CN116951780A - 一种智能中央热水器管理方法和系统 - Google Patents
一种智能中央热水器管理方法和系统 Download PDFInfo
- Publication number
- CN116951780A CN116951780A CN202310957292.7A CN202310957292A CN116951780A CN 116951780 A CN116951780 A CN 116951780A CN 202310957292 A CN202310957292 A CN 202310957292A CN 116951780 A CN116951780 A CN 116951780A
- Authority
- CN
- China
- Prior art keywords
- operation data
- trend
- time interval
- data
- water heater
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000003066 decision tree Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013486 operation strategy Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 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
- 230000001932 seasonal effect 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
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H15/00—Control of fluid heaters
- F24H15/10—Control of fluid heaters characterised by the purpose of the control
- F24H15/156—Reducing the quantity of energy consumed; Increasing efficiency
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H15/00—Control of fluid heaters
- F24H15/40—Control of fluid heaters characterised by the type of controllers
- F24H15/414—Control of fluid heaters characterised by the type of controllers using electronic processing, e.g. computer-based
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H15/00—Control of fluid heaters
- F24H15/40—Control of fluid heaters characterised by the type of controllers
- F24H15/486—Control of fluid heaters characterised by the type of controllers using timers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Heat-Pump Type And Storage Water Heaters (AREA)
Abstract
本发明公开了一种智能中央热水器管理方法和系统，属于智能楼宇技术以及节能技术领域。本发明通过根据异常运行数据，设置中央热水器当前所对应的运行策略，从而提高了中央热水器在使用过程中的效率，降低了能源消耗，节约了成本；通过构建孤立决策树，并根据该孤立决策树获得异常运行数据，提高了异常运行数据获取结果的准确性，从而进一步提高了效率。
Description
技术领域
本发明涉及智能楼宇技术以及节能技术领域，特别涉及一种智能中央热水器管理方法和系统。。
背景技术
智能中央热水器由一个或多个热源系统组成，采用电加热的原理为提供房间所需的热水。
现有的中央热水器，是根据用户的设定运行或者系统设置后，参照固定参数运行，即发生用户使用需求时，用户开启或者关闭该中央热水器，或者是楼宇管理设备设定运行时间或者运行温度，满足用户用水需求；
但是上述管理方式，在用户需求多样性的情况下，存在用户无需用水时加热，或者需要用水时不加热的情况，用户体验较差，且为了解决上述问题，现有技术所采用的技术方案是实时加热，从而导致能源的浪费。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种智能中央热水器管理方法和系统。所述技术方案如下：
一方面，提供了一种智能中央热水器管理方法，所述方法包括：
在当前时间间隔内，获取中央热水器对应的历史运行数据；所述当前时间间隔与环境温度的平均值对应；
根据所述历史运行数据，构建孤立决策树；
对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
根据所述加权距离计算得到加权异常分数，根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据；
根据所述异常运行数据，设置所述中央热水器当前所对应的运行策略。
可选的，在当前时间间隔内，获取中央热水器对应的历史运行数据之前，所述方法还包括：
获取所述环境温度的平均值；
根据所述平均值，设置对应的时间间隔。
可选的，所述根据所述历史运行数据，构建孤立决策树包括：
根据所述历史运行数据中的当前时间间隔运行数据，计算所述当前时间间隔运行数据对应的第一趋势因子；
根据所述当前时间间隔运行数据的波动情况，计算所述当前时间间隔运行数据对应的第二趋势因子；
根据所述第一趋势因子和所述第二趋势因子，构建所述孤立决策树。
可选的，所述根据所述第一趋势因子和所述第二趋势因子，构建所述孤立决策树包括：
计算当前时间间隔内，所述中央热水器对应的运行数据平均值；
根据每个运行周期内的运行数据平均值，以及当前时间间隔内的运行数据平均值，得到映射运行数据；
根据所述映射运行数据，计算所述当前时间间隔内对应的第一熵值，以及所述运行周期对应的第二熵值；
根据所述第一趋势因子、所述第二趋势因子、所述第一熵值和所述第二熵值，构建所述孤立决策树。
可选的，所述根据所述第一趋势因子、所述第二趋势因子、所述第一熵值和所述第二熵值，构建所述孤立决策树包括：
根据所述第一熵值和所述第二熵值，确定所述映射运行数据在所述运行周期内的第一选取权重和时间间隔内的第二选取权重；
根据所述第一选取权重、所述第二选取权重、所述第一趋势因子和所述第二趋势因子，确定不同运行周期的数据权重；
根据所述数据权重，构建所述孤立决策树。
可选的，所述根据所述数据权重，构建所述孤立决策树包括：
根据所述数据权重，对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离，根据所述加权距离计算得到加权异常分数；
根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据。
可选的，
按照时序顺序对当前时间间隔内的每个运行周期内所对应的历史运行数据均值进行排序，得到均值序列，基于STL时序分解方法对所述均值序列进行时序分解，得到趋势项的斜率作为第一趋势因子；
确定一天内不同运行周期历史运行数据和所述每个时间间隔数据均值的差值绝对值的最大值作为最大差异，计算所述最大差异和预设差异系数的乘积作为波动系数；
按照时序顺序对每个时间间隔的波动系数进行排序得到波动序列，基于STL时序分解方法对所述波动序列进行时序分解，得到趋势项的斜率作为第二趋势因子。
可选的，
根据所述第一趋势因子和所述第二趋势因子确定趋势影响系数，其中，所述第一趋势因子和所述趋势影响系数呈正相关关系，所述第二趋势因子和所述趋势影响系数呈正相关关系，所述趋势影响系数的取值为归一化的数值；
计算所述趋势影响系数、所述第一选取权重和所述第二选取权重的乘积归一化值作为所述数据权重。
可选的，
计算所述数据权重和所述层级距离的乘积作为加权距离；
基于异常分数计算公式，对所述加权距离进行异常分数计算处理，得到加权异常分数。
另一方面，提供了一种智能中央热水器管理系统，所述系统包括：
获取装置，用于在当前时间间隔内，获取中央热水器对应的历史运行数据；所述当前时间间隔与环境温度的平均值对应；
分析装置，用于根据所述历史运行数据，构建孤立决策树；
所述分析装置还用于对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
所述分析装置还用于根据所述加权距离计算得到加权异常分数，根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据；
策略调整装置，用于根据所述异常运行数据，设置所述中央热水器当前所对应的运行策略。
本发明实施例提供的技术方案带来的有益效果是：
1、通过根据异常运行数据，设置中央热水器当前所对应的运行策略，从而提高了中央热水器在使用过程中的效率，降低了能源消耗，节约了成本；
2、通过构建孤立决策树，并根据该孤立决策树获得异常运行数据，提高了异常运行数据获取结果的准确性，从而进一步提高了效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的智能中央热水器管理方法流程图；
图2是本发明实施例提供的智能中央热水器管理方法流程图；
图3是本发明实施例提供的智能中央热水器管系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，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。
参照图1所示，提供了一种智能中央热水器管理方法，方法包括：
101、在当前时间间隔内，获取中央热水器对应的历史运行数据；当前时间间隔与环境温度的平均值对应；
102、根据历史运行数据，构建孤立决策树；
103、对孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
104、根据加权距离计算得到加权异常分数，根据加权异常分数进行异常点检测，从历史运行数据中确定异常运行数据；
105、根据异常运行数据，设置中央热水器当前所对应的运行策略。
在实际应用中，该运行策略可以具体为：
记录异常运行数据的发生频次和发生时间；
若该异常运行数据的发生频次大于预设值，则对中央热水器进行故障检测；
若检测结果指示中央热水器无故障，则在下一个发生时间，按照异常运行数据，运行该中央热水器；
若检测结果指示中央热水器故障，则在获取时间间隔内所有相邻运行周期之间的时间长度，选择时间长度最长的两个运行周期之间的时间间隔为维修时间。
若该异常运行数据的发生频次小于或者等于预设值，则对中央热水器进行故障检测；
若检测结果指示中央热水器无故障，则将该异常运行数据上报并标记，在下一个时间间隔内执行本发明实施例所述的方案时，忽略该异常运行数据；
若检测结果指示中央热水器故障，则在获取时间间隔内所有相邻运行周期之间的时间长度，选择时间长度最长的两个运行周期之间的时间间隔为维修时间。
若该异常运行数据的发生频次小于或者等于预设值，则对中央热水器进行故障检测。
用户在使用中央热水器的过程中，如果多次发生异常运行数据，在中央热水器无故障的前提下，则指示常规的运行数据不满足当下的使用需求，通过下一个发生时间，按照异常运行数据，运行该中央热水器，则使得用户无需每次对中央热水器的运行数据进行调整，从而提高了用户体验；如果发生异常运行数据的较少，在中央热水器无故障的前提下，则可以认定为用户的误操作或者其他不当使用行为，通过忽略该异常运行数据，则可以避免该异常运行数据对中央热水器管理的影响。
另外，通过在发生异常数据后，对中央热水器进行故障检测，可以及时发现故障，且选择时间长度最长的两个运行周期之间的时间间隔为维修时间，在保证故障维修的同时，避免对用户使用造成不便，进一步提高了用户体验。
可选的，步骤101在当前时间间隔内，获取中央热水器对应的历史运行数据之前，方法还包括：
201、获取环境温度的平均值；
202、根据平均值，设置对应的时间间隔，从而实现当前时间间隔与环境温度的平均值。
具体的，在该过程可以为：
设置多个统计周期，该统计周期的具体时间长度本发明实施例不加以限定，在实际应用中，可以自定义该统计周期；
获取当前统计周期内环境温度的平均值；
若当前统计周期内环境温度的平均值与上一个统计周期内环境温度的平均值都处于预设温度区间内，且二者之间差值的绝对值小于预设值，则设置当前统计周期和上一个统计周期为当前时间间隔；
继续对下一个统计周期执行上述操作，直至统计周期内环境温度的平均值不处于预设温度，或者两个统计周期环境温度的平均值之间差值的绝对值大于或者等于预设值。
众所周知的是，用户对于热水器的使用时间和使用频率往往与环境温度相对应，可以理解为，在环境温度较低的情况下，用户对于热水器的使用时间和使用频率较高，反之则较低，所以通过设置当前时间间隔与环境温度的平均值，使得统计时间与环境温度相对应，可以避免由于统计过程中未充分考虑环境温度所导致的误差，进一步提高准确性。
可选的，步骤102根据历史运行数据，构建孤立决策树包括：
301、根据历史运行数据中的当前时间间隔运行数据，计算当前时间间隔运行数据对应的第一趋势因子。
具体的，按照时序顺序对当前时间间隔内的每个运行周期内所对应的历史运行数据均值进行排序，得到均值序列；
基于STL时序分解方法对均值序列进行时序分解，得到趋势项的斜率作为第一趋势因子。
上述运行周期为中央热水器开启至关闭之间的时间。
通过将均值序列进行STL时序分解，得到对应的趋势项曲线，而后，将趋势项的斜率作为第一趋势因子，由于趋势项可以表征对应时序序列总体趋势，则趋势项的斜率可以表征对应时间间隔内运行周期的运行数据的变化趋势，即第一趋势因子可以表征不同时间间隔内运行周期的运行数据的变化趋势，从而更加准确的获得异常运行数据。
302、根据当前时间间隔运行数据的波动情况，计算当前时间间隔运行数据对应的第二趋势因子。
具体的，确定时间间隔内不同运行周期历史运行数据和时间间隔内数据均值的差值绝对值的最大值作为最大差异，计算最大差异和预设差异系数的乘积作为波动系数；
按照时序顺序对每个时间间隔的波动系数进行排序得到波动序列，基于STL时序分解方法对波动序列进行时序分解，得到趋势项的斜率作为第二趋势因子。
需要说明的是，在步骤301和步骤302中计算趋势因子所涉及的时序分解(STL，Seasonal and Trend decomposition using Loess)方法，是以鲁棒局部加权回归作为平滑方法的时间序列分解方法，将时序序列分解为对应的趋势项、季节项和残差项，对此不再赘述。
303、根据第一趋势因子和第二趋势因子，构建孤立决策树。
本发明实施例中，通过将均值序列进行STL时序分解，得到对应的趋势项曲线，而后，将趋势项的斜率作为第一趋势因子，由于趋势项可以表征对应时序序列总体趋势，则趋势项的斜率可以表征对应不同时间间隔的每个运行周期所对应运行数据均值的变化趋势，也即是说，第一趋势因子可以表征不同时间间隔的每个运行周期所对应运行数据均值的变化趋势，从而更加准确的获得异常运行数据。
本发明实施例中所述的运行数据包括开启时间、关闭时间以及运行时中央热水器的加热温度，对应的，异常运行数据包括异常开启时间、异常关闭时间以及异常加热温度。
可选的，参照图2所示，步骤303根据第一趋势因子和第二趋势因子，构建孤立决策树包括：
401、计算当前时间间隔内，中央热水器对应的运行数据平均值；
402、根据每个运行周期内的运行数据平均值，以及当前时间间隔内的运行数据平均值，得到映射运行数据；
将每个运行周期内的运行数据平均值和预设常数系数的和值作为分母，当前时间间隔内的运行数据平均值作为分子，得到映射系数；
计算运行周期的历史运行数据和映射系数的乘积作为对应运行周期的映射运行数据。
403、根据映射运行数据，计算当前时间间隔内对应的第一熵值，以及运行周期对应的第二熵值；
根据映射运行数据在运行周期内时间间隔内，不同运行数据的频次分布确定第一熵值，根据映射运行数据在时间间隔内内不同数据的频次分布确定第二熵值。
404、根据第一趋势因子、第二趋势因子、第一熵值和第二熵值，构建孤立决策树。
可选的，步骤404根据第一趋势因子、第二趋势因子、第一熵值和第二熵值，构建孤立决策树包括：
501、根据第一熵值和第二熵值，确定映射运行数据在运行周期内的第一选取权重和时间间隔内的第二选取权重；
502、根据第一选取权重、第二选取权重、第一趋势因子和第二趋势因子，确定不同运行周期的数据权重；
503、根据数据权重，构建孤立决策树。
可选的，步骤503根据数据权重，构建孤立决策树包括：
601、根据数据权重，对孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离，根据加权距离计算得到加权异常分数；
602、根据加权异常分数进行异常点检测，从历史运行数据中确定异常运行数据。
可选的，
根据第一趋势因子和第二趋势因子确定趋势影响系数，其中，第一趋势因子和趋势影响系数呈正相关关系，第二趋势因子和趋势影响系数呈正相关关系，趋势影响系数的取值为归一化的数值；
计算趋势影响系数、第一选取权重和第二选取权重的乘积归一化值作为数据权重。
可选的，
计算数据权重和层级距离的乘积作为加权距离；
基于异常分数计算公式，对加权距离进行异常分数计算处理，得到加权异常分数。
本发明通过每个时间间隔数据均值确定每个时间间隔历史运行数据的第一趋势因子，并根据波动情况确定每个时间间隔历史运行数据的第二趋势因子，能够有效根据数据均值和波动情况对趋势因子进行分析，从而能够保证对历史运行数据的数据变化趋势进行准确获取，通过每个时间间隔数据均值和年度数据均值，对历史运行数据进行映射处理，得到映射水表数据，能够消除不同时间不同时间中央热水器使用情况的客观差异，从而保证异常运行数据的提取能够避免正常热水器使用情况的影响，由于是根据运行周期内的数据频次确定第一熵值，根据时间间隔内的数据频次确定第二熵值，能够对对应运行周期和对应时间间隔的数据进行有效分析，从而能够根据熵值计算确定对应数据的选取权重，计算得到第一选取权重和第二选取权重，便于结合第一选取权重、第二选取权重、第一趋势因子和第二趋势因子确定数据权重，其中数据权重则可以表示对应数据的异常情况的影响权重，根据数据权重结合层级距离得到加权距离，根据加权距离得到自适应的加权异常分数，从而能够使得加权异常分数能够有效表征对应历史运行数据的异常情况，进而提升异常运行数据检测的检测精度，增强异常运行数据检测的准确性。
参照图3所示，提供了一种智能中央热水器管理系统，系统包括：
获取装置，用于在当前时间间隔内，获取中央热水器对应的历史运行数据；当前时间间隔与环境温度的平均值对应；
分析装置，用于根据历史运行数据，构建孤立决策树；
分析装置还用于对孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
分析装置还用于根据加权距离计算得到加权异常分数，根据加权异常分数进行异常点检测，从历史运行数据中确定异常运行数据；
策略调整装置，用于根据异常运行数据，设置中央热水器当前所对应的运行策略。
可选的，获取装置具体用于：
获取环境温度的平均值；
根据平均值，设置对应的时间间隔。
可选的，分析装置具体用于：
根据历史运行数据中的当前时间间隔运行数据，计算当前时间间隔运行数据对应的第一趋势因子；
根据当前时间间隔运行数据的波动情况，计算当前时间间隔运行数据对应的第二趋势因子；
根据第一趋势因子和第二趋势因子，构建孤立决策树。
可选的，分析装置具体用于：
计算当前时间间隔内，中央热水器对应的运行数据平均值；
根据每个运行周期内的运行数据平均值，以及当前时间间隔内的运行数据平均值，得到映射运行数据；
根据映射运行数据，计算当前时间间隔内对应的第一熵值，以及运行周期对应的第二熵值；
根据第一趋势因子、第二趋势因子、第一熵值和第二熵值，构建孤立决策树。
可选的，分析装置具体用于：
根据第一熵值和第二熵值，确定映射运行数据在运行周期内的第一选取权重和时间间隔内的第二选取权重；
根据第一选取权重、第二选取权重、第一趋势因子和第二趋势因子，确定不同运行周期的数据权重；
根据数据权重，构建孤立决策树。
可选的，分析装置具体用于：
根据数据权重，对孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离，根据加权距离计算得到加权异常分数；
根据加权异常分数进行异常点检测，从历史运行数据中确定异常运行数据。
可选的，分析装置具体用于：
按照时序顺序对当前时间间隔内的每个运行周期内所对应的历史运行数据均值进行排序，得到均值序列，基于STL时序分解方法对均值序列进行时序分解，得到趋势项的斜率作为第一趋势因子；
确定一天内不同运行周期历史运行数据和每个时间间隔数据均值的差值绝对值的最大值作为最大差异，计算最大差异和预设差异系数的乘积作为波动系数；
按照时序顺序对每个时间间隔的波动系数进行排序得到波动序列，基于STL时序分解方法对波动序列进行时序分解，得到趋势项的斜率作为第二趋势因子。
可选的，分析装置具体用于：
根据第一趋势因子和第二趋势因子确定趋势影响系数，其中，第一趋势因子和趋势影响系数呈正相关关系，第二趋势因子和趋势影响系数呈正相关关系，趋势影响系数的取值为归一化的数值；
计算趋势影响系数、第一选取权重和第二选取权重的乘积归一化值作为数据权重。
可选的，
计算数据权重和层级距离的乘积作为加权距离；
基于异常分数计算公式，对加权距离进行异常分数计算处理，得到加权异常分数。
需要说明的是，在智慧建筑或者智慧楼宇的场景下，本发明实施例所述的技术方案所述的智能中央热水器管理系统可以具体为，在用户侧，或者用户对应的家居设备上，设置对应的检测点；如在用户的热水进水口上设置对应的检测电，通过该检测点，实时检测用户所使用热水的温度；在楼宇管理设备上，配置策略调整装置、分析装置以及获取装置，以实现本发明实施例所提供的技术方案。
在实际应用中，考虑到中央热水器与用户侧之间的热量损耗，该中央热水器可以按照楼层进行配置，或者按照部分层数的用户进行配置，实现同一个楼宇内配置多个中央热水器，在保证使用的同时，进一步提高了中央热水器的管理精度，保证了用户需求的满足，提高了用于体验。
中央热水器可以按照楼层进行配置，或者按照部分层数的用户进行配置的过程中，热量损耗还可以通过实时检测用户所使用热水的温度，与中央热水器的加热温度进行对比得出；
本发明实施例所提供的技术方案，避免了判断模型在学习过程中发生概念偏移，在判断模型随机数据训练模型时导致数据异常检测精度降低，异常检测准确性不足。
需要说明的是：上述实施例提供的智能中央热水器管理系统在执行智能中央热水器管理方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的智能中央热水器管理方法和系统实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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 (10)
1.一种智能中央热水器管理方法，其特征在于，所述方法包括：
在当前时间间隔内，获取中央热水器对应的历史运行数据；所述当前时间间隔与环境温度的平均值对应；
根据所述历史运行数据，构建孤立决策树；
对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
根据所述加权距离计算得到加权异常分数，根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据；
根据所述异常运行数据，设置所述中央热水器当前所对应的运行策略。
2.根据权利要求1所述的方法，其特征在于，在当前时间间隔内，获取中央热水器对应的历史运行数据之前，所述方法还包括：
获取所述环境温度的平均值；
根据所述平均值，设置对应的时间间隔。
3.根据权利要求2所述的方法，其特征在于，所述根据所述历史运行数据，构建孤立决策树包括：
根据所述历史运行数据中的当前时间间隔运行数据，计算所述当前时间间隔运行数据对应的第一趋势因子；
根据所述当前时间间隔运行数据的波动情况，计算所述当前时间间隔运行数据对应的第二趋势因子；
根据所述第一趋势因子和所述第二趋势因子，构建所述孤立决策树。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一趋势因子和所述第二趋势因子，构建所述孤立决策树包括：
计算当前时间间隔内，所述中央热水器对应的运行数据平均值；
根据每个运行周期内的运行数据平均值，以及当前时间间隔内的运行数据平均值，得到映射运行数据；
根据所述映射运行数据，计算所述当前时间间隔内对应的第一熵值，以及所述运行周期对应的第二熵值；
根据所述第一趋势因子、所述第二趋势因子、所述第一熵值和所述第二熵值，构建所述孤立决策树。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一趋势因子、所述第二趋势因子、所述第一熵值和所述第二熵值，构建所述孤立决策树包括：
根据所述第一熵值和所述第二熵值，确定所述映射运行数据在所述运行周期内的第一选取权重和时间间隔内的第二选取权重；
根据所述第一选取权重、所述第二选取权重、所述第一趋势因子和所述第二趋势因子，确定不同运行周期的数据权重；
根据所述数据权重，构建所述孤立决策树。
6.根据权利要求5所述的方法，其特征在于，所述根据所述数据权重，构建所述孤立决策树包括：
根据所述数据权重，对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离，根据所述加权距离计算得到加权异常分数；
根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据。
7.根据权利要求6所述的方法，其特征在于，
按照时序顺序对当前时间间隔内的每个运行周期内所对应的历史运行数据均值进行排序，得到均值序列，基于STL时序分解方法对所述均值序列进行时序分解，得到趋势项的斜率作为第一趋势因子；
确定一天内不同运行周期历史运行数据和所述每个时间间隔数据均值的差值绝对值的最大值作为最大差异，计算所述最大差异和预设差异系数的乘积作为波动系数；
按照时序顺序对每个时间间隔的波动系数进行排序得到波动序列，基于STL时序分解方法对所述波动序列进行时序分解，得到趋势项的斜率作为第二趋势因子。
8.根据权利要求7所述的方法，其特征在于，
根据所述第一趋势因子和所述第二趋势因子确定趋势影响系数，其中，所述第一趋势因子和所述趋势影响系数呈正相关关系，所述第二趋势因子和所述趋势影响系数呈正相关关系，所述趋势影响系数的取值为归一化的数值；
计算所述趋势影响系数、所述第一选取权重和所述第二选取权重的乘积归一化值作为所述数据权重。
9.根据权利要求8所述的方法，其特征在于，
计算所述数据权重和所述层级距离的乘积作为加权距离；
基于异常分数计算公式，对所述加权距离进行异常分数计算处理，得到加权异常分数。
10.一种智能中央热水器管理系统，其特征在于，所述系统包括：
获取装置，用于在当前时间间隔内，获取中央热水器对应的历史运行数据；所述当前时间间隔与环境温度的平均值对应；
分析装置，用于根据所述历史运行数据，构建孤立决策树；
所述分析装置还用于对所述孤立决策树中历史运行数据对应叶子节点与根节点间的层级距离进行调整，得到加权距离；
所述分析装置还用于根据所述加权距离计算得到加权异常分数，根据所述加权异常分数进行异常点检测，从所述历史运行数据中确定异常运行数据；
策略调整装置，用于根据所述异常运行数据，设置所述中央热水器当前所对应的运行策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310957292.7A CN116951780A (zh) | 2023-08-01 | 2023-08-01 | 一种智能中央热水器管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310957292.7A CN116951780A (zh) | 2023-08-01 | 2023-08-01 | 一种智能中央热水器管理方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116951780A true CN116951780A (zh) | 2023-10-27 |
Family
ID=88454597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310957292.7A Pending CN116951780A (zh) | 2023-08-01 | 2023-08-01 | 一种智能中央热水器管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116951780A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117387909A (zh) * | 2023-10-30 | 2024-01-12 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
-
2023
- 2023-08-01 CN CN202310957292.7A patent/CN116951780A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117387909A (zh) * | 2023-10-30 | 2024-01-12 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
| CN117387909B (zh) * | 2023-10-30 | 2024-05-17 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022110558A1 (zh) | 一种智能电能表故障预警方法及装置 | |
| CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
| CN106296465B (zh) | 一种智能电网异常用电行为检测方法 | |
| CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
| CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN104537438A (zh) | 一种用电高峰的预测及监控方法 | |
| CN116951780A (zh) | 一种智能中央热水器管理方法和系统 | |
| CN111415270A (zh) | 一种基于lstm学习的电力负荷智能识别方法 | |
| CN109636007A (zh) | 一种基于大数据的用水量预测方法及装置 | |
| CN108054749A (zh) | 一种非侵入式电力负荷分解方法及装置 | |
| CN116307944A (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
| CN112421608A (zh) | 一种基于马尔科夫自下而上的家庭负荷预测方法 | |
| Brusokas et al. | HeatFlex: Machine learning based data-driven flexibility prediction for individual heat pumps | |
| CN114330642A (zh) | 一种用于多采样时间的建筑电力负荷预测方法 | |
| CN117318051A (zh) | 一种基于物联网技术的智慧能源储能管控系统及方法 | |
| CN104573858A (zh) | 一种电网负荷的预测和调控方法 | |
| CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
| CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
| CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
| CN112327046A (zh) | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 | |
| CN111578372B (zh) | 一种供暖住户室温估测方法、系统、介质及电子设备 | |
| Zhong et al. | Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters | |
| Fu et al. | Realistic scenario modelling for building power supply and distribution system based on non-intrusive load monitoring | |
| Li | Prediction of Building Power Loads Using Statistical and Machine Learning Methods: A Case Study of a LEED-Certified Institutional Building |
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 |