CN116753599A - 一种基于云平台的中央空调负荷调控系统 - Google Patents
一种基于云平台的中央空调负荷调控系统 Download PDFInfo
- Publication number
- CN116753599A CN116753599A CN202310722560.7A CN202310722560A CN116753599A CN 116753599 A CN116753599 A CN 116753599A CN 202310722560 A CN202310722560 A CN 202310722560A CN 116753599 A CN116753599 A CN 116753599A
- Authority
- CN
- China
- Prior art keywords
- central air
- air conditioner
- unit
- data
- module
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 82
- 230000002787 reinforcement Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 83
- 230000001133 acceleration Effects 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 42
- 238000007726 management method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 17
- 230000007123 defense Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005067 remediation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
Abstract
本发明公开了一种基于云平台的中央空调负荷调控系统，涉及负荷调控技术领域，包含实时采集模块、分析预测模块、动态调控模块、设备维护模块、安全加固模块和储存管理模块，所述影像捕获模块的输出端与所述储存管理模块的输入端连接，所述实时采集模块的输出端与所述储存管理模块的输入端连接，所述储存管理模块的输出端与所述分析预测模块的输入端连接，所述分析预测模块的输出端与所述动态调控模块的输入端连接，所述动态调控模块的输出端与所述设备维护模块的输入端连接，所述安全加固模块全程工作，本发明能够实现中央空调负荷的实时采集、精确调控、优化和安全加固；自动化、智能化程度高。
Description
技术领域
本发明涉及负荷调控技术领域，且更具体地涉及一种基于云平台的中央空调负荷调控系统。
背景技术
根据统计，我国电网夏季高峰期空调负荷已占尖峰负荷的30％-40％。越来越多的空调使用，加剧了电网的峰谷差，降低了电网负荷率，造成了电力资源的极大浪费。相关电力负荷数据表明，大型公共建筑夏季高温负荷是过渡季节的2倍多，以商业和居民生活为主的服务性用电负荷中夏季高峰期主要比例是温度敏感性负荷即空调负荷，日益增长的空调负荷已成为高峰负荷不断攀升的重要原因。而目前我国建筑领域90％以上空调系统处于人工操作状态，空调系统降负荷与能效提升潜力巨大。有鉴于此，空调负荷管理调控已成为中国电力需求侧管理的重点工作内容。
专利CN202022686424.1公开了一种基于大数据分析的中央空调能效优化系统，系统包括中央空调机房设备、信息采集设备、大数据处理中心、人工智能云平台、仪器控制设备和末端设备，信息采集设备用于采集空调所设定的温度信息、室外温度信息及空调区域温度信息，大数据处理中心能够接收空调所设定的温度信息、室外温度信息及空调区域温度信息，参考人员使用空调的习惯数据，通过大数据运算得到个性化的空调区域环境温度需求，人工智能云平台是控制和管理中央空调机房设备的智能装置，能够与根据不同条件冷量的需求，及不同季节外界环境条件变化采用自学习、自适应优化技术，主动调节。未考虑云平台系统的安全性、可靠性，以及大数据分析和人工智能技术对负荷调控的精准度。因此，现有技术的中央空调负荷调控存在控制能力滞后的问题。
因此，本发明公开一种基于云平台的中央空调负荷调控系统。
发明内容
针对现有技术的不足，本发明公开了一种基于云平台的中央空调负荷调控系统，能够实现中央空调负荷的实时采集、调控、优化和系统安全加固；通过抗干扰通讯单元和备用通讯单元实现各类数据的实时动态采集传输，提高数据采集的精确性和可靠性；通过实时加速单元实现云端采集服务系统工作过程的加速，提高数据采集、传输和统计的实时性；通过深度序列特征预测模型实现中央空调负荷走向的精准预测，优化中央空调调控策略；通过混合云计算平台计算中央空调最优运行参数，实现用户舒适度和空调能耗平衡；通过设备维护模块定期检查中央空调设备的性能，避免因空调设备故障导致调控无效；通过安全加固模块保护中央空调负荷调控系统的数据安全、内核平台安全和系统服务安全；自动化、智能化程度高。
本发明采用以下技术方案：
一种基于云平台的中央空调负荷调控系统，所述系统包括：储存管理模块；
储存管理模块，用于中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据的云储存、归档、压缩和管理，所述储存管理模块采用实时应用数据库Oracle RAC实现数据节点故障转移和数据多重备份，以提高数据储存的可靠性和安全性；
中央空调负荷调控系统还包括：实时采集模块、分析预测模块、动态调控模块、设备维护模块和安全加固模块；
实时采集模块，用于实时动态采集中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据，所述实时采集模块通过云端采集服务系统与中央空调设备直接通讯实现各类数据的实时动态采集，以提高数据采集的精确性和可靠性，所述云端采集服务系统包括设备终端、抗干扰通讯单元、备用通讯单元、统计记录单元和实时加速单元，所述设备终端用于中央空调设备数据采集信号的输入，所述抗干扰通讯单元用于中央空调设备终端与云端数据库的抗干扰数据通讯，所述备用通讯单元用于抗干扰通讯单元工作异常或无效情况时的数据通讯操作，所述统计记录单元用于将中央空调设备数据信号实时图表化统计记录，所述实时加速单元用于云端采集服务系统工作过程的加速，以提高数据采集、传输和统计的实时性；
所述设备终端的输出端与所述抗干扰通讯单元的输入端连接，所述抗干扰通讯单元的输出端与所述备用通讯单元的输入端连接，所述备用通讯单元的输出端与所述统计记录单元的输入端连接，所述实时加速单元全过程工作；
分析预测模块，用于基于历史中央空调负荷和实时中央空调负荷预测中央空调负荷走向，以优化中央空调调控策略，所述分析预测模块通过深度序列特征预测模型实现中央空调负荷走向的精准预测；
动态调控模块，用于基于中央空调负荷走向预测调节中央空调的运行状态，所述动态调控模块通过混合云计算平台计算中央空调最优运行参数，以实现用户舒适度和空调能耗平衡，并通过冗余控制系统实现中央空调制冷制热联合调节，以保证中央空调运行状态的稳定性；
设备维护模块，用于中央空调设备的定期维护，所述设备维护模块包括检查分析单元、异常告警单元和维护纪录单元，所述检查分析单元用于定期检查中央空调设备的性能，并通过大数据对比分析的方式发掘中央空调设备的异常情况，所述异常告警单元用于中央空调设备异常情况的维修告警，所述维护记录单元用于记录中央空调设备的维护时间、维护部位和异常原因，所述检查分析单元的输出端与所述异常告警单元的输入端连接，所述异常告警单元的输出端与所述维护记录单元的输入端连接；
安全加固模块，用于保护中央空调负荷调控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块包括隐患检测单元、风险评估单元、安全预警单元、应急防御单元和溯源改进单元，所述隐患检测单元用于检测系统安全隐患的存在，所述风险评估单元用于评估系统安全隐患发生的风险，所述安全预警单元用于对系统安全缺陷进行预警和漏洞修复，所述应急防御单元用于对系统重大紧急安全威胁情况进行告警和紧急补救，所述溯源改进单元用于通过对安全威胁情况进行分析记录系统安全进行加固，以避免二次安全事件的发生，所述隐患检测单元的输出端与所述风险评估单元的输入端连接，所述风险评估单元的输出端与所述安全预警单元的输入端连接，所述风险评估单元的输出端与所述应急防御单元的输入端连接，所述安全预警单元和所述应急防御单元的输出端与所述溯源改进单元的输入端连接；
其中，所述实时采集模块的输出端与所述储存管理模块的输入端连接，所述储存管理模块的输出端与所述分析预测模块的输入端连接，所述分析预测模块的输出端与所述动态调控模块的输入端连接，所述动态调控模块的输出端与所述设备维护模块的输入端连接，所述安全加固模块全程工作。
作为本发明进一步的技术方案，所述抗干扰通讯单元采用低电压调制通讯标准LVM-hscs实现中央空调采集数据信号的抗干扰通讯，并采用防干扰双通道实现采集数据信号的无线传输，所述低电压调制通讯标准LVM-hscs通过对采集数据信号进行差分曼彻斯特编码实现采集数据信号的差分耦合，以提高信号通讯的抗干扰能力。
作为本发明进一步的技术方案，所述云端采集服务系统通过双机热备方式实现抗干扰通讯单元工作异常或无效情况发生时备用通讯单元的驱动，所述双机热备方式通过建立备份通信链路实现抗干扰通讯单元和备用通讯单元的实时数据同步，以保证抗干扰通讯单元工作和备用通讯单元的无间歇切换。
作为本发明进一步的技术方案，所述实时加速单元通过动态多源加速网络实现数据采集、传输和统计加速，所述动态多源加速网络采用四层TCP/UDP传输协议，一层边界网关BGP协议以及七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速。
作为本发明进一步的技术方案，所述深度序列特征预测模型包括输入层、卷积层、批归一化层、随机丢弃层和输出层，深度序列特征预测模型的工作包括以下步骤：
步骤1、数据预处理，对采集的中央空调数据进行数据清洗、校验和格式转换，以增强数据信息的可检测性；
步骤2、卷积层，通过输入层将采集的中央空调数据输入至卷积层分析处理，所述中央空调数据通过卷积层提取负荷特征，以获取具有区分度的主体和特定目标特征，所述卷积层配合校正线性激活函数ReLU实现数据参数样本特征的特定非线性转换，以减小特征提取误差；
步骤3、随机丢弃层，所述随机丢弃层通过随机丢弃深度序列特征预测模型网络节点，并删除网络节点前后连接简化深度序列特征网络，以抑制过拟合现象；
步骤4、批归一化层，所述批归一化层通过标准化分割处理中央空调负荷特征数据消除深度序列特征预测模型网络层间输入分布差异，以提高深度序列特征预测模型预测速度；
步骤5、卷积层、池化层和随机丢弃层叠加运算，通过叠加两个卷积层和两个随机丢弃层降低深度序列特征预测模型错误率；
步骤6、展平层，将卷积层与池化层输出的中央空调负荷特征展平和维度转换，并输入至全连接层；
步骤7、全连接层，采用调用回调函数访问深度序列特征预测模型状态及性能，所述回调函数根据深度序列特征预测模型状态及性能采用停止标准中断图像特征预测，并对预测结果进行输出，以避免过拟合现象发生。
作为本发明进一步的技术方案，所述深度序列特征预测模型设置中央空调历史和实时负荷数据集为Y＝{y1,y2,...,yt-1,yt}，中央空调历史和实时运行参数数据集为X＝{x1,x2,...,xt-1,xt}，t时刻中央空调负荷损失输出函数公式为：
在公式(1)中，Pt为t时刻中央空调负荷损失，γ为中央空调负荷的衰减系数，yt为t时刻中央空调负荷，xt为t时刻中央空调运行参数，为中央空调运行过程的负荷损失；历史和实时中央空调负荷损失数据集为P＝{P1,P2,...,Pt-1,Pt}，t+1时刻中央空调负荷预测走向输出函数为：
在公式(2)中，yt+1为t+1时刻中央空调负荷预测走向，Pt为t时刻中央空调负荷损失，max(Y)为历史和实时中央空调负荷最大值，min(P)为历史和实时中央空调负荷损失最小值，为中央空调负荷预测加权系数，ε为辅助加权参数。
作为本发明进一步的技术方案，所述混合云计算平台采用多特征最优评价算法MF-OEA计算中央空调最优运行参数，设置t时刻中央空调运行参数为Wt，t时刻用户舒适度为Ct，t时刻空调能耗为Ht，t时刻中央空调运行参数、用户舒适度和空调能耗关系的输出函数公式为：
在公式(3)中，为中央空调运行参数对用户舒适度的影响度，/>为中央空调运行参数对空调能耗的影响值，/>为最优加权值，ζ为寻优参数，基于t时刻中央空调运行参数、用户舒适度和空调能耗关系表达式得到中央空调最优运行参数。
作为本发明进一步的技术方案，所述安全及加固模块的工作包括以下方面：
(1)数据安全加固，所述安全及加固模块通过数据对称反馈CBC加密、设置数据访问权限、访问记录追踪、内存保护和数据备份方式实现中央空调负荷调控系统工作过程的数据安全加密；
(2)网络云平台加密，所述安全及加固模块通过制定安全策略和设置防火墙实现中央空调负荷调控系统工作过程的网络云平台安全；
(3)操作安全，所述安全及加固模块通过系统启动时进行漏洞验证和启动保护实现中央空调负荷调控系统工作过程的操作安全；
(4)安全管理，通过记录安全日志监控中央空调负荷调控系统工作过程的安全事件和行为，挖掘潜在安全风险。
积极有益效果：
本发明公开了一种基于云平台的中央空调负荷调控系统，能够实现中央空调负荷的实时采集、调控、优化和系统安全加固；通过抗干扰通讯单元和备用通讯单元实现各类数据的实时动态采集传输，提高数据采集的精确性和可靠性；通过实时加速单元实现云端采集服务系统工作过程的加速，提高数据采集、传输和统计的实时性；通过深度序列特征预测模型实现中央空调负荷走向的精准预测，优化中央空调调控策略；通过混合云计算平台计算中央空调最优运行参数，实现用户舒适度和空调能耗平衡；通过设备维护模块定期检查中央空调设备的性能，避免因空调设备故障导致调控无效；通过安全加固模块保护中央空调负荷调控系统的数据安全、内核平台安全和系统服务安全；自动化、智能化程度高。
附图说明
图1为本发明一种基于云平台的中央空调负荷调控系统的整体架构示意图；
图2为本发明一种基于云平台的中央空调负荷调控系统中深度序列特征预测模型的模型架构示意图；
图3为本发明一种基于云平台的中央空调负荷调控系统中的实时采集模块原理架构图；
图4为本发明一种基于云平台的中央空调负荷调控系统中云平台中的实时采集模块电路示意图。
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。
一种基于云平台的中央空调负荷调控系统，所述系统包括：储存管理模块；
储存管理模块，用于中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据的云储存、归档、压缩和管理，所述储存管理模块采用实时应用数据库Oracle RAC实现数据节点故障转移和数据多重备份，以提高数据储存的可靠性和安全性；
中央空调负荷调控系统还包括：实时采集模块、分析预测模块、动态调控模块、设备维护模块和安全加固模块；
实时采集模块，用于实时动态采集中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据，所述实时采集模块通过云端采集服务系统与中央空调设备直接通讯实现各类数据的实时动态采集，以提高数据采集的精确性和可靠性，所述云端采集服务系统包括设备终端、抗干扰通讯单元、备用通讯单元、统计记录单元和实时加速单元，所述设备终端用于中央空调设备数据采集信号的输入，所述抗干扰通讯单元用于中央空调设备终端与云端数据库的抗干扰数据通讯，所述备用通讯单元用于抗干扰通讯单元工作异常或无效情况时的数据通讯操作，所述统计记录单元用于将中央空调设备数据信号实时图表化统计记录，所述实时加速单元用于云端采集服务系统工作过程的加速，以提高数据采集、传输和统计的实时性；
所述设备终端的输出端与所述抗干扰通讯单元的输入端连接，所述抗干扰通讯单元的输出端与所述备用通讯单元的输入端连接，所述备用通讯单元的输出端与所述统计记录单元的输入端连接，所述实时加速单元全过程工作；
分析预测模块，用于基于历史中央空调负荷和实时中央空调负荷预测中央空调负荷走向，以优化中央空调调控策略，所述分析预测模块通过深度序列特征预测模型实现中央空调负荷走向的精准预测；
动态调控模块，用于基于中央空调负荷走向预测调节中央空调的运行状态，所述动态调控模块通过混合云计算平台计算中央空调最优运行参数，以实现用户舒适度和空调能耗平衡，并通过冗余控制系统实现中央空调制冷制热联合调节，以保证中央空调运行状态的稳定性；
设备维护模块，用于中央空调设备的定期维护，所述设备维护模块包括检查分析单元、异常告警单元和维护纪录单元，所述检查分析单元用于定期检查中央空调设备的性能，并通过大数据对比分析的方式发掘中央空调设备的异常情况，所述异常告警单元用于中央空调设备异常情况的维修告警，所述维护记录单元用于记录中央空调设备的维护时间、维护部位和异常原因，所述检查分析单元的输出端与所述异常告警单元的输入端连接，所述异常告警单元的输出端与所述维护记录单元的输入端连接；
安全加固模块，用于保护中央空调负荷调控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块包括隐患检测单元、风险评估单元、安全预警单元、应急防御单元和溯源改进单元，所述隐患检测单元用于检测系统安全隐患的存在，所述风险评估单元用于评估系统安全隐患发生的风险，所述安全预警单元用于对系统安全缺陷进行预警和漏洞修复，所述应急防御单元用于对系统重大紧急安全威胁情况进行告警和紧急补救，所述溯源改进单元用于通过对安全威胁情况进行分析记录系统安全进行加固，以避免二次安全事件的发生，所述隐患检测单元的输出端与所述风险评估单元的输入端连接，所述风险评估单元的输出端与所述安全预警单元的输入端连接，所述风险评估单元的输出端与所述应急防御单元的输入端连接，所述安全预警单元和所述应急防御单元的输出端与所述溯源改进单元的输入端连接；
其中，所述实时采集模块的输出端与所述储存管理模块的输入端连接，所述储存管理模块的输出端与所述分析预测模块的输入端连接，所述分析预测模块的输出端与所述动态调控模块的输入端连接，所述动态调控模块的输出端与所述设备维护模块的输入端连接，所述安全加固模块全程工作。
在具体实施例中，所述中央空调负荷调控系统包括以下特点：
云平台技术：将中央空调负荷调控系统放在云平台上，实现系统的智能化、集中化管理，提高系统的可靠性和稳定性。
大数据分析：将系统内部和外部的数据进行收集、分析，通过机器学习和人工智能等技术，对中央空调负荷的预测和优化，提高系统的效率和节能效果。
智能控制算法：采用先进的控制算法，如PID控制、模糊控制、神经网络控制等，实现对中央空调负荷的精确控制和优化，提高系统的运行效率和稳定性。
移动应用接口：通过移动应用接口，实现对中央空调负荷调控系统的远程监控和控制，提高系统的灵活性和便捷性。
系统的可扩展性：中央空调负荷调控系统应具备良好的可扩展性，可以根据用户需求，进行功能的扩展和升级，以满足不同场景下的需求。
在上述实施例中，所述抗干扰通讯单元采用低电压调制通讯标准LVM-hscs实现中央空调采集数据信号的抗干扰通讯，并采用防干扰双通道实现采集数据信号的无线传输，所述低电压调制通讯标准LVM-hscs通过对采集数据信号进行差分曼彻斯特编码实现采集数据信号的差分耦合，以提高信号通讯的抗干扰能力。
在具体实施例中，抗干扰通讯是指在通信系统设计和实现过程中，使用各种方法和手段，以提高通信系统抗干扰能力的技术。以下是一些常见的抗干扰技术：
频率扩展技术：该技术将数据信号扩展至一个更宽的频带内，使信号在频域内更加分散，从而减少干扰信号对数据信号的影响。
调制技术：该技术通过改变数据信号的调制方式，使其在调制幅度、频率、相位等方面与干扰信号不同，从而提高抗干扰能力。
编码技术：该技术通过对数据信号进行编码和解码处理，使其能够识别和纠正干扰信号对数据信号的影响。
扩频技术：该技术通过使数据信号扩展至一个更宽的带宽内，从而减少干扰信号对数据信号的影响。
信道选择技术：该技术通过选择一个相对干净的信道，从而减少干扰信号对通信的影响。
天线技术：该技术通过选择合适的天线类型、天线方向和天线位置等，以提高通信系统的抗干扰能力。
低电压调制通讯标准LVM-hscs是一种高速、低功耗、低噪声、高抗干扰的数字信号传输技术，常用于显示器、计算机总线、网络设备等高速数据传输领域。
信号是一种差分信号，它使用两条相反方向的信号线来传输数据，其中一条线为正向信号线，另一条线为反向信号线。在传输过程中，数据信号被编码成一个差分电压信号，即正向信号线的电压减去反向信号线的电压。这种编码方式可以提高信号的抗干扰能力，同时也可以降低信号的功耗和噪声。
信号的传输速率可以达到几百兆比特每秒(Mbps)到几千兆比特每秒(Gbps)的水平，而且在长距离传输时也能保持稳定的数据传输。
总之，低电压调制通讯标准LVM-hscs是一种高速、低功耗、低噪声、高抗干扰的数字信号传输技术，在高速数据传输领域应用广泛。
在上述实施例中，所述云端采集服务系统通过双机热备方式实现抗干扰通讯单元工作异常或无效情况发生时备用通讯单元的驱动，所述双机热备方式通过建立备份通信链路实现抗干扰通讯单元和备用通讯单元的实时数据同步，以保证抗干扰通讯单元工作和备用通讯单元的无间歇切换。
在具体实施例中，双机热备是一种通过在主设备和备用设备之间建立备份通信链路来实现数据的自动同步，以保证系统的高可用性和可靠性的技术。其主要特点包括：
自动切换：当主设备出现故障时，备用设备会自动接管工作，并保证数据的连续性和一致性。
数据同步：主设备和备用设备之间通过备份通信链路进行数据同步，保证数据的一致性和可靠性。
高可用性：双机热备技术可以保证系统的高可用性。当主设备出现故障时，备用设备会自动接管工作，从而保证系统的连续运行。
系统可靠性：双机热备技术可以提高系统的可靠性。通过备份通信链路进行数据同步，可以保证数据的可靠性和完整性。
双机热备技术广泛应用于服务器、交换机、路由器等高可用性和可靠性要求较高的设备中。需要注意的是，双机热备技术需要设备本身支持，并且需要进行专业的配置和管理，以确保系统的正常运行和数据的安全性。
在上述实施例中，所述实时加速单元通过动态多源加速网络实现数据采集、传输和统计加速，所述动态多源加速网络采用四层TCP/UDP传输协议，一层边界网关BGP协议以及七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速。
在具体实施例中，动态多源加速网络包括以下部分：
加速区域，要优化访问体验的区域，目前覆盖全球的阿里云数据中心大部分可以作为加速区域使用，一个全球加速实例支持多个加速区域，不同的加速区域可以根据需要分配不同的加速带宽。
加速IP，选择了加速地域后，将自动在该地域创建一个加速IP作为服务的访问入口。
监听，将前端加速IP收到的请求转发到后端的应用服务，转发的过程中可以利用阿里云覆盖全球的内部传输网络进行加速，可以创建TCP/UDP或者HTTP/HTTPS的监听。
终端组，一个靠近服务或网站所在地的代理集群，用于发送服务请求并获取服务响应，对于TCP/UDP监听来说一个监听只能对应一个终端组，对于HTTP/HTTPS的监听来说可以对应一个默认终端组以及多个虚拟终端组。
终端节点，一个代理服务器节点，用于发送服务请求及传回结果。
来自加速区域的服务请求将被分别发送到不同的加速区域的加速IP，加速IP具体接受什么样的请求要以监听为准，一个GA全球加速实例可以创建多个监听，而一个监听又对应多个不同的服务端口，这些端口限定了一个GA提供的服务范围，通过监听接受到的服务请求将通过阿里云的内部网络传输到不同的终端组，这些终端组的位置将尽可能靠近网站和服务的源站点，为了充分保证加速的性能和可用性，因此一个终端组将对应4个终端节点，这4个终端节点将负责将收到的加速请求转发给源站，待源站处理完成后结果将顺原路返回到加速IP，加速IP将把结果发送给在加速地域的客户端。对于TCP/UDP协议的全球加速监听，监听和终端组是一一对应的关系。对于HTTP/HTTPS协议的全球加速监听，默认情况下所有的加速请求将被发送到默认终端组，另外还可以通过设置基于URL的转发策略将部分请求转发到虚拟端口组。用户可根据需要将带宽包在不同的加速区域间进行分配。
在上述实施例中，所述深度序列特征预测模型包括输入层、卷积层、批归一化层、随机丢弃层和输出层，深度序列特征预测模型的工作包括以下步骤：
步骤1、数据预处理，对采集的中央空调数据进行数据清洗、校验和格式转换，以增强数据信息的可检测性；
步骤2、卷积层，通过输入层将采集的中央空调数据输入至卷积层分析处理，所述中央空调数据通过卷积层提取负荷特征，以获取具有区分度的主体和特定目标特征，所述卷积层配合校正线性激活函数ReLU实现数据参数样本特征的特定非线性转换，以减小特征提取误差；
步骤3、随机丢弃层，所述随机丢弃层通过随机丢弃深度序列特征预测模型网络节点，并删除网络节点前后连接简化深度序列特征网络，以抑制过拟合现象；
步骤4、批归一化层，所述批归一化层通过标准化分割处理中央空调负荷特征数据消除深度序列特征预测模型网络层间输入分布差异，以提高深度序列特征预测模型预测速度；
步骤5、卷积层、池化层和随机丢弃层叠加运算，通过叠加两个卷积层和两个随机丢弃层降低深度序列特征预测模型错误率；
步骤6、展平层，将卷积层与池化层输出的中央空调负荷特征展平和维度转换，并输入至全连接层；
步骤7、全连接层，采用调用回调函数访问深度序列特征预测模型状态及性能，所述回调函数根据深度序列特征预测模型状态及性能采用停止标准中断图像特征预测，并对预测结果进行输出，以避免过拟合现象发生。
在具体实施例中，深度序列特征预测模型设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。深度序列特征预测模型针对具有复杂结构的海量数据进行高效数学建模，实现了大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计及平台构建提供有效工具。
在上述实施例中，所述深度序列特征预测模型设置中央空调历史和实时负荷数据集为Y＝{y1,y2,...,yt-1,yt}，中央空调历史和实时运行参数数据集为X＝{x1,x2,...,xt-1,xt}，t时刻中央空调负荷损失输出函数公式为：
在公式(1)中，Pt为t时刻中央空调负荷损失，γ为中央空调负荷的衰减系数，yt为t时刻中央空调负荷，xt为t时刻中央空调运行参数，为中央空调运行过程的负荷损失；历史和实时中央空调负荷损失数据集为P＝{P1,P2,...,Pt-1,Pt}，t+1时刻中央空调负荷预测走向输出函数为：
在公式(2)中，yt+1为t+1时刻中央空调负荷预测走向，Pt为t时刻中央空调负荷损失，max(Y)为历史和实时中央空调负荷最大值，min(P)为历史和实时中央空调负荷损失最小值，为中央空调负荷预测加权系数，ε为辅助加权参数。
在具体实施例中，通过深度序列特征预测模型实现中央空调负荷走向的精准预测，采用公式(2)预测中央空调负荷走向与实际中央空调负荷对比统计如表1所示；
表1速度对比统计表
由表1可知，预测中央空调负荷走向与实际中央空调负荷精确度很高，深度序列特征预测模型的预测精确度与传统预测模型相比统计如表2所示。
表2预测精确度对比统计表
如表2所示，深度序列特征预测模型的预测与传统预测模型相比，预测精确度大大提高。
在上述实施例中，所述混合云计算平台采用多特征最优评价算法MF-OEA计算中央空调最优运行参数，设置t时刻中央空调运行参数为Wt，t时刻用户舒适度为Ct，t时刻空调能耗为Ht，t时刻中央空调运行参数、用户舒适度和空调能耗关系的输出函数公式为：
在公式(3)中，为中央空调运行参数对用户舒适度的影响度，/>为中央空调运行参数对空调能耗的影响值，/>为最优加权值，ζ为寻优参数，基于t时刻中央空调运行参数、用户舒适度和空调能耗关系表达式得到中央空调最优运行参数。
在具体实施例中，采用多特征最优评价算法MF-OEA计算中央空调最优运行参数，实现用户舒适度和空调能耗平衡，与传统算法结果对比如表3所示；
表3结果对比统计表
通过表3，采用多特征最优评价算法MF-OEA计算中央空调最优运行参数，能够实现用户舒适度和空调能耗平衡。
在上述实施例中，所述安全及加固模块的工作包括以下方面：
(1)数据安全加固，所述安全及加固模块通过数据对称反馈CBC加密、设置数据访问权限、访问记录追踪、内存保护和数据备份方式实现中央空调负荷调控系统工作过程的数据安全加密；
(2)网络云平台加密，所述安全及加固模块通过制定安全策略和设置防火墙实现中央空调负荷调控系统工作过程的网络云平台安全；
(3)操作安全，所述安全及加固模块通过系统启动时进行漏洞验证和启动保护实现中央空调负荷调控系统工作过程的操作安全；
(4)安全管理，通过记录安全日志监控中央空调负荷调控系统工作过程的安全事件和行为，挖掘潜在安全风险。
在具体实施例中，所述安全加固模块工作包括以下方面：
1)“关门收口”：针对暴露在互联网的资产进行全面清查梳理与暴露面收敛工作。
2)风险评估：通过自查、扫描等手段对各类资产进行风险评估，发现网络中存在的风险和隐患，并根据结果提供可操作的整改建议。
3)安全加固：利用专业的主机安全加固与检测响应工具、安全加固措施，防止黑客“埋雷”，并对整改后的风险点进行复检。
4)安全动员：设计攻防演练方案，组织重保前攻防演练并总结复盘，进一步减少安全隐患。同时通过安全意识培训使组织单位人员均能全面了解信息系统的安全事项，促进安全人员增强信息安全的相关技能，确保整个信息系统安全可靠地运行。
5)钓鱼防御：制定反钓鱼处置政策、快速响应预案，测试与培训员工发现网络钓鱼电子邮件的能力。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种基于云平台的中央空调负荷调控系统，所述系统包括：储存管理模块；
储存管理模块用于中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据的云储存、归档、压缩和管理，所述储存管理模块采用实时应用数据库Oracle RAC实现数据节点故障转移和数据多重备份，以提高数据储存的可靠性和安全性；
其特征在于：中央空调负荷调控系统还包括：实时采集模块、分析预测模块、动态调控模块、设备维护模块和安全加固模块；
实时采集模块，用于实时动态采集中央空调的运行负荷、机组运行状态、出风口温度以及环境温度数据，所述实时采集模块通过云端采集服务系统与中央空调设备直接通讯实现各类数据的实时动态采集，以提高数据采集的精确性和可靠性，所述云端采集服务系统包括设备终端、抗干扰通讯单元、备用通讯单元、统计记录单元和实时加速单元，所述设备终端用于中央空调设备数据采集信号的输入，所述抗干扰通讯单元用于中央空调设备终端与云端数据库的抗干扰数据通讯，所述备用通讯单元用于抗干扰通讯单元工作异常或无效情况时的数据通讯操作，所述统计记录单元用于将中央空调设备数据信号实时图表化统计记录，所述实时加速单元用于云端采集服务系统工作过程的加速，以提高数据采集、传输和统计的实时性；
所述设备终端的输出端与所述抗干扰通讯单元的输入端连接，所述抗干扰通讯单元的输出端与所述备用通讯单元的输入端连接，所述备用通讯单元的输出端与所述统计记录单元的输入端连接，所述实时加速单元全过程工作；
分析预测模块，用于基于历史中央空调负荷和实时中央空调负荷预测中央空调负荷走向，以优化中央空调调控策略，所述分析预测模块通过深度序列特征预测模型实现中央空调负荷走向的精准预测；
动态调控模块，用于基于中央空调负荷走向预测调节中央空调的运行状态，所述动态调控模块通过混合云计算平台计算中央空调最优运行参数，以实现用户舒适度和空调能耗平衡，并通过冗余控制系统实现中央空调制冷制热联合调节，以保证中央空调运行状态的稳定性；
设备维护模块，用于中央空调设备的定期维护，所述设备维护模块包括检查分析单元、异常告警单元和维护纪录单元，所述检查分析单元用于定期检查中央空调设备的性能，并通过大数据对比分析的方式发掘中央空调设备的异常情况，所述异常告警单元用于中央空调设备异常情况的维修告警，所述维护记录单元用于记录中央空调设备的维护时间、维护部位和异常原因，所述检查分析单元的输出端与所述异常告警单元的输入端连接，所述异常告警单元的输出端与所述维护记录单元的输入端连接；
安全加固模块，用于保护中央空调负荷调控系统的数据安全、内核平台安全和系统服务安全，所述安全加固模块包括隐患检测单元、风险评估单元、安全预警单元、应急防御单元和溯源改进单元，所述隐患检测单元用于检测系统安全隐患的存在，所述风险评估单元用于评估系统安全隐患发生的风险，所述安全预警单元用于对系统安全缺陷进行预警和漏洞修复，所述应急防御单元用于对系统重大紧急安全威胁情况进行告警和紧急补救，所述溯源改进单元用于通过对安全威胁情况进行分析记录系统安全进行加固，以避免二次安全事件的发生，所述隐患检测单元的输出端与所述风险评估单元的输入端连接，所述风险评估单元的输出端与所述安全预警单元的输入端连接，所述风险评估单元的输出端与所述应急防御单元的输入端连接，所述安全预警单元和所述应急防御单元的输出端与所述溯源改进单元的输入端连接；
其中，所述实时采集模块的输出端与所述储存管理模块的输入端连接，所述储存管理模块的输出端与所述分析预测模块的输入端连接，所述分析预测模块的输出端与所述动态调控模块的输入端连接，所述动态调控模块的输出端与所述设备维护模块的输入端连接，所述安全加固模块全程工作。
2.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述抗干扰通讯单元采用低电压调制通讯标准LVM-hscs实现中央空调采集数据信号的抗干扰通讯，并采用防干扰双通道实现采集数据信号的无线传输，所述低电压调制通讯标准LVM-hscs通过对采集数据信号进行差分曼彻斯特编码实现采集数据信号的差分耦合，以提高信号通讯的抗干扰能力。
3.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述云端采集服务系统通过双机热备方式实现抗干扰通讯单元工作异常或无效情况发生时备用通讯单元的驱动，所述双机热备方式通过建立备份通信链路实现抗干扰通讯单元和备用通讯单元的实时数据同步，以保证抗干扰通讯单元工作和备用通讯单元的无间歇切换。
4.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述实时加速单元通过动态多源加速网络实现数据采集、传输和统计加速，所述动态多源加速网络采用四层TCP/UDP传输协议，一层边界网关BGP协议以及七层HTTP/HTTPS协议实现动静态数据的智能识别和自适应加速。
5.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述深度序列特征预测模型包括输入层、卷积层、批归一化层、随机丢弃层和输出层，深度序列特征预测模型的工作包括以下步骤：
步骤1、数据预处理，对采集的中央空调数据进行数据清洗、校验和格式转换，以增强数据信息的可检测性；
步骤2、卷积层，通过输入层将采集的中央空调数据输入至卷积层分析处理，所述中央空调数据通过卷积层提取负荷特征，以获取具有区分度的主体和特定目标特征，所述卷积层配合校正线性激活函数ReLU实现数据参数样本特征的特定非线性转换，以减小特征提取误差；
步骤3、随机丢弃层，所述随机丢弃层通过随机丢弃深度序列特征预测模型网络节点，并删除网络节点前后连接简化深度序列特征网络，以抑制过拟合现象；
步骤4、批归一化层，所述批归一化层通过标准化分割处理中央空调负荷特征数据消除深度序列特征预测模型网络层间输入分布差异，以提高深度序列特征预测模型预测速度；
步骤5、卷积层、池化层和随机丢弃层叠加运算，通过叠加两个卷积层和两个随机丢弃层降低深度序列特征预测模型错误率；
步骤6、展平层，将卷积层与池化层输出的中央空调负荷特征展平和维度转换，并输入至全连接层；
步骤7、全连接层，采用调用回调函数访问深度序列特征预测模型状态及性能，所述回调函数根据深度序列特征预测模型状态及性能采用停止标准中断图像特征预测，并对预测结果进行输出，以避免过拟合现象发生。
6.根据权利要求5所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述深度序列特征预测模型设置中央空调历史和实时负荷数据集为Y＝{y1,y2,...,yt-1,yt}，中央空调历史和实时运行参数数据集为X＝{x1,x2,...,xt-1,xt}，t时刻中央空调负荷损失输出函数公式为：
在公式(1)中，Pt为t时刻中央空调负荷损失，γ为中央空调负荷的衰减系数，yt为t时刻中央空调负荷，xt为t时刻中央空调运行参数，为中央空调运行过程的负荷损失；历史和实时中央空调负荷损失数据集为P＝{P1,P2,...,Pt-1,Pt}，t+1时刻中央空调负荷预测走向输出函数为：
在公式(2)中，yt+1为t+1时刻中央空调负荷预测走向，Pt为t时刻中央空调负荷损失，max(Y)为历史和实时中央空调负荷最大值，min(P)为历史和实时中央空调负荷损失最小值，为中央空调负荷预测加权系数，ε为辅助加权参数。
7.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述混合云计算平台采用多特征最优评价算法MF-OEA计算中央空调最优运行参数，设置t时刻中央空调运行参数为Wt，t时刻用户舒适度为Ct，t时刻空调能耗为Ht，t时刻中央空调运行参数、用户舒适度和空调能耗关系的输出函数公式为：
在公式(3)中，为中央空调运行参数对用户舒适度的影响度，/>为中央空调运行参数对空调能耗的影响值，/>为最优加权值，ζ为寻优参数，基于t时刻中央空调运行参数、用户舒适度和空调能耗关系表达式得到中央空调最优运行参数。
8.根据权利要求1所述的一种基于云平台的中央空调负荷调控系统，其特征在于：所述安全及加固模块的工作包括以下方面：
(1)数据安全加固，所述安全及加固模块通过数据对称反馈CBC加密、设置数据访问权限、访问记录追踪、内存保护和数据备份方式实现中央空调负荷调控系统工作过程的数据安全加密；
(2)网络云平台加密，所述安全及加固模块通过制定安全策略和设置防火墙实现中央空调负荷调控系统工作过程的网络云平台安全；
(3)操作安全，所述安全及加固模块通过系统启动时进行漏洞验证和启动保护实现中央空调负荷调控系统工作过程的操作安全；
(4)安全管理，通过记录安全日志监控中央空调负荷调控系统工作过程的安全事件和行为，挖掘潜在安全风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722560.7A CN116753599B (zh) | 2023-06-17 | 2023-06-17 | 一种基于云平台的中央空调负荷调控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722560.7A CN116753599B (zh) | 2023-06-17 | 2023-06-17 | 一种基于云平台的中央空调负荷调控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116753599A true CN116753599A (zh) | 2023-09-15 |
| CN116753599B CN116753599B (zh) | 2023-12-01 |
Family
ID=87949179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722560.7A Active CN116753599B (zh) | 2023-06-17 | 2023-06-17 | 一种基于云平台的中央空调负荷调控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116753599B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105258306A (zh) * | 2015-09-30 | 2016-01-20 | 中国电力科学研究院 | 一种面向中央空调系统的自动需求响应装置及应用方法 |
| CN111486555A (zh) * | 2020-04-21 | 2020-08-04 | 数方节能科技(烟台)有限公司 | 一种人工智能ai专家系统进行中央空调节能调控的方法 |
| US20200410318A1 (en) * | 2019-06-25 | 2020-12-31 | XNOR.ai, Inc. | Optimizing Binary Convolutional Neural Networks |
| CN112543429A (zh) * | 2020-11-25 | 2021-03-23 | 北京科技大学 | 一种具备自主决策功能的可配置边缘计算网关 |
| CN115437245A (zh) * | 2021-06-02 | 2022-12-06 | 北京和隆优化科技股份有限公司 | 一种基于燃烧状态预测模型的锅炉优化控制方法 |
| CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
| CN116191401A (zh) * | 2022-12-16 | 2023-05-30 | 国网青海省电力公司经济技术研究院 | 一种短期综合能源系统多元负荷预测方法及系统 |
-
2023
- 2023-06-17 CN CN202310722560.7A patent/CN116753599B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105258306A (zh) * | 2015-09-30 | 2016-01-20 | 中国电力科学研究院 | 一种面向中央空调系统的自动需求响应装置及应用方法 |
| US20200410318A1 (en) * | 2019-06-25 | 2020-12-31 | XNOR.ai, Inc. | Optimizing Binary Convolutional Neural Networks |
| CN111486555A (zh) * | 2020-04-21 | 2020-08-04 | 数方节能科技(烟台)有限公司 | 一种人工智能ai专家系统进行中央空调节能调控的方法 |
| CN112543429A (zh) * | 2020-11-25 | 2021-03-23 | 北京科技大学 | 一种具备自主决策功能的可配置边缘计算网关 |
| CN115437245A (zh) * | 2021-06-02 | 2022-12-06 | 北京和隆优化科技股份有限公司 | 一种基于燃烧状态预测模型的锅炉优化控制方法 |
| CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
| CN116191401A (zh) * | 2022-12-16 | 2023-05-30 | 国网青海省电力公司经济技术研究院 | 一种短期综合能源系统多元负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116753599B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443037B (zh) | 一种基于改进ahp方法的电力监控网络安全态势感知方法 | |
| CN116633978B (zh) | 基于物联网的污水处理远程监控系统 | |
| CN110891283A (zh) | 一种基于边缘计算模型的小基站监控装置及方法 | |
| CN113037745A (zh) | 一种基于安全态势感知的智能变电站风险预警系统及方法 | |
| CN112468592B (zh) | 一种基于电力信息采集的终端在线状态侦测方法及系统 | |
| CN112506167B (zh) | 一种工业网络设备的异常的处理方法以及系统 | |
| CN113659705B (zh) | 一种变电站运行管理系统 | |
| CN112261042B (zh) | 一种基于攻击危害评估的防渗透系统 | |
| CN112492633B (zh) | 一种基于改进局部异常因子的无线节点故障诊断方法 | |
| CN104486101A (zh) | 一种在线电力远动iec104传输异常检测方法 | |
| CN116992399A (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
| CN116723136B (zh) | 应用fcm聚类算法的网络检测数据的方法 | |
| CN111885094B (zh) | 一种工控系统网络安全防护能力检查评估系统 | |
| CN116753599B (zh) | 一种基于云平台的中央空调负荷调控系统 | |
| CN108510162B (zh) | 一种有源配电网安全效能评估方法 | |
| CN111314387B (zh) | 考虑网络攻击影响的电力系统信息物理双层策略优化方法 | |
| Wang et al. | A trust management method against abnormal behavior of industrial control networks under active defense architecture | |
| CN111665771A (zh) | 一种基础设施监控系统和监控方法 | |
| CN116708246A (zh) | 传输链路的检测方法及装置、设备及存储介质 | |
| Wang | Computer network routing configuration based on intelligent algorithm | |
| Gao et al. | The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview | |
| CN117424329A (zh) | 基于边缘计算技术的生产变电自动化控制系统 | |
| Huicong et al. | SDN Network Reliability Guarantee Mechanism based on Network Characteristics | |
| CN117336137A (zh) | 基于智能边缘网关的物联网数据处理方法及系统 | |
| Mao | Reliability Analysis and Optimization of Computer Communication Network Based on Differential Evolution Algorithm |
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 |