CN116167250B - 一种基于温差加权和时间序列算法的机房环境评估方法 - Google Patents
一种基于温差加权和时间序列算法的机房环境评估方法 Download PDFInfo
- Publication number
- CN116167250B CN116167250B CN202310439078.2A CN202310439078A CN116167250B CN 116167250 B CN116167250 B CN 116167250B CN 202310439078 A CN202310439078 A CN 202310439078A CN 116167250 B CN116167250 B CN 116167250B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- temp
- score
- exponential smoothing
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于温差加权和时间序列算法的机房环境评估方法,包括通过温度传感器采集机房的温度数据;对温度数据进行对齐预处理;根据历史性能数据,截取当前时间前十分钟到前五分钟和前五分钟到当前时间的温度数据;根据历史性能数据,使用指数平滑模型预测未来十分钟的温度数据;求取温差加权数据;对温度传感器所在区域进行初步温度状况评估、区域温度状况风险评估和温度状况综合评估。本发明可以在不使用人力的基础上,对机房进行全天候的温度状态评估,并且不同于人工监测,本方法将温度状态情况量化,参照设定的区间即可直观,准确的对机房温度进行监测,节省了人工成本,提高了监测效率和准确性。
Description
技术领域
本发明涉及机房环境评估技术领域,尤其涉及一种基于温差加权和时间序列算法的机房环境评估方法。
背景技术
随着互联网的兴起,网络已经成为人们不可或缺的一部分,截至2021年12月,中国网民规模达10.32亿,较2020年12月增长4296万,互联网普及率达73.0%。同时由于受到各种因素的影响,在线办公、在线医疗、在线教学等应用保持较快增长,受此影响全国各地数据中心的数量也在不断增加,规模也在不断扩大;因此保证数据中心机房内的服务器能够正常工作就变得尤为重要。为了达到这一目的,监测机房内环境温度,保障服务器在正常温度范围内运行,就成了其中的关键步骤。遗憾的是当前技术下,想要监控并及时调控温度只能通过现场运维人员实时进行观测,此模式浪费了大量人力物力,同时在时效性上无法做到及时监测与调控,具备相当大的局限性,此外,考虑到各个机房各个通道之间存在的温度差异性,仅靠人力观测与调控温度无法做到一次性全面的对各个机房进行调控。
为此,我们设计出了一种基于温差加权和时间序列算法的机房环境评估方法来解决以上问题。
发明内容
本发明的目的在于提供一种基于温差加权和时间序列算法的机房环境评估方法,前置准备需要采集最近24小时的所有机房温感数据,当前仅能通过人工观察温度是否超出报警阈值,这就需要运维人员24小时不间断的值守,所以本发明通过使用时间序列算法对温感温度进行预测,并结合使用温差加权的方法,得出一个数值即温感报警情况,通过使用这种方法,避免了运维人员在项目上线初期需要不间断值守的情况,同时能够更加直观准确的展现哪些温感需要重点关注,并且针对不同机房,不同空调品牌都具备一定的泛用性。
为了实现上述目的,本发明采用了如下技术方案:
一种基于温差加权和时间序列算法的机房环境评估方法,机房环境评估方法包括以下步骤:
S1步骤:通过温度传感器采集机房的温度数据;
S2步骤:对温度数据进行对齐预处理,得到清洗干净的历史性能数据;
S3步骤:根据历史性能数据,截取当前时间前5分钟到当前时间的温度数据;
S4步骤:根据历史性能数据,使用指数平滑模型预测未来10分钟的温度数据;
S5步骤:使用当前时间前5分钟到当前时间的温度数据以及预测未来10分钟的温度数据与温度传感器高温阈值做差,记作,对所得差值求平均值和最大值,针对平均值给予0.1的权重记作m,针对最大值给予0.9的权重记作n,最终得到当前时间前5分钟到当前时间的温差加权数据,记为temp,未来10分钟的温差加权数据,记为predict_temp,计算temp和predict_temp的具体公式如下:
式中,i表示此区域实际存在的温感个数;
S6步骤:根据temp及predict_temp,对温度传感器所在区域进行初步温度状况评估、区域温度状况风险评估和温度状况综合评估。
进一步的优选的,所述S1步骤中,温度传感器采集机房的温度数据,指的是机房内所有从当前时间开始往前24小时内温度传感器所检测的温度数据,并进行记录。
进一步的优选的,所述S2步骤中,对温度数据进行对齐预处理,是指温度传感器每分钟采集一次,每个温度传感器具体的采集时间有细微的差距,对齐取每分钟所有温度传感器的最小时间作为温度传感器的采集时间。
进一步的优选的,S4步骤中使用指数平滑模型预测未来10分钟的温度数据,其中,所述指数平滑模型包括一次指数平滑、二次指数平滑和三次指数平滑,
指数平滑法的基本公式为:
当历史性能数据无明显的趋势变化,用一次指数平滑预测未来10分钟的温度数据,其预测公式为:
但当经过数据清洗的历史性能数据的变动出现直线趋势时,用一次指数平滑来进行预测将存在着明显的滞后偏差,因此,也需要进行修正,修正的方法是在一次指数平滑的基础上再进行二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,然后建立直线趋势预测模型,故称为二次指数平滑法,表达式为:
若时间序列的变动呈现出二次曲线趋势,则采用三次指数平滑法进行预测,三次指数平滑是在二次指数平滑的基础上再进行一次平滑,其计算公式为:
进一步的优选的,所述S6步骤中,初步温度状况评估包括以下内容:当前时间前5分钟到当前时间的温度数据以及预测未来10分钟的温度数据这两组温度数据分别进行温差加权后得到不同的温差加权数据,temp及predict_temp,根据温差加权数据判断当前机房内温度传感器所在区域的初步环境评估score,判断方法为:
(1)当temp>0.5时或者temp>0并且同时predict_temp>0时,则初步环境评估score=temp;
(2)当temp<-0.5时,则初步环境评估score=temp + 0.5;
(3)当predict_temp<-1时,则初步环境评估score=max[-1,0.8*(predict_temp+1)];
(4)当predict_temp>0.5时,则初步环境评估score=min[1,0.8*(predict_temp-0.5) ];
(5)当以上情况都不满足时,则初步环境评估score=0;
进一步的优选的,所述S6步骤中,区域温度状况风险评估包括以下内容:
1)统计当前时间下的过去24小时内,每个温度传感器出现高温告警的次数,如果没有出现过高温告警,则认为该区域无告警风险,赋予区域温度状况风险评估risk_score=0;
2)如果近2小时内,机房内某一温度传感器的温差加权数据大于1,则认为该区域存在告警风险,赋予区域温度状况风险评估risk_score=1;
3)如果近2小时内未出现告警情况,则统计当前时间下的过去24小时内温度传感器温差加权数据大于0的连续段数,记为cnt;
数据总段数all_cnt=温度传感器数量/30,
赋予该区域温度状况风险评估risk_score=cnt*初步环境评估score/all_cnt。
进一步的优选的,所述S6步骤中,温度状况综合评估包括以下内容:
(a)当初步环境评估score≥0时,温度状况综合评估score=初步环境评估score;
(b)当初步环境评估score<0时,即当前区域温度状况良好时,如果区域温度状况风险评估risk_score=1,则温度状况综合评估score=0;
(c)当初步环境评估score<0时,如果区域温度状况风险评估risk_score≠1,则温度状况综合评估score=初步环境评估score *(1-区域温度状况风险评估risk_score)。
与现有技术相比,本发明的有益效果是:本发明通过使用时间序列算法对温感温度进行预测,并结合使用温差加权的方法,得出一个数值,即温感报警情况,避免了运维人员在项目上线初期需要不间断值守的情况,同时能够更加直观准确的展现哪些温感需要重点关注,可以在不使用人力的基础上,对机房进行24小时不间断的温度状态评估,并且不同于人工监测,本方法将温度状态情况量化,参照设定的区间即可直观,准确的对机房温度进行监测,节省了人工成本,提高了监测效率和准确性,在时效性上做到及时监测与调控,一次性全面的对各个机房进行调控。
附图说明
图1为本发明提出的一种基于温差加权和时间序列算法的机房环境评估方法的流程示意图。
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。
实施例
参照图1,本实施例所提出的一种基于温差加权和时间序列算法的机房环境评估方法,通过使用时间序列算法对温感温度进行预测,并结合使用温差加权的方法,得出一个数值,即温感报警情况,避免了运维人员在项目上线初期需要不间断值守的情况,同时能够更加直观准确的展现哪些温感需要重点关注,并且针对不同机房,不同空调品牌都具备一定的泛用性,可以在不使用人力的基础上,对机房进行24小时不间断的温度状态评估。具体的,机房环境评估方法包括以下步骤:
S1步骤:通过温度传感器采集机房的温度数据;其中温度传感器采集机房的温度数据指的是机房内所有从当前时间开始往前24小时内温度传感器所检测的温度数据,并进行记录。
S2步骤:对温度数据进行对齐预处理,得到清洗干净的历史性能数据;对温度数据进行对齐预处理,是指温度传感器每分钟采集一次,每个温度传感器具体的采集时间有细微的差距,对齐取每分钟所有温度传感器的最小时间作为温度传感器的采集时间。
S3步骤:根据历史性能数据,截取当前时间前5分钟到当前时间的温度数据;
S4步骤:根据历史性能数据,使用指数平滑模型预测未来10分钟的温度数据;
指数平滑模型包括一次指数平滑、二次指数平滑和三次指数平滑,
指数平滑法的基本公式为:
当历史性能数据无明显的趋势变化,用一次指数平滑预测未来10分钟的温度数据,其预测公式为:
但当经过数据清洗干净的历史性能数据的变动出现直线趋势时,用一次指数平滑来进行预测将存在着明显的滞后偏差,因此,也需要进行修正,修正的方法是在一次指数平滑的基础上再进行二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,然后建立直线趋势预测模型,故称为二次指数平滑法,表达式为:
若时间序列的变动呈现出二次曲线趋势,则采用三次指数平滑法进行预测,三次指数平滑是在二次指数平滑的基础上再进行一次平滑,其计算公式为:
S5步骤:使用当前时间前5分钟到当前时间的温度数据以及预测未来10分钟的温度数据与温度传感器高温阈值做差,记作,对所得差值求平均值和最大值,针对平均值给予0.1的权重记作m,针对最大值给予0.9的权重记作n,最终得到当前时间前5分钟到当前时间的温差加权数据,记为temp,未来10分钟的温差加权数据,记为predict_temp,计算temp和predict_temp的具体公式如下:
式中,i表示此区域实际存在的温感个数;
S6步骤:根据temp及predict_temp,对温度传感器所在区域进行初步温度状况评估、区域温度状况风险评估和温度状况综合评估。
其中,初步温度状况评估包括以下内容:当前时间前5分钟到当前时间的温度数据以及预测未来10分钟的温度数据这两组温度数据分别进行温差加权后得到不同的温差加权数据,temp及predict_temp,根据温差加权数据判断当前机房内温度传感器所在区域的初步环境评估score,判断方法为:
(1)当temp>0.5时或者temp>0并且同时predict_temp>0时,则初步环境评估score=temp;
(2)当temp<-0.5时,则初步环境评估score=temp + 0.5;
(3)当predict_temp<-1时,则初步环境评估score=max[-1,0.8*(predict_temp+1)];
(4)当predict_temp>0.5时,则初步环境评估score=min[1,0.8*(predict_temp-0.5) ];
(5)当以上情况都不满足时,则初步环境评估score=0。
其中,区域温度状况风险评估包括以下内容:
1)统计当前时间下的过去24小时内,每个温度传感器出现高温告警的次数,如果没有出现过高温告警,则认为该区域无告警风险,赋予区域温度状况风险评估risk_score=0;
2)如果近2小时内,机房内某一温度传感器的温差加权数据大于1,则认为该区域存在告警风险,赋予区域温度状况风险评估risk_score=1;
3)如果近2小时内未出现告警情况,则统计当前时间下的过去24小时内温度传感器温差加权数据大于0的连续段数,记为cnt;
数据总段数all_cnt=温度传感器数量/30,
赋予该区域温度状况风险评估risk_score=cnt*初步环境评估score/all_cnt。
其中,温度状况综合评估包括以下内容:
(a)当初步环境评估score≥0时,温度状况综合评估score=初步环境评估score;
(b)当初步环境评估score<0时,即当前区域温度状况良好时,如果区域温度状况风险评估risk_score=1,则温度状况综合评估score=0;
(c)当初步环境评估score<0时,如果区域温度状况风险评估risk_score≠1,则温度状况综合评估score=初步环境评估score *(1-区域温度状况风险评估risk_score)。
本实施例所提出的上述基于温差加权和时间序列算法的机房环境评估方法,有别于传统的人工监测方式,本方法将温度状态情况量化,参照设定的区间即可直观,准确的对机房温度进行监测,节省了人工成本,提高了监测效率和准确性,在时效性上做到及时监测与调控,一次性全面的对各个机房进行调控。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于温差加权和时间序列算法的机房环境评估方法,其特征在于,机房环境评估方法包括以下步骤:
S1步骤:通过温度传感器采集机房的温度数据;
S2步骤:对温度数据进行对齐预处理,得到清洗干净的历史性能数据;
S3步骤:根据历史性能数据,截取当前时间前5分钟到当前时间的温度数据;
S4步骤:根据历史性能数据,使用指数平滑模型预测未来10分钟的温度数据;
S5步骤:针对区域内存在的若干温感分别使用当前时间前5分钟到当前时间的温度数据以及预测未来10分钟的温度数据与温度传感器高温阈值做差并取最大值,记作xi,对若干温感的xi求和并求平均值和最大值,针对平均值给予0.1的权重记作m,针对最大值给予0.9的权重记作n,最终得到当前时间前5分钟到当前时间的温差加权数据,记为temp,未来10分钟的温差加权数据,记为predict_temp,计算temp和predict_temp的公式如下:
式中,i表示此区域实际存在的温感个数;
S6步骤:根据temp及predict_temp,对温度传感器所在区域进行初步温度状况评估、区域温度状况风险评估和温度状况综合评估;
所述初步温度状况评估包括以下内容:根据temp及predict_temp,判断当前机房内温度传感器所在区域的初步环境评估score,判断方法为:
(1)当temp>0.5时或temp>0并且同时predict_temp>0时,则初步环境评估score=temp;
(2)当temp<-0.5时,则初步环境评估score=temp+0.5;
(3)当predict_temp<-1时,则初步环境评估score=max[-1,0.8*(predict_temp+1)];
(4)当predict_temp>0.5时,则初步环境评估score=min[1,0.8*(predict_temp-0.5)];
(5)当以上情况都不满足时,则初步环境评估score=0;
所述区域温度状况风险评估包括以下内容:
1)统计当前时间下的过去24小时内,每个温度传感器出现高温告警的次数,如果没有出现过高温告警,则认为该区域无告警风险,赋予区域温度状况风险评估risk_score=0;
2)如果近2小时内,机房内某一温度传感器的温差加权数据大于1,则认为该区域存在告警风险,赋予区域温度状况风险评估risk_score=1;
3)如果近2小时内未出现告警情况,则统计当前时间下的过去24小时内温度传感器温差加权数据大于0的连续段数,记为cnt;
数据总段数all_cnt=温度传感器数量/30,
赋予该区域温度状况风险评估risk_score=cnt*初步环境评估score/all_cnt;
所述温度状况综合评估包括以下内容:
(a)当初步环境评估score≥0时,温度状况综合评估score=初步环境评估score;
(b)当初步环境评估score<0时,即当前区域温度状况良好时,如果区域温度状况风险评估risk_score=1,则温度状况综合评估score=0;
(c)当初步环境评估score<0时,如果区域温度状况风险评估risk_score≠1,则温度状况综合评估score=初步环境评估score*(1-区域温度状况风险评估risk_score)。
2.根据权利要求1所述的一种基于温差加权和时间序列算法的机房环境评估方法,其特征在于,所述S1步骤中,温度传感器采集机房的温度数据,指的是机房内所有从当前时间开始往前24小时内温度传感器所检测的温度数据,并进行记录。
3.根据权利要求1所述的一种基于温差加权和时间序列算法的机房环境评估方法,其特征在于,所述S2步骤中,对温度数据进行对齐预处理,是指温度传感器每分钟采集一次,每个温度传感器具体的采集时间有细微的差距,对齐取每分钟所有温度传感器的最小时间作为温度传感器的采集时间。
4.根据权利要求1所述的一种基于温差加权和时间序列算法的机房环境评估方法,其特征在于,S4步骤中使用指数平滑模型预测未来10分钟的温度数据,其中,所述指数平滑模型包括一次指数平滑、二次指数平滑和三次指数平滑,
指数平滑法的基本公式为:
St=α*yt+(1-α)*St-1
式中,St表示时间t的平滑值,α表示平滑常数,其取值范围为[0,1],yt表示时间t的实际值,1-α表示平滑常数,St-1表示时间t-1的平滑值;
当历史性能数据无明显的趋势变化,用一次指数平滑预测未来10分钟的温度数据,其预测公式为:
y(t+1)′=α*yt+(1-α)*yt
式中,α表示平滑常数,y(t+1)′表示t+1期的预测值,α*yt表示当期实际值,(1-α)*yt′表示本期预测值的加权平均,yt′表示t期的预测值;
当历史性能数据的变动出现直线趋势时,用一次指数平滑来进行预测将存在着明显的滞后偏差,需要进行修正,修正的方法是在一次指数平滑的基础上再进行二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,然后建立直线趋势预测模型,故称为二次指数平滑法,其表达式为:
若时间序列的变动呈现出二次曲线趋势,则采用三次指数平滑法进行预测,三次指数平滑是在二次指数平滑的基础上再进行一次平滑,其计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310439078.2A CN116167250B (zh) | 2023-04-23 | 2023-04-23 | 一种基于温差加权和时间序列算法的机房环境评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310439078.2A CN116167250B (zh) | 2023-04-23 | 2023-04-23 | 一种基于温差加权和时间序列算法的机房环境评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167250A CN116167250A (zh) | 2023-05-26 |
CN116167250B true CN116167250B (zh) | 2023-07-07 |
Family
ID=86422247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310439078.2A Active CN116167250B (zh) | 2023-04-23 | 2023-04-23 | 一种基于温差加权和时间序列算法的机房环境评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167250B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117804639B (zh) * | 2024-02-29 | 2024-05-17 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
CN117873221B (zh) * | 2024-03-12 | 2024-05-28 | 广州中科医疗美容仪器有限公司 | 一种灸疗仓的温度监测控制方法及系统 |
CN118014313B (zh) * | 2024-04-08 | 2024-06-21 | 福建智联万物科技有限公司 | 一种基于物联网的仓储装备远程监控系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414155B (zh) * | 2019-07-31 | 2022-09-30 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN112820414B (zh) * | 2021-01-29 | 2021-11-09 | 南威软件股份有限公司 | 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法 |
CN114841410A (zh) * | 2022-03-31 | 2022-08-02 | 大连海心信息工程有限公司 | 一种基于组合策略的换热站负荷预测方法和系统 |
-
2023
- 2023-04-23 CN CN202310439078.2A patent/CN116167250B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116167250A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116167250B (zh) | 一种基于温差加权和时间序列算法的机房环境评估方法 | |
Eini et al. | Smart building management system: Performance specifications and design requirements | |
Wang et al. | Online model-based fault detection and diagnosis strategy for VAV air handling units | |
TWI267012B (en) | Quality prognostics system and method for manufacturing processes | |
JP4661640B2 (ja) | 空調制御システム | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
US11585549B1 (en) | Thermal modeling technology | |
JP4386748B2 (ja) | 空調負荷予測方法、空調負荷予測装置、空調負荷予測プログラムおよび記録媒体 | |
US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
Horrigan et al. | A statistically-based fault detection approach for environmental and energy management in buildings | |
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 | |
CN110989044B (zh) | 空气质量分指数级别概率预报方法、装置、设备及存储介质 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN115423301A (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
CN117010638B (zh) | 酒店设备的智能管理方法及系统 | |
Yang et al. | Toward Machine Learning-based Prognostics for Heating Ventilation and Air-Conditioning Systems. | |
CN111582588B (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
JP2005122517A (ja) | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 | |
CN111859783B (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
CN108921340B (zh) | 一种基于误差转移密度函数的洪水概率预报方法 | |
JP3707589B2 (ja) | 電力需要量予測方法 | |
Hou et al. | Cooling load prediction based on the combination of rough set theory and support vector machine | |
CN117474710B (zh) | 中空玻璃全过程信息化管理系统 |
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 |