CN106682764A - 一种基于并行预测策略的公共楼宇日前空调负荷预测方法 - Google Patents
一种基于并行预测策略的公共楼宇日前空调负荷预测方法 Download PDFInfo
- Publication number
- CN106682764A CN106682764A CN201611093020.3A CN201611093020A CN106682764A CN 106682764 A CN106682764 A CN 106682764A CN 201611093020 A CN201611093020 A CN 201611093020A CN 106682764 A CN106682764 A CN 106682764A
- Authority
- CN
- China
- Prior art keywords
- public building
- data
- load
- air
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004378 air conditioning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于并行预测策略的公共楼宇日前空调负荷预测方法,根据公共楼宇空调负荷的时序性特点,基于大样本采样数据建立采用并行预测策略,以减少累积误差的影响。在历史数据预处理过程中采用主成份分析方法与模糊C均值聚类方法相结合的模式,综合利用PCA的特征提取能力和模糊C均值聚类选取相似日的能力,同时降低输入变量的维度和样本数据的规模,从而改善了预测模型的精度和泛化能力。
Description
技术领域
本发明涉及一种基于并行预测策略的公共楼宇日前空调负荷预测方法,属于领域。
背景技术
公共楼宇用电负荷在当前城市电网负荷中占据重要地位,用电能耗占全社会总用电能耗的20%-35%,而其中空调负荷占公共楼宇总用电负荷的60%以上。为加强楼宇空调系统的运行能耗管理、降低能耗水平,首先需要对公共楼宇空调系统的用电负荷进行日前负荷预测。
国内外对短期、日前负荷预测的研究主要分为预测策略、预测方法、数据预处理方式及预测模型参数选取等层面。在预测策略的选取上,一般采用多步预测方式,每步预测得到的结果会代入到下一步预测的训练数据中,造成预测结果中包含累积误差,随着时间推移,累积误差量持续增大,影响预测精度。预测方法主要分为两类:一类是统计学方法,通过对历史数据的分析,归纳出负荷及相关因素之间关系的方程式,代表方法有多元线性回归、时间序列模型等;另一类是人工智能方法,通过模拟人类思维方式来映射负荷与其影响因素间的复杂非线性关系。支持向量机(SVM)作为机器学习方法,实现了结构风险最小化,具有较好的泛化性能和精度,在短期负荷预测中得到了广泛应用。在数据预处理过程中,负荷聚类、数据挖掘是常用的方法,其基本思想是通过对日负荷特性的分析,将样本数据分为若干子类,并分类建立预测模型。专家系统方法是根据专家的经验来对负荷数据进行分类;回归树方法本质上是一种模糊推理方法,在一定程度上能起到聚类的作用;自组织特征映射作为一种竞争性学习网络,不依赖主观经验,通过竞争机制实现聚类。关于预测模型参数的确定,当前研究对SVM预测模型参数(正则化参数、核函数参数)的选取多采用经验定参、实验对比、大范围搜寻或利用交叉验证试凑等思路进行寻优。
发明内容
发明目的:本发明提出一种基于并行预测策略的公共楼宇日前空调负荷预测方法,
技术方案:本发明采用的技术方案为一种基于并行预测策略的公共楼宇日前空调负荷预测方法,包括以下步骤:
1)采集公共楼宇空调负荷的时序数据、节假日数据、气温时序数据,所有数据经过筛选后对基础数据进行归一化处理,形成预测样本和训练样本所组成的样本空间;
2)采用PCA方法分别处理所述预测样本空间和训练样本空间,降低样本空间维度,得到代表数据特征的新综合指标;
3)用FCM算法对预测样本数据进行聚类;
4)建立SVM预测模型并预测未来任一时刻的负荷。
优选地,所述步骤1)中公共楼宇空调负荷的时序数据是公共楼宇空调负荷的24点数据。
优选地,所述步骤1)中气温时序数据是24点气温数据。
优选地,所述步骤3)中首先以步骤2)处理过的预测样本采用自适应FCM算法确定聚类类别和迭代收敛精度,并初始化聚类中心矩阵,以迭代法解出满足精度要求的最优模糊聚类矩阵和最优聚类中心矩阵;
接着计算训练样本到各聚类中心的距离,并选取训练样本中距离最小的样本子集作为预测模型的输入。
优选地,所述步骤4)中针对预测模型的输入采用SVM进行预测,并用适应度函数计算目标函数,然后采用粒子群算法对模型参数进行寻优得到SVM模型最优参数向量;将最优参数向量代入SVM模型得到决策回归模型,并预测未来任一时刻的负荷。
有益效果:本发明通过PCA方法可寻求有效且与负荷预测密切相关的最少输入变量,再结合模糊C均值聚类方法可快速找到合适规模的训练样本,提高计算效率和预测精度。在不同情况下,理想的SVM预测模型参数具有差异,采用PSO自适应优化SVM的模型参数可避免参数选择的盲目性。公共楼宇空调负荷的变化具有明显的时间特征,通过并行预测策略将多步预测问题转化为一步预测,可消除累积误差对预测结果的影响,并可同时进行各时间点的预测,提高了预测速度和预测精度。
附图说明
图1为公共楼宇典型日空调负荷曲线图;
图2为并行预测策略示意图;
图3为基于PSO的SVM参数寻优流程图;
图4为基于PSO-SVM模型的公共楼宇空调日前负荷预测流程图;
图5为主成分的方差贡献度柱状图;
图6为PSO优化预测模型参数的适应度曲线图;
图7为预测值与实际值对比图;
图8为预测结果散点图;
图9为预测值与实际值的相对误差图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。
根据实际调研数据,公共楼宇空调负荷所占比例在各行业特征中略有不同,其中酒店空调负荷占比为46%,商场空调系统负荷占24%,医院空调负荷占比为37%,办公楼宇空调负荷占比为48%。如图1所示,为某商场楼宇空调的典型日负荷曲线。
该商场营业时间为8点,从日空调负荷曲线可以看到,空调大约5点开始运转,商场开始做营业准备,约8点左右空调负荷到达第一个尖峰,此时室内温度开始稳定下来,等到中午12点左右,随着室外温度的增加,空调负荷迎来第二次爬坡,大约下午1点达到全日顶峰,从1点到晚上10点,空调负荷随着室外气温的降低缓慢减少,到商场22点关门时间后,空调负荷急剧下降,重新回归关闭状态。
针对上述问题,为更加准确预测公共楼宇日前的空调负荷曲线,本发明对公共楼宇空调日前24个时刻分别单独进行负荷预测,构建如图2所示的并行预测策略。对每个时刻的预测而言,在预测训练阶段,仅使用对应时刻的历史负荷数据进行训练。
通过建立空调日前负荷并行预测策略,既可并行对24个时刻进行预测,处理更大的数据集,减少预测时间,又在训练阶段只用对应时刻的数据参与训练,减少模型的有效训练时间,提高训练效率。一方面由于并行策略中每个模型只进行一步预测,消除了累积误差现象;另一方面,每个时刻的预测模型由对应时刻数据产生,既保留了时间序列对公共楼宇空调负荷的影响,又带入了相关性最强的信息到对应模型中,建立的负荷预测模型更加简单,可以提高泛化能力,降低过度拟合情况的发生概率。这些特性都有助于提高负荷的预测精度。
第一步首先采集公共楼宇空调负荷的24点数据、节假日数据、24点气温数据,筛选数据后对基础数据进行归一化处理,形成样本空间。其中,预测样本test_x为待预测日前七天的负荷数据,训练样本train_x取预测样本之前一年以上的历史数据,以保证模型的普适。train_x和test_x的数据结构包含待预测日前七天t时刻的负荷值、t时刻的气温、周属性、节假日属性。train_y为训练过程中待预测日t时刻负荷值。
第二步采用PCA方法分别处理上述train_x、test_x的样本空间,充分挖掘空调负荷的特征,降低样本空间维度,削减输入变量个数,即分析得到可代表数据特征的少数几个新的综合指标,一般来说选取累积方差贡献度达到95%以上的前几个变量。
主成份分析方法(PCA)是把多个变量转换为少数几个相互独立的综合变量的统计方法,计算步骤详见文献。其主要思想是基于历史数据中的输入变量,计算前k个综合变量的累积贡献度,当其大于某常数Q时,认为前k个变量能够提取历史数据的绝大部分特征信息,且能够最大程度反映和还原初始变量的信息。
第三步以部分处理过的test_x数据为样本,采用自适应的FCM算法自适应的确定聚类类别和迭代收敛精度,并初始化聚类中心矩阵,以迭代法解出满足精度要求的最优模糊聚类矩阵和最优聚类中心矩阵。
模糊C均值聚类(FCM)时间复杂性接近线性,适合对大规模数据进行挖掘分析。但常规FCM算法需要人为指定分类数,具有较强的主观性和随机性,为更好地对历史数据进行聚类,可采用自适应聚类数c的模糊C均值聚类方法。
第四步计算train_x到各聚类中心的距离,并选取train_x中最小的距离其所对应的样本子集作为预测模型的输入train_x2,选取其对应的训练样本比对集形成train_y2。
在支持向量回归机中,SVM模型在建模过程中要确定两个参数:即正则化参数C和高斯核函数的覆盖宽度σ。C是平衡因子,可以根据样本数据的特性来决定模型的复杂度和对拟合偏差的惩罚程度。σ是核函数的参数,精确定义了高维特征空间φ(x)的结构,因而控制了最终解的复杂性。SVM的性能在很大程度上受这两个参数的影响,因此,有必要对这些参数进行优化以使泛化误差最小,本发明采用粒子群算法对其进行优化。
由于粒子群优化SVM模型参数的目标是提高SVM的模型的回归精度,因此其适应度函数应评价预测模型对训练样本拟合的偏移程度。令训练样本的均方根误差为PSO的适应度函数fitness,则有:
其中,N代表样本数量,k代表样本编号,ek代表第k个样本的误差。
计算该适应度函数,其值越小,适应能力越强。基于PSO的SVM预测模型参数寻优流程如图3所示。
第五步分别针对选取的初始数据(train_x2的一段数据)采用SVM进行预测,并用公式(1)根据每组预测结果与对应的实际值(train_y2中的相应数据)计算体现预测精度的目标函数,然后采用粒子群算法对模型参数进行寻优买得到SVM模型最优参数向量(c,g)。
第六步将最优参数向量(c,g)代入SVM模型,得到决策回归模型,将train_x2、train_y2样本数据带入模型中进行训练,然后将处理过的test_x代入训练好的预测模型对公共楼宇空调预测日负荷数据进行预测。
上述步骤整体如图4所示。接下来给出一个算例。
在保证不过拟合前提下,SVM采用的数据量越大预测精度越高,故本发明以苏州石路国际商场2014年1-12月、2015年1-8月的24小时空调负荷数据及气象数据为基础,对其2015年8月17日的负荷曲线进行预测。在样本训练和预测过程中,每个时刻的预测输入有10项:1-7项为预测日前七天对应时刻的负荷L(d-1,h),L(d-2,h),L(d-3,h),L(d-4,h),L(d-5,h),L(d-6,h),L(d-7,h);第8项为预测日该时刻的气温T;第9项为预测日的周属性W=(1,2,...,7);第10项为预测日的节日属性F=(1,0),1表示节假日,0表示工作日。以下是时刻1的预测过程分析。
基于上述历史数据进行主成份分析得出4个主成分,其方差贡献度柱状图如图5所示。
表1PCA总方差解释及累积方差贡献度
根据图5和表1的内容,前四个成分的PCA总方差贡献度已经达到97.7042%,第五个成分总方差解释已经不足1%,故选取前四个成分作为模糊C均值聚类和SVM预测的输入数据。
表2模糊划分隶属矩阵
应用聚类数自适应的参数模糊C均值聚类算法对抽取主成份后的历史数据进行聚类,结果最佳聚类数c=6。其中模糊划分隶属矩阵U如表2所示,聚类中心矩阵V如表3所示。
表3聚类中心矩阵
计算预测日时刻1测试样本数据到各聚类中心的欧式距离,结果最短欧式距离所对应是第三类,因此,取训练样本中所有的第三类对应的时刻1历史数据作为时刻1预测模型的训练样本,送入到SVM负荷预测模型中。
然后采用粒子群算法对各个时刻负荷预测模型的参数进行优化,其中时刻1参数优化的适应度变化曲线如图6所示,参数C=0.70711,σ=11.3137。为了对比分析,同时采用常规的交叉验证试凑方法来确定参数,结果为C=0.925,σ=12.3065。
基于训练好的24个时刻的预测模型进行并行预测,得出待预测日的负荷曲线,预测值与实际值对比曲线如图7所示。
图8列出了预测值与真实值的散点图,从图中可以看出,预测值与实际值基本呈线性关系,拟合程度较好,说明本发明所建立的方法预测结果可信度较高。
进一步对预测值偏移实际值的相对误差进行计算,结果如图9所示,误差偏移较为稳定,相对误差基本保持在9%的范围内波动。
Claims (5)
1.一种基于并行预测策略的公共楼宇日前空调负荷预测方法,其特征在于:包括以下步骤:
1)采集公共楼宇空调负荷的时序数据、节假日数据、气温时序数据,所有数据经过筛选后对基础数据进行归一化处理,形成预测样本和训练样本所组成的样本空间;
2)采用PCA方法分别处理所述预测样本空间和训练样本空间,降低样本空间维度,得到代表数据特征的新综合指标;
3)用FCM算法对预测样本数据进行聚类;
4)建立SVM预测模型并预测未来任一时刻的负荷。
2.根据权利要求1所述的基于并行预测策略的公共楼宇日前空调负荷预测方法,其特征在于:所述步骤1)中公共楼宇空调负荷的时序数据是公共楼宇空调负荷的24点数据。
3.根据权利要求1所述的基于并行预测策略的公共楼宇日前空调负荷预测方法,其特征在于:所述步骤1)中气温时序数据是24点气温数据。
4.根据权利要求1所述的基于并行预测策略的公共楼宇日前空调负荷预测方法,其特征在于:所述步骤3)中首先以步骤2)处理过的预测样本采用自适应FCM算法确定聚类类别和迭代收敛精度,并初始化聚类中心矩阵,以迭代法解出满足精度要求的最优模糊聚类矩阵和最优聚类中心矩阵;
接着计算训练样本到各聚类中心的距离,并选取训练样本中距离最小的样本子集作为预测模型的输入。
5.根据权利要求1所述的基于并行预测策略的公共楼宇日前空调负荷预测方法,其特征在于:所述步骤4)中针对预测模型的输入采用SVM进行预测,并用适应度函数计算目标函数,然后采用粒子群算法对模型参数进行寻优得到SVM模型最优参数向量;将最优参数向量代入SVM模型得到决策回归模型,并预测未来任一时刻的负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093020.3A CN106682764A (zh) | 2016-12-02 | 2016-12-02 | 一种基于并行预测策略的公共楼宇日前空调负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611093020.3A CN106682764A (zh) | 2016-12-02 | 2016-12-02 | 一种基于并行预测策略的公共楼宇日前空调负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106682764A true CN106682764A (zh) | 2017-05-17 |
Family
ID=58866317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611093020.3A Pending CN106682764A (zh) | 2016-12-02 | 2016-12-02 | 一种基于并行预测策略的公共楼宇日前空调负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682764A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107401816A (zh) * | 2017-08-07 | 2017-11-28 | 珠海格力电器股份有限公司 | 空调系统能耗的确定方法和装置 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
CN111274733A (zh) * | 2020-02-03 | 2020-06-12 | 广东美的暖通设备有限公司 | 数据处理方法、数据处理装置、空调系统和存储介质 |
CN111649457A (zh) * | 2020-05-13 | 2020-09-11 | 中国科学院广州能源研究所 | 一种动态预测性机器学习型空调节能控制方法 |
CN115800272A (zh) * | 2023-02-06 | 2023-03-14 | 国网山东省电力公司东营供电公司 | 基于拓扑识别的电网故障分析方法、系统、终端及介质 |
-
2016
- 2016-12-02 CN CN201611093020.3A patent/CN106682764A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107401816A (zh) * | 2017-08-07 | 2017-11-28 | 珠海格力电器股份有限公司 | 空调系统能耗的确定方法和装置 |
CN107401816B (zh) * | 2017-08-07 | 2019-07-09 | 珠海格力电器股份有限公司 | 空调系统能耗的确定方法和装置 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108171379B (zh) * | 2017-12-28 | 2021-12-17 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108317683A (zh) * | 2018-01-19 | 2018-07-24 | 四川斐讯信息技术有限公司 | 一种室内温湿度的预测方法及系统 |
CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
CN111274733A (zh) * | 2020-02-03 | 2020-06-12 | 广东美的暖通设备有限公司 | 数据处理方法、数据处理装置、空调系统和存储介质 |
CN111649457A (zh) * | 2020-05-13 | 2020-09-11 | 中国科学院广州能源研究所 | 一种动态预测性机器学习型空调节能控制方法 |
CN115800272A (zh) * | 2023-02-06 | 2023-03-14 | 国网山东省电力公司东营供电公司 | 基于拓扑识别的电网故障分析方法、系统、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682764A (zh) | 一种基于并行预测策略的公共楼宇日前空调负荷预测方法 | |
CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 | |
Heydari et al. | A novel composite neural network based method for wind and solar power forecasting in microgrids | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN106874581A (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN105678404A (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN109858700A (zh) | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 | |
CN111325315A (zh) | 基于深度学习的配变停电电量损失预测的方法 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN111768622A (zh) | 一种基于改进灰狼算法的短时交通量预测方法 | |
CN113935557A (zh) | 一种基于深度学习的相同模式能耗大数据预测方法 | |
CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170517 |