CN112836720A - 建筑运维设备异常诊断方法、系统及计算机可读存储介质 - Google Patents
建筑运维设备异常诊断方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112836720A CN112836720A CN202011489064.4A CN202011489064A CN112836720A CN 112836720 A CN112836720 A CN 112836720A CN 202011489064 A CN202011489064 A CN 202011489064A CN 112836720 A CN112836720 A CN 112836720A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- clustering
- day
- equipment
- classification model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012423 maintenance Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 title claims description 11
- 238000005265 energy consumption Methods 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 230000004913 activation Effects 0.000 claims 1
- 238000003066 decision tree Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供的一种建筑运维设备异常诊断方法、系统及计算机可读存储介质,该方法包括获取历史逐预设时间段单天能耗值;对数据向量进行预处理后,进行特征提取;采用聚类算法对单天特征向量进行聚类计算;构建影响因素与聚类标签之间的分类模型;根据影响因素和分类模型,预测未来天设备运行的波动范围。本发明根据天维度能耗曲线提取特征值;根据聚类算法对特征向量进行计算,将数据向量进行分类划分,提取出设备常规运行模式和该运行模式的波动范围,将影响因素与设备运行模式相关联建立分类模型;根据分类模型和未来天的影响因素预测未来天设备运行波动曲线。提高设备计算能力,扩大计算方法范围,准确预测到未来天设备运行情况。
Description
技术领域
本发明涉及建筑运维技术领域,具体涉及一种建筑运维设备异常诊 断方法、系统及计算机可读存储介质。
背景技术
中国当前正处于能源消耗高的同时,能源相对紧缺的阶段,能源的 匮乏和社会对能源不断增大的需求已经成为了制约社会进步发展的突出 矛盾之一,而城市的大规模建设使得建筑能耗在社会总能耗中的比例达 到了46%,通过自身诊断异常和控制手段降低运行时的能耗是实现节能 的一个重要途径。
当前,许多高能耗企业已经实现了对于分项能耗的采集,积累了大 量的历史能耗数据,这为数据的异常诊断提供了基础。但是,大量的历 史能耗数据也带来了“数据灾难”,使得相关的管理人员无法迅速并准确 的从数据中发现能耗的异常性问题,最终导致建筑能耗难于监测和管理。
传统的监测方法一般是由相关的能耗管理人员根据经验设定一个能 耗阈值,以此来判断能耗是否出现异常,但是这种方式存在两个问题, 首先是阈值无法准确的确定,其阈值的过高或者过低都将直接影响到实 际检测结果的准确性;其次则是建筑模型的复杂性,对于商业建筑其能 耗的运行将会受到多种因素的影响而发生改变,比如月份、温度、湿度、 节假日等特征因素,所以单纯依靠阈值进行诊断无法适应复杂的动态能 耗模型。因此为了解决阈值方法的局限性,一些更加智能的诊断方法被 提出:唐桂忠等人使用实时数据采集技术实现了数据的实时统计,并且 利用统计方式进行能耗的异常诊断。虽然上述方式都解决了阈值方法的 局限性问题,但是还存在着以下的几点问题:
(1)现有方法计算维度较大,未根据能耗曲线本身提取特征降低纬 度。
(2)以上方法都是基于历史数据对能耗的统计分析,无法根据设备 不同运行模式计算能耗波动范围。
(3)仅针对能耗本身进行分析计算,未考虑影响设备运行模式转换 的特征因子。
发明内容
为解决目前技术存在的不足,本发明实施例提供一种建筑运维设备异常诊断方法、系统及计算机可读存储介质。其具体技术方案如下:
为实现上述目的,本发明实施例提供一种建筑运维设备异常诊断方 法,包括步骤:
获取历史逐预设时间段单天能耗值,作为建筑设备单天数据向量;
对所述数据向量进行预处理后,进行特征提取,得到特征向量;其 中,所述特征向量的特征值包括:设备开启时间、开启区间能耗均值、 和能耗方差;
采用聚类算法对特征向量进行聚类计算,得到所述单天能耗值的聚 类标签;
采用随机森林算法构建影响因素与所述聚类标签之间的分类模型; 其中,所述影响因素包括温度、湿度、月份、节假日和风速;
根据天气预报获取的未来天的影响因素和所述分类模型,得到未来 天设备运行的波动范围。
进一步的,在所述采用聚类算法对所述特征向量进行聚类计算,得 到所述当天能耗值的聚类标签之后,所述采用随机森林算法构建影响因 素与所述聚类标签之间的分类模型之前,还包括采用smote采样算法对 所述聚类标签的数量进行平衡。
进一步的,所述预处理包括:删除异常波动天的数据向量。
进一步的,还包括当检测到设备关闭区间段内实际能耗值大于开启 阈值时,启动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史 下限70%,连续3个点及以上启动报警。
进一步的,所述聚类算法采用DBSCAN聚类算法。
本发明实施例的第二方面提供一种建筑运维设备异常诊断系统,包 括:
获取模块,用于获取历史逐预设时间段单天能耗值,作为建筑设备 单天数据向量;
预处理和特征提取模块,用于对所述数据向量进行预处理后,进行 特征提取,得到特征向量;其中,所述特征向量的特征值包括:设备开 启时间、开启区间能耗均值、和能耗方差;
聚类模块,用于采用聚类算法对所述特征向量进行聚类计算,得到 所述单天能耗值的聚类标签;
分类模型构建模块,用于采用随机森林算法构建影响因素与所述聚 类标签之间的分类模型;其中,所述影响因素包括温度、湿度、月份、 节假日和风速;
波动预测模块,用于根据天气预报获取的未来天的影响因素和所述 分类模型,得到未来天设备运行的波动范围。
进一步的,还包括:数据平衡模块和报警模块;其中,所述数据平 衡模块用于采用smote采样算法对所述聚类标签的数量进行平衡;所述报 警模块用于当检测到设备关闭区间段内实际能耗值大于开启阈值时,启 动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史 下限70%,连续3个点及以上启动报警。
本发明实施例的第三方面还提供一种计算机可读存储介质,所述计 算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行 时,使得所述处理器处理上述所述方法步骤。
本发明的第四方面提供一种电子设备,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执 行时使所述处理器执行上述所述的方法。
本发明实施例提供的建筑运维设备异常诊断方法、系统及计算机可 读存储介质,该方法包括获取历史逐预设时间段单天能耗值,作为建筑 设备单天数据向量;对所述数据向量进行预处理后,进行特征提取,得 到特征向量;其中,所述特征向量的特征值包括:设备开启时间、开启 区间能耗均值、和能耗方差;采用聚类算法对所述特征向量进行聚类计算,得到所述单天能耗值的聚类标签;采用随机森林算法构建影响因素 与所述聚类标签之间的分类模型;根据天气预报获取的未来天的影响因 素和所述分类模型,得到未来天设备运行的波动范围。本发明根据天维 度能耗曲线提取开启时间长度、开启能耗均值、能耗方差等特征,降低 数据维度;根据聚类算法对数据向量进行计算,将相近的数据向量进行 分类划分,提取出设备常规运行模式和该运行模式波动范围,然后将温 度、湿度、月份、节假日等特征与设备运行模式相关联建立分类模型; 最后根据得到的分类模型和未来天的天气情况预测未来天设备运行波动 曲线。提高了设备计算能力的同时扩大计算方法可选范围,较为准确的 预测到未来天设备运行情况,提高设备运行预测的智能化程度,减少了 人力和物力的投入。
附图说明
图1为本发明实施例1提供的一种建筑运维设备异常诊断方法的优 选实施方式的流程图;
图2为本发明实施例2提供的一种建筑运维设备异常诊断系统的优 选实施方式的结构示意框图。
具体实施方式
为了使得本发明技术方案能够清楚、详尽的展现出来,以下结合附 图对本发明进行说明,但不用来限制本发明的范围。
参见图1为本发明实施例1提供的一种建筑运维设备异常诊断方法的 优选实施方式的流程图,包括步骤:
获取历史逐预设时间段单天能耗值,作为建筑设备单天数据向量;
对所述数据向量进行预处理后,进行特征提取,得到特征向量;其 中,所述特征向量的特征值包括:设备开启时间、开启区间能耗均值、 和能耗方差;
采用聚类算法对所述特征向量进行聚类计算,得到所述当天能耗值 的聚类标签;
采用随机森林算法构建影响因素与所述聚类标签之间的分类模型; 其中,所述影响因素包括温度、湿度、月份、节假日和风速;
根据天气预报获取的未来天的影响因素和所述分类模型,得到未来 天设备运行的波动范围。
上述历史逐预设时间段是指当前时间以前的某一天中的某段预设长 度的时间;优选的,在本发明实施例中,预设长度的时间段是指15分钟 的时间长度。
上述单天数据向量是指一天当中按照预设时间长度采取的能耗值组 成的向量;优选的,在本发明实施例中,一天按照15分钟采样一次能耗 值,则数据向量的维度是96维。
为了保证后期数据计算过程中数据质量的问题,还需要对获取的数 据向量进行预处理,删除波动异常天维度数据,避免异常波动能耗对聚 类计算的影响。
上述96维的数据向量的维度过高,对于聚类方法的选择存在局限性, 本发明采用聚类算法对该96维的数据向量进行降维处理,得到特征值为 开启时间长度、开启能耗均值、能耗方差的3维特征向量。在本发明实 施例中,特征提取规则:以额定功率*1.25%为判断设备是否开启阈值, 大于该阈值被判定为开启,小于则判定为关闭。特征提取原因:由于设 备天维度96维能耗维度过大,根据设备波动特征选择开启时间长度、开 启区间能耗均值、能耗方差替代原始96维能耗,提高聚类模型选择范围。
优选的,上述聚类算法采用DBSCAN聚类算法。其具体实现原理包 括如下步骤:
输入:样本集D=(X1,X2,...,Xm),邻域参数(∈,MinPts),样本距离度量方 式;
特征:开启时间长度、开启区间能耗均值、能耗方差;
2)对于j=1,2,3,...m,按下面的步骤找出所有的核心对象:
a)通过距离度量方式,找到样本xj的∈_邻域子样本集N∈(xj)
b)如果子样本集样本个数满足|N∈(xj)|≥MinPts,将样本xj加入核心对 象样本集合:Ω=Ω∪{xj}
4)在核心对象集合Ω中,随机选择一个核心对象o,初始化当前簇核 心对象队列Ωcur={o},初始化类别序号k=k+1,初始化当前簇样本集合 Ck={o},更新未访问样本集合Γ=Γ-{o}
6)在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离 阈值∈找出所有的∈-邻域子样本集N∈(o′),令Δ=N∈(o′)∩Γ,更新当前簇样本 集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′, 转入步骤5
输出结果为:簇划分C={C1,C2,...,Ck}。
采用随机森林算法构建影响因素与所述聚类标签之间的分类模型; 其中,所述影响因素包括温度、湿度、月份、节假日和风速;构建影响 因素与所述聚类标签之间的分类模型,其原理为:
输入:样本集B={(x1,y1),(x2,y2),...(xm,ym)},弱分类器迭代次数T。
特征:温度、湿度、月份、节假日、风速
标签:聚类结果
输出:最终的强分类器f(x)
(1)对于t=1,2,3,...,T;
对训练集进行第t次采样,共采集m次,得到包含m个样本的采样集Dt;
用采样集Dt训练第t个决策树模型Gt(x),在训练决策树模型的节点的 时候,在节点上所有的样本特征中选择一部分样本特征,在这些随机选 择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分。
(2)最后T个弱学习器投出最多票数的类别为模型输出。
由于聚类标签可能分布不均,对样本进行smote采样平衡各标签数 量,增加分类模型鲁棒性;因此,在本发明实施例1的可选实施方式中, 在所述采用聚类算法对所述单天数据向量进行聚类计算,得到所述当天 能耗值的聚类标签之后,所述采用随机森林算法构建影响因素与所述聚 类标签之间的分类模型之前,还包括采用smote采样算法对所述聚类标 签的数量进行平衡。其平衡数据集的原理如下:
输入:样本点集合A
输出:平衡样本集合B
(1)对于少数类中每一个样本x,以欧氏距离为标准计算它到少数类 样本集中所有样本的距离,得到其k近邻
(2)根据样本不平衡比例设置一个采样比例以确定采样倍率N,对于 每一个少数类样本x,从其k近邻中随机选择若干个样本,假设选择的近邻 为xn
(3)对于每一个随机选出的近邻xn,分别于原样本按照如下公式构 建新的样本,xnew=x+rand(0,1)*(X-x);
在本发明实施例1的可选实施方式中给还包括当检测到设备关闭区 间段内实际能耗值大于开启阈值时,启动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史 下限70%,连续3个点及以上启动报警。
本发明实施例提供的建筑运维设备异常诊断方法、系统及计算机可 读存储介质,该方法包括获取历史逐预设时间段当天能耗值,作为建筑 设备单天数据向量;对所述数据向量进行预处理后,进行特征提取,得 到特征向量;其中,所述特征向量的特征值包括:设备开启时间、开启 区间能耗均值、和能耗方差;采用聚类算法对所述单天特征向量进行聚类计算,得到所述当天能耗值的聚类标签;采用随机森林算法构建影响 因素与所述聚类标签之间的分类模型;根据天气预报获取的未来天的影 响因素和所述分类模型,得到未来天设备运行的波动范围。本发明根据 天维度能耗曲线提取开启时间长度、开启能耗均值、能耗方差等特征, 降低数据维度;根据聚类算法对特征向量进行计算,将相近的数据向量 进行分类划分,提取出设备常规运行模式和该运行模式波动范围,然后 将温度、湿度、月份、节假日等特征与设备运行模式相关联建立分类模 型;最后根据得到的分类模型和未来天的天气情况预测未来天设备运行 波动曲线。提高了设备计算能力的同时扩大计算方法可选范围,较为准 确的预测到未来天设备运行情况,提高设备运行预测的智能化程度,减 少了人力和物力的投入。
参见图2,为本发明实施例2提供的一种建筑运维设备异常诊断系统 的优选实施方式的结构示意框图,包括获取模块,用于获取历史逐预设 时间段当天能耗值,作为建筑设备单天数据向量;
预处理和特征提取模块,用于对所述数据向量进行预处理后,进行 特征提取,得到特征向量;其中,所述特征向量的特征值包括:设备开 启时间、开启区间能耗均值、和能耗方差;
聚类模块,用于采用聚类算法对所述单天特征向量进行聚类计算, 得到所述当天能耗值的聚类标签;
分类模型构建模块,用于采用随机森林算法构建影响因素与所述聚 类标签之间的分类模型;其中,所述影响因素包括温度、湿度、月份、 节假日和风速;
波动预测模块,用于根据天气预报获取的未来天的影响因素和所述 分类模型,得到未来天设备运行的波动范围。
进一步的,还包括:聚类平衡模块和报警模块;其中,所述聚类平 衡模块用于采用smote采样算法对所述聚类标签的数量进行平衡;所述报 警模块用于当检测到设备关闭区间段内实际能耗值大于开启阈值时,启 动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史 下限70%,连续3个点及以上启动报警。
本发明实施例的第三方面还提供一种计算机可读存储介质,所述计 算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行 时,使得所述处理器处理上述所述方法步骤。
本发明的第四方面提供一种电子设备,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执 行时使所述处理器执行上述所述的方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的 描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技 术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的 这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种建筑运维设备异常诊断方法,其特征在于,包括步骤:
获取历史逐预设时间段单天能耗值,作为建筑设备单天数据向量;
对所述数据向量进行预处理后,进行特征提取,得到特征向量;其中,所述特征向量的特征值包括:设备开启时间、开启区间能耗均值和能耗方差;
采用聚类算法对所述特征向量进行聚类计算,得到所述单天能耗值的聚类标签;
采用随机森林算法构建影响因素与所述聚类标签之间的分类模型;其中,所述影响因素包括温度、湿度、月份、节假日和风速;
根据天气预报获取的未来天的影响因素和所述分类模型,得到未来天设备运行的波动范围。
2.根据权利要求1所述的建筑运维设备异常诊断方法,其特征在于,在所述采用聚类算法对所述单天特征向量进行聚类计算,得到所述单天能耗值的聚类标签之后,所述采用随机森林算法构建影响因素与所述聚类标签之间的分类模型之前,还包括采用smote采样算法对所述聚类标签的数量进行平衡。
3.根据权利要求1所述的建筑运维设备异常诊断方法,其特征在于,所述预处理包括:删除异常波动天的数据向量值。
4.根据权利要求1所述的建筑运维设备异常诊断方法,其特征在于,还包括当检测到设备关闭区间段内实际能耗值大于开启阈值时,启动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史下限70%,连续3个点及以上启动报警。
5.根据权利要求1所述的建筑运维设备异常诊断方法,其特征在于,所述聚类算法采用DBSCAN聚类算法。
6.一种建筑运维设备异常诊断系统,其特征在于,包括:
获取模块,用于获取历史逐预设时间段单天能耗值,作为建筑设备单天数据向量;
预处理和特征提取模块,用于对所述数据向量进行预处理后,进行特征提取,得到特征向量;其中,所述特征向量的特征值包括:设备开启时间、开启区间能耗均值、和能耗方差;
聚类模块,用于采用聚类算法对所述特征向量进行聚类计算,得到所述单天能耗值的聚类标签;
分类模型构建模块,用于采用随机森林算法构建影响因素与所述聚类标签之间的分类模型;其中,所述影响因素包括温度、湿度、月份、节假日和风速;
波动预测模块,用于根据天气预报获取的未来天的影响因素和所述分类模型,得到未来天设备运行的波动范围。
7.根据权利要求6所述的建筑运维设备异常诊断系统,其特征在于,还包括:数据平衡模块和报警模块;其中,所述聚类平衡模块用于采用smote采样算法对所述聚类标签的数量进行平衡;所述报警模块用于当检测到设备关闭区间段内实际能耗值大于开启阈值时,启动报警装置;
或者,当检测到开启时间段实际能耗大于历史上限130%或小于历史下限70%,连续3个点及以上启动报警。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器处理上述权利要求1-6中任一项所述方法步骤。
9.一种电子设备,其特征在于,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489064.4A CN112836720B (zh) | 2020-12-16 | 2020-12-16 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489064.4A CN112836720B (zh) | 2020-12-16 | 2020-12-16 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836720A true CN112836720A (zh) | 2021-05-25 |
CN112836720B CN112836720B (zh) | 2024-03-29 |
Family
ID=75923590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489064.4A Active CN112836720B (zh) | 2020-12-16 | 2020-12-16 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836720B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326472A (zh) * | 2021-05-28 | 2021-08-31 | 东北师范大学 | 一种基于时序多变量数据的模式提取与演化可视分析方法 |
CN113888356A (zh) * | 2021-10-19 | 2022-01-04 | 山东大学 | 一种建筑用能模式分析与判定方法及系统 |
CN115689095A (zh) * | 2022-12-30 | 2023-02-03 | 广东美的制冷设备有限公司 | 设备能耗分析方法、装置、生产系统及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
US20120278051A1 (en) * | 2011-04-29 | 2012-11-01 | International Business Machines Corporation | Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling |
US20140142905A1 (en) * | 2012-11-16 | 2014-05-22 | Johnson Controls Technology Company | Systems and methods for building energy use benchmarking |
CN105825323A (zh) * | 2016-03-10 | 2016-08-03 | 山东建筑大学 | 一种基于大数据的建筑能耗主要影响因素分析方法 |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
US20190025354A1 (en) * | 2017-07-20 | 2019-01-24 | Targus International Llc | Systems, methods and devices for remote power management and discovery |
US20190347577A1 (en) * | 2018-05-10 | 2019-11-14 | International Business Machines Corporation | Localizing energy consumption anomalies in buildings |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
US20200231466A1 (en) * | 2017-10-09 | 2020-07-23 | Zijun Xia | Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants |
-
2020
- 2020-12-16 CN CN202011489064.4A patent/CN112836720B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120278051A1 (en) * | 2011-04-29 | 2012-11-01 | International Business Machines Corporation | Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling |
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
US20140142905A1 (en) * | 2012-11-16 | 2014-05-22 | Johnson Controls Technology Company | Systems and methods for building energy use benchmarking |
CN105825323A (zh) * | 2016-03-10 | 2016-08-03 | 山东建筑大学 | 一种基于大数据的建筑能耗主要影响因素分析方法 |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
US20190025354A1 (en) * | 2017-07-20 | 2019-01-24 | Targus International Llc | Systems, methods and devices for remote power management and discovery |
US20200231466A1 (en) * | 2017-10-09 | 2020-07-23 | Zijun Xia | Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants |
US20190347577A1 (en) * | 2018-05-10 | 2019-11-14 | International Business Machines Corporation | Localizing energy consumption anomalies in buildings |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
Non-Patent Citations (4)
Title |
---|
DANIEL B. ARAYA等: "An ensemble learning framework for anomaly detection in building energy consumption", 《ENERGY AND BUILDINGS》, vol. 144, 1 June 2017 (2017-06-01), pages 191 - 206, XP029988979, DOI: 10.1016/j.enbuild.2017.02.058 * |
IMRAN KHAN 等: "Fault Detection Analysis of Building Energy Consumption Using Data Mining Techniques", 《ENERGY PROCEDIA》, vol. 42, 1 January 2013 (2013-01-01), pages 557 - 566 * |
孙智超;王波;: "基于数据挖掘技术的建筑能耗分析集成方法", 计算机应用与软件, no. 11, 15 November 2017 (2017-11-15), pages 103 - 108 * |
王鹏皓;王鑫;彭琛;肖国;张亚男;: "基于EMS系统的大型购物中心能耗指标统计分析", 建筑技术, no. 06, 15 June 2020 (2020-06-15), pages 754 - 757 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326472A (zh) * | 2021-05-28 | 2021-08-31 | 东北师范大学 | 一种基于时序多变量数据的模式提取与演化可视分析方法 |
CN113326472B (zh) * | 2021-05-28 | 2022-07-15 | 东北师范大学 | 一种基于时序多变量数据的模式提取与演化可视分析方法 |
CN113888356A (zh) * | 2021-10-19 | 2022-01-04 | 山东大学 | 一种建筑用能模式分析与判定方法及系统 |
CN115689095A (zh) * | 2022-12-30 | 2023-02-03 | 广东美的制冷设备有限公司 | 设备能耗分析方法、装置、生产系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112836720B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN112836720A (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
CN112308124B (zh) | 一种面向用电信息采集系统的智能防窃电方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN112682273B (zh) | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
CN113743537A (zh) | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN113203953A (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
CN114548843B (zh) | 风力发电机功率数据的处理方法、计算机设备及介质 | |
CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Yang et al. | Bearing vibration signal Fault Diagnosis based on LSTM-cascade CatBoost | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
CN110905735A (zh) | 一种基于声音周期性的叶片故障诊断方法 | |
CN114764867A (zh) | 基于图像主特征提取的风机故障诊断系统、方法及应用 |
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 |