CN117196120A - 一种用户用水行为分析算法 - Google Patents
一种用户用水行为分析算法 Download PDFInfo
- Publication number
- CN117196120A CN117196120A CN202311394911.2A CN202311394911A CN117196120A CN 117196120 A CN117196120 A CN 117196120A CN 202311394911 A CN202311394911 A CN 202311394911A CN 117196120 A CN117196120 A CN 117196120A
- Authority
- CN
- China
- Prior art keywords
- water
- water consumption
- judging
- consumption
- user
- 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 299
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000007774 longterm Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 241001365789 Oenanthe crocata Species 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 35
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000002354 daily effect Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及供水管网管理技术领域，尤其是一种用户用水行为分析算法。将180天日用水量、7天小时用水量数据代入预测模型，预测未来非居民大表7日用水量，真实用水量若超出水指纹范围则参考其余条件判断可能异常；依据24小时用水量构建小区总表用户二供泵房溢流模型，依据最低谷水量值和最高峰水量值的比值与设定阈值进行比较，若满足判定条件则判定溢流；依据日用水量构建居民小表用户用水行为判别模型，满足判定条件则判定用水异常。识别不同类型用户发生异常用水行为，识别二次供水泵房或小区总表的溢流或其余异常用水行为，进行预警，帮助工作人员及时发现水量漏损或异常用水的行为，方便通知工作人员及时处理，达到控制漏损，减少水资源浪费。
Description
技术领域
本发明涉及供水管网管理技术领域，尤其是一种用户用水行为分析算法。
背景技术
随着城市人口的不断增加，城市供水管网系统变得越来越复杂，为了保证水资源的高效使用，减少水资源的浪费，有必要对供水管网中不同类型用户的用水行为进行分析和管控。当前，对于RTU设备采集到的大表数据、智能表采集到的小表数据以及人工抄表数据，许多研究都着重于预测用水量或针对具体某一类型用户如企业用户监测异常。现有算法主要存在以下问题：
1.只能对某种特定用户用水行为进行分析判别，局限性大，不具有普遍适用性；
2.数据单一，无法判别不同类型用户的用水行为，不能及时发现许多异常用水，造成水资源浪费的情况得不到及时解决；
3.当前由于设施信息化、自动化程度的提高，许多二次供水泵房均进入无人值守模式，虽然厂家的设施经过设计，其自身技术已经较为成熟，但在出现意外情况如泵房溢流的问题上，仍然存在许多不足，设施损坏、管道爆管发生时，一方面会造成水资源的严重浪费，另一方面溢流的水量过大会影响泵房排污水的能力，导致泵房淹水，既影响二次供水系统的正常运行，也会给小区用户带来财产损失。
因此，亟需研究出一种可以判别出多种类型用户用水行为的算法。
发明内容
本发明要解决的技术问题是：为了解决上述背景技术中的现有技术存在的问题，提供一种识别二次供水泵房或小区总表的溢流或其余异常用水行为，发出预警，帮助工作人员及时发现水量漏损或异常用水的行为的用户用水行为分析算法。
本发明解决其技术问题所采用的技术方案是：一种用户用水行为分析算法，
步骤1：RTU采集设备\智能抄表设备采集某一表具累计读数；
步骤2：计算日\小时用水量并对数据进行预处理；
步骤3A：水指纹综合模型：将180天日用水量、7天小时用水量数据代入预测模型，预测未来非居民大表7日用水量，设定预测水量上下限，得到一个预测区间，真实用水量若超出水指纹范围则参考其余条件判断可能异常；
步骤3B：二供泵房溢流模型：依据24小时用水量构建小区总表用户二供泵房溢流模型，依据最低谷水量值和最高峰水量值的比值与设定阈值进行比较，若满足判定条件则判定溢流；
步骤3C：小表用户用水行为判别模型：依据日用水量构建居民小表用户用水行为判别模型，用水行为分为长期0水量或长期低水量判别、突增或突降用水行为判别以及连续几日高位异常判别，满足判定条件则判定用水异常。
进一步的，步骤3B具体为：获取小区总表的每日24小时用水量数据，根据时间段取波峰和波谷值，依据波峰波谷的点构建三角形，最低点和最高点的比值若大于阈值或无法构成两个三角形，则为溢流；
最低点和最高点的比值若小于阈值，并且两个三角形的两端夹角任意一个小于角度阈值，则为异常；
其余情况，则为正常。
进一步的，步骤3A具体包括以下步骤：
步骤3A1：获取所需大表的历史数据，使用远传设备采集到的数据直接计算水量值；
步骤3A2：使用XGBoost算法预测大表未来24小时的用水情况，绝大部分的用水数据都和时间有很大关系，时间因素对其影响较大，因此拆分时间，将时间作为自变量，使用近一周的小时水量，采用XGBoost算法预测未来24小时的用水量；
步骤3A3：使用XGBoost算法预测大表未来7日的天用水量，天用水量和时间、温度关系密切，该算法结合时间和温度因素，使用近半年的天水量数据，预测未来7日的用水量；
步骤3A4：对预测水量设定上下限，形成一个预测区间，该区间即为水指纹。
进一步的，步骤3C的具体判定步骤包括：
步骤3C 1：从数据库中获取智能小表的天水量；
步骤3C2a：小表长期0水量或长期低水量判别：计算水量滚动7日累计和SUM_7，设定判定长期0水量的阈值为Y0，判定长期低水量的阈值为Y1，并且Y0＜Y1，若SUM_7＜Y0，则判定为长期0水量；若Y1＜SUM_7≤Y0，则判定长期低水量；若SUM_7＞Y1，则判定为其他；
步骤3C2b：小表用水量突增或突降用水行为判别：设定某日的用水量为Z，前一日的用水量为Z0，滚动两日的用水量标准差为Std,判定突增或突降的阈值为S0，若Std＞S0，且Z＞Z0，则判定用水量突增；若Std＞S0，且Z＜Z0，则判定用水量突降；
步骤3C2c：小表用水量连续几日高位异常判别：计算水量的滚动3日累计和SUM_3，设定的阈值S，若SUM_3>S,则判定为连续几日高位异常。
进一步的，步骤3B中小区总表为DN40以上的大口径水表，波峰和波谷值分别为最高峰、次高峰、最低谷以及次低谷的值。
进一步的，步骤3C中小表的口径为DN25及以下，小表的数据采集密度为1天/组。
进一步的，步骤3A中大表的远传采样数据为1/小时一组数据。
本发明的有益效果：
1.本发明能够有效的识别不同类型用户发生异常用水行为，进行预警，帮助工作人员及时发现水量漏损或异常用水的行为，方便通知工作人员及时处理，达到控制漏损，减少水资源浪费的目的；
2.本发明能够有效的识别二次供水泵房或小区总表的溢流或其余异常用水行为，发出预警，帮助工作人员及时发现水量漏损或异常用水的行为，方便通知工作人员及时处理，达到控制漏损，减少水资源浪费的目的。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的流程图；
图2是本发明二供泵房溢流模型的流程图；
图3是本发明小表用户用水行为判别模型的流程图；
图4是本发明用户1正常用水模式下24小时用水量的曲线图；
图5是本发明用户2正常用水模式下24小时用水量的曲线图；
图6是本发明用户1异常用水模式下24小时用水量的曲线图；
图7是本发明用户2异常用水模式下24小时用水量的曲线图；
图8是本发明用户1溢流用水模式下24小时用水量的曲线图；
图9是本发明用户2溢流用水模式下24小时用水量的曲线图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1～9所示的一种用户用水行为分析算法，
步骤1：RTU采集设备\智能抄表设备采集某一表具累计读数；
步骤2：计算日\小时用水量并对数据进行预处理；
步骤3A：水指纹综合模型：将180天日用水量、7天小时用水量数据代入预测模型，预测未来非居民大表7日用水量，设定预测水量上下限，得到一个预测区间，真实用水量若超出水指纹范围则参考其余条件判断可能异常；
步骤3B：二供泵房溢流模型：依据24小时用水量构建小区总表用户二供泵房溢流模型，依据最低谷水量值和最高峰水量值的比值与设定阈值进行比较，若满足判定条件则判定溢流；
步骤3C：小表用户用水行为判别模型：依据日用水量构建居民小表用户用水行为判别模型，用水行为分为长期0水量或长期低水量判别、突增或突降用水行为判别以及连续几日高位异常判别，满足判定条件则判定用水异常。
在分区计量管理中，小区用户的总表(不计费管理表)可用于监测整个小区的用水情况，这些总表等同于二次供水泵房的总表。
经过长期的观察与验证，发现正常用水情况下，小区总表的每日用水趋势呈现出一种趋势，在24小时的小时用水数据中有显著规律：每日存在两个用水高峰期和两个用水低谷期，对应的四个用水点会构成两个具有一定角度的三角形，最高峰与最低谷的用水量比值也在一定范围内。基于这一规律，可以围绕小区总表的水量数据构建一套适用于二次供水泵房总表的的算法模型，可用于监测小区二供泵房的用水情况。可判别出小区总表的溢流、异常和正常用水情况。
使用小区总表(一般是DN40以上的大口径水表)的每日24小时用水量数据，依据时间段获取最高峰、次高峰、最低谷和次低谷的值，将这4个点依次进行连接，
具体为：使用小区总表(一般是DN40以上的大口径水表)的每日24小时用水量数据，根据时间段取波峰和波谷值(最高峰、次高峰、最低谷和次低谷的值)，将这4个点依次进行连接，依据波峰波谷的点构建三角形，最低点和最高点的比值若大于阈值或无法构成两个三角形，则为溢流，如图8～9所示，溢流用水模式下的24小时用水量，有两种情况：
1)可以构建两个三角形，但两个三角形的对顶夹角非常小，最低谷水量值与最高峰水量值很接近，比值很小；
2)无法构成三角形并且最低谷水量值与最高峰水量值很接近，比值很小；
最低点和最高点的比值若小于阈值，并且两个三角形的两端夹角任意一个小于角度阈值，则为异常，如图6～7所示，异常用水模式下的24小时用水量，可构建两个三角形，最低谷和最高峰的比值较小，但两个三角形形成的四边形不规则，甚至无法形成四边形；
其余情况，则为正常，如图4～5所示，取24小时水量，正常用水模式下，可构建三角形，两个三角形合体趋近形成一个规则四边形，最低谷和最高峰的比值较小。
从而判别二供泵房发生了溢流或管道漏水的情况。
识别出溢流用水行为进行预警，便于工作人员及时发现泵房溢流或者异常用水情况，及时安排维修人员检修设备，从很大程度上减少水资源浪费，降低财力和人力的损耗。
也就是说，用水模式为溢流时，一日的24小时用水量走势趋于平稳，无很大波动；用水模式是其余异常时，一日的用水量趋势呈现无规律波动，可能存在多个峰值和多个低谷值；用水量正常时波动具有规律性。
在同样情况下，结合“水指纹”模型中的水量预测算法，该二供泵房溢流模型同样可以套用至其他大口径贸易水表用户(水表口径为DN40及以上的计量计费用户)进行分析判别，即对于一般的工商业、企业生产用水，仍可判别该用户用水是否发生了异常，如出现较大偏移，则判别为用户发生内漏或主观性的用水模式改变。
步骤3A具体包括以下步骤：
步骤3A1：获取所需大表的历史数据，使用远传设备采集到的数据直接计算水量值；
步骤3A2：获取大表数据和智能小表数据，使用XGBoost算法结合水厂出厂水、温度等因素，对于大表数据，大表的远传采样数据为1/小时一组数据，预测大表未来24小时的用水情况，绝大部分的用水数据都和时间有很大关系，时间因素对其影响较大，因此拆分时间，将时间作为自变量，使用近一周的小时水量，采用XGBoost算法预测未来24小时的用水量；
步骤3A3：使用XGBoost算法预测大表未来7日的天用水量，天用水量和时间、温度关系密切，该算法结合时间和温度因素，使用近半年的天水量数据，预测未来7日的用水量；
步骤3A4：通过远传采样的水量数据，对预测水量设定上下限，形成一个预测区间，该区间即为水指纹。
使用的XGBoost算法是一种高效的梯度提升决策树算法，在解决分类或回归问题中，效果非常好。在GBDT基础上加以改进，使模型效果得到大大的提升。属于一种前向加法模型，核心是使用Boosting思想即集成思想，将多个基学习器通过一定方法整合为一个强学习器。基本思路是不断生成新的树，每棵树基于上棵树和目标值的差值进行学习，进而降低模型的偏差，最终将所有结果累加即得到最终的结果。使得整个模型效果有极大的提升。
以“水指纹”代表的预测区间为基准，如实际监测水量与预测水量发生偏离，并根据其他参数条件(时间、偏离程度、连续性等)的不同，可判别可能发生的用水异常情况。经过算法的不断更新和堆叠形成几类主要的预警模式，该模式基于多次的历史参照经验以及算法的修正获得。
步骤3C的具体判定步骤包括：
居民生活水表的口径一般为DN25及以下，对于这部分小用户表(简称小表)的数据采样密度为1天/组，在预测准确性上不如采样密度更高的大表，因此小表用户的判别模型主要以大数据中得出较为合理结果的参数为依据，重新形成一个新的判别模型。小表用户的用水情况错综复杂，通常用水异常的用水行为包括长期0用水、长期低用水、连续几日大用水异常、用水量突增或突降等情况。针对这些用水行为，本发明给出具有针对性的对应判别算法。
步骤3C 1：从数据库中获取智能小表的天水量，小表数据的采样密度为1天/组数据；步骤3C2a：小表长期0水量或长期低水量判别，使用日用水量的滚动7日累计和与阈值进行比较，判别流程：
(1)RTU智能小表抄表设备采集某一表具累计读数；
(2)计算日用水量并对数据进行预处理，计算水量滚动7日累计和SUM_7；
(3)SUM_7与阈值进行对比，计算水量滚动7日累计和SUM_7，设定判定长期0水量的阈值为Y0，判定长期低水量的阈值为Y1，并且Y0＜Y1，若SUM_7＜Y0，则判定为长期0水量；若Y1＜SUM_7≤Y0，则判定长期低水量；若SUM_7＞Y1，则判定为其他；
通过该模型可以判别出长期不用水的用户和长期用水量很低的用户，结合历史用水量、燃气用量等判断用户是否在家，是否存在水表空转停转，根据情况安排人员上门维护。
步骤3C2b：小表用水量突增或突降用水行为判别：设定某日的用水量为Z，前一日的用水量为Z0，滚动两日的用水量标准差为Std,判定突增或突降的阈值为S0，若Std＞S0，且Z＞Z0，则判定用水量突增；若Std＞S0，且Z＜Z0，则判定用水量突降；
通过该模型可以判别出属于非正常情况下的用水量突增或突降的用户，如7天内多次出现异常情况，则判断用户家中存在漏水行为，水务管理人员可以根据实际情况向用户发短信提示或进行上门主动服务，提醒用户家中发生用水异常的情况。
步骤3C2c：小表用水量连续几日高位异常判别：计算水量的滚动3日累计和SUM_3，设定的阈值S，若SUM_3>S,则判定为连续几日高位异常；
通过该模型可以判别连续多日用水处于高位的用户，如用水量异常值较大判别水表漏水或用户家中漏水，可对用户发出提短信提示或进行主动上门服务，及时排查到异常的用水情况。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种用户用水行为分析算法，其特征在于：包括如下步骤：
步骤1：RTU采集设备\智能抄表设备采集某一表具累计读数；
步骤2：计算日\小时用水量并对数据进行预处理；
步骤3A：水指纹综合模型：将180天日用水量、7天小时用水量数据代入预测模型，预测未来非居民大表7日用水量，设定预测水量上下限，得到一个预测区间，真实用水量若超出水指纹范围则参考其余条件判断可能异常；
步骤3B：二供泵房溢流模型：依据24小时用水量构建小区总表用户二供泵房溢流模型，依据最低谷水量值和最高峰水量值的比值与设定阈值进行比较，若满足判定条件则判定溢流；
步骤3C：小表用户用水行为判别模型：依据日用水量构建居民小表用户用水行为判别模型，用水行为分为长期0水量或长期低水量判别、突增或突降用水行为判别以及连续几日高位异常判别，满足判定条件则判定用水异常。
2.根据权利要求1所述的一种用户用水行为分析算法，其特征在于：所述的步骤3B具体为：获取小区总表的每日24小时用水量数据，根据时间段取波峰和波谷值，依据波峰波谷的点构建三角形，最低点和最高点的比值若大于阈值或无法构成两个三角形，则为溢流；
最低点和最高点的比值若小于阈值，并且两个三角形的两端夹角任意一个小于角度阈值，则为异常；
其余情况，则为正常。
3.根据权利要求1所述的一种用户用水行为分析算法，其特征在于：所述的步骤3A具体包括以下步骤：
步骤3A1：获取所需大表的历史数据，使用远传设备采集到的数据直接计算水量值；
步骤3A2：使用XGBoost算法预测大表未来24小时的用水情况，绝大部分的用水数据都和时间有很大关系，时间因素对其影响较大，因此拆分时间，将时间作为自变量，使用近一周的小时水量，采用XGBoost算法预测未来24小时的用水量；
步骤3A3：使用XGBoost算法预测大表未来7日的天用水量，天用水量和时间、温度关系密切，该算法结合时间和温度因素，使用近半年的天水量数据，预测未来7日的用水量；
步骤3A4：对预测水量设定上下限，形成一个预测区间，该区间即为水指纹。
4.根据权利要求1所述的一种用户用水行为分析算法，其特征在于：所述的步骤3C的具体判定步骤包括：
步骤3C1：从数据库中获取智能小表的天水量；
步骤3C2a：小表长期0水量或长期低水量判别：计算水量滚动7日累计和SUM_7，设定判定长期0水量的阈值为Y0，判定长期低水量的阈值为Y1，并且Y0＜Y1，若SUM_7＜Y0，则判定为长期0水量；若Y1＜SUM_7≤Y0，则判定长期低水量；若SUM_7＞Y1，则判定为其他；
步骤3C2b：小表用水量突增或突降用水行为判别：设定某日的用水量为Z，前一日的用水量为Z0，滚动两日的用水量标准差为Std,判定突增或突降的阈值为S0，若Std＞S0，且Z＞Z0，则判定用水量突增；若Std＞S0，且Z＜Z0，则判定用水量突降；
步骤3C2c：小表用水量连续几日高位异常判别：计算水量的滚动3日累计和SUM_3，设定的阈值S，若SUM_3>S,则判定为连续几日高位异常。
5.根据权利要求2所述的一种用户用水行为分析算法，其特征在于：所述的步骤3B中小区总表为DN40以上的大口径水表，波峰和波谷值分别为最高峰、次高峰、最低谷以及次低谷的值。
6.根据权利要求4所述的一种用户用水行为分析算法，其特征在于：所述的步骤3C中小表的口径为DN25及以下，小表的数据采集密度为1天/组。
7.根据权利要求4所述的一种用户用水行为分析算法，其特征在于：所述的步骤3A中大表的远传采样数据为1/小时一组数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394911.2A CN117196120A (zh) | 2023-10-25 | 2023-10-25 | 一种用户用水行为分析算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394911.2A CN117196120A (zh) | 2023-10-25 | 2023-10-25 | 一种用户用水行为分析算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196120A true CN117196120A (zh) | 2023-12-08 |
Family
ID=88998200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311394911.2A Pending CN117196120A (zh) | 2023-10-25 | 2023-10-25 | 一种用户用水行为分析算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196120A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490810A (zh) * | 2023-12-29 | 2024-02-02 | 浙江黄氏建设科技股份有限公司 | 一种基于定位信息的水表远程监控方法及监控系统 |
-
2023
- 2023-10-25 CN CN202311394911.2A patent/CN117196120A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490810A (zh) * | 2023-12-29 | 2024-02-02 | 浙江黄氏建设科技股份有限公司 | 一种基于定位信息的水表远程监控方法及监控系统 |
| CN117490810B (zh) * | 2023-12-29 | 2024-03-22 | 浙江黄氏建设科技股份有限公司 | 一种基于定位信息的水表远程监控方法及监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| CN104915562B (zh) | 建筑能效诊断方法和系统 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN112863134B (zh) | 一种农村污水处理设施运行异常的智能诊断系统及方法 | |
| CN111412579B (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
| CN113494939A (zh) | 一种农村生活污水分散式监测方法 | |
| CN117196120A (zh) | 一种用户用水行为分析算法 | |
| CN206312210U (zh) | 一种配电网设备的状态评估系统 | |
| CN112418624A (zh) | 一种智慧市政管网运行评价指标体系建立方法及应用系统 | |
| CN113405026B (zh) | 一种适用于欠发达地区供水管网的新增漏损判别及其漏损率的估算方法 | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
| CN112862188A (zh) | 一种多传感器环境预测方法及系统 | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| CN111310854A (zh) | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 | |
| CN116307673A (zh) | 一种用于城市生命线的地下管网交互风险预警系统 | |
| CN114487332A (zh) | 一种地表水水质自动监测站运行效果评价方法、系统、介质及设备 | |
| CN112232632A (zh) | 一种基于haccp的供水系统运行管理关键技术评估方法 | |
| CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| Zhu et al. | Load Forecasting of the power system: an investigation based on the method of random forest regression | |
| CN114757655A (zh) | 一种腐蚀在线管理系统平台 | |
| CN111178768A (zh) | 一种基于云平台的智慧能源管理系统 | |
| Li et al. | Research on Key Technology of State Evaluation and Replacement Acquisition System of Intelligent Electric Energy Meter Based on Smart Grid | |
| CN113269435B (zh) | 一种新能源场站运行状态耦合监测评估系统 |
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 |