CN113191418A - 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 - Google Patents

基于室外气象参数的非侵入式建筑分项冷负荷监测方法 Download PDF

Info

Publication number
CN113191418A
CN113191418A CN202110456635.2A CN202110456635A CN113191418A CN 113191418 A CN113191418 A CN 113191418A CN 202110456635 A CN202110456635 A CN 202110456635A CN 113191418 A CN113191418 A CN 113191418A
Authority
CN
China
Prior art keywords
training
cold load
load
subentry
total
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.)
Pending
Application number
CN202110456635.2A
Other languages
English (en)
Inventor
刚文杰
肖紫薇
袁嘉琦
陈晓菲
鲁展
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110456635.2A priority Critical patent/CN113191418A/zh
Publication of CN113191418A publication Critical patent/CN113191418A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法，属于建筑环境与暖通空调技术领域。采集室外干球温度、相对湿度以及总冷负荷数据，剔除异常值；将清洗后的数据作为训练好的分解器模型的输入进行冷负荷分解，输出对应的分项冷负荷的大小。分解器模型通过以下方法训练：将清洗后的数据通过建筑物理模型，获取分项冷负荷；各组室外干球温度、相对湿度、总冷负荷以及分项冷负荷作为样本集，将样本集划分为训练集与测试集，将训练集输入到机器学习分解器模型中进行训练，并在测试集进行测试，得到具有分解功能的分解器模型。本发明保证了数据的完整性、精确性和利用性，通过挖掘数据特征，使用能表征分项冷负荷特征的多维特征。

Description

基于室外气象参数的非侵入式建筑分项冷负荷监测方法
技术领域
本发明涉及建筑环境与暖通空调技术领域，具体涉及一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法。
背景技术
建筑冷负荷直接影响建筑能耗，详细监测和了解建筑冷负荷及其分项负荷，可帮助用户更好掌握建筑热工性能及空调系统运行特征，为建筑节能改造提供针对性的意见，降低建筑能耗。
传统的负荷监测方法即侵入式负荷监测，需要安装大量的传感器，初投资与维护成本较高，且会对使用空间造成干扰，且在实际应用中存在无法安装传感器的区域与空间，因此应用存在一定限制。非侵入式负荷监测技术仅需监测总负荷，通过智能算法监测识别分项负荷的大小，成本低且对用户侵扰较小，所以得到广泛的关注。非侵入式负荷监测研究主要包括数据预处理与测量、事件检测、特征提取与负荷识别四个步骤，现有研究和专利主要应用于电力领域中建筑内部不同设备的电力负荷分解问题上。该类设备通常只有两种状态(开/关)或是离散负载，利用有监督算法和无监督算法进行分解可行性较高。尽管非侵入式负荷监测技术日渐完善，但针对建筑冷负荷监测仍存在一定的问题：
(1)非侵入式负荷监测技术主要应用在电力领域，在建筑分项冷负荷监测领域尚未研究；
(2)建筑冷负荷具有连续性，对其进行分项冷负荷识别较为困难。
发明内容
本发明提供一种非侵入式冷负荷监测方法，该方法能够仅需监测建筑总冷负荷，通过智能算法实现对建筑冷负荷的分解，获得准确的建筑分项冷负荷，从而解决现有技术中负荷检测需要侵入室内，对使用空间造成干扰，以及建筑冷负荷因其连续性而难以对其进行识别的技术问题。
为了解决以上技术问题，本发明提供了一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法，包括以下步骤：
(1)采集若干组室外干球温度、相对湿度以及总冷负荷数据；
(2)剔除步骤(1)采集的总冷负荷数据中的异常值；所述异常值为(μ-3σ，μ+3σ)区间外的冷负荷数据，其中μ为总冷负荷的平均值，σ为总冷负荷的标准差；并对剔除后的空缺值进行线性插值填补，得到清洗后的数据；
(3)将清洗后的数据作为训练好的分解器模型的输入进行冷负荷分解，输出对应的分项冷负荷的大小；
所述分解器模型通过以下方法训练得到：采集若干组训练用室外干球温度、训练用相对湿度以及训练用总冷负荷数据，剔除其中训练用总冷负荷数据中的异常值；所述异常值为(μ1-3σ1，μ1+3σ1)区间外的训练用冷负荷数据，其中μ1为训练用总冷负荷的平均值，σ1为训练用总冷负荷的标准差；并对剔除后的空缺值进行线性插值填补，得到清洗后的训练用数据；将清洗后的训练用数据通过建筑物理模型，获取训练用分项冷负荷；各组训练用室外干球温度、训练用相对湿度、训练用总冷负荷以及训练用分项冷负荷作为样本集，以各组中训练用室外干球温度、训练用相对湿度和训练用总冷负荷作为输入，以各组中训练用分项冷负荷作为输出；将样本集划分为训练集与测试集，将训练集输入到机器学习分解器模型中进行训练，并在测试集进行测试，得到训练好的具有分解功能的分解器模型。
优选地，步骤(2)中总冷负荷的平均值μ，总冷负荷的标准差σ由以下公式计算得到：
Figure BDA0003040727330000031
Figure BDA0003040727330000032
其中，N为总冷负荷的采样数，i为总冷负荷的顺序编号，Xi为第i个总冷负荷值。
优选地，步骤(2)中进行线性插值填补具体为：
Xn+1＝2Xn-Xn-1
其中，Xn+1为空缺值，Xn为空缺值前一个采样周期的值，Xn-1为空缺值前两个采样周期的值。
优选地，所述训练用分项冷负荷为人员冷负荷、灯光设备冷负荷、新风冷负荷以及围护结构冷负荷。
优选地，步骤(3)中训练用总冷负荷的平均值μ1，训练用总冷负荷的标准差σ1由以下公式计算得到：
Figure BDA0003040727330000033
Figure BDA0003040727330000034
其中，M为训练用总冷负荷的采样数，p为训练用总冷负荷的顺序编号，Xp为第i个训练用总冷负荷值。
优选地，所述机器学习分解器模型为随机森林。
优选地，步骤(3)中还包括将输出的分项冷负荷的大小进行分析，得到各分项冷负荷占总冷负荷的比重。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
(1)本发明创新性地提出一种以建筑总冷负荷和室外气象参数为特征，获取建筑分项冷负荷新型非侵入式负荷监测方法。在此方法中，首先对采集到的室外天气参数与总冷负荷进行预处理，通过数据清洗与填充，提高数据的质量，保证数据的完整性。通过对冷负荷影响因素的挖掘，选取能表征分项冷负荷的多维特征，建立起分解精度较高的随机森林分解器用于分解总冷负荷，获得分项冷负荷。
(2)本发明改进了传统侵入式负荷监测方法，将非侵入式监测方法应用于建筑分项冷负荷，以经济、准确、安全的方式获取到分项冷负荷信息。
(3)传统负荷识别方式往往通过设别负荷状态，从而获取负荷大小，因而难以对连续状态的负荷进行识别。本发明使用建筑总冷负荷和室外气象参数为特征，直接识别冷负荷大小，从而解决建筑冷负荷因其连续性而难以对其进行识别的技术问题。
(4)本发明优选地，使用随机森林回归模型建立起冷负荷分解模型，该模型分解精度高、模型鲁棒性强。
附图说明
图1是本发明基于室外气象参数的非侵入式建筑分项冷负荷监测方法中的流程示意图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种新型的基于室外气象参数的非侵入式建筑分项冷负荷监测方法。
第一步：数据采集
通过安装在建筑管理系统的数据采集终端，采集一段时间的室外干球温度和相对湿度等天气数据以及总冷负荷数据，为进一步的数据处理提供数据基础。本文中的数据每小时采集一次，也可采用更高采样频率的数据。
第二步：数据预处理
对获取的原始的天气数据与冷负荷数据进行预处理，包括剔除异常值和插值处理。具体地：
计算所有获取的总冷负荷数据的中总冷负荷的平均值与标准差：
Figure BDA0003040727330000051
Figure BDA0003040727330000052
其中，N为采集的总冷负荷的采样数，Xi为总冷负荷值，μ为总冷负荷的平均值，σ为总冷负荷的标准差；
对(μ-3σ，μ+3σ)区间外的冷负荷数据进行剔除，并对剔除后空缺值以及实测数据中缺失值进行线性插值填补与扩充；具体：
Xn+1＝2Xn-Xn-1
其中，Xn+1为缺失值或空缺值，Xn为空缺值前一个采样周期的值，Xn-1为空缺值前两个采样周期的值；
第三步：特征提取
基于上述清洗过的天气数据与总冷负荷数据，建立建筑物理模型获取人员冷负荷、灯光设备冷负荷、新风冷负荷以及围护结构冷负荷等分项冷负荷信息，并根据影响冷负荷大小的物理因素，选择干球温度(℃)、相对湿度(％)、时刻、总冷负荷(kW)作为模型输入特征获取分项冷负荷。建筑物理模型可使用DeST等软件建模，建模方法可参照《基于频域分解的房间冷负荷建模及软测量技术》。
特征1：室外干球温度
室外干球温度是从暴露在空气中而又不受太阳直接照射的干球温度计上所读取的数值，表征物体表面空气的实际温度。
特征2：室外相对湿度
室外相对湿度是指空气中水蒸气压力与相同温度下饱和水蒸气压力的百分比。
特征3：时刻
时刻能表征人员设备等的活动规律，该类活动对冷负荷会产生一定影响。
第四步：划分训练集与测试集
根据在第三步得到的特征数据，采用随机抽样的方式，将整个数据集划分为训练集与测试集，根据经验选择训练集与测试集占总样本的比例。
第五步：模型建立与训练
将第四步随机取样得到的训练集数据输入到机器学习分解器中进行训练，将剩下的测试集数据作为测试集使用。采用随机森林模型对训练集进行训练，将训练集特征数据输入随机森林模型中进行训练，并使用测试集数据验证模型泛化能力。最后得到具有分解功能的分解器模型，供分解调用。
第六步：调用分解器模型进行分解
当收集到新数据时，按照第二步数据预处理对总冷负荷进行处理，并将获取到的分项冷负荷特征输入到分解器模型进行冷负荷分解，分项冷负荷特征为对应时刻的室外干球温度、相对湿度以及总冷负荷，输出对应的分项冷负荷的大小，此过程无需建立新的物理模型获取分项冷负荷；
第七步：模型分解结果分析
对分项冷负荷结果进行分析，分析出各分项冷负荷所占比重，对建筑节能改造提出合理建议。
与现有技术相比，本发明具有如下的有益效果：本发明创新性地提出一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法。在此方法中，首先对采集到的室外天气参数与总冷负荷进行预处理，通过数据清洗与填充，提高数据的质量，保证数据的完整性。通过对冷负荷影响因素的挖掘，选取能影响分项冷负荷的特征，建立起分解精度较高的随机森林分解器用于分解总冷负荷，获得分项冷负荷。
本发明创新性的提出了一种建筑分项冷负荷监测方法，扩充了传统非侵入式监测系统监测对象，以准确、经济、安全的方式获取到建筑分项冷负荷信息。
下面介绍本发明的一个具体应用场景：
本发明为一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法，如图1所示，按照如下详细步骤进行处理：
具体步骤如下：
第一步：数据采集
通过安装在建筑管理系统的数据采集终端，每隔1小时采集一次室外干球温度和相对湿度等天气数据以及总冷负荷数据，采集汇总后的数据样表如表1所示。
表1数据采集样表
Figure BDA0003040727330000071
第二步：数据预处理
对获取的原始的天气数据与总冷负荷数据进行预处理，包括剔除异常值和插值处理。以采集的四个点为例，首先计算四个总冷负荷的平均值与标准差：
Figure BDA0003040727330000081
Figure BDA0003040727330000082
对(μ-3σ，μ+3σ)即(193.5，321.3)区间外的冷负荷数据进行剔除，该组数据无剔除值；假设5点时总冷负荷值空缺，对其进行线性插值填补与扩充：
Xn+1＝2Xn-Xn-1＝2×234.3-247.6＝221.0
第三步：特征提取
基于上述清洗过的天气数据与总冷负荷数据，建立建筑物理模型获取人员冷负荷、灯光设备冷负荷、新风冷负荷以及围护结构冷负荷等分项冷负荷信息，并根据影响冷负荷大小的物理因素，选择干球温度(℃)、相对湿度(％)、时刻、总冷负荷(kW)作为模型输入特征获取分项冷负荷。分项冷负荷信息及各特征列表如表2所示：
表2分项冷负荷信息及各特征表
Figure BDA0003040727330000083
第四步：划分训练集与测试集
根据在第三步得到的特征数据，采用随机抽样的方式，将整个数据集划分为训练集与测试集，选择75％的样本作为训练集，剩下25％的样本作为测试集。
第五步：模型建立与训练
将第四步随机取样得到的训练集数据输入到机器学习分解器中进行训练，将剩下的测试集数据作为测试集使用。采用随机森林模型对训练集进行训练，将训练集特征数据输入随机森林模型中进行训练，并使用测试集数据验证模型泛化能力。最后得到具有分解功能的分解器模型，供分解调用。
第六步：调用分解器模型进行分解
当收集到新数据时，按照第二步数据预处理对总冷负荷进行处理，分项冷负荷特征为对应时刻的室外干球温度、相对湿度以及总冷负荷，并将获取到的分项冷负荷特征输入到分解器模型进行冷负荷分解，输出对应的分项冷负荷的大小，此过程无需建立新的物理模型获取分项冷负荷；
第七步：模型分解结果分析
对分项冷负荷结果进行分析，在该案例中新风与围护结构冷负荷占比较大，在实际节能改造中应对新风进行节能控制或进行热回收从而减少新风冷负荷；应对围护结构加强保温从而减小围护结构冷负荷。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，包括以下步骤：
(1)采集若干组室外干球温度、相对湿度以及总冷负荷数据；
(2)剔除步骤(1)采集的总冷负荷数据中的异常值；所述异常值为(μ-3σ，μ+3σ)区间外的冷负荷数据，其中μ为总冷负荷的平均值，σ为总冷负荷的标准差；并对剔除后的空缺值进行线性插值填补，得到清洗后的数据；
(3)将清洗后的数据作为训练好的分解器模型的输入进行冷负荷分解，输出对应的分项冷负荷的大小；
所述分解器模型通过以下方法训练得到：采集若干组训练用室外干球温度、训练用相对湿度以及训练用总冷负荷数据，剔除其中训练用总冷负荷数据中的异常值；所述异常值为(μ1-3σ1，μ1+3σ1)区间外的训练用冷负荷数据，其中μ1为训练用总冷负荷的平均值，σ1为训练用总冷负荷的标准差；并对剔除后的空缺值进行线性插值填补，得到清洗后的训练用数据；将清洗后的训练用数据通过建筑物理模型，获取训练用分项冷负荷；各组训练用室外干球温度、训练用相对湿度、训练用总冷负荷以及训练用分项冷负荷作为样本集，以各组中训练用室外干球温度、训练用相对湿度和训练用总冷负荷作为输入，以各组中训练用分项冷负荷作为输出；将样本集划分为训练集与测试集，将训练集输入到机器学习分解器模型中进行训练，并在测试集进行测试，得到训练好的具有分解功能的分解器模型。
2.如权利要求1所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，步骤(2)中总冷负荷的平均值μ，总冷负荷的标准差σ由以下公式计算得到：
Figure FDA0003040727320000021
Figure FDA0003040727320000022
其中，N为总冷负荷的采样数，i为总冷负荷的顺序编号，Xi为第i个总冷负荷值。
3.如权利要求1或2所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，步骤(2)中进行线性插值填补具体为：
Xn+1＝2Xn-Xn-1
其中，Xn+1为空缺值，Xn为空缺值前一个采样周期的值，Xn-1为空缺值前两个采样周期的值。
4.如权利要求1或2所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，所述训练用分项冷负荷为人员冷负荷、灯光设备冷负荷、新风冷负荷以及围护结构冷负荷。
5.如权利要求1所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，步骤(3)中训练用总冷负荷的平均值μ1，训练用总冷负荷的标准差σ1由以下公式计算得到：
Figure FDA0003040727320000023
Figure FDA0003040727320000024
其中，M为训练用总冷负荷的采样数，p为训练用总冷负荷的顺序编号，Xp为第i个训练用总冷负荷值。
6.如权利要求1所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，所述机器学习分解器模型为随机森林。
7.如权利要求1所述的基于室外气象参数的非侵入式建筑分项冷负荷监测方法，其特征在于，步骤(3)中还包括将输出的分项冷负荷的大小进行分析，得到各分项冷负荷占总冷负荷的比重。
CN202110456635.2A 2021-04-27 2021-04-27 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 Pending CN113191418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110456635.2A CN113191418A (zh) 2021-04-27 2021-04-27 基于室外气象参数的非侵入式建筑分项冷负荷监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110456635.2A CN113191418A (zh) 2021-04-27 2021-04-27 基于室外气象参数的非侵入式建筑分项冷负荷监测方法

Publications (1)

Publication Number Publication Date
CN113191418A true CN113191418A (zh) 2021-07-30

Family

ID=76979242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110456635.2A Pending CN113191418A (zh) 2021-04-27 2021-04-27 基于室外气象参数的非侵入式建筑分项冷负荷监测方法

Country Status (1)

Country Link
CN (1) CN113191418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115696871A (zh) * 2022-11-04 2023-02-03 中国电子工程设计院有限公司 一种基于机器学习的数据中心水冷系统调控方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895203A (zh) * 2017-10-28 2018-04-10 天津大学 一种基于信号稀疏表示的建筑分项冷负荷获取方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110443404A (zh) * 2019-06-28 2019-11-12 天津大学 一种基于热量组分解析的建筑空调负荷预测方法
CN111428755A (zh) * 2020-02-29 2020-07-17 国网(苏州)城市能源研究院有限责任公司 非侵入式负荷监测方法
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895203A (zh) * 2017-10-28 2018-04-10 天津大学 一种基于信号稀疏表示的建筑分项冷负荷获取方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110443404A (zh) * 2019-06-28 2019-11-12 天津大学 一种基于热量组分解析的建筑空调负荷预测方法
CN111428755A (zh) * 2020-02-29 2020-07-17 国网(苏州)城市能源研究院有限责任公司 非侵入式负荷监测方法
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OVERTHETOP: "某办公建筑基于随机森林算法负荷监测", 《WWW.DOC88.COM/P-00187175516276.HTML》 *
杨秀等: "基于Attention-LSTM的商业建筑负荷分解研究", 《智慧电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115696871A (zh) * 2022-11-04 2023-02-03 中国电子工程设计院有限公司 一种基于机器学习的数据中心水冷系统调控方法及装置
CN115696871B (zh) * 2022-11-04 2023-06-13 中国电子工程设计院有限公司 一种基于机器学习的数据中心水冷系统调控方法及装置

Similar Documents

Publication Publication Date Title
Rahimpour et al. Non-intrusive energy disaggregation using non-negative matrix factorization with sum-to-k constraint
Reder et al. Data-driven learning framework for associating weather conditions and wind turbine failures
Wang et al. Modeling and predicting occupancy profile in office space with a Wi-Fi probe-based Dynamic Markov Time-Window Inference approach
Fan et al. Temporal knowledge discovery in big BAS data for building energy management
US6937946B1 (en) System and method for remote identification of energy consumption systems and components
Happle et al. Determining air-conditioning usage patterns in Singapore from distributed, portable sensors
Braga et al. On the characterization and monitoring of building energy demand using statistical process control methodologies
Zhou et al. Anomaly detection method of daily energy consumption patterns for central air conditioning systems
CN113191418A (zh) 基于室外气象参数的非侵入式建筑分项冷负荷监测方法
CN113359637A (zh) 一种基于站房运行环境和设备运行状态的数据质量保障系统及方法
Dong et al. Forecasting smart meter energy usage using distributed systems and machine learning
Liu et al. Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression
Spataru et al. The use of intelligent systems for monitoring energy use and occupancy in existing homes
Toledo-Cortés et al. Characterization of electricity demand based on energy consumption data from Colombia.
Chitu et al. Assessment of occupancy estimators for smart buildings
CN109635358A (zh) 一种基于滑动窗口多尺度主元分析的机组故障检测方法
CN101923605B (zh) 铁路防灾风预警方法
CN113554076B (zh) 基于小波分解的非侵入式建筑系统能耗监测方法
Wang How frequent should we measure the indoor thermal environment
CN108830310B (zh) 基于多关系网络的mnmf聚类多变量时间序列的方法
CN112763678A (zh) 一种基于pca的污水处理过程监控方法及系统
Wolosiuk et al. Application of ontologically structured data for building performance analysis
Wang et al. Abnormal node detection method for time-sharing heating energy consumption in multi-storey buildings based on drosophila algorithm
CN115566997B (zh) 用于空压站的光伏组件衰减测试系统及方法
Cretu et al. Evaluation of Deep Learning and Machine Learning Algorithms for Building Occupancy Classification on Open Datasets

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210730