合成能量数据的制作方法

1.本发明涉及合成用于诸如工业站点的设施的能量时间序列数据。


背景技术：

2.为了优化工业站点的电能消耗，访问详细的时间序列数据可能是有用的，该时间序列数据给出一定时间段(例如一年)内的消耗、成本和/或环境影响的规律值(例如每15分钟)。然而，存在由于各种原因不能访问实际数据的情况，使得必须估计时间序列数据。例如，可以从数据库中选择通用或“典型”时间序列，并且认为该时间序列与预期消耗简档足够相似。然而，这种典型的时间序列通常是不可用的。覆盖有限时间段(例如，一天或一周)的实际消耗数据可以被采用并重复以填充完整的年，但是这样做通常会消除季节性趋势的影响。


技术实现要素：

3.因此，需要提高时间序列估计的准确性，而无需访问所研究的设施的实际时间序列数据。独立权利要求的主题满足了这种需要。可选特征由从属权利要求阐述。
4.根据第一方面，提供了一种用于合成用于设施的能量时间序列数据的系统。该系统包括时间序列生成器，该时间序列生成器被配置为接收输入属性集，输入属性集包括表征该设施的属性，并且输出合成时间序列，合成时间序列表示针对该设施的估计能量数据。合成时间序列可以基于输入属性集和一个或多个参考时间序列来生成，该一个或多个参考时间序列与相应的参考属性集相关联。
5.所要求保护的主题使得能够为特定设施生成合理的时间序列，仅需要有限的一组关键属性，使用其关键属性和时间序列已知的一组示例设施。所构建的时间序列可以具有足够的粒度和时间跨度以提供结果的可靠性(即，预测的优化潜力)。优化器可以直接使用时间序列，并且无需执行额外的(例如手动)步骤。所要求保护的系统和方法可以容易地由非技术专家使用。生成的时间序列可用于涵盖更宽范围示例的能量管理软件的工程和开发。客户无需提供详细数据。因此，所要求保护的主题促进估计商业或工业设施或站点的能量成本优化。
6.时间序列生成器可以通过直接修改现有的(例如类似的)时间序列或者通过使用例如机器学习模型从头开始合成时间序列来合成时间序列。时间序列生成器也可称为时间序列生成模块。
7.例如，时间序列生成器可以包括时间序列修改模块，其被配置为通过修改一个或多个参考时间序列来生成合成时间序列，其中参考属性集被确定为类似于输入属性集。时间序列修改模块也可称为拟合模块。
8.为了促进识别用于修改的适当时间序列，时间序列生成器可以包括参考数据获取模块，该参考数据获取模块被配置为搜索一个或多个数据库以检索与相应的候选属性集相关联的一个或多个候选时间序列，并且将与类似于输入属性集的候选属性集相关联的那些
候选时间序列选择作为一个或多个参考时间序列。获取模块也可称为搜索和比较模块或数据库检索模块。
9.可以使用任何适当的相似性确定。在一个示例中，参考数据获取模块可以被配置为选择与以下候选属性集相关联的那些候选时间序列作为一个或多个参考时间序列：该候选属性集与输入属性集相比较时，产生满足预定相似性阈值的相似性度量。相似性度量可以表示为距离度量。因此，在该示例中，参考数据获取模块可以被配置为通：过计算表示所述候选属性集与输入属性集之间的距离的距离度量，来确定针对每个候选属性集的相似性度量。附加地或备选地，在该示例中，参考数据获取模块可以被配置为：通过将所述候选属性集和输入属性集作为特征向量输入到经训练的分类器来确定针对每个候选属性集的相似性度量，该分类器经训练以基于包括两个这样的属性集的输入特征向量来预测作为目标的相似性度量。
10.本公开设想了用于修改参考时间序列的各种方法。在一个示例中，其中一个或多个参考时间序列包括多个参考时间序列，时间序列修改模块可以被配置为通过计算多个参考时间序列的加权组合来修改参考时间序列，并且输出加权组合作为合成时间序列。加权组合可以被确定或计算为例如cts＝1/d＊σ[di＊etsi]，其中参考属性集esai在距离di内与输入属性集csa相似，并且其中d＝σdi。时间序列修改模块还可以被配置为使用优化算法来查找加权组合的最优权重。权重可以将客户时间序列表示为例如多个参考时间序列的线性组合。在备选的修改形式中，时间序列修改模块可以被配置为通过级联从多个参考时间序列中选择的间隔来修改多个参考时间序列，该间隔根据分别与多个参考时间序列相关联的参考属性集和输入属性集之间的相似性来被选择。
[0011]
代替或除了修改预先存在的时间序列之外，时间序列生成器可以被配置为通过将输入属性集输入到机器学习模型来生成合成时间序列，所述机器学习模型被训练以基于输入到模型的相应参考属性集来预测一个或多个参考时间序列。该一个或多个参考时间序列可以用作基于作为特征向量输入到模型的相应参考属性集来预测的目标。
[0012]
可以执行各种后处理步骤以改进合成时间序列。在一个示例中，时间序列生成器还可以被配置为在后处理步骤中修改合成时间序列，以匹配设施的一个或多个预定关键属性。例如，所生成的能量分布可以被重新调节以匹配设施的总能量消耗或产生，或峰值和平均功率。另一可能的后处理步骤包括调整所生成的时间序列以确保负载模式遵循生产模式。例如，在该设施包括工业站点的情况下，如果先验地知道该站点处的生产在某些时间段期间(例如在夜间、在非高峰时间、或在周末)没有运行，则所生成的时间序列(负载分布)可以通过与时间序列逐点相乘来调整，该时间序列对于全生产的时间点是例如1.0，而对于非高峰时间的时间点是例如0.0或小的正值(低于预定阈值)。可采用线性内插或另一合适的内插方法来确定在全生产与无生产/有限生产之间的过渡期间下降的时间点处的值。
[0013]
根据第二方面，提供了一种用于合成用于设施的能量时间序列数据的方法。该方法可以包括接收输入属性集，输入属性集包括表征设施的属性，并且输出合成时间序列，合成时间序列表示用于设施的估计能量数据。可以基于输入属性集和一个或多个参考时间序列来生成合成的时间序列，该一个或多个参考时间序列与相应参考属性集相关联。
[0014]
根据第三方面，提供了一种包括指令的计算机程序产品，所述指令在由计算机执行时使所述计算机能够执行所述第二方面的方法。
[0015]
根据第四方面，提供了一种包括指令的计算机可读介质，所述指令在由计算机执行时使所述计算机能够执行所述第二方面的方法。
[0016]
根据另一方面，提供了一种用于基于如本文所述合成的时间序列来优化设施处的能量消耗的方法和/或系统。在这方面可以使用已知的能量消耗优化方法。
[0017]
在此使用的术语“模块”可以根据特定实现由“系统”、“电路”、“工具”来代替。
[0018]“属性”是指能够表征或指定设施的任何特性或参数，特别是与设施的能量消耗或产生有关或影响设施的能量消耗或产生的因素。例如，属性可以包括以下中的任何一个或多个：设施分类；设施处的年度能量消耗或产生；运行小时数；地理位置；所述设施所使用的设备。
[0019]“设施”是指消耗和/或产生能量的站点、建筑物或设备。因此，设施可被描述为耗能器、能量生成器或两者。该设施可以是非工业设施，诸如商业或私人设施，例如办公楼或家庭，或工业设施，特别是工业站点，例如工业车间，尤其是包括发电机、用电设备和电存储器的任何组合的那些。术语“设施”不仅包括作为整体的站点、建筑物或设备，而且还包括其单独的部件、部分或组件。
[0020]
与时间序列相关地使用的术语“生成”和“合成”可以由诸如“构造”、“构建”、“制造”、“创建”等的等同物来代替。
[0021]
本文中出现的术语“参考时间序列”和“参考属性集”中的形容词“参考”可由诸如“示例”、“现有”、“预存储”、“模板”等的等同物代替。术语“输入属性集”在这里也按照“客户站点属性”来讨论。
[0022]
这里使用的术语“候选”特别是指要与其它属性进行比较或要进行选择的属性的时间序列或集合。
[0023]
虽然以下示例中的时间序列涉及能量消耗数据，但是该时间序列可以附加地或备选地涉及能量生成数据。因此，这里出现的“能量数据”可以理解为包括能量消耗数据、能量生成数据或两者。可以使用诸如能量交换数据或能量转移数据的等效术语。此外，尽管下面给出的具体示例主要涉及电能时间序列，但是应当理解，所描述的系统和方法同样适用于其他时间序列，例如热能时间序列或完全涉及其他实体(例如价格、天气、生产输出等)的时间序列。
[0024]
本发明单独地或以各种组合包括一个或多个方面、实施例或特征，无论是否在该组合中或单独地具体陈述(包括要求保护)。以上方面之一的任何可选特征或子方面适当地适用于任何其他方面。
[0025]
上述方面将从以下详细描述中变得显而易见，并且将参考以下详细描述进行阐述。
附图说明
[0026]
现在将参考附图仅以示例的方式给出详细描述，其中：
[0027]
图1示出了时间序列生成器；
[0028]
图2示出了图1的时间序列生成器的一个实现；
[0029]
图3示出了图1的时间序列生成器的另一实现；
[0030]
图4a-图4d示出了各种示例性时间序列；
[0031]
图5a和图5b示出了神经网络在生成时间序列中的使用；以及
[0032]
图6示出了可根据本文公开的系统和方法使用的计算设备。
具体实施方式
[0033]
图1示出了被配置为根据站点的关键属性生成能量时间序列的时间序列生成器100。时间序列生成器100接收包括所讨论的站点的重要属性的客户站点属性(csa)102作为输入。时间序列生成器100被配置为基于客户站点属性102结合现有站点属性(esa)106和由一个或多个数据库提供的相应的现有时间序列(ets)108来生成或合成站点的客户时间序列(cts)104。
[0034]
站点属性102、106的示例包括以下项中的一项或多项：站点分类(例如离散制造、商业零售、食品生产等)；站点年能耗(如5gwh)；站点运行小时数(例如由每周运行天数和每日轮班给出)；站点的地理位置(例如国家或gps坐标)；站点使用的设备(例如电池、光伏电池等)。
[0035]
图2示出了图1的时间序列生成器的一个实现，其中时间序列生成器100被配置为通过直接修改一个或多个现有的类似时间序列108来合成时间序列。换言之，时间序列生成器100被配置为使用从站点属性到时间序列的映射来生成客户时间序列104。在一个示例中，示例站点属性106通过使用例如k个最近的邻居、用于降维的主分量分析(例如，仅采用给出最大方差贡献的5个分量)，以及随后的k个最近的邻居来聚类。示例性时间序列108还通过诸如k个最近邻居的时间序列聚类算法、多变量主分量分析或通过使用皮尔逊相关系数的绝对值(如果该绝对值高于预定阈值(例如，|correlation|≥0.5))来聚类。本公开还设想了其他合适的聚类方法。为了生成客户时间序列104，对应于客户站点属性102的站点属性群集被确定(例如，基于相似性，如下所述)，并且被选择作为用于生成客户时间序列104的修改候选的示例时间序列108包括第一集合，该第一集合包括与所确定的站点属性群集中的示例站点属性106相关联的那些示例时间序列108，并且可选地还包括第二集合，该第二集合包括在与第一集合中的那些相同的(多个)时间序列群集中查找到的示例时间序列108。
[0036]
时间序列生成器100包括参考数据获取模块202，其被配置为搜索现有站点属性106的数据库以识别与客户站点属性102最相似的那些条目(其可以以上述方式聚类)。参考数据获取模块202被配置为以以下方式中的一种或多种来计算客户站点属性102与数据库中的示例站点属性106的一个或多个候选集合之间的相似性：a)通过定义合适的距离度量来测量两个属性集之间的距离(表示为多维空间中的向量)；b)通过使用机器学习分类方法。
[0037]
时间序列生成器100还包括时间序列修改模块204，其被配置为使用所标识的相似示例站点属性集106来构造一个或多个对应的客户时间序列104。将示例站点属性集esai 106看作与客户站点属性csa 102在1/di的距离内相似，其中d＝∑di，客户时间序列104可以例如使用以下方法中的一种或多种来构造。
[0038]
参考图4a-图c，第一方法计算相关示例时间序列的加权组合，例如cts＝1/d＊∑[di＊etsi]。图4a示出了用于负载具有白天/夜晚模式的站点的示例时间序列108的一个示例。图4b示出了用于周期性地(以高于图4a所示的每日周期的频率)接通和断开负载的站点
的示例时间序列108的另一示例。图4c示出了使用权重d1＝3，d2＝1的图4a和图4b的时间序列的加权组合。
[0039]
在必须满足几个关键特性的情况下，一般的后处理步骤可以包括制定优化问题以查找最佳拟合权重，该最佳拟合权重将客户时间序列104表示为示例时间序列108的线性组合。优化问题可以使用于确保满足某些特性的后处理步骤的性能变得不必要，这些特性被包括在优化问题中作为约束。例如，代替在示例时间序列的线性组合中使用固定权重(例如di)，优化问题可以如下公式化：受制于t1＞＝0，...，tn＞＝0，cts＝＝∑ti＊etsi，cts的总能量消耗＝给定总能量消耗，同时满足任何另外的关键特性，使||(t1-d1，t2
‑‑
d2，...，tn-dn)||_p^p最小化。优化变量由t1，......，tn给出。这里，||||__p表示向量的p范数，其中通常p＝2或p＝1。换言之，该优化问题读作：查找在p范数意义上最接近于di的系数集ti，使得正线性组合cts＝σti＊etsi与站点的总能量消耗相匹配。
[0040]
第二种方法是仅采用预定数量(例如3个)的最相似的站点(如上所述，根据站点属性的相似性)，并且级联来自与所选择的站点相关联的各种示例时间序列108的不同间隔。这里，不是使用示例时间序列108的线性组合，而是使用各种示例时间序列108通过级联不同示例时间序列108的所选择的间隔来生成客户时间序列104。上述相似性度量可用于确定从各种示例时间序列108中选择的不同间隔的相对比例。例如，权重di可以用于选择时间间隔的比例。在图4d中示出了一个示例：所研究的站点的属性的相似性被发现对于示例a(图4a)是高的(da＝3)，对于示例b(图4b)是中等的(db＝1)。这被转换为所得到的时间序列(图4d)，其为示例站点a的3天和示例站点b的一天的级联，随机地放置为图4d的第二天。
[0041]
在后处理步骤中，通过强制构建的数据精确匹配客户站点的关键特征，可以使构建的数据更准确。例如，可以重新调整所生成的负载分布以更紧密地匹配站点的总能量消耗。
[0042]
图3示出了图1的时间序列生成器的另一实现，其中时间序列生成器100包括经训练的模型304(例如神经网络或递归神经网络)，该经训练的模型304用足够数量的示例站点属性和来自数据库的对应示例时间序列作为特征来训练，目标是基于给定的一组站点属性来构造与示例时间序列相似的时间序列。经训练的模型304用于从指定的客户站点属性102生成客户时间序列104。时间序列生成器302可选地还包括模型训练模块302，其被配置为基于示例站点属性106和示例时间序列108来训练模型304。备选地，可以使用预先提供的模型304。
[0043]
图5a和图5b示出了这种递归神经网络(rnn)的示例性拓扑。给定客户时间序列的当前值和客户站点属性102，rnn预测客户时间序列104的下一个值。客户时间序列104的第一值可以作为适当范围内的随机数。例如，对于小型工业站点，负载分布的合适范围可以包括0mw作为下限和1mw作为上限。边界可以作为站点属性的一部分被包括，或者可以从站点属性被推断。这种神经网络的训练可以通过学习作为输入的示例站点属性106和示例时间序列108与作为输出的移位的示例时间序列108来执行，由此“移位”应当理解为所有值被移位一个时间步长到未来。此外，输入示例时间序列108可以被截断，使得最后的时间点被移除。可以使用以下示例性方法中的一种或多种来进行训练：作为损失函数的均方误差(mse)；l2神经网络正则化权值；随机梯度下降算法的任何合适变体，例如用于损失最小化的自适应矩估计算法(adam)；对学习速率参数(典型值在10-5
到10-1
的范围内)、l2正则化参
数(典型值在10-8
到10-1
的范围内)，以及定义网络层中隐藏层的数目和单元大小的参数(典型值在图5b中示出，但是可以例如在10的更小/更大的因数的范围内变化，并且可以是2的幂)的随机采样的超优化。
[0044]
在变体中，可以使用机器学习方法使用生成性对手网络来生成客户时间序列104。
[0045]
应当理解，已经关于商业/工业站点提供的上述公开内容不限于此，并且其应用于任何能量时间序列的产生。
[0046]
现在参考图6，示出了可根据本文所公开的系统和方法使用的示例性计算设备800的高级图示。计算设备800包括执行存储在存储器804中的指令的至少一个处理器802。例如，指令可以是用于实现被描述为由上述一个或多个组件执行的功能的指令或用于实现上述一个或多个方法的指令。处理器802可以通过系统总线806访问存储器804。除了存储可执行指令之外，存储器804还可以存储对话输入、分配给对话输入的得分等。
[0047]
计算设备800还包括可由处理器802通过系统总线806访问的数据存储装置808。数据存储装置808可以包括可执行指令、日志数据等。计算设备800还包括允许外部设备与计算设备800通信的输入接口810。例如，输入接口810可用于从外部计算机设备、从用户等接收指令。计算设备800还包括将计算设备800与一个或多个外部设备介接的输出接口812。例如，计算设备800可以通过输出接口812显示文本、图像等。
[0048]
预期经由输入接口810和输出接口812与计算设备800通信的外部设备可被包括在提供用户能够与其交互的基本上任何类型的用户界面的环境中。用户界面类型的示例包括图形用户界面、自然用户界面等。例如，图形用户界面可以接受来自使用诸如键盘、鼠标、遥控器等(多个)输入设备的用户的输入，并且在诸如显示器的输出设备上提供输出。此外，自然用户界面可使用户能够以不受诸如键盘、鼠标、遥控器等输入设备强加的约束的方式与计算设备800交互。相反，自然用户界面可以依赖于语音识别、触摸和触笔识别、屏幕上和屏幕附近的姿势识别、空中姿势、头部和眼睛跟踪、语音和声音、视觉、触摸、姿势、机器智能等。
[0049]
另外，虽然被示为单个系统，但是应当理解，计算设备800可以是分布式系统。因此，例如，若干设备可以通过网络连接进行通信，并且可以共同执行被描述为由计算设备800执行的任务。
[0050]
这里描述的各种功能可以用硬件、软件或其任意组合来实现。如果以软件实现，则该功能可以作为计算机可读介质上的一个或多个指令或代码来存储或传输。计算机可读介质包括计算机可读存储媒体。计算机可读存储介质可以是可由计算机访问的任何可用存储介质。作为示例而非限制，这样的计算机可读存储介质可以包括ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储或其他磁存储设备、或者可用于携带或存储指令或数据结构形式的期望程序代码并可由计算机访问的任何其它介质。这里使用的磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘和蓝光盘(bd)，其中磁盘通常磁性地再现数据，而光盘通常用激光光学地再现数据。此外，传播信号不被包括在计算机可读存储介质的范围内。计算机可读介质还包括通信介质，该通信介质包括促进将计算机程序从一个地方传送到另一个地方的任何介质。例如，连接可以是通信介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)或例如红外线、无线电和微波的无线技术从网站、服务器或其它远程源传输软件，在同轴电缆、光纤电缆、双绞线、dsl或例如红外线、无线电和微波的
无线技术被包括在通信介质的定义中。上述的组合也应包括在计算机可读介质的范围内。
[0051]
备选地或附加地，这里描述的功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于，可以使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(fpga)、程序专用集成电路(asic)、程序专用标准产品(assp)、片上系统(soc)系统、复杂可编程逻辑器件(cpld)等。
[0052]
申请人在此孤立地公开了在此描述的每个单独的特征以及两个或更多个这样的特征的任何组合，达到这样的特征或组合能够根据本领域技术人员的公知常识基于本说明书作为整体来实现的程度，而不管这样的特征或特征的组合是否解决在此公开的任何问题，并且不限于权利要求的范围。申请人指出，本发明的各方面可以包括任何这样的单独特征或特征的组合。
[0053]
虽然已经在附图和前面的描述中详细说明和描述了本发明，但是这样的说明和描述应当被认为是示例性的而不是限制性的。本发明不限于所公开的实施例。考虑到前面的描述和附图，对于本领域技术人员来说显而易见的是，可以在由所附权利要求限定的本发明的范围内进行各种修改。

技术特征：
1.一种用于合成用于设施的能量时间序列数据的系统，所述系统包括：时间序列生成器(100)，被配置为接收输入属性集(102)，所述输入属性集包括表征所述设施的属性，并且输出合成时间序列(104)，所述合成时间序列表示用于所述设施的估计能量数据，所述合成时间序列基于所述输入属性集(102)和一个或多个参考时间序列(108)而生成，所述一个或多个参考时间序列与相应的参考属性集(106)相关联。2.根据权利要求1所述的系统，其中所述时间序列生成器(100)包括时间序列修改模块(204)，所述时间序列修改模块被配置为通过修改所述一个或多个参考时间序列来生成所述合成时间序列(104)，其中所述参考属性集被确定为类似于所述输入属性集。3.根据权利要求1所述的系统，其中所述时间序列生成器(100)包括参考数据获取模块(202)，所述参考数据获取模块(202)被配置为搜索一个或多个数据库以检索与相应的候选属性集相关联的一个或多个候选时间序列，并且将与类似于所述输入属性集(102)的候选属性集相关联的那些候选时间序列选择作为所述一个或多个参考时间序列(108)。4.根据权利要求3所述的系统，其中所述参考数据获取模块(202)被配置为选择与以下候选属性集相关联的那些候选时间序列作为所述一个或多个参考时间序列(108)，所述候选属性集在与所述输入属性集(102)相比较时产生满足预定相似性阈值的相似性度量。5.根据权利要求4所述的系统，其中所述参考数据获取模块(202)被配置为：通过计算表示所述候选属性集与所述输入属性集(102)之间的距离的距离度量，来确定针对每个候选属性集的所述相似性度量。6.根据权利要求4所述的系统，其中所述参考数据获取模块(202)被配置为：通过将所述候选属性集和所述输入属性集(102)作为特征向量输入到经训练的分类器来确定针对每个候选属性集的所述相似性度量，所述经训练的分类器经训练以基于包括两个这样的属性集的输入特征向量来预测作为目标的相似性度量。7.根据权利要求2-6中任一项所述的系统，其中所述一个或多个参考时间序列包括多个参考时间序列(108)，并且其中所述时间序列修改模块(204)被配置为：通过计算所述多个参考时间序列的加权组合来修改所述参考时间序列，并且输出所述加权组合作为所述合成时间序列(104)。8.根据权利要求7所述的系统，其中所述时间序列修改模块(204)还被配置为使用优化算法来查找针对所述加权组合的最优权重。9.根据权利要求2-6中任一项所述的系统，其中所述一个或多个参考时间序列包括多个参考时间序列(108)，并且其中所述时间序列修改模块(204)被配置为通过级联从所述多个参考时间序列中选择的间隔来修改所述多个参考时间序列，所述间隔根据分别与所述多个参考时间序列相关联的所述参考属性集与所述输入属性集之间的相似性来被选择。10.根据权利要求1所述的系统，其中所述时间序列生成器(100)被配置为：通过将所述输入属性集(102)输入到机器学习模型(304)来生成所述合成时间序列(104)，所述机器学习模型(304)被训练以基于输入到所述模型的相应的参考属性集(106)来预测所述一个或多个参考时间序列(108)。11.根据前述权利要求中任一项所述的系统，其中所述时间序列生成器(100)还被配置为：在后处理步骤中修改所述合成时间序列(104)，以匹配所述设施的一个或多个预定关键属性。
12.根据前述权利要求中任一项所述的系统，其中属性包括以下项中的一项或多项：所述设施的分类；所述设施处的年度能量消耗或产生；运行小时数；地理位置；所述设施所使用的设备。13.一种用于合成用于设施的能量时间序列数据的方法，所述方法包括：接收输入属性集(102)，所述输入属性集包括表征所述设施的属性，以及输出合成时间序列(104)，所述合成时间序列表示针对所述设施的估计能量数据，所述合成时间序列基于所述输入属性集(102)和一个或多个参考时间序列(108)而生成，所述一个或多个参考时间序列与相应的参考属性集(106)相关联。14.一种计算机程序产品，包括指令，所述指令在由计算机执行时使所述计算机执行根据权利要求13所述的方法。15.一种计算机可读介质，包括指令，所述指令在由计算机执行时使所述计算机执行根据权利要求13所述的方法。

技术总结
提供了一种用于合成用于设施的能量时间序列数据的系统和对应的方法。该系统包括时间序列生成器(100)，该时间序列生成器(100)被配置为接收输入属性集(102)，输入属性集包括表征该设施的属性，并且输出合成时间序列(104)，合成时间序列表示用于该设施的估计能量数据。合成时间序列基于输入属性集(102)和一个或多个参考时间序列(108)而生成，该一个或多个参考时间序列与相应的参考属性集(106)相关联。考时间序列与相应的参考属性集(106)相关联。考时间序列与相应的参考属性集(106)相关联。


技术研发人员：乔治
受保护的技术使用者：ABB瑞士股份有限公司
技术研发日：2021.10.25
技术公布日：2023/7/22