CN117521979A - 数据驱动设计的基建设备能源节省方法 - Google Patents
数据驱动设计的基建设备能源节省方法 Download PDFInfo
- Publication number
- CN117521979A CN117521979A CN202410012906.9A CN202410012906A CN117521979A CN 117521979 A CN117521979 A CN 117521979A CN 202410012906 A CN202410012906 A CN 202410012906A CN 117521979 A CN117521979 A CN 117521979A
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- model
- peak
- load demand
- 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 49
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims abstract description 83
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000013499 data model Methods 0.000 claims abstract description 32
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004134 energy conservation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003491 array Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基建数据处理的技术领域，提供一种数据驱动设计的基建设备能源节省方法，包括以下步骤：采集基建设备的能源使用数据；将能源使用数据输入至能源数据模型中；其中，能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；基于能源消耗模式子模型、能源效率子模型、峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的能源消耗模式、能源效率、峰谷负荷需求结果；基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。本发明中，通过能源数据模型对能源使用数据进行多维度的分析，根据分析结果给出对应的能源优化策略，有益于给出更准确的优化策略，提高优化策略的有效性。
Description
技术领域
本发明涉及基建数据处理的技术领域，特别涉及一种数据驱动设计的基建设备能源节省方法。
背景技术
为了减少能源的浪费和环境压力，传统的基建设备需要改进和优化。然而，由于缺乏对设备能源消耗和能效的全面了解，很难准确地确定节省能源的方法和策略。因此，有必要提供一种数据驱动的设计方法来优化基建设备的能源消耗。
随着现代技术的发展，大量的能源使用数据可以通过传感器和监测设备来采集。上述数据包括电力、燃气和水的消耗情况。通过对上述能源使用数据进行分析，可以针对性给出对应的优化策略，然而发明人发现现有的优化策略中通常只是针对能源使用数据在某一个单一维度上的表现情况进行策略优化，其在单一维度上具有良好的表现，但是综合角度上看，这种方式很难得到准确的结果和有效的优化策略。
发明内容
本发明的主要目的为提供一种数据驱动设计的基建设备能源节省方法，旨在克服目前无法给出有效的优化策略的缺陷。
为实现上述目的，本发明提供了一种数据驱动设计的基建设备能源节省方法，包括以下步骤：
采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
进一步地，所述能源优化策略包括调整设备运行参数、优化能源使用时段。
进一步地，还包括：
将所述能源使用数据推送至基建设备的使用用户，以及基于能源优化策略生成优化方案推送至基建设备的使用用户。
进一步地，所述采集基建设备的能源使用数据的步骤之前，包括：
采集基建设备的能源样本数据；其中，所述能源样本数据包括电力、燃气和水的消耗情况；
基于数据分析工具对所述能源样本数据进行分析，得到能源样本数据对应的分析结果；其中，所述分析结果包括能源消耗模式、能源效率以及峰谷负荷需求结果；
将所述能源样本数据以及对应的分析结果输入至初始能源模型中进行迭代训练，得到所述能源数据模型。
进一步地，还包括：
将所述能源使用数据添加在标准的数据模板中，生成能源使用数据模板；
对所述能源使用数据模板进行加密；
生成一个标签；其中，所述标签中至少包括能源使用数据对应的能源消耗模式、能源效率以及峰谷负荷需求结果；
将加密之后的能源使用数据模板存储至数据库中，并在数据库中建立加密之后的所述能源使用数据模板与所述标签的映射关系。
进一步地，所述对所述能源使用数据模板进行加密的步骤，包括：
基于所述能源使用数据对应的能源消耗模式确定对应的目标数组；其中，预先存储有各个能源消耗模式与数组的映射关系；所述目标数组中包括多个依序排列的数字；
基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组；
基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组；
对所述第二目标数组进行处理，得到对应的加密密码；
基于所述加密密码对所述能源使用数据模板进行加密。
进一步地，所述基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组的步骤，包括：
获取对应所述能源效率的数字，所述数字为百分比；
从所述目标数组的头部开始，依序选择出对应的数字，组合为第一目标数组；其中，选择出的数字占所述目标数组的比例等于所述能源效率对应的百分比。
进一步地，所述基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组的步骤，包括：
获取峰谷负荷需求结果中的高峰时间段以及低谷时间段；
分别获取高峰时间段以及低谷时间段中的小时数字，基于高峰时间段以及低谷时间段中的小时数字构成多个序号区间；其中，序号区间中的数字与所述小时数字相同；
在所述第一目标数组中选择出对应的数字，组合为第二目标数组；其中，选择出的数字在所述第一目标数组中的排序号与各个所述序号区间相同。
本发明还提供了一种数据驱动设计的基建设备能源节省装置，包括：
采集单元，用于采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
输入单元，用于将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
第一分析单元，用于基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
第二分析单元，用于基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
第三分析单元，用于基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
确定单元，用于基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质，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上述任一项所述的方法的步骤。
本发明提供的数据驱动设计的基建设备能源节省方法，包括以下步骤：采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。本发明中，通过能源数据模型对能源使用数据进行多维度的分析，能够更加准确地了解基建设备的能源消耗情况，从而根据分析结果给出对应的能源优化策略，有益于给出更准确的优化策略，提高优化策略的有效性。
附图说明
图1是本发明一实施例中数据驱动设计的基建设备能源节省方法步骤示意图；
图2是本发明一实施例中数据驱动设计的基建设备能源节省装置结构框图；
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明一实施例中提供了一种数据驱动设计的基建设备能源节省方法，包括以下步骤：
步骤S1，采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
步骤S2，将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
步骤S3，基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
步骤S4，基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
步骤S5，基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
步骤S6，基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
在本实施例中，如上述步骤S1所述的，采集基建设备的能源使用数据：在这一步骤中，需要收集与基建设备能源使用相关的数据，包括电力、燃气和水的消耗情况。采集上述数据可以通过传感器、监测设备或其他数据采集系统完成。上述数据可以表现出基建设备的能源消耗量、能源使用时间、能源消耗的模式和趋势等。
具体地，上述能源使用数据可以包括：
电力消耗数据：包括基建设备的用电量、功率、电压、电流等相关数据。
燃气消耗数据：包括基建设备使用的燃气量、燃烧效率、燃烧温度等相关数据。
水资源利用数据：包括基建设备的用水量、流量、水质等相关数据。在此不进行一一例举。
如上述步骤S2所述的，将能源使用数据输入到能源数据模型中：在这一步骤中，将采集到的能源使用数据输入到一个能源数据模型中。该能源数据模型是由能源消耗模式子模型、能源效率子模型和峰谷负荷需求子模型组成的。能源消耗模式子模型用于分析能源使用数据，得出能源消耗的模式。能源效率子模型用于分析能源使用数据和设备性能参数，得出能源的有效利用程度，即能源效率。峰谷负荷需求子模型用于分析能源使用数据，得出峰谷负荷需求的变化特点。
如上述步骤S3所述的，基于能源消耗模式子模型对能源使用数据进行分析：根据能源消耗模式子模型对采集到的能源使用数据进行分析和处理。通过对数据的分析和计算，能够得出能源消耗的模式。可以通过时间序列分析、回归分析等方法来对能源消耗数据进行建模和预测。在本实施例中，上述能源消耗模式子模型为深度学习网络训练得到，可以进一步理解和评估基建设备的能源消耗情况，为优化能源节省提供依据和参考。
在一实施例中，上述能源消耗模式子模型、能源效率子模型和峰谷负荷需求子模型具体包括：
能源消耗模式子模型：可以使用循环神经网络 (Recurrent Neural Network,RNN) 模型来捕捉基建设备能源消耗数据中的时间序列特征。RNN具有记忆性，能够对时间序列数据进行建模，适合于处理能源消耗随时间变化的模式。例如，可以使用长短期记忆网络（Long Short-Term Memory, LSTM）来预测未来能源消耗的模式。
能源效率子模型：可以使用卷积神经网络 (Convolutional Neural Network,CNN) 模型来分析基建设备的能源利用效率。CNN模型广泛应用于图像处理，但也适用于序列数据的分析。通过CNN模型，可以提取能源消耗数据中的特征，并评估设备的能源效率。
峰谷负荷需求子模型：可以使用深度强化学习模型，如深度 Q 网络 (Deep Q-Network, DQN) 来建模基建设备的负荷需求模式。深度 Q 网络能够通过学习不同负荷需求下的最优决策，来优化能源使用策略，以实现峰谷负荷需求的智能调控。
如上述步骤S4所述的，基于能源效率子模型对能源使用数据进行分析：在这一步骤中，根据能源效率子模型对采集到的能源使用数据进行分析和处理，以评估能源的有效利用程度。通过对能源使用数据和设备性能参数的分析，可以得出设备的能源效率以及存在的能源浪费现象。可以帮助确定改善能源效率的潜在措施和方案，从而减少能源的浪费和提升能源利用效率。
如上述步骤S5所述的，基于峰谷负荷需求子模型对能源使用数据进行分析：利用峰谷负荷需求子模型对采集到的能源使用数据进行分析，了解峰谷负荷需求的变化特点。通过对能源使用数据的统计和计算，可以得到设备在不同时间段内的负荷需求情况，包括峰值负荷需求和谷值负荷需求。通过了解峰谷负荷需求的变化，可以制定合理的负荷调整策略，平衡能源供需，实现能源的高效利用。
如上述步骤S6所述的，基于能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略：根据实际情况，可以包括优化能源消耗模式、改善设备的能源利用效率、调整负荷需求等措施。通过制定和实施上述优化策略，能够降低能源消耗、提高基建设备的能源利用效率，实现节省能源的目标。同时，根据实际需求和约束条件，还可以考虑经济性、环保性等因素，制定综合考虑的优化策略。
在一实施例中，所述能源优化策略包括调整设备运行参数、优化能源使用时段。
调整设备运行参数：根据能源数据模型的分析结果和能源效率子模型的评估，可以确定一些设备运行参数的调整措施，以提高能源利用效率。例如，对于某些设备，可以通过调整设备的工作温度、运行速度、节能模式等参数来降低能源消耗。通过将能源使用数据推送至基建设备的使用用户，可以根据推送的数据来适时调整设备的运行参数，从而实现能源的有效利用。
优化能源使用时段：根据峰谷负荷需求子模型分析，可以发现在某些时间段内，能源需求较低，而在其他时间段内需求较高。通过优化能源使用时段，可以更好地平衡能源供需，减少能源峰值负荷，提高能源利用效率。例如，可以推荐基建设备的使用用户在能源需求较低的时段使用设备，避开能源需求高峰期。通过优化方案的生成和推送，基建设备的使用用户可以根据推送的优化方案来调整设备的使用时间，以实现能源的合理利用。
在一实施例中，还包括：
将所述能源使用数据推送至基建设备的使用用户，以及基于能源优化策略生成优化方案推送至基建设备的使用用户。
通过将能源使用数据推送至基建设备的使用用户，并基于能源优化策略生成优化方案推送给用户，可以实现用户对能源使用的主动参与和调整。用户可以根据推送的能源数据和优化方案，有针对性地调整设备的运行参数和使用时段，以实现节省能源和提高能源利用效率的目标。这样可以在用户和设备之间建立起一个互动和合作的关系，共同实现能源的节约与效率的提升。
在一实施例中，所述采集基建设备的能源使用数据的步骤之前，包括：
采集基建设备的能源样本数据；其中，所述能源样本数据包括电力、燃气和水的消耗情况；
基于数据分析工具对所述能源样本数据进行分析，得到能源样本数据对应的分析结果；其中，所述分析结果包括能源消耗模式、能源效率以及峰谷负荷需求结果；
将所述能源样本数据以及对应的分析结果输入至初始能源模型中进行迭代训练，得到所述能源数据模型。
在本实施例中，首先，需要采集基建设备的能源样本数据，包括电力、燃气和水的消耗情况。其可以通过安装能源计量仪器或传感器来实时监测和采集设备的能源消耗数据。通过采集能源样本数据，可以了解设备的实际能源消耗情况，为后续的能源分析和优化提供基础数据。
然后对采集到的能源样本数据应用数据分析工具进行处理和分析，以得到能源样本数据对应的分析结果。上述分析结果包括能源消耗模式、能源效率以及峰谷负荷需求结果。通过对能源样本数据的统计、计算和模式识别等分析方法，可以深入理解能源的使用情况和特点，为制定相应的能源优化策略提供依据。
最后，将采集到的能源样本数据以及对应的分析结果作为输入，进行迭代训练生成能源数据模型。通过建立数学模型和使用机器学习或统计方法来实现的。通过多次迭代训练，能源数据模型不断优化和更新，从而更准确地捕捉和预测能源的使用规律和趋势。能源数据模型可以帮助理解和预测能源的消耗模式，评估能源利用效率，并为后续的能源优化策略提供指导和支持。
通过以上技术方案，能够获取基建设备的能源使用数据，并通过分析和建立能源数据模型来理解和优化能源的使用情况，为基础设施领域的能源节约和效率提升提供了科学的数据支持。
在一实施例中，还包括：
将所述能源使用数据添加在标准的数据模板中，生成能源使用数据模板；
对所述能源使用数据模板进行加密；
生成一个标签；其中，所述标签中至少包括能源使用数据对应的能源消耗模式、能源效率以及峰谷负荷需求结果；
将加密之后的能源使用数据模板存储至数据库中，并在数据库中建立加密之后的所述能源使用数据模板与所述标签的映射关系。
在本实施例中，通过将采集到的能源使用数据添加到标准的数据模板中，生成能源使用数据模板。这样可以统一数据格式和结构，方便后续数据处理和管理。
为确保能源使用数据的安全性，对生成的能源使用数据模板进行加密处理。加密技术可以采用对称加密或非对称加密的方式，以保障能源使用数据在传输和存储过程中的安全性。
在加密之后，为了方便标识和识别能源使用数据模板，需要生成一个标签。该标签中至少包括能源使用数据对应的能源消耗模式、能源效率以及峰谷负荷需求结果等重要信息。标签可以作为能源使用数据的元数据，用于标识和描述能源使用情况。
将加密后的能源使用数据模板存储到数据库中，以进行数据的长期存储和管理。同时，在数据库中建立能源使用数据模板与标签的映射关系，将加密后的数据与其对应的标签进行关联。这样可以方便地根据特定标签查询和检索相应的能源使用数据模板，保护数据的完整性和一致性。
通过以上技术方案，能够生成加密的能源使用数据模板，并建立能源使用数据模板与标签的映射关系，以确保能源使用数据的安全性和可管理性。可以有效地保护能源使用数据，提高数据的可用性和可追溯性。
在一实施例中，所述对所述能源使用数据模板进行加密的步骤，包括：
基于所述能源使用数据对应的能源消耗模式确定对应的目标数组；其中，预先存储有各个能源消耗模式与数组的映射关系；所述目标数组中包括多个数字；数字的大小排列可以是任意规则；
基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组；
基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组；
对所述第二目标数组进行处理，得到对应的加密密码；
基于所述加密密码对所述能源使用数据模板进行加密。
在本实施例中，根据能源使用数据对应的能源消耗模式，确定对应的目标数组。在预先存储的映射关系中，将各个能源消耗模式与目标数组进行关联。目标数组是由多个依序排列的数字组成的数据序列。
根据能源效率的情况，在目标数组中选择出对应的数字，并将上述数字依次组合起来，生成第一目标数组。能源效率可以反映能源利用的效率和能源消耗的量级等信息。
根据峰谷负荷需求结果的情况，在第一目标数组中选择出对应的数字，并将上述数字依次组合起来，生成第二目标数组。峰谷负荷需求可以反映能源在不同时间段的使用负荷和变化趋势等信息。
对第二目标数组进行进一步处理，例如进行哈希函数运算、加密算法等操作，得到与能源使用数据模板相对应的加密密码。加密密码可以被用作对数据模板进行加密和解密的密钥。
利用获得的加密密码，对能源使用数据模板进行加密，确保能源使用数据模板在存储和传输过程中的安全性。
通过以上技术方案，能够根据能源消耗模式、能源效率和峰谷负荷需求结果生成加密密码，并将其应用于能源使用数据模板的加密过程。这样可以保护敏感的能源使用数据，确保数据的机密性和安全性。
在一实施例中，所述基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组的步骤，包括：
获取对应所述能源效率的数字，所述数字为百分比；
从所述目标数组的头部开始，依序选择出对应的数字，组合为第一目标数组；其中，选择出的数字占所述目标数组的比例等于所述能源效率对应的百分比。
在本实施例中，获取对应能源效率的数字：根据能源效率的数值，获取相应的数字。通常，能源效率会以百分比的形式表示，例如80%、90%。
从目标数组头部开始选择数字：从目标数组的头部（即第一个元素）开始，依序选择出对应的数字，并将上述数字组合起来，形成第一目标数组。
数字选择的比例与能源效率对应：在选择数字时，要保证选择出的数字占目标数组的比例等于能源效率对应的百分比。例如，如果目标数组是包括50个数字，而能源效率对应的数字是80%，那么在第一目标数组中，会选择前40个数字，其占目标数组的比例为80%。
通过以上技术方案，能够根据能源效率的百分比，在目标数组中选择出相应的数字，并将其组合成第一目标数组。这样可以根据能源效率来确定所需数字的数量及其占比，为后续的数据处理和加密提供基础。
在一实施例中，所述基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组的步骤，包括：
获取峰谷负荷需求结果中的高峰时间段以及低谷时间段；
分别获取高峰时间段以及低谷时间段中的小时数字，基于高峰时间段以及低谷时间段中的小时数字构成多个序号区间；其中，序号区间中的数字与所述小时数字相同；
在所述第一目标数组中选择出对应的数字，组合为第二目标数组；其中，选择出的数字在所述第一目标数组中的排序号与各个所述序号区间相同。
在本实施例中，获取峰谷负荷需求结果中的高峰时间段和低谷时间段：根据峰谷负荷需求结果，获取其中所包含的高峰时间段和低谷时间段。高峰时间段通常表示能源需求较大的时段，低谷时间段则表示能源需求较低的时段。
分别获取高峰时间段和低谷时间段中的小时数字：对于每个高峰时间段和低谷时间段，获取其中的小时数字。例如，高峰时间段为上午9点到下午6点，对应的小时数字为9至18。低谷时间段为1点至6点，对应的小时数字为1至6。
构成多个序号区间：根据高峰时间段和低谷时间段中的小时数字，构成多个序号区间。每个序号区间中的数字与所对应的小时数字相同。例如，高峰时间段的小时数字为9至18，则构成一个序号区间[9, 10, 11, 12, 13, 14, 15, 16, 17, 18]。
在第一目标数组中选择出对应的数字：根据所构成的序号区间，在第一目标数组中选择出对应的数字，并将上述数字依次组合起来，形成第二目标数组。选择出的数字在第一目标数组中的排序号与各个序号区间相同。例如，序号区间为[9, 10, 11, 12, 13, 14,15, 16, 17, 18]，则在第一目标数组中选择出对应排列在第9, 10, 11, 12, 13, 14,15, 16, 17, 18位上的数字。
通过以上技术方案，能够根据峰谷负荷需求结果中的高峰时间段和低谷时间段以及其中的小时数字，在第一目标数组中选择出对应的数字，并将其组合成第二目标数组。可以根据峰谷负荷需求结果来确定所需数字的排序和数量，为后续的数据处理和加密提供基础。
在一实施例中，所述对所述第二目标数组进行处理，得到对应的加密密码的步骤，包括：
获取标准编码表，所述标准编码表包括序列数字与编码字符的映射关系；
在所述标准编码表中确定目标序列数字；其中，所述目标序列数字与所述序号区间中的数字相同；
剔除各个目标序列数字对应映射的编码字符，将剔除的编码字符作为目标字符；将所述目标字符倒序排列之后插入至标准编码表中，形成新的编码表；
基于新的编码表将所述第二目标数组中的各个数字编码为对应的编码字符，得到编码字符数组；
将所述第二目标数组中的数字进行相加得到的数作为第一数字，将所述第一数字插入至所述编码字符数组中的指定位置，得到对应的加密密码。
在本实施例中，具体包括：
获取标准编码表：标准编码表是一个包含序列数字与编码字符之间映射关系的表格。这个编码表可能是一个已有的标准定义的编码表，例如ASCII码表。它将数字和字符一一对应，用于在计算机系统中表示和传输字符。
确定目标序列数字：根据之前的步骤中构成的序号区间，确定了目标序列数字。目标序列数字与序号区间中的数字是一致的。例如，如果序号区间是[9, 10, 11, 12, 13,14, 15, 16, 17, 18]，那么目标序列数字也是这些数字。
剔除目标序列数字对应的编码字符：在标准编码表中，找到目标序列数字所对应的编码字符，并将这些编码字符进行剔除。这意味着将从标准编码表中删除与目标序列数字一一对应的编码字符。这些被剔除的编码字符将作为目标字符。
新的编码表生成：在此步骤中，将剔除的编码字符倒序排列，并插入到标准编码表中，从而生成一个新的编码表。具体而言，将剔除的编码字符按照相反的顺序排列，然后将它们依次插入到标准编码表中。这样就得到了一个包含新映射关系的编码表。
数字编码：在第四步中生成了新的编码表后，就可以根据这个新的编码表将第二目标数组中的各个数字编码为对应的编码字符。这意味着，通过查找新编码表中相应数字映射的字符，将第二目标数组中的每个数字替换为对应的编码字符。这样，获得了一个编码字符数组。
插入第一数字：在此步骤中，将第二目标数组中的数字进行相加，得到一个数，将这个数作为第一数字。然后，将第一数字插入到编码字符数组的指定位置中。插入的位置通常是预先定义或根据加密算法来确定的。最终，得到了一个具有插入第一数字的最终编码字符数组，它代表了一个加密密码。
通过上述技术方案，根据新的编码表将第二目标数组中的数字编码为对应的编码字符，并在密文中插入了第一数字，从而获得了一个具有插入数字的加密密码。这个加密密码可以用于保护和加密数据，只有解密过程中能够正确还原这个密码才能获得原始数据。
在另一实施例中，所述对所述第二目标数组进行处理，得到对应的加密密码的步骤，包括：
获取标准编码表，所述标准编码表包括序列数字与编码字符的映射关系；
在所述标准编码表中确定目标序列数字；其中，所述目标序列数字与所述序号区间中的数字相同；
在标准编码表中，将所述目标序列数字对应的编码字符替换为对应的目标序列数字，形成新的编码表；
基于新的编码表将所述第二目标数组中的各个数字编码为对应的编码字符，得到编码字符数组；
将所述第二目标数组中的数字进行相加得到的数作为第一数字，将所述第一数字插入至所述编码字符数组中的指定位置，得到对应的加密密码。
在本实施例中，具体包括：
获取标准编码表：标准编码表是一个包含序列数字与编码字符之间映射关系的表格。这个编码表可能是一个已有的标准定义的编码表，例如ASCII码表。它将数字和字符一一对应，用于在计算机系统中表示和传输字符。
在标准编码表中确定目标序列数字：根据给定的序号区间确定目标序列数字。目标序列数字是序号区间中的数字，例如，如果序号区间是[9, 10, 11, 12, 13, 14, 15,16, 17, 18]，那么目标序列数字也是这些数字。
在标准编码表中替换目标序列数字：在标准编码表中找到目标序列数字所对应的映射关系，并将这些映射关系替换为目标序列数字本身。这样，在新的编码表中，目标序列数字将直接映射到自身，而不是原本的编码字符。例如，假设目标序列数字是10，那么将在新的编码表中将数字10映射到数字10。
基于新的编码表将第二目标数组中的数字编码为对应的编码字符：使用新的编码表，将第二目标数组中的各个数字编码为对应的编码字符。具体做法是查找新的编码表中与第二目标数组中数字相对应的映射关系并将其替换为对应的编码字符。例如，如果第二目标数组中的数字是10，根据新的编码表，将其替换为对应的编码字符。
将第二目标数组中的数字相加得到的数作为第一数字：在此步骤中，将第二目标数组中的数字进行相加，得到一个数，将这个数作为第一数字。然后，将第一数字插入到编码字符数组的指定位置中。插入的位置通常是预先定义或根据加密算法来确定的。最终，得到了一个具有插入第一数字的最终编码字符数组，它代表了一个加密密码。
参照图2，本发明一实施例中还提供了一种数据驱动设计的基建设备能源节省装置，包括：
采集单元，用于采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
输入单元，用于将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
第一分析单元，用于基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
第二分析单元，用于基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
第三分析单元，用于基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
确定单元，用于基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本发明实施例中提供的数据驱动设计的基建设备能源节省方法，包括以下步骤：采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。本发明中，通过能源数据模型对能源使用数据进行多维度的分析，能够更加准确地了解基建设备的能源消耗情况，从而根据分析结果给出对应的能源优化策略，有益于给出更准确的优化策略，提高优化策略的有效性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种数据驱动设计的基建设备能源节省方法，其特征在于，包括以下步骤：
采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
2.根据权利要求1所述的数据驱动设计的基建设备能源节省方法，其特征在于，所述能源优化策略包括调整设备运行参数、优化能源使用时段。
3.根据权利要求1所述的数据驱动设计的基建设备能源节省方法，其特征在于，还包括：
将所述能源使用数据推送至基建设备的使用用户，以及基于能源优化策略生成优化方案推送至基建设备的使用用户。
4.根据权利要求1所述的数据驱动设计的基建设备能源节省方法，其特征在于，所述采集基建设备的能源使用数据的步骤之前，包括：
采集基建设备的能源样本数据；其中，所述能源样本数据包括电力、燃气和水的消耗情况；
基于数据分析工具对所述能源样本数据进行分析，得到能源样本数据对应的分析结果；其中，所述分析结果包括能源消耗模式、能源效率以及峰谷负荷需求结果；
将所述能源样本数据以及对应的分析结果输入至初始能源模型中进行迭代训练，得到所述能源数据模型。
5.根据权利要求1所述的数据驱动设计的基建设备能源节省方法，其特征在于，还包括：
将所述能源使用数据添加在标准的数据模板中，生成能源使用数据模板；
对所述能源使用数据模板进行加密；
生成一个标签；其中，所述标签中至少包括能源使用数据对应的能源消耗模式、能源效率以及峰谷负荷需求结果；
将加密之后的能源使用数据模板存储至数据库中，并在数据库中建立加密之后的所述能源使用数据模板与所述标签的映射关系。
6.根据权利要求5所述的数据驱动设计的基建设备能源节省方法，其特征在于，所述对所述能源使用数据模板进行加密的步骤，包括：
基于所述能源使用数据对应的能源消耗模式确定对应的目标数组；其中，预先存储有各个能源消耗模式与数组的映射关系；所述目标数组中包括多个数字；
基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组；
基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组；
对所述第二目标数组进行处理，得到对应的加密密码；
基于所述加密密码对所述能源使用数据模板进行加密。
7.根据权利要求6所述的数据驱动设计的基建设备能源节省方法，其特征在于，所述基于所述能源效率在所述目标数组中选择出对应的数字，组合为第一目标数组的步骤，包括：
获取对应所述能源效率的数字，所述数字为百分比；
从所述目标数组的头部开始，依序选择出对应的数字，组合为第一目标数组；其中，选择出的数字占所述目标数组的比例等于所述能源效率对应的百分比。
8.根据权利要求6所述的数据驱动设计的基建设备能源节省方法，其特征在于，所述基于峰谷负荷需求结果在所述第一目标数组中选择出对应的数字，组合为第二目标数组的步骤，包括：
获取峰谷负荷需求结果中的高峰时间段以及低谷时间段；
分别获取高峰时间段以及低谷时间段中的小时数字，基于高峰时间段以及低谷时间段中的小时数字构成多个序号区间；其中，序号区间中的数字与所述小时数字相同；
在所述第一目标数组中选择出对应的数字，组合为第二目标数组；其中，选择出的数字在所述第一目标数组中的排序号与各个所述序号区间相同。
9.一种数据驱动设计的基建设备能源节省装置，其特征在于，包括：
采集单元，用于采集基建设备的能源使用数据；其中，所述能源使用数据包括电力、燃气和水的消耗情况；
输入单元，用于将所述能源使用数据输入至能源数据模型中；其中，所述能源数据模型包括能源消耗模式子模型、能源效率子模型以及峰谷负荷需求子模型；
第一分析单元，用于基于所述能源消耗模式子模型对所述能源使用数据进行分析，得到对应的能源消耗模式；
第二分析单元，用于基于所述能源效率子模型对所述能源使用数据进行分析，得到对应的能源效率；
第三分析单元，用于基于所述峰谷负荷需求子模型对所述能源使用数据进行分析，得到对应的峰谷负荷需求结果；
确定单元，用于基于所述能源消耗模式、能源效率以及峰谷负荷需求结果，确定节省能源的能源优化策略。
10.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012906.9A CN117521979B (zh) | 2024-01-04 | 2024-01-04 | 数据驱动设计的基建设备能源节省方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012906.9A CN117521979B (zh) | 2024-01-04 | 2024-01-04 | 数据驱动设计的基建设备能源节省方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117521979A true CN117521979A (zh) | 2024-02-06 |
| CN117521979B CN117521979B (zh) | 2024-07-12 |
Family
ID=89753491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410012906.9A Active CN117521979B (zh) | 2024-01-04 | 2024-01-04 | 数据驱动设计的基建设备能源节省方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117521979B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
| CN111934854A (zh) * | 2019-05-13 | 2020-11-13 | 腾讯科技（北京）有限公司 | 数据确定方法和装置、存储介质及电子装置 |
| CN111966662A (zh) * | 2020-08-07 | 2020-11-20 | 广东卓维网络有限公司 | 一种多元用户侧综合能源监测服务应用平台 |
| CN112952915A (zh) * | 2021-02-24 | 2021-06-11 | 国网山东省电力公司电力科学研究院 | 一种综合能源系统中平抑电网峰谷的优化调度方法 |
| CN116402247A (zh) * | 2023-03-31 | 2023-07-07 | 荆州市卓宸达建筑工程有限公司 | 一种基于bim和物联网的智能建筑数字化管理系统 |
-
2024
- 2024-01-04 CN CN202410012906.9A patent/CN117521979B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
| CN111934854A (zh) * | 2019-05-13 | 2020-11-13 | 腾讯科技（北京）有限公司 | 数据确定方法和装置、存储介质及电子装置 |
| CN111966662A (zh) * | 2020-08-07 | 2020-11-20 | 广东卓维网络有限公司 | 一种多元用户侧综合能源监测服务应用平台 |
| CN112952915A (zh) * | 2021-02-24 | 2021-06-11 | 国网山东省电力公司电力科学研究院 | 一种综合能源系统中平抑电网峰谷的优化调度方法 |
| CN116402247A (zh) * | 2023-03-31 | 2023-07-07 | 荆州市卓宸达建筑工程有限公司 | 一种基于bim和物联网的智能建筑数字化管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 郭恒川;: "图像双重加密方法", 电脑编程技巧与维护, no. 08, 3 August 2007 (2007-08-03) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117521979B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN105184394B (zh) | 基于配电网cps在线数据挖掘的优化控制方法 | |
| JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
| CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
| Wang et al. | 6G-enabled short-term forecasting for large-scale traffic flow in massive IoT based on time-aware locality-sensitive hashing | |
| Liu et al. | Real-time corporate carbon footprint estimation methodology based on appliance identification | |
| CN116993227B (zh) | 一种基于人工智能的供热分析评估方法、系统及存储介质 | |
| CN110784493A (zh) | 一种基于NB-IoT通信的综合气象数据采集系统 | |
| CN116231871B (zh) | 一种基于数字孪生的电网态势监管方法、系统及存储介质 | |
| CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
| CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
| CN117172992A (zh) | 一种污染农田土壤的微生态特征调查方法及系统 | |
| Zhang et al. | Multi-objective interval prediction of wind power based on conditional copula function | |
| CN117521979B (zh) | 数据驱动设计的基建设备能源节省方法 | |
| CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及系统 | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN109389330B (zh) | 配电网基建工程造价分析方法、装置、计算机设备和存储介质 | |
| Li et al. | Combining global and sequential patterns for multivariate time series forecasting | |
| CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
| CN113259390B (zh) | 一种用于招聘平台的账号安全防护系统 | |
| CN110766286B (zh) | 配电网拓扑校核方法、装置、计算机设备和可读存储介质 | |
| CN109670227B (zh) | 一种基于大数据的仿真数学模型参数对的估量方法 | |
| CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
| Smith et al. | Multi-site, multi-pollutant atmospheric data analysis using Riemannian geometry | |
| CN117972757B (zh) | 基于云平台实现矿山数据的安全分析方法及系统 |
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 | ||
| GR01 | Patent grant |