CN116805275A - 一种基于数据分析的公共机构能耗智能监管系统 - Google Patents
一种基于数据分析的公共机构能耗智能监管系统 Download PDFInfo
- Publication number
- CN116805275A CN116805275A CN202311050023.9A CN202311050023A CN116805275A CN 116805275 A CN116805275 A CN 116805275A CN 202311050023 A CN202311050023 A CN 202311050023A CN 116805275 A CN116805275 A CN 116805275A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- public institution
- neural network
- network model
- abnormal
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 247
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000003062 neural network model Methods 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims 2
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的公共机构能耗智能监管系统,涉及公共机构耗能监管技术领域,通过设置机构信息收集模块预先收集公共机构的机构信息,设置耗能训练数据收集模块在测试环境中收集若干耗能量预测训练数据以及耗能模式训练数据,设置模型训练模块训练预测每个公共机构的总耗能量的第一神经网络模型,以及训练识别耗能设备类型的第二神经网络模型,设置异常监测模块判断公共机构的耗能是否异常,并在耗能异常时,分析导致耗能异常的原因;智能化和动态的对公共机构能耗进行监管,提高能耗异常监管的准确性,且进一步提供监管方向,提高了能耗监管效率。
Description
技术领域
本发明属于涉及公共机构能耗监管技术领域,具体是一种基于数据分析的公共机构能耗智能监管系统。
背景技术
公共机构作为重要的社会组织,承担着各类公共服务和日常管理职责。为了满足运营需求,这些机构需要消耗大量的能源,包括电力、水资源、热能等,公共机构的能耗管理是实现可持续发展和能源节约的重要任务。然而,公共机构在能源利用方面存在着浪费和低效的问题。现有的能耗监管方法往往通过定量分析能耗数据来评估能耗情况,但缺乏灵活性和细致的分析,存在以下不足之处:
公共机构的能源浪费:公共机构中存在着能源的浪费现象,包括长时间的设备闲置、未及时修复的能源设备故障、不合理的设备运行策略等。这些问题导致了能源的不必要消耗和浪费,降低了能源利用的效率。
现有监管方法的定量分析局限性:现有的能耗监管方法主要侧重于定量分析能耗数据,如能源消耗量和能源费用等。然而,仅仅依靠定量分析难以全面了解能耗的真实情况。对于能耗异常背后的原因难以直观的分析处理;
为此,本发明提出一种基于数据分析的公共机构能耗智能监管系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于数据分析的公共机构能耗智能监管系统,智能化和动态的对公共机构能耗进行监管,提高能耗异常监管的准确性,且进一步提供监管方向,提高了能耗监管效率。
为实现上述目的,本发明提出一种基于数据分析的公共机构能耗智能监管系统,包括机构信息收集模块、耗能训练数据收集模块、模型训练模块以及异常监测模块;其中,各个模块之间通过有线方式连接;
其中,所述机构信息收集模块主要用于预先收集公共机构的机构信息;
在一个优选的实施例中,所述机构信息包括若干公共机构类型集合;
所述公共机构类型集合中的每个元素为一个公共机构类型字典;
所述公共机构类型字典的键为公共机构类型;
所述公共机构类型字典中的每个元素为公共机构基础信息集合;
所述公共机构基础信息集合中,每个元素为城市中对应公共机构类型的公共机构的公共机构基础信息;
所述公共机构基础信息包括机构面积、机构人数以及耗能设备数据;
其中,所述机构面积通过调取建筑施工规划书获取;
其中,所述机构人数根据公共机构在其网站公告或周期性工作报告中获取;
所述耗能设备数据为公共机构内需要使用电能的耗能设备类型的集合;
所述机构信息收集模块将收集的机构信息发送至异常监测模块;
其中,所述耗能训练数据收集模块主要用于在测试环境中收集若干耗能量预测训练数据以及耗能模式训练数据;
在一个优选的实施例中,所述测试环境是由测试人员在每种公共机构类型对应的若干公共机构中进行相应布置或改造,以实现对能量预测训练数据以及耗能模式训练数据进行收集的数据环境;
所述耗能量预测训练数据包括在测试环境中,每种公共机构类型对应的每个公共机构的第一耗能量序列;
所述第一耗能量序列为按时间排序依次收集的每个时间周期的总耗能量;
所述耗能模式训练数据包括每种公共机构类型的每种耗能设备类型在各个公共机构中的第二耗能量序列;
所述第二耗能量序列为按时间排序依次收集的T个时间周期的总耗能量;其中,T为预设的识别周期数量;
所述耗能训练数据收集模块将收集的耗能量预测训练数据以及耗能模式训练数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于耗能量预测训练数据,训练预测每个公共机构的总耗能量的第一神经网络模型,以及基于耗能模式训练数据,训练识别耗能设备类型的第二神经网络模型;
训练预测每个公共机构的总耗能量的第一神经网络模型的方式为:
将每种公共机构类型的编号标记为i;
对于第i种公共机构类型,根据预设的预测时间步长、滑动步长以及滑动窗口长度;且所述预测时间步长为1;将第一耗能量序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的第一耗能量序列作为输出,每个训练样本后续预测时间步长内,在第一耗能量序列的后续预测时间步长内的第一耗能量序列作为预测目标,对第一神经网络模型进行训练;生成预测总耗能量的第一神经网络模型;所述第一神经网络模型为循环神经网络模型;
训练识别耗能设备类型的第二神经网络模型的方式为:
将每种耗能设备类型的编号标记为j;
对于第i种公共机构类型,将每组第二耗能量序列根据其所对应的耗能设备类型
人工为其打上标签,耗能设备类型为j时,将第二耗能量序列的标签设置为j;将每组第二耗
能量序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组第二耗能量序列
的预测的标签为输出,以人工打上的标签为预测目标,以最小化所有第二耗能量序列的预
测误差之和作为训练目标;其中,预测误差的计算公式为:,其中,
为第二耗能量序列的编号,为预测误差,为第组第二耗能量序列对应的预测的
标签,为第组第二耗能量序列对应的人工打上的标签;对第二神经网络模型进行训
练,直至预测准确度之和达到收敛时停止训练;所述第二神经网络模型为循环神经网络模
型;
所述耗能训练数据收集模块将训练完成的第一神经网络模型和第二神经网络模型发送至异常监测模块;
其中,所述异常监测模块主要用于基于机构信息、第一神经网络模型和第二神经网络模型,判断公共机构的耗能是否异常,并在耗能异常时,分析导致耗能异常的原因;
判断公共机构的耗能是否异常的方式为:
将第i种公共机构类型中每个公共机构的编号标记为ik,将第i种公共机构类型中公共机构的数量标记为Ki;
对于第ik个公共机构,在每个对应的时间周期结束前,将该公共机构在前滑动窗口长度的耗能量序列作为第一神经网络模型的输入,获得第一神经网络模型输出的预测的最新时间周期的总耗能量,将预测的总耗能量标记为Pik;
对于第ik个公共机构,在每个对应的时间周期结束后,通过电能表等电能统计设备获取该公共机构的实际总耗能量;将实际总耗能量标记为Rik;
将第ik个公共机构的机构面积标记为Sik,将第ik个公共机构的机构人数标记为Nik;
计算第ik个公共机构的预测偏差值Eik;其中,预测偏差值Eik的计算公式为:;其中,a1和a2分别为预设的比例系数;
计算第i种公共机构类型的平均偏差值Ji;所述平均偏差值Ji的计算公式为:;
若在当前时间周期内,第ik个公共机构的预测偏差值Eik减去平均偏差值Ji的结果大于预设的偏差阈值,则将第ik个公共机构在当前时间周期内标记为异常;
若第ik个公共机构连续L个时间周期,均被标记为异常,则判断第ik个公共机构为耗能异常;其中,L为预设的监测周期数量;
耗能异常时,分析导致耗能异常的原因的方式为:
从第ik个公共机构在第一个标记为异常的时间周期开始,收集T个时间周期的预测的总耗能量和实际总耗能量,并在每个时间周期计算预测的总耗能量与实际总耗能量,获得该时间周期的异常耗能量;
将T个时间周期的异常耗能量组成的耗能量序列输入第二神经网络模型,获得第二神经网络模型输出的预测的标签作为导致耗能异常的原因。
与现有技术相比,本发明的有益效果是:
本发明通过预先收集公共机构的机构信息,机构信息中包括每个机构的机构类型、机构面积、机构人数以及使用的耗能设备的类型,再在测试环境中收集若干耗能量预测训练数据以及耗能模式训练数据,基于耗能量预测训练数据,训练预测每个公共机构的总耗能量的第一神经网络模型,以及基于耗能模式训练数据,训练识别耗能设备类型的第二神经网络模型,在实际的公共机构能耗监管过程中,通过计算每个公共机构的预测耗能量与实际耗能量的差值,评估该公共机构是否具有异常耗能的可能性,再通过计算所有相同类型的公共机构的平均异常水平,来进一步的评估该公共机构是否耗能异常,以保证在部分特殊时期,整个同类型的公共机构同时提升了耗能量时,产生误判,最后在判断出现耗能异常时,通过每种耗能设备的类型的耗能模式,来判断可能出现异常的耗能设备,智能化和动态的对公共机构能耗进行监管,提高能耗异常监管的准确性,且进一步提供监管方向,提高了能耗监管效率。
附图说明
图1为本发明的基于数据分析的公共机构能耗智能监管系统的模块连接图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1所示,一种基于数据分析的公共机构能耗智能监管系统,包括机构信息收集模块、耗能训练数据收集模块、模型训练模块以及异常监测模块;其中,各个模块之间通过有线方式连接;
其中,所述机构信息收集模块主要用于预先收集公共机构的机构信息;
在一个优选的实施例中,所述机构信息包括若干公共机构类型集合;
所述公共机构类型集合中的每个元素为一个公共机构类型字典;需要说明的是,所述字典是一个键值对,键表示数据属性,值表示对应数据属性的属性值,比如:{年龄:18},其中,年龄为键,18为值;
所述公共机构类型字典的键为公共机构类型;所述公共机构类型为根据职能划分的城市中的公共机构类型,包括但不限于医院、学校、政府机关以及文化艺术机构等;
所述公共机构类型字典中的每个元素为公共机构基础信息集合;
所述公共机构基础信息集合中,每个元素为城市中对应公共机构类型的公共机构的公共机构基础信息;
所述公共机构基础信息包括机构面积、机构人数以及耗能设备数据;
其中,所述机构面积通过调取建筑施工规划书获取;
其中,所述机构人数根据公共机构在其网站公告或周期性工作报告中获取;
所述耗能设备数据为公共机构内需要使用电能的耗能设备类型的集合,所述耗能设备类型包括但不限于电灯、空调或暖气、办公设备以及实验设备等;
所述机构信息收集模块将收集的机构信息发送至异常监测模块;
其中,所述耗能训练数据收集模块主要用于在测试环境中收集若干耗能量预测训练数据以及耗能模式训练数据;
在一个优选的实施例中,所述测试环境是由测试人员在每种公共机构类型对应的若干公共机构中进行相应布置或改造,以实现对能量预测训练数据以及耗能模式训练数据进行收集的数据环境;对于改造的例子如:为测试环境中公共机构内的每种耗能设备安装耗能量统计设备,以收集耗能模式训练数据;可以理解的是,在非测试环境中,为每种耗能设备安装耗能量统计设备的成本是巨大的,因此通过在测试环境中收集训练数据,用于监管非测试环境是节约成本的;
所述耗能量预测训练数据包括在测试环境中,每种公共机构类型对应的每个公共机构的第一耗能量序列;
所述第一耗能量序列为按时间排序依次收集的每个时间周期的总耗能量;需要说明的是,所述时间周期根据不同的公共机构类型的具体职能而确定,例如:政务部门按上下班时间计算,文化艺术机构按开闭馆时间计算等;
所述耗能模式训练数据包括每种公共机构类型的每种耗能设备类型在各个公共机构中的第二耗能量序列;
所述第二耗能量序列为按时间排序依次收集的T个时间周期的总耗能量;其中,T为预设的识别周期数量;需要说明的是,每个公共机构的第二耗能量序列的时间周期与该公共机构的第一耗能量序列的时间序列一致;
所述耗能训练数据收集模块将收集的耗能量预测训练数据以及耗能模式训练数据发送至模型训练模块;
其中,所述模型训练模块主要用于基于耗能量预测训练数据,训练预测每个公共机构的总耗能量的第一神经网络模型,以及基于耗能模式训练数据,训练识别耗能设备类型的第二神经网络模型;
在一个优选的实施例中,训练预测每个公共机构的总耗能量的第一神经网络模型的方式为:
将每种公共机构类型的编号标记为i;
对于第i种公共机构类型,根据预设的预测时间步长、滑动步长以及滑动窗口长度;且所述预测时间步长为1;将第一耗能量序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的第一耗能量序列作为输出,每个训练样本后续预测时间步长内,在第一耗能量序列的后续预测时间步长内的第一耗能量序列作为预测目标,对第一神经网络模型进行训练;生成预测总耗能量的第一神经网络模型;所述第一神经网络模型为循环神经网络模型;
需要说明的是,滑动窗口方法作为循环神经网络模型的常规技术手段,本发明在此不再做原理性说明;但为了本发明更便于实施,本发明提供如下的关于滑动窗口方法的示例:
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型,设置预测时间步长为1,滑动步长设置1以及滑动窗口长度设置为3;则生成3组训练数据和对应的预测目标数据:[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据,以[4]、[5]以及[6]分别作为预测目标;
训练识别耗能设备类型的第二神经网络模型的方式为:
将每种耗能设备类型的编号标记为j;
对于第i种公共机构类型,将每组第二耗能量序列根据其所对应的耗能设备类型
人工为其打上标签,耗能设备类型为j时,将第二耗能量序列的标签设置为j;将每组第二耗
能量序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组第二耗能量序列
的预测的标签为输出,以人工打上的标签为预测目标,以最小化所有第二耗能量序列的预
测误差之和作为训练目标;其中,预测误差的计算公式为:,其中,
为第二耗能量序列的编号,为预测误差,为第组第二耗能量序列对应的预测的
标签,为第组第二耗能量序列对应的人工打上的标签;对第二神经网络模型进行训
练,直至预测准确度之和达到收敛时停止训练;所述第二神经网络模型为循环神经网络模
型;
所述耗能训练数据收集模块将训练完成的第一神经网络模型和第二神经网络模型发送至异常监测模块;
其中,所述异常监测模块主要用于基于机构信息、第一神经网络模型和第二神经网络模型,判断公共机构的耗能是否异常,并在耗能异常时,分析导致耗能异常的原因,从而实现精确的监管;
在一个优选的实施例中,判断公共机构的耗能是否异常的方式为:
将第i种公共机构类型中每个公共机构的编号标记为ik,将第i种公共机构类型中公共机构的数量标记为Ki;
对于第ik个公共机构,在每个对应的时间周期结束前,将该公共机构在前滑动窗口长度的耗能量序列作为第一神经网络模型的输入,获得第一神经网络模型输出的预测的最新时间周期的总耗能量,将预测的总耗能量标记为Pik;
对于第ik个公共机构,在每个对应的时间周期结束后,通过电能表等电能统计设备获取该公共机构的实际总耗能量;将实际总耗能量标记为Rik;
将第ik个公共机构的机构面积标记为Sik,将第ik个公共机构的机构人数标记为Nik;
计算第ik个公共机构的预测偏差值Eik;其中,预测偏差值Eik的计算公式为:;其中,a1和a2分别为预设的比例系数;其中,/>表示的是单位机构面积的耗能量,/>表示的是人均耗能量;通过计算平均值,避免了因每个公共机构的规模不同,导致的总耗能量差异过大,从而难以量化分析的问题;
计算第i种公共机构类型的平均偏差值Ji;所述平均偏差值Ji的计算公式为:;
若在当前时间周期内,第ik个公共机构的预测偏差值Eik减去平均偏差值Ji的结果大于预设的偏差阈值,则将第ik个公共机构在当前时间周期内标记为异常;否则不做处理;
若第ik个公共机构连续L个时间周期,均被标记为异常,则判断第ik个公共机构为耗能异常;否则,判断为正常;其中,L为预设的监测周期数量;
耗能异常时,分析导致耗能异常的原因的方式为:
从第ik个公共机构在第一个标记为异常的时间周期开始,收集T个时间周期的预测的总耗能量和实际总耗能量,并在每个时间周期计算预测的总耗能量与实际总耗能量,获得该时间周期的异常耗能量;可以理解的是,预测的总耗能量与实际总耗能量为出现异常的部分耗能量;
将T个时间周期的异常耗能量组成的耗能量序列输入第二神经网络模型,获得第二神经网络模型输出的预测的标签;可以理解的是,预测的标签即为可能出现异常的耗能设备的类型。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于数据分析的公共机构能耗智能监管系统,其特征在于,包括:包括机构信息收集模块、耗能训练数据收集模块、模型训练模块以及异常监测模块;其中,各个模块之间通过有线方式连接;
机构信息收集模块,预先收集公共机构的机构信息,并将收集的机构信息发送至异常监测模块;
耗能训练数据收集模块,在测试环境中收集若干耗能量预测训练数据以及耗能模式训练数据,并将收集的耗能量预测训练数据以及耗能模式训练数据发送至模型训练模块;
模型训练模块,基于耗能量预测训练数据,训练预测每个公共机构的总耗能量的第一神经网络模型,以及基于耗能模式训练数据,训练识别耗能设备类型的第二神经网络模型,并将训练完成的第一神经网络模型和第二神经网络模型发送至异常监测模块;
异常监测模块,基于机构信息、第一神经网络模型和第二神经网络模型,判断公共机构的耗能是否异常,并在耗能异常时,分析导致耗能异常的原因。
2.根据权利要求1所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,所述机构信息包括若干公共机构类型集合;
所述公共机构类型集合中的每个元素为一个公共机构类型字典;
所述公共机构类型字典的键为公共机构类型;
所述公共机构类型字典中的每个元素为公共机构基础信息集合;
所述公共机构基础信息集合中,每个元素为城市中对应公共机构类型的公共机构的公共机构基础信息;
所述公共机构基础信息包括机构面积、机构人数以及耗能设备数据;
所述耗能设备数据为公共机构内需要使用电能的耗能设备类型的集合。
3.根据权利要求2所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,所述耗能量预测训练数据包括在测试环境中,每种公共机构类型对应的每个公共机构的第一耗能量序列;
所述第一耗能量序列为按时间排序依次收集的每个时间周期的总耗能量。
4.根据权利要求3所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,所述耗能模式训练数据包括每种公共机构类型的每种耗能设备类型在各个公共机构中的第二耗能量序列;
所述第二耗能量序列为按时间排序依次收集的T个时间周期的总耗能量;其中,T为预设的识别周期数量。
5.根据权利要求4所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,训练预测每个公共机构的总耗能量的第一神经网络模型的方式为:
将每种公共机构类型的编号标记为i;
对于第i种公共机构类型,根据预设的预测时间步长、滑动步长以及滑动窗口长度;且所述预测时间步长为1;将第一耗能量序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的第一耗能量序列作为输出,每个训练样本后续预测时间步长内,在第一耗能量序列的后续预测时间步长内的第一耗能量序列作为预测目标,对第一神经网络模型进行训练;生成预测总耗能量的第一神经网络模型;所述第一神经网络模型为循环神经网络模型。
6.根据权利要求5所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,训练识别耗能设备类型的第二神经网络模型的方式为:
将每种耗能设备类型的编号标记为j;
对于第i种公共机构类型,将每组第二耗能量序列根据其所对应的耗能设备类型人工为其打上标签,耗能设备类型为j时,将第二耗能量序列的标签设置为j;将每组第二耗能量序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组第二耗能量序列的预测的标签为输出,以人工打上的标签为预测目标,以最小化所有第二耗能量序列的预测误差之和作为训练目标;其中,预测误差的计算公式为:,其中,/>为第二耗能量序列的编号,/>为预测误差,/>为第/>组第二耗能量序列对应的预测的标签,为第/>组第二耗能量序列对应的人工打上的标签;对第二神经网络模型进行训练,直至预测准确度之和达到收敛时停止训练;所述第二神经网络模型为循环神经网络模型。
7.根据权利要求6所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,判断公共机构的耗能是否异常的方式为:
将第i种公共机构类型中每个公共机构的编号标记为ik,将第i种公共机构类型中公共机构的数量标记为Ki;
对于第ik个公共机构,在每个对应的时间周期结束前,将该公共机构在前滑动窗口长度的耗能量序列作为第一神经网络模型的输入,获得第一神经网络模型输出的预测的最新时间周期的总耗能量,将预测的总耗能量标记为Pik;
对于第ik个公共机构,在每个对应的时间周期结束后,通过电能表等电能统计设备获取该公共机构的实际总耗能量;将实际总耗能量标记为Rik;
将第ik个公共机构的机构面积标记为Sik,将第ik个公共机构的机构人数标记为Nik;
计算第ik个公共机构的预测偏差值Eik;其中,预测偏差值Eik的计算公式为:;其中,a1和a2分别为预设的比例系数;
计算第i种公共机构类型的平均偏差值Ji;所述平均偏差值Ji的计算公式为:;
若在当前时间周期内,第ik个公共机构的预测偏差值Eik减去平均偏差值Ji的结果大于预设的偏差阈值,则将第ik个公共机构在当前时间周期内标记为异常;
若第ik个公共机构连续L个时间周期,均被标记为异常,则判断第ik个公共机构为耗能异常;其中,L为预设的监测周期数量。
8.根据权利要求7所述的一种基于数据分析的公共机构能耗智能监管系统,其特征在于,耗能异常时,分析导致耗能异常的原因的方式为:
从第ik个公共机构在第一个标记为异常的时间周期开始,收集T个时间周期的预测的总耗能量和实际总耗能量,并在每个时间周期计算预测的总耗能量与实际总耗能量,获得该时间周期的异常耗能量;
将T个时间周期的异常耗能量组成的耗能量序列输入第二神经网络模型,获得第二神经网络模型输出的预测的标签作为导致耗能异常的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050023.9A CN116805275B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分析的公共机构能耗智能监管系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050023.9A CN116805275B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分析的公共机构能耗智能监管系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805275A true CN116805275A (zh) | 2023-09-26 |
CN116805275B CN116805275B (zh) | 2023-11-21 |
Family
ID=88080841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311050023.9A Active CN116805275B (zh) | 2023-08-21 | 2023-08-21 | 一种基于数据分析的公共机构能耗智能监管系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805275B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
CN109102103A (zh) * | 2018-06-26 | 2018-12-28 | 上海鲁班软件股份有限公司 | 一种基于循环神经网络的多类别能耗预测方法 |
CN114785617A (zh) * | 2022-06-15 | 2022-07-22 | 北京金汇创企业管理有限公司 | 一种5g网络应用层异常检测方法及系统 |
CN115495320A (zh) * | 2022-11-16 | 2022-12-20 | 智联信通科技股份有限公司 | 一种基于大数据的通信机房防护的监测管理系统 |
-
2023
- 2023-08-21 CN CN202311050023.9A patent/CN116805275B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN109102103A (zh) * | 2018-06-26 | 2018-12-28 | 上海鲁班软件股份有限公司 | 一种基于循环神经网络的多类别能耗预测方法 |
CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
CN114785617A (zh) * | 2022-06-15 | 2022-07-22 | 北京金汇创企业管理有限公司 | 一种5g网络应用层异常检测方法及系统 |
CN115495320A (zh) * | 2022-11-16 | 2022-12-20 | 智联信通科技股份有限公司 | 一种基于大数据的通信机房防护的监测管理系统 |
Non-Patent Citations (1)
Title |
---|
廖文强: "基于深度学习的办公建筑能耗预测研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116805275B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN110458529A (zh) | 一种基于大数据的水污染分析、预测方法 | |
CN114528929B (zh) | 一种多源数据的台区量测系统和方法 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
Lin et al. | Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction | |
CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
CN116185757A (zh) | 机房能耗智能监测系统 | |
CN117436846B (zh) | 基于神经网络的设备预测性维护方法及系统 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN116805275B (zh) | 一种基于数据分析的公共机构能耗智能监管系统 | |
Khalid et al. | Performance comparison of artificial intelligence techniques for non-intrusive electrical load monitoring | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Othman et al. | Hybrid stand-alone photovoltaic systems sizing optimization based on load profile | |
Adeyemo et al. | Surrogate-based digital twin for predictive fault modelling and testing of cyber physical systems | |
CN111832832B (zh) | 一种基于物联网的小区自巡检系统 | |
WO2024090662A1 (ko) | 인공지능 기반의 설비 사용패턴 분석 기반 에너지 효율화 서비스 시스템 및 방법 | |
Wei et al. | A Method of Abnormal Measurement Screening for Special Transformer Users Based on Correlation Measurement 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 |