建筑空调用电能耗数据清洗方法及系统
CN115628517A (zh) 一种中央空调冷却塔节能策略的模拟系统
CN112781184A (zh) 一种空调系统智能降耗方法和系统
CN112765549B (zh) 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法
CN112364999B (zh) 冷水机调节模型的训练方法、装置及电子设备
CN115081533A (zh) 基于两级聚类和mgru-at的客户侧负荷预测方法与系统
CN114153894A (zh) 一种窃电用户的实时在线识别系统
CN112686442A (zh) 基于运行多样性空调末端能耗预测方法和系统
CN111429040A (zh) 一种建筑能耗检测系统计量设备优化部署方法
CN114034114A (zh) 一种节能型多联机空调调度方法及系统
CN109359134B (zh) 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法
CN116628607A (zh) 能耗异常识别方法

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