CN112765549A - 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 - Google Patents
一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 Download PDFInfo
- Publication number
- CN112765549A CN112765549A CN202110072588.1A CN202110072588A CN112765549A CN 112765549 A CN112765549 A CN 112765549A CN 202110072588 A CN202110072588 A CN 202110072588A CN 112765549 A CN112765549 A CN 112765549A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- value
- cluster
- building energy
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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,提供一种用于修复建筑能耗监测异常数据的KNN‑Matrix方法,步骤如下:S1对建筑能耗监测系统的历史数据进行识别,找出异常数据;S2对能耗数据进行模糊量化分级,并以矩阵模型的形式计算和展示;S3根据S2过程计算的模糊量化等级、横向类别n、纵向类别m,在S1过程中识别出的异常数据位置,采用与异常数据处于相同纵向类别的历史数据中寻找的代替值作为插补值,进一步优化后的插补值作为异常数据的修复值。本发明提供了一种既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复的建筑能耗监测异常数据修复方法。试验结果表明修复误差率低于20%。
Description
技术领域
本发明涉及一种异常建筑能耗监测数据的修复办法,具体涉及一种基于临近算法的以数据为驱动的建筑能耗异常监测数据的修复办法,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“碳达峰”和“碳中和”目标的提出,建筑节能减排与建筑能耗预测等研究课题均成为重要研究方向。目前,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。但从多年运行的实际情况看,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数据缺失的现象;2)建筑能耗监测平台普遍存在数据远超出或远低于合理范围的现象;3)建筑能耗监测平台普遍缺乏对于异常数据的在线辨识和修复功能。因此,建筑能耗监测数据质量问题影响了基于数据的建筑用能评价和节能改造应用。
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1)最小二乘法预测回归、2)样条函数插值、3)临近算法分类插补、4)能耗模型模拟等方法。但是如1)、2)、3)所示的单纯数学算法不能反映实际用能特征,对于用能变化大的建筑,上述算法的修复效果并不理想。如4)所示的模拟算法依赖能耗模拟软件,很难以代码形式整合到能耗监测平台实现实时修复,也难以在建筑详细信息不充分的条件下实施。本发明针对于上述方法遇到的问题,采用临近聚类算法的优化算法,即KNN-Matrix算法进行建筑能耗监测异常数据的修复。这种方法适用于各类公共建筑,不需要详细的建筑信息进行能耗模拟。同时该方法既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复。
发明内容
本发明要解决的技术问题是提供一种既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复的建筑能耗监测异常数据修复方法。
本发明的技术方案:
一种用于修复建筑能耗监测异常数据的KNN-Matrix方法,该方法适用于各类公共建筑,不需要详细的建筑信息进行能耗模拟。同时该方法既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复。步骤如下:
S1、对建筑能耗监测系统的历史数据进行预处理,即对问题数据进行分类和识别,问题数据包括突变数据及缺失数据。
S1.1、建筑能耗监测平台的缺失数据记为“0”,可实现在线识别。
S1.2、建筑能耗监测平台的突变数据指部分用能数据出现过大或过小,超出实际用能阈值的数据,需利用K均值聚类算法识别。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:
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,并且聚类中心的偏差率σ大于100%时,簇中数据可识别为突变数据。偏差率σ以下式计算:
其中x0代表样本个数最多的簇对应的聚类中心,xn代表除了x0外所有的聚类中心,依次通过上式进行验证。
S2、对能耗数据进行模糊量化分级,并以矩阵模型的形式计算和展示。这一步骤是KNN-Matrix修复算法的基础,同时能够反映建筑用能特征。
S2.1、计算能耗样本集中每日24时刻能耗值斜率,即前一时刻能耗值ei-1,j和当前时刻能耗值ei,j变化趋势线斜率值Si-1,j。逐日、逐月能耗斜率值计算方式相同,计算公式如下:
式中,Si-1,j为当前时刻与前一时刻能耗值变化趋势线斜率值,kWh/h;ei,j为对应第ti,j时刻照明插座能耗值,kWh;ei-1,j为对应第ti-1,j时刻照明插座能耗值,kWh;ti,j为当前时刻;ti-1,j为前一时刻;
S2.2、再次利用K均值聚类算法,将斜率绝对值|Si,j|分为不等间隔k类簇,依据聚类中心由小到大定义为簇0、簇1、…、簇k-2、簇k-1;
S2.3、按照k类簇斜率值范围,取得2k-1个不重叠的子区间,每个子区间用{1-k,2-k,…,-1,0,1,…k-2,k-1}这2k-1个确定数值表示。簇0对应量化等级0;簇1斜率正值区间对应量化等级1,以此类推;
S2.4、确定每一Si,j属于哪一量化等级,并计算样本集中不同时间尺度斜率值分布于这2k-1个量化等级的数量;
S2.5、分别选择不同时间尺度为横向类别n和纵向类别m,建立不同的矩阵模型Xq。全年逐日样本集描述为:一个12行7列的矩阵(12行代表12个月,7列代表星期)。全年逐时样本集描述为:一个12行24列的矩阵(12行代表12个月,24列代表24小时),由于3至5月、6至8月、9至11月、12至2月24时刻量化等级分布基本相同,纵向类别可以由12个简化为4个,即{春季、夏季、秋季、冬季}。通式如下:
其中a1,......,a24对应春季,每日24小时逐时平均模糊量化等级;b1,......,b24、c1,......,c24、d1,......,d24分别对应夏季、秋季、冬季。
S2.6、根据矩阵得出建筑用能特征的规律。根据模糊量化矩阵Xq,可以得出不同季节、不同时刻的能耗值ei,j变化趋势线斜率值Si-1,j,进而分析出不同季节和时刻对应的建筑用能强度的差异,一方面得出建筑用能特征的规律为节能改造等工作提供依据,另一方面为S3.1在历史数据中寻找插补值完成前期工作。
S3、根据S2过程计算的模糊量化等级、横向类别n、纵向类别m,在S1过程中识别出的异常数据位置,采用与异常数据处于相同纵向类别的历史数据中寻找的代替值作为插补值,以进一步优化后的插补值作为异常数据的修复值。
S3.1、寻找历史数据的最近值,即寻找与异常数据处于相同纵向类别的且与异常数据所在时刻最近的历史能耗数据ei,j。若仍是问题数据,则继续此过程;
S3.2、寻找从最近值开始的所有合适的非问题历史数据,取其平均值,利用这一平均值代替异常值进行插补,作为异常数据的修复值。
本发明的有益效果:本发明提供了一种既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复的建筑能耗监测异常数据修复方法。
附图说明
图1为用于修复建筑能耗监测异常数据的KNN-Matrix方法的流程图
图2为S2.1中能耗值变化趋势线斜率值Si-1,j分布的示意图
图3为S2.4中利用斜率值Si-1,j划分量化等级对应的斜率范围和折线陡缓程度的示意图
图4为利用KNN-Matrix方法在典型建筑中试验的误差示意图
具体实施方式
为了使本发明的目的、技术方案及优点更清晰,以下结合附图及实例,对本发明进行进一步详细说明。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,即对问题数据进行分类和识别,问题数据包括突变数据及缺失数据。
S1.1、建筑能耗监测平台的缺失数据记为“0”,可实现在线识别。
S1.2、建筑能耗监测平台的突变数据指部分用能数据出现过大或过小,超出实际用能阈值的数据,需利用K均值聚类算法识别。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:
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,并且聚类中心的偏差率σ大于100%时,簇中数据可识别为突变数据。偏差率σ以下式计算:
其中x0代表样本个数最多的簇对应的聚类中心,xn代表除了x0外所有的聚类中心,依次通过上式进行验证。
S2、对能耗数据进行模糊量化分级,并以矩阵模型的形式计算和展示。这一步骤是KNN-Matrix修复算法的基础,同时能够反映建筑用能特征。
S2.1、计算能耗样本集中每日24时刻能耗值斜率,即前一时刻能耗值ei-1,j和当前时刻能耗值ei,j变化趋势线斜率值Si-1,j。逐日、逐月能耗斜率值计算方式相同,计算公式如下:
式中,Si-1,j为当前时刻与前一时刻能耗值变化趋势线斜率值,kWh/h;ei,j为对应第ti,j时刻照明插座能耗值,kWh;ei-1,j为对应第ti-1,j时刻照明插座能耗值,kWh;ti,j为当前时刻;ti-1,j为前一时刻;
S2.2、再次利用K均值聚类算法,将斜率绝对值|Si,j|分为不等间隔k类簇,依据聚类中心由小到大定义为簇0、簇1、…、簇k-2、簇k-1;
S2.3、按照k类簇斜率值范围,取得2k-1个不重叠的子区间,每个子区间用{1-k,2-k,…,-1,0,1,…k-2,k-1}这2k-1个确定数值表示。簇0对应量化等级0;簇1斜率正值区间对应量化等级1,以此类推;
S2.4、确定每一Si,j属于哪一量化等级,并计算样本集中不同时间尺度斜率值分布于这2k-1个量化等级的数量;
S2.5、分别选择不同时间尺度为横向类别n和纵向类别m,建立不同的矩阵模型Xq。全年逐日样本集描述为:一个12行7列的矩阵(12行代表12个月,7列代表星期)。全年逐时样本集描述为:一个12行24列的矩阵(12行代表12个月,24列代表24小时),由于3至5月、6至8月、9至11月、12至2月24时刻量化等级分布基本相同,纵向类别可以由12个简化为4个,即{春季、夏季、秋季、冬季}。通式如下:
其中a1,......,a24对应春季,每日24小时逐时平均模糊量化等级;b1,......,b24、c1,......,c24、d1,......,d24分别对应夏季、秋季、冬季。
S2.6、根据矩阵得出建筑用能特征的规律。根据模糊量化矩阵Xq,可以得出不同季节、不同时刻的能耗值ei,j变化趋势线斜率值Si-1,j,进而分析出不同季节和时刻对应的建筑用能强度的差异,一方面得出建筑用能特征的规律为节能改造等工作提供依据,另一方面为S3.1在历史数据中寻找插补值完成前期工作。
S3、根据S2过程计算的模糊量化等级、横向类别n、纵向类别m,在S1过程中识别出的异常数据位置,采用与异常数据处于相同纵向类别的历史数据中寻找的代替值作为插补值,以进一步优化后的插补值作为异常数据的修复值。
S3.1、寻找历史数据的最近值,即寻找与异常数据处于相同纵向类别的且与异常数据所在时刻最近的历史能耗数据ei,j。若仍是问题数据,则继续此过程;
S3.2、寻找从最近值开始的所有合适的非问题历史数据,取其平均值,利用这一平均值代替异常值进行插补,作为异常数据的修复值。
本发明的有益效果:本发明提供了一种既能反映建筑用能的规律,也能以代码形式补充入建筑能耗监测平台中实现实时修复的建筑能耗监测异常数据修复方法。
Claims (1)
1.一种用于修复建筑能耗监测异常数据的KNN-Matrix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,即对问题数据进行分类和识别,问题数据包括突变数据及缺失数据;
S1.1、建筑能耗监测平台的缺失数据记为“0”,可实现在线识别;
S1.2、建筑能耗监测平台的突变数据指部分用能数据出现过大或过小,超出实际用能阈值的数据,需利用K均值聚类算法识别;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:
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,并且聚类中心的偏差率σ大于100%时,簇中数据可识别为突变数据;偏差率σ以下式计算:
其中,x0代表样本个数最多的簇对应的聚类中心,xn代表除了x0外所有的聚类中心,依次通过上式进行验证;
S2、对能耗数据进行模糊量化分级,并以矩阵模型的形式计算和展示;
S2.1、计算能耗样本集中每日24时刻能耗值斜率,即前一时刻能耗值ei-1,j和当前时刻能耗值ei,j变化趋势线斜率值Si-1,j;逐日、逐月能耗斜率值计算方式相同,计算公式如下:
式中,Si-1,j为当前时刻与前一时刻能耗值变化趋势线斜率值,kWh/h;ei,j为对应第ti,j时刻照明插座能耗值,kWh;ei-1,j为对应第ti-1,j时刻照明插座能耗值,kWh;ti,j为当前时刻;ti-1,j为前一时刻;
S2.2、再次利用K均值聚类算法,将斜率绝对值|Si,j|分为不等间隔k类簇,依据聚类中心由小到大定义为簇0、簇1、…、簇k-2、簇k-1;
S2.3、按照k类簇斜率值范围,取得2k-1个不重叠的子区间,每个子区间用{1-k,2-k,…,-1,0,1,…k-2,k-1}这2k-1个确定数值表示;簇0对应量化等级0;簇1斜率正值区间对应量化等级1,以此类推;
S2.4、确定每一Si,j属于哪一量化等级,并计算样本集中不同时间尺度斜率值分布于这2k-1个量化等级的数量;
S2.5、分别选择不同时间尺度为横向类别n和纵向类别m,建立不同的矩阵模型Xq;全年逐日样本集描述为:一个12行7列的矩阵,12行代表12个月,7列代表星期;全年逐时样本集描述为:一个12行24列的矩阵,12行代表12个月,24列代表24小时;由于3至5月、6至8月、9至11月、12至2月24时刻量化等级分布基本相同,纵向类别由12个简化为4个,即{春季、夏季、秋季、冬季};通式如下:
其中,a1,……,a24对应春季,每日24小时逐时平均模糊量化等级;b1,……,b24、c1,……,c24、d1,……,d24分别对应夏季、秋季、冬季;
S2.6、根据矩阵得出建筑用能特征的规律;
根据模糊量化矩阵Xq,得出不同季节、不同时刻的能耗值ei,j变化趋势线斜率值Si-1,j,进而分析出不同季节和时刻对应的建筑用能强度的差异;
S3、根据S2过程计算的模糊量化等级、横向类别n、纵向类别m,在S1过程中识别出的异常数据位置,采用与异常数据处于相同纵向类别的历史数据中寻找的代替值作为插补值,以进一步优化后的插补值作为异常数据的修复值;
S3.1、寻找历史数据的最近值,即寻找与异常数据处于相同纵向类别的且与异常数据所在时刻最近的历史能耗数据ei,j;若仍是问题数据,则继续此过程;
S3.2、寻找从最近值开始的所有合适的非问题历史数据,取其平均值,利用这一平均值代替异常值进行插补,作为异常数据的修复值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072588.1A CN112765549B (zh) | 2021-01-20 | 2021-01-20 | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072588.1A CN112765549B (zh) | 2021-01-20 | 2021-01-20 | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112765549A true CN112765549A (zh) | 2021-05-07 |
CN112765549B CN112765549B (zh) | 2022-10-21 |
Family
ID=75703381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072588.1A Active CN112765549B (zh) | 2021-01-20 | 2021-01-20 | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765549B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893297A (zh) * | 2023-09-11 | 2023-10-17 | 常州旭泰克系统科技有限公司 | 旋转设备能耗的监测方法、监测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944464A (zh) * | 2017-10-12 | 2018-04-20 | 华南理工大学 | 一种办公建筑逐时能耗异常数据在线识别与填补方法 |
CN109508743A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于knn改进算法的建筑能耗监测异常数据的修复方法 |
-
2021
- 2021-01-20 CN CN202110072588.1A patent/CN112765549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944464A (zh) * | 2017-10-12 | 2018-04-20 | 华南理工大学 | 一种办公建筑逐时能耗异常数据在线识别与填补方法 |
CN109508743A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于knn改进算法的建筑能耗监测异常数据的修复方法 |
Non-Patent Citations (1)
Title |
---|
周璇等: "办公建筑逐时能耗异常数据在线插补方法", 《建筑科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893297A (zh) * | 2023-09-11 | 2023-10-17 | 常州旭泰克系统科技有限公司 | 旋转设备能耗的监测方法、监测系统 |
CN116893297B (zh) * | 2023-09-11 | 2024-01-12 | 常州旭泰克系统科技有限公司 | 旋转设备能耗的监测方法、监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112765549B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063366B (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
CN115276006A (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
CN107305601B (zh) | 一种抽油机井系统效率因素分析方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN110633449A (zh) | 一种基于改进熵权法的空气质量评价方法 | |
CN110826641B (zh) | 一种基于聚类分析归类居民用电情况的系统及方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN112765549B (zh) | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 | |
CN104077489A (zh) | 一种能耗设备能效分析方法及其分析系统 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
CN110533249A (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN115564180A (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN114529071A (zh) | 一种台区用电量预测方法 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
CN112488360A (zh) | 基于人工智能的配变异常分析预警方法 | |
CN116821589B (zh) | 促进生态服务功能提升的植被覆盖度恢复上限计算方法 | |
CN112712213B (zh) | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
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 |