CN116340299A - 一种能耗数据的处理方法及系统 - Google Patents
一种能耗数据的处理方法及系统 Download PDFInfo
- Publication number
- CN116340299A CN116340299A CN202310249144.XA CN202310249144A CN116340299A CN 116340299 A CN116340299 A CN 116340299A CN 202310249144 A CN202310249144 A CN 202310249144A CN 116340299 A CN116340299 A CN 116340299A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- variation
- measured
- predicted
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 652
- 238000003672 processing method Methods 0.000 title description 4
- 238000012545 processing Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims description 30
- 238000009499 grossing Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005192 partition Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种能耗数据的处理方法及系统,涉及数据处理领域,特别是涉及一种能耗数据的处理方法,包括:获取实时能耗数据;对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;若所述实时能耗数据为异常数据,则对所述实时能耗数据进行清洗处理;其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。本申请能够提高实时能耗数据的异常数据处理效率。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种能耗数据的处理方法及系统。
背景技术
目前能耗(电、水、气)表计数据的处理,主要针对以下几种情形:周期性跳变:一直不稳定,始终处理跳变状态,跳变幅度范围大,往往是实际值的数十倍以上;尖峰跳变:大部分时间运行稳定,但偶尔出现向上或向下的尖峰跳变;液位变化时输出不变,液位显示逐渐从正常值降低至非常低液位等;倒走现象:由于计量器具安装不规范,阀门联动时出现回水和涡流,造成表计倒走;数据缺失:通讯异常,长时间未有轮询数据上传;负值:表计异常或协议规约读取异常;一些水、气表利用震动来获取数据,受环境影响可能存在短时间数值激增的情况等。现有的异常数据处理方式中基于大数据分析的方法需要大量的历史数据,而且计算过程复杂、花费时间比较长、实时性差,不适应使用实时数据的应用场景。现有的异常数据处理方法中基于时序的处理方式又无法体现数据点的特征,不能快速排除异常。
因此,如何提高实时能耗数据的异常数据处理效率,是本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题,本申请提供一种能耗数据的处理方法,能够提高实时能耗数据的异常数据处理效率。本申请还提供一种能耗数据的处理系统,具有相同的技术效果。
本申请的第一个目的为提供一种能耗数据的处理方法。
本申请的上述申请目的一是通过以下技术方案得以实现的:
一种能耗数据的处理方法,包括:
获取实时能耗数据;
对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;
若所述实时能耗数据为异常数据,则对所述实时能耗数据进行清洗处理;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
优选地,所述能耗数据的处理方法中,所述对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量,包括:
利用一阶差分算法,对所述实时能耗数据进行处理,得到测量能耗量;
利用二阶差分算法,对所述实时能耗数据进行处理,得到测量能耗变化量。
优选地,所述能耗数据的处理方法中,所述对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量,包括:
利用一阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第一预测能耗量和第一预测能耗变化量;
利用二阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第二预测能耗量和第二预测能耗变化量;
利用最小二乘法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第三预测能耗量和第三预测能耗变化量;
从所述第一预测能耗量、所述第二预测能耗量和所述第三预测能耗量中,选取绝对值最大的数值,得到预测能耗量;
从所述第一预测能耗变化量、所述第二预测能耗变化量和所述第三预测能耗变化量中,选取绝对值最大的数值,得到预测能耗变化量。
优选地,所述能耗数据的处理方法中,所述根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据,包括:
根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,判断所述实时能耗数据是否满足预设判断条件,其中,所述预设判断条件具体为:
式中,mt表示所述测量能耗量,lt表示所述测量能耗变化量,表示所述预测能耗量,/>表示所述预测能耗变化量,mmax表示所述预设最大能耗量,lmax表示所述预设最大能耗变化量,γ、δ、θ、μ表示加权系数;
若是,则确认所述实时能耗数据为非异常数据;
若否,则确认所述实时能耗数据为异常数据。
优选地,所述能耗数据的处理方法中,所述获取实时能耗数据,包括:
选取数据起始点;
根据所述数据起始点和预设采样周期,获取实时能耗数据。
优选地,所述能耗数据的处理方法中,若所述实时能耗数据为异常数据时,还包括:
判断所述实时能耗数据中是否存在连续预设数的异常数据,
若是,返回执行所述选取数据起始点的步骤。
优选地,所述能耗数据的处理方法中,所述根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据之后,还包括:
若所述实时能耗数据为非异常数据,则根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量和所述预测能耗变化量,对所述预设特征数据库进行更新。
优选地,所述能耗数据的处理方法中,所述获取实时能耗数据之后,还包括:
对所述实时能耗数据进行预处理,得到预处理后的能耗数据;
相应地,所述对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量,包括:
对所述预处理后的能耗数据进行处理,得到测量能耗量和测量能耗变化量。
优选地,所述能耗数据的处理方法中,所述一阶差分指数平滑法的计算公式如下:
所述二阶差分指数平滑法的计算公式如下:
其中,所述能耗数据的处理方法还包括:
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第一预测历史能耗量,或者,基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第一预测历史能耗变化量;
计算每组所述第一预测历史能耗量与每组所述第一预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第一差值,或者,计算每组所述第一预测历史能耗变化量与每组所述第一预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第一差值;
基于k个所述第一分割点,将k×n个第一差值均分成k个第一数据组,其中,每个所述第一数据组中的所述第一差值所对应的所述第一预测历史能耗量或所述第一预测历史能耗变化量,均基于相同的一个所述第一分割点得到;
将k个所述第一数据组中的所述第一差值,按数据组分别进行求和,得到k个第二差值;
选取m个连续的所述第一分割点作为区间,得到k-m+1个第一区间,其中,m为正整数,m<k;
基于每个所述第一区间内所对应的所述第一分割点,对所述第二差值进行求和,得到k-m+1个第三差值;
从k-m+1个所述第三差值中选择数值最小的差值所对应的所述第一区间作为第一目标区间;
相应地,所述获取历史能耗数据,利用所述历史能耗数据对所述参数β进行率定,包括:
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
将所述参数β的预设取值范围,分割成k+1个均匀区间,得到k个第二分割点,其中,k为正整数;
基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第二预测历史能耗量,或者,基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第二预测历史能耗变化量;
计算每组所述第二预测历史能耗量与每组所述第二预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第四差值,或者,计算每组所述第二预测历史能耗变化量与每组所述第二预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第四差值;
基于k个所述第二分割点,将k×n个第四差值均分成k个第二数据组,其中,每个所述第二数据组中的所述第四差值所对应的所述第二预测历史能耗量或所述第二预测历史能耗变化量,均基于相同的一个所述第二分割点得到;
将k个所述第二数据组中的所述第一差值,按数据组分别进行求和,得到k个第五差值;
选取m个连续的所述第二分割点作为区间,得到k-m+1个第二区间,其中,m为正整数,m<k;
基于每个所述第二区间内所对应的所述第二分割点,对所述第五差值进行求和,得到k-m+1个第六差值;
从k-m+1个所述第六差值中选择数值最小的差值所对应的所述第二区间作为第二目标区间;
将所述第二目标区间所对应的m个所述第二分割点的中值作为所述参数β的最终值。
本申请的第二个目的为提供一种能耗数据的处理系统。
本申请的上述申请目的二是通过以下技术方案得以实现的:
一种能耗数据的处理系统,包括:
数据获取单元,用于获取实时能耗数据;
第一处理单元,用于对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
第二处理单元,用于对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
异常识别单元,用于根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;
数据清洗单元,用于当所述实时能耗数据为异常数据时,对所述实时能耗数据进行清洗处理;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
上述技术方案,通过获取实时能耗数据,对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;其中,实时能耗数据大多都是以累积值的形式存在,通过计算得到的测量能耗量和测量能耗变化量能够体现实时能耗数据的物理特性,利用这些特征属性可以加快异常数据的发现和处理;对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量,基于预设最大能耗量和预设最大能耗变化量进行特征值比较,符合能耗数据的物理特性,同时可以加快运算速度;若所述实时能耗数据为异常数据,则对所述实时能耗数据进行清洗处理。本技术方案相较于现有的异常数据处理方式而言,不需要进行大量的数据计算,能够利用实时能耗数据的特征快速排除异常。综上所述,上述技术方案能够提高实时能耗数据的异常数据处理效率。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种能耗数据的处理方法的流程示意图;
图2为本申请实施例中计算预测能耗量和预测能耗变化量的流程示意图;
图3为本申请实施例中一种能耗数据的处理方法的另一流程示意图;
图4为本申请实施例中一种能耗数据的处理系统的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案,下面将对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请所提供的实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。以下所描述的系统实施例仅仅是示意性的,例如,单元和模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或模块可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理器中,也可以是各单元分别单独作为一个器件,也可以两个或两个以上单元集成在一个器件中;本申请各实施例中的各功能单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现下述方法实施例的全部或部分步骤可以通过程序指令及相关的硬件来完成,前述的程序指令可以存储于计算机可读取存储介质中,该程序指令在执行时,执行包括下述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
应当理解,本申请中如若使用了“系统”、“装置”、“单元”和/或“模块”,仅是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本申请的描述中,“多个”、“若干个”的含义是两个或两个以上,除非另有明确具体的限定。
本申请中如若使用了流程图,则该流程图是用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
还需要说明的是,在本文中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。
本申请实施例采用递进的方式撰写。
如图1所示,本申请实施例一种能耗数据的处理方法,包括:
S101.获取实时能耗数据;
在S101中,所述实时能耗数据,可以是能耗(电、水、气)表计数据,目前的表计能耗数据的原始数据大多都是以累积值的形式存在,所述实时能耗数据可以利用现有的能耗数据采集设备获取,其具体的获取方式不影响本实施例的实现。本步骤的其中一种实现方式具体为:选取数据起始点;根据所述数据起始点和预设采样周期,获取实时能耗数据;例如,基于选取的数据起始点,以当前时间为基准往前选取采样周期的t倍,选取t个周期的t个能耗数据作为所述实时能耗数据,记为D=[d0,d1,d2...dt-1],t为正整数。
S102.对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
在S102中,可以基于所述实时能耗数据的时间段,对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量。实时能耗数据大多都是以累积值的形式存在,通过计算得到的测量能耗量和测量能耗变化量能够体现实时能耗数据的物理特性,例如,实时能耗数据为流体表计数据时,测量能耗量可以体现当前流量,测量能耗变化量可以体现当前流速,利用这些特征属性可以加快异常数据的发现和处理。本步骤的其中一种实现方式具体为:利用一阶差分算法,对所述实时能耗数据进行处理,得到测量能耗量;利用二阶差分算法,对所述实时能耗数据进行处理,得到测量能耗变化量。
其中,所述一阶差分算法的计算公式为:
mt=dt-dt-1
式中,dt表示t时刻的实时能耗数据,mt表示t时刻的测量能耗量;
具体地,可以利用所述一阶差分算法的计算公式对上述实时能耗数据D=[d0,d1,d2...dt-1]进行处理,可以得到对应的测量能耗量M=[m1,m2...mt-1]。
所述二阶差分算法的计算公式为:
lt=dt-2dt+dt-2
式中,dt表示t时刻的实时能耗数据,lt表示t时刻的测量能耗变化量;
具体地,可以利用所述二阶差分算法的计算公式对上述实时能耗数据D=[d0,d1,d2...dt-1]进行处理,可以得到对应的测量能耗变化量L=[l2,l3…lt-1]。
S103.对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
在S103中,可以利用预设算法对所述测量能耗量和所述测量能耗变化量进行处理,来对当前时刻数据可能值进行推测,得到预测能耗量和预测能耗变化量,所述预设算法可以包括差分指数平滑算法和最小二乘法趋势算法。
S104.根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据,若所述实时能耗数据为异常数据,则执行S105,其中,,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
在S104中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量,基于预设最大能耗量和预设最大能耗变化量进行特征值比较,符合能耗数据的物理特性,同时可以加快运算速度。预设最大能耗量和预设最大能耗变化量可以根据实际的能耗设备确定,例如线路的最大电流可以根据设备型号预先确认,其还可以通过其他方式获取,本申请不限于此。
S105.对所述实时能耗数据进行清洗处理;
在S105中,当所述实时能耗数据为异常数据时,对所述实时能耗数据进行清洗处理,其可以采用现有的数据清洗方法,本申请对比不作限定。
上述实施例,通过获取实时能耗数据,对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;其中,实时能耗数据大多都是以累积值的形式存在,通过计算得到的测量能耗量和测量能耗变化量能够体现实时能耗数据的物理特性,利用这些特征属性可以加快异常数据的发现和处理;对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量,基于预设最大能耗量和预设最大能耗变化量进行特征值比较,符合能耗数据的物理特性,同时可以加快运算速度;若所述实时能耗数据为异常数据,则对所述实时能耗数据进行清洗处理。本技术方案相较于现有的异常数据处理方式而言,不需要进行大量的数据计算,能够利用实时能耗数据的特征快速排除异常。综上所述,上述实施例能够提高实时能耗数据的异常数据处理效率。
如图2所示,在上述实施例的基础上,所述对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量的步骤其中一种实现方式可以包括以下步骤:
S201.利用一阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第一预测能耗量和第一预测能耗变化量;
在S201中,所述一阶差分指数平滑法的计算公式如下:
式中,为差分记号,/>为参数,通常取0.1~0.4,yt表示在t时刻的所述测量能耗量,/>表示在t时刻的所述第一预测能耗量,或者,yt表示在t时刻的所述测量能耗变化量,表示在t时刻的所述第一预测能耗变化量。
S202.利用二阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第二预测能耗量和第二预测能耗变化量;
在S202中,所述二阶差分指数平滑法的计算公式如下:
式中,为差分记号,β为参数,通常取0.1~0.4,yt表示在t时刻的所述测量能耗量,/>表示在t时刻的所述第二预测能耗量,或者,yt表示在t时刻的所述测量能耗变化量,表示在t时刻的所述第二预测能耗变化量。
S203.利用最小二乘法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第三预测能耗量和第三预测能耗变化量;
在S203中,所述最小二乘法的计算公式如下:
式中,a和b为常量,a表示直线的斜率,b表示初值,n表示数据个数,i、t为获取的能耗量或能耗变化量在序列中的序号,1≤i≤n,t>n,yt表示所述第三预测能耗量,或者,yt表示所述第三预测能耗变化量;具体地,yt表示能耗量或能耗变化量趋势数值,yt=a×t+b用一个直线来表示序列变化的趋势。需要说明的是,S201、S202和S203的执行顺序可以互换,也可以同时执行,其不影响本实施例的实现。
S204.从所述第一预测能耗量、所述第二预测能耗量和所述第三预测能耗量中,选取绝对值最大的数值,得到预测能耗量;
S205.从所述第一预测能耗变化量、所述第二预测能耗变化量和所述第三预测能耗变化量中,选取绝对值最大的数值,得到预测能耗变化量。
在S204和S205中,从3组预测量中,基于绝对值最大的原则,选择出预测能耗量和预测能耗变化量。需要说明的是,S204和S205的执行顺序可以互换,也可以同时执行,其不影响本实施例的实现。
在上述实施步骤,基于一阶差分指数平滑法、二阶差分指数平滑法、最小二乘法预测得出当前时刻的能耗量和能耗变化量,选择三种方法中得到的绝对值最大的数值作为参考量进入下一步运算,可以进一步加快运算速度,同时提高后续异常判定准确性。
在上述实施例的基础上,所述根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据的步骤其中一种实现方式可以包括以下步骤:
S301.根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,判断所述实时能耗数据是否满足预设判断条件,若是,则确认所述实时能耗数据为非异常数据,若否,则确认所述实时能耗数据为异常数据,
其中,所述预设判断条件具体为:
式中,mt表示所述测量能耗量,lt表示所述测量能耗变化量,表示所述预测能耗量,/>表示所述预测能耗变化量,mmax表示所述预设最大能耗量,lmax表示所述预设最大能耗变化量,γ、δ、θ、μ表示加权系数,借鉴3-Sigma原理,δ与μ从3~5选取,γ与θ从1.5~3选取(当预设最大能耗量可以确认时,γ可取1,当预设最大能耗变化量可以确认时,θ可取1);
需要注意的是,若事先不能得知特征值mmax和lmax的数值,在系统运行前期,所述预设判断条件可调整为:
在本申请的其他实施例中,所述预设特征数据库,还可以包括预设平均能耗量和预设评估能耗变化量,其可以用作人为验证数据的依据。
在实际应用中,mt<γ×mmax判断条件的排错率是最高的,因此,如何推演确定合理的mmax十分重要。基于此,本申请还提供另一种能耗数据的处理方法,如图3所示,包括:
S401.选取数据起始点;
S402.根据所述数据起始点和预设采样周期,获取实时能耗数据;
S403.对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
S404.对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
其中,S401和S402的具体实施详情,可以参考上述S101,S403的具体实施详情,可以参考上述S102,S404的具体实施详情,可以参考上述S201至S205;
S405.根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,判断所述实时能耗数据是否满足预设判断条件,若是,则确认所述实时能耗数据为非异常数据,然后执行S406,若否,则确认所述实时能耗数据为异常数据,然后执行S407;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量;所述预设判断条件具体为:
式中,mt表示所述测量能耗量,lt表示所述测量能耗变化量,表示所述预测能耗量,/>表示所述预测能耗变化量,mmax表示所述预设最大能耗量,lmax表示所述预设最大能耗变化量,γ、δ、θ、μ表示加权系数,借鉴3-Sigma原理,δ与μ从3~5选取,γ与θ从1.5~3选取;
S406.根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量和所述预测能耗变化量,对所述预设特征数据库进行更新;
在S406中,在当前实时能耗数据为非异常数据的情况下,利用所述测量能耗量、所述测量能耗变化量、所述预测能耗量和所述预测能耗变化量,对所述预设特征数据库进行更新,其目的是利用非异常数据,实现特征值即所述预设最大能耗量mmax和所述预设最大能耗变化量lmax的更新,经过多次运算后,能够推演确定合理的特征值。其中,对所述预设特征数据库进行更新,可以通过如下公式计算:
式中,表示所述预测能耗量,/>表示所述预测能耗变化量,/>表示t时刻的所述预设最大能耗量,/>表示t时刻的所述预设最大能耗变化量,nt表示t时刻的时候该能耗点有n个有效数据,/>表示t时刻能耗点的平均能耗量,/>表示t时刻能耗点的平均能耗变化量。
S407.对所述实时能耗数据进行清洗处理;
在S407中,其具体实施详情,可以参考上述S105。
在本实施例中,在当前实时能耗数据为非异常数据的情况下,利用实时能耗数据的运算结果,对所述预设特征数据库进行更新,经过多次运算后,能够推演确定合理的特征值,以此提高异常判定的准确性。
基于上述实施例的另一实施例中,若所述实时能耗数据为异常数据时,还包括:
S501.判断所述实时能耗数据中是否存在连续预设数的异常数据,若是,返回执行所述选取数据起始点的步骤。
在S501中,针对仪表初始值改变(比如换表、归零等)而造成连续异常数据的情形,通过重新选取数据起始点来进行统计;判断所述实时能耗数据中是否存在连续预设数的异常数据,主要针对能耗量进行操作,例如,若基于所述实时能耗数据得到的测量能耗量数据出现连续预设数的异常数据时,返回重新执行选取数据起始点的步骤,并把第一个异常点作为数据起始点,前面的数据不再加入队列计算,然后重新进行异常数据判定,若判断为非异常数据,则数据起始点更新成功,若判断为异常数据,则起始点不更新,继续对该数据进行清洗处理。在实际应用中,所述预设数可以设置为7,当连续出现7个以上的能耗量异常点时,前4个点是实现算法的最小数据量,后面至少3个值用以验证。
在本申请的另一实施例中,所述获取实时能耗数据之后,还包括:
S601.对所述实时能耗数据进行预处理,得到预处理后的能耗数据;
在S601中,具体地,考虑到所述实时能耗数据一般为累积值,对于实时能耗数据中的负值和零值,可以直接判定为异常数据,异常数据做删除处理不再参与计算。
相应地,所述对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量,包括:
S602.对所述预处理后的能耗数据进行处理,得到测量能耗量和测量能耗变化量;
在S602中,基于预处理后的能耗数据进行后续计算,可以减少计算量,提高后续异常数据处理效率。
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第一预测历史能耗量,或者,基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第一预测历史能耗变化量;
计算每组所述第一预测历史能耗量与每组所述第一预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第一差值,或者,计算每组所述第一预测历史能耗变化量与每组所述第一预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第一差值;
基于k个所述第一分割点,将k×n个第一差值均分成k个第一数据组,其中,每个所述第一数据组中的所述第一差值所对应的所述第一预测历史能耗量或所述第一预测历史能耗变化量,均基于相同的一个所述第一分割点得到;
将k个所述第一数据组中的所述第一差值,按数据组分别进行求和,得到k个第二差值,即每个所述第一分割点分别对应一个所述第二差值;
选取m个连续的所述第一分割点作为区间,得到k-m+1个第一区间,其中,m为正整数,m<k;
基于每个所述第一区间内所对应的所述第一分割点,对所述第二差值进行求和,得到k-m+1个第三差值,即将每个所述第一区间内所对应的m个所述第一分割点所对应的m个所述第二差值进行求和,得到k-m+1个第三差值;
从k-m+1个所述第三差值中选择数值最小的差值所对应的所述第一区间作为第一目标区间;
具体地,所述获取历史能耗数据,利用所述历史能耗数据对所述参数β进行率定的其中一种实现方式,具体为:
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
将所述参数β的预设取值范围,分割成k+1个均匀区间,得到k个第二分割点,其中,k为正整数,所述参数β的预设取值范围可以为(0,1);
基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第二预测历史能耗量,或者,基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第二预测历史能耗变化量;
计算每组所述第二预测历史能耗量与每组所述第二预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第四差值,或者,计算每组所述第二预测历史能耗变化量与每组所述第二预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第四差值;
基于k个所述第二分割点,将k×n个第四差值均分成k个第二数据组,其中,每个所述第二数据组中的所述第四差值所对应的所述第二预测历史能耗量或所述第二预测历史能耗变化量,均基于相同的一个所述第二分割点得到;
将k个所述第二数据组中的所述第一差值,按数据组分别进行求和,得到k个第五差值,即每个第二分割点分别对应一个第五差值;
选取m个连续的所述第二分割点作为区间,得到k-m+1个第二区间,其中,m为正整数,m<k;
基于每个所述第二区间内所对应的所述第二分割点,对所述第五差值进行求和,得到k-m+1个第六差值,即将每个所述第二区间内所对应的m个所述第二分割点所对应的m个所述第五差值进行求和,得到k-m+1个第六差值;
从k-m+1个所述第六差值中选择数值最小的差值所对应的所述第二区间作为第二目标区间;
将所述第二目标区间所对应的m个所述第二分割点的中值作为所述参数β的最终值。
通过上述实施步骤,利用历史能耗数据,寻找所述参数和所述参数β的目标区间,在这个目标区间里面参数/>和参数β的取值,使得总的测量值和预测值的误差最小,最后选取目标区间内分割点的中值,来对所述参数/>和所述参数β进行率定。目标区间的宽度由m来确定,在本申请的其他实施例中,可以变换m值多次进行率定,以提高异常判断的准确性。
如图4所示,在本申请的另一实施例中,提供一种能耗数据的处理系统,包括:
数据获取单元10,用于获取实时能耗数据;
第一处理单元11,用于对所述实时能耗数据进行处理,,得到测量能耗量和测量能耗变化量;
第二处理单元12,用于对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
异常识别单元13,用于根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;
数据清洗单元14,用于当所述实时能耗数据为异常数据时,对所述实时能耗数据进行清洗处理;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种能耗数据的处理方法,其特征在于,包括:
获取实时能耗数据;
对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;
若所述实时能耗数据为异常数据,则对所述实时能耗数据进行清洗处理;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
2.如权利要求1中所述的方法,其特征在于,所述对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量,包括:
利用一阶差分算法,对所述实时能耗数据进行处理,得到测量能耗量;
利用二阶差分算法,对所述实时能耗数据进行处理,得到测量能耗变化量。
3.如权利要求1中所述的方法,其特征在于,所述对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量,包括:
利用一阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第一预测能耗量和第一预测能耗变化量;
利用二阶差分指数平滑法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第二预测能耗量和第二预测能耗变化量;
利用最小二乘法,对所述测量能耗量和所述测量能耗变化量进行处理,得到第三预测能耗量和第三预测能耗变化量;
从所述第一预测能耗量、所述第二预测能耗量和所述第三预测能耗量中,选取绝对值最大的数值,得到预测能耗量;
从所述第一预测能耗变化量、所述第二预测能耗变化量和所述第三预测能耗变化量中,选取绝对值最大的数值,得到预测能耗变化量。
4.如权利要求1中所述的方法,其特征在于,所述根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据,包括:
根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,判断所述实时能耗数据是否满足预设判断条件,其中,所述预设判断条件具体为:
式中,mt表示所述测量能耗量,lt表示所述测量能耗变化量,表示所述预测能耗量,/>表示所述预测能耗变化量,mmax表示所述预设最大能耗量,lmax表示所述预设最大能耗变化量,γ、δ、θ、μ表示加权系数;
若是,则确认所述实时能耗数据为非异常数据;
若否,则确认所述实时能耗数据为异常数据。
5.如权利要求1中所述的方法,其特征在于,所述获取实时能耗数据,包括:
选取数据起始点;
根据所述数据起始点和预设采样周期,获取实时能耗数据。
6.如权利要求5中所述的方法,其特征在于,若所述实时能耗数据为异常数据时,还包括:
判断所述实时能耗数据中是否存在连续预设数的异常数据,
若是,返回执行所述选取数据起始点的步骤。
7.如权利要求1中所述的方法,其特征在于,所述根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据之后,还包括:
若所述实时能耗数据为非异常数据,则根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量和所述预测能耗变化量,对所述预设特征数据库进行更新。
8.如权利要求1中所述的方法,其特征在于,所述获取实时能耗数据之后,还包括:
对所述实时能耗数据进行预处理,得到预处理后的能耗数据;
相应地,所述对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量,包括:
对所述预处理后的能耗数据进行处理,得到测量能耗量和测量能耗变化量。
9.如权利要求3中所述的方法,其特征在于,所述一阶差分指数平滑法的计算公式如下:
所述二阶差分指数平滑法的计算公式如下:
其中,所述能耗数据的处理方法还包括:
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第一预测历史能耗量,或者,基于k个所述第一分割点,利用一阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第一预测历史能耗变化量;
计算每组所述第一预测历史能耗量与每组所述第一预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第一差值,或者,计算每组所述第一预测历史能耗变化量与每组所述第一预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第一差值;
基于k个所述第一分割点,将k×n个第一差值均分成k个第一数据组,其中,每个所述第一数据组中的所述第一差值所对应的所述第一预测历史能耗量或所述第一预测历史能耗变化量,均基于相同的一个所述第一分割点得到;
将k个所述第一数据组中的所述第一差值,按数据组分别进行求和,得到k个第二差值;
选取m个连续的所述第一分割点作为区间,得到k-m+1个第一区间,其中,m为正整数,m<k;
基于每个所述第一区间内所对应的所述第一分割点,对所述第二差值进行求和,得到k-m+1个第三差值;
从k-m+1个所述第三差值中选择数值最小的差值所对应的所述第一区间作为第一目标区间;
相应地,所述获取历史能耗数据,利用所述历史能耗数据对所述参数β进行率定,包括:
获取n组历史能耗数据,其中,n为正整数;
对n组所述历史能耗数据进行处理,得到n组历史测量能耗量,或者,对n组所述历史能耗数据进行处理,得到n组历史测量能耗变化量;
将所述参数β的预设取值范围,分割成k+1个均匀区间,得到k个第二分割点,其中,k为正整数;
基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗量进行处理,得到k×n组第二预测历史能耗量,或者,基于k个所述第二分割点,利用二阶差分指数平滑法,分别对n组所述历史测量能耗变化量进行处理,得到k×n组第二预测历史能耗变化量;
计算每组所述第二预测历史能耗量与每组所述第二预测历史能耗量所对应的所述历史测量能耗量的差值绝对值,得到k×n个第四差值,或者,计算每组所述第二预测历史能耗变化量与每组所述第二预测历史能耗变化量所对应的所述历史测量能耗变化量的差值绝对值,得到k×n个第四差值;
基于k个所述第二分割点,将k×n个第四差值均分成k个第二数据组,其中,每个所述第二数据组中的所述第四差值所对应的所述第二预测历史能耗量或所述第二预测历史能耗变化量,均基于相同的一个所述第二分割点得到;
将k个所述第二数据组中的所述第一差值,按数据组分别进行求和,得到k个第五差值;
选取m个连续的所述第二分割点作为区间,得到k-m+1个第二区间,其中,m为正整数,m<k;
基于每个所述第二区间内所对应的所述第二分割点,对所述第五差值进行求和,得到k-m+1个第六差值;
从k-m+1个所述第六差值中选择数值最小的差值所对应的所述第二区间作为第二目标区间;
将所述第二目标区间所对应的m个所述第二分割点的中值作为所述参数β的最终值。
11.一种能耗数据的处理系统,其特征在于,包括:
数据获取单元,用于获取实时能耗数据;
第一处理单元,用于对所述实时能耗数据进行处理,得到测量能耗量和测量能耗变化量;
第二处理单元,用于对所述测量能耗量和所述测量能耗变化量进行处理,得到预测能耗量和预测能耗变化量;
异常识别单元,用于根据所述测量能耗量、所述测量能耗变化量、所述预测能耗量、所述预测能耗变化量和预设特征数据库,确认所述实时能耗数据是否为异常数据;
数据清洗单元,用于当所述实时能耗数据为异常数据时,对所述实时能耗数据进行清洗处理;
其中,所述预设特征数据库包括预设最大能耗量和预设最大能耗变化量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249144.XA CN116340299A (zh) | 2023-03-15 | 2023-03-15 | 一种能耗数据的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249144.XA CN116340299A (zh) | 2023-03-15 | 2023-03-15 | 一种能耗数据的处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340299A true CN116340299A (zh) | 2023-06-27 |
Family
ID=86880043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310249144.XA Pending CN116340299A (zh) | 2023-03-15 | 2023-03-15 | 一种能耗数据的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340299A (zh) |
-
2023
- 2023-03-15 CN CN202310249144.XA patent/CN116340299A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2008154418A (ja) | 配電系統の状態推定装置、状態推定方法及びそのプログラム | |
CN111998919B (zh) | 燃气表校准方法及装置 | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN104636874B (zh) | 检测业务异常的方法及设备 | |
CN107464591B (zh) | 一种安全壳泄漏在线监测系统传感器组合优化方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN103119453A (zh) | 基于二次型的数字频率估计 | |
CN117332205B (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN117405075B (zh) | 一种智能沉降监测方法及系统 | |
CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
CN116340299A (zh) | 一种能耗数据的处理方法及系统 | |
CN112539810A (zh) | 一种智能水表运行误差校准方法 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
CN109145258B (zh) | 基于非线性拟合的威布尔分布参数置信区间估计方法 | |
CN110020000B (zh) | 判定异常风速数据的方法和装置 | |
CN113432666B (zh) | 基于电水折算系数动态测算的农用地下水开采量测量方法 | |
CN105656453B (zh) | 一种基于时间序列的光纤电流互感器随机噪声实时滤波方法 | |
CN109635421B (zh) | 一种基于威布尔模型的一般压力表检测周期动态优化方法 | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
CN112685449A (zh) | 一种热力系统性能计算方法、装置及设备 | |
CN115932711B (zh) | 一种电能表计量可信度的数据处理方法、装置及介质 | |
CN116519534A (zh) | 基于运行参数相关性的吸收塔浆液密度测量方法及系统 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 | |
CN115291528B (zh) | 模型不确定性等级确定方法、装置、系统及存储介质 | |
CN117664622B (zh) | 一种供水设备的自动化性能测试方法、装置及电子设备 |
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 |