CN116975744A - 基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 - Google Patents
基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 Download PDFInfo
- Publication number
- CN116975744A CN116975744A CN202310783971.7A CN202310783971A CN116975744A CN 116975744 A CN116975744 A CN 116975744A CN 202310783971 A CN202310783971 A CN 202310783971A CN 116975744 A CN116975744 A CN 116975744A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- energy consumption
- abnormal
- detection data
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 95
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000002955 isolation Methods 0.000 title claims abstract description 28
- 238000005265 energy consumption Methods 0.000 claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- -1 electricity Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于Scikit‑learn隔离森林算法的建筑碳排放异常检测方法及系统,包括采集模块、提取模块、评分模块和告警模块;所述采集模块采集周期性的智能建筑能耗使用数据;所述提取模块提取能耗检测时间内对应的多组相同时间段的能耗检测数据,通过建筑碳排放计算标准换算成对应的碳排放检测数据;所述评分模块采用Scikit‑learn隔离森林算法,根据多组碳排放检测数据计算相应时间段碳排放的异常得分;所述告警模块通过判断多组碳排放检测数据的异常得分,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。
Description
技术领域
本发明涉及低碳环保智能建筑技术领域,特别是基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统。
背景技术
由于全球气温的上升,令两极冰雪融化,海平面升高,一些低海拔国家和地区将沉入水底。人类只有一个地球,气候变暖已经成为目前不得不重视的全球性问题,跟人类的生存空间息息相关。事实上,地球变暖的周期非常漫长,只要注意降低碳排放量,基本可以忽略其影响。随着人们的日常生活中开始高频率地涌现“低碳”概念,于是“低碳生活”应运而生,低碳生活是一种经济、健康、幸福的生活方式,它不会降低人们的幸福指数,相反会使我们的生活更加幸福。保护地球家园、造福人类未来,需要全人类共同努力。低碳是提倡借助低能量、低消耗、低开支的生活方式,把消耗的能量降到最低,从而减少二氧化碳的排放,保护地球环境,保证人类在地球上长期舒适安逸地生活和发展。低碳生活是一种态度,我们要在生活中去实践,注意四节:节电、节水、节油、节气,从这些点滴做起。利用人工智能建筑技术,实现碳排放的减少,促进资源节约和循环利用,促进绿色建筑的发展。实施绿色可持续发展理念,实现建筑业转型升级、高质量发展,是推动建筑产业现代化发展的重要抓手,在信息飞速发展的时代,必须借助数字化、智能化的建筑技术,推动建筑业转型升级,实现高质量发展。建设可持续性的未来是人工智能建筑发展的必然趋势,绿色建筑的发展也将促进这一行业的快速发展。推动建筑行业健康发展,走绿色可持续发展之路可谓势在必行。建设生态宜居城市离不开建筑业的持续健康发展,绿色建筑更符合我国建筑行业健康发展的需要。目前,对智能建筑的能耗检测方法主要为人工统计和设备节能相结合的方式,因此需要一种更适用且更高效的可以针对智能建筑低碳节能的智能检测方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统,通过周期性的采集智能建筑能耗使用数据,提取能耗检测时间内对应的多组相同时间段的能耗检测数据,通过计算换算成对应的碳排放检测数据;采用Scikit-learn隔离森林算法计算相应时间段碳排放的异常得分;通过判断多组碳排放检测数据异常得分的正负值进行异常告警,减少智能建筑的碳排放,帮助实现绿色建筑的低碳减排。
为实现上述目的,本发明采用如下技术方案:基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,包括以下步骤:
步骤1:通过周期性的采集智能建筑能耗使用数据,将能耗使用数据存入数据库中;
步骤2:根据能耗检测时间提取出多组相同时间段内的能耗检测数据;
步骤3:将所述多组相同时间段内的能耗检测数据通过建筑碳排放计算标准换算成对应的多组碳排放检测数据;
步骤4:将所述多组碳排放检测数据通过Scikit-learn隔离森林算法,分别计算出每组碳排放检测数据的异常得分;
步骤5:通过分析所述每组碳排放检测数据的异常得分,负的分值为异常数据,正的分值为正常数据。
在一较佳的实施例中,步骤1包括对智能建筑水电气等能耗数据进行周期性的采集,将采集的能耗数据进行分类,并记录到数据库中,存储长期的相同时间段内的能耗数据。
在一较佳的实施例中,步骤2包括对数据库中的能耗采集数据进行提取,通过能耗检测时间提取出多组相同时间节点的能耗历史数据,得到所述多组相同时间段内的能耗检测数据。
在一较佳的实施例中,步骤3包括将所述多组相同时间段内的能耗检测数据进行水电气等类型进行区分,根据国家规定的建筑碳排放计算标准换算成统一的碳排放数值,得到所述多组碳排放检测数据。
在一较佳的实施例中,步骤4包括对相同时间段内的碳排放检测数据进行参数提取,将检测数据进行Scikit-learn隔离森林算法计算,获得所述相应时间段内的异常得分。
在一较佳的实施例中,步骤5包括将所有碳排放检测数据的异常得分进行排序,得到对应的从正到负的检测结果,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。
本发明提供了基于Scikit-learn隔离森林算法的建筑碳排放异常检测系统,其特征在于,运行基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,包括
采集模块,用于采集周期性的智能建筑能耗使用数据;
提取模块,用于提取能耗检测时间内对应的多组相同时间段的能耗检测数据,通过建筑碳排放计算标准换算成对应的碳排放检测数据;
评分模块,用于采用Scikit-learn隔离森林算法,根据多组碳排放检测数据计算相应时间段碳排放的异常得分;
告警模块,用于判断多组碳排放检测数据的异常得分,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。
与现有技术相比,本发明具有以下有益效果:本发明实现将多组能耗检测数据进行Scikit-learn隔离森林算法计算异常得分,根据所述异常得分的正负值进行告警。该方法可以减少智能建筑的碳排放,帮助实现绿色建筑的低碳减排。
附图说明
图1是本发明优选实施例的系统架构图;
图2是本发明优选实施例的方法实现流程图;
图3是本发明优选实施例的采集提取流程图;
图4是本发明优选实施例的隔离森林算法流程图;
图5是本发明优选实施例的数据与时间的对比图;
图6是本发明优选实施例的隔离森林算法的预测图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式;如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
请参照图1-6,本发明提供一种基于Scikit-learn隔离森林算法的智能建筑碳排放异常检测方法,包括采集模块、提取模块、评分模块和告警模块。
在本发明实施例中,如图2所示,图中是本发明实施例提供的智能建筑碳排放异常检测方法的流程图。监控智能建筑运行能耗数据,分析方法是将一整天的时间分成多个时段,并将每天相同时段的智能建筑运行能耗作为能耗检测数据,将所有数据的特征值记录到数据库中。对从数据库中所提取的多组相同时间段的能耗检测数据进行分类,将不同类型下的能耗使用数据,通过建筑碳排放计算标准,得到换算后的碳排放检测数据。通过分析这些碳排放检测数据,在连续不同时段的碳排放区间值,便形成了碳排放趋势;碳排放趋势反映了智能建筑在运行下所呈现的耗能变化趋势,是一项重要的能耗指标。利用每半小时的智能建筑的标准能耗使用数据建立相应的能耗基线,同时将运行能耗与对比的相同时间段的运行能耗值进行Scikit-learn隔离森林算法计算异常得分,通过判断异常得分正负值便可筛选出检测能耗数据中的异常碳排放。能耗检测数据基于历史运行数据,使用异常检测算法进行统计分析后,对监控的每一段时间内的每个时间点的数值进行对比检测,通过分析异常得分来进行异常告警。
上述的异常检测方法主要包括以下步骤:
步骤S1,通过周期性的采集的智能建筑能耗使用数据;具体的,以每半小时为基准,将每天都分为n个时间节点,采集智能建筑能耗使用数据。
采集的数据主要是长期运行的智能建筑能耗使用数据,通过周期性的采集能耗使用数据,采集不同时间段的采集能耗使用数据,包括高峰使用时段以及空闲使用时段,用足够多的对比数据来增加基础检测数据的准确性。
步骤S2,对所述提取模块提取能耗检测时间内对应的多组相同时间段的能耗检测数据;具体的,将能耗检测时间和每天相同时间段能耗使用数据抽取出来,作为后续分析的目标检测数据。请参照图3,图中是采集提取流程检测数据方法的流程图。
历史能耗监控数据中包括大量不同时间节点,主要根据监控实时能耗的时间点作为主要因子,从历史能耗数据中抽取出对应时间特征的检测数据,在没有重大偏移的基础上达到检测数据的共同点。
本实施方式中,上述采集和提取数据的方法由智能建筑平台来执行,采集的数据存储在缓存中,并通过分析将所需数据存储在数据库中。例如,智能建筑在监控楼宇能耗使用情况时,可以对该采集能耗数据进行解析,包括分析该能耗数据的运行时间段、运行能耗特征值、建筑消耗终端能源类型、建筑用能系统类型及建筑面积等内容信息,将这些监控信息存在缓存并进行关键数据提取到数据库中,按照设定好的时间规则统计不同时间范围内的能耗数据。
具体而言,需要分系统采集不同设备、不同时长的运行能耗。包括对智能建筑不同系统间设备能耗采集协议的处理,包括modbus、bacnet、mqtt等协议数据的统一采集,进行不同设备间能耗数据的统一入库操作,并基于预设的能耗数据提取规则,提取出对应所需的特征数据,来判断数据的有效性。举例来说,运行能耗数据具体可以通过不同厂家,不同协议规则解析出的地址位获取,通过分析换算十六进制下的比特位组合,根据设定的高低位优先规则获取最终的能耗使用数值。
步骤S3,通过建筑碳排放计算标准换算成对应的碳排放检测数据;具体的,对所提取的多组相同时间段的能耗检测数据进行分类,获取不同建筑消耗终端能源类型下建筑用能系统类型的耗能量,通过建筑碳排放计算标准,得到换算后的碳排放检测数据。
具体的,建筑运行阶段碳排放量应根据各系统不同类型能源消耗量和不同类型能源的碳排放因子确定,建筑运行阶段单位建筑面积的总碳排放量(CM)应按下列公式计算:
其中,CM——建筑运行阶段单位建筑面积碳排放量(kgC02/m2);Ei——建筑第i类能源年消耗量(单位/a);EFi——第i类能源的碳排放因子,按本标准附录A取值;Ei,j——j类系统的第i类能源消耗量(单位/a);ERi,j——j类系统消耗由可再生能源系统提供的第i类能源量(单位/a);i——建筑消耗终端能源类型,包括电力、燃气、石油、市政热力等;j——建筑用能系统类型,包括供暖空调、照明、生活热水系统等;Cp——建筑绿地碳汇系统年减碳量(kgC02/a);y——建筑设计寿命(a);A——建筑面积(m2)。
步骤S4,采用Scikit-learn隔离森林算法,请参照图4,根据多组碳排放检测数据值计算相应时间段碳排放的异常得分。异常检测是在数据集中发现异常或异常数据点的过程,异常检测是监控、防止欺诈,并检测数据错误的重要技术。问题在于异常很难检测到,首先它们通常很少发生,而且它们没有明确的识别模式,即使在同一个数据集中,异常也可能明显不同。
隔离森林是最流行的异常检测算法之一。隔离森林的一般思想是,异常值可以更容易地从更广泛的数据集中隔离,因为它们具有不太可能发生的独特特征。本质上,该算法通过学习正常数据的特征来区分异常数据点,从而将问题转过来。鉴于异常通常很难标记,它是一种无监督算法。
具体的,将多组检测数据作为原始数据,有放回或者不放回的抽取部分样本,选取部分特征,构建一颗二叉树,利用集成学习的思想,多次抽取样本和特征,完成多棵iTree的构建,得出数据的异常得分,即针对每个目标检测数据,都获取对应的异常得分,可以通过如下公式进行计算:
h(x)=e+c(T.size)
其中,其中e为样本x从树的根节点到叶节点的过程中经历的边的个数,即split次数。T.size表示和样本x同在一个叶子结点样本的个数,C(T.size)可以看做一个修正值,表示T.size个样本构建一个二叉树的平均路径长度,c(n)计算公式如下:
其中,0.5772156649为欧拉常数。
样本落入叶子结点经过的边数(split次数),除了和样本本身有关,也和limitlength和抽样的样本子集有关系。采用归一化的方式,把split length的值域映射到0-1之间。具体公式如下:
其中:h(x)为样本在iTree上的PathLength,E(h(x))为样本在t棵iTree的PathLength的均值,c(n)为n个样本构建一个BST二叉树的平均路径长度,因为iTree和BST的结构的等价性,标准化借鉴BST(Binary Search Tree)去估计路径的平均长度c(n)。使用Scikit-learn的隔离森林进行异常分数的修改,获取最终的能耗检测数据异常得分。
步骤S4,所述告警模块通过判断多组碳排放检测数据的异常得分,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。具体的,将所有流量检测数据的异常得分进行正序排列,得到所有分值为负数的能耗检测数据,将所述异常得分的所述时间段碳排放异常得分对应的时间段碳排放进行告警。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,包括以下步骤:
步骤1:通过周期性的采集智能建筑能耗使用数据,将能耗使用数据存入数据库中;
步骤2:根据能耗检测时间提取出多组相同时间段内的能耗检测数据;
步骤3:将所述多组相同时间段内的能耗检测数据通过建筑碳排放计算标准换算成对应的多组碳排放检测数据;
步骤4:将所述多组碳排放检测数据通过Scikit-learn隔离森林算法,分别计算出每组碳排放检测数据的异常得分;
步骤5:通过分析所述每组碳排放检测数据的异常得分,负的分值为异常数据,正的分值为正常数据。
2.根据权利要求1所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,步骤1包括对智能建筑水电气等能耗数据进行周期性的采集,将采集的能耗数据进行分类,并记录到数据库中,存储长期的相同时间段内的能耗数据。
3.根据权利要求1所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,步骤2包括对数据库中的能耗采集数据进行提取,通过能耗检测时间提取出多组相同时间节点的能耗历史数据,得到所述多组相同时间段内的能耗检测数据。
4.根据权利要求1所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,步骤3包括将所述多组相同时间段内的能耗检测数据进行水电气等类型进行区分,根据国家规定的建筑碳排放计算标准换算成统一的碳排放数值,得到所述多组碳排放检测数据。
5.根据权利要求1所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,步骤4包括对相同时间段内的碳排放检测数据进行参数提取,将检测数据进行Scikit-learn隔离森林算法计算,获得所述相应时间段内的异常得分。
6.根据权利要求1所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,其特征在于,步骤5包括将所有碳排放检测数据的异常得分进行排序,得到对应的从正到负的检测结果,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。
7.基于Scikit-learn隔离森林算法的建筑碳排放异常检测系统,其特征在于,运行如权利要求1至6中任意一项所述的基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法,包括
采集模块,用于采集周期性的智能建筑能耗使用数据;
提取模块,用于提取能耗检测时间内对应的多组相同时间段的能耗检测数据,通过建筑碳排放计算标准换算成对应的碳排放检测数据;
评分模块,用于采用Scikit-learn隔离森林算法,根据多组碳排放检测数据计算相应时间段碳排放的异常得分;
告警模块,用于判断多组碳排放检测数据的异常得分,正的分值为正常数据,负的分值为异常数据,将所述异常数据对应的碳排放时间段进行异常告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783971.7A CN116975744A (zh) | 2023-06-29 | 2023-06-29 | 基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783971.7A CN116975744A (zh) | 2023-06-29 | 2023-06-29 | 基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975744A true CN116975744A (zh) | 2023-10-31 |
Family
ID=88472145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310783971.7A Pending CN116975744A (zh) | 2023-06-29 | 2023-06-29 | 基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314020A (zh) * | 2023-11-28 | 2023-12-29 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种浮游生物的湿地碳汇数据监测系统 |
-
2023
- 2023-06-29 CN CN202310783971.7A patent/CN116975744A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314020A (zh) * | 2023-11-28 | 2023-12-29 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种浮游生物的湿地碳汇数据监测系统 |
CN117314020B (zh) * | 2023-11-28 | 2024-02-27 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种浮游生物的湿地碳汇数据监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN116975744A (zh) | 基于Scikit-learn隔离森林算法的建筑碳排放异常检测方法及系统 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN107423746B (zh) | 基于聚类分析的电力线通信用电量数据分析方法及系统 | |
CN116911806A (zh) | 基于互联网+的电力企业能源信息管理系统 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN116341988A (zh) | 一种基于双碳目标的城市能源碳排放监测系统 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN116232935B (zh) | 一种物联网监测大数据传输方法 | |
CN116862129B (zh) | 一种零耗能建筑数据分析方法及系统 | |
CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
CN115733258A (zh) | 一种基于物联网技术的全户内智能变电站系统的控制方法 | |
CN116298576A (zh) | 一种考虑时间分段的可扩展非侵入式负荷监测方法 | |
CN110889465B (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 | |
CN107316130A (zh) | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 | |
Dey | Weather forecasting using Convex hull & K-Means Techniques An Approach | |
CN108234553B (zh) | 数据中心的控制方法、装置和系统 | |
CN115650460B (zh) | 一种具有在线监控功能的污水处理装置及方法 | |
CN117335571B (zh) | 一种配电网智能化故障预警管理系统及方法 | |
CN117490002B (zh) | 基于流量监测数据的供水管网流量预测方法及系统 | |
CN116628607A (zh) | 能耗异常识别方法 | |
CN117910980B (zh) | 一种电力档案数据治理方法、系统、设备及介质 | |
CN116822733A (zh) | 一种居民用户的低碳策略优化方法及系统 |
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 |