CN117389823A - 一种基于云计算的识别方法和系统 - Google Patents
一种基于云计算的识别方法和系统 Download PDFInfo
- Publication number
- CN117389823A CN117389823A CN202310821047.3A CN202310821047A CN117389823A CN 117389823 A CN117389823 A CN 117389823A CN 202310821047 A CN202310821047 A CN 202310821047A CN 117389823 A CN117389823 A CN 117389823A
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- enterprise
- mode set
- saving mode
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 98
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000012423 maintenance Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 230000002123 temporal effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 description 37
- 238000005265 energy consumption Methods 0.000 description 29
- 238000012549 training Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004134 energy conservation Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于云计算的识别方法和系统，该方法由云管理平台中的处理器执行，包括：从部署在企业运作场景中的至少一个监测装置获取监测数据，企业运作场景至少包括一个企业人员办公场景或设备维护场景；基于监测数据，识别不合理数据及其时间节点；基于不合理数据及其时间节点，确定试运行节能模式集，并判断试运行节能模式集是否满足试运行条件；响应于不满足，从模式集数据库选择至少一个候选节能模式集；判断至少一个候选节能模式集是否满足匹配度条件，响应于满足，基于至少一个候选节能模式集确定目标运行节能模式集，响应于不满足，基于试运行节能模式集确定目标运行节能模式集。
Description
技术领域
本说明书涉及计算机网络技术领域，特别涉及一种基于云计算的识别方法和系统。
背景技术
随着计算机网络技术的发展，云计算在企业的数据运算业务中占据了越来越重要的地位。特别地，在企业能源节约方面，基于云计算平台实现企业节能管理的应用也越来越多。相比于以往依赖于人工确定节能策略的方式，云计算在数据处理效率和节能管理的智能化、全面性方面都有更大的优势和挖掘潜力。
针对云计算节能管理的问题，CN104134100B公开了一种基于云计算的节能管理系统，包括云平台中心单元和与其相连的节能控制单元，通过云平台对接收的该节能控制单元的能耗数据、状态数据和节能策略参数进行训练和学习，调整节能策略参数并反馈给该节能控制单元，以实现对整个系统的动态的智能节能管理。但是，其仅仅涉及对各种设备的数据采集，未考虑在企业运作场景中人员的变化、时间变化、企业规模和企业类型等的不同对节能策略的影响，并且其仅基于制冷机房自身的数据确定节能调整策略。因此，节能调整策略有时存在一定的局限性，无法较好满足企业的节能需求。
因此，希望可以提供一种基于云计算的识别方法，通过针对性、智能化的节能管理，节约企业运营成本。
发明内容
本说明书一个或多个实施例提供一种基于云计算的识别方法。所述方法包括：从部署在企业运作场景中的至少一个监测装置获取监测数据，所述企业运作场景包括企业人员办公场景、设备维护场景中至少一个；基于所述监测数据，识别不合理数据及其时间节点；基于所述不合理数据及其时间节点，确定试运行节能模式集，并判断所述试运行节能模式集是否满足试运行条件；响应于不满足所述试运行条件，从模式集数据库选择至少一个候选节能模式集；判断所述至少一个候选节能模式集是否满足匹配度条件：响应于满足，基于所述至少一个候选节能模式集确定目标运行节能模式集；响应于不满足，基于所述试运行节能模式集确定所述目标运行节能模式集。
本说明书实施例之一提供一种基于云计算的识别系统，所述系统包括：获取模块，用于从部署在企业运作场景中的至少一个监测装置获取监测数据，所述企业运作场景包括企业人员办公场景、设备维护场景中至少一个；识别模块，用于基于所述监测数据，识别不合理数据及其时间节点；第一确定模块，用于基于所述不合理数据及其时间节点，确定试运行节能模式集，并判断所述试运行节能模式集是否满足试运行条件；选择模块，用于响应于不满足所述试运行条件，从模式集数据库选择至少一个候选节能模式集；第二确定模块，用于判断所述至少一个候选节能模式集是否满足匹配度条件：响应于满足，基于所述至少一个候选节能模式集确定目标运行节能模式集；响应于不满足，基于所述试运行节能模式集确定所述目标运行节能模式集。
本说明书一个或多个实施例提供一种基于云计算的识别装置，包括处理器，所述处理器用于执行所述基于云计算的识别方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述基于云计算的识别方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于云计算的识别系统的示例性模块图；
图2是根据本说明书一些实施例所示的基于云计算的识别方法的示例性流程图；
图3是根据本说明书一些实施例所示的基于数据监测模型识别不合理数据及其时间节点的示例性示意图；
图4是根据本说明书一些实施例所示的确定目标节能模式集的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
现有的云计算平台，往往仅作为数据中心或运算中心功能，对于有额外节能需求的企业，能够提供的针对性服务比较有限，且往往是分析本用户的相关能源数据给出节能调整策略，有时给出的节能策略比较局限，并不能完全解决用户需求。而企业自身的节能策略，往往是根据自身历史经验设定，有时存在一定局限性。
鉴于此，本说明书一些实施例中，期望提供一种基于云计算的识别方法，针对将云计算平台作为企业数据分析中心的用户，基于客户授权，识别企业能源使用数据中的不合理数据，并基于云计算平台，给出针对企业用户的全局最优策略，以降低能耗成本，针对性的进行节能管理。
图1是根据本说明书一些实施例所示的基于云计算的识别系统的示例性模块图。
如图1所示，基于云计算的识别系统100可以包括获取模块110、识别模块120、第一确定模块130、选择模块140和第二确定模块150。
获取模块110可以用于从部署在企业运作场景中的至少一个监测装置获取监测数据，企业运作场景可以包括企业人员办公场景、设备维护场景中至少一个。在一些实施例中，监测装置可以包括能源传感器、监控装置、数据读取装置等。数据读取装置可以读取企业各个设备的运行日志、维修日志等。
识别模块120可以用于基于监测数据，识别不合理数据及其时间节点。
在一些实施例中，识别模块120可以进一步用于：基于监测数据，确定监测数据特征；基于监测数据特征，识别不合理数据及其时间节点。
第一确定模块130可以用于基于不合理数据及其时间节点，确定试运行节能模式集，并判断试运行节能模式集是否满足试运行条件。
在一些实施例中，第一确定模块130可以进一步用于：基于监测数据特征、不合理数据及其时间节点，确定试运行节能模式集；在预设时间内以试运行节能模式集进行试运行；基于预设时间内获取的监测数据，判断试运行节能模式集是否满足试运行条件。
选择模块140可以用于响应于不满足试运行条件，从模式集数据库选择至少一个候选节能模式集。
在一些实施例中，选择模块140可以进一步用于：基于企业特征数据计算待调整企业与模式集数据库中候选企业的企业相似度；基于企业相似度确定至少一个候选节能模式集。
第二确定模块150可以用于判断至少一个候选节能模式集是否满足匹配度条件。响应于满足，基于至少一个候选节能模式集确定目标运行节能模式集；响应于不满足，基于试运行节能模式集确定目标运行节能模式集。
关于上文所述的监测数据、监测数据特征、不合理数据等的更多内容可以参见本说明书其他部分(如，图2)的相关描述。
需要注意的是，以上对于基于云计算的识别系统100及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
图2是根据本说明书一些实施例所示的基于云计算的识别方法的示例性流程图。如图2所示，流程200包括下述步骤。在一些实施例中，流程200可以由处理器执行。
步骤210，从部署在企业运作场景中的至少一个监测装置获取监测数据。
关于监测装置的更多说明可以参见图1及其相关描述。
企业运作场景可以指企业经营运作中的具体场景。在一些实施例中，企业运作场景可以包括企业人员办公场景、设备维护场景中至少一个。
监测数据可以指企业运作场景中与能源消耗相关的数据。例如，包括设备能源消耗数据、设备维护数据、设备运行数据以及办公人员分布数据等。
设备能源消耗数据可以指能源(例如，水资源、电资源等)的消耗情况。
设备维护数据可以指设备维护过程中相关的数据。例如，包括设备的维护周期以及维护时间。设备可以包括企业运作场景中的各种用电设备、用水设备等。
设备运行数据可以指设备运行过程中相关的数据。例如，设备运行数据可以包括设备编号、运行状态、运行功率、以及运行时长。
办公人员数据可以包括办公区域的人员分布、人员所属部门以及工作计划等。工作计划可以指每日规定的工作时间。
在一些实施例中，监测数据为分布式监测数据。分布式监测数据可以指具有一定独立性的监测数据，即不同采集装置的监测数据相互独立，某一个监测装置未采集到监测数据不会危及整个监测数据。在一些实施例中，处理器可以基于分布式安装在企业运作场景中的监测装置获取分布式监测数据。
在一些实施例中，处理器可以通过多种可行的方式获取监测数据。示例性的，处理器可以通过能源传感器获取设备能源消耗数据；通过企业运作场景中相关人员输入的企业运营管理信息/或监控摄像头获取办公人员数据；通过设备运行日志/维护日志等获取设备维护数据等。
步骤220，基于监测数据，识别不合理数据及其时间节点。
不合理数据可以指造成能源非正常消耗的相关数据。不合理数据需要排除由于故障或显性因素影响造成能源不合理消耗的相关数据。显性因素可以指企业举办大型活动、特殊时期(如节假日)等导致能源消耗量异常的因素。例如，不合理数据可以包括能源使用不合理时对应的办公人员数据和设备运行数据；或者电能或水资源消耗超过预设能源阈值时对应的监测数据；或者电能或水资源消耗异常波动时对应的监测数据。
时间节点可以包括不合理数据发生的时间点。
在一些实施例中，处理器可以通过多种可行的方式确定不合理数据及其时间节点。例如，处理器可以将超过预设能源阈值的设备能源消耗数据作为不合理数据，将其对应的时间点作为时间节点。预设能源阈值可以基于预设确定。
在一些实施例中，处理器可以将设备能源消耗数据和设备运行数据进行比较，判断是否出现能源异常消耗，若有则将该设备能源消耗数据和设备运行数据确定为不合理数据，并将对应时间点确定为时间节点。例如，某台设备使用某功率运行一定时长消耗的能源，是其历史记录中同等条件下消耗能源的两倍，并且期间未发生故障，则此监测数据为不合理数据。
在一些实施例中，处理器可以将造成能源浪费的数据作为不合理数据。示例性的，办公区域包括A、B两个区域。某个时间节点A区域有2个办公人员，B区域没有办公人员，而A区域和B区域的灯都打开了，导致电资源的浪费，可将其确定为不合理数据及将发生时间确定为不合理数据的时间节点。
在一些实施例中，处理器可以基于监测数据特征识别不合理数据及其时间节点，可以参见图3及其相关描述。
步骤230，基于不合理数据及其时间节点，确定试运行节能模式集，并判断试运行节能模式集是否满足试运行条件。
节能模式集可以指由多个节能模式构成的集合。例如，节能模式集可以包括但不限于：设备A的节能模式、设备B的节能模式、设备C的节能模式……等组成的集合。
节能模式可以包括节能策略。节能策略可以包括设备运行策略和设备维护策略。其中，设备运行策略可以包括各个设备的运行状态、运行功率与运行时长。例如，包括办公区域电灯的默认亮度、显示器的默认休眠时长和办公设备默认功率等。设备维护策略可以包括各个设备的维护时间、维护内容。例如，包括办公区域办公设备的维护周期、办公设备的清洗维护等。
在一些实施例中，一个设备在不同时间的设备运行策略和设备维护策略可以组成一个节能模式。例如，节能模式可以包括但不限于设备在不同时间的设备运行策略和设备维护策略。示例性地，节能模式可以是：设备A在时间段t1～t2关闭，在时间段t2～t3为节能模式，在时间点t3～t4为正常模式，在时间段t4～t5为维护模式等。
试运行节能模式集可以指用于测试的初始节能模式集。
在一些实施例中，处理器可以通过多种方式，基于不合理数据及其时间节点，确定试运行节能模式集。例如，处理器可以保留合理数据，对不合理数据进行调整，确定试运行节能模式集。示例性地，对不合理数据进行调整包括：对不合理的设备运行数据中的运行状态、运行时长、运行功率等进行调整；对不合理的设备维护数据中的维护周期、维护时间、维护内容等进行调整。
在一些实施例中，处理器可以基于监测数据特征、不合理数据及其时间节点，确定试运行节能模式集，更多说明可以参见图4中的相关描述。
试运行条件可以包括试运行节能模式集需要满足的条件。例如，试运行条件可以包括：执行试运行节能模式集后，能源消耗量不超过预设能源阈值。预设能源阈值可以参见上文的相关描述。
在一些实施例中，试运行条件还可以包括试运行节能模式集试运行过程中的监测数据需要满足的条件。例如，试运行条件可以包括：不存在不合理数据。
在一些实施例中，处理器还可以基于不合理数据及其时间节点、以及试运行节能模式集，通过查询预设表的方式确定能源消耗量，判断能源消耗量是否不超过预设能源阈值。响应于是，判断试运行节能模式集满足试运行条件。
其中，预设表中存储有多组不同的不合理数据及其时间节点对应的多个节能模式集、以及每一个节能模式集对应的能源消耗量。预设表可以基于经验获取，也可基于历史节能数据确定。
在一些实施例中，处理器判断试运行节能模式是否满足试运行条件的更多说明可以参见图4中的相关描述。
在一些实施例中，响应于试运行节能模式集满足试运行条件，处理器可以将试运行节能模式集确定为目标节能模式集。
目标运行节能模式集可以指能够满足企业节能需求的节能模式集，可以应用于待调整企业进行节能调整。例如，目标运行节能模式集可以包括运行后能源消耗最接近企业目标能源消耗的最优节能模式集。
步骤240，响应于不满足试运行条件，从模式集数据库选择至少一个候选节能模式集。
模式集数据库可以指存储多个企业及企业运作相关数据的数据库。企业运作相关数据可以包括企业特征数据和对应的至少一个节能模式集。在一些实施例中，模式集数据库中存储的多个节能模式集可以是每个企业历史较优的节能模式集，也可以是基于经验预设的节能模式集。企业特征数据可以包括企业名称、企业规模、行业类别、所处地域、企业历史能源数据、企业标志等。
候选节能模式集可以指可能作为目标运行节能模式集的节能模式集。
在一些实施例中，处理器可以通过多种方式从模式集数据库选择候选节能模式集。例如，处理器可以基于预设选择条件确定候选节能模式。预设选择条件可以与企业特征数据相关。示例性的，行业类别相同。
在一些实施例中，响应于不满足试运行条件，处理器可以基于企业特征数据计算待调整企业与模式集数据库中候选企业的企业相似度；基于企业相似度确定至少一个候选节能模式集。
待调整企业是指需要基于节能模式集进行节能策略调整的企业。
候选企业可以指模式集数据库中存储有企业数据的企业。在一些实施例中，模式数据库中存储了候选企业的企业特征数据以及该候选企业的至少一个节能模式集。
企业相似度可以包括企业之间的企业特征数据的相似度。通过企业相似度，可以衡量企业之间的规模、行业类别、历史能源使用数据是否相同或相近。
在一些实施例中，可以基于待调整企业的企业特征构建第一企业图向量；基于至少一个候选企业的企业特征构建至少一个第二企业图向量，通过企业相似度确定模型确定待调整企业与至少一个候选企业之间的企业相似度。
企业图向量可以指反映企业特征以及企业间关系的图向量。
在一些实施例中，处理器可以通过多种方式，基于企业的企业特征数据构建企业图向量。在一些实施例中，处理器可以以企业为节点、连接企业(节点)之间的边，构建企业图向量。
在一些实施例中，企业图向量的节点可以包括主企业和关联企业。当处理器构建待调整企业对应的第一企业图向量时，主企业为待调整企业，关联企业为与待调整企业之间存在关联关系(如附属关系、合作关系、服务关系等)的企业。当处理器构建候选企业对应的第二企业图向量时，主企业为候选企业，关联企业为与候选企业之间存在关联关系的企业。
在一些实施例中，企业图向量的节点特征可以包括企业名称、所在行业性质、企业规模、企业所在地、企业历史能源数据以及标识等。其中，企业规模可以包括人员规模(例如，企业部门结构、部门人员数、规定工作时长等)和设备规模(例如，设备数量、设备类型等)；企业历史能源数据可以包括企业历史消耗的能源类型及其消耗量；企业标志可以用于表示节点是否为主企业，例如，当企业标志＝1时，代表该节点为主企业，企业标志＝0时，代表该节点为关联企业。企业标志可以通过预设确定。
在一些实施例中，企业图向量的边为连接主企业和关联企业之间的边。在一些实施例中，若某两个关联企业之间存在关联关系(如合作关系、附属关系等)，也可以连接边。
在一些实施例中，企业图向量的边特征可以包括边连接的企业之间的关系类型。例如，关联企业A是主企业的子公司，则企业A和主企业对应的边特征为"子公司"。又例如，关联企业B是主企业的客户，则企业B和主企业之间的边特征为“客户”。
在一些实施例中，处理器可以将待调整企业的第一企业图向量和至少一个候选企业的第二企业图向量，输入企业相似度确定模型，得到至少一个企业相似度。
企业相似度确定模型可以是机器学习模型。例如，深度神经网络模型(DeepNeural Networks，DNN)或其他机器学习模型。
在一些实施例中，企业相似度确定模型可以通过多个带有第一标签的第一训练样本训练得到。第一训练样本可以包括样本待调整企业的企业图向量、样本候选企业的企业图向量，可以基于模式集数据库获取多个企业的企业特征数据构建。第一标签可以为样本待调整企业的企业图向量、样本候选企业的企业图向量之间的企业相似度，可以由专业人员基于特定评估标准对两个企业的企业相似度进行评估确定。
在一些实施例中，处理器可以将与待调整企业的企业相似度大于相似度阈值的候选企业对应的节能模式集作为候选节能模式集。
在一些实施例中，处理器可以将企业相似度最大的候选企业对应的节能模式集作为候选节能模式集。
在一些实施例中，当某一候选节能模式集对应的能源消耗量超过预设能源阈值时，处理器可以基于该候选节能模式集对应的候选企业与待调整企业的企业相似度，对该候选节能模式集进行调整。相似度越低，调整量越大。
对候选节能模式集进行调整可以包括调低该能源对应的项目管理数据，即调整各种设备的运行状态、调低运行功率和运行时长等。示例性地，可以调低办公区域电灯默认亮度、洗手池出水量、显示器默认亮度等。
本说明书一些实施例中，通过企业相似度确定模型和企业图向量确定企业相似度，可以更加准确高效的确定与待调整企业的企业相似度较高的候选企业，并基于企业相似度较高的候选企业的节能模式集确定候选节能模式集，使得候选节能模式集更符合待调整企业所需的节能策略。
步骤250，判断至少一个候选节能模式集是否满足匹配度条件。
匹配度可以是用于衡量候选节能模式集是否适用于对待调整企业进行节能调整的参数。例如，匹配度可以包括试运行候选节能模式集后，待调整企业的节能效果(如降低的能源消耗量)等。
在一些实施例中，处理器可以通过消耗预测模型对候选节能模式集、监测数据进行处理，确定候选节能模式集的预测能源消耗数据。预测能源消耗数据可以包括所有能源类型(如电能、水资源)的分别对应的预测消耗数据。
消耗预测模型可以是机器学习模型。例如，深度神经网络模型(Deep NeuralNetworks，DNN)或其他机器学习模型。
在一些实施例中，消耗预测模型可以通过多个带有第二标签的第二训练样本训练得到。第二训练样本可以包括样本候选节能模式集、样本监测数据，可以获取模式集数据库中候选企业的节能模式集及对应的监测数据作为第二训练样本。第二标签可以为候选企业的节能模式集的各类能源的实际能源消耗数据，由人工标注获取。
在一些实施例中，处理器可以基于候选节能模式集的预测能源消耗数据与历史能源消耗数据之间的差异，确定匹配度。历史能源消耗数据指未调整节能策略前的各类能源对应的历史消耗数据。
在一些实施例中，处理器可以通过预设匹配度算法计算匹配度。示例性的预设匹配度算法为：匹配度＝能源1节省量*权重1+能源2节省量*权重2+...+能源n节省量*权重n。其中，能源1、能源2、能源n可以指办公场景中使用的不同能源类型。例如，能源1可以为电能，能源2可以为水资源等。能源n节省量可以指能源n的历史消耗数据减去其预测消耗数据的差值，即基于候选节能模式集可以节省的能源量。权重n相关于能源n的单位价格，价格越高，权重n越大。
在一些实施例中，处理器可以基于候选节能模式集进行试运行，并采集试运行期间的候选监测数据，并将其输入数据监测模型中，统计出现不合理数据的时间点。关于数据监测模型的更多内容可以参见图3及其相关描述。若出现不合理数据的时间点的数量m≥a时，匹配度＝0；若出现不合理数据的时间点的数量m＜a时，匹配度＝(a-m)/a；m＝0时，匹配度＝1；即出现不合理数据的时间点的数量m越小、匹配度越大。其中，a为出现不合理数据的时间点的数量阈值，可以通过预先设定确定。
匹配度条件可以指匹配度需要满足的条件。
在一些实施例中，匹配度条件可以包括：匹配度大于匹配度阈值。在一些实施例中，处理器可以基于能源成本动态调整匹配度阈值。能源成本可以指能源价格。
匹配度阈值可以指判断候选节能模式集是否适用于对待调整企业进行节能调整的匹配度临界值。
在一些实施例中，处理器可以基于历史经验确定初始匹配度阈值。
在一些实施例中，理器可以基于能源成本动态调整匹配度阈值。例如，主要能源成本增大时，处理器可以适当上调匹配度阈值。
本说明书一些实施例，基于能源成本动态调整匹配度阈值，考虑到能源成本不同对节能的也可以有不同的要求，例如成本越高，节能要求越严格，可以提高候选节能模式选择的合理性。
在一些实施例中，响应于候选节能模式集对应的匹配度大于匹配阈值，处理器可以确定候选节能模式集满足匹配度条件。
步骤260，响应于满足，基于至少一个候选节能模式集确定目标运行节能模式集。
在一些实施例中，响应于至少一个候选节能模式集满足匹配度条件，处理器可以基于至少一个候选节能模式集确定目标运行节能模式集。在一些实施例中，处理器可以选择匹配度最高的候选节能模式集作为目标运行节能模式集。在一些实施例中，处理器还可以基于聚类算法，对匹配度符合匹配度条件的多个候选节能模式集进行聚类，将聚类完成后成员数量最多的簇的中心作为目标节能模式集。
步骤270，响应于不满足，基于试运行节能模式集确定目标运行节能模式集。
例如，处理器可以直接将试运行节能模式集作为目标运行节能模式集。关于试运行节能模式集的更多内容可以参见步骤230的相关描述。
本说明书一些实施例，基于监测数据识别不合理数据及其时间节点，以确定试运行节能模式集，判断是否满足试运行条件，基于候选节能模式集，判断是否满足匹配度条件，从而确定目标运行节能模式集，给出针对待调整企业的较优节能模式，能更好地降低企业能耗成本，针对性的进行节能管理。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的基于数据监测模型识别不合理数据及其时间节点的示例性示意图。
在一些实施例中，处理器基于监测数据识别不合理数据及其时间节点可以包括：基于监测数据，确定监测数据特征；基于监测数据特征，识别不合理数据及其时间节点。
关于监测数据的更多内容可以参见图2及其相关描述。
监测数据特征可以反映监测数据的类别及具体分布。例如，可以包括办公能源使用特征、区域人员特征和区域使用特征。办公能源使用特征可以包括办公能源(例如水和电)使用和消耗情况。区域人员特征可以包括办公区域的人员特征，例如人员分布区域、不同区域的人员数量等。区域使用特征可以指办公区域设备使用特征，例如，灯具的开启情况，电脑的使用情况等。
在一些实施例中，处理器可以通过多种方式获取监测数据特征。例如，处理器可以基于能源传感器获取办公能源使用特征；基于监控摄像头等获取区域人员特征；基于数据读取装置获取设备使用日志或维修日志，以获取区域使用特征。
在一些实施例中，处理器还可以基于数据监测模型的提取层对监测数据进行处理，确定监测数据特征，具体可以参见下文的相关描述。
在一些实施例中，处理器可以直接将办公能源使用特征与当前时间之前预设时间之内的历史区域使用特征进行对比，确定不合理数据及其时间节点。比如，历史区域使用特征中某台设备以某功率运行一定时长消耗的能源，是其历史记录中同等条件下历史办公能源消耗的两倍，那么说明该办公能源使用特征与区域使用特征在问题，如非故障造成，则属于不合理数据。处理器可以将该不合理数据的发生时间节点确定为不合理数据的时间节点。
在一些实施例中，处理器可以基于异常波动数据检测算法来检测办公能源使用特征，分析其是否存在异常波动，若存在异常波动则判定其为不合理数据。例如，基于局部离群因子(Local Outlier Factor，LOF)检测算法/时间序列的异常检测算法/聚类算法/分箱算法的异常波动检测算法对办公能源使用特征进行处理，确定不合理数据。
本说明书一些实施例提取监测数据特征，使得监测数据更加具体化，基于监测数据特征识别不合理数据，识别结果更加准确。
在一些实施例中，基于监测数据，识别不合理数据可以包括：基于数据监测模型对监测数据310进行处理，确定不合理数据及其时间节点370。数据监测模型可以为机器学习模型。
数据监测模型可以为下文中自定义的机器学习模型，还可以是其他结构的机器学习模型，例如卷积神经网络模型等。
在一些实施例中，如图3所示，数据监测模型的输入还可以包括设备维护数据340。具体地，设备维护数据340可以作为数据监测模型的识别层360的输入。关于识别层360的更多内容可以参见下文所述。
关于设备维护数据的更多细节可以参见图2及其描述。
本说明书一些实施例中，通过将设备维护数据输入数据监测模型来识别不合理数据，可以排除正常办公设备使用数据中因设备维护、设备故障等因素造成的干扰，提高数据监测模型预测的准确性。
在一些实施例中，如图3所示，数据监测模型的输入还包括时间数据350。在一些实施例中，数据监测模型可以包括提取层320和识别层360；提取层320可以用于对监测数据310进行处理，确定监测数据特征330；监测数据特征330可以包括办公能源使用特征332、区域人员特征334、区域使用特征336；识别层360可以用于对监测数据特征330、时间数据350进行处理，确定不合理数据及其时间节点370。
关于监测数据特征、办公能源使用特征、区域人员特征、区域使用特征的更多细节可以参见上文的相关描述。
时间数据可以指日期等反映监测数据的时间特征的数据。例如，包括监测数据所属季节、是否处于节假日等。可以理解地，季节不同或者是否处于工作日等，企业运作规律可能不同，也会影响数据合理性的判断，通过加入时间数据可以提高确定不合理数据的准确性。
提取层320的网络结构可以是卷积神经网络模型(Convolutional NeuralNetworks，CNN)。
识别层360的网络结构可以是深度神经网络(Deep Neural Networks，DNN)、循环神经网络(Recurrent Neural Networks，RNN)等。
在一些实施例中，数据监测模型可以通过联合训练提取层和识别层获取。联合训练的方法可以包括梯度下降法等。
在一些实施例中，训练数据监测模型的第三训练样本包括样本监测数据，可以基于历史监测数据确定。第三标签为第三训练样本对应的实际不合理数据及其时间节点，可以基于历史监测数据标注获取。
在一些实施例中，处理器可以使用云平台的数据库中的历史监测数据作为第三训练样本，对初始数据监测模型进行初步的训练。进一步地，处理器可以获取与待调整节能策略企业的企业特征相同或相近的其他企业的历史监测数据对初始数据监测模型进行进一步训练，以提高模型预测准确性。
在一些实施例中，在数据监测模型实际运用过程中，处理器可以基于采集的该待调整节能策略企业的真实监测数据，对数据监测模型进行强化训练。强化训练时，训练标签为每组真实监测数据对应的不合理数据及其时间节点。
本说明书一些实施例中，将数据监测模型设置为提取层和识别层，可以用不同的层分别处理对应的数据，满足特征提取和识别的需求，提高数据处理效率和准确率；通过不同的训练数据对模型进行增强训练，使得数据监测模型更加准确，提高模型的数据处理性能和预测准确性。
本说明书一些实施例基于机器学习模型对监测数据进行处理，确定不合理数据及其时间节点，可以利用机器学习模型的自学习能力，在大量监测数据中找到规律，提高识别不合理数据及其时间节点的准确性和效率。
图4是根据本说明书一些实施例所示的确定目标节能模式集的示例性流程图。如图所4示，流程400包括下述步骤。在一些实施例中，流程400可以由处理器执行。
步骤410，基于监测数据特征、不合理数据及其时间节点，确定试运行节能模式集。
在一些实施例中，处理器可以通过多种方法，基于监测数据特征、不合理数据及其时间节点，确定试运行节能模式集。例如，处理器可以基于向量匹配的方式确定试运行节能模式集。
在一些实施例中，处理器可以基于监测数据特征、不合理数据及其时间节点、目标节能条件构建节能特征向量。基于节能特征向量在节能向量数据库中检索，确定与节能特征向量的向量相似度满足相似度阈值的参考节能特征向量。将该参考节能特征向量对应的参考节能模式集，确定为试运行节能模式集。
其中，目标节能条件可以指待调整企业的能源节约目标。关于监测数据的更多内容可以参见图2及其相关描述。监测数据特征可以基于数据监测模型确定，具体可以参见图3的相关描述。
节能向量数据库为存储多个参考特征向量以及每个参考特征向量对应的参考节能模式集的数据库。参考特征向量可以基于历史监测数据特征、历史不合理数据及其时间节点以及历史目标节能条件构建，并将其对应的历史应用的节能模式集作为参考节能向量对应的参考节能模式集。
在一些实施例中，当存在多个与节能特征向量的向量相似度满足相似度阈值的参考节能特征向量时，将相似度最大的参考节能特征向量对应的参考节能模式集确定为试运行节能模式集。
步骤420，在预设时间内以试运行节能模式集进行试运行。
预设时间可以指预先设定好的试运行时间。
在一些实施例中，处理器可以在预设时间内，基于试运行节能模式集对待调整企业的各类办公设备进行试运行。例如，根据试运行节能模式集中不同设备在不同时间段的运行状态、运行功率和运行时长，对待调整企业的各类办公设备进行试运行。
步骤430，基于预设时间内获取的监测数据，判断试运行节能模式集是否满足试运行条件。
在一些实施例中，处理器可以通过多种可行的方式判断试运行节能模式集是否满足试运行条件。关于试运行条件的更多内容可以参见图2及其相关描述。
在一些实施例中，处理器可以在预设时间内以试运行节能模式集运行办公运作场景中的各个设备，并获取监测数据。处理器可以判断监测数据中的设备能源消耗数据是否不超过预设能源阈值。响应于是，可以判断试运行节能模式集满足试运行条件。
在一些实施例中，处理器可以确定监测数据中是否存在不合理数据，若不存在，则试运行节能模式集满足试运行条件。关于确定监测数据中是否存在不合理数据的内容可以参见步骤220、以及图3的相关描述。
本说明书一些实施例，基于监测数据特征、不合理数据及其时间节点，通过节能向量数据库确定试运行节能模式集，有助于选择与待调整企业更适配的试运行节能模式集；通过执行试运行节能模式集并获取监测数据，来判断试运行节能模式集是否满足试运行条件，可以为企业确定满足节能需求的节能模式集，提高待调整企业节能调整的准确性和有效性。
本说明书实施例之一还提供一种基于云计算的识别装置，该装置包括至少一个存储器和至少一个处理器，至少一个存储器用于存储计算机指令，至少一个处理器用于执行计算机指令中至少部分指令，以实现本说明书实施例所述的基于云计算的识别方法。
本说明书实施例之一还提供一种计算机可读存储介质，存储介质存储计算机指令，当计算机指令被处理器执行时，实现本说明书实施例所述的基于云计算的识别方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于云计算的识别方法，其特征在于，所述方法由云管理平台中的处理器执行，包括：
从部署在企业运作场景中的至少一个监测装置获取监测数据，所述企业运作场景包括企业人员办公场景、设备维护场景中至少一个；
基于所述监测数据，识别不合理数据及其时间节点；
基于所述不合理数据及其时间节点，确定试运行节能模式集，并判断所述试运行节能模式集是否满足试运行条件；
响应于不满足所述试运行条件，从模式集数据库选择至少一个候选节能模式集；
判断所述至少一个候选节能模式集是否满足匹配度条件：
响应于满足，基于所述至少一个候选节能模式集确定目标运行节能模式集；
响应于不满足，基于所述试运行节能模式集确定所述目标运行节能模式集。
2.根据权利要求1所述的方法，其特征在于，所述基于所述监测数据，识别不合理数据及其时间节点包括：
基于所述监测数据，确定监测数据特征；
基于所述监测数据特征，识别不合理数据及其时间节点。
3.根据权利要求1所述的方法，其特征在于，所述基于所述不合理数据及其时间节点，确定试运行节能模式集，并判断所述试运行节能模式集是否满足试运行条件包括：
基于所述监测数据特征、所述不合理数据及其时间节点，确定试运行节能模式集；
在预设时间内以所述试运行节能模式集进行试运行；
基于所述预设时间内获取的所述监测数据，判断所述试运行节能模式集是否满足所述试运行条件。
4.根据权利要求1所述的方法，其特征在于，所述响应于不满足所述试运行条件，从模式集数据库选择至少一个候选节能模式集包括：
基于企业特征数据计算待调整企业与模式集数据库中候选企业的企业相似度；
基于所述企业相似度确定所述至少一个候选节能模式集。
5.一种基于云计算的识别系统，其特征在于，所述系统包括：
获取模块，用于从部署在企业运作场景中的至少一个监测装置获取监测数据，所述企业运作场景包括企业人员办公场景、设备维护场景中至少一个；
识别模块，用于基于所述监测数据，识别不合理数据及其时间节点；
第一确定模块，用于基于所述不合理数据及其时间节点，确定试运行节能模式集，并判断所述试运行节能模式集是否满足试运行条件；
选择模块，用于响应于不满足所述试运行条件，从模式集数据库选择至少一个候选节能模式集；
第二确定模块，用于判断所述至少一个候选节能模式集是否满足匹配度条件：
响应于满足，基于所述至少一个候选节能模式集确定目标运行节能模式集；
响应于不满足，基于所述试运行节能模式集确定所述目标运行节能模式集。
6.根据权利要求5所述的系统，其特征在于，所述识别模块进一步用于：
基于所述监测数据，确定监测数据特征；
基于所述监测数据特征，识别不合理数据及其时间节点。
7.根据权利要求5所述的系统，其特征在于，所述第一确定模块进一步用于：
基于所述监测数据特征、所述不合理数据及其时间节点，确定试运行节能模式集；
在预设时间内以所述试运行节能模式集进行试运行；
基于所述预设时间内获取的所述监测数据，判断所述试运行节能模式集是否满足所述试运行条件。
8.根据权利要求5所述的系统，其特征在于，所述选择模块进一步用于：
基于企业特征数据计算待调整企业与模式集数据库中候选企业的企业相似度；
基于所述企业相似度确定所述至少一个候选节能模式集。
9.一种基于云计算的识别装置，其特征在于，所述装置包括至少一个存储器和至少一个处理器，所述至少一个存储器用于存储计算机指令，所述至少一个处理器执行所述计算机指令或部分指令，以实现权利要求5-8中任一项所述的基于云计算的识别方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取所述计算机指令时，所述计算机执行如权利要求5-8中任一项所述的基于云计算的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821047.3A CN117389823B (zh) | 2023-07-05 | 2023-07-05 | 一种基于云计算的识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821047.3A CN117389823B (zh) | 2023-07-05 | 2023-07-05 | 一种基于云计算的识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117389823A true CN117389823A (zh) | 2024-01-12 |
| CN117389823B CN117389823B (zh) | 2024-07-09 |
Family
ID=89461928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310821047.3A Active CN117389823B (zh) | 2023-07-05 | 2023-07-05 | 一种基于云计算的识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117389823B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101860983A (zh) * | 2010-03-04 | 2010-10-13 | 宇龙计算机通信科技(深圳)有限公司 | 一种长连接模式下进入省电模式的方法、系统及移动终端 |
| US20110202293A1 (en) * | 2010-02-15 | 2011-08-18 | General Electric Company | Diagnostics using sub-metering device |
| CN103974393A (zh) * | 2014-05-15 | 2014-08-06 | 海南大学 | 一种改良的无线传感器网络数据节能压缩方案 |
| CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
| CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
| CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
| CN110175788A (zh) * | 2019-05-31 | 2019-08-27 | 国网上海市电力公司 | 一种智慧城市能源云平台 |
| US10691597B1 (en) * | 2019-08-10 | 2020-06-23 | MIFrontiers Corporation | Method and system for processing big data |
| CN113587987A (zh) * | 2021-07-27 | 2021-11-02 | 江苏海恩德电气有限公司 | 一种基于物联网的智能化能耗监控云平台 |
| CN114358503A (zh) * | 2021-12-08 | 2022-04-15 | 国电南瑞科技股份有限公司 | 一种基于多元专家库的配电网节能改造效益评估系统及方法 |
| CN114756607A (zh) * | 2020-12-25 | 2022-07-15 | 华为云计算技术有限公司 | 参数配置方法及装置 |
-
2023
- 2023-07-05 CN CN202310821047.3A patent/CN117389823B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110202293A1 (en) * | 2010-02-15 | 2011-08-18 | General Electric Company | Diagnostics using sub-metering device |
| CN101860983A (zh) * | 2010-03-04 | 2010-10-13 | 宇龙计算机通信科技(深圳)有限公司 | 一种长连接模式下进入省电模式的方法、系统及移动终端 |
| CN103974393A (zh) * | 2014-05-15 | 2014-08-06 | 海南大学 | 一种改良的无线传感器网络数据节能压缩方案 |
| CN104134100A (zh) * | 2014-07-22 | 2014-11-05 | 香港佳能通节能科技有限公司 | 一种基于云计算的节能管理系统 |
| CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
| CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
| CN110175788A (zh) * | 2019-05-31 | 2019-08-27 | 国网上海市电力公司 | 一种智慧城市能源云平台 |
| US10691597B1 (en) * | 2019-08-10 | 2020-06-23 | MIFrontiers Corporation | Method and system for processing big data |
| CN114756607A (zh) * | 2020-12-25 | 2022-07-15 | 华为云计算技术有限公司 | 参数配置方法及装置 |
| CN113587987A (zh) * | 2021-07-27 | 2021-11-02 | 江苏海恩德电气有限公司 | 一种基于物联网的智能化能耗监控云平台 |
| CN114358503A (zh) * | 2021-12-08 | 2022-04-15 | 国电南瑞科技股份有限公司 | 一种基于多元专家库的配电网节能改造效益评估系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117389823B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035067A (zh) | 基于rf和arma算法的建筑能耗处理方法及装置 | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
| CN118012848B (zh) | 智慧燃气信息政府安全监管方法、物联网系统及介质 | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| CN116415923B (zh) | 智慧燃气工单实施管理方法与物联网系统及装置 | |
| US20240345567A1 (en) | Systems and methods for smart gas full-cycle supervision based on internet of things | |
| CN118469405B (zh) | 家居供应链数据的处理方法、装置、设备及存储介质 | |
| CN116596512A (zh) | 一种基于信息系统的电力运维安全强化方法和系统 | |
| CN117371765A (zh) | 基于节能降碳智慧能源的综合优化运行方法及系统 | |
| CN112215526B (zh) | 一种计量系统评估方法、装置及可读存储介质 | |
| KR20230052010A (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
| CN117389823B (zh) | 一种基于云计算的识别方法和系统 | |
| CN117709587A (zh) | 一种基于量费预测与分析的数字化管控方法及系统 | |
| BK | Industry willingness to pay for adequate electricity supply: a discourse on sustainable industrial development | |
| CN110852621A (zh) | 电力客户负荷特性分析及分类方法、装置及可读存储介质 | |
| CN116633016A (zh) | 一种基于高频数据采集技术的电力管理系统和方法 | |
| Piscitelli et al. | A holistic time series-based energy benchmarking framework for applications in large stocks of buildings | |
| Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
| CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及系统 | |
| CN118296565B (zh) | 基于数据挖掘的动力电池事故溯源管控系统 | |
| CN118554642B (zh) | 一种基于智能集中器的电力数据采集分析终端 | |
| CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
| CN118469349B (zh) | 一种智慧供热监测数据分析方法及数据处理设备 | |
| CN118365476B (zh) | 基于智慧燃气的企业信息监管方法、装置及物联网系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |