CN117272845B - 空压站能耗水平评估方法、装置及设备 - Google Patents
空压站能耗水平评估方法、装置及设备 Download PDFInfo
- Publication number
- CN117272845B CN117272845B CN202311559599.8A CN202311559599A CN117272845B CN 117272845 B CN117272845 B CN 117272845B CN 202311559599 A CN202311559599 A CN 202311559599A CN 117272845 B CN117272845 B CN 117272845B
- Authority
- CN
- China
- Prior art keywords
- training
- environment
- consumption
- air compression
- unit consumption
- 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.)
- Active
Links
- 230000006835 compression Effects 0.000 title claims abstract description 188
- 238000007906 compression Methods 0.000 title claims abstract description 188
- 238000005265 energy consumption Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 173
- 238000006243 chemical reaction Methods 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 20
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000001186 cumulative effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种空压站能耗水平评估方法、装置及设备，该方法可确定标准环境所对应的标准环境特征值；获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，单耗转换模型以对应不同环境标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；对目标单耗信息进行分析，评估空压站的能耗水平。可见，本申请可以将非标准环境下的空压站的运行情况转换为标准情况下的运行情况，减少环境因素对空压站能耗水平评估结果的影响，提高本申请的可靠性及准确性。
Description
技术领域
本申请涉及空压站技术领域，更具体地说，涉及一种空压站能耗水平评估方法、装置及设备。
背景技术
空压站是指空气压缩站，用于压缩空气。单耗指的是单位时间内空压站消耗的电力与输出气体流量的比值，单位为kW·h/ m³。单耗越小，表示对应空压站的能效越高，越节能。
因而，现有技术中，常用单耗评估空压站的能耗。但单耗不仅受空压站本身运行参数的影响，也受环境的影响，环境差异较大时，单耗差异也较大，如：夏天温度较高，空压站受温度影响，单耗也较高；冬天温度较低，而空压站受温度影响，单耗也较低。基于此，由于空压站受环境影响，现有评估技术直接将不同环境下的单耗相比，得到的评估结果，可靠性较低。
发明内容
有鉴于此，本申请提供了一种空压站能耗水平评估方法、装置及设备，用于解决现有技术中空压站能耗水平评估结果可靠性较低的缺点。
为了实现上述目的，现提出的方案如下：
一种空压站能耗水平评估方法，包括：
确定标准环境所对应的标准环境特征值；
获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
可选的，在获取单耗转换模型之后，还包括：
分别获取不同空压站的真实耗电量以及真实输出气体流量；
针对每一空压站，将所述标准环境特征值、该空压站的真实耗电量以及真实输出气体流量输入至所述单耗转换模型中，预测该空压站在标准环境下的单耗数据；
比较各个单耗数据，评估不同空压站的能耗优劣。
可选的，所述获取单耗转换模型，包括：
构建不同的机器学习算法模型；
获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，并将各个训练单耗划分为训练样本或校验样本；
利用各个训练样本，对每个机器学习算法模型进行训练；
利用优化算法，对每个训练后的机器学习算法模型进行参数优化；
利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均误差；
将平均误差最小的参数优化后的机器学习算法模型作为单耗转换模型。
可选的，所述获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，包括：
获取每一环境下多个训练采样点的历史累积耗电量、历史累积流量及历史环境数据；
针对每一环境，计算相邻训练采样点间的历史累积流量间的差值，并汇总各个历史累积流量间的差值形成该环境对应的训练输出气体流量；
针对每一环境，计算相邻训练采样点间的历史累积耗电量间的差值，并汇总各个历史累积耗电量间的差值形成该环境对应的训练耗电量；
针对每一环境，对各个训练采样点的历史环境数据进行排序，确定各个历史环境数据的中位数，并将该中位数作为训练环境值；
针对每一环境，将该环境的训练耗电量及该环境的训练输出气体流量间的比值，作为该环境对应的训练单耗；
将所述训练耗电量、所述训练输出气体流量及所述训练环境值作为所述训练单耗的标注标签。
可选的，所述获取非标准环境下空压站的目标耗电量以及目标输出气体流量，包括：
获取非标准环境下，空压站在目标时段内每个采样点的累积耗电量及累积输出气体流量；
计算相邻采样点累积耗电量间的差值，并汇总各个累积耗电量间的差值形成目标耗电量；
计算相邻采样点累积输出气体流量间的差值，并汇总各个累积输出气体流量间的差值形成目标输出气体流量。
可选的，所述确定标准环境所对应的标准环境特征值，包括：
获取预设标准环境所对应的环境湿度值以及环境温度值。
可选的，所述对所述目标单耗信息进行分析，评估所述空压站的能耗水平，包括：
确定所述目标单耗信息是否超过预设的单耗范围；
若超过，则确定所述空压站的能耗较差；
若未超过，则确定所述空压站能耗较好。
可选的，所述对所述目标单耗信息进行分析，评估所述空压站的能耗水平，包括：
若目标单耗信息超过预设的单耗范围，则将所述目标单耗信息作为新的单耗信息存储入列表中；
根据列表中所存储的单耗信息，评估空压站能耗水平。
一种空压站能耗水平评估装置，包括：
确定模块，用于确定标准环境所对应的标准环境特征值；
获取模块，用于获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
利用模块，用于将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
评估模块，用于对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
一种空压站能耗水平评估设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现上述的空压站能耗水平评估方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述的空压站能耗水平评估方法的各个步骤。
从上述的技术方案可以看出，本申请提供的空压站能耗水平评估方法，该方法可以确定标准环境所对应的标准环境特征值；获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；在此基础上，标准环境特征值反映环境情况，目标耗电量及目标输出气体流量反映空压站的运行情况，本申请可以利用单耗转换模型及标准环境特征值，将非标准环境下运行的空压站所产生的目标耗电量以及目标输出气体流量转换为标准环境下该空压站产生的目标单耗信息；即，可以将在非标准环境下空压站的运行情况转换为反映空压站在标准环境下运行情况的目标单耗信息，基于此，本申请可将非标准环境下的空压站的目标耗电量以及目标输出气体流量转换为标准环境所对应的目标单耗信息，可将不同环境下反映运行情况的目标耗电量以及目标输出气体流量转换为同一环境下能够反映空压站运行情况的目标单耗信息；对所述目标单耗信息进行分析，评估所述空压站的能耗水平，基于此，可利用空压站在同一环境下的单耗数据对空压站进行评估，减少了环境因素对评估过程的影响，能够避免评估结果受环境干扰。可见，本申请可以将非标准环境下的空压站的运行情况转换为标准情况下的运行情况，减少环境因素对空压站能耗水平评估结果造成影响，从而，提高本申请空压站能耗水平评估结果的可靠性及准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种空压站能耗水平评估方法流程图；
图2为本申请实施例公开的一种空压站能耗水平评估装置结构框图；
图3为本申请实施例公开的一种空压站能耗水平评估设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
接下来结合图1对本申请的空压站能耗水平评估方法进行详细介绍，包括如下步骤：
步骤S1、确定标准环境所对应的标准环境特征值。
具体地，可以根据多种方式确定标准环境所对应的标准环境特征值，例如，可以将空压站全年的平均环境特征值作为标准环境特征值；也可以从全年的环境特征值中选取众数，将该众数作为标准环境特征值。
标准环境特征值中可以包含多种影响空压站单耗的环境特征类型所对应的特征值，例如，环境温度值、环境湿度值及环境压力值。
步骤S2、获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量。
具体地，可以获取单耗转换模型，该单耗转换模型为经过不同环境下标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练的机器学习算法模型。
可以每隔预设的时间获取一次空压站的耗电量作为目标耗电量，同时，获取空压站的输出气体流量作为目标输出气体流量。
步骤S3、将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息。
具体地，可以将标准环境特征值、目标耗电量及目标输出气体作为单耗转换模型的输入，得到单耗转换模型输出的空压站在标准环境下的单耗，并将该单耗作为目标单耗信息。
步骤S4、对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
具体地，可以将该目标单耗信息与预设时间段前的单耗进行比对，得到比对结果，根据比对结果，评估空压站的能耗水平。
从上述技术方案可以看出，本申请实施例提供的空压站能耗水平评估方法，该方法可以确定标准环境所对应的标准环境特征值；获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；在此基础上，标准环境特征值反映环境情况，目标耗电量及目标输出气体流量反映空压站的运行情况，本申请可以利用单耗转换模型及标准环境特征值，将非标准环境下运行的空压站所产生的目标耗电量以及目标输出气体流量转换为标准环境下该空压站产生的目标单耗信息；可以将在非标准环境下空压站的运行情况转换为反映空压站在标准环境下运行情况的单耗数据，基于此，本申请可将非标准环境下的空压站的目标耗电量以及目标输出气体流量转换为标准环境所对应的单耗信息，可将不同环境下反映运行情况的目标耗电量以及目标输出气体流量转换为同一环境下能够反映空压站运行情况的单耗信息；对所述目标单耗信息进行分析，评估所述空压站的能耗水平，基于此，利用空压站在标准环境下的单耗数据对空压站进行评估，减少了环境因素对评估过程的影响，能够避免评估结果受环境干扰。可见，本申请可以将非标准环境下的空压站的运行情况转换为标准情况下的运行情况，减少环境因素对空压站能耗水平评估结果造成的影响，从而，提高本申请空压站能耗水平评估结果的可靠性及准确性。
在本申请的一些实施例中，考虑到不仅可以纵向比较同一空压站的目标单耗信息，以确定其的实时运行情况，还可以横向比较不同空压站的单耗信息，确定不同空压站的能耗优劣，因而，本申请增加了评估不同空压站能耗水平的过程。接下来，将对该过程进行详细说明，步骤如下：
S5、分别获取不同空压站的真实耗电量以及真实输出气体流量。
具体地，可以获取每个空压站的耗电量及输出气体流量，得到每个空压站的真实耗电量及真实输出气体流量。
S6、针对每一空压站，将所述标准环境特征值、该空压站的真实耗电量以及真实输出气体流量输入至所述单耗转换模型中，预测该空压站在标准环境下的单耗数据。
具体地，可以将标准环境特征值，以及，每个空压站的真实耗电量及对应的真实输出气体流量输入至单耗转换模型中，得到反映该空压站运行能耗情况的单耗数据。
S7、比较各个单耗数据，评估不同空压站的能耗优劣。
具体地，可以比较各个单耗数据的大小，确定单耗数据最小的空压站的能耗水平为优，确定单耗数据最大的空压站的能耗水平为差，确定其余单耗数据的空压站的能耗水平为中等。
在确定空压站能耗较差后，可以对空压站的各个组成部分进行分析，查找影响空压站能耗的关键因素。
从上述技术方案可以看出，相比于上一实施例，本申请增加了比较各个空压站能耗水平的可选的方式，通过上述的方式，可以将每个空压站的运行情况，转换为在标准情况下对应的单耗数据，得到的各个单耗数据对应于同一环境，减少了环境因素对各个空压站的影响，保证了本申请评估结果的可靠性。
在本申请的一些实施例中，对步骤S1、确定标准环境所对应的标准环境特征值的过程进行详细说明，步骤如下：
S10、获取预设标准环境所对应的环境湿度值以及环境温度值。
具体地，可以根据实际需求及空压站运行情况，设置空压站运行标准环境，并采集标准环境所对应的环境温度值及环境湿度值。例如，可以设置环境温度值为20℃，可以设置环境湿度值为20%。
从上述技术方案可以看出，本实施例提供了一种确定标准环境特征值的可选的方式，通过上述的方式可以获取环境湿度值及环境温度值作为标准环境特征值，更好地将目标耗电量及目标输出气体流量转换为目标单耗数据，进一步提高本申请的准确性。
在本申请的一些实施例中，对步骤S2中获取单耗转换模型的过程进行详细说明，步骤如下：
S20、构建不同的机器学习算法模型。
具体地，可以获取多种不同的机器学习算法模型，例如，可以获取线性回归模型、随机森林模型、梯度提升决策树、LightGBM模型及XGBoost模型等机器学习算法模型。
S21、获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，并将各个训练单耗划分为训练样本或校验样本。
具体地，可以获取不同环境下的训练单耗，每个训练单耗上标注有训练耗电量、训练输出气体流量及训练环境值。
可以将各个训练单耗按照一定的比例，分组形成训练数据集及校验数据集，其中，训练数据集可以包括多个训练样本，校验数据集可以包括多个校验样本。
S22、利用各个训练样本，对每个机器学习算法模型进行训练。
具体地，可以依次利用每个训练样本对每个机器学习算法模型进行训练，将最终训练得到的机器学习算法模型作为训练后的机器学习算法模型。
S23、利用优化算法，对每个训练后的机器学习算法模型进行参数优化。
具体地，可以通过多种优化算法，对每个训练后的机器学习算法模型进行参数调整，直至损失值最小为止，并将最终得到的机器学习算法模型作为参数优化后的机器学习算法模型。
其中，优化算法可以为网格搜索算法、随机搜索算法或贝叶斯优化算法等算法。
S24、利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均误差。
具体地，可以利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均绝对百分比误差。
S25、将平均误差最小的参数优化后的机器学习算法模型作为单耗转换模型。
具体地，从各个参数优化后的机器学习算法模型中选取平均误差最小的机器学习算法模型作为单耗转换模型。
从上述技术方案可以看出，本实施例提供了一种获取单耗转换模型的可选的方式，通过上述的方式可以进一步提高单耗转换模型的转换准确率。
在本申请的一些实施例中，对步骤S21中获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗的过程进行详细说明，步骤如下：
S210、获取每一环境下多个训练采样点的历史累积耗电量、历史累积流量及历史环境数据。
具体地，可以设置在每一环境下设置多个训练采样点，并采集每个训练采样点对应的累积耗电量、累积流量及环境值；
针对每一环境，可以计算各个累积耗电量的标准差std1及均值mean1，依次将每个训练采样点的累积耗电量与电量异常值范围进行比较，并删除超过电量异常值范围的累积耗电量，重新获取该训练采样点的累积耗电量，将最终得到的累积耗电量作为该环境对应的历史累积耗电量，其中，电量异常值范围为[mean1-n×std1 , mean1+n×std1 ]，n的取值一般为[1，3]。
针对每一环境，可以计算各个累积流量的标准差std2及均值mean2，依次将每个训练采样点的累积流量与流量异常值范围进行比较，并删除超过流量异常值范围的累积流量，重新获取该训练采样点的累积流量，将最终得到的累积流量作为该环境对应的历史累积流量，其中，流量异常值范围为[mean2-n×std2 , mean2+n×std2 ]。
S211、针对每一环境，计算相邻训练采样点间的历史累积流量间的差值，并汇总各个历史累积流量间的差值形成该环境对应的训练输出气体流量。
具体地，针对每一环境，可以计算相邻训练采样点间的历史累积流量差，各个历史累积流量差之和为该环境对应的训练输出气体流量。
S212、针对每一环境，计算相邻训练采样点间的历史累积耗电量间的差值，并汇总各个历史累积耗电量间的差值形成该环境对应的训练耗电量。
具体地，针对每一环境，可以计算相邻训练采样点间的历史累积耗电量差，各个历史累积耗电量差之和为该环境对应的训练耗电量。
S213、针对每一环境，对各个训练采样点的历史环境数据进行排序，确定各个历史环境数据的中位数，并将该中位数作为训练环境值。
具体地，针对每一环境，可以按照各个历史环境值的大小，对各个训练采样点的历史环境值进行排序，计算该环境下，历史环境值的中位数作为训练环境值。
S214、针对每一环境，将该环境的训练耗电量及该环境的训练输出气体流量间的比值，作为该环境对应的训练单耗。
具体地，可以计算每一环境下，训练耗电量及训练输出气体流量间的比值，该比值为训练单耗。
S215、将所述训练耗电量、所述训练输出气体流量及所述训练环境值作为所述训练单耗的标注标签。
具体地，可以将每一环境下的训练耗电量、所述训练输出气体流量及所述训练环境值作为该环境的训练单耗的标注标签。
从上述技术方案可以看出，本实施例提供了一种获取训练单耗的可选的方式，通过上述的方式，可以将训练单耗作为目标变量，将对应训练耗电量、所述训练输出气体流量及所述训练环境值作为特征变量，对单耗转换模型进行训练。
在本申请的一些实施例中，对步骤S2中获取非标准环境下空压站的目标耗电量以及目标输出气体流量的过程进行详细说明，步骤如下：
S26、获取非标准环境下，空压站在目标时段内每个采样点的累积耗电量及累积输出气体流量。
具体地，可以获取非标准环境下，空压站在目标时段内每个采样点的累积耗电量及累积输出气体流量。
可以计算各个累积耗电量的标准差std3及均值mean3，依次将每个采样点的累积耗电量与电量异常值范围进行比较，并删除超过电量异常值范围的累积耗电量，重新获取该训练采样点的累积耗电量，将最终得到的累积耗电量作为该环境对应的历史累积耗电量，其中，电量异常值范围为[mean3-n×std3 , mean3+n×std3 ]，n的取值一般为[1，3]。
可以计算各个累积输出气体流量的标准差std4及均值mean4，依次将每个采样点的累积输出气体流量与流量异常值范围进行比较，并删除超过流量异常值范围的累积输出气体流量，重新获取该采样点的累积输出气体流量，将最终得到的累积输出气体流量作为该采样点对应的累积输出气体流量，其中，流量异常值范围为[mean4-n×std4 , mean4+n×std4 ]。
目标时段可以为30min。
S27、计算相邻采样点累积耗电量间的差值，并汇总各个累积耗电量间的差值形成目标耗电量。
具体地，可以计算相邻采样点间的累积耗电量差，将各个累积耗电量差之和作为目标耗电量。
S28、计算相邻采样点累积输出气体流量间的差值，并汇总各个累积输出气体流量间的差值形成目标输出气体流量。
具体地，可以计算相邻采样点间的累积输出气体流量差，将各个累积输出气体流量差之和作为目标输出气体流量。
从上述技术方案可以看出，本实施例提供了一种获取目标耗电量及目标输出气体流量的可选的方式，通过上述的方式，可以进一步提高本申请的目标耗电量及目标输出气体流量的可靠性。
在本申请的一些实施例中，考虑到在评估空压站能耗水平时，可以实时反馈空压站的能耗优劣，以提高空压站维修的及时性，也可以在空压站多次不符合要求时，才进行反馈，提高评估结果的准确度，因而，针对上述情况，本申请提供了两种评估空压站能耗水平的方式，接下来，将对步骤S4、对所述目标单耗信息进行分析，评估所述空压站的能耗水平的过程进行详细说明，步骤如下：
第一种、
S40、确定所述目标单耗信息是否超过预设的单耗范围，若超过，则执行步骤S41，若未超过，则执行步骤S42。
具体地，可以预先根据空压站在标准环境下的单耗，设置单耗范围；
将获取的目标单耗信息与单耗范围进行比较；
在目标单耗信息超过单耗范围时，执行步骤S41；
在目标单耗信息不超过单耗范围时，执行步骤S42。
S41、确定所述空压站的能耗较差。
具体地，可以在目标单耗信息超过单耗范围时，确定所述空压站的能耗较差。
S42、确定所述空压站能耗较好。
具体地，在目标单耗信息不超过单耗范围时，可以确定所述空压站能耗较好。
第二种、
S43、若目标单耗信息超过预设的单耗范围，则将所述目标单耗信息作为新的单耗信息存储入列表中。
具体地，可以将获取的目标单耗信息与单耗范围进行比较，将所述目标单耗信息作为新的单耗信息存储入列表中。
S44、根据列表中所存储的单耗信息，评估空压站能耗水平。
具体地，可以通过多种方式根据列表中所存储的单耗信息，评估空压站能耗水平。例如，可以判断空压站的单耗信息是否在逐步升高，若是，则空压站能耗较差，需要维修。
再如，可以根据列表中所存储的单耗信息，判断空压站的单耗是否突然增大，并持续超过单耗范围，若是，则可以确定空压站能耗较差，需要维修。
又如，可以根据列表中所存储的单耗信息，判断空压站的单耗是否在突然增大后又恢复，即任意时段的单耗信息增大后，后续时段的单耗信息位于单耗范围内，若是，则可以确定空压站中的优化算法较差，需要修订。
从上述技术方案可以看出，本实施例提供了两种评估空压站能耗水平的可选的方式，通过上述的方式，可以根据不同的需求，选取不同的评估方式，提高了本申请的针对性。
接下来将结合图2对本申请提供的空压站能耗水平评估装置进行详细介绍，下文提供的空压站能耗水平评估装置可以与上文提供的空压站能耗水平评估方法相互对照。
参见图2可以发现，空压站能耗水平评估装置可以包括：
确定模块10，用于确定标准环境所对应的标准环境特征值；
获取模块20，用于获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
利用模块30，用于将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
评估模块40，用于对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
进一步，空压站能耗水平评估装置还可以包括：
真实耗电量获取模块，用于分别获取不同空压站的真实耗电量以及真实输出气体流量；
单耗数据计算模块，用于针对每一空压站，将所述标准环境特征值、该空压站的真实耗电量以及真实输出气体流量输入至所述单耗转换模型中，预测该空压站在标准环境下的单耗数据；
单耗数据比较模块，用于比较各个单耗数据，评估不同空压站的能耗水平优劣。
进一步，获取模块可以包括：
机器学习算法模型构建单元，用于构建不同的机器学习算法模型；
样本获取单元，用于获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，并将各个训练单耗划分为训练样本或校验样本；
模型训练单元，用于利用各个训练样本，对每个机器学习算法模型进行训练；
参数优化单元，用于利用优化算法，对每个训练后的机器学习算法模型进行参数优化；
误差计算单元，用于利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均误差；
模型选取单元，用于将平均误差最小的参数优化后的机器学习算法模型作为单耗转换模型。
进一步，样本获取单元可以包括：
第一样本获取子单元，用于获取每一环境下多个训练采样点的历史累积耗电量、历史累积流量及历史环境数据；
第二样本获取子单元，用于针对每一环境，计算相邻训练采样点间的历史累积流量间的差值，并汇总各个历史累积流量间的差值形成该环境对应的训练输出气体流量；
第三样本获取子单元，用于针对每一环境，计算相邻训练采样点间的历史累积耗电量间的差值，并汇总各个历史累积耗电量间的差值形成该环境对应的训练耗电量；
第四样本获取子单元，用于针对每一环境，对各个训练采样点的历史环境数据进行排序，确定各个历史环境数据的中位数，并将该中位数作为训练环境值；
第五样本获取子单元，用于针对每一环境，将该环境的训练耗电量及该环境的训练输出气体流量间的比值，作为该环境对应的训练单耗；
第六样本获取子单元，用于将所述训练耗电量、所述训练输出气体流量及所述训练环境值作为所述训练单耗的标注标签。
进一步，获取模块还可以包括：
流量获取单元，用于获取非标准环境下，空压站在目标时段内每个采样点的累积耗电量及累积输出气体流量；
目标耗电量获取单元，用于计算相邻采样点累积耗电量间的差值，并汇总各个累积耗电量间的差值形成目标耗电量；
目标输出气体流量获取单元，用于计算相邻采样点累积输出气体流量间的差值，并汇总各个累积输出气体流量间的差值形成目标输出气体流量。
进一步，评估模块可以包括：
能耗评估单元，用于确定所述目标单耗信息是否超过预设的单耗范围；若超过，则确定所述空压站的能耗较差；若未超过，则确定所述空压站能耗较好。
进一步，评估模块还可以包括：
单耗信息存储单元，用于若目标单耗信息超过预设的单耗范围，则将所述目标单耗信息作为新的单耗信息存储入列表中；
列表利用单元，用于根据列表中所存储的单耗信息，评估空压站能耗水平。
本申请实施例提供的空压站能耗水平评估装置可应用于空压站能耗水平评估设备，如PC终端、云平台、服务器及服务器集群等。可选的，图3示出了空压站能耗水平评估设备的硬件结构框图，参照图3，空压站能耗水平评估设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
确定标准环境所对应的标准环境特征值；
获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
确定标准环境所对应的标准环境特征值；
获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。本申请的各个实施例之间可以相互结合。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种空压站能耗水平评估方法，其特征在于，包括：
确定标准环境所对应的标准环境特征值；
获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；
将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
对所述目标单耗信息进行分析，评估所述空压站的能耗水平；
所述获取单耗转换模型，包括：
构建不同的机器学习算法模型；
获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，并将各个训练单耗划分为训练样本或校验样本；
利用各个训练样本，对每个机器学习算法模型进行训练；
利用优化算法，对每个训练后的机器学习算法模型进行参数优化；
利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均误差；
将平均误差最小的参数优化后的机器学习算法模型作为单耗转换模型；
所述获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，包括：
获取每一环境下多个训练采样点的历史累积耗电量、历史累积流量及历史环境数据；
针对每一环境，计算相邻训练采样点间的历史累积流量间的差值，并汇总各个历史累积流量间的差值形成该环境对应的训练输出气体流量；
针对每一环境，计算相邻训练采样点间的历史累积耗电量间的差值，并汇总各个历史累积耗电量间的差值形成该环境对应的训练耗电量；
针对每一环境，对各个训练采样点的历史环境数据进行排序，确定各个历史环境数据的中位数，并将该中位数作为训练环境值；
针对每一环境，将该环境的训练耗电量及该环境的训练输出气体流量间的比值，作为该环境对应的训练单耗；
将所述训练耗电量、所述训练输出气体流量及所述训练环境值作为所述训练单耗的标注标签。
2.根据权利要求1所述的空压站能耗水平评估方法，其特征在于，在获取单耗转换模型之后，还包括：
分别获取不同空压站的真实耗电量以及真实输出气体流量；
针对每一空压站，将所述标准环境特征值、该空压站的真实耗电量以及真实输出气体流量输入至所述单耗转换模型中，预测该空压站在标准环境下的单耗数据；
比较各个单耗数据，评估不同空压站的能耗优劣。
3.根据权利要求1所述的空压站能耗水平评估方法，其特征在于，所述获取非标准环境下空压站的目标耗电量以及目标输出气体流量，包括：
获取非标准环境下，空压站在目标时段内每个采样点的累积耗电量及累积输出气体流量；
计算相邻采样点累积耗电量间的差值，并汇总各个累积耗电量间的差值形成目标耗电量；
计算相邻采样点累积输出气体流量间的差值，并汇总各个累积输出气体流量间的差值形成目标输出气体流量。
4.根据权利要求1所述的空压站能耗水平评估方法，其特征在于，所述确定标准环境所对应的标准环境特征值，包括：
获取预设标准环境所对应的环境湿度值以及环境温度值。
5.根据权利要求1所述的空压站能耗水平评估方法，其特征在于，所述对所述目标单耗信息进行分析，评估所述空压站的能耗水平，包括：
确定所述目标单耗信息是否超过预设的单耗范围；
若超过，则确定所述空压站的能耗较差；
若未超过，则确定所述空压站能耗较好。
6.根据权利要求1所述的空压站能耗水平评估方法，其特征在于，所述对所述目标单耗信息进行分析，评估所述空压站的能耗水平，包括：
若目标单耗信息超过预设的单耗范围，则将所述目标单耗信息作为新的单耗信息存储入列表中；
根据列表中所存储的单耗信息，评估空压站能耗水平。
7.一种空压站能耗水平评估装置，其特征在于，包括：
确定模块，用于确定标准环境所对应的标准环境特征值；
获取模块，用于获取单耗转换模型，并获取非标准环境下空压站的目标耗电量以及目标输出气体流量，其中，所述单耗转换模型以对应不同环境且标注有历史耗电量、历史输出气体流量及历史环境值的历史单耗训练得到；其中，所述获取单耗转换模型，包括：
构建不同的机器学习算法模型；
获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，并将各个训练单耗划分为训练样本或校验样本；
利用各个训练样本，对每个机器学习算法模型进行训练；
利用优化算法，对每个训练后的机器学习算法模型进行参数优化；
利用各个校验样本，对每个参数优化后的机器学习算法模型进行校验，计算每个参数优化后的机器学习算法模型的平均误差；
将平均误差最小的参数优化后的机器学习算法模型作为单耗转换模型；
所述获取不同环境下的标注有训练耗电量、训练输出气体流量及训练环境值的训练单耗，包括：
获取每一环境下多个训练采样点的历史累积耗电量、历史累积流量及历史环境数据；
针对每一环境，计算相邻训练采样点间的历史累积流量间的差值，并汇总各个历史累积流量间的差值形成该环境对应的训练输出气体流量；
针对每一环境，计算相邻训练采样点间的历史累积耗电量间的差值，并汇总各个历史累积耗电量间的差值形成该环境对应的训练耗电量；
针对每一环境，对各个训练采样点的历史环境数据进行排序，确定各个历史环境数据的中位数，并将该中位数作为训练环境值；
针对每一环境，将该环境的训练耗电量及该环境的训练输出气体流量间的比值，作为该环境对应的训练单耗；
将所述训练耗电量、所述训练输出气体流量及所述训练环境值作为所述训练单耗的标注标签；
利用模块，用于将所述标准环境特征值、目标耗电量及目标输出气体流量输入至所述单耗转换模型，得到所述单耗转换模型输出所述空压站在标准环境下的目标单耗信息；
评估模块，用于对所述目标单耗信息进行分析，评估所述空压站的能耗水平。
8.一种空压站能耗水平评估设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-6中任一项所述的空压站能耗水平评估方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311559599.8A CN117272845B (zh) | 2023-11-22 | 2023-11-22 | 空压站能耗水平评估方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311559599.8A CN117272845B (zh) | 2023-11-22 | 2023-11-22 | 空压站能耗水平评估方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272845A CN117272845A (zh) | 2023-12-22 |
| CN117272845B true CN117272845B (zh) | 2024-03-08 |
Family
ID=89220012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311559599.8A Active CN117272845B (zh) | 2023-11-22 | 2023-11-22 | 空压站能耗水平评估方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272845B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764626A (zh) * | 2018-04-19 | 2018-11-06 | 武汉钢铁有限公司 | 一种节能诊断方法和装置 |
| CN110307144A (zh) * | 2018-03-20 | 2019-10-08 | 恩尔赛思有限公司 | 用于分析、监测、优化和/或比较多压缩机系统中能量效率的方法 |
| CN113217340A (zh) * | 2021-06-07 | 2021-08-06 | 杭州海川节能科技有限公司 | 一种空压机控制方法、装置、设备及存储介质 |
| CN114295527A (zh) * | 2021-12-27 | 2022-04-08 | 杭州哲达科技股份有限公司 | 一种实时监测膜组件运行的监控系统以及分析方法 |
| CN114837925A (zh) * | 2022-04-15 | 2022-08-02 | 蘑菇物联技术（深圳）有限公司 | 计算压缩空气系统的节能空间的方法、设备及存储介质 |
| CN115238599A (zh) * | 2022-06-20 | 2022-10-25 | 中国电信股份有限公司 | 制冷系统节能方法及模型强化学习训练方法、装置 |
| CN115343967A (zh) * | 2022-10-19 | 2022-11-15 | 蘑菇物联技术（深圳）有限公司 | 用于对空压站进行仿真控制的方法、设备和介质 |
| CN115511100A (zh) * | 2022-08-12 | 2022-12-23 | 国网浙江省电力有限公司杭州供电公司 | 一种基于环境温度相关数据学习的空调负荷回归预测方法 |
| WO2023045797A1 (zh) * | 2021-09-24 | 2023-03-30 | 华为技术有限公司 | 基站的供电管理方法和供电管理装置 |
| CN116484488A (zh) * | 2022-01-13 | 2023-07-25 | 上海桔晟科技有限公司 | 数据处理方法和数据处理装置 |
-
2023
- 2023-11-22 CN CN202311559599.8A patent/CN117272845B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110307144A (zh) * | 2018-03-20 | 2019-10-08 | 恩尔赛思有限公司 | 用于分析、监测、优化和/或比较多压缩机系统中能量效率的方法 |
| CN108764626A (zh) * | 2018-04-19 | 2018-11-06 | 武汉钢铁有限公司 | 一种节能诊断方法和装置 |
| CN113217340A (zh) * | 2021-06-07 | 2021-08-06 | 杭州海川节能科技有限公司 | 一种空压机控制方法、装置、设备及存储介质 |
| WO2023045797A1 (zh) * | 2021-09-24 | 2023-03-30 | 华为技术有限公司 | 基站的供电管理方法和供电管理装置 |
| CN114295527A (zh) * | 2021-12-27 | 2022-04-08 | 杭州哲达科技股份有限公司 | 一种实时监测膜组件运行的监控系统以及分析方法 |
| CN116484488A (zh) * | 2022-01-13 | 2023-07-25 | 上海桔晟科技有限公司 | 数据处理方法和数据处理装置 |
| CN114837925A (zh) * | 2022-04-15 | 2022-08-02 | 蘑菇物联技术（深圳）有限公司 | 计算压缩空气系统的节能空间的方法、设备及存储介质 |
| CN115238599A (zh) * | 2022-06-20 | 2022-10-25 | 中国电信股份有限公司 | 制冷系统节能方法及模型强化学习训练方法、装置 |
| CN115511100A (zh) * | 2022-08-12 | 2022-12-23 | 国网浙江省电力有限公司杭州供电公司 | 一种基于环境温度相关数据学习的空调负荷回归预测方法 |
| CN115343967A (zh) * | 2022-10-19 | 2022-11-15 | 蘑菇物联技术（深圳）有限公司 | 用于对空压站进行仿真控制的方法、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 工业硅生产过程生命周期评价研究;叶宏亮;马文会;杨斌;任玖阳;刘大春;戴永年;;轻金属(第11期);全文 * |
| 环境因素对注射泵性能检测影响的研究;王明刚;毛英军;郭姝宸;陈磊;郑志宏;;中国医疗设备(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272845A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102215690B1 (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
| US20070061144A1 (en) | Batch statistics process model method and system | |
| CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
| CN109657884B (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
| US20230169230A1 (en) | Probabilistic wind speed forecasting method and system based on multi-scale information | |
| CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
| KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
| CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| CN112181706A (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
| CN115600840A (zh) | 用户群体碳排放动态画像模型构建方法、装置及设备 | |
| CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
| CN117272845B (zh) | 空压站能耗水平评估方法、装置及设备 | |
| CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
| CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
| CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
| CN111950623A (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
| CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
| CN113722939B (zh) | 风电出力预测方法、装置、设备及存储介质 | |
| CN111382891B (zh) | 短期负荷预测方法和短期负荷预测装置 |
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 |