CN109035067A - 基于rf和arma算法的建筑能耗处理方法及装置 - Google Patents
基于rf和arma算法的建筑能耗处理方法及装置 Download PDFInfo
- Publication number
- CN109035067A CN109035067A CN201810799398.8A CN201810799398A CN109035067A CN 109035067 A CN109035067 A CN 109035067A CN 201810799398 A CN201810799398 A CN 201810799398A CN 109035067 A CN109035067 A CN 109035067A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- model
- prediction model
- consumption prediction
- value
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 273
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 241001123248 Arma Species 0.000 title claims abstract description 12
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000007637 random forest analysis Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000001373 regressive effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000007418 data mining Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- 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
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于RF和ARMA算法的建筑能耗处理方法及装置。该方法包括采集数据源并通过预处理后得到预设工程特征；根据所述预设工程特征建立能耗预测模型；以及评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。本发明解决了缺乏体系化的、可配置的、自适应的预测模型来满足实际预测系统复杂多变的需求的技术问题，可随设备使用、人员信息和气候状况等因素变化而动态适应以提高能耗预测精度，降低因临时加班/放假造成的虚警率。
Description
技术领域
本申请涉及建筑行业数据分析与挖掘领域，具体而言，涉及一种基于RF和ARMA算法的建筑能耗处理方法及装置。
背景技术
随着我国科技和经济的不断进步，智能建筑也得到了飞速发展锲机，大型超高层公共建筑犹如雨后春笋，建筑面积指数型增加，信息化水平也不断提升。同时，人们的使用需求也日益增长，建筑用能强度呈现出大幅度增长态势。据中国建筑节能年度发展研究报告2017.统计，我国的建筑能耗在社会总能耗中的比例由七十年代末的10％快速上升至现在的30％。在作为衡量建筑能耗水平的一个重要指标，楼宇用电量在过去十年中的增幅可达10％～13％。目前，我国建筑节能水平远远落后于发达国家，而且建筑用能存在非常严重的浪费现象。因此，如何提高建筑能源利用率、减少建筑用能浪费已成为贯彻我国可持续发展战略中亟需解决的问题。
采用先进的控制策略能够获取约20％的额外节能潜力Waide P,2013。充分挖掘建筑数据的内在价值，可以进行故障诊断、控制优化和预测控制等。据调查，大约20％的建筑能耗是由于设备故障、传感器失效、控制失败和不合理操作造成Katipamula S,2005。因此，能耗的预测与异常报警一方面能够让管理者提前获悉用能趋势，制定最优的用能策略比如错峰用能；另一方面可以及时发现能耗异常，减少因设备故障等造成的人员不适和能耗浪费。
关于建筑能耗的预测方法大量涌现，主要涉及决策树、BP神经网络算法、时间序列分析、支持向量机和线性回归等。然而，现有能耗预测方法往往停留在理论研究层面，在实际信息化系统中鲜有应用，究其原因主要有：关于特征因素选择缺少体系化深入研究；预测算法由于模型选择和参数配置复杂，其结果精度难以在线评估和校正；预测模型往往依赖于日期和时刻划分的工作运行模式，对于临时加班或者临时外出等场景导致的能耗增加或减少会产生能耗异常虚警。
针对相关技术中缺乏体系化的、可配置的、自适应的预测模型来满足实际预测系统复杂多变的需求的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种基于RF和ARMA算法的建筑能耗处理方法及装置，以解决缺乏体系化的、可配置的、自适应的预测模型来满足实际预测系统复杂多变的需求的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种基于RF和ARMA算法的建筑能耗处理方法。
根据本申请的用于建筑能耗的数据处理方法包括：采集数据源并通过预处理后得到预设工程特征；根据所述预设工程特征建立能耗预测模型；以及评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
进一步地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：分析能耗预测值与能耗实测值的差异；如果差异满足切换条件，则匹配能耗运行模式；以及如果差异满足不满足切换条件，则判定异常。
进一步地，根据所述预设工程特征建立能耗预测模型包括：采用随机森林回归算法分析并建立所述能耗预测模型。
进一步地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：在模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型。
进一步地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：在模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型，其中，所述能耗预测模型包括工作模式和非工作模式。
进一步地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：对判定为异常模型或异常能耗的处理结果执行异常报警操作。
为了实现上述目的，根据本申请的另一方面，提供了一种用于建筑能耗的数据处理装置。
根据本申请的用于建筑能耗的数据处理装置包括：采集模块，用于采集数据源并通过预处理后得到预设工程特征；模型建立模块，用于根据所述预设工程特征建立能耗预测模型；以及模型评估模块，用以评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
进一步地，装置还包括：分析模块，所述分析模块包括：分析单元，分析能耗预测值与能耗实测值的差异；匹配单元，用于在差异满足切换条件时，匹配能耗运行模式；以及异常单元，用于在差异满足不满足切换条件时，则判定异常。
进一步地，所述模型建立模块包括：模型建立单元，所述模型评估模块包括：校正单元，评估单元，所述模型建立单元，用于采用随机森林回归算法分析并建立所述能耗预测模型；所述校正单元，用于模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型；以及所述评估单元，用于在模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型，其中，所述能耗预测模型包括：工作模式和非工作模式。
进一步地，所述装置还包括：报警模块，所述报警模块包括：异常报警单元，用于对判定为异常模型或异常能耗的处理结果执行异常报警操作。
在本申请实施例中，采用采集数据源并通过预处理后得到预设工程特征的方式，根据所述预设工程特征建立能耗预测模型，通过评估所述能耗预测模型并根据评估结果校正所述能耗预测模型，达到了随设备使用、人员信息和气候状况等因素变化而动态适应以提高能耗预测精度，降低因临时加班/放假造成的虚警率的目的，从而实现了建立可配置以及自适应的用于建筑耗能预测模型的技术效果，进而解决了缺乏体系化的、可配置的、自适应的预测模型来满足实际预测系统复杂多变的需求的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请第一实施例的建筑能耗处理方法示意图；
图2是根据本申请第二实施例的建筑能耗处理方法示意图；
图3是根据本申请第一实施例的建筑能耗处理装置示意图；
图4是根据本申请第二实施例的建筑能耗处理装置示意图；
图5是为本申请中的核心算法流程示意图；
图6是为本申请的体系化工作流示意图；
图7是本申请的一个实施例能耗正常(工作模式)示意图；
图8是本申请的一个实施例能耗正常(非工作模式)示意图
图9是本申请的一个实施例能耗异常(临时加班)示意图；以及
图10是本申请的一个实施例能耗异常(临时外出)示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
本申请中的用于建筑能耗的数据处理方法基于随机森林回归和ARMA的建筑能耗预测和异常报警。采用数据随机森林算法动态自识别出建筑能耗实时预测模型，利用自回归滑动均值(ARMA)模型作为基准模型校正和评估，并根据能耗预测值、实测值与基准值的偏差进行异常报警设置。
在本申请中首先充分考虑建筑物能耗特征随设备使用、人员信息和气候状况等因素变化，利用特征分析确定影响能耗的主元因素(人数、天气状态和室外温湿度)，其中人数可以用节假日和工作时刻信息间接表征。然后引入数据挖掘(随机森林)回归算法对能耗历史数据及相应的主元影响因素数据进行模型训练，学习出能耗运行模式并预测未来24小时能耗值。同时利用自回归滑动均值作为能耗预测基准值，引入能耗模式切换机制，最后基于能耗预测值、实测值与基准值的差值对异常报警阈值进行设定。此数据驱动方法的特色在于，通过识别数据内在规律而建立的能耗预测模型可以动态自适应各影响因素(人员、设备配置、季节和气候等)的变化，不依赖于行业专家的工程经验和建筑物的具体配置；针对学习模型难以评估和校正的问题，提出了以滑动窗口历史数据均值作为基准的评估方法，降低了算法参数设置对模型准确度的干扰；同时，引入能耗运行模式切换机制有助于系统动态识别工作模式和非工作模式，克服了因临时加班或临时外出带来的能耗异常虚警问题。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该方法包括如下的步骤S102至步骤S106：
步骤S102，采集数据源并通过预处理后得到预设工程特征；
采集数据源是指采集分项能耗及相关数据，数据源的获取方式包括传感器检测、数据库读取和网站爬取等，所涉及原始数据包括能耗累计读数、日期时间戳、天气状况指数和温湿度值，其中能耗累计读数可直接从电表中定时读取并保存(含日期时间戳)，天气状况从当地气象台网站公开数据中读取，室外温湿度值利用传感器进行实时检测并远传保存。
数据预处理包括：奇异值剔除、缺失值填补、归一化、格式转换和时序数据转换等，其中奇异值剔除需要根据经验确定数据的正常范围；缺失值填补采用滑动平均法，即dt＝(dt+1+dt-1)/2,dt为第t个数据；归一化则是避免量纲不统一带来的影响，可以采用最大-最小值法，即Id＝(dmax-d)/(dmax-dmin)；格式转换则是将数据转换成需要的格式或类型，如将能耗表头值差分可以得到单位时间段的能耗值；时序数据转换是取某单位时间段的当量，具体公式为：E(T)为T时间段能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认取1。
具体地，采集分项能耗及相关数据，并进行数据预处理，包括奇异值剔除、缺失值填补、归一化和时序数据转换等，其中时序数据转换是以小时为单位取当量，具体公式为：
其中，E(T)为T时间段(小时)能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认取1。
步骤S104，根据所述预设工程特征建立能耗预测模型；
利用特征工程分析影响能耗的主元因素，确定模型输入/输出变量。
具体地，利用特征工程分析影响能耗的主元因素，确定模型输入/输出变量，即输入变量包括能耗历史数据、日期、时刻、天气状况和温湿度值，输出数据是能耗预测序列值(未来24小时)，其中能耗历史数据对应的日期和时刻表征人员信息，即人数总体状况和工作作息规律，如日期划分节假日和工作日，时间划分上下班作息时刻，直接影响空调、照明等主要设备用能分布情况；天气状况和温湿度值间接表征设备运行状况，如天气热空调设备运行负荷大，能耗多。
进一步，建立能耗预测模型包括：
模型选择与参数设置，参数包括决策树数量、最大数深度、最大分箱数、特征子集选取策略和随机种子等；
回归预测模型训练，对能耗历史数据与主元因素数据进行学习和训练，并保持训练模型；
自回归滑动平均模型计算，对能耗单位时间当量进行回归分析，得出基于平均意义的预测值；
模型评估与预测，以均值预测结果为基准进行评估，对模型进行修正。
步骤S106，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
评估所述能耗预测模型并根据评估结果校正所述能耗预测模型主要包括模型选择与参数设置、回归预测模型、自回归滑动平均模型和模型评估与预测等步骤。
具体地，在进行模型选择与参数设置时，随机森林参数包括决策树数量、最大树深度、最大特征数、内部节点再划分所需最小样本数和叶子节点最少样本数等，其中决策树数量越大可以让模型有更好的性能，但同时会增加处理计算量，需要根据实际情况做出取舍；最大树深度取决于数据分布，常用取值10-100，对于特征多的样本需要限制最大深度；最大特征数一般取总特征数的根值；内部节点再划分所需最小样本数限制了子树继续划分的条件；叶子节点最少样本数限制叶子节点最少的样本数。自回归滑动平均模型参数包括自回归阶数、差分阶数和移动平均阶数等，其中自回归阶数和移动平均阶数一般不超过2。
回归预测模型，利用随机森林回归算法对能耗历史数据与主元因素数据进行学习和训练，可以得到未来24小时能耗预测值序列{Et(T)，T＝1，2，…24}；随机森林回归算法是由多个Cart树分类器构成的集成学习模式，其中每个Cart树从样本集里面随机有放回的抽取一部分进行训练，多个树分类器就构成了一个训练模型矩阵，然后将要分类的样本带入这一个个树分类器，然后以少数服从多数的原则，表决出这个样本的最终分类类型。
自回归滑动平均模型，是对能耗单位时间当量进行回归分析，得出基于平均意义的预测值作为基准值； 为T时刻能耗预测值，为自回归系数，εt为白噪声，θj(j＝1，2，…，m)为滑动平均系数。
模型评估，是对模型选择及参数设置的评价情况，根据能耗预测值Et(T)与基准值进行判定，如果则模型输出达到期望的精度；如果则模型输出不能达到期望精度，需要返回进行模型校正和参数调整。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用采集数据源并通过预处理后得到预设工程特征的方式，根据所述预设工程特征建立能耗预测模型，通过评估所述能耗预测模型并根据评估结果校正所述能耗预测模型，达到了随设备使用、人员信息和气候状况等因素变化而动态适应以提高能耗预测精度，降低因临时加班/放假造成的虚警率的目的，从而实现了建立可配置以及自适应的用于建筑耗能预测模型的技术效果，进而解决了缺乏体系化的、可配置的、自适应的预测模型来满足实际预测系统复杂多变的需求的技术问题。
根据本申请实施例，作为本实施例中的优选，如图2所示，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：
步骤S202，分析能耗预测值与能耗实测值的差异；
预测值与实测值差异性分析，分析方法包括但不局限于t检验、方差分析、卡方检验和非参数检验(如Kruskal-Wallis检验)等；
步骤S204，如果差异满足切换条件，则匹配能耗运行模式；
如果存在显著性差异，则进行能耗运行模式匹配，能耗运行模式根据节假日和工作作息时间分为工作模式和非工作模式，运行模式匹配可以避免临时加班或临时放假(外出)的干扰；
步骤S206，如果差异不满足切换条件，则判定异常。
具体地，异常判定是指切换能耗运行模式后得到新的预测值和相应的滑动平均基准值，进行能耗异常判定和模型异常判定；
能耗异常报警，如果实测值偏离预测值和基准值，则说明能耗出现异常，进行报警；
模型异常报警，如果预测值偏离实测值和基准值，则说明模型失准，进行报警和校正。
优选地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：在模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型。
优选地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：在模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型，其中，所述能耗预测模型包括：工作模式和非工作模式。
优选地，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：对判定为异常模型或异常能耗的处理结果执行异常报警操作。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述用于建筑能耗的数据处理方法的装置，如图3所示，该装置包括：采集模块10，用于采集数据源并通过预处理后得到预设工程特征；模型建立模块20，用于根据所述预设工程特征建立能耗预测模型；以及模型评估模块30，用以评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
本申请实施例的采集模块10中采集数据源是指采集分项能耗及相关数据，数据源的获取方式包括传感器检测、数据库读取和网站爬取等，所涉及原始数据包括能耗累计读数、日期时间戳、天气状况指数和温湿度值，其中能耗累计读数可直接从电表中定时读取并保存(含日期时间戳)，天气状况从当地气象台网站公开数据中读取，室外温湿度值利用传感器进行实时检测并远传保存。
数据预处理包括：奇异值剔除、缺失值填补、归一化、格式转换和时序数据转换等，其中奇异值剔除需要根据经验确定数据的正常范围；缺失值填补采用滑动平均法，即dt＝(dt+1+dt-1)/2,dt为第t个数据；归一化则是避免量纲不统一带来的影响，可以采用最大-最小值法，即Id＝(dmax-d)/(dmax-dmin)；格式转换则是将数据转换成需要的格式或类型，如将能耗表头值差分可以得到单位时间段的能耗值；时序数据转换是取某单位时间段的当量，具体公式为：E(T)为T时间段能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认取1。
具体地，采集分项能耗及相关数据，并进行数据预处理，包括奇异值剔除、缺失值填补、归一化和时序数据转换等，其中时序数据转换是以小时为单位取当量，具体公式为：
其中，E(T)为T时间段(小时)能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认取1。
本申请实施例的模型建立模块20中利用特征工程分析影响能耗的主元因素，确定模型输入/输出变量。
具体地，利用特征工程分析影响能耗的主元因素，确定模型输入/输出变量，即输入变量包括能耗历史数据、日期、时刻、天气状况和温湿度值，输出数据是能耗预测序列值(未来24小时)，其中能耗历史数据对应的日期和时刻表征人员信息，即人数总体状况和工作作息规律，如日期划分节假日和工作日，时间划分上下班作息时刻，直接影响空调、照明等主要设备用能分布情况；天气状况和温湿度值间接表征设备运行状况，如天气热空调设备运行负荷大，能耗多。
进一步，建立能耗预测模型包括：
模型选择与参数设置，参数包括决策树数量、最大数深度、最大分箱数、特征子集选取策略和随机种子等；
回归预测模型训练，对能耗历史数据与主元因素数据进行学习和训练，并保持训练模型；
自回归滑动平均模型计算，对能耗单位时间当量进行回归分析，得出基于平均意义的预测值；
模型评估与预测，以均值预测结果为基准进行评估，对模型进行修正。
本申请实施例的模型评估模块30中评估所述能耗预测模型并根据评估结果校正所述能耗预测模型主要包括模型选择与参数设置、回归预测模型、自回归滑动平均模型和模型评估与预测等步骤。
具体地，在进行模型选择与参数设置时，随机森林参数包括决策树数量、最大树深度、最大特征数、内部节点再划分所需最小样本数和叶子节点最少样本数等，其中决策树数量越大可以让模型有更好的性能，但同时会增加处理计算量，需要根据实际情况做出取舍；最大树深度取决于数据分布，常用取值10-100，对于特征多的样本需要限制最大深度；最大特征数一般取总特征数的根值；内部节点再划分所需最小样本数限制了子树继续划分的条件；叶子节点最少样本数限制叶子节点最少的样本数。自回归滑动平均模型参数包括自回归阶数、差分阶数和移动平均阶数等，其中自回归阶数和移动平均阶数一般不超过2。
回归预测模型，利用随机森林回归算法对能耗历史数据与主元因素数据进行学习和训练，可以得到未来24小时能耗预测值序列{Et(T)，T＝1，2，…24}；随机森林回归算法是由多个Cart树分类器构成的集成学习模式，其中每个Cart树从样本集里面随机有放回的抽取一部分进行训练，多个树分类器就构成了一个训练模型矩阵，然后将要分类的样本带入这一个个树分类器，然后以少数服从多数的原则，表决出这个样本的最终分类类型。
自回归滑动平均模型，是对能耗单位时间当量进行回归分析，得出基于平均意义的预测值作为基准值； 为T时刻能耗预测值，为自回归系数，εt为白噪声，θj(j＝1，2，…，m)为滑动平均系数。
模型评估，是对模型选择及参数设置的评价情况，根据能耗预测值Et(T)与基准值进行判定，如果则模型输出达到期望的精度；如果则模型输出不能达到期望精度，需要返回进行模型校正和参数调整。
根据本申请实施例，作为本实施例中的优选，如图4所示，装置还包括：分析模块40，所述分析模块包括：分析单元，分析能耗预测值与能耗实测值的差异；匹配单元，用于在差异满足切换条件时，匹配能耗运行模式；以及异常单元，用于在差异不满足切换条件时，则判定异常。
根据本申请实施例，作为本实施例中的优选，如图4所示，装置还包括：报警模块50，所述报警模块包括：异常报警单元，用于对判定为异常模型或异常能耗的处理结果执行异常报警操作。
根据本申请实施例，作为本实施例中的优选，所述模型建立模块包括：模型建立单元，所述模型评估模块包括：校正单元，评估单元，所述模型建立单元，用于采用随机森林回归算法分析并建立所述能耗预测模型；所述校正单元，用于在模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型；以及所述评估单元，用于模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型，其中，所述能耗预测模型包括：工作模式和非工作模式。
采用随机森林回归算法分析并建立所述能耗预测模型，以及采用自回归滑动均值模型作为基准模型校正所述能耗预测模型，采用自回归滑动均值模型作为基准模型评估所述能耗预测模型时，对本申请的实现原理进行如下解释：
请参照图5，基于随机森林和ARMA的建筑能耗预测和异常报警方法，包括以下步骤，
1)采集数据源，即分项能耗及相关数据，并进行数据预处理，包括奇异值剔除、缺失值填补、归一化和时序数据转换等，其中时序数据转换是以小时为单位取当量，具体公式为：
其中，E(T)为T时间段(小时)能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认取1.
2)利用特征工程分析影响能耗的主元因素，确定模型输入/输出变量
3)利用随机森林算法分析并建立能耗预测模型，主要步骤包括：
a.模型选择与参数设置，参数包括决策树数量、最大数深度、最大分箱数、特征子集选取策略和随机种子等；
b.回归预测模型训练，对能耗历史数据与主元因素数据进行学习和训练，并保持训练模型；
c.自回归滑动平均模型计算，对能耗单位时间当量进行回归分析，得出基于平均意义的预测值；
d.模型评估与预测，以均值预测结果为基准进行评估，对模型进行修正。
4)基于预测结果设计能耗异常报警机制，主要步骤包括：
a.预测值与实测值差异性分析，分析方法包括但不局限于t检验、方差分析、卡方检验和非参数检验(如Kruskal-Wallis检验)等；
b.如果存在显著性差异，则进行能耗运行模式匹配，能耗运行模式根据节假日和工作作息时间分为工作模式和非工作模式，运行模式匹配可以避免临时加班或临时放假(外出)的干扰；
c.异常判定，切换能耗运行模式后得到新的预测值和相应的滑动平均基准值，进行能耗异常判定和模型异常判定；
d.能耗异常报警，如果实测值偏离预测值和基准值，则说明能耗出现异常，进行报警；
f.模型异常报警，如果预测值偏离实测值和基准值，则说明模型失准，进行报警和校正。
优选地，根据数据间内在关联规律、机理知识和工程经验，确定能耗分析的主要影响因素：人员信息、设备信息和气候状况，人员信息包括人数信息和工作作息特征，一般通过传感器难以精确获取，但对于人员流动相对稳定的办公楼等场所，可以通过门禁系统读取，也可以根据国家节假日和工作时刻来间接表征人数总体情况(多/少)；设备信息主要指设备类型、数量和运行状态(开/关)，可以通过设备运维管理平台等信息化系统获取；气候状况主要包括季节状况(供冷、供热和过渡季)、天气状况(晴天、多元、雨、雪等)和室外温湿度检测值，季节状况一般可由楼控系统提供，天气状况可以在气象网站获取，温湿度值可利用传感器实测，也可在气象网站获取。此特征工程较全面给出了与建筑能耗强相关的主元因素及数据获取方式，可以根据实际情况酌情选择和调整，特征工程直接影响到分析结果的精度，然而现有能耗预测方法关于特征因素选择缺少体系化深入研究。
优选地，根据主元因素的历史数据，引入数据挖掘回归算法学习建筑用能内在规律，从而给出未来24小时能耗预测值。回归算法包括但不局限于随机森林、决策树和GBDT等，能够学习因变量(目标)和自变量(预测器)之间的关系用于连续变量的预测分析。本方法可以动态适应不同建筑、不同季节和气候特征学习出预测模型，不依赖于行业专家的工程经验和建筑物的具体配置，这是本申请与其他传统能耗预测方法不同之处。回归算法的模型选择与参数设定直接关系到预测结果精度，本申请提出利用自回归滑动均值作为模型评估的基准，解决了算法模型应用中难以评估和校正的问题，这是本申请与其他数据驱动的预测方法的不同之处。
优选地，异常报警是综合考虑能耗预测值、实测值和基准值进行设定的，主要包括能耗异常报警和模型异常报警，其中能耗预测值由回归模型给出，实测值是传感器(电表)检测获取，基准值是ARMA模型给出；如果能耗实测值偏离能耗预测值和基准值，则说明能耗出现异常；如果能耗预测值偏离实测值和基准值，则说明模型失准，需要校正。此外，引入工作模式和非工作模式能耗模型切换机制，克服了因临时加班或临时外出导致的能耗异常虚警问题，这是本申请与其他能耗预测方法的不同之处。
请参考图6和图7，基于数据挖掘的楼宇能耗预测及异常报警方法，通过识别数据内在规律而建立的能耗预测模型可以动态自适应各影响因素(人员、设备配置、季节和气候等)的变化，给出能耗预测值与能耗异常报警。基于数据挖掘的能耗预测与异常报警体系化工作流如图6所示，主要包括数据输入步骤201、数据预处理步骤202、特征工程步骤203、模型建立步骤204、模型评估步骤205和应用输出步骤206等步骤，每部分独立封装成标准化模块，可以灵活配置其参数，然后各模块组成体系化工作流，对于不同季节不同气候特征下的不同建筑物，该工作流均可以适用，只需要对相应模块进行参数化配置即可。在本申请实施例中以北京XX智能大厦A座11层某分项能耗预测及异常预警为例进行阐述。
数据输入201步骤是数据采集的过程，包括传感器检测、数据库读取和网站爬取等若干种方式，在本申请实施例中输入数据包括能耗历史数据、日期、时刻、天气状况和温湿度值，其中能耗历史数据可直接从电表中定时读取并保存(含日期时间戳)，采样周期为15min，天气状况从当地气象台网站公开数据中读取，采样周期为1h，室外温湿度值利用传感器进行实时检测并远传保存,采样周期为15min。
数据预处理202步骤是将采集到原始数据进行清洗、转换和归一化等，使其满足模型算法的输入要求，在本申请实施例中需要进行奇异值剔除、缺失值填补、归一化和时序数据转换等，其中时序数据转换是以小时为单位取当量，具体公式为：其中，E(T)为T时间段(小时)能耗当量值，et为T时间段内第t次能耗采样值，αt为权重因子，默认选取1。
特征工程203步骤是分析影响能耗的主元因素，确定模型输入/输出变量，在本申请实施例中输入数据包括能耗历史数据、日期、时刻、天气状况和温湿度值，输出数据是能耗预测序列值(未来24小时)，其中能耗历史数据对应的日期和时刻表征人员信息，即人数总体状况和工作作息规律，如日期划分节假日和工作日，时间划分上下班作息时刻，直接影响空调、照明等主要用能分布情况；天气状况和温湿度值间接表征设备运行状况，如天气热空调设备运行负荷大，能耗多。
模型建立204步骤是数据挖掘的核心部分，是利用输入输出数据进行分析寻找内在规律的过程。在本申请实施例中，选取随机森林算法分析并建立能耗预测模型，主要步骤包括模型选择与参数设置、回归预测模型训练和自回归滑动平均模型计算。随机森林算法参数包括决策树数量、最大树深度、最大特征数、内部节点再划分所需最小样本数和叶子节点最少样本数等，其中决策树数量选为300，最大树深度为10，最大特征数为3，内部节点再划分所需最小样本数默认为2，叶子节点最少样本数默认为1；自回归滑动平均模型参数包括自回归阶数、差分阶数和移动平均阶数等，其中自回归阶数p＝2,差分阶数d＝1,移动平均阶数q＝1。
模型评估205步骤是对模型选择及参数设置的评价情况，在本申请实施例中，计算自回归滑动均值作为预测的基准值具体公式为： 为T时刻能耗预测值，为自回归系数，εt为白噪声，θj(j＝1，2，…，m)为滑动平均系数。然后利用随机森林回归算法获取能耗预测值Et(T)，如果则模型输出达到期望的精度；如果 则模型输出不能达到期望精度，需要返回进行模型校正和参数调整。
应用输出206步骤包括能耗预测和异常报警，前者在模型训练后达到预期目标后直接给出未来24小时的能耗预测值，在本申请实施例中，图7与图8描述了某分项能耗预测结果示意图，能耗根据用能规律分为工作模式和非工作模式两种，其中曲线1表征能耗实测值，由电表直接读取获得；曲线2表征能耗基准值，由自回归滑动均值计算获得；曲线3表征能耗预测值，由随机森林回归预测得到。后者根据能耗预测值与实测值进行差异性分析，如果存在显著性差异则尝试切换运行模式，然后进行异常判定，给出能耗异常报警或模型失准报警。在本申请实施例中，差异性分析采用非参数Kruskal-Wallis检验法，如果存在显著性差异，则切换能耗运行模式，即工作模式切换至非工作模式，或非工作模式切换至工作模式。现有能耗预测模型是根据节假日和工作作息时间直接确定模式，难以处理因临时加班或临时放假(外出)的能耗异常虚警困境。如图9表征某周末公司集体临时培训加班的能耗预测情况，曲线1表征能耗实测值，曲线2表征能耗基准值，曲线3表征非工作模式下能耗预测值，系统检测能耗实测值与预测值间存在显著性差异，则切换成工作模式下能耗预测值，如曲线4所示。然后检测实测值是否偏离预测值和基准值，如果实测值仍然偏离预测值，则说明能耗出现异常，需要进行报警；如果预测值偏离实测值和基准值，则说明模型失准，需要进行报警和校正。同样，因临时放假或外出能耗情况如图10所示，模型切换及异常检测过程类似，不再赘述。本申请能够自主切换能耗运行模式，克服了因临时加班或放假导致的能耗异常虚警的困境。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于RF和ARMA算法的建筑能耗处理方法，其特征在于，包括：
采集数据源并通过预处理后得到预设工程特征；
根据所述预设工程特征建立能耗预测模型；以及
评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
2.根据权利要求1所述的方法，其特征在于，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：
分析能耗预测值与能耗实测值的差异；
如果差异满足切换条件，则匹配能耗运行模式；以及
如果差异不满足切换条件，则判定异常。
3.根据权利要求1所述的方法，其特征在于，根据所述预设工程特征建立能耗预测模型包括：
采用随机森林回归算法分析并建立所述能耗预测模型。
4.根据权利要求1所述的方法，其特征在于，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：
在模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型。
5.根据权利要求1所述的方法，其特征在于，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型包括：
在模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型工作模式和非工作模式。
6.根据权利要求1所述的方法，其特征在于，评估所述能耗预测模型并根据评估结果校正所述能耗预测模型之后还包括：
对判定为异常模型或异常能耗的处理结果执行异常报警操作。
7.一种基于RF和ARMA算法的建筑能耗处理装置，其特征在于，包括：
采集模块，用于采集数据源并通过预处理后得到预设工程特征；
模型建立模块，用于根据所述预设工程特征建立能耗预测模型；以及
模型评估模块，用于评估所述能耗预测模型并根据评估结果校正所述能耗预测模型。
8.根据权利要求7所述的装置，其特征在于，该装置还包括：分析模块，所述分析模块包括：
分析单元，分析能耗预测值与能耗实测值的差异；
匹配单元，用于在差异满足切换条件时，匹配能耗运行模式；以及
异常单元，用于在差异不满足切换条件时，则判定异常。
9.根据权利要求7所述的装置，其特征在于，所述模型建立模块包括：模型建立单元，所述模型评估模块包括：校正单元，评估单元，
所述模型建立单元，用于采用随机森林回归算法分析并建立所述能耗预测模型；
所述校正单元，用于在模型训练中采用自回归滑动均值模型作为基准模型校正所述能耗预测模型；以及
所述评估单元，用于在模型应用中采用自回归滑动均值模型作为基准模型评估并切换选择所述能耗预测模型，其中，所述能耗预测模型包括工作模式和非工作模式。
10.根据权利要求7所述的装置，其特征在于，还包括：报警模块，所述报警模块包括：
异常报警单元，用于对判定为异常模型或异常能耗的处理结果执行异常报警操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810799398.8A CN109035067A (zh) | 2018-07-19 | 2018-07-19 | 基于rf和arma算法的建筑能耗处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810799398.8A CN109035067A (zh) | 2018-07-19 | 2018-07-19 | 基于rf和arma算法的建筑能耗处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109035067A true CN109035067A (zh) | 2018-12-18 |
Family
ID=64644485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810799398.8A Pending CN109035067A (zh) | 2018-07-19 | 2018-07-19 | 基于rf和arma算法的建筑能耗处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035067A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741213A (zh) * | 2018-12-24 | 2019-05-10 | 珠海格力电器股份有限公司 | 一种零能耗建筑耗能控制方法及系统 |
| EP3696624A1 (en) * | 2019-02-14 | 2020-08-19 | Carrier Corporation | Intelligent control system and method |
| CN112686286A (zh) * | 2020-12-18 | 2021-04-20 | 博锐尚格科技股份有限公司 | 建筑运行能耗异常识别方法、系统、计算机可读存储介质 |
| CN112686427A (zh) * | 2020-12-14 | 2021-04-20 | 博锐尚格科技股份有限公司 | 一种动态调整的建筑能耗预算管理目标确定方法及装置 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和系统 |
| CN112836396A (zh) * | 2021-03-10 | 2021-05-25 | 同济大学 | 一种建筑实时能耗异常诊断系统 |
| CN112836720A (zh) * | 2020-12-16 | 2021-05-25 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
| CN113115311A (zh) * | 2021-04-12 | 2021-07-13 | 江苏通付盾科技有限公司 | 一种基于支持向量机模型的欺诈行为的识别方法及系统 |
| CN113660335A (zh) * | 2021-08-17 | 2021-11-16 | 北京计算机技术及应用研究所 | 一种基于物联网的设备精细化管理方法与系统 |
| CN114741905A (zh) * | 2022-06-13 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 一种实测能耗数据修正方法、装置、电子设备及存储介质 |
| CN115049083A (zh) * | 2022-08-15 | 2022-09-13 | 天津理工大学 | 一种机电设备运行管理方法、装置及系统 |
| CN116720634A (zh) * | 2023-08-11 | 2023-09-08 | 北京泰豪智能工程有限公司 | 一种园区运行数据处理方法及系统 |
| CN116805275A (zh) * | 2023-08-21 | 2023-09-26 | 中国标准化研究院 | 一种基于数据分析的公共机构能耗智能监管系统 |
| CN118037280A (zh) * | 2024-04-12 | 2024-05-14 | 山东鑫林纸制品有限公司 | 一种瓦楞纸生产线维护与故障诊断系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004859A (zh) * | 2010-12-01 | 2011-04-06 | 南京工业大学 | 建筑异常能耗支路在线诊断方法 |
| US20130325377A1 (en) * | 2012-05-31 | 2013-12-05 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
| CN105205558A (zh) * | 2015-09-23 | 2015-12-30 | 南京磐能电力科技股份有限公司 | 一种面向建筑能耗预测的bp神经网络模型配置方法 |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
-
2018
- 2018-07-19 CN CN201810799398.8A patent/CN109035067A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004859A (zh) * | 2010-12-01 | 2011-04-06 | 南京工业大学 | 建筑异常能耗支路在线诊断方法 |
| US20130325377A1 (en) * | 2012-05-31 | 2013-12-05 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
| CN105205558A (zh) * | 2015-09-23 | 2015-12-30 | 南京磐能电力科技股份有限公司 | 一种面向建筑能耗预测的bp神经网络模型配置方法 |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741213A (zh) * | 2018-12-24 | 2019-05-10 | 珠海格力电器股份有限公司 | 一种零能耗建筑耗能控制方法及系统 |
| EP3696624A1 (en) * | 2019-02-14 | 2020-08-19 | Carrier Corporation | Intelligent control system and method |
| CN112686427A (zh) * | 2020-12-14 | 2021-04-20 | 博锐尚格科技股份有限公司 | 一种动态调整的建筑能耗预算管理目标确定方法及装置 |
| CN112836720A (zh) * | 2020-12-16 | 2021-05-25 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
| CN112836720B (zh) * | 2020-12-16 | 2024-03-29 | 博锐尚格科技股份有限公司 | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 |
| CN112686286A (zh) * | 2020-12-18 | 2021-04-20 | 博锐尚格科技股份有限公司 | 建筑运行能耗异常识别方法、系统、计算机可读存储介质 |
| CN112686286B (zh) * | 2020-12-18 | 2024-05-28 | 博锐尚格科技股份有限公司 | 建筑运行能耗异常识别方法、系统、计算机可读存储介质 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和系统 |
| CN112836396A (zh) * | 2021-03-10 | 2021-05-25 | 同济大学 | 一种建筑实时能耗异常诊断系统 |
| CN113115311A (zh) * | 2021-04-12 | 2021-07-13 | 江苏通付盾科技有限公司 | 一种基于支持向量机模型的欺诈行为的识别方法及系统 |
| CN113660335A (zh) * | 2021-08-17 | 2021-11-16 | 北京计算机技术及应用研究所 | 一种基于物联网的设备精细化管理方法与系统 |
| CN114741905A (zh) * | 2022-06-13 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 一种实测能耗数据修正方法、装置、电子设备及存储介质 |
| CN114741905B (zh) * | 2022-06-13 | 2022-09-13 | 广东电网有限责任公司佛山供电局 | 一种实测能耗数据修正方法、装置、电子设备及存储介质 |
| CN115049083A (zh) * | 2022-08-15 | 2022-09-13 | 天津理工大学 | 一种机电设备运行管理方法、装置及系统 |
| CN116720634B (zh) * | 2023-08-11 | 2023-10-13 | 北京泰豪智能工程有限公司 | 一种园区运行数据处理方法及系统 |
| CN116720634A (zh) * | 2023-08-11 | 2023-09-08 | 北京泰豪智能工程有限公司 | 一种园区运行数据处理方法及系统 |
| CN116805275B (zh) * | 2023-08-21 | 2023-11-21 | 中国标准化研究院 | 一种基于数据分析的公共机构能耗智能监管系统 |
| CN116805275A (zh) * | 2023-08-21 | 2023-09-26 | 中国标准化研究院 | 一种基于数据分析的公共机构能耗智能监管系统 |
| CN118037280A (zh) * | 2024-04-12 | 2024-05-14 | 山东鑫林纸制品有限公司 | 一种瓦楞纸生产线维护与故障诊断系统 |
| CN118037280B (zh) * | 2024-04-12 | 2024-06-11 | 山东鑫林纸制品有限公司 | 一种瓦楞纸生产线维护与故障诊断系统 |
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 | |
| Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
| Serrano-Guerrero et al. | A new interval prediction methodology for short-term electric load forecasting based on pattern recognition | |
| Yalcintas | Energy-savings predictions for building-equipment retrofits | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Hadri et al. | A comparative study of predictive approaches for load forecasting in smart buildings | |
| Zhu et al. | Data-driven building load profiling and energy management | |
| Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN107704966A (zh) | 一种基于天气大数据的能源负荷预测系统及方法 | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
| KR102495494B1 (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| CN115796390A (zh) | 一种数据驱动的建筑能耗异常诊断方法及系统 | |
| KR102332248B1 (ko) | 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| Yu et al. | A model integrating ARIMA and ANN with seasonal and periodic characteristics for forecasting electricity load dynamics in a state | |
| CN114611764B (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
| CN116633016B (zh) | 一种基于高频数据采集技术的电力管理系统和方法 | |
| Ming-guang et al. | Short-term load combined forecasting method based on BPNN and LS-SVM | |
| CN112835949A (zh) | 一种负荷预测的方法 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |