CN106067075B - 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 - Google Patents

一种建筑用能负荷预测模型建立、负荷预测方法及其装置 Download PDF

Info

Publication number
CN106067075B
CN106067075B CN201610387529.2A CN201610387529A CN106067075B CN 106067075 B CN106067075 B CN 106067075B CN 201610387529 A CN201610387529 A CN 201610387529A CN 106067075 B CN106067075 B CN 106067075B
Authority
CN
China
Prior art keywords
load
determining
data matrix
vector
matrix
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.)
Active
Application number
CN201610387529.2A
Other languages
English (en)
Other versions
CN106067075A (zh
Inventor
宋志春
聂志华
王亚静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Enn Ubiquitous Energy Network Technology Co ltd
Original Assignee
Enn Ubiquitous Energy Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enn Ubiquitous Energy Network Technology Co ltd filed Critical Enn Ubiquitous Energy Network Technology Co ltd
Priority to CN201610387529.2A priority Critical patent/CN106067075B/zh
Publication of CN106067075A publication Critical patent/CN106067075A/zh
Application granted granted Critical
Publication of CN106067075B publication Critical patent/CN106067075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明实施例涉及负荷预测技术领域，尤其涉及一种建筑用能负荷预测模型建立、负荷预测方法及其装置，首先通过PLS算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素成分(r<＝m)，将p种负荷结果转换成q种负荷结果成分(q<＝p)，然后将转换后的r个影响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型。由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷进行预测时，将m个负荷因素转换成r个负荷因素成分，提取影响负荷的主要因素，摒弃次要、冗余因素，减少负荷预测的计算量，并能够提高建筑用能负荷预测的精度。

Description

一种建筑用能负荷预测模型建立、负荷预测方法及其装置
技术领域
本发明实施例涉及负荷预测技术领域，尤其涉及一种建筑用能负荷预测模型建立、负荷预测方法及其装置。
背景技术
对建筑进行负荷预测是城网规划的基础，对规划的质量起关键作用。由于城市建设发展的过程是变化的，建筑预测数据也是变化的，未来发展的不确定性影响着负荷预测的准确性。
为提高负荷预测的准确性，在进行负荷预测时我们总希望凡是影响负荷的所有因素都作为输入变量，特别是那些作用显著的因素不能漏掉。但是如果选择的相关因素太多，意味着在资料收集上要全面准确，在实际中有些资料的收集是很困难的，并且用人工神经网络进行预测时，选择输入的变量越多，预测的模型就越复杂，预测的精度也难以保证。
此外，由于影响建筑用能负荷的因素非常多，包含了大量不确定、随机因素，因此加大了对建筑未来用能负荷预测的计算量，影响了预测的精度。
发明内容
本发明实施例提供一种建筑用能负荷预测模型建立、负荷预测方法和装置，用以通过PLS算法将影响建筑用能负荷的因素进行转换，减少计算量，提高建筑用能负荷预测的精度。
本发明实施例提供一种建筑用能负荷预测模型建立的方法，包括：
确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；
根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
根据所述p种负荷结果的多个历史值，确定第二数据矩阵；
将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数；所述第一转换权重系数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数；
根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
根据所述第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；
将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果；所述负荷结果为第一时刻的负荷结果；所述第一时刻为历史时刻中的任意一个时刻。
较佳的，在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，还包括：
将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。
较佳的，所述将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数；包括：
步骤1、根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量；
步骤2、根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1；
根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
公式(1)t1＝E0w1；
公式(2)
Figure BDA0001006958900000033
其中：
Figure BDA0001006958900000031
α1为第一回归系数向量；
Figure BDA0001006958900000034
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure BDA0001006958900000035
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵；
步骤3、根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
公式(3)u1＝F0c1；
公式(4)
Figure BDA0001006958900000036
其中：
Figure BDA0001006958900000032
β1为第二回归系数向量；
Figure BDA0001006958900000037
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure BDA0001006958900000038
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵；
步骤4、判断所述第二残差矩阵中元素的绝对值是否近似为0，如果是，则将所述第一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数；否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，转至步骤1。
本发明实施例还提供一种建筑用能负荷预测方法，应用于上述实施例提供的建筑用能预测模型，包括：
获取待预测时刻的m个负荷因素；
将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；
根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
本发明实施例还提供一种建立建筑用能负荷预测模型的装置，包括：
确定模块，用于确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；
根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
根据所述p种负荷结果的多个历史值，确定第二数据矩阵；
第一训练模块，用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数；所述第一转换权重系数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数；
根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
根据所述第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；
第二训练模块，用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果；所述负荷结果为第一时刻的负荷结果；所述第一时刻为历史时刻中的任意一个时刻。
较佳的，所述第一训练模块还用于：在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。
较佳的，所述第一训练模块具体用于：
根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量；
根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1；
根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
公式(1)t1＝E0w1；
公式(2)
Figure BDA0001006958900000051
其中：
Figure BDA0001006958900000052
α1为第一回归系数向量；
Figure BDA0001006958900000053
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure BDA0001006958900000054
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵；
根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
公式(3)u1＝F0c1；
公式(4)
Figure BDA0001006958900000055
其中：
Figure BDA0001006958900000056
β1为第二回归系数向量；
Figure BDA0001006958900000057
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure BDA0001006958900000061
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵；
判断所述第二残差矩阵中元素的绝对值是否近似为0，如果是，则将所述第一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数；否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，并根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量。
本发明实施例还提供一种建筑用能负荷预测模型，应用于上述实施例提供的建筑用能预测模型，包括：
获取模块，用于获取待预测时刻的m个负荷因素；
转换模块，用于将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；
预测模块，用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
上述实施例提供的建筑用能负荷预测模型建立、负荷预测方法和装置，包括：确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；根据m个负荷因素的多个历史值，确定第一数据矩阵；根据p种负荷结果的多个历史值，确定第二数据矩阵；将第一数据矩阵和第二数据矩阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数；根据第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；根据第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型。可以看出，在确定负荷计算模型的过程中，由于首先通过PLS算法训练筛选影响建筑用能负荷因素中的主要因素，摒弃次要因素，找到影响建筑用能负荷的关键点，即通过PLS算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素成分，将p种负荷结果转换成q种负荷结果成分，然后将转换后的r个影响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型，因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计算量，从而能够提高建筑用能负荷预测的精度。
上述实施例提供的一种建筑用能负荷预测方法和装置，应用于上述实施例提供的建筑用能预测模型，包括：获取待预测时刻的m个负荷因素；将m个负荷因素输入所述建筑用能预测模型，以使建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；根据r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。可以看出，由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测的计算量，进而能够提高建筑用能负荷预测的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。
图1为本发明实施例提供的一种建筑用能负荷预测模型建立的方法流程图；
图2为本发明实施例提供的根据第一数据矩阵和第二数据矩阵确定第一转换权重系数和第二转换权重系数的方法流程图；
图3为本发明实施例提供的BP神经网路算法训练的方法流程图；
图4为本发明实施例提供的一种建筑用能负荷预测方法的流程图；
图5为本发明实施例提供的一种建立建筑用能负荷预测模型的装置的结构示意图；
图6为本发明实施例提供的一种建立建筑用能负荷预测模型的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示例性示出了本发明实施例提供的一种建筑用能负荷预测模型建立的方法流程图，如图1所示，该方法可包括：
S101、确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果。
S102、根据m个负荷因素的多个历史值，确定第一数据矩阵。
S103、根据p种负荷结果的多个历史值，确定第二数据矩阵。
S104、将第一数据矩阵和第二数据矩阵作为第一训练数据进行PLS(PartialLeast Square，偏最小二乘法)算法训练，确定第一转换权重系数和第二转换权重系数。
其中，第一转换权重系数为m个负荷因素的权重系数；第二转换权重系数为p种负荷结果的权重系数。
S105、根据第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分。
S106、根据第二转换权重系数和每个历史时刻所对应的p种负荷的历史值，确定每个历史时刻的q种负荷结果成分。
S107、将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网路训练，直至BP(Back Propagation，向后传播算法)神经网络训练的训练结果小于设定的误差，则确定建筑用能负荷的负荷计算模型。
其中，q种负荷结果成分为r个负荷因素成分对应的期望值。
在上述步骤S101中，负荷因素可包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果。其中，负荷结果为第一时刻的负荷结果，第一时刻为历史时刻中的任意一个时刻。
例如，可以根据月份、时刻、温度、湿度、前一时刻温度、前一时刻湿度、前一时刻冷负荷、前一时刻热负荷、前一时刻电负荷、前二时刻温度、前二时刻湿度、前二时刻冷负荷、前二时刻热负荷、前二时刻电负荷、前一天温度、前一天湿度、前一天冷负荷、前一天热负荷、前一天电负荷、前二天温度、前二天湿度、前二天冷负荷、前二天热负荷、前二天电负荷、前七天温度、前七天湿度、前七天冷负荷、前七天热负荷、前七天电负荷这些部分或全部负荷因素，确定m个影响建筑用能负荷的负荷因素。
相应的，可以根据在确定m个负荷因素时的时刻确定p种负荷结果。例如，如果在确定m个负荷因素时选择的时刻为0时刻，则p种负荷结果为0时刻对应的冷负荷值、当前热负荷值、电负荷值；如果在确定m个负荷因素时选择的时刻为1时刻，则p种负荷结果为1时刻对应的冷负荷值、当前热负荷值、电负荷值；如果在确定m个负荷因素时选择的时刻为2时刻，则p种负荷结果为2时刻对应的冷负荷值、当前热负荷值、电负荷值。依次类推，在此不再举例说明。
需要说明的是，上述的m个负荷因素可以是一个负荷因素也可以是多个多个负荷因素，上述的p种负荷可以是一种负荷，也可以是多种负荷。
当确定的负荷因素的数值为12即m的取值为12，负荷的种类为一种即p的取值为1时，确定的m个影响建筑用能负荷的负荷因素以及与m个影响建筑用能负荷的因素相应的p中负荷结果的存储形式可参见表格一。
表格一
Figure BDA0001006958900000091
Figure BDA0001006958900000101
在上述步骤S102中，可根据m个负荷因素的多个历史值，确定第一数据矩阵。
在上述步骤S103中，可根据p种负荷结果的多个历史值，确定第二数据矩阵。
具体的，若把m个影响建筑用能负荷的负荷因素记为x1,x2,...,xm，以及将与m个影响建筑用能负荷的因素相应的p种负荷结果记为y1,y2,...,yp，则m个影响建筑用能负荷的负荷因素x1,x2,...,xm以及将与m个影响建筑用能负荷的因素相应的p种负荷结果记为y1,y2,...,yp的n次观测数据可分别记为
Figure BDA0001006958900000102
和
Figure BDA0001006958900000103
其中，E0为第一数据矩阵；F0为第二数据矩阵。
基于第一数据矩阵E0、第二数据矩阵F0的基础上，在根据第一数据矩阵E0和第二数据矩阵F0确定第一转换权重系数和第二转换权重系数的方法流程可参见图2。
S201、根据第一数据矩阵E0和第二数据矩阵F0，确定第一单位特征向量w1和第二单位特征向量c1。
具体的，将
Figure BDA0001006958900000111
的最大特征值所对应的单位特征向量作为第一单位特征向量w1；将
Figure BDA0001006958900000112
的最大特征值所对应的单位特征向量作为第二单位特征向量c1。
S202、根据第一数据矩阵E0和第一单位特征向量w1通过公式(1)，确定第一分向量t1；根据第一数据矩阵E0和第一分向量t1通过公式(2)，确定第一残差矩阵E1。
公式(1)t1＝E0w1；
公式(2)
Figure BDA0001006958900000113
其中：
Figure BDA0001006958900000114
α1为第一回归系数向量；
Figure BDA0001006958900000115
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure BDA0001006958900000116
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵。
S203、根据第二数据矩阵F0和第二单位特征向量c1通过公式(3)，确定第二分向量u1；根据第二数据矩阵F0和第二分向量u1通过公式(4)，确定第二残差矩阵F1。
公式(3)u1＝F0c1；
公式(4)
Figure BDA0001006958900000121
其中：
Figure BDA0001006958900000122
β1为第二回归系数向量；
Figure BDA0001006958900000123
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure BDA0001006958900000124
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵。
S204、判断第二残差矩阵F1中元素的绝对值是否近似为0，如果是，则转至步骤S205，否则转至步骤S206。
S205、将第一单位特征向量作为第一转换权重系数w1，将第二单位特征向量作为第二转换权重系数c1。
S206、将第一残差矩阵E1和第二残差矩阵F1作为第一数据矩阵和第二数据矩阵，转至步骤S201。
在确定出第一转换权重系数和第二转换权重系数之后，可根据第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分。
同理，可根据第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q个影响建筑用能负荷的负荷结果成分。
具体的，可将第一转换权重系数与每个历史时刻所对应的m个负荷因素的历史值的乘积，作为每个历史时刻的r个影响建筑用能负荷的负荷因素成分。可将第二转换权重系数与每个历史时刻所对应的p种负荷结果的历史值的乘积，作为每个历史时刻的q个影响建筑用能负荷的负荷结果成分。
例如，若基于表格一中0时刻数据的基础上，确定第一转换权重系数和第二转换权重系数，则可将第一转换权重系数和表格一中的0时刻所对应的12个负荷因素的历史值的乘积，作为0时刻r个影响建筑用能负荷的负荷因素成分；则可将第二转换权重系数和表格一中的0时刻所对应的负荷结果的乘积，作为0时刻q个影响建筑用能负荷的负荷结果成分。
需要注意的是，对于n×m的第一数据矩阵E0而言，r的取值为第一数据矩阵E0的秩，且r≤min(n-1,m)；对于n×p的第二数据矩阵F0而言，q的取值为第二数据矩阵F0的秩，且q≤min(n-1,p)。
需要说明的是，r个负荷因素成分中的每一个负荷因素成分均为m个负荷因素的线性关系，q种负荷结果成分中的每一种负荷结果成分均为p种负荷的线性关系。
因此，将第一数据矩阵E0和第二数据矩阵F0经过PLS算法训练后，将m个负荷因素转换成r个负荷因素成分，以及将p种负荷转变成q种负荷结果成分，减少了负荷因素的个数和负荷的种类数，从而能够减少负荷预测的计算量，进而能够提高建筑用能负荷预测的精度。
在确定出r个负荷因素成分和q个负荷结果成分之后，还可对r个负荷因素和q中负荷结果成分进行归一化处理。
将归一化处理后的参数进行BP神经网络训练，以下进入BP神经网络训练算法流程。
将r个负荷因素成分和q个负荷结果成分进行归一化处理后，进行BP神经网路算法训练的方法流程，可参见图3。
S301：将r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练。
其中，q种负荷结果成分为所述r个负荷因素成分对应的期望值。
S302：计算BP神经网络各层实际输出以及误差。
S303：判断所述误差是否小于误差目标或达到计算次数，如果是，则转至步骤S304，否则转至步骤S305。
S304、根据训练结果确定输入层与隐含层之间的转换权重系数以及隐含层与输出层之间的转换权重系数。
S305、修改输入层与隐含层之间的转换权重系数以及隐含层与输出层之间的转换权重系数，返回步骤S301。
在进行BP神经网络算法训练之前，还需要对BP神经网络侧层次机构进行设计，确定输入神经元的节点数、隐含层数、以及输出层的节点数。
以下对BP神经网络进行简要的介绍。
假定BP神经网络由L层神经元组成，其中第1层称为输入层，最后一层(第L层)称为输出层，其它各层称为隐含层(第2层至第L-1层)；输入层有r个神经元；输出层有q个神经元；第l隐含层各神经元的输出为：
Figure BDA0001006958900000148
其中sl为第l层神经元的个数(本发明实施例中中一般L取值为3，sl为2*r+1，其中r为输入层神经元个数)。
设
Figure BDA0001006958900000149
为从l-1层第j个神经元与第l层第i个神经元之间的权重；
Figure BDA00010069589000001410
为第l层第i个神经元的偏置，那么：
Figure BDA0001006958900000141
Figure BDA00010069589000001411
为l层第i个神经元的输入，
Figure BDA00010069589000001412
为神经元的激活函数。常用的激活函数为
Figure BDA0001006958900000142
和
Figure BDA0001006958900000143
假定有r个训练样本{(x(1),y(1)),…,(x(r),y(r))}，其中d(i)为对应输入x(i)的期望输出。BP神经网络算法通过最优化各层神经元的输入权值以及偏置，使得神经网络的输出尽可能地接近期望输出，以达到训练的目的。
对于给定的r个训练样本，定义误差函数为：
Figure BDA0001006958900000144
其中E(i)为单个样本的训练误差：
Figure BDA0001006958900000145
因此，
Figure BDA0001006958900000146
若E小于设定的误差，则训练结束；否则BP神经网络算法按照以下方式对权值以及偏置进行更新：
Figure BDA0001006958900000147
其中α为学习速率，它的取值范围为(0,1)。
输出层的偏导数
Figure BDA0001006958900000151
Figure BDA0001006958900000152
令
Figure BDA0001006958900000153
则
Figure BDA0001006958900000154
Figure BDA0001006958900000155
对隐含层第l层(2≤l≤L-1)的权值和偏置的偏导可以表示为：
Figure BDA0001006958900000156
Figure BDA0001006958900000157
其中
Figure BDA0001006958900000158
根据以上内容可以看出，在确定负荷计算模型的过程中，由于首先通过PLS算法训练筛选影响建筑用能负荷因素中的主要因素，摒弃次要因素，找到影响建筑用能负荷的关键点，即通过PLS算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素成分，将p种负荷结果转换成q种负荷结果成分，然后将转换后的r个影响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型，因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计算量，从而能够提高建筑用能负荷预测的精度。
基于上述本发明实施例提供的建立建筑用能负荷预测模型的方法所建立的建筑用能负荷预测模型的基础上，本发明实施例还提供一种建筑用能负荷预测方法。
图4示例性示出了本发明实施例提供的一种建筑用能负荷预测方法的流程图。如图4所示，该方法流程可包括：
S401、获取待预测时刻的m个负荷因素。
S402、将m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分。
S403、根据r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
可以看出，由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测的计算量，进而能够提高建筑用能负荷预测的精度。
基于相同的技术构思，本发明实施例还提供一种建立建筑用能负荷预测模型的装置。
图5示例性示出了本发明实施例提供的一种建立建筑用能负荷预测模型的装置的结构示意图。如图5所示，该装置可包括：
确定模块501，用于确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；
根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
根据所述p种负荷结果的多个历史值，确定第二数据矩阵；
第一训练模块502，用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数；所述第一转换权重系数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数；
根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
根据所述第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；
第二训练模块503，用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果；所述负荷结果为第一时刻的负荷结果；所述第一时刻为历史时刻中的任意一个时刻。
较佳的，第一训练模块502还用于：在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。
较佳的，第一训练模块502具体用于：
根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量；
根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1；
根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
公式(1)t1＝E0w1；
公式(2)
Figure BDA0001006958900000171
其中：
Figure BDA0001006958900000172
α1为第一回归系数向量；
Figure BDA0001006958900000173
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure BDA0001006958900000174
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵；
根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
公式(3)u1＝F0c1；
公式(4)
Figure BDA0001006958900000175
其中：
Figure BDA0001006958900000181
β1为第二回归系数向量；
Figure BDA0001006958900000182
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure BDA0001006958900000183
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵；
判断所述第二残差矩阵中元素的绝对值是否近似为0，如果是，则将所述第一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数；否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，并根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量。
基于相同的技术构思，本发明实施例还提供一种建筑用能负荷预测模型。
图6示例性示出了本发明实施例提供的一种建立建筑用能负荷预测模型的结构示意图。如图6所示，该预测模型可包括：
获取模块601，用于获取待预测时刻的m个负荷因素；
转换模块602，用于将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；
预测模块603，用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
综上，可以看出，在确定负荷计算模型的过程中，由于首先通过PLS算法训练筛选影响建筑用能负荷因素中的主要因素，摒弃次要因素，找到影响建筑用能负荷的关键点，即通过PLS算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素成分，将p种负荷结果转换成q种负荷结果成分，然后将转换后的r个影响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型，因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计算量，从而能够提高建筑用能负荷预测的精度。由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测的计算量，进而能够提高建筑用能负荷预测的精度。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种建筑用能负荷预测模型建立的方法，其特征在于，包括：
确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；
根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
根据所述p种负荷结果的多个历史值，确定第二数据矩阵；
将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据，按照以下步骤进行PLS算法训练，确定第一转换权重系数和第二转换权重系数：
步骤1、根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量；
步骤2、根据所述第一数据矩阵和所述第一单位特征向量，确定第一分向量；根据所述第一数据矩阵和所述第一分向量，确定第一残差矩阵；
步骤3、根据所述第二数据矩阵和所述第二单位特征向量，确定第二分向量；根据所述第二数据矩阵和所述第二分向量，确定第二残差矩阵；
步骤4、判断所述第二残差矩阵中元素的绝对值是否近似为0，如果是，则将所述第一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数；否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，转至步骤1；
所述第一转换权重系数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数；
根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
根据所述第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；
将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
2.如权利要求1所述的方法，其特征在于，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果；所述负荷结果为第一时刻的负荷结果；所述第一时刻为历史时刻中的任意一个时刻。
3.如权利要求1所述的方法，其特征在于，在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，还包括：
将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一数据矩阵和所述第一单位特征向量，确定第一分向量；根据所述第一数据矩阵和所述第一分向量，确定第一残差矩阵；包括：
根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1；
根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
公式(1)t1＝E0w1；
公式(2)
Figure FDA0002088491520000021
其中：
Figure FDA0002088491520000022
α1为第一回归系数向量；
Figure FDA0002088491520000023
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure FDA0002088491520000024
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵；
所述根据所述第二数据矩阵和所述第二单位特征向量，确定第二分向量；根据所述第二数据矩阵和所述第二分向量，确定第二残差矩阵；包括：
根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
公式(3)u1＝F0c1；
公式(4)
Figure FDA0002088491520000031
其中：
Figure FDA0002088491520000032
β1为第二回归系数向量；
Figure FDA0002088491520000033
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure FDA0002088491520000034
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵。
5.一种建筑用能负荷预测方法，其特征在于，应用于权利要求1至4任一所述的建筑用能预测模型，包括：
获取待预测时刻的m个负荷因素；
将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；
根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
6.一种建立建筑用能负荷预测模型的装置，其特征在于，包括：
确定模块，用于确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p种负荷结果；
根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
根据所述p种负荷结果的多个历史值，确定第二数据矩阵；
第一训练模块，用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据，按照以下步骤进行PLS算法训练，确定第一转换权重系数和第二转换权重系数：
步骤1、根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量；
步骤2、根据所述第一数据矩阵和所述第一单位特征向量，确定第一分向量；根据所述第一数据矩阵和所述第一分向量，确定第一残差矩阵；
步骤3、根据所述第二数据矩阵和所述第二单位特征向量，确定第二分向量；根据所述第二数据矩阵和所述第二分向量，确定第二残差矩阵；
步骤4、判断所述第二残差矩阵中元素的绝对值是否近似为0，如果是，则将所述第一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数；否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，转至步骤1；
所述第一转换权重系数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数；
根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
根据所述第二转换权重系数和每个历史时刻所对应的p种负荷结果的历史值，确定每个历史时刻的q种负荷结果成分；
第二训练模块，用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
7.如权利要求6所述的装置，其特征在于，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的n个时刻中每个时刻对应的环境因素和负荷结果；所述负荷结果为第一时刻的负荷结果；所述第一时刻为历史时刻中的任意一个时刻。
8.如权利要求6所述的装置，其特征在于，所述第一训练模块还用于：在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。
9.如权利要求6所述的装置，其特征在于，所述第一训练模块具体用于：
根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1；
根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
公式(1)t1＝E0w1；
公式(2)
Figure FDA0002088491520000051
其中：
Figure FDA0002088491520000052
α1为第一回归系数向量；
Figure FDA0002088491520000053
第一回归系数向量的转置向量；E0为第一数据矩阵；
Figure FDA0002088491520000054
为第一数据矩阵的转置矩阵；w1为第一单位特征向量；t1为第一分向量；E1为第一残差矩阵；
根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
公式(3)u1＝F0c1；
公式(4)
Figure FDA0002088491520000055
其中：
Figure FDA0002088491520000056
β1为第二回归系数向量；
Figure FDA0002088491520000057
为第二回归系数向量的转置；
F0为第二数据矩阵；
Figure FDA0002088491520000058
为第二数据矩阵的转置矩阵；c1为第二单位特征向量；u1为第二分向量；F1为第二残差矩阵。
10.一种建筑用能负荷预测模型，其特征在于，应用于权利要求6至9任一所述的建筑用能预测模型，包括：
获取模块，用于获取待预测时刻的m个负荷因素；
转换模块，用于将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分；
预测模块，用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果值。
CN201610387529.2A 2016-06-01 2016-06-01 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 Active CN106067075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610387529.2A CN106067075B (zh) 2016-06-01 2016-06-01 一种建筑用能负荷预测模型建立、负荷预测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610387529.2A CN106067075B (zh) 2016-06-01 2016-06-01 一种建筑用能负荷预测模型建立、负荷预测方法及其装置

Publications (2)

Publication Number Publication Date
CN106067075A CN106067075A (zh) 2016-11-02
CN106067075B true CN106067075B (zh) 2020-05-26

Family

ID=57420466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610387529.2A Active CN106067075B (zh) 2016-06-01 2016-06-01 一种建筑用能负荷预测模型建立、负荷预测方法及其装置

Country Status (1)

Country Link
CN (1) CN106067075B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109164317B (zh) * 2018-08-30 2021-08-10 杭州电力设备制造有限公司 一种变电站短期负荷监测方法、系统、介质及设备
CN110782077B (zh) * 2019-10-15 2022-09-23 山东建筑大学 基于周期性数据驱动的建筑热负荷混合预测方法及系统
CN113915736B (zh) * 2021-11-15 2024-01-02 宁波奥克斯电气股份有限公司 一种新风负荷预测方法、控制装置和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732295A (zh) * 2015-03-31 2015-06-24 国家电网公司 一种基于大数据技术的电力负荷预测模型

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073922A (zh) * 2010-12-10 2011-05-25 沈阳工业大学 基于影响因素筛选的短期负荷预测方法
CN104268792A (zh) * 2014-09-01 2015-01-07 国家电网公司 高载能用电企业能效综合评价模型
CN105631532A (zh) * 2015-12-07 2016-06-01 江苏省电力公司检修分公司 一种基于模糊决策的神经网络模型电力系统负荷预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732295A (zh) * 2015-03-31 2015-06-24 国家电网公司 一种基于大数据技术的电力负荷预测模型

Also Published As

Publication number Publication date
CN106067075A (zh) 2016-11-02

Similar Documents

Publication Publication Date Title
CN103745273B (zh) 一种半导体制造过程的多性能预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN107220734A (zh) 基于决策树的数控车床车削过程能耗预测系统
CN103942375B (zh) 基于区间的高速压力机滑块尺寸稳健设计方法
Truong et al. Robust variable sampling period control for networked control systems
CN106067075B (zh) 一种建筑用能负荷预测模型建立、负荷预测方法及其装置
WO2021004198A1 (zh) 一种板材性能的预测方法及装置
CN113156900B (zh) 一种基于元强化学习的加工变形控制方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN104217258A (zh) 一种电力负荷条件密度预测方法
JP2017120640A (ja) 電磁鋼板の磁気特性予測装置及び磁気特性制御装置
Rizwan et al. Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN113822499A (zh) 一种基于模型融合的列车备件损耗预测方法
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN114219177A (zh) 机房环境调控方法、装置、电子设备及存储介质
JP5682131B2 (ja) 鋼材の材質予測装置
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
CN109599866B (zh) 一种预测辅助的电力系统状态估计方法
TW202347062A (zh) 用於半導體廠房中之等待時間預測之方法
Gao et al. Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network
CN116720742A (zh) 一种碳排放预测方法及预测系统
CN104484700A (zh) 一种基于bp网络模型的负荷预测的模型输入变量优化方法
CN112700050A (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN113408183A (zh) 基于预测模型的车辆基地短期复合预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant