CN106067077A - 一种基于神经网络的负荷预测方法及装置 - Google Patents
一种基于神经网络的负荷预测方法及装置 Download PDFInfo
- Publication number
- CN106067077A CN106067077A CN201610387631.2A CN201610387631A CN106067077A CN 106067077 A CN106067077 A CN 106067077A CN 201610387631 A CN201610387631 A CN 201610387631A CN 106067077 A CN106067077 A CN 106067077A
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- input parameter
- error
- network model
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/08—Construction
Abstract
本发明涉及计算机技术领域,尤其涉及一种基于神经网络的负荷预测方法及装置,包括:根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,根据输入参数修正误差,修正当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,根据修正后的N个预测输入参数及神经网络模型,得到N个预测负荷,根据负荷修正误差,修正N个预测负荷,得到修正后的N个预测负荷。该方法对负荷预测的预测输入参数进行校正,将校正后的参数代入神经网络模型得到预测负荷,然后对预测负荷再做校正,得到校正后的预测负荷,使得预测负荷不会因预测输入参数选择的好坏而导致预测结果有较大波动,保证了预测结果的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于神经网络的负荷预测方法及装置。
背景技术
负荷预测指的是基于负荷历史数据,对未来的负荷能力做一个预测,以建筑负荷预测为例,指的是基于建筑负荷的历史数据,对建筑未来的负荷能力做预测,如预测建筑的承载能力等。目前负荷预测方法主要分为两种,一种是数学统计方法(也称经典负荷预测方法),另一种是人工智能方法(也称现代负荷预测方法),目前人工智能预测方法取得了较大突破,已经成功应用到建筑负荷的预测中。
目前在使用神经网络模型来做负荷预测时,一般是先根据历史数据训练神经网络模型,在训练结束后,后续直接使用该神经网络模型来进行负荷预测。该方法存在的主要问题是:在做负荷预测时,预测结果与选择的数据关系比较大,具有一定的波动性,从而导致预测结果不是非常准确。
综上所述,现有技术在使用神经网络模型做负荷预测时,预测结果不够准确。
发明内容
本发明提供一种基于神经网络的负荷预测方法及装置,用以解决现有技术中存在的使用神经网络模型做负荷预测时,预测结果不够准确的技术问题。
一方面,本发明实施例提供一种基于神经网络的负荷预测方法,包括:
根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
本发明实施例提供的方法,根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;以及根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的。该方法在做负荷预测时,一方面对负荷预测的预测输入参数进行校正,然后根据校正后的参数代入神经网络模型得到预测负荷,然后再对预测负荷再做校正,得到校正后的预测负荷,从而该方法根据历史数据来校正预测结果,使得得到的预测负荷具有一定的平滑性,不会因为预测输入参数选择的好坏而导致预测结果有较大的波动,从而保证了预测结果的准确性。
可选地,根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
可选地,根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
可选地,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。
可选地,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;
所述根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷,包括:
针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
另一方面,本发明实施例提供一种基于神经网络的负荷预测装置,包括:
修正误差确定单元,用于根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
修正参数确定单元,用于根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
预测负荷确定单元,用于根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
修正预测负荷确定单元,用于根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
可选地,所述修正误差确定单元,具体用于根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
可选地,所述修正误差确定单元,还用于根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
可选地,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。
可选地,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;
所述预测负荷确定单元,具体用于:
针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
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,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为BP神经网络模型示意图;
图2为本发明实施例提供的一种基于神经网络的负荷预测方法流程图;
图3为本发明实施例提供的一种基于神经网络的负荷预测方法详细流程图;
图4为本发明实施例提供的一种基于神经网络的负荷预测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明中,主要是使用神经网络模型来做负荷的预测,其中神经网络主要分为前馈神经网络,反馈神经网络(Back Propagation,BP)和自组织神经网络,本发明对于神经网络的具体类型没有限定,只要是神经网络模型,均可以应用于本发明中实现对负荷的预测,为发明说明,本发明以神经网络模型为BP神经网络模型为例进行说明。
在介绍本发明实施例的方案之前,首先简单介绍下BP神经网络模型。
如图1所示,为神经网络模型示意图,其中,输入层有n个神经元,隐藏层有p个神经元(本发明实施例以隐藏层的层数为1为例进行说明),输出层有m个神经元,并且输入层的第i个神经元与隐藏层的第j个神经元之间权重可以用ωij(i=1,2,...,n,j=1,2,...,p)来表示,隐藏层的第j个神经元与输出层的第k个神经元之间的权重可以使用ωjk(j=1,2,...,p,k=1,2,...,m)来表示。
在BP神经网络模型的使用中,主要包含以下参数:输入层神经元个数,隐藏层个数,每个隐藏层的神经元个数,输出层神经元个数,输入层神经元与隐藏层神经元之间的权重,隐藏层神经元与输出层神经元之间的权重,以及在BP神经元模型进行训练时,还包括学习率,误差率,迭代次数等参数。
根据BP神经网络模型做负荷预测时,可以应用于空调负荷预测,电力负荷预测,建筑负荷预测等等,可选地,本发明实施例中,实测输入参数为实测气象输入参数,预测输入参数为预测气象输入参数,实测负荷为实测建筑负荷,预测负荷为预测建筑负荷。
在本发明实施例的建筑负荷预测中,是通过气象参数来预测建筑负荷,可选地,所述气象参数包括下列部分或者全部:时刻、温度、湿度、辐照度。本发明实施例中,以气象参数同时包括时刻、温度、湿度和辐照度为例进行说明,则此时选择的输入层神经元个数为4,4个神经元分别为时刻、温度、湿度和辐照度,隐藏层的层数不限制,例如可以选择为1个隐藏层,由于只是做建筑负荷的预测,因此输出层的神经元个数为1,即为预测的建筑负荷。
下面给出一个具体例子来说明如何使用BP神经网络模型,假设当前是4月27日,且根据天气预报,可以得到4月28日的预测气象参数如表1所示:
表1气象参数表
基于上述表1,如果想预测0时刻的建筑负荷,则将0时刻的预测气象参数(0,18,60,0)作为输入参数,输入到BP神经网络模型中,可以得到一个预测建筑负荷,同样地,对于其它时刻,以相同的方式进行预测,分别得到每个时刻对应的预测建筑负荷,假设预测得到的预测建筑负荷如表2所示。
表2预测建筑负荷表
基于本发明对BP神经网络模型的上述使用和训练方法,下面结合说明书附图对本发明实施例作进一步详细描述。
下面结合说明书附图对本发明实施例作进一步详细描述。
如图2所示,本发明实施例提供的一种基于神经网络的负荷预测方法,包括:
步骤201、根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
步骤202、根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
步骤203、根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
步骤204、根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
上述步骤201中,假设当前时刻为4月27日23点30分,然后想要预测4月28日24个时刻的预测建筑负荷,则首先获取当前时刻之前的M个历史时刻的实测输入参数和预测输入参数,其中M为正整数,例如当M取值为5时,则当前时刻之前的M个历史时刻为4月27日23点,4月27日22点,4月27日21点,4月27日20点,4月27日19点;再比如M取值为25,则当前时刻之前的M个历史时刻为4月27日的24个整点以及4月26日的23点;当前M也可以取其它值,视实际需要而定。
然后基于当前时刻之前的M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,可选地,根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
举例来说,假设M取值为6,则M个历史时刻为4月27日23点,4月27日22点,4月27日21点,4月27日20点,4月27日19点,4月27日18点,并且M个历史时刻的气象参数如表3所示,其中,输入参数分别包含温度、湿度和辐照度,预测输入参数是在4月27日之前基于天气预报做出的预测,而实测输入参数时在4月27日之后实际测出来的。
表3 4月27日预测输入参数和实测输入参数
则基于表3,得到的输入参数修正误差分别如下:温度修正误差=((25-26)+(28-27)+(26-27)+(27-28)+(28-28))/5=-0.4,湿度修正误差=((45-46)+(52-50)+(59-56)+(57-58)+(60-68))/5=-1,辐照度修正误差=((27-27)+(0-0)+(0-0)+(0-0)+(0-0))/5=0。
从而基于上述方法可以得到输入参数修正误差,分别为温度修正误差,湿度修正误差和辐照度修正误差。
上述步骤202中,根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数,具体地,N的取值取决于想要预测的时刻的数量,例如当前时刻为4月27日23点30分,想要预测4月28日24个时刻的建筑负荷,则N取值为24,如果想要预测4月28日的10个时刻的建筑负荷,则N取值为10。
下面以N取值为24为例进行说明,然后对当前时刻之后N个预测时刻的预测输入参数进行修正,假设4月28日的24个时刻的预测输入参数(即根据天气预报对天气进行预测,从而得到预测输入参数,分别为预测温度,预测湿度和预测辐照福),举例来说,假设4月28日的预测参数如表1所示,然后根据步骤201中得到的输入参数修正误差,对表1中的所有预测输入参数进行修正,从而得到修正后的预测输入参数,如表4所示,为修正后的预测输入参数。
表4修正后的预测输入参数
在上述步骤203中,根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷。具体地,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;所述根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷,包括:针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
例如基于表4所示的修正后的N个预测输入参数及神经网络模型,得到的N个预测建筑负荷如表5所示。
表5基于修正后的N个预测参数得到的预测建筑负荷
在上述步骤204中,根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
其中,负荷修正误差的确定方法与输入参数修正误差的确定方法类似,可选地,根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
举例来说,假设当前时刻是4月27日23点30分,L取值为8,则可以基于表6所示的4月27日的预测建筑负荷和实测建筑负荷来计算负荷修正误差。
表6 4月27日预测建筑负荷和实测建筑负荷
则根据表6,得到的负荷修正误差=((35-37)+(36-36)+(38-36)+(35-37)+(36-35)+(37-38)+(32-33)+(36-37))/8=-0.5。
然后根据得到的负荷修正误差,对表5中的N个预测建筑负荷进行修正,从而得到修正后的N个预测建筑负荷,如表7所示。
表7修正后的预测建筑负荷
本发明实施例提供的方法,根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;以及根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的。该方法在做负荷预测时,一方面对负荷预测的预测输入参数进行校正,然后根据校正后的参数代入神经网络模型得到预测负荷,然后再对预测负荷再做校正,得到校正后的预测负荷,从而该方法根据历史数据来校正预测结果,使得得到的预测负荷具有一定的平滑性,不会因为预测输入参数选择的好坏而导致预测结果有较大的波动,从而保证了预测结果的准确性。
下面对本发明实施例提供的一种基于神经网络的负荷预测方法做详细描述,如图3所示,包括:
步骤301、根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
步骤302、根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
步骤303、针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷;
步骤304、根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
本发明实施例提供的方法,根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;以及根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的。该方法在做负荷预测时,一方面对负荷预测的预测输入参数进行校正,然后根据校正后的参数代入神经网络模型得到预测负荷,然后再对预测负荷再做校正,得到校正后的预测负荷,从而该方法根据历史数据来校正预测结果,使得得到的预测负荷具有一定的平滑性,不会因为预测输入参数选择的好坏而导致预测结果有较大的波动,从而保证了预测结果的准确性。
基于相同的技术构思,本发明实施例还提供一种基于神经网络的负荷预测装置,如图4所示,包括:
修正误差确定单元401,用于根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
修正参数确定单元402,用于根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
预测负荷确定单元403,用于根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
修正预测负荷确定单元404,用于根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
可选地,所述修正误差确定单元401,具体用于根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
可选地,所述修正误差确定单元401,还用于根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
可选地,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。
可选地,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;
所述预测负荷确定单元403,具体用于:针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
本发明实施例,根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;以及根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的。本发明实施例,在做负荷预测时,一方面对负荷预测的预测输入参数进行校正,然后根据校正后的参数代入神经网络模型得到预测负荷,然后再对预测负荷再做校正,得到校正后的预测负荷,从而该方法根据历史数据来校正预测结果,使得得到的预测负荷具有一定的平滑性,不会因为预测输入参数选择的好坏而导致预测结果有较大的波动,从而保证了预测结果的准确性。
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,则可对这些实施例做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)
1.一种基于神经网络的负荷预测方法,其特征在于,包括:
根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
2.如权利要求1所述的方法,其特征在于,根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
3.如权利要求1所述的方法,其特征在于,根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
4.如权利要求1-3中任一项所述的方法,其特征在于,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。
5.如权利要求1-3中任一项所述的方法,其特征在于,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;
所述根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷,包括:
针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
6.一种基于神经网络的负荷预测装置,其特征在于,包括:
修正误差确定单元,用于根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;
修正参数确定单元,用于根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;
预测负荷确定单元,用于根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;
修正预测负荷确定单元,用于根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
7.如权利要求6所述的装置,其特征在于,所述修正误差确定单元,具体用于根据下列公式确定所述输入参数修正误差:
其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。
8.如权利要求6所述的装置,其特征在于,所述修正误差确定单元,还用于根据下列公式确定所述负荷修正误差:
其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。
9.如权利要求6-8中任一项所述的装置,其特征在于,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。
10.如权利要求6-8中任一项所述的装置,其特征在于,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;
所述预测负荷确定单元,具体用于:
针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610387631.2A CN106067077A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610387631.2A CN106067077A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106067077A true CN106067077A (zh) | 2016-11-02 |
Family
ID=57420536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610387631.2A Pending CN106067077A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067077A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107579684A (zh) * | 2017-11-02 | 2018-01-12 | 北京航空航天大学 | 一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法 |
CN109255523A (zh) * | 2018-08-16 | 2019-01-22 | 北京奥技异科技发展有限公司 | 基于kks编码规则和大数据架构的分析指标计算平台 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
CN112747413A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 空调系统负荷预测方法及装置 |
CN112909936A (zh) * | 2021-02-04 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 火电机组运行状态的监测方法、装置和系统 |
CN115526434A (zh) * | 2022-11-07 | 2022-12-27 | 广东中思拓大数据研究院有限公司 | 对象信息预测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN103485977A (zh) * | 2013-09-06 | 2014-01-01 | 河海大学 | 风力发电系统实时功率预测的修正方法 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
CN105101254A (zh) * | 2014-05-09 | 2015-11-25 | 中国移动通信集团设计院有限公司 | 一种小区性能指标的预测方法、装置及电子设备 |
-
2016
- 2016-06-01 CN CN201610387631.2A patent/CN106067077A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN103485977A (zh) * | 2013-09-06 | 2014-01-01 | 河海大学 | 风力发电系统实时功率预测的修正方法 |
CN105101254A (zh) * | 2014-05-09 | 2015-11-25 | 中国移动通信集团设计院有限公司 | 一种小区性能指标的预测方法、装置及电子设备 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107579684A (zh) * | 2017-11-02 | 2018-01-12 | 北京航空航天大学 | 一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法 |
CN107579684B (zh) * | 2017-11-02 | 2019-12-13 | 北京航空航天大学 | 一种基于神经网络控制器的无传感器无刷直流电机换相误差校正方法 |
CN109255523A (zh) * | 2018-08-16 | 2019-01-22 | 北京奥技异科技发展有限公司 | 基于kks编码规则和大数据架构的分析指标计算平台 |
CN112747413A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 空调系统负荷预测方法及装置 |
CN112747413B (zh) * | 2019-10-31 | 2022-06-21 | 北京国双科技有限公司 | 空调系统负荷预测方法及装置 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
CN112909936A (zh) * | 2021-02-04 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 火电机组运行状态的监测方法、装置和系统 |
CN115526434A (zh) * | 2022-11-07 | 2022-12-27 | 广东中思拓大数据研究院有限公司 | 对象信息预测方法、装置、计算机设备和存储介质 |
CN115526434B (zh) * | 2022-11-07 | 2023-07-28 | 广东中思拓大数据研究院有限公司 | 对象信息预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106067077A (zh) | 一种基于神经网络的负荷预测方法及装置 | |
Kang et al. | An adaptive PID neural network for complex nonlinear system control | |
CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
CN105426970B (zh) | 一种基于离散动态贝叶斯网络的气象威胁评估方法 | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN111104732B (zh) | 一种基于深度强化学习的机动通信网智能规划方法 | |
CN108665175A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN110738344A (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
CN110738429A (zh) | 一种电能表状态评价方法及装置 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
Dini et al. | Water distribution network quality model calibration: a case study–Ahar | |
Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
CN106874568A (zh) | 一种球磨过程的物料粒径分布预测方法 | |
CN108197424A (zh) | 大规模网络教育中网络学习行为幂律分布概率建模方法 | |
CN106096761A (zh) | 一种基于神经网络的建筑负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20161102 |