A method for time accrual outlier analysis of Traction Energy Consumption (TEC. The system architecture of the typical value of TEC is proposed, composed of three elements: research object, evaluation index, and time scale. The time series forecasting algorithm calculates the specific value of the cumulative energy consumption index in each energy consumption mode. For the abnormality of the TEC pattern, the distance of the string vector is used as the similarity measure. Th

我的EMS | | MyEMS介绍 MyEMS是行业领先的开源能源管理系统，利用云计算，物联网，大数据，人工智能等信息化技术构建而成。团队开发维护，系统代码基于MIT开放软件许可协议发布。 MyEMS架构 MyEMS组件（社区版） MyEMS项目由以下组件构成： MyEMS Web应用 参考获取更多信息。 MyEMS管理面板 参考获取更多信息。 MyEMS数据库 参考获取更多信息。 MyEMS数据清洗服务 参考获取更多信息。 MyEMS数据规范化服务 参考获取更多信息。 MyEMS数据汇总服务 参考获取更多信息。 MyEMS数据接口API 参考获取更多信息。 MyEMS MQTT数据发布服务（从MyEMS转发到第三方） 获取更多信息。 MyEMS BACnet / IP数据采集服务 参考获取更多信息。 MyEMS Modbus TCP数据采集服务 参考获取更多信息。 MyEMS截图 功

无线网络中传统的JPEG2000图像压缩传输算法存在很多缺点，例如网络中的资源能耗大，压缩图像采集节点的压力和能耗大，传输时间长，基于JPEG2000的图像压缩算法。提出了奇异值分解。 通过分析奇异值分解和网络能耗模型，将基于奇异值分解的块自适应压缩算法用于图像压缩处理。 同时，将网络数据处理和远距离数据传输的任务分配给不同的角色节点，以完成平衡网络能耗的分配。 最后，进行了详细的实验仿真，实验结果表明，与传统的压缩算法（JPEG2000图像压缩）相比，基于奇异值分解的图像压缩算法大大减轻了网络摄像机关键节点的能耗，提高了网络速度。无线多媒体传感器网络中多媒体数据的传输和质量。

叶子 LEAF是对于L ARGEênergy-甲洁具F A模拟器OG计算环境。 然后，它可以在分布式，异构且资源受限的基础架构中对复杂的应用程序图进行建模。 特别强调了能源消耗（以及不久的碳排放量）的建模。 请访问官方以获取有关此项目的更多信息和示例。 该Python实现是从移植而来的。 将来的所有开发都将在此存储库中进行。 安装 您可以通过直接克隆该存储库或通过安装最新版本来使用LEAF： $ pip install leafsim 我该怎么办？ LEAF可以对云，雾和边缘计算环境进行高级建模。 它建立在 （一个用于创建和操作复杂网络的库）和 （一个基于过程的离散事件仿真框架）之上。 除了可以研究资源受限环境中的调度和放置算法外，LEAF还特别关注： 动态网络：模拟在仿真过程中可以加入或离开网络的移动节点。 功耗建模：对单个计算节点，网络流量和应用程序的功耗进行建模。

在Pytorch上使用LSTM模型进行能量预测 以下存储库包含几个笔记本，可与ASHRAE的数据库配合使用，以应对Kaggle上的Great Energy Predictor III竞赛。 我们将第三个模型与其他两个模型之间的问题框架稍有不同的三个模型进行比较。 它们的网络性质不同，前两个是LSTM RNN模型，第三个是简单FCNN模型。 然后将结果进行比较，然后评估有关在预测问题上使用LSTM的便利性的一些观察结果。 训练和评估模型所用的数据对应于住宅建筑物的电力负荷，以及来自最近车站的每小时气象数据。 您可以在找到原始数据和数据描述。

PJM_Load_hourly.csv NI_hourly.csv pjm_hourly_est.csv PJMW_hourly.csv COMED_hourly.csv DEOK_hourly.csv DAYTON_hourly.csv DUQ_hourly.csv EKPC_hourly.csv FE_hourly.csv PJME_hourly.csv AEP_hourly.csv DOM_hourly.csv

时间序列分析和预测：用电量模型 概括： 在美国东部的各种相关公用事业集团内，通过互连电网区域开发电力消耗的时间序列分析和预测。数据来自州际输电公司PJM Interconnection LLC的Kaggle（ ）。 数据整理： 数据以各种.csv文件的形式下载，使用pandas加入pandas DataFrame中，并根据开销的PJM Interconnect公司中不同公用事业组织的重叠年份（6年）进行汇总。每个公用事业公司每小时以兆瓦每小时的价格下载数据，然后每天，然后每周汇总。 探索性数据分析 每年都有季节性，这表明冬季和夏季的用电量都有所增加，用电量的峰值和谷值很少出现（很可能与不可预见的事件如极端天气事件有关）。在整个6年的分析期间，数据似乎保持平稳，这是通过对dicky-fuller检验进行分析而得出的。 训练-测试数据集 数据的前5年用于训练模型，数据的6年用于测试集。 造型

哈佛大学能耗预测项目（Prediction of Buildings Energy Consumption）完整的机器学习项目代码+分析过程