CN114880754A - 基于bim的建筑能耗管理方法及系统 - Google Patents

基于bim的建筑能耗管理方法及系统 Download PDF

Info

Publication number
CN114880754A
CN114880754A CN202210791434.2A CN202210791434A CN114880754A CN 114880754 A CN114880754 A CN 114880754A CN 202210791434 A CN202210791434 A CN 202210791434A CN 114880754 A CN114880754 A CN 114880754A
Authority
CN
China
Prior art keywords
personnel
energy consumption
data
historical
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
CN202210791434.2A
Other languages
English (en)
Other versions
CN114880754B (zh
Inventor
衣淑丽
尹成波
林红利
于群
张伟华
孙伟
赵刚
孙玉芳
许霞
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.)
Qingdao Huanghai University
Original Assignee
Qingdao Huanghai University
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 Qingdao Huanghai University filed Critical Qingdao Huanghai University
Priority to CN202210791434.2A priority Critical patent/CN114880754B/zh
Publication of CN114880754A publication Critical patent/CN114880754A/zh
Application granted granted Critical
Publication of CN114880754B publication Critical patent/CN114880754B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06Q50/08—Construction
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本发明涉及数据处理领域，具体为一种基于BIM的建筑能耗管理方法及系统。根据BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；计算两两时刻历史人员分布数据相似度；构建相似度矩阵进行聚类，计算每个时刻历史人员分布数据对各个人员聚类中心隶属度；计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；将每个时刻历史人员分布数据对各个人员聚类中心隶属度作为输入，对应时刻历史能耗数据对各个能耗聚类中心隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。本发明可通过人员流动性特征对建筑实施能耗管理，具有较强的更新适应性。

Description

基于BIM的建筑能耗管理方法及系统
技术领域
本发明涉及数据处理领域，具体涉及一种基于BIM的建筑能耗管理方法及系统。
背景技术
在当今社会，能源作为经济发展的载体，对其的高效应用成为人们普遍关注的问题，而在生产生活中，建筑能耗占据了总能源消耗的很大比例，针对建筑的高能耗状况，对建筑的能源消耗管理就成了节约资源，高效利用能源的重要手段，而BIM技术即建筑信息模型，其作为当前热度较高的技术之一，也被应用到建筑的能耗管理中，相比于传统的利用建筑施工信息进行能耗管理的手段，基于BIM的建筑能耗管理方法具有更加准确、直观以及全面的能耗分析能力。
在建筑的运维期间，其能耗管理数据具有多源异构、爆炸式增长和价值密度低等特点，而对于一栋建筑而言不同来源，不同类型的数据是相互关联的，其中建筑内人员的流动是一个重要的数据来源，而现有的利用BIM技术进行能耗管理的方法中，并不能很好的将人员流动的特征进行使用，其一般是作为整体数据集的一部分为分析模型提供信息的。这就导致对一些人员流动性特别大的建筑如：车站、学校、商场等建筑进行能耗管理时不能很好的根据人员的流动性进行分析、制定管理方式。
因此，本发明提出了一种基于BIM的建筑能耗管理方法及系统，以人员流动特征作为建筑能耗的关注点进行实时的建筑能耗分析，结合BIM技术进行建筑能耗管理的方法。
发明内容
本发明提供一种基于BIM的建筑能耗管理方法，以解决现有的问题，包括：根据BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；计算两两时刻历史人员分布数据相似度；构建相似度矩阵进行聚类，计算每个时刻历史人员分布数据对各个人员聚类中心隶属度；计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；将每个时刻历史人员分布数据对各个人员聚类中心隶属度作为输入，对应时刻历史能耗数据对各个能耗聚类中心隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
根据本发明提出的技术手段，通过建立BIM模型从而获取历史建筑中的人员分布数据以及对应的历史能耗数据，通过人员流动性特征对对应区域历史能耗数据的影响进行建筑能耗管理，相比于现有技术对人员流动较大的建筑具有更好的适应性，同时具有更小的存储体量同时可根据数据集的更新提升管理方式的准确性，提高了后续采集数据的价值，具有较强的更新适应性。
本发明采用如下技术方案，一种基于BIM的建筑能耗管理方法，包括：
构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据。
根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图。
对人员分布差异无向图中的各个节点值进行配平，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度。
根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个人员聚类类别，获取每一个人员聚类类别的聚类中心，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度。
对每个时刻的历史建筑能耗数据进行聚类，获得多个能耗类别；得到的多个能耗类别数量与人员聚类类别的数量相等，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度。
将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
进一步的，一种基于BIM的建筑能耗管理方法，计算两两时刻历史人员分布数据的相似度的方法为：
将BIM模型中每个区域分布的人员数量作为所述无向图中每个节点，将BIM模型中两两区域的最短路径长度作为无向图中两两节点的边权值；
获取两两时刻无向图的最小人员流动代价，根据所述最小人员流动代价以及对应两两时刻无向图中节点的边权值计算两两时刻无向图的相似度，表达式为：
Figure 89184DEST_PATH_IMAGE001
其中，
Figure 475166DEST_PATH_IMAGE002
表示第一时刻无向图
Figure 599111DEST_PATH_IMAGE003
与第二时刻无向图
Figure 728741DEST_PATH_IMAGE004
的相似度，
Figure 136589DEST_PATH_IMAGE005
表示第一时刻无向图中第
Figure 693472DEST_PATH_IMAGE006
个节点的值，
Figure 429347DEST_PATH_IMAGE007
表示第二时刻无向图中对应第
Figure 736569DEST_PATH_IMAGE006
个节点的值，
Figure 874289DEST_PATH_IMAGE008
表示无向图中节点的个数，即BIM模型中区域的个数，
Figure 602074DEST_PATH_IMAGE009
表示第一时刻无向图
Figure 215458DEST_PATH_IMAGE003
与第二时刻无向图
Figure 421311DEST_PATH_IMAGE004
的最小人员流动代价，
Figure 288904DEST_PATH_IMAGE010
表示无向图中与第
Figure 453169DEST_PATH_IMAGE006
个节点相连的所有边的最小边权值。
进一步的，一种基于BIM的建筑能耗管理方法，计算两两时刻人员分布无向图的最小人员流动代价值的方法为：
将两两时刻无向图中对应区域的节点值相减，将得到的值作为该区域新的节点值，得到差异无向图；
将所述差异无向图中的正值节点和负值节点进行连接，将连接后的节点根据边权值大小由小到大依次进行配平，直至所述差异无向图中所有节点的符号相同或为0；
计算所述差异无向图中所有节点每次配平时减小的节点绝对值与该节点对应边权值的乘积之和，得到两两时刻无向图的最小人员流动代价。
进一步的，一种基于BIM的建筑能耗管理方法，获取各个人员聚类结果的聚类中心的方法为：
对各个类别的人员聚类结果中所有节点值取平均并进行四舍五入取整，得到每个人员聚类结果的人员聚类中心。
进一步的，一种基于BIM的建筑能耗管理方法，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度的方法为：
计算每一个人员聚类类别中的历史人员分布数据与各个聚类中心的相似度，根据每个时刻人员分布数据与各个人员聚类中心的相似度，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度，表达式为：
Figure 163636DEST_PATH_IMAGE011
其中，
Figure 297814DEST_PATH_IMAGE012
表示第i个时刻人员分布数据对第p个人员聚类中心的隶属度，
Figure 675706DEST_PATH_IMAGE013
表示第i个时刻人员分布数据与第p个人员聚类中心的相似度，P表示聚类中心的总个数。
进一步的，一种基于BIM的建筑能耗管理方法，根据实时建筑能耗数据进行能耗管理的方法为：
获取每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度，将每个时刻人员分布数据的隶属度作为神经网络的输入，对应时刻历史能耗数据的隶属度作为输出对神经网络进行训练，得到训练好的神经网络；
获取实时人员分布数据的隶属度，将实时人员分布数据的隶属度输入训练好的神经网络中，利用训练好的神经网络输出实时能耗数据的隶属度；
根据能耗管理函数将实时能耗数据的隶属度转化为能耗数据，根据能耗数据进行能耗管理。
进一步的，一种基于BIM的建筑能耗管理方法，所述每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度还包括：
当不同时刻的人员分布数据的隶属度相同时，其对应每个时刻历史能耗数据的隶属度不同；
将不同时刻人员分布数据相同的隶属度合并，计算对应每个时刻历史能耗数据的隶属度平均值，将历史能耗数据的隶属度平均值作为该相同的人员分布数据隶属度的对应输出。
进一步的，本发明还提出了一种基于BIM的建筑能耗管理系统，包括数据采集模块、人员分布隶属度计算模块、历史能耗隶属度计算模块以及神经网络训练模块；
数据采集模块，用于利用建筑的工程结构信息以及内部传感器所获取的信息构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；
人员分布隶属度计算模块，用于根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图；
对人员分布差异无向图中的各个节点值进行配平，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度；
根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个人员聚类类别，获取每一个人员聚类类别的聚类中心，计算每一个人员聚类类别中所包含的每个区域的历史人员分布数据对该类别中聚类中心的隶属度；
历史能耗隶属度计算模块，用于将每个时刻的历史建筑能耗数据聚类为人员聚类结果对应个数的类别，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；
神经网络训练模块，用于将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
本发明的有益效果是：根据本发明提出的技术手段，通过建立BIM模型从而获取历史建筑中的人员分布数据以及对应的历史能耗数据，通过人员流动性特征对对应区域历史能耗数据的影响进行建筑能耗管理，相比于现有技术对人员流动较大的建筑具有更好的适应性，同时具有更小的存储体量同时可根据数据集的更新提升管理方式的准确性，提高了后续采集数据的价值，具有较强的更新适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于BIM的建筑能耗管理方法结构示意图；
图2为本发明实施例的一种基于BIM的建筑能耗管理系统流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，给出了本发明实施例的一种基于BIM的建筑能耗管理方法结构示意图，包括：
101.构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据。
本发明旨在实现一种基于BIM的建筑能耗管理方式，可根据建筑的工程信息构建BIM模型并同时利用设置在建筑内部的各类传感器获取历史能耗多维数据以及历史人员分布信息，并将获取的这些信息输入处理器，所述处理器实现了本发明所述的数据处理方法，将传感器实时采集获取的当前人员分布数据输入至所述处理器，处理器即会输出一个能耗管理函数的结果，根据此能耗管理结果进行能耗管理方式的实时判断。
利用建筑的工程结构信息以及内部传感器所获取的信息构建建筑的BIM模型，此步骤为现有技术，不再赘述，所述BIM模型包括建筑结构等信息，其自动将建筑分为了各个部分，包括房间、区域等信息。
设置在建筑内部的传感器包括电表、水表、温度计、摄像头等，人员分布信息即利用内置在摄像头中的人员检测算法检测获取，这些传感器获取了建筑的能耗信息以及人员分布信息，将上述信息从历史数据库中调取，获得历史建筑能耗信息以及历史人员分布信息，并进一步构建历史建筑能耗多维数据以及历史人员分布数据，方式如下：
根据人员分布在BIM的各个区域构建分布数据，将BIM中各个区域标记为不同的区域序号，区域中的人员个数即为区域内所包含的人数，可构建一个基于BIM的简化图结构，图上各节点值即为人员个数，节点间的边权值即为BIM中两个节点代表的区域之间的最短路径长度，则一个人员分布数据由图数据
Figure 479714DEST_PATH_IMAGE014
表示，（
Figure 74816DEST_PATH_IMAGE015
；
Figure 888051DEST_PATH_IMAGE016
为人员分布数据个数）。
建筑能耗多维数据即为一个多维向量，该向量各维度分别为时间戳、耗电量、耗水量、耗冷量、耗热量（这些数据均可由历史信息获取，其表示了建筑当前的控制策略，维度可根据需要进行增添），以多维数据表示为
Figure 120449DEST_PATH_IMAGE017
（
Figure 485572DEST_PATH_IMAGE018
为数据维度数，
Figure 170631DEST_PATH_IMAGE019
；
Figure 397344DEST_PATH_IMAGE020
为能耗数据个数）。
102.根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图。
对于一个所获取的人员分布数据，由于其为图结构，则衡量两个图结构之间的相似性即为两组人员分布数据的相似性，而现有的对于两种图结构的相似性衡量方式均不能体现人员分布数据的变化相似性即两个人员分布数据之间的相似程度体现在从一种人员分布转化到另一种人员分布所需要的人员流动代价大小。
在两个人员分布数据的节点值总和（人数）不同的情况下，不仅需要考虑人员的位置分布，还需要考虑人员个数的差异，因此，基于上述逻辑叙述，设计人员分布数据相似度计算过程如下：
人员分布数据为一个无向图，其任意两个节点之间均存在一条边，边权值即为两个节点所代表的BIM区域之间的最短路径长度，因此，人员分布数据
Figure 484249DEST_PATH_IMAGE014
的数据可由节点数组与节点邻接矩阵表示，邻接矩阵中各位置的元素为节点间的边权值，则以
Figure 895639DEST_PATH_IMAGE021
表示各个节点的值，其中
Figure 927049DEST_PATH_IMAGE008
为BIM中的区域个数，
Figure 82086DEST_PATH_IMAGE022
。
103.对人员分布差异无向图中的各个节点值进行配平，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度。
对于两个不同的人员分布数据
Figure 289077DEST_PATH_IMAGE023
，此两个数据的邻接矩阵是完全相同的，即只有节点的值在变化，但是节点间的权值是根据BIM来设定的，并不会改变，除非BIM改变此时建筑的整体结构也就发生了变化，此时定义两个人员分布数据
Figure 245269DEST_PATH_IMAGE023
之间的差异
Figure 904921DEST_PATH_IMAGE024
，即为
Figure 722704DEST_PATH_IMAGE025
节点值相减，边权值不变的图结构，该图结构的节点值是有正有负的。
将
Figure 518622DEST_PATH_IMAGE026
的所有正值节点合并为一个集合，所有负值节点合并为一个集合，则将各个正、负节点进行连接，（仅连接正、负节点，同号节点不连接）连接的边权值即为对应节点在
Figure 271814DEST_PATH_IMAGE027
上的边权值。
将所有获得的边权值进行从小到大排列，选择其中最小的一个边权值，则优先将其两边的正负节点进行配平，直到其中一个节点绝对值为0，（所述配平即为节点绝对值同时减小1。由于节点值为人数，因此均为整数）。
配平后的节点值作为新值，继续选择边权值次小的边的两个正负节点以同方式进行配平，直到所有节点值的符号统一或为0，至此将每次配平时减小的节点绝对值乘以当次配平时边权值的大小并累计求和，以该和作为
Figure 294128DEST_PATH_IMAGE023
之间的最小人员流动代价，记为
Figure 790968DEST_PATH_IMAGE009
。
而衡量
Figure 706972DEST_PATH_IMAGE023
之间差异的过程还需要衡量其人员个数差异，则以
Figure 490120DEST_PATH_IMAGE028
表示
Figure 124363DEST_PATH_IMAGE003
上所有人员个数，
Figure 533217DEST_PATH_IMAGE005
表示
Figure 569306DEST_PATH_IMAGE003
上第
Figure 398722DEST_PATH_IMAGE006
个节点的值，同理以
Figure 644895DEST_PATH_IMAGE029
表示
Figure 483538DEST_PATH_IMAGE004
上所有人员个数，
Figure 108555DEST_PATH_IMAGE007
表示
Figure 249817DEST_PATH_IMAGE004
上第
Figure 593074DEST_PATH_IMAGE006
个节点的值，（
Figure 360042DEST_PATH_IMAGE023
上的第
Figure 105144DEST_PATH_IMAGE006
个节点均为同一个位置的节点）。
计算两两时刻历史人员分布数据的相似度的方法为：
将BIM模型中每个区域分布的人员数量作为所述无向图中每个节点，将BIM模型中两两区域的最短路径长度作为无向图中两两节点的边权值；
获取两两时刻无向图的最小人员流动代价，根据所述最小人员流动代价以及对应两两时刻无向图中节点的边权值计算两两时刻无向图的相似度，表达式为：
Figure 541941DEST_PATH_IMAGE001
其中，
Figure 746395DEST_PATH_IMAGE002
表示第一时刻无向图
Figure 926841DEST_PATH_IMAGE003
与第二时刻无向图
Figure 526450DEST_PATH_IMAGE004
的相似度，
Figure 524361DEST_PATH_IMAGE005
表示第一时刻无向图中第
Figure 576631DEST_PATH_IMAGE006
个节点的值，
Figure 170555DEST_PATH_IMAGE007
表示第二时刻无向图中对应第
Figure 890249DEST_PATH_IMAGE006
个节点的值，
Figure 934428DEST_PATH_IMAGE008
表示无向图中节点的个数，即BIM模型中区域的个数，
Figure 598628DEST_PATH_IMAGE009
表示第一时刻无向图
Figure 120876DEST_PATH_IMAGE003
与第二时刻无向图
Figure 695077DEST_PATH_IMAGE004
的最小人员流动代价，
Figure 284059DEST_PATH_IMAGE010
表示无向图中与第
Figure 45342DEST_PATH_IMAGE006
个节点相连的所有边的最小边权值。
计算两两时刻人员分布无向图的最小人员流动代价的方法为：
将两两时刻无向图中对应区域的节点值相减，将得到的值作为该区域新的节点值，得到差异无向图；
将所述差异无向图中的正值节点和负值节点进行连接，将连接后的节点根据边权值大小由小到大依次进行配平，直至所述差异无向图中所有节点的符号相同或为0；
计算所述差异无向图中所有节点每次配平时减小的节点绝对值与该节点对应边权值的乘积之和，得到两两时刻无向图的最小人员流动代价。
104.根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个人员聚类类别，获取每一个人员聚类类别的聚类中心，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度。
以上述方式获取任意两个人员分布数据的相似度
Figure 495914DEST_PATH_IMAGE030
，则构建的相似度矩阵上第
Figure 924622DEST_PATH_IMAGE031
行第
Figure 310604DEST_PATH_IMAGE032
列上的元素值即为
Figure 700128DEST_PATH_IMAGE023
之间的相似度
Figure 829758DEST_PATH_IMAGE033
的值，因此，该相似度矩阵为一个
Figure 847392DEST_PATH_IMAGE034
的对称矩阵且其主对角线上的元素值均为1。
在获得相似矩阵后，对于所有的人员分布数据进行基于最大树的模糊聚类。其中取最大数模糊聚类参数
Figure 528910DEST_PATH_IMAGE035
（一个推荐值为0.8，此参数为0-1之间，越大分类越细，越小分类越粗糙）获取聚类结果为
Figure 530364DEST_PATH_IMAGE036
类。
计算每类数据的聚类中心
Figure 572007DEST_PATH_IMAGE037
，
Figure 709727DEST_PATH_IMAGE038
，方式为将各类人员分布数据的对应节点值进行平均并进行四舍五入取整，即第
Figure 703091DEST_PATH_IMAGE039
类的聚类中心
Figure 50896DEST_PATH_IMAGE037
的边权值不变，仍与所有人员分布数据的边权值相同，但其各个位置节点值为第
Figure 522328DEST_PATH_IMAGE039
类数据中所有数据对应位置节点平均值四舍五入取整的结果（节点值表示人数，因此进行取整）以上述方式计算
Figure 514555DEST_PATH_IMAGE036
个聚类中心。
获取各个人员聚类结果的聚类中心的方法为：
对各个类别的人员聚类结果中所有节点值取平均并进行四舍五入取整，得到每个人员聚类结果的人员聚类中心。
计算每个时刻历史人员分布数据对各个人员聚类中心的隶属度的方法为：
计算第
Figure 554186DEST_PATH_IMAGE040
个人员分布数据（人员分布数据一共有
Figure 999074DEST_PATH_IMAGE016
个）相对于第
Figure 274198DEST_PATH_IMAGE039
个聚类中心的相似度，以
Figure 511144DEST_PATH_IMAGE013
表示，计算方式与前述相似度计算方式相同。则以
Figure 580731DEST_PATH_IMAGE012
表示第
Figure 152396DEST_PATH_IMAGE040
个人员分布数据相对于第
Figure 965631DEST_PATH_IMAGE039
个聚类中心的隶属度。
计算每个时刻人员分布数据与各个人员聚类中心的相似度，根据每个时刻人员分布数据与各个人员聚类中心的相似度，计算每个时刻历史人员分布数据对各个人员聚类中心的隶属度，表达式为：
Figure 932450DEST_PATH_IMAGE011
其中，
Figure 297572DEST_PATH_IMAGE012
表示第i个时刻人员分布数据对第p个人员聚类中心的隶属度，
Figure 982631DEST_PATH_IMAGE013
表示第i个时刻人员分布数据和第p个人员聚类中心的相似度，P表示聚类中心的总个数。
105.对每个时刻的历史建筑能耗数据进行聚类，获得多个能耗类别；得到的多个能耗类别数量与人员聚类类别的数量相等，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度。
对于第
Figure 599557DEST_PATH_IMAGE040
个人员分布数据，其本身可能对应着多个建筑能耗多维数据，则将第
Figure 296249DEST_PATH_IMAGE040
个人员分布数据对应的多个建筑能耗多维数据打上第
Figure 973218DEST_PATH_IMAGE040
个人员分布数据对于各个人员分布数据聚类中心隶属度的标签，这个标签即为
Figure 4628DEST_PATH_IMAGE012
，则将所有的建筑能耗多维数据进行FCM模糊聚类，（现有技术不再赘述，聚类类别参数设置为
Figure 159666DEST_PATH_IMAGE036
（与人员分布数据相同））获取
Figure 101077DEST_PATH_IMAGE036
个模糊聚类中心
Figure 57269DEST_PATH_IMAGE041
，
Figure 451342DEST_PATH_IMAGE038
，以及建筑能耗多维数据对于
Figure 410070DEST_PATH_IMAGE036
个模糊聚类中心的隶属度，以
Figure 330622DEST_PATH_IMAGE042
表示第
Figure 349393DEST_PATH_IMAGE043
个建筑能耗多维数据（
Figure 106128DEST_PATH_IMAGE019
，
Figure 602968DEST_PATH_IMAGE020
为建筑能耗多维数据个数）对于第
Figure 253393DEST_PATH_IMAGE039
个模糊聚类中心
Figure 567699DEST_PATH_IMAGE044
的隶属度。
106.将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
对于每个人员分布数据，均可获得一组
Figure 936364DEST_PATH_IMAGE012
（
Figure 236895DEST_PATH_IMAGE038
）标签以及一组其对应的建筑能耗多维数据标签（
Figure 115727DEST_PATH_IMAGE038
）形成一一对应的关系，用向量表示即为：
Figure 476301DEST_PATH_IMAGE045
;
Figure 456896DEST_PATH_IMAGE046
。
根据所获得的两组标签的一一对应关系,即一个
Figure 295539DEST_PATH_IMAGE047
对应一个
Figure 920555DEST_PATH_IMAGE048
，构建FC网络，所述训练集即为（
Figure 327397DEST_PATH_IMAGE047
，
Figure 670653DEST_PATH_IMAGE048
）
Figure 312987DEST_PATH_IMAGE015
，其中，
Figure 917144DEST_PATH_IMAGE048
做为网络输出数据的标签，
Figure 619521DEST_PATH_IMAGE047
作为输入数据，loss为均方差函数，将训练好的神经网络编入处理器。
根据实时建筑能耗数据进行能耗管理的方法为：
获取每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度，将每个时刻人员分布数据的隶属度作为神经网络的输入，对应时刻历史能耗数据的隶属度作为输出对神经网络进行训练，得到训练好的神经网络；
获取实时人员分布数据的隶属度，将实时人员分布数据的隶属度输入训练好的神经网络中，利用训练好的神经网络输出实时能耗数据的隶属度；
根据能耗管理函数将实时能耗数据的隶属度转化为能耗数据，根据能耗数据进行能耗管理。
能耗管理函数即为：
Figure 558396DEST_PATH_IMAGE049
其中
Figure 738841DEST_PATH_IMAGE050
，为
Figure 338450DEST_PATH_IMAGE036
行
Figure 336362DEST_PATH_IMAGE018
列的矩阵，表示各个聚类中心的向量集合，
Figure 654211DEST_PATH_IMAGE051
为1行
Figure 372768DEST_PATH_IMAGE036
列的向量，则
Figure 702249DEST_PATH_IMAGE052
为一个1行
Figure 746429DEST_PATH_IMAGE018
列的向量，其表示预测的建筑能耗数据。也即建筑应该以这个预测值为标准进行能耗控制，即进行能耗管理的依据。
所述每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度还包括：
对于一个建筑能耗多维数据，其具有一组
Figure 551574DEST_PATH_IMAGE012
（
Figure 198456DEST_PATH_IMAGE038
）标签以及一组
Figure 772656DEST_PATH_IMAGE042
（
Figure 96059DEST_PATH_IMAGE038
）标签，将所有
Figure 122921DEST_PATH_IMAGE012
（
Figure 448860DEST_PATH_IMAGE038
）组标签相同的多个建筑能耗多维数据的
Figure 736622DEST_PATH_IMAGE042
（
Figure 122604DEST_PATH_IMAGE038
）组标签值进行对应类别平均化，以一组
Figure 902341DEST_PATH_IMAGE053
（
Figure 641758DEST_PATH_IMAGE038
）表示，含义即为第
Figure 924972DEST_PATH_IMAGE040
个人员分布数据对应的所有建筑能耗多维数据的平均
Figure 606489DEST_PATH_IMAGE042
标签值，
Figure 607943DEST_PATH_IMAGE053
表示对于第
Figure 10106DEST_PATH_IMAGE039
类聚类中心的隶属度。
当不同时刻的人员分布数据的隶属度相同时，其对应每个时刻历史能耗数据的隶属度不同；
将不同时刻人员分布数据相同的隶属度合并，计算对应每个时刻历史能耗数据的隶属度平均值，将历史能耗数据的隶属度平均值作为该相同的人员分布数据隶属度的对应输出。
如图2所示，给出了本发明实施例的一种基于BIM的建筑能耗管理系统，包括数据采集模块、人员分布隶属度计算模块、历史能耗隶属度计算模块以及神经网络训练模块；
数据采集模块，用于利用建筑的工程结构信息以及内部传感器所获取的信息构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；
人员分布隶属度计算模块，用于根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图；
将所述人员分布差异无向图中的各个节点值配平直至符号统一，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度；
根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个类别，获取各个人员聚类结果的聚类中心，计算每个时刻历史人员分布数据对各个人员聚类中心的隶属度；
历史能耗隶属度计算模块，用于将每个时刻的历史建筑能耗数据聚类为人员聚类结果对应个数的类别，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；
神经网络训练模块，用于将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
根据本发明提出的技术手段，通过建立BIM模型从而获取历史建筑中的人员分布数据以及对应的历史能耗数据，通过人员流动性特征对对应区域历史能耗数据的影响进行建筑能耗管理，相比于现有技术对人员流动较大的建筑具有更好的适应性，同时具有更小的存储体量同时可根据数据集的更新提升管理方式的准确性，提高了后续采集数据的价值，具有较强的更新适应性。
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、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于BIM的建筑能耗管理方法，其特征在于，包括：
构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；
根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图；
对人员分布差异无向图中的各个节点值进行配平，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度；
根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个人员聚类类别，获取每一个人员聚类类别的聚类中心，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度；
对每个时刻的历史建筑能耗数据进行聚类，获得多个能耗类别；得到的多个能耗类别数量与人员聚类类别的数量相等，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；
将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
2.根据权利要求1所述的一种基于BIM的建筑能耗管理方法，其特征在于，计算两两时刻历史人员分布数据的相似度的方法为：
将BIM模型中每个区域分布的人员数量作为所述无向图中每个节点，将BIM模型中两两区域的最短路径长度作为无向图中两两节点的边权值；
获取两两时刻无向图的最小人员流动代价，根据所述最小人员流动代价以及对应两两时刻无向图中节点的边权值计算两两时刻无向图的相似度，表达式为：
Figure 178313DEST_PATH_IMAGE001
其中，
Figure 30731DEST_PATH_IMAGE002
表示第一时刻无向图
Figure 253902DEST_PATH_IMAGE003
与第二时刻无向图
Figure 600701DEST_PATH_IMAGE004
的相似度，
Figure 858507DEST_PATH_IMAGE005
表示第一时刻无向图中第
Figure 350668DEST_PATH_IMAGE006
个节点的值，
Figure 61135DEST_PATH_IMAGE007
表示第二时刻无向图中对应第
Figure 444581DEST_PATH_IMAGE006
个节点的值，
Figure 291314DEST_PATH_IMAGE008
表示无向图中节点的个数，即BIM模型中区域的个数，
Figure 485535DEST_PATH_IMAGE009
表示第一时刻无向图
Figure 417719DEST_PATH_IMAGE003
与第二时刻无向图
Figure 106321DEST_PATH_IMAGE004
的最小人员流动代价，
Figure 338719DEST_PATH_IMAGE010
表示无向图中与第
Figure 313628DEST_PATH_IMAGE006
个节点相连的所有边的最小边权值。
3.根据权利要求2所述的一种基于BIM的建筑能耗管理方法，其特征在于，计算两两时刻人员分布无向图的最小人员流动代价值的方法为：
将两两时刻无向图中对应区域的节点值相减，将得到的值作为该区域新的节点值，得到差异无向图；
将所述差异无向图中的正值节点和负值节点进行连接，将连接后的节点根据边权值大小由小到大依次进行配平，直至所述差异无向图中所有节点的符号相同或为0；
计算所述差异无向图中所有节点每次配平时减小的节点绝对值与该节点对应边权值的乘积之和，得到两两时刻无向图的最小人员流动代价。
4.根据权利要求1所述的一种基于BIM的建筑能耗管理方法，其特征在于，获取各个人员聚类结果的聚类中心的方法为：
对各个类别的人员聚类结果中所有节点值取平均并进行四舍五入取整，得到每个人员聚类结果的人员聚类中心。
5.根据权利要求1所述的一种基于BIM的建筑能耗管理方法，其特征在于，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度的方法为：
计算每一个人员聚类类别中的历史人员分布数据与各个聚类中心的相似度，根据每个时刻人员分布数据与各个人员聚类中心的相似度，计算每一个人员聚类类别中的历史人员分布数据对每个聚类中心的隶属度，表达式为：
Figure 388900DEST_PATH_IMAGE011
其中，
Figure 740247DEST_PATH_IMAGE012
表示第i个时刻人员分布数据对第p个人员聚类中心的隶属度，
Figure 827152DEST_PATH_IMAGE013
表示第i个时刻人员分布数据与第p个人员聚类中心的相似度，P表示聚类中心的总个数。
6.根据权利要求1所述的一种基于BIM的建筑能耗管理方法，其特征在于，根据实时建筑能耗数据进行能耗管理的方法为：
获取每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度，将每个时刻人员分布数据的隶属度作为神经网络的输入，对应时刻历史能耗数据的隶属度作为输出对神经网络进行训练，得到训练好的神经网络；
获取实时人员分布数据的隶属度，将实时人员分布数据的隶属度输入训练好的神经网络中，利用训练好的神经网络输出实时能耗数据的隶属度；
根据能耗管理函数将实时能耗数据的隶属度转化为能耗数据，根据能耗数据进行能耗管理。
7.根据权利要求6所述的一种基于BIM的建筑能耗管理方法，其特征在于，所述每个时刻人员分布数据的隶属度以及对应时刻的历史能耗数据的隶属度还包括：
当不同时刻的人员分布数据的隶属度相同时，其对应每个时刻历史能耗数据的隶属度不同；
将不同时刻人员分布数据相同的隶属度合并，计算对应每个时刻历史能耗数据的隶属度平均值，将历史能耗数据的隶属度平均值作为该相同的人员分布数据隶属度的对应输出。
8.一种基于BIM的建筑能耗管理系统，其特征在于，包括数据采集模块、人员分布隶属度计算模块、历史能耗隶属度计算模块以及神经网络训练模块；
数据采集模块，用于利用建筑的工程结构信息以及内部传感器所获取的信息构建建筑的BIM模型，根据该建筑的BIM模型获取不同时刻的历史人员分布数据以及对应时刻的历史建筑能耗数据；
人员分布隶属度计算模块，用于根据BIM模型中的各个区域建立无向图，将不同时刻该区域内的人员数量作为无向图的节点值，得到每个时刻的人员分布无向图；计算两两时刻人员分布无向图对应节点值的差值，得到人员分布差异无向图；
对人员分布差异无向图中的各个节点值进行配平，根据配平后的节点值计算两两时刻人员分布无向图的最小人员流动代价值；根据两两时刻人员分布无向图的最小人员流动代价值计算两两时刻人员分布无向图的相似度；
根据两两时刻人员分布无向图的相似度构建相似度矩阵，对所述相似度矩阵进行聚类得到多个人员聚类类别，获取每一个人员聚类类别的聚类中心，计算每一个人员聚类类别中所包含的每个区域的历史人员分布数据对该类别中聚类中心的隶属度；
历史能耗隶属度计算模块，用于将每个时刻的历史建筑能耗数据聚类为人员聚类结果对应个数的类别，获取各个能耗聚类结果的聚类中心，计算每个时刻历史建筑能耗数据对各个能耗聚类中心的隶属度；
神经网络训练模块，用于将每个时刻历史人员分布数据对各个人员聚类中心的隶属度作为输入，对应时刻的历史能耗数据对各个能耗聚类中心的隶属度作为输出对神经网络进行训练；利用训练好的神经网络获取实时建筑能耗数据，根据实时建筑能耗数据进行能耗管理。
CN202210791434.2A 2022-07-07 2022-07-07 基于bim的建筑能耗管理方法及系统 Active CN114880754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210791434.2A CN114880754B (zh) 2022-07-07 2022-07-07 基于bim的建筑能耗管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210791434.2A CN114880754B (zh) 2022-07-07 2022-07-07 基于bim的建筑能耗管理方法及系统

Publications (2)

Publication Number Publication Date
CN114880754A true CN114880754A (zh) 2022-08-09
CN114880754B CN114880754B (zh) 2022-09-23

Family

ID=82683708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210791434.2A Active CN114880754B (zh) 2022-07-07 2022-07-07 基于bim的建筑能耗管理方法及系统

Country Status (1)

Country Link
CN (1) CN114880754B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455725A (zh) * 2023-12-22 2024-01-26 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778442A (zh) * 2014-02-26 2014-05-07 哈尔滨工业大学深圳研究生院 一种基于视频人数统计分析的中央空调控制方法
US20190378020A1 (en) * 2018-05-04 2019-12-12 Johnson Controls Technology Company Building energy system with energy data stimulation for pre-training predictive building models
CN113850412A (zh) * 2021-08-18 2021-12-28 华建数创(上海)科技有限公司 基于bim模型和图卷积神经网络的建筑内区域能耗预测方法
CN113902582A (zh) * 2021-08-26 2022-01-07 山东电力工程咨询院有限公司 一种楼宇综合能源负荷预测方法及系统
CN114676583A (zh) * 2022-04-06 2022-06-28 日立楼宇技术（广州）有限公司 用电对象的能耗预测方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778442A (zh) * 2014-02-26 2014-05-07 哈尔滨工业大学深圳研究生院 一种基于视频人数统计分析的中央空调控制方法
US20190378020A1 (en) * 2018-05-04 2019-12-12 Johnson Controls Technology Company Building energy system with energy data stimulation for pre-training predictive building models
CN113850412A (zh) * 2021-08-18 2021-12-28 华建数创(上海)科技有限公司 基于bim模型和图卷积神经网络的建筑内区域能耗预测方法
CN113902582A (zh) * 2021-08-26 2022-01-07 山东电力工程咨询院有限公司 一种楼宇综合能源负荷预测方法及系统
CN114676583A (zh) * 2022-04-06 2022-06-28 日立楼宇技术（广州）有限公司 用电对象的能耗预测方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AHMED WA HAMMAD: "Minimising the Deviation between Predicted and Actual Buildings Performance via Use of Neural Networks and BIM", 《BUILDINGS》 *
CHENG FAN 等: "Discovering Complex Knowledge in Massive Building Operational Data Using Graph Mining for Building Energy Management", 《ENERGY PROCEDIA》 *
涂方亮等: "ANFIS实现依据人数变化来预测建筑负荷", 《土木建筑与环境工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455725A (zh) * 2023-12-22 2024-01-26 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统
CN117455725B (zh) * 2023-12-22 2024-03-12 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统

Also Published As

Publication number Publication date
CN114880754B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Wen et al. Big data driven marine environment information forecasting: a time series prediction network
Dong et al. Short-term load forecasting in smart grid: A combined CNN and K-means clustering approach
Capozzoli et al. Fault detection analysis using data mining techniques for a cluster of smart office buildings
CN110619360A (zh) 一种考虑历史样本相似性的超短期风功率预测方法
CN112085163A (zh) 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN112990558B (zh) 一种基于深度迁移学习的气象温度、光照的预测方法
Chen et al. Research on location fusion of spatial geological disaster based on fuzzy SVM
CN112231305A (zh) 一种基于数字孪生的数字电网系统及方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN114880754B (zh) 基于bim的建筑能耗管理方法及系统
Rinaldi et al. A semantic matching strategy for very large knowledge bases integration
Vasanthkumar et al. Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
CN112417308A (zh) 一种基于电力大数据的用户画像标签生成方法
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN114818681A (zh) 一种实体识别方法及系统、计算机可读存储介质及终端
Zhang et al. Demand prediction of emergency supplies under fuzzy and missing partial data
CN103077404A (zh) 基于马尔科夫随机场的局部增量式可视化聚类方法
Guo et al. Establishment of air quality forecast model based on deep learning
CN111401638A (zh) 基于极限学习机与负荷密度指标法的空间负荷预测方法
Wang SVR short-term traffic flow forecasting model based on spatial-temporal feature selection
CN113158389B (zh) 一种基于机器学习算法的中压配网馈线分类方法
Cui et al. KPCA-ESN soft-sensor model of polymerization process optimized by biogeography-based optimization algorithm
Hassanzadeh et al. Developing a new method using Artificial Immune System in order to High Productivity of Inefficient Units in Network DEA approach
Li et al. Dynamic Multi-objective Optimization Algorithm based on Transfer Learning for Environmental Protection.

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