CN117951631A - 一种高效能智能恒温恒压冷却水循环系统 - Google Patents
一种高效能智能恒温恒压冷却水循环系统 Download PDFInfo
- Publication number
- CN117951631A CN117951631A CN202410351022.6A CN202410351022A CN117951631A CN 117951631 A CN117951631 A CN 117951631A CN 202410351022 A CN202410351022 A CN 202410351022A CN 117951631 A CN117951631 A CN 117951631A
- Authority
- CN
- China
- Prior art keywords
- water circulation
- abnormal
- constant
- point set
- circulation data
- 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
- 239000000498 cooling water Substances 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 131
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 230000002776 aggregation Effects 0.000 claims abstract description 30
- 238000004220 aggregation Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 239000005457 ice water Substances 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/001—Arrangement or mounting of control or safety devices for cryogenic fluid systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及异常数据检测技术领域,具体涉及一种高效能智能恒温恒压冷却水循环系统。该系统首先根据水循环数据样本点的分布确定第一异常点集合,在样本空间中获得水循环数据样本点的位置偏离特征,利用不同尺度的k邻域分析水循环数据样本点的聚集程度,进而筛选出第二异常点集合。根据第一异常点集合和第二异常点集合确定最终异常点集合,并对最终异常点对应的监测节点进行水循环参数的控制调节。本发明通过准确的异常检测,及时有效的检测出异常节点并进行水循环参数的控制调节,保证冷却水循环系统能够保持恒温恒压的高效能运行。
Description
技术领域
本发明涉及异常数据检测技术领域,具体涉及一种高效能智能恒温恒压冷却水循环系统。
背景技术
恒温恒压的冷却水循环系统常见于大型建筑或工业冷却需求中的冷却系统,其本体由多台冰水机组成,以提供足够的冷却能力,满足不同的负荷要求。为了保证冷却水循环系统的高效能,在冷却过程中需要保证各个冰水机均运行正常,若出现某个冰水机存在运行异常,需要及时确定出来并且根据异常数据进行控制调整。
现有技术中为了实现异常数据的检测,会将采集得到的数据映射值样本空间中,进而根据样本点的分布确定异常数据。但是该方法基于样本点的分布计算异常性,若存在某些异常点在局部内聚集分布则会导致将其认定为正常数据,进而导致误检,即现有技术无法及时准确的确定异常数据,进而影响冷却水循环系统的高效运行。
发明内容
为了解决现有技术无法及时准确的确定异常数据,进而影响冷却水循环系统的高效运行的技术问题,本发明的目的在于提供一种高效能智能恒温恒压冷却水循环系统,所采用的技术方案具体如下:
本发明提出了一种高效能智能恒温恒压冷却水循环系统,所述系统包括:
水循环数据采集模块,用于实时采集水循环系统中多个监测节点下的水循环数据;
第一异常分析模块,用于根据所述水循环数据构建样本空间,根据所述样本空间中水循环数据样本点的分布获得第一异常点集合;
第二异常分析模块,用于根据所述样本空间中所述水循环数据样本点之间的距离,获取每个所述水循环数据样本点的位置偏离特征;对于一个水循环数据样本点而言,根据预设不同尺度下的k值构建所述水循环数据样本点的k邻域,每个尺度下k邻域中的k近邻距离构成近邻距离序列;根据所述近邻距离序列中的变化特征,获得所述水循环数据样本点的聚集程度;根据所述聚集程度和所述位置偏离特征筛选出第二异常点集合;
水循环参数控制模块,用于根据所述第一异常点集合和所述第二异常点集合筛选出最终异常点集合;对最终异常点对应的监测节点的水循环参数进行控制调整。
进一步地,所述水循环数据包括水温、压力和水流量。
进一步地,根据水温、压力和水流量三个维度下的水循环数据构建三维的所述样本空间。
进一步地,所述第一异常点集合的获取方法包括:
利用LOF异常检测算法对所述样本空间中的水循环数据样本点进行处理,筛选出所述第一异常点集合。
进一步地,所述位置偏离特征的获取方法包括:
获得每个所述水循环数据样本点与样本空间质心点之间的距离作为第一距离;获得每个所述水循环数据样本点与其他水循环数据样本点之间的平均距离,作为第二距离;将所述第一距离和所述第二距离的乘积作为所述位置偏离特征。
进一步地,所述近邻距离序列中的变化特征的获取方法包括:
获得所述近邻距离序列的差分序列,将所述差分序列中的元素累加和作为所述变化特征。
进一步地,所述聚集程度的获取方法包括:
获得所述样本空间的整体密度;在样本空间中,将每个所述水循环数据样本点与距离最近的其他水循环数据样本点构成的范围大小作为所述局部特征;获得所述整体密度与所述局部特征的差值,作为第一差值;将所述变化特征负相关映射后与所述第一差值相乘,获得所述聚集程度。
进一步地,所述第二异常点集合的获取方法包括:
将所述聚集程度归一化后与所述位置偏离特征相乘,获得异常指标;将所述异常指标进行归一化处理,获得异常判断值,根据所述异常判断值筛选出所述第二异常点集合。
进一步地,所述最终异常点集合的获取方法包括:
将所述第一异常点集合与所述第二异常点集合的并集作为所述最终异常点集合。
进一步地,所述对最终异常点对应的监测节点的水循环参数进行控制调整,包括:
根据最终异常点对应的水循环数据与标准水循环数据的差值获得对应监测节点的参数补偿值,根据所述参数补偿值对所述监测节点的水循环参数进行控制调整。
本发明具有如下有益效果:
本发明实施例首先根据传统的依据样本点分布的方法确定第一异常点集合。进一步在样本空间中分析水循环样本点的位置偏离特征,为了准确分析样本点在局部范围内的聚集性,通过不同k邻域下的k近邻距离的变化以及局部特征能够准确表征水循环数据样本点的聚集程度,进而筛选出第二异常点集合,即第二异常点集合满足位置偏离的同时存在一定聚集特征,因此根据第一异常点集合和第二异常点集合即可确定最终异常点集合,确定出现异常的节点并对异常监测节点的水循环参数进行控制调整,保证了冷却水循环系统的高效能运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种高效能智能恒温恒压冷却水循环系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种高效能智能恒温恒压冷却水循环系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体地说明本发明所提供的一种高效能智能恒温恒压冷却水循环系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种高效能智能恒温恒压冷却水循环系统框图,该系统包括水循环数据采集模块101、第一异常分析模块102、第二异常分析模块103和水循环参数控制模块104。
水循环数据采集模块101用于实时采集水循环系统中多个监测节点下的水循环数据。需要说明的是,本发明实施例中的监测节点即为组成冷却水循环系统的各个冰水机。需要说明的是,冷却水循环系统本体包括独立变频控制器、温度传感器、压力传感器、延时传感器、流速传感器、单片机模块、水质检测、自动控制程序以及异常代码警报反馈等组成,具体装置之间的组成与作用为本领域技术人员熟知的内容,在此不做赘述。
在本发明一个实施例中,考虑到对于恒温恒压的冷却水循环系统而言,水温、压力和水流量三个维度的数据为重要的水循环参数,因此水循环数据为水温、压力和水流量三个维度组成的三维数据。
第一异常分析模块102用于根据水循环数据构建样本空间,根据样本空间中水循环数据样本点的分布获得第一异常点集合。即第一异常点集合是基于现有技术中根据水循环数据样本点分布确定的存在一定检测误差的异常检测结果。
需要说明的是,因为本发明一个实施例中水循环数据包括水温、压力和水流量三个维度下的数据,因此所构成的样本空间为三维的样本空间。
优选地,在本发明一个实施例中,利用LOF异常检测算法对所述样本空间中的水循环数据样本点进行处理,筛选出所述第一异常点集合。LOF异常检测算法通过计算每个水循环数据样本点的局部离群因子进而筛选出异常点,局部离群因子越大说明该样本点越异常。
因为第一异常分析模块102获得的第一异常点集合中忽略了位于样本空间边缘并且存在一定聚集性的异常数据,因此第二异常分析模块103对样本空间中的水循环数据样本点进一步进行分析,首先基于水循环数据样本点之间的距离确定每个水循环数据样本点的位置偏离特征。即位置偏离特征越大说明该水循环数据样本点在样本空间中越位于边缘位置。
优选地,在本发明一个实施例中,位置偏离特征的获取方法包括:
获得每个水循环数据样本点与样本空间质心点之间的距离作为第一距离;获得每个水循环数据样本点与其他水循环数据样本点之间的平均距离,作为第二距离;将第一距离和第二距离的乘积作为位置偏离特征。其中第二距离越大说明该水循环数据样本点相对于其他样本点而言较为孤立,第一距离越大说明该水循环数据样本点越远离质心点,其位置越位于样本空间的边缘,因此第一距离越大、第二距离越大,则位置偏离特征越大。在本发明一个实施例中,位置偏离特征用公式表示为:
;其中为第i个水循环数据样本点的位置偏离特征,r为除第i
个水循环数据样本点之外的其他水循环数据样本点的数量,为第i个水循环数据样本
点与第j个其他水循环数据样本点之间的距离,为第一距离。
需要说明的是,在本发明实施例中样本空间中两个样本点之间的距离为欧式距离,欧式距离的获取方法以及样本空间中的质心获取方法均为本领域技术人员熟知的技术手段,在此不做赘述。
第二异常分析模块103在获得水循环数据样本点的位置偏离特征之后还需要分析样本点的聚集特征。对于一个水循环数据样本点而言,若该样本点与其他水循环数据样本点聚集分布在某一位置,则说明该样本点与周围的其他水循环数据样本点之间的距离较小的同时距离之间的差异较小;反之,若该样本点为离散的样本点,虽然周围存在与其聚集分布的其他样本点,但是数量有限,在一定的范围中会呈现距离较小并且差异较小的特征,但是在该范围之外就会存在明显较大的距离以及距离之间的差异。基于此特征本发明实施例根据预设不同尺度下的k值构建水循环数据样本点的k邻域,k邻域即为以水循环数据样本点为中心,最邻近的k个其他样本点所组成的邻域。对于聚集分布的样本点而言,不同尺度下的k邻域的大小差异是较小的,随着k值的增大,因为其他样本点均聚集分布,所以k邻域的尺寸不变或者增加较少;反之若样本点并不是聚集分布,则随着k值的增大,k邻域的尺寸会出现明显的变化。因此本发明实施例将每个尺度下k邻域的k近邻距离构成近邻距离序列,其中k近邻距离即为邻域中心点到k邻域中的其他样本点之间的最远的距离。在本发明实施例中根据k值从小到大的顺序将对应k近邻距离进行排列构成近邻距离序列。进一步即可根据近邻距离序列中的变化特征获得水循环样本点的聚集程度。
优选地,在本发明一个实施例中,近邻距离序列中的变化特征的获取方法包括:
获得近邻距离序列的差分序列,差分序列中的每个元素代表相邻两个尺度之间k近邻距离之间的差异,因此将差分序列中的元素累加和作为变化特征。变化特征越大说明近邻距离序列中的元素随着k值变化越不稳定,则对应水循环数据样本的聚集性越差。
优选地,在本发明一个实施例中,聚集程度的获取方法包括:
获得样本空间的整体密度。在本发明一个实施例中,因为样本空间为三维空间,将样本空间中的样本点数量与所有样本点构成的体积之间的比值作为整体密度。
在样本空间中,将每个水循环数据样本点与距离最近的其他水循环数据样本点构成的范围大小作为局部特征,即局部特征越大,说明水循环数据样本点与最近的其他样本点之间的距离较大,则聚集性越弱,因此获得整体密度与局部特征的差值,作为第一差值,第一差值越大说明该水循环数据样本点的局部密度相对于平均密度而言更为聚集。因为变化特征越大说明样本点聚集性越差,因此将变化特征负相关映射后与第一差值相乘,获得聚集程度。在本发明一个实施例中,聚集程度用公式表示为:
;其中为第i个水循环数据样本点的聚集程度,为第i个水循
环数据样本点的变化特征,ρ为整体密度,为第i个水循环数据样本点的局部特征。即在聚
集程度公式中通过倒数的形式将变化特征进行负相关映射,在本发明其他实施例中也可采
用其他基础数学方法实现负相关映射,具体不再赘述。
获得了每个水循环数据样本点的聚集程度以及位置偏离特征之后即可根据两种特征筛选出第二异常点集合,即第二异常点为位于样本空间边缘并且呈现一定聚集性的异常点。
优选地,在本发明一个实施例中,第二异常点集合的获取方法包括:
将聚集程度归一化后与位置偏离特征相乘,获得异常指标;将异常指标进行归一化处理,获得异常判断值,根据异常判断值筛选出第二异常点集合。需要说明的是本发明实施例中的归一化均可采用sigmoid函数映射方法,其他实施例中也可选用其他函数映射或者归一化方法,在此不做限定。在本发明一个实施例中将异常判断值大于等于预设判断值阈值的样本点作为第二异常点,判断值阈值设置为0.85。
通过第一异常分析模块102以及第二异常分析模块103的异常分析,水循环参数控制模块104即可根据第一异常点集合和第二异常点集合确定最终异常点集合。在本发明一个实施例中,因为第一异常点和第二异常点是基于不同特征得到的,因此需要综合两类异常信息,即将第一异常点集合与第二异常点集合的并集作为最终异常点集合。
确定了最终异常点后,最终异常点对应的监测节点即为存在异常的节点,针对异常节点进行水循环参数的控制调整即可保证冷却水循环系统保持恒温恒压的高效能运行。
在本发明一个实施例,根据最终异常点对应的水循环数据与标准水循环数据的差值获得对应监测节点的参数补偿值,根据参数补偿值对监测节点的水循环参数进行控制调整。需要说明的是,参数补偿值存在正负号,即若为正号说明此时的水循环数据大于标准水循环数据,需根据参数补偿值调小对应参数,若为负号则说明需要调大对应参数。
综上所述,本发明实施例首先根据水循环数据样本点的分布确定第一异常点集合,在样本空间中获得水循环数据样本点的位置偏离特征,利用不同尺度的k邻域分析水循环数据样本点的聚集程度,进而筛选出第二异常点集合。根据第一异常点集合和第二异常点集合确定最终异常点集合,并对最终异常点对应的监测节点进行水循环参数的控制调节。本发明通过准确的异常检测,及时有效的检测出异常节点并进行水循环参数的控制调节,保证冷却水循环系统能够保持恒温恒压的高效能运行。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述系统包括:
水循环数据采集模块,用于实时采集水循环系统中多个监测节点下的水循环数据;
第一异常分析模块,用于根据所述水循环数据构建样本空间,根据所述样本空间中水循环数据样本点的分布获得第一异常点集合;
第二异常分析模块,用于根据所述样本空间中所述水循环数据样本点之间的距离,获取每个所述水循环数据样本点的位置偏离特征;对于一个水循环数据样本点而言,根据预设不同尺度下的k值构建所述水循环数据样本点的k邻域,每个尺度下k邻域中的k近邻距离构成近邻距离序列;根据所述近邻距离序列中的变化特征,获得所述水循环数据样本点的聚集程度;根据所述聚集程度和所述位置偏离特征筛选出第二异常点集合;
水循环参数控制模块,用于根据所述第一异常点集合和所述第二异常点集合筛选出最终异常点集合;对最终异常点对应的监测节点的水循环参数进行控制调整。
2.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述水循环数据包括水温、压力和水流量。
3.根据权利要求2所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,根据水温、压力和水流量三个维度下的水循环数据构建三维的所述样本空间。
4.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述第一异常点集合的获取方法包括:
利用LOF异常检测算法对所述样本空间中的水循环数据样本点进行处理,筛选出所述第一异常点集合。
5.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述位置偏离特征的获取方法包括:
获得每个所述水循环数据样本点与样本空间质心点之间的距离作为第一距离;获得每个所述水循环数据样本点与其他水循环数据样本点之间的平均距离,作为第二距离;将所述第一距离和所述第二距离的乘积作为所述位置偏离特征。
6.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述近邻距离序列中的变化特征的获取方法包括:
获得所述近邻距离序列的差分序列,将所述差分序列中的元素累加和作为所述变化特征。
7.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述聚集程度的获取方法包括:
获得所述样本空间的整体密度;在样本空间中,将每个所述水循环数据样本点与距离最近的其他水循环数据样本点构成的范围大小作为局部特征;获得所述整体密度与所述局部特征的差值,作为第一差值;将所述变化特征负相关映射后与所述第一差值相乘,获得所述聚集程度。
8.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述第二异常点集合的获取方法包括:
将所述聚集程度归一化后与所述位置偏离特征相乘,获得异常指标;将所述异常指标进行归一化处理,获得异常判断值,根据所述异常判断值筛选出所述第二异常点集合。
9.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述最终异常点集合的获取方法包括:
将所述第一异常点集合与所述第二异常点集合的并集作为所述最终异常点集合。
10.根据权利要求1所述的一种高效能智能恒温恒压冷却水循环系统,其特征在于,所述对最终异常点对应的监测节点的水循环参数进行控制调整,包括:
根据最终异常点对应的水循环数据与标准水循环数据的差值获得对应监测节点的参数补偿值,根据所述参数补偿值对所述监测节点的水循环参数进行控制调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410351022.6A CN117951631B (zh) | 2024-03-26 | 2024-03-26 | 一种智能恒温恒压冷却水循环系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410351022.6A CN117951631B (zh) | 2024-03-26 | 2024-03-26 | 一种智能恒温恒压冷却水循环系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117951631A true CN117951631A (zh) | 2024-04-30 |
CN117951631B CN117951631B (zh) | 2024-06-21 |
Family
ID=90794643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410351022.6A Active CN117951631B (zh) | 2024-03-26 | 2024-03-26 | 一种智能恒温恒压冷却水循环系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951631B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3364157A1 (en) * | 2017-02-16 | 2018-08-22 | Fundación Tecnalia Research & Innovation | Method and system of outlier detection in energy metering data |
CN108564112A (zh) * | 2018-03-27 | 2018-09-21 | 湖南大学 | 一种综合能源系统的故障统一定位方法 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN110889441A (zh) * | 2019-11-19 | 2020-03-17 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于距离和点密度的变电设备数据异常识别方法 |
EP4148518A1 (en) * | 2021-09-13 | 2023-03-15 | EVER_EST Srl | Kpca-based non-linear chiller fault detection method |
CN116502170A (zh) * | 2023-06-29 | 2023-07-28 | 山东浩坤润土水利设备有限公司济宁经济开发区分公司 | 基于云平台的农业水利监测方法及相关装置 |
CN117076934A (zh) * | 2023-10-16 | 2023-11-17 | 罗普特科技集团股份有限公司 | 一种基于物联网的监控数据采集及分析方法 |
CN117308498A (zh) * | 2023-09-14 | 2023-12-29 | 孙豪帅 | 一种基于云存储的冷库温度智能监测管理方法及系统 |
CN117436845A (zh) * | 2023-12-15 | 2024-01-23 | 山东齐芯智控科技有限公司 | 一种智慧小区供热系统异常数据监测方法 |
-
2024
- 2024-03-26 CN CN202410351022.6A patent/CN117951631B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3364157A1 (en) * | 2017-02-16 | 2018-08-22 | Fundación Tecnalia Research & Innovation | Method and system of outlier detection in energy metering data |
CN108564112A (zh) * | 2018-03-27 | 2018-09-21 | 湖南大学 | 一种综合能源系统的故障统一定位方法 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN110889441A (zh) * | 2019-11-19 | 2020-03-17 | 海南电网有限责任公司海南输变电检修分公司 | 一种基于距离和点密度的变电设备数据异常识别方法 |
EP4148518A1 (en) * | 2021-09-13 | 2023-03-15 | EVER_EST Srl | Kpca-based non-linear chiller fault detection method |
CN116502170A (zh) * | 2023-06-29 | 2023-07-28 | 山东浩坤润土水利设备有限公司济宁经济开发区分公司 | 基于云平台的农业水利监测方法及相关装置 |
CN117308498A (zh) * | 2023-09-14 | 2023-12-29 | 孙豪帅 | 一种基于云存储的冷库温度智能监测管理方法及系统 |
CN117076934A (zh) * | 2023-10-16 | 2023-11-17 | 罗普特科技集团股份有限公司 | 一种基于物联网的监控数据采集及分析方法 |
CN117436845A (zh) * | 2023-12-15 | 2024-01-23 | 山东齐芯智控科技有限公司 | 一种智慧小区供热系统异常数据监测方法 |
Non-Patent Citations (1)
Title |
---|
王忆之;丁强;江爱朋;胡达;: "基于PCA-AWOCSVM的冷水机组故障检测方法", 电力科学与工程, no. 07, 28 July 2020 (2020-07-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117951631B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
CN109102101B (zh) | 风电场风速的预测方法和系统 | |
CN111654874A (zh) | 一种无线传感网异常检测方法 | |
KR20170078252A (ko) | 시계열의 데이터를 모니터링 하는 방법 및 그 장치 | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
CN112700085B (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN116992385B (zh) | 一种物联网水表用量异常检测方法及系统 | |
CN116909339B (zh) | 基于人工智能的智能家居安全预警方法及系统 | |
CN116739645A (zh) | 基于企业管理的订单异常监督系统 | |
CN118013323B (zh) | 一种大口径电动半球阀的驱动电机状态分析方法及系统 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN117951631B (zh) | 一种智能恒温恒压冷却水循环系统 | |
CN110427019A (zh) | 一种基于多变量判别分析的npda故障分类方法及控制装置 | |
CN116367108B (zh) | 一种基于云计算的车间安全监控系统 | |
CN117094608A (zh) | 结合应用需求的钛带生产控制方法及系统 | |
CN105573269B (zh) | 半导体制造机台的参数监控系统及方法 | |
CN110134008A (zh) | 一种基于经济性和统计性的mewma控制图的设计方法 | |
CN109214268B (zh) | 一种基于集成流形学习的填料塔液泛状态在线监测方法 | |
Cirera et al. | Data-driven operation performance evaluation of multi-chiller system using self-organizing maps | |
CN109829518A (zh) | 基于信任度和改进遗传算法应用于无线传感器网络数据融合的一种方法 | |
CN112085121A (zh) | 一种基于lle-svdd的非线性轮廓数据监控方法 | |
CN118114184B (zh) | 基于人工智能的阿胶制品生产状态智能监测方法 |
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 |