CN117290797B - 一种建筑能耗预测方法、系统、装置及介质 - Google Patents

一种建筑能耗预测方法、系统、装置及介质 Download PDF

Info

Publication number
CN117290797B
CN117290797B CN202311575021.1A CN202311575021A CN117290797B CN 117290797 B CN117290797 B CN 117290797B CN 202311575021 A CN202311575021 A CN 202311575021A CN 117290797 B CN117290797 B CN 117290797B
Authority
CN
China
Prior art keywords
week
electricity consumption
abnormal
module
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
Application number
CN202311575021.1A
Other languages
English (en)
Other versions
CN117290797A (zh
Inventor
赵鹏
林涛
周翔宇
周建全
董文秀
王继强
孟瑶
黄文博
刁琳琳
刘乾元
曾扬扬
刘鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jining Power Supply Co
Original Assignee
Jining Power Supply Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jining Power Supply Co filed Critical Jining Power Supply Co
Priority to CN202311575021.1A priority Critical patent/CN117290797B/zh
Publication of CN117290797A publication Critical patent/CN117290797A/zh
Application granted granted Critical
Publication of CN117290797B publication Critical patent/CN117290797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种建筑能耗预测方法、系统、装置及介质，涉及建筑能耗预测的技术领域，其中，建筑能耗预测方法包括数据库、筛选、获取第一参考值、连续异常次数获取步骤、异常周数判断、获取第二参考值、预测、用电情况判断等步骤；建筑能耗预测系统包括储存模块、筛选模块、第一获取模块、预测模块、用电异常判断模块、第二获取模块、判断模块、第三获取模块；本发明通过筛选已知的用电量信息筛选出正常用电量与异常用电量的情况，进而预测出用电量范围，进而提高预测精度。

Description

一种建筑能耗预测方法、系统、装置及介质
技术领域
本发明涉及建筑能耗预测的技术领域，尤其是涉及一种建筑能耗预测方法、系统、装置及介质。
背景技术
建筑能耗指建筑物内各种用能系统和设备的运行能耗，主要包括采暖、空调、照明、家用电器、办公设备、热水供应、炊事、电梯、通风等能耗。建筑能耗几乎涉及所有能源品种，通常所说的建筑能耗仅指非生产性建筑的能耗，即民用建筑能耗。依据建筑功能，民用建筑可以分为居住建筑和公共建筑两大类；公共建筑又包括办公楼、商场、宾馆、医院、体育馆、影院、火车站、航站楼等多种。气候、建筑功能、建筑设计、使用者行为等，都可以影响建筑的能耗。无论从我国可持续发展的内在需求，还是从应对气候变化来说，节能减排是必然选择。因此建筑能耗预测的意义不言而喻。
目前，现有的电能耗预测方法是通过，统计建筑每周的用电量，根据每周用电量的增长趋势，预测下一周的用电量，将预测结果反馈给配电站，配电站根据反馈结果向建筑送电，当根据现有的电能耗预测方法对建筑配电时，但是在不同条件下建筑的用电量可能会发生巨大的跳跃，导致电能预测不准确，此时，配电站对建筑的配电量可能无法满足建筑的日常工作，可能会导致建筑无法正常运行。
因此，目前急需预测精度高的的电能耗预测方法，对建筑的电能耗进行预测。
发明内容
为了能够更精准的对建筑电能耗进行预测，本发明提供一种建筑能耗预测方法、系统、装置及介质。
第一方面，本发明提供的一种建筑能耗预测方法，采用如下的技术方案：
一种建筑能耗预测方法，包括以下步骤：
数据库：储存用电量信息以及用电量是否正常的信息；
筛选：以第M周为基准，向第M周以前获取b个正常用电量的周；
获取第一参考值：将b个正常用电量周的用电量形成参考值集合AM；
预测：通过参考值集合AM预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第n个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动；
用电情况判断：在第M个周结束后，获取建筑第M个周的实际用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，；Y为第/>周，第r天的预测用电范围,Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
可选的，所述筛选步骤前还设置有连续异常次数获取步骤；
连续异常次数获取步骤：以第M周为基准向第M周以前获取异常用电量的周Z，并执行异常周数判断步骤；
异常周数判断：设置异常次数阈值H，若Z≤H,则执行筛选步骤，若Z＞H，则执行获取第二参考值步骤，并执行预测步骤；
获取第二参考值：获取参考值集合，参考值集合/>中为异常周的用电量，,并执行预测步骤。
可选的，所述预测中第M周的用电量范围XM还包括线路损耗电量WR；第M周的用电量范围XM的预测模型为：
；
线路损耗电量WR的计算模型为：
；式中，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围。
第二方面，本发明提供的一种建筑能耗预测系统，采用如下的技术方案：
一种建筑能耗预测系统，包括储存模块、筛选模块、第一获取模块、预测模块以及用电异常判断模块；
储存模块：输出端与筛选模块的输入端电信号连接，用于储存用电量信息以及用电量是否正常的信息；
筛选模块：输出端与第一获取模块的输入端电信号连接，以第M周为基准，向第M周以前获取b个正常用电量的周；
第一获取模块：输出端与预测模块的输入端电信号连接，用于将b个正常用电量周的用电量形成参考值集合AM；
预测模块：输出端以用电异常判断模块的输入端电信号连接，用于预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第n个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动；
用电异常判断模块：输出端与数据库的输入端电信号连接，用于判断第M周用电是否异常，在第M个周结束后，获取建筑第M个周的实际用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，；Y为第/>周，第r天的预测用电范围,Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
可选的，还包括第二获取模块、第三获取模块以及判断模块；
第二获取模块：输入端与数据库的输出端电信号连接，用于获取连续用电异常的周数Z，并将信息传递至判断模块；
判断模块:输入端与第二获取模块的输出端电信号连接，输出端与筛选模块的输入端电信号连接，在判断模块中设置异常次数阈值H，若Z≤H,则将信息传递至筛选模块，若Z＞H，则将信息传递至第三获取模块；
第三获取模块：输入端与判断模块的输出端电信号连接，输出端与预测模块的输入端电信号连接，用于获取参考值集合，参考值集合/>中为异常周的用电量，。
可选的，所述预测模块中第M周的用电量范围XM还包括线路损耗电量WR；第M周的用电量范围XM的预测模型为：
；
线路损耗电量WR的计算模型为：
；式中，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围。
第三方面，本发明提供一种建筑能耗预测装置，采用如下技术方案：
一种装置，包括处理器以及储存器，所述储存器用于存储计算机程序，所述处理器用于执行所述储存器存储的计算机程序，以使所述装置执行如第一方面所述的方法。
第四方面，本发明提供的一种建筑能耗预测介质，采用如下的技术方案：
一种介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如第一方面所述的方法。
综上所述，本发明包括以下至少一种有益技术效果：
1. 在预测第M周用电量时，通过筛选出异常用电量周的数据，选取b个正常周的用电情况作为预测参考值，进而提高对第M周用电量预测的精准度。
2. 由于天气对用电量的影响，当监测出第M周前连续多个周均处于用电异常时，选取第M周前连续b个用电异常周的用电量作为预测参考值，进而提高预测的精准度。
3. 由于电量的消耗跟线路的损耗有关，所以预测用电量时，需要考虑线路消耗的电量，进而提高用电量预测的精准性。
附图说明
图1是本申请实施例1的流程图；
图2是本申请实施例2的系统结构示意图；
图3是本申请实施例3的整体结构示意图；
具体实施方式
以下结合图1至图3对本发明作进一步详细说明。
实施例1：本实施例公开了一种建筑能耗预测方法，参照图1，一种建筑能耗预测方法包括以下步骤：
S1：数据库：储存用电量信息以及用电量是否正常的信息。
S2：连续异常次数获取步骤：以第M周为基准向第M周以前获取异常用电量的周Z，并执行异常周数判断步骤；（例如：已知第M-1，M-2，M-3，M-4，M-5，M-6，M-7周的用电情况，第M-3，M-4，M-5，M-6，M-7为用电异常周，那么连续用电异常的周数Z为5，若第M-2，M-3，M-4，M-5，M-6，M-7为用电异常周，那么连续用电异常的周数Z为6）。
S3：异常周数判断：设置异常次数阈值H，若Z≤H，则执行筛选步骤，若Z＞H，则执行获取第二参考值步骤，并执行预测步骤；（例如：设置H为5，当Z为1-5时，继续执行筛选步骤，直到筛选出5个周的正常用电量，当Z为6时，证明连续6个周为异常用电，则执行S6步骤）。
S4:筛选：以第M周为基准，向第M周以前获取b个正常用电量的周。
S5：获取第一参考值：将b个正常用电量周的用电量形成参考值集合AM；（例如：预测第M周的用电，已知第M-1，M-2，M-3，M-4，M-5，M-6，M-7周的用电情况，第M-6周和第M-4周为用电异常，那么获取参考值集合为AM=[M-1，M-2，M-3，M-5，M-7]中的5个周的用电量）。
S6：获取第二参考值：获取参考值集合，参考值集合/>中为异常周的用电量，,并执行预测步骤；（例如：当Z为6时，及连续6周用电异常，可能是天气原因导致的，所以预测第M周的用电时，选取第M周前5周的异常用电作为预测参考值）。
S7：预测：通过参考值集合AM预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第n个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围；
S8：用电情况判断：获取建筑第M个周的用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，；Y为第/>周，第r天的预测用电范围,Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
本实施例一种建筑能耗预测方法的实施原理为：
储存用电量信息以及用电量是否正常的信息，排除用电量异常的周，提取用电量正常的周，获取第一参考值：获取参考值集合AM，参考值集合AM中为正常周的用电量，获取连续用电异常的周数Z，并执行异常周数判断步骤以及获取第二参考值步骤，设置异常次数阈值H，若Z≤H,则执行筛选步骤，若Z＞H，则执行获取第二参考值步骤，并执行预测步骤；获取参考值集合，参考值集合/>中为异常周的用电量通过参考值集合AM或/>预测第M周的用电量范围XM，获取建筑第M个周的用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
实施例2：本实施例公开了一种建筑能耗预测系统，参照图2，一种建筑能耗预测系统包括储存模块、筛选模块、第一获取模块、预测模块、用电异常判断模块、第二获取模块、判断模块、第三获取模块；
储存模块：输出端与筛选模块的输入端电信号连接，用于储存用电量信息以及用电量是否正常的信息；
第二获取模块：输入端与储存模块的输出端电信号连接，用于获取连续用电异常的周数Z，并将信息传递至判断模块；
判断模块:输入端与第二获取模块的输出端电信号连接，输出端与筛选模块的输入端电信号连接，在判断模块中设置异常次数阈值H，若Z≤H,则将信息传递至筛选模块，若Z＞H，则将信息传递至第三获取模块；
筛选模块：输入端与判断模块的输出端电信号连接，以第M周为基准，向第M周以前获取b个正常用电量的周；
第一获取模块：输出端与预测模块的输入端电信号连接，用于将b个正常用电量周的用电量形成参考值集合AM；
第三获取模块：输入端与判断模块的输出端电信号连接，输出端与预测模块的输入端电信号连接，用于获取参考值集合，参考值集合/>中为异常周的用电量，；
预测模块：输出端以用电异常判断模块的输入端电信号连接，用于预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第n个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围；
用电异常判断模块：输出端与数据库的输入端电信号连接，用于判断第M周用电是否异常，在第M个周结束后，获取建筑第M个周的实际用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，；Y为第/>周，第r天的预测用电范围,Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
本实施例一种建筑能耗预测系统的实施原理为：
储存模块储存用电量信息以及用电量是否正常的信息；筛选模块排除用电量异常的周，提取用电量正常的周；第一获取模块获取参考值集合AM，参考值集合AM中为正常周的用电量；第二获取模块获取连续用电异常的周数Z，并将信息传递至判断模块；在判断模块中设置异常次数阈值H，若Z≤H,则将信息传递至筛选模块，若Z＞H，则将信息传递至第三获取模块；第三获取模块获取参考值集合，参考值集合/>中为异常周的用电量；预测模块预测第M周的用电量范围XM，用电异常判断模块判断第M周用电是否异常，获取建筑第M个周的用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
实施例3：本实施例公开了一种建筑能耗预测装置，参照图3，一种建筑能耗预测装置包括：
储存器，用于储存计算机程序；
处理器，用于执行储存器储存的计算机程序，进而实现实施例1中所述的方法。
储存器可以包括用于储存数据或指令的大容量储存器。举例来说而非限制，储存器可以包括硬盘、软盘、闪存、光盘、磁光盘、磁带或者两个或更多个以上这些的组合。在合适的情况下，储存器可包括可移除或不可移除(或固定)的介质。在合适的情况下，储存器可在数据处理装置的内部或外部。在特定实施例中，储存器是非易失性固态储存器。在特定实施例中，储存器包括只读储存器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EBROM)或者两个或更多个以上这些的组合。
实施例4：本实施例公开了一种用于建筑能耗预测的计算机储存介质，其中，该计算机储存介质存储有程序，该程序执行时能够实现实施例1中所记载的方法的部分或全部步骤。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (6)

1.一种建筑能耗预测方法，其特征在于：包括以下步骤：
数据库：储存用电量信息以及用电量是否正常的信息；
连续异常次数获取步骤：以第M周为基准向第M周以前获取异常用电量的周Z，并执行异常周数判断步骤；
异常周数判断：设置异常次数阈值H，若Z≤H,则执行筛选步骤，若Z＞H，则执行获取第二参考值步骤，并执行预测步骤；
筛选：以第M周为基准，向第M周以前获取b个正常用电量的周；
获取第一参考值：将b个正常用电量周的用电量形成参考值集合AM；
获取第二参考值：获取参考值集合，参考值集合/>中为异常周的用电量，,并执行预测步骤；
预测：通过参考值集合AM预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第i个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动；
用电情况判断：在第M个周结束后，获取建筑第M个周的实际用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，/>；Y为第M周，第r天的预测用电范围, Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
2.根据权利要求1所述的一种建筑能耗预测方法，其特征在于：所述预测中第M周的用电量范围XM还包括线路损耗电量WR；第M周的用电量范围XM的预测模型为：
；
线路损耗电量WR的计算模型为：
；式中，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围。
3.一种建筑能耗预测系统，应用权利要求1-2中任意一项所述的建筑能耗预测方法，其特征在于：包括储存模块、筛选模块、第一获取模块、预测模块、用电异常判断模块、第二获取模块、第三获取模块以及判断模块；
储存模块：输出端与筛选模块的输入端电信号连接，用于储存用电量信息以及用电量是否正常的信息；
第二获取模块：输入端与储存模块的输出端电信号连接，用于获取连续用电异常的周数Z，并将信息传递至判断模块；
判断模块:输入端与第二获取模块的输出端电信号连接，在判断模块中设置异常次数阈值H，若Z≤H,则将信息传递至筛选模块，若Z＞H，则将信息传递至第三获取模块；
筛选模块：输出端与第一获取模块的输入端电信号连接，以第M周为基准，向第M周以前获取b个正常用电量的周；
第一获取模块：输出端与预测模块的输入端电信号连接，用于将b个正常用电量周的用电量形成参考值集合AM；
第三获取模块：输入端与判断模块的输出端电信号连接，输出端与预测模块的输入端电信号连接，用于获取参考值集合，参考值集合/>中为异常周的用电量，；
预测模块：输出端以用电异常判断模块的输入端电信号连接，用于预测第M周的用电量范围XM，第M周的用电量范围XM的预测模型如下：
；
式中为第M周的预测最大用电量，式中/>为第M周的预测最小用电量，Ai为第i个周的实际用电量，/>为b个周的平均用电量，式中K为电量波动；
用电异常判断模块：输出端与数据库的输入端电信号连接，用于判断第M周用电是否异常，在第M个周结束后，获取建筑第M个周的实际用电量，并将第M个周的用电量输送至数据库；计算第M个周的用电量异常天数，第M个周的用电量异常天数F的计算模型如下：
；
；式中/>为第M周，第r天的实际用电量，/>；Y为第M周，第r天的预测用电范围，Y的计算模型为：
；
设置异常天数阈值P，若F≤P，则判断为用电量异常，并将异常结果输送至数据库；否则判断为用电量正常，并将正常结果输送至数据库。
4.根据权利要求3所述的一种建筑能耗预测系统，其特征在于：所述预测模块中第M周的用电量范围XM还包括线路损耗电量WR；第M周的用电量范围XM的预测模型为：
；
线路损耗电量WR的计算模型为：
；式中，U为线路上电压，T为第M周的用电时间，S为线路的截面积，L为线路的长度，/>为线路在零摄氏度时的电阻，α为线路的温度系数，G为第M周的温度范围。
5.一种建筑能耗预测装置，其特征在于：包括处理器以及储存器，所述储存器用于存储计算机程序，所述处理器用于执行所述储存器存储的计算机程序，以使所述装置执行如权利要求1-2中任意一项所述的方法。
6.一种建筑能耗预测介质，其特征在于：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如权利要求1-2中任意一项所述的方法。
CN202311575021.1A 2023-11-24 2023-11-24 一种建筑能耗预测方法、系统、装置及介质 Active CN117290797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311575021.1A CN117290797B (zh) 2023-11-24 2023-11-24 一种建筑能耗预测方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311575021.1A CN117290797B (zh) 2023-11-24 2023-11-24 一种建筑能耗预测方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN117290797A CN117290797A (zh) 2023-12-26
CN117290797B true CN117290797B (zh) 2024-02-02

Family

ID=89257472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311575021.1A Active CN117290797B (zh) 2023-11-24 2023-11-24 一种建筑能耗预测方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN117290797B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117969946B (zh) * 2024-04-01 2024-06-14 山东普源电力工程有限公司 一种照明系统能耗检测方法及系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915562A (zh) * 2015-06-11 2015-09-16 上海新长宁低碳投资管理有限公司 建筑能效诊断方法和系统
KR101904831B1 (ko) * 2018-04-25 2018-12-05 이헌 지능형 건물 관리 시스템 및 그 제어 방법
CN109272237A (zh) * 2018-09-27 2019-01-25 国网河北省电力有限公司电力科学研究院 一种用电异常的识别方法、系统及终端设备
CN110135649A (zh) * 2019-05-21 2019-08-16 山东建筑大学 短期建筑能耗区间预测方法、系统、介质及设备
CN110930034A (zh) * 2019-11-22 2020-03-27 广东电力交易中心有限责任公司 一种电力现货市场结算计量数据校验方法、装置及介质
CN112926686A (zh) * 2021-03-30 2021-06-08 武汉工程大学 基于brb和lstm模型的电力大数据用电异常检测方法及装置
CN113468157A (zh) * 2021-07-12 2021-10-01 博锐尚格科技股份有限公司 一种基于能耗分析的相似建筑挑选方法和装置
CN113887986A (zh) * 2021-10-14 2022-01-04 广东电网有限责任公司 一种基于模型的能效诊断方法、系统、设备和介质
CN114022307A (zh) * 2021-11-03 2022-02-08 福州大学 分等级、分时级的孤寡老人用电量异常变化分析方法
CN114116843A (zh) * 2021-11-25 2022-03-01 国网江苏省电力有限公司连云港供电分公司 基于用电数据的村镇小型污水处理设施运行监测方法
CN114169254A (zh) * 2021-12-29 2022-03-11 西安建筑科技大学 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
KR20220165147A (ko) * 2021-06-07 2022-12-14 (주)보강시스템 현장 작업자를 위한 ai 기반의 최적 작업 지원 시스템
CN115564194A (zh) * 2022-09-21 2023-01-03 华中科技大学 智能电网的计量异常诊断信息生成模型构建方法及系统
CN115587532A (zh) * 2022-09-26 2023-01-10 广东海洋大学 一种工业建筑能耗工况异常监测方法、系统和存储介质
CN116187552A (zh) * 2023-01-20 2023-05-30 阿里云计算有限公司 异常检测方法、计算设备及计算机存储介质
CN116227543A (zh) * 2023-05-09 2023-06-06 南方电网科学研究院有限责任公司 用电异常的检测方法、检测装置、电子装置和电子设备
CN116455081A (zh) * 2023-05-06 2023-07-18 刘珂 一种基于边缘分析的智慧小区电力监测管理方法及系统
CN116596136A (zh) * 2023-05-15 2023-08-15 大连理工大学 一种基于双预测误差的用电异常实时检测方法
CN116776263A (zh) * 2023-03-31 2023-09-19 国网江苏省电力有限公司无锡供电分公司 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统
CN116882804A (zh) * 2023-06-15 2023-10-13 古桥信息科技(郑州)有限公司 一种智能电力监控方法及系统
CN116976707A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11080620B2 (en) * 2018-05-10 2021-08-03 International Business Machines Corporation Localizing energy consumption anomalies in buildings

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915562A (zh) * 2015-06-11 2015-09-16 上海新长宁低碳投资管理有限公司 建筑能效诊断方法和系统
KR101904831B1 (ko) * 2018-04-25 2018-12-05 이헌 지능형 건물 관리 시스템 및 그 제어 방법
CN109272237A (zh) * 2018-09-27 2019-01-25 国网河北省电力有限公司电力科学研究院 一种用电异常的识别方法、系统及终端设备
CN110135649A (zh) * 2019-05-21 2019-08-16 山东建筑大学 短期建筑能耗区间预测方法、系统、介质及设备
CN110930034A (zh) * 2019-11-22 2020-03-27 广东电力交易中心有限责任公司 一种电力现货市场结算计量数据校验方法、装置及介质
CN112926686A (zh) * 2021-03-30 2021-06-08 武汉工程大学 基于brb和lstm模型的电力大数据用电异常检测方法及装置
KR20220165147A (ko) * 2021-06-07 2022-12-14 (주)보강시스템 현장 작업자를 위한 ai 기반의 최적 작업 지원 시스템
CN113468157A (zh) * 2021-07-12 2021-10-01 博锐尚格科技股份有限公司 一种基于能耗分析的相似建筑挑选方法和装置
CN113887986A (zh) * 2021-10-14 2022-01-04 广东电网有限责任公司 一种基于模型的能效诊断方法、系统、设备和介质
CN114022307A (zh) * 2021-11-03 2022-02-08 福州大学 分等级、分时级的孤寡老人用电量异常变化分析方法
CN114116843A (zh) * 2021-11-25 2022-03-01 国网江苏省电力有限公司连云港供电分公司 基于用电数据的村镇小型污水处理设施运行监测方法
CN114169254A (zh) * 2021-12-29 2022-03-11 西安建筑科技大学 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN115564194A (zh) * 2022-09-21 2023-01-03 华中科技大学 智能电网的计量异常诊断信息生成模型构建方法及系统
CN115587532A (zh) * 2022-09-26 2023-01-10 广东海洋大学 一种工业建筑能耗工况异常监测方法、系统和存储介质
CN116187552A (zh) * 2023-01-20 2023-05-30 阿里云计算有限公司 异常检测方法、计算设备及计算机存储介质
CN116776263A (zh) * 2023-03-31 2023-09-19 国网江苏省电力有限公司无锡供电分公司 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统
CN116455081A (zh) * 2023-05-06 2023-07-18 刘珂 一种基于边缘分析的智慧小区电力监测管理方法及系统
CN116227543A (zh) * 2023-05-09 2023-06-06 南方电网科学研究院有限责任公司 用电异常的检测方法、检测装置、电子装置和电子设备
CN116596136A (zh) * 2023-05-15 2023-08-15 大连理工大学 一种基于双预测误差的用电异常实时检测方法
CN116882804A (zh) * 2023-06-15 2023-10-13 古桥信息科技(郑州)有限公司 一种智能电力监控方法及系统
CN116976707A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 基于用电信息采集的用户用电数据异常分析方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Performance Evaluation of Techniques for Identifying Abnormal Energy Consumption in Buildings;Megha Gaur等;《IEEE Access》;第7卷;62721-62733 *
Research on Identification and Processing Method for Abnormal Data of Residential Electric Power Consumption;Yingmei Zhang等;《2019 IEEE 3rd International Electrical and Energy Conference(CIEEC)》;900-904 *
基于分类DQN的建筑能耗预测;李可等;《计算机系统应用》;第31卷(第10期);156-165 *
基于数据驱动的公共建筑用电能耗短期预测;高晓佳等;《计算机仿真》;第39卷(第10期);89-93 *

Also Published As

Publication number Publication date
CN117290797A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
US10775067B2 (en) Method for controlling activation of air conditioning device and apparatus therefor
CN117290797B (zh) 一种建筑能耗预测方法、系统、装置及介质
JP6503305B2 (ja) 空調制御システム、空調計画装置、及び、計画方法
CN108292860B (zh) 电力控制装置、运转计划制定方法以及记录介质
WO2015163732A1 (en) Operating method and apparatus of smart system for power consumption optimization
JP5823085B1 (ja) 給湯機運転管理装置、給湯機運転管理システムおよび給湯機運転管理方法
JP6562893B2 (ja) パラメータ推定装置、空調システム評価装置、パラメータ推定方法およびプログラム
EP2469676A1 (en) Demand-prediction device, program, and recording medium
JP6194410B2 (ja) モニタリングシステム
CN104919484A (zh) 能量管理装置以及能量管理系统
JP5534869B2 (ja) 計測管理システム及び管理サーバ
Larsen et al. Comparison of measured and calculated values for the indoor environment in one of the first Danish passive houses
CN102142062A (zh) 基于关于装置的耗电信息控制装置的操作的方法和设备
KR101355978B1 (ko) 전력 관리 시스템 및 전력 사용량 예측 방법
KR101660487B1 (ko) 소비 특성에 따른 전력 소비량 예측 방법 및 장치
JP6605181B2 (ja) 運転制御装置、空気調和システム、運転制御方法および運転制御プログラム
JP5927576B2 (ja) エネルギー管理装置、およびエネルギー管理システム
CN114820227A (zh) 储能方法及装置
JPWO2016056113A1 (ja) 省エネルギ化診断装置、省エネルギ化診断方法およびプログラム
JP2010108108A (ja) 住宅の計測管理システム
JP2017003192A (ja) エネルギー管理装置、エネルギー管理方法及びエネルギー管理プログラム
CN111260110A (zh) 能源消耗量预测装置及其方法
TWI678504B (zh) 儲冰量調整系統與儲冰量調整方法
WO2012137814A1 (ja) コントローラおよび制御方法
KR20180122054A (ko) 건물 에너지 효율 등급과 연계한 부하 예측 기반 빌딩 제어 장치

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