CN112747413B - 空调系统负荷预测方法及装置 - Google Patents
空调系统负荷预测方法及装置 Download PDFInfo
- Publication number
- CN112747413B CN112747413B CN201911052710.8A CN201911052710A CN112747413B CN 112747413 B CN112747413 B CN 112747413B CN 201911052710 A CN201911052710 A CN 201911052710A CN 112747413 B CN112747413 B CN 112747413B
- Authority
- CN
- China
- Prior art keywords
- conditioning system
- air conditioning
- load
- data
- load prediction
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
Abstract
本发明公开了一种空调系统负荷预测方法及装置,在获取待预测负荷的空调系统的环境数据以及运行数据之后,先将环境数据以及运行数据输入非实时负荷预测模型,得到第一负荷预测结果;再将环境数据以及运行数据输入实时负荷预测模型,得到第二负荷预测结果;然后,将第一负荷预测结果以及第二负荷预测结果进行融合,得到初始负荷预测结果;再获取与环境数据及运行数据对应的反馈数据,最后将初始负荷预测结果,以及,与反馈数据,输入负荷修正模型得到最终负荷预测结果。本方案通过两次预测得到两个预测结果,并对两个预测结果进行融合、修正处理,使得最终负荷预测结果更为准确,提升了空调系统负荷预测精度。
Description
技术领域
本发明涉及负荷预测技术领域,尤其涉及一种空调系统负荷预测方法及装置。
背景技术
近年来,我国的建筑能耗(即,耗电功率)已经占社会总能耗的30%以上,而大型建筑中,最主要的耗能设备是空调系统,空调系统的能耗占建筑能耗的60%以上。因此,空调系统的节能已经成为节能领域的一个重点。空调系统的节能,需要在保证建筑环境舒适性的前提下,通过优化调整空调系统控制参数,使得空调系统稳定运行在更省电模式下,从而降低空调系统的总能耗。为此,需要对空调系统的负荷进行预测,以便在此基础上实现对空调系统控制参数的优化调整。
因此,如何提供一种空调系统负荷预测方法,成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于上述问题,本发明提供一种克服上述问题或者至少部分地解决上述问题的空调系统负荷预测方法及装置。
一种空调系统负荷预测方法,包括:
获取待预测负荷的空调系统的环境数据及运行数据;
将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;
将所述第一负荷预测结果及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
获取与所述空调系统的环境数据及运行数据对应的反馈数据;
将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。
可选地,所述空调系统非实时负荷预测模型以及所述空调系统实时负荷预测模型均基于样本数据训练得到,其中,每个样本数据中包括所述空调系统在一历史时刻的环境数据、运行数据,以及,所述空调系统在所述历史时刻的负荷。
可选地,所述空调系统非实时负荷预测模型是采用如下方式构建的:
获取所述样本数据;
以所述空调系统在所述历史时刻的环境数据、运行数据为所述空调系统非实时负荷预测模型的输入,以所述空调系统在所述历史时刻的负荷为空调系统非实时负荷预测模型的目标,对所述空调系统非实时负荷预测模型的控制变量进行训练,构建得到所述空调系统非实时负荷预测模型。
可选地,所述空调系统实时负荷预测模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律;
基于所述空调系统实际运行时负荷的变化规律,构建所述空调系统实时负荷预测模型。
可选地,所述根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律,包括:
从所述样本数据中,获取所述空调系统实际运行时的环境数据以及与所述空调系统实际运行时的环境数据对应的实际负荷;
根据所述空调系统实际运行时的环境数据以及所述与所述空调系统实际运行时的环境数据对应的实际负荷,确定所述空调系统实际运行时负荷的变化规律。
可选地,所述空调系统负荷修正模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系;
基于所述映射关系,构建所述空调系统负荷修正模型。
可选地,所述根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系,包括:
根据所述样本数据,确定所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据;
根据所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据,确定所述空调系统实际运行时的负荷对应的修正值;
根据所述与所述空调系统实际运行时的负荷对应的反馈数据,以及,所述空调系统实际运行时的负荷对应的修正值,确定所述与所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系。
一种空调系统负荷预测装置,包括:
第一获取单元,用于获取待预测负荷的空调系统的环境数据及运行数据;
第一预测单元,用于将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
第二预测单元,用于将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;
融合单元,用于将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
第二获取单元,用于获取与所述空调系统的环境数据及运行数据对应的反馈数据;
修正单元,用于将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。
一种存储介质,其上存储有程序,该程序被处理器执行时实现如上所述的空调系统负荷预测方法。
一种设备,所述设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以实现如上所述的空调系统负荷预测方法。
借由上述技术方案,本发明提供的空调系统负荷预测方法及装置,在获取待预测负荷的空调系统的环境数据以及运行数据之后,先将所述环境数据以及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;再将所述环境数据以及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;然后,将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;再获取与所述空调系统的环境数据及运行数据对应的反馈数据,最后将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。本方案通过两次预测得到两个预测结果,并对两个预测结果进行融合、修正处理,使得最终负荷预测结果更为准确,提升了空调系统负荷预测精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的一种空调系统负荷预测方法的流程示意图;
图2为本发明实施例提供的一种空调系统负荷预测装置的结构示意图;
图3为本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在空调系统运行过程中,空调系统负荷主要受室外环境和室内环境的影响,其中,室外环境主要包括室外温度、室外相对湿度、室外湿球温度等,室内环境包括室内人员的活动、室内设备的使用数量等。所以,要想获得精准的空调负荷预测结果,则需要充分考虑室外环境和室内环境的影响。
在现有的建筑能源管理系统中,温度、湿度等是基本的监测变量,因此,室外环境数据比较容易获取。但是,室内人员流动、设备开启数量等室内环境的监测极其困难,且无法保证监测结果的精确性,因此,室内环境数据比较难获取。因此,在传统的空调系统负荷预测方法中,往往选择不考虑室内环境的影响,只利用室外环境数据,建立空调负荷预测模型。
由于室内环境的变化通常是一个渐进的过程,所以在一定时间范围内(如小时范围内),室内环境的变化较小,在该时间范围内,室外环境是影响空调系统负荷的主导因素,因此,在该时间范围内,通过只利用室外环境数据建立的空调负荷预测模型对空调系统的负荷进行预测,可以达到较好的预测效果。
但是,当需要预测空调系统在长时间范围内的负荷时,该长时间范围内,室内环境可能存在明显变化,此时,如果通过只利用室外环境数据建立的空调负荷预测模型对空调系统的负荷进行预测,则无法反映出室内环境的变化对空调系统负荷的影响,从而使得空调系统负荷的预测结果与真实情况偏差较大。
为了量化室内环境数据对空调负荷的影响,目前的一些空调系统负荷预测方法中,将空调系统负荷看作时间序列的形式,尝试通过时间序列预测的方法,将室内环境数据对空调负荷的影响效果,基于空调系统负荷的历史数据,将空调系统负荷在时间序列的变化挖掘出来,建立空调系统负荷预测模型,然后,利用该空调系统负荷预测模型,对未来的空调系统负荷进行预测。
但是,基于空调系统负荷的历史数据建立的空调系统负荷预测模型,对未来的空调系统负荷进行预测,忽略了空调系统在实际运行过程中,可能受到其他不可控随机扰动影响,导致空调系统负荷的预测结果与真实情况偏差较大。而且,将空调系统负荷看作时间序列进行预测,预测误差往往会随着预测时长的增大而逐渐累加。预测误差不能及时修正,不仅会使得空调系统负荷预测模型的预测精度越来越低,而且基于较大误差的预测结果对空调系统控制参数进行优化调整,还可能影响空调系统的安全性和稳定性。
综合上述内容可知,目前的空调系统负荷预测方法,预测精度较低,会导致空调系统负荷的预测结果与真实情况偏差较大。
为解决上述问题,本发明提出一种空调系统负荷预测方法,该方法综合考虑了室内环境和室外环境的影响构建了空调系统非实时负荷预测模型,并且,基于空调系统实际运行时负荷的变化规律构建了空调系统实时负荷预测模型,另外,还基于空调系统实际运行时的饭就结果构建了空调系统负荷修正模型。当需要对空调系统负荷进行预测时,分别基于空调系统非实时负荷预测模型以及空调系统实时负荷预测模型得到两个负荷预测结果,然后,将两个负荷预测结果进行融合,得到初始的负荷预测结果,最后,再基于空调系统负荷修正模型对初始的负荷预测结果进行修正,得到最终的负荷预测结果。本方案能够提升空调系统负荷预测的精度,基于最终的负荷预测结果对空调系统控制参数进行优化调整时,能够保障空调系统的安全性和稳定性。
下面将通过以下实施例对本发明提出的一种空调系统负荷预测方法进行详细说明。
请参阅附图1,图1为本发明实施例提供的一种空调系统负荷预测方法的流程示意图,该方法主要包括如下步骤:
S101:获取待预测负荷的空调系统的环境数据及运行数据。
在本实施例中,空调系统的环境数据包括室外温湿度等室外环境数据,空调系统的运行数据包括空调系统的冷冻水及冷却水温度、冷冻水及冷却水流量等运行数据。
S102:将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果。
在本实施例中,预先构建了空调系统非实时负荷预测模型,空调系统非实时负荷预测模型用于指示未来时刻空调系统负荷与历史时刻空调系统的环境数据、运行数据、负荷之间的映射关系。因此,将所述环境数据、运行数据以及某个未来时刻输入预先构建的空调系统非实时负荷预测模型中,即可得到所述空调系统在未来时刻的第一负荷预测结果。
S103:将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果。
在本实施例中,预先构建了空调系统实时负荷预测模型,空调系统实时负荷预测模型用于指示未来时刻空调系统负荷与历史时刻空调系统的负荷变换规律之间的映射关系。因此,将所述环境数据、运行数据以及某个未来时刻输入预先构建的空调系统非实时负荷预测模型中,即可得到所述空调系统在未来时刻的第二负荷预测结果。
S104:将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果。
在本实施例中,可以采用多种融合方式将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,比如,取所述第一负荷预测结果以及所述第二负荷预测结果的平均值,取所述第一负荷预测结果以及所述第二负荷预测结果之间的任意数值等等,只要是能够将两个负荷预测结果合并为同一结果的方式,都可以用于上述融合,对此,本申请不进行任何限定。
S105:获取与所述空调系统的环境数据及运行数据对应的反馈数据。
S106:将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。
在本实施例中,预先构建了空调系统负荷修正模型,空调系统负荷修正模型用于指示空调系统实际运行时的负荷对应的反馈数据与空调系统实际运行时的负荷对应的修正值之间的映射关系,将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型即可得到所述空调系统的最终负荷预测结果。
本实施例提供的空调系统负荷预测方法,在获取待预测负荷的空调系统的环境数据以及运行数据之后,先将所述环境数据以及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;再将所述环境数据以及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;然后,将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;再获取与所述空调系统的环境数据及运行数据对应的反馈数据,最后将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。本方案通过两次预测得到两个预测结果,并对两个预测结果进行融合、修正处理,使得最终负荷预测结果更为准确,提升了空调系统负荷预测精度。
空调系统非实时负荷预测模型,用到的是一种基于决策树的机器学习模型,英文名字为LightGBM,该模型的使用方法与神经网络模型类似,建立过程中需要进行训练构建得到。
在本申请中,所述空调系统非实时负荷预测模型以及所述空调系统实时负荷预测模型均基于样本数据训练得到,其中,每个样本数据中包括所述空调系统在一历史时刻的环境数据、运行数据,以及,所述空调系统在所述历史时刻的负荷。
需要说明的是,所述空调系统非实时负荷预测模型是采用如下方式构建的:
获取样本数据;以所述空调系统在所述历史时刻的环境数据、运行数据为所述空调系统非实时负荷预测模型的输入,以所述空调系统在所述历史时刻的负荷为空调系统非实时负荷预测模型的目标,对所述空调系统非实时负荷预测模型的控制变量进行训练,构建得到所述空调系统非实时负荷预测模型。
作为一种可实施方式,所述获取样本数据,包括:
获取所述空调系统在各个历史时刻的原始数据;对所述空调系统在各个历史时刻的原始数据进行预处理,得到所述样本数据,所述预处理包括数据整合处理、异常状态过滤处理、稳态数据提取处理中的任意一种或多种。
需要说明的是,本实施例中,可以从建筑能源管理系统数据库中获取原始数据。
作为一种可实施方式,作为一种可实施方式,可先对原始数据进行数据整合处理,再进行异常状态过滤处理,再进行稳态数据提取处理得到所述样本数据。
其中,在本实施例中,对原始数据进行数据整合处理,包括:将原始数据的生成时间分辨率进行统一;对生成时间相同的原始数据进行过滤,使每个生成时间对应一个原始数据;按照生成时间对原始数据进行升序排序。
具体地,每个原始数据格式大都由三元组构成,即设备ID、时间、数值;而不同的原始数据,其时间分辨率存在一定差异,因此,在进行数据整合过程中,需要将原始数据的生成时间分辨率进行统一,比如,对时间轴进行对分取整操作,并采用一定规则逻辑对空缺的时间点进行填充,将各个原始数据的生成时间分辨率转换为1分钟。经过以上处理,可能导致部分数据的生成时间重复,针对生成时间相同的原始数据进行过滤(比如,对生成时间相同的多个原始数据取平均值,作为该生成时间对应的一个原始数据),使每个生成时间对应一个原始数据。然后按照生成时间对原始数据进行升序排序。
对原始数据进行异常状态过滤处理包括:采用不同的方式判断所述空调系统中的设备在各个时间点的开关状态,得到多个判断结果;当多个判断结果不一致时,确定所述时间点对应的数据异常;将所述时间点对应的数据剔除。
具体地,设备的开关状态可以根据冷源数据观测值、电监数据观测值以及设备开关状态记录表等来确定,比如冷却塔,可以根据冷源系统中的冷却塔频率测量值判断冷却塔状态,当冷却塔频率较高时,可认定该冷却塔处于开启状态,反之则处于关闭状态;同理,可以依据电监数据中的冷却塔实际功率大小来判断冷却塔的状态。此外,可以根据设备状态记录表中的冷却塔相关记录信息,确定其开关状态。分别使用以上三种方式,判断不同时刻各设备的开关状态,并对三种方式的判断结果进行相互校验。当以上三者判断的设备开关状态结果不一致时,即可判断此处的状态信息异常,认为该处的数据无效,进行剔除。基于以上操作,即可过滤各设备的异常状态,获取有效数据。
对原始数据进行稳态数据提取处理包括:从所述原始数据中确定非稳态数据;剔除非稳态数据,得到稳态数据。
具体地,经过异常状态过滤处理之后,可以得到可靠的设备启停状态。考虑到设备发生启停切换时,物理系统需要一定的反应时间来达到新的稳态,而在系统由旧稳态达到新稳态之前,即为系统的非稳态过程。由于系统的非稳态过程受随机扰动影响大且难以直接建模反映其规律,所以在此对非稳态数据进行过滤,仅提取稳态数据进行预测模型的训练。非稳态数据的确定方法,采用设置时间阈值的方法,将发生设备启停状态切换前后的一定时间阈值范围内的数据看作非稳态数据,而该时间阈值则通过观察系统历史运行数据得出。
需要说明的是,所述空调系统实时负荷预测模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律;
基于所述空调系统实际运行时负荷的变化规律,构建所述空调系统实时负荷预测模型。
作为一种可实施方式,所述根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律,包括:
从所述样本数据中,获取所述空调系统实际运行时的环境数据以及与所述空调系统实际运行时的环境数据对应的实际负荷;
根据所述空调系统实际运行时的环境数据以及所述与所述空调系统实际运行时的环境数据对应的实际负荷,确定所述空调系统实际运行时负荷的变化规律。如通过观察历史数据可知,一般来说在短时间内系统负荷不会有较大变化,但是通过采集实时运行数据,发现在与历史相似时段内,系统实际负荷需求量忽然上升较大,为此则需预测比历史同等情况下更大的负荷值,以满足系统需求。
需要说明的是,所述空调系统负荷修正模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系;
基于所述映射关系,构建所述空调系统负荷修正模型。
作为一种可实施方式,所述根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系,包括:
根据所述样本数据,确定所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据;
根据所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据,确定所述空调系统实际运行时的负荷对应的修正值;
根据所述与所述空调系统实际运行时的负荷对应的反馈数据,以及,所述空调系统实际运行时的负荷对应的修正值,确定所述与所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系。
请参阅附图2,图2为本发明实施例提供的一种空调系统负荷预测装置的结构示意图,该装置包括:
第一获取单元21,用于获取待预测负荷的空调系统的环境数据及运行数据;
第一预测单元22,用于将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
第二预测单元23,用于将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;
融合单元24,用于将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
第二获取单元25,用于获取与所述空调系统的环境数据及运行数据对应的反馈数据;
修正单元26,用于将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。
需要说明的是,上述各个单元的具体实现已在方法实施例中详细说明,本实施例不再赘述。
所述空调系统负荷预测装置包括处理器和存储器,上述第一获取单元、第一预测单元、第二预测单元、融合单元、第二获取单元和修正单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对空调系统负荷的预测。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述空调系统负荷预测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述空调系统负荷预测方法。
如图3所示,本发明实施例提供了一种设备30,设备30包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述的空调系统负荷预测方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取待预测负荷的空调系统的环境数据及运行数据;
将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;
将所述第一负荷预测结果及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
获取与所述空调系统的环境数据及运行数据对应的反馈数据;
将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果。
可选地,所述空调系统非实时负荷预测模型以及所述空调系统实时负荷预测模型均基于样本数据训练得到,其中,每个样本数据中包括所述空调系统在一历史时刻的环境数据、运行数据,以及,所述空调系统在所述历史时刻的负荷。
可选地,所述空调系统非实时负荷预测模型是采用如下方式构建的:
获取所述样本数据;
以所述空调系统在所述历史时刻的环境数据、运行数据为所述空调系统非实时负荷预测模型的输入,以所述空调系统在所述历史时刻的负荷为空调系统非实时负荷预测模型的目标,对所述空调系统非实时负荷预测模型的控制变量进行训练,构建得到所述空调系统非实时负荷预测模型。
可选地,所述空调系统实时负荷预测模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律;
基于所述空调系统实际运行时负荷的变化规律,构建所述空调系统实时负荷预测模型。
可选地,所述根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律,包括:
从所述样本数据中,获取所述空调系统实际运行时的环境数据以及与所述空调系统实际运行时的环境数据对应的实际负荷;
根据所述空调系统实际运行时的环境数据以及所述与所述空调系统实际运行时的环境数据对应的实际负荷,确定所述空调系统实际运行时负荷的变化规律。
可选地,所述空调系统负荷修正模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系;
基于所述映射关系,构建所述空调系统负荷修正模型。
可选地,所述根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系,包括:
根据所述样本数据,确定所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据;
根据所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据,确定所述空调系统实际运行时的负荷对应的修正值;
根据所述与所述空调系统实际运行时的负荷对应的反馈数据,以及,所述空调系统实际运行时的负荷对应的修正值,确定所述与所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种空调系统负荷预测方法,其特征在于,包括:
获取待预测负荷的空调系统的环境数据及运行数据;
将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;所述空调系统实时负荷预测模型反映出空调系统实际运行时负荷的变化规律;
将所述第一负荷预测结果及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
获取与所述空调系统的环境数据及运行数据对应的反馈数据;
将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果;
其中,所述空调系统非实时负荷预测模型以及所述空调系统实时负荷预测模型均基于样本数据训练得到,其中,每个样本数据中包括所述空调系统在一历史时刻的环境数据、运行数据,以及,所述空调系统在所述历史时刻的负荷;
所述空调系统非实时负荷预测模型是采用如下方式构建的:
获取所述样本数据;
以所述空调系统在所述历史时刻的环境数据、运行数据为所述空调系统非实时负荷预测模型的输入,以所述空调系统在所述历史时刻的负荷为空调系统非实时负荷预测模型的目标,对所述空调系统非实时负荷预测模型的控制变量进行训练,构建得到所述空调系统非实时负荷预测模型;
所述空调系统实时负荷预测模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律;
基于所述空调系统实际运行时负荷的变化规律,构建所述空调系统实时负荷预测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律,包括:
从所述样本数据中,获取所述空调系统实际运行时的环境数据以及与所述空调系统实际运行时的环境数据对应的实际负荷;
根据所述空调系统实际运行时的环境数据以及所述与所述空调系统实际运行时的环境数据对应的实际负荷,确定所述空调系统实际运行时负荷的变化规律。
3.根据权利要求1所述的方法,其特征在于,所述空调系统负荷修正模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系;
基于所述映射关系,构建所述空调系统负荷修正模型;
其中,所述根据所述样本数据,确定所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系,包括:
根据所述样本数据,确定所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据;
根据所述空调系统实际运行时的负荷,以及与所述空调系统实际运行时的负荷对应的反馈数据,确定所述空调系统实际运行时的负荷对应的修正值;
根据所述与所述空调系统实际运行时的负荷对应的反馈数据,以及,所述空调系统实际运行时的负荷对应的修正值,确定所述与所述空调系统实际运行时的负荷对应的反馈数据与所述空调系统实际运行时的负荷对应的修正值之间的映射关系。
4.一种空调系统负荷预测装置,其特征在于,包括:
第一获取单元,用于获取待预测负荷的空调系统的环境数据及运行数据;
第一预测单元,用于将所述环境数据及运行数据输入预先构建的空调系统非实时负荷预测模型,得到第一负荷预测结果;
第二预测单元,用于将所述环境数据及运行数据输入预先构建的空调系统实时负荷预测模型,得到第二负荷预测结果;所述空调系统实时负荷预测模型反映出空调系统实际运行时负荷的变化规律;
融合单元,用于将所述第一负荷预测结果以及所述第二负荷预测结果进行融合,得到所述空调系统的初始负荷预测结果;
第二获取单元,用于获取与所述空调系统的环境数据及运行数据对应的反馈数据;
修正单元,用于将所述空调系统的初始负荷预测结果,以及,与所述空调系统的环境数据及运行数据对应的反馈数据,输入预先构建的空调系统负荷修正模型得到所述空调系统的最终负荷预测结果;
其中,所述空调系统非实时负荷预测模型以及所述空调系统实时负荷预测模型均基于样本数据训练得到,其中,每个样本数据中包括所述空调系统在一历史时刻的环境数据、运行数据,以及,所述空调系统在所述历史时刻的负荷;
所述空调系统非实时负荷预测模型是采用如下方式构建的:
获取所述样本数据;
以所述空调系统在所述历史时刻的环境数据、运行数据为所述空调系统非实时负荷预测模型的输入,以所述空调系统在所述历史时刻的负荷为空调系统非实时负荷预测模型的目标,对所述空调系统非实时负荷预测模型的控制变量进行训练,构建得到所述空调系统非实时负荷预测模型;
所述空调系统实时负荷预测模型是采用如下方式构建的:
根据所述样本数据,确定所述空调系统实际运行时负荷的变化规律;
基于所述空调系统实际运行时负荷的变化规律,构建所述空调系统实时负荷预测模型。
5.一种存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现权利要求1至3任一项所述的空调系统负荷预测方法。
6.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以实现权利要求1至3任一项所述的空调系统负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911052710.8A CN112747413B (zh) | 2019-10-31 | 2019-10-31 | 空调系统负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911052710.8A CN112747413B (zh) | 2019-10-31 | 2019-10-31 | 空调系统负荷预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112747413A CN112747413A (zh) | 2021-05-04 |
CN112747413B true CN112747413B (zh) | 2022-06-21 |
Family
ID=75644639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911052710.8A Active CN112747413B (zh) | 2019-10-31 | 2019-10-31 | 空调系统负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112747413B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335416B (zh) * | 2023-11-24 | 2024-03-01 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05164377A (ja) * | 1991-12-16 | 1993-06-29 | Marunouchi Netsu Kiyoukiyuu Kk | エネルギー設備の運転支援システム |
JP4410046B2 (ja) * | 2004-07-12 | 2010-02-03 | 三菱電機株式会社 | 空調熱源設備の熱負荷予測装置および方法 |
CN102052739A (zh) * | 2010-12-27 | 2011-05-11 | 重庆大学 | 基于无线传感器网络的中央空调智能控制系统及方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
JP6012868B2 (ja) * | 2013-07-10 | 2016-10-25 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
CN106067077A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种基于神经网络的负荷预测方法及装置 |
CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
CN106338127A (zh) * | 2016-09-20 | 2017-01-18 | 珠海格力电器股份有限公司 | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调系统的基于负荷预测的控制系统和控制方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN106920014A (zh) * | 2017-03-16 | 2017-07-04 | 广东工业大学 | 一种短时负荷预测方法及装置 |
CN107781948A (zh) * | 2017-10-30 | 2018-03-09 | 四川长虹电器股份有限公司 | 基于时间、温度与空调参数的空调负荷预测方法 |
CN108426354A (zh) * | 2018-04-19 | 2018-08-21 | 天津大学 | 基于辐射时间序列方法的空调负荷预测系统 |
KR20180098180A (ko) * | 2017-02-24 | 2018-09-03 | 주식회사 케이티 | 냉난방 시스템을 제어하는 축열 제어 시스템 |
CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
CN109708258A (zh) * | 2018-12-20 | 2019-05-03 | 南京达实能源技术有限公司 | 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法 |
CN109827310A (zh) * | 2019-01-31 | 2019-05-31 | 河海大学 | 一种居民空调负荷群聚合模型建立方法 |
CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
-
2019
- 2019-10-31 CN CN201911052710.8A patent/CN112747413B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05164377A (ja) * | 1991-12-16 | 1993-06-29 | Marunouchi Netsu Kiyoukiyuu Kk | エネルギー設備の運転支援システム |
JP4410046B2 (ja) * | 2004-07-12 | 2010-02-03 | 三菱電機株式会社 | 空調熱源設備の熱負荷予測装置および方法 |
CN102052739A (zh) * | 2010-12-27 | 2011-05-11 | 重庆大学 | 基于无线传感器网络的中央空调智能控制系统及方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN102980272A (zh) * | 2012-12-08 | 2013-03-20 | 珠海派诺科技股份有限公司 | 一种基于负荷预测的空调系统节能优化方法 |
CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制系统有限公司 | 一种空调负荷预测方法,装置及空调 |
JP6012868B2 (ja) * | 2013-07-10 | 2016-10-25 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN106067077A (zh) * | 2016-06-01 | 2016-11-02 | 新奥泛能网络科技股份有限公司 | 一种基于神经网络的负荷预测方法及装置 |
CN106295902A (zh) * | 2016-08-19 | 2017-01-04 | 北京世纪微熵科技股份有限公司 | 建筑冷热负荷预测系统、方法及建筑内部空气调节系统 |
CN106338127A (zh) * | 2016-09-20 | 2017-01-18 | 珠海格力电器股份有限公司 | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 |
CN106403207A (zh) * | 2016-10-24 | 2017-02-15 | 珠海格力电器股份有限公司 | 用于暖通空调系统的基于负荷预测的控制系统和控制方法 |
KR20180098180A (ko) * | 2017-02-24 | 2018-09-03 | 주식회사 케이티 | 냉난방 시스템을 제어하는 축열 제어 시스템 |
CN106920014A (zh) * | 2017-03-16 | 2017-07-04 | 广东工业大学 | 一种短时负荷预测方法及装置 |
CN107781948A (zh) * | 2017-10-30 | 2018-03-09 | 四川长虹电器股份有限公司 | 基于时间、温度与空调参数的空调负荷预测方法 |
CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
CN108426354A (zh) * | 2018-04-19 | 2018-08-21 | 天津大学 | 基于辐射时间序列方法的空调负荷预测系统 |
CN109708258A (zh) * | 2018-12-20 | 2019-05-03 | 南京达实能源技术有限公司 | 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法 |
CN109871987A (zh) * | 2019-01-28 | 2019-06-11 | 中建八局第三建设有限公司 | 一种智能建筑暖通设备综合节能控制方法 |
CN109827310A (zh) * | 2019-01-31 | 2019-05-31 | 河海大学 | 一种居民空调负荷群聚合模型建立方法 |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110332647A (zh) * | 2019-07-11 | 2019-10-15 | 四川聚智精创轨道交通科技有限公司 | 地铁地下车站空调系统负荷预测方法及空调系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112747413A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112747416B (zh) | 空调系统能耗预测方法及装置 | |
CN107464023B (zh) | 生命周期预测模型的在线学习方法和设备 | |
CN114860833B (zh) | 应用于数字孪生水利工程的数据中台和数据处理方法 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN103378376A (zh) | 具有用于基于模型的电池控制的监视逻辑的电池控制器 | |
EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
CN110867956A (zh) | 一种基于智能台区的拓扑自动识别系统及方法 | |
CN112747413B (zh) | 空调系统负荷预测方法及装置 | |
US20060053218A1 (en) | Method and device for reducing a dataset consisting of process data to be transmitted | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN116839173A (zh) | 一种能耗优化方法、装置、存储介质和电子设备 | |
CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN114119289A (zh) | 综合能源监控数据的处理方法及装置 | |
Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
US10698389B2 (en) | Method and system for optimizing the operation of at least one of a plurality of field devices from automation technology | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN109103904B (zh) | 一种频率稳定判定方法、装置、电子设备 | |
KR102028601B1 (ko) | 시설물의 에너지 사용량 예측 방법 및 장치 | |
CN115693916B (zh) | 一种变电站直流电源智能在线监测方法及系统 | |
CN116488169A (zh) | 基于智慧开关的故障处理方法、装置、系统和介质 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 |
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 |