© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
浙江中易慧能科技有限公司
企业浙江中易慧能科技有限公司成立于2011年，位于浙江省。所属行业为专业技术服务业。经营范围包括节能设备、能源计量设备、环保设备的开发、生产、销售、技术服务，计算机软硬件开发、销售、系统集成、技术服务，计算机硬件的生产，机电工程、安防工程、监控系统工程的安装、施工，节能工程、电子与智能化工程的设计、施工、技术咨询，节能评价的咨询服务，合同能源管理服务，经营进出口业务（国家禁止或涉及行政审批的货物和技术进出口除外）。
小微企业高新技术企业科技型中小企业专精特新瞪羚企业
数据集列表
用电模式聚类分析数据
该用电模式聚类分析数据可用于电力负荷管理与运营决策支持：通过对历史用电数据进行模式识别，电力公司可以精准划分不同用电行为的用户群体或时段类别，识别高负荷高增长的风险时段、稳定用电的基础负荷模式以及低负荷高增长的潜力时段，为制定差异化电价策略、优化电网调度计划、预警用电高峰风险以及规划电力设施扩容提供数据驱动的决策依据，从而实现电力资源的精细化管理和运营效率的提升。1.数据来源与预处理：（1）数据采集：收集公司研发的智慧能源软件产品在浙江地区某一时间段用电量报表数据，包括当日用量(kWh)、上月同日用量(kWh)、上月变化量(kWh)、增长率等字段，其中“上月变化量”指当日用量与上月同日用量的差值；（2）数据清洗：去除当日用量为空的数据项，使用StandardScaler对当日用量、上月变化量和增长率三个特征进行标准化处理，便于分析使用；2.算法加工：本数据的聚类分析采用K-means算法对用电数据进行模式识别，基于肘部法则自动确定最佳聚类数量，通过测试2至5个聚类方案并计算各方案的轮廓系数与误差平方和，选择轮廓系数最高的聚类数作为最终分类标准。聚类分析时设置随机种子确保结果可重现，并执行10次不同初始中心的尝试以获取最优聚类效果。3.最终评估：为每个数据点分配ABC字母标识的类别标签和用电模式描述（高用量高增长；高用量稳定；低用量高增长；低用量稳定），“当日用量”大于平均值用量时为“高用量”，否则为“低用量”；“增长率”高于平均增长率时为“高增长”，否则为“稳定”。
浙江省数据知识产权登记平台2026-03-02 更新150
用电模式聚类分析数据
该用电模式聚类分析数据可用于电力负荷管理与运营决策支持：通过对历史用电数据进行模式识别，电力公司可以精准划分不同用电行为的用户群体或时段类别，识别高负荷高增长的风险时段、稳定用电的基础负荷模式以及低负荷高增长的潜力时段，为制定差异化电价策略、优化电网调度计划、预警用电高峰风险以及规划电力设施扩容提供数据驱动的决策依据，从而实现电力资源的精细化管理和运营效率的提升。
浙江省数据知识产权登记平台2026-02-10 更新360
多能源综合采集设备（安全网关）周期性市场潜力分析数据
多能源综合采集设备（安全网关）周期性市场潜力分析数据作为量化评估产品市场动态的重要工具，在实际应用中可形成多维度参考价值。对企业自身而言，该分析数据有助于精准把握该设备的市场表现规律，通过整合销量占比、销售额占比及消费者评分构建的市场潜力指数，结合ARIMA模型识别的时间序列趋势，可为产品研发方向调整、生产排期优化及区域市场资源投放策略制定提供量化参考依据，在提升产品市场适配性、强化核心型号竞争力等方面形成辅助决策支撑；对社会层面，其通过反映设备市场潜力的周期性变化特征，可为能源设备相关的基础设施规划、区域能源供应体系建设等提供间接数据参考，有利于促进能源设备供给与实际需求的动态衔接，助力构建更具韧性的能源设备保障网络；对行业同行来说，该分析模型的构建逻辑与方法可为同类设备的市场潜力评估提供方法借鉴，有助于推动行业在数据标准化处理、潜力评估指标体系等领域的交流探索，为形成更具普适性的行业产品分析框架积累实践经验。1.数据收集：收集公司多能源综合采集设备（安全网关）销售统计数据，包括统计月份、销售地区、设备型号、当月该型号多能源综合采集设备（安全网关）销量Y、当月所有多能源综合采集设备（安全网关）总销量Yt、当月该型号多能源综合采集设备（安全网关）销售额S、当月所有多能源综合采集设备（安全网关）总销售额St、该型号多能源综合采集设备（安全网关）消费者评分。通过数据清洗确保数据质量。
2.数据预处理：对采集的数据进行清洗，去除重复记录，处理缺失值。
3.按以下公式计算当月该型号多能源综合采集设备（安全网关）销量占比Z：Z=Y/Yt;
4.按以下公式计算当月该型号多能源综合采集设备（安全网关）销售额占比A：A=S/St；
5.按以下公式构建该型号多能源综合采集设备（安全网关）月度市场潜力指数T：T=W1×Z+W2×A+W3×（该型号多能源综合采集设备（安全网关）用户评分/5），其中W1、W2、W3是权重系数，根据各因素的影响程度经内部专家研判后进行调整设定，W1+W2+W3=1。
6.趋势识别：使用ARIMA（自回归积分滑动平均）模型（一种用于分析按时间顺序排列的数据点，以识别趋势、周期性和其他模式的统计模型）进行时间序列分析，基于该型号多能源综合采集设备（安全网关）的历史市场潜力指数数据，识别该型号多能源综合采集设备（安全网关）的市场潜力，若T≥0.7，则市场潜力高，若T＜0.7，则市场潜力低。
浙江省数据知识产权登记平台2025-11-25 更新80
生产现场安全风险等级判定预训练数据
本生产现场安全风险等级判定预训练数据可应用于企业安全生产技术管理相关探索场景。数据通过整合安全手册、操作规程、事故案例等非结构化资料与行业模拟场景数据，经实体识别、关系抽取等NLP技术提取关键要素，结合知识图谱推理生成“行为+情境→风险等级”合成样本，并转化为“输入-输出”格式文本，最终整合形成标准数据集D并按比例划分子集，保障风险等级、场景类型等分布均衡。其有助于模型学习风险行为、作业情境与风险等级的关联规律，有利于提升模型对复杂场景下风险等级判定的准确性；同时，可为企业安全生产管理经验的沉淀与风险防控方法的优化提供参考性数据支撑。1.数据来源与样本构建：（1）原始数据包括公司自主研发形成的安全手册、安全操作规程、事故案例等非结构化数据，以及结合行业通用安全规范和经验构建的模拟场景数据，用于反映典型作业流程下的风险行为模式与等级划分。（2）对非结构化数据应用实体识别、关系抽取、事件链构建等自然语言处理技术，提取行为类型、作业条件、事故诱因、风险等级等关键要素，形成结构化片段数据。（3）基于安全知识图谱推理逻辑与行业经验规则，构建多个典型作业场景（如动火、高处作业、密闭空间等）与相应的风险行为组合，生成“行为+情境 → 风险等级”的合成数据样本。（4）将结构化样本转化为“输入-输出”格式文本，用于语言模型训练。通过语言模板、规则生成、图谱反推等方式构造丰富的语义表达。（5）统一整合非结构化抽取结果、知识推理生成样本与语义化文本构造数据，组成标准数据集D；对数据集D赋予编号。
2.数据集划分：（1）对数据集D按8:1:1比例划分为训练集、验证集和测试集。（2）确保不同风险等级、场景类型、行为模式的分布均衡，避免样本偏态。
3.模型训练与微调：（1）选取灰色聚类算法作为结构化样本的风险等级初步判定模型。（2）结合“指令-输出”格式的语言数据，使用ChatGLM-6B大语言模型进行微调，提升对复杂行为语义与场景逻辑的理解。（3）记录模型训练参数（如学习率、batch size、优化器类型、epoch数）。
4.模型验证与参数调整：（1）在验证集上对聚类模型和语言模型进行性能评估：聚类模型使用准确率、轮廓系数等，语言模型使用BLEU、ROUGE、BERTScore等。（2）结合自动评估与人工抽样审阅结果，调整模型参数。（3）记录每轮优化后的模型性能变化。
5.最终评估与效果分析：（1）在测试集上综合评估模型性能，结构化部分采用MAE、F1-score等，文本输出部分结合语义相似度与风险判定准确率。（2）开展误差分析，识别常见错误模式，为后续优化提供依据。
6.模型优化建议：根据测试结果，给出模型优化建议。
注：本算法规则涉及专利保护。
浙江省数据知识产权登记平台2025-10-29 更新240
中央空调盘管调控系数生成大语言模型训练数据
本中央空调盘管调控系数生成大语言模型训练数据可应用于相关领域技术探索场景。数据通过整合空调原理、故障、传热学等非结构化资料与运行参数、管盘调控系数等结构化数据，构建监督学习样本及“指令-输出”格式数据对，形成统一数据集并按比例划分。其有助于大语言模型学习调控规则与参数关联规律，有利于模型在训练过程中更全面捕捉调控条件与数值区间的分布特征，为提升模型生成调控系数的准确性提供数据支撑；同时，有助于促进行业技术经验的沉淀与共享，为相关领域技术发展提供参考性支持。1.数据来源与样本构建：（1）原始数据包括公司经研发形成的自有的空调原理资料、空调故障资料、传热学资料、制冷学资料、流体力学资料、暖通空调在内的空调学资料等非结构化数据，以及通过测试试验获得的空调运行参数以及相应的管盘调控系数的结构化数据。（2）将空调运行参数与对应的管盘调控系数进行组合，构建成用于回归预测的监督学习样本对。（3）对非结构化数据进行信息抽取与知识标注，构建“指令-输出”格式的数据对，用于语言模型理解调控规则。（4）合并以上两类样本，构建统一的数据集D，用于支持大语言模型的训练或微调；对数据集D赋予编号。
2.数据集划分：（1）对数据集D按8:1:1比例划分为训练集、验证集和测试集。（2）确保调控条件、数值区间等在各集合中分布均衡，避免样本偏态。
3.模型训练与微调：（1）选择梯度提升树GBM作为回归模型，作为参考基准。（2）使用准备好的训练集，结合开源大语言模型（ChatGLM-6B）进行微调。（3）记录模型初始参数、训练轮次、学习率、优化器等设置。
4.模型验证与参数调整：（1）在验证集上评估模型输出的准确性与表达合理性，指标包括MSE、BLEU、ROUGE、BERTScore等。（2）结合自动评估与人工抽样审阅结果，调整模型参数。（3）记录每轮优化后的模型性能变化。
5.最终评估与效果分析：（1）在测试集上进行最终评估，使用多维指标综合判断模型能力，包括MAE、MSE、R²、BLEU、ROUGE、BERTScore等。（2）开展误差分析，识别常见错误模式，为后续优化提供依据。
6.模型优化建议：根据测试结果，给出模型优化建议，如调整学习率、增加正则化、改变网络结构等。
注：本算法规则涉及专利保护。
浙江省数据知识产权登记平台2025-10-29 更新120
园区夜间能耗异常检测分析数据
该能耗异常检测分析数据在为持续的、大规模的能耗数据监控体系提供一个自动化的“哨兵”功能。该模型可针对业务低活跃期或无人值守时段的能耗脉搏进行监测，定位那些偏离正常模式的异常点。通过多维度算法的融合评判，将原本依赖人工经验的、被动的异常排查，转变为一个主动发现、早期预警的智能化流程。这不仅提升了运营管理的效率和可靠性，更能通过对异常根源的追溯，为优化决策提供数据洞察，从而实现成本的节约与系统稳健性的增强。1.数据来源：收集公司研发的智慧能源软件产品在浙江地区2023年1日1月到2024年12月31日某园区夜间能耗数据，包括年份、日期、夜间总耗电（kWh）、夜间常用设备总能耗（kWh）、夜间常开设备能耗比例等字段，其中“夜间常开设备能耗比例”=“夜间总耗电”/“夜间常用设备总能耗”；2.算法加工：能耗数据的异常检测分析采用了多算法融合的策略，通过Z分数法计算每个数据点相对于整体分布的标准化偏差（公式：Z = |X-μ|/σ），当Z值超过3倍标准差时标记为异常；运用四分位距法基于数据分布的四分位数（Q1、Q3）和四分位距（IQR=Q3-Q1）设定正常值范围（下限：Q1-1.5×IQR，上限：Q3+1.5×IQR），超出该范围的数据被视为异常；针对能耗比例逻辑设置了多重校验规则，包括比例超过150%、比例为负值、零能耗时比例非零、设备能耗大于总能耗等异常情形；最后采用孤立森林算法（参数包含树数量、采样策略、污染率、特征数、随机种子）进行无监督异常检测，得到孤立森林异常分数；3.最终评估：综合各算法结果通过加权平均（公式：综合异常评分 = (Z分数异常 + 四分位距异常 + 比例逻辑异常 + 孤立森林异常) / 4）生成0-1的异常评分，并依据评分区间划分为三个等级：评分≤0.3为正常，0.3<评分≤0.7为可疑，评分>0.7为异常。
浙江省数据知识产权登记平台2026-02-13 更新330
园区夜间能耗异常检测分析数据
该能耗异常检测分析数据在为持续的、大规模的能耗数据监控体系提供一个自动化的“哨兵”功能。该模型可针对业务低活跃期或无人值守时段的能耗脉搏进行监测，定位那些偏离正常模式的异常点。通过多维度算法的融合评判，将原本依赖人工经验的、被动的异常排查，转变为一个主动发现、早期预警的智能化流程。这不仅提升了运营管理的效率和可靠性，更能通过对异常根源的追溯，为优化决策提供数据洞察，从而实现成本的节约与系统稳健性的增强。
浙江省数据知识产权登记平台2026-01-30 更新140
多能源综合采集设备（安全网关）市场需求稳定性分析数据
多能源综合采集设备（安全网关）市场需求稳定性分析数据作为量化评估市场动态的重要工具，在实际应用中可形成多维度参考价值。对企业自身而言，该分析数据有助于精准把握市场需求的波动特征，通过识别需求稳定性等级，为生产计划制定、库存周期调整及供应链弹性优化提供量化参考依据，在平衡产能配置与市场需求适配性方面形成辅助决策支撑；对社会层面，其通过反映设备需求的月度波动规律，可为能源设备相关的基础设施规划、区域能源供应体系布局等提供间接数据参考，有利于促进能源资源在生产端与需求端的协同衔接，助力构建更具韧性的能源设备供应网络；对行业同行来说，该分析模型的构建逻辑与数据成果可为同类设备的市场需求研究提供方法借鉴，有助于推动行业在需求稳定性评估标准、数据处理规范等领域的交流探索。1.数据采集：收集公司连续6个自然月的多能源综合采集设备（安全网关）的市场需求统计信息，具体字段包括：统计时间、地区、产品名称、该6个自然月的产品需求量（个）。
2.数据预处理：对采集的数据进行清洗，去除重复记录，处理缺失值。
3.数据汇总：计算该6个自然月总需求量，总需求量等于这6个自然月各自需求数量之和。
4.建立需求稳定性分析模型：（1）计算月平均需求量：月平均需求量=连续6个自然月总需求量/6。（2）计算月需求量方差：设6个自然月的需求量分别为x1，x2，..，x6，月需求量方差=[(x1−月平均需求量)^2+(x2−月平均需求量)^2+...+(x6−月平均需求量)^2]/6。
5.需求稳定性分析：若月需求量方差 < 500，则分析结论为 “需求非常稳定”；若500≤月需求量方差≤ 950，则分析结论为 “需求一般稳定”；若月需求量方差 > 950，则分析结论为 “需求波动较大”。
浙江省数据知识产权登记平台2025-11-21 更新40
建筑空调能耗预测模型训练数据
本建筑空调能耗预测模型训练数据可应用于建筑节能技术探索相关场景。数据通过整合建筑空调系统运行参数与能耗监测数据，构建运行参数-单位能耗值的监督学习样本对，形成训练数据集X并按8:1:1比例划分子集，保障不同建筑类型、季节区段及气象条件下数据均衡分布。其有助于模型学习运行参数与能耗值的关联规律，有利于提升模型对多元场景下能耗预测的准确性；同时，可为建筑节能领域技术经验的积累与方法优化提供参考性数据支撑。1.数据来源与样本构建：（1）原始数据为公司在研发及试验过程中形成的建筑空调系统的运行参数（涵盖影响空调能耗的主要因素）和能耗监测数据（单位能耗值）。（2）将建筑空调系统运行参数作为输入特征向量，单位能耗值作为输出标签，构成监督学习样本对，汇总形成后续训练用的数据集X；对数据集X赋予编号。
2.数据集划分：（1）对数据集X按8:1:1比例划分为训练集、验证集和测试集。（2）确保不同建筑类型、季节区段、气象条件在各子集中均衡分布，避免样本偏态。
3.模型训练与微调：（1）基准模型设置：采用BP神经网络（反向传播神经网络）作为主模型，构建输入层—隐含层—输出层结构。输入层维度与特征数一致，输出层为单位能耗值，激活函数使用ReLU（隐含层）与线性函数（输出层）。设置初始网络参数、训练轮次、学习率等。（2）使用训练集进行反向传播训练，采用梯度下降类优化器（Adam）。在每轮训练后，通过验证集实时监控损失函数值与泛化性能。（3）全流程记录每轮训练日志，包括损失变化、参数权重、训练时间与性能指标。
4.模型验证与参数调整：（1）在验证集上评估模型预测值与实际值的一致性，采用的指标包括MAE、MSE、R²、RMSE等。（2）结合自动评估与人工抽样审阅结果，调整模型参数。（3）记录每轮优化后的模型性能变化。
5.最终评估与效果分析：（1）在测试集上进行最终评估，使用多维指标综合判断模型能力，包括MAE、MSE、R²、RMSE等。（2）开展误差分析，识别常见错误模式，为后续优化提供依据。
6.模型优化建议：根据测试结果，给出模型优化建议，如调整学习率、增加正则化、改变网络结构等。
注：本算法规则涉及专利保护。
浙江省数据知识产权登记平台2025-10-29 更新670
企业级智慧能源软件销量与价格相关性数据
本数据集对于本公司及同行业开发者而言，具有重要的实际应用价值和行业指导意义。1.对本公司的用途：（1）通过分析销量与价格的相关性，公司可以更准确地定位市场，了解价格变动对销量的影响，为调优化成本结构，整定价策略和营销策略提供依据；（2）销量与价格的相关性分析有助于公司预测市场风险，如价格波动对销量的影响，从而制定相应的风险管理措施。2.对同行开发者的用途：本数据为同行企业围绕类似企业级智慧能源软件开展优化成本预算、营销策略等工作提供参考，推动行业发展。1.数据采集和预处理： （1）数据采集：采集公司研发的企业级智慧能源软件的相关交易数据，包括地区、统计年份、第一季度销量V1/件、第二季度销量V2/件、第三季度销量V3/件、第四季度销量V4/件、年度总销量V/件、第一季度均价P1/元、第二季度均价P2/元、第三季度均价P3/元、第四季度均价P4/元；（2）数据预处理：对采集到的数据进行清洗，去除重复、错误或无关的信息，以便后续的分析。 2.数据加工和分析： （1）计算季度平均销量V季均（单位为件）=年度总销量V/4（输出结果取整）；（2）计算每季度基于销量的需求指数（无单位）：C1=V1/V季均、C2=V2/V季均、C3=V3/V季均、C4=V4/V季均；（3）计算季度均价P季均（单位为元）=（P1+P2+P3+P4）/4；（4）计算每季度基于均价的需求指数（无单位）：I1=P1/P季度、I2=P2/P季度、I3=P3/P季度、I4=P4/P季度；（5）形成基于销量的4个季度需求指数的集合X及基于均价的4个季度需求指数的集合Y，并利用CORREL函数得出集合X与集合Y的相关性r；（6）相关性判断：若r＞0，则销量和价格正相关；若r＜0，则销量和价格负相关；r＝0，则销量和价格之间没有显著相关性。
浙江省数据知识产权登记平台2025-06-20 更新70