CN107895203B - 一种基于信号稀疏表示的建筑分项冷负荷获取方法 - Google Patents
一种基于信号稀疏表示的建筑分项冷负荷获取方法 Download PDFInfo
- Publication number
- CN107895203B CN107895203B CN201711027913.2A CN201711027913A CN107895203B CN 107895203 B CN107895203 B CN 107895203B CN 201711027913 A CN201711027913 A CN 201711027913A CN 107895203 B CN107895203 B CN 107895203B
- Authority
- CN
- China
- Prior art keywords
- cold load
- load
- matrix
- cold
- total
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种基于信号稀疏表示的建筑分项冷负荷获取方法:字典学习,即:将总冷负荷分为四项分项冷负荷,将四项分项冷负荷的逐时历史数据分别写作矩阵形式;对所述的矩阵形式分别采用非负K‑SVD字典学习算法,得到四个字典矩阵;将总冷负荷分解,是利用稀疏表示相关算法,由总冷负荷和字典矩阵得到四个稀疏系数矩阵;分项冷负荷信号重组,是利用矩阵相乘的方法,将求得的对应于温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的四个字典矩阵及四个稀疏系数矩阵对应相乘,获取由总冷负荷分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷。本发明可以高效快捷地实现建筑总冷负荷信号的分解及建筑分项冷负荷动态数据的获取。
Description
技术领域
本发明涉及一种建筑分项冷负荷获取方法。特别是涉及一种将建筑总的逐时冷负荷分解为具有不同物理意义的分项逐时冷负荷的基于信号稀疏表示的建筑分项冷负荷获取方法。
背景技术
建筑节能问题已受到社会的广泛关注,其中,由于夏季供冷能耗在建筑整体能耗中占很大比例,供冷节能问题也已成为当今社会的关注焦点。在探讨建筑供冷节能问题时,不仅应关注供冷系统的总能耗,更应该分析各供冷子系统的用能规律,从而掌握建筑各部件的作用与表现,以优化建筑设计与指导建筑运行。供冷系统总能耗可以用建筑总冷负荷来表示,建筑总冷负荷由四项分项冷负荷组成,包括由于围护结构内外温差传热形成的冷负荷(简称温差冷负荷),由于通过窗户的太阳辐射形成的冷负荷(简称辐射冷负荷),由于引入室外新风形成的冷负荷(简称新风冷负荷),由于人员、灯光、设备等内扰因素形成的冷负荷(简称内扰冷负荷),对分项冷负荷的获取与分析对建筑的节能设计与运行有着重要的现实意义。然而,建筑的分项冷负荷是无法直接监测与测量的,只有建筑总冷负荷可以通过供冷系统的实际运行数据测得,因此如果能通过建筑的动态运行数据反向解析得到建筑的分项冷负荷,则可以高效便利地获取建筑分项冷负荷的动态数据,从而对建筑节能实现重要指导意义。
发明内容
本发明所要解决的技术问题是,提供一种通过建筑总冷负荷的动态数据,反向分解得到建筑分项冷负荷动态数据的基于信号稀疏表示的建筑分项冷负荷获取方法。
本发明所采用的技术方案是:一种基于信号稀疏表示的建筑分项冷负荷获取方法,包括如下步骤:
1)字典学习,包括:
(1)将总冷负荷分为四项分项冷负荷,包括:温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷,将四项分项冷负荷的逐时历史数据分别写作矩阵形式;
(2)对所述的矩阵形式分别采用非负K-SVD字典学习算法,得到四个字典矩阵;
2)将总冷负荷分解,是利用稀疏表示相关算法,由总冷负荷和字典矩阵得到四个稀疏系数矩阵;
3)分项冷负荷信号重组,是利用矩阵相乘的方法,将步骤1)和步骤2)求得的对应于温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的四个字典矩阵及四个稀疏系数矩阵对应相乘,获取由总冷负荷分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷。
步骤1)第(1)步具体是:将温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷四项分项冷负荷的逐时历史数据分别写作矩阵X1、X2、X3和X4的形式,其中X1、X2、X3和X4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的历史数据,且X1、X2、X3和X4矩阵的行数为24,表示一天24小时,列数为历史数据所包含的天数。
步骤1)第(2)步具体是:分别对矩阵X1、X2、X3和X4采用非负K-SVD字典学习算法,得到四个字典矩阵B1、B2、B3和B4,其中,四个字典矩阵B1、B2、B3和B4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的字典,且四个字典矩阵B1、B2、B3和B4矩阵的行数为24,表示一天24小时,列数为大于24且小于矩阵X1、X2、X3和X4列数的数值。
步骤2)包括:
(2)设置矩阵A'1、A'2、A'3和A'4为任意非负矩阵,其中矩阵A'1、A'2、A'3和A'4的行数等于字典矩阵B1、B2、B3和B4的列数,矩阵A'1、A'2、A'3和A'4的列数等于总冷负荷矩阵的列数,矩阵A'1、A'2、A'3和A'4分别为温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的稀疏系数矩阵;
(3)设置稀疏度λ为0至1之间的任意数值;
(4)循环迭代以下各步直至收敛
将A'1、A'2、A'3和A'4矩阵中的所有负数项赋值为0;
(5)得到各分项冷负荷的稀疏系数矩阵A'1、A'2、A'3和A'4。
步骤3)包括:
(1)分别将四个字典矩阵B1、B2、B3和B4与四个稀疏系数矩阵A'1、A'2、A'3和A'4对应相乘;
(2)乘积所得的四个矩阵写作和其中和分别表示分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的估计值,和的行数和列数与用于分解的总冷负荷矩阵相同,即,行数为24,列数分别为总冷负荷逐时数据所包含的天数,且每一列代表一天中24小时的逐时冷负荷。
本发明的一种基于信号稀疏表示的建筑分项冷负荷获取方法,所需数据较少,且算法运行速度较快,可以高效快捷地实现建筑总冷负荷信号的分解及建筑分项冷负荷动态数据的获取。解决了建筑分项冷负荷无法直接测量的缺陷,有利于优化建筑的节能设计与运行,本发明具有以下优点:
1、创新性地提出了通过将建筑总冷负荷信号分解来获取建筑各分项冷负荷的动态数据的方法。
2、该方法在获取建筑分项冷负荷动态数据的过程中无需得知气象参数、建筑结构与热工参数等不易获知的数据,在应用时有着便捷与高效的优势。
3、使用该方法所分解得到的各个分项冷负荷各自具有特定的物理意义,而不是单纯基于不同频率的冷负荷分项分解。
附图说明
图1是本发明一种基于信号稀疏表示的建筑分项冷负荷获取方法的流程图;
图2a是用于分解的总冷负荷示意图;
图2b是分解所得温差冷负荷的估计值与实际值的对比示意图;
图2c是分解所得辐射冷负荷的估计值与实际值的对比示意图;
图2d是分解所得新风冷负荷的估计值与实际值的对比示意图;
图2e是分解所得内扰冷负荷的估计值与实际值的对比示意图。
具体实施方式
下面结合实施例和附图对本发明的一种基于信号稀疏表示的建筑分项冷负荷获取方法做出详细说明。
本发明的一种基于信号稀疏表示的建筑分项冷负荷获取方法,是由非负字典学习与非负稀疏表示相关算法所实现的一种将建筑总冷负荷信号分解为各个分项冷负荷信号的方法。该方法的核心思想是,首先采用字典学习方法分别为每项分项冷负荷找到一个可以特定表现其形态特征的冗余字典;而后应用已得到的字典,将总冷负荷信号写成四个字典矩阵与相应稀疏系数矩阵的线性组合,求得四个稀疏系数矩阵的最优解;最后分别将四个字典矩阵与四个稀疏系数矩阵相乘,求得的四个矩阵即为四项分项冷负荷的估计值。本发明的方法由字典学习,总冷负荷信号分解,分项冷负荷信号重组三个步骤组成。
如图1所示,本发明的一种基于信号稀疏表示的建筑分项冷负荷获取方法,包括如下步骤:
1)字典学习,包括:
(1)将总冷负荷分为四项分项冷负荷,包括:温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷,将四项分项冷负荷的逐时历史数据分别写作矩阵形式;具体是:
将温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷四项分项冷负荷的逐时历史数据分别写作矩阵X1、X2、X3和X4的形式,其中X1、X2、X3和X4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的历史数据,且X1、X2、X3和X4矩阵的行数为24,表示一天24小时,列数为历史数据所包含的天数。
(2)对所述的矩阵形式分别采用非负K-SVD字典学习算法,得到四个字典矩阵;具体是:
分别对矩阵X1、X2、X3和X4采用非负K-SVD字典学习算法(可详见[1]),得到四个字典矩阵B1、B2、B3和B4,其中,四个字典矩阵B1、B2、B3和B4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的字典,且四个字典矩阵B1、B2、B3和B4矩阵的行数为24,表示一天24小时,列数为大于24且小于矩阵X1、X2、X3和X4列数的数值。
2)将总冷负荷分解,是利用稀疏表示相关算法,由总冷负荷和字典矩阵得到四个稀疏系数矩阵;包括:
(2)设置矩阵A'1、A'2、A'3和A'4为任意非负矩阵,其中矩阵A'1、A'2、A'3和A'4的行数等于字典矩阵B1、B2、B3和B4的列数,矩阵A'1、A'2、A'3和A'4的列数等于总冷负荷矩阵的列数,矩阵A'1、A'2、A'3和A'4分别为温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的稀疏系数矩阵;
(3)设置稀疏度λ为0至1之间的任意数值;
(4)循环迭代以下各步直至收敛
将A'1、A'2、A'3和A'4矩阵中的所有负数项赋值为0;
(5)得到各分项冷负荷的稀疏系数矩阵A'1、A'2、A'3和A'4。
3)分项冷负荷信号重组,是利用矩阵相乘的方法,将步骤1)和步骤2)求得的对应于温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的四个字典矩阵及四个稀疏系数矩阵对应相乘,获取由总冷负荷分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷。包括:
(1)分别将四个字典矩阵B1、B2、B3和B4与四个稀疏系数矩阵A'1、A'2、A'3和A'4对应相乘;
(2)乘积所得的四个矩阵写作和其中和分别表示分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的估计值,和的行数和列数与用于分解的总冷负荷矩阵相同,即,行数为24,列数分别为总冷负荷逐时数据所包含的天数,且每一列代表一天中24小时的逐时冷负荷。
下面给出一使用本发明方法的实例:
(1)应用Trnsys模拟软件对一栋6层居住建筑在1990年至2010年天津的气象条件下的冷负荷进行逐时模拟,得到相应总冷负荷及各项分项冷负荷数据。
(2)将建筑从1990年至2009年共20年的四项分项冷负荷数据作为历史数据,并将四组逐时历史数据分别写作矩阵X1、X2、X3和X4的形式。其中X1、X2、X3和X4分别代表温差冷负荷、辐射冷负荷、新风冷负荷、内扰冷负荷的历史数据,且X1、X2、X3和X4矩阵的行数和列数分别为24和1000。
(3)分别对X1、X2、X3和X4采用非负K-SVD字典学习算法,得到四个字典矩阵B1、B2、B3和B4。其中,B1、B2、B3和B4分别代表温差冷负荷、辐射冷负荷、新风冷负荷、内扰冷负荷的字典,且B1、B2、B3和B4矩阵的行数和列数分别为24和150。
(5)设置矩阵A'1、A'2、A'3和A'4为任意非负矩阵,其中矩阵A'1、A'2、A'3和A'4分别代表温差冷负荷、辐射冷负荷、新风冷负荷、内扰冷负荷的稀疏系数矩阵,且矩阵A'1、A'2、A'3和A'4的行数和列数分别为150和40。设置稀疏度λ为0.5。
(6)循环迭代以下各步直至收敛,以获得最优的稀疏系数矩阵A'1、A'2、A'3和A'4。
将A'1、A'2、A'3和A'4矩阵中的所有负数项赋值为0。
(7)分别将字典矩阵B1、B2、B3和B4与相对应的稀疏系数矩阵A'1、A'2、A'3和A'4相乘。将乘积所得的四个矩阵写作和其中和分别代表分解所得的温差冷负荷、辐射冷负荷、新风冷负荷、内扰冷负荷的估计值。和的行数和列数分别为24和40,且每一列代表一天中24小时的逐时冷负荷,列数代表所得分解结果的天数为40天。
(8)将模拟所得建筑在2010年夏季所有工作日的四项分项冷负荷数据作为各分项冷负荷的实际值,并将其与所得分解结果中四项分项冷负荷数据的估计值相比较,对比结果如图2所示。
由对比结果图2可以看出,四项分项冷负荷数据的估计值与实际值在形态与幅值上非常相近,因此该分解结果也可以证明该发明所提供方法的可行性与准确性。
Claims (4)
1.一种基于信号稀疏表示的建筑分项冷负荷获取方法,其特征在于,包括如下步骤:
1)字典学习,包括:
(1)将总冷负荷分为四项分项冷负荷,包括:温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷,将四项分项冷负荷的逐时历史数据分别写作矩阵形式;
(2)对所述的矩阵形式分别采用非负K-SVD字典学习算法,得到四个字典矩阵;
2)将总冷负荷分解,是利用稀疏表示相关算法,由总冷负荷和字典矩阵得到四个稀疏系数矩阵;包括:
(2)设置矩阵A'1、A'2、A'3和A'4为任意非负矩阵,其中矩阵A'1、A'2、A'3和A'4的行数等于字典矩阵B1、B2、B3和B4的列数,矩阵A'1、A'2、A'3和A'4的列数等于总冷负荷矩阵的列数,矩阵A'1、A'2、A'3和A'4分别为温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的稀疏系数矩阵;
(3)设置稀疏度λ为0至1之间的任意数值;
(4)循环迭代以下各步直至收敛
将A'1、A'2、A'3和A'4矩阵中的所有负数项赋值为0;
(5)得到各分项冷负荷的稀疏系数矩阵A'1、A'2、A'3和A'4;
3)分项冷负荷信号重组,是利用矩阵相乘的方法,将步骤1)和步骤2)求得的对应于温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的四个字典矩阵及四个稀疏系数矩阵对应相乘,获取由总冷负荷分解所得的温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷。
2.根据权利要求1所述的一种基于信号稀疏表示的建筑分项冷负荷获取方法,其特征在于,步骤1)第(1)步具体是:将温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷四项分项冷负荷的逐时历史数据分别写作矩阵X1、X2、X3和X4的形式,其中X1、X2、X3和X4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的历史数据,且X1、X2、X3和X4矩阵的行数为24,表示一天24小时,列数为历史数据所包含的天数。
3.根据权利要求1所述的一种基于信号稀疏表示的建筑分项冷负荷获取方法,其特征在于,步骤1)第(2)步具体是:分别对矩阵X1、X2、X3和X4采用非负K-SVD字典学习算法,得到四个字典矩阵B1、B2、B3和B4,其中,四个字典矩阵B1、B2、B3和B4分别对应表示温差冷负荷、辐射冷负荷、新风冷负荷和内扰冷负荷的字典,且四个字典矩阵B1、B2、B3和B4矩阵的行数为24,表示一天24小时,列数为大于24且小于矩阵X1、X2、X3和X4列数的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711027913.2A CN107895203B (zh) | 2017-10-28 | 2017-10-28 | 一种基于信号稀疏表示的建筑分项冷负荷获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711027913.2A CN107895203B (zh) | 2017-10-28 | 2017-10-28 | 一种基于信号稀疏表示的建筑分项冷负荷获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895203A CN107895203A (zh) | 2018-04-10 |
CN107895203B true CN107895203B (zh) | 2021-06-25 |
Family
ID=61803328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711027913.2A Active CN107895203B (zh) | 2017-10-28 | 2017-10-28 | 一种基于信号稀疏表示的建筑分项冷负荷获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895203B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191418A (zh) * | 2021-04-27 | 2021-07-30 | 华中科技大学 | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN104573738A (zh) * | 2013-10-28 | 2015-04-29 | 北京大学 | 信号处理方法及其装置 |
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100830095B1 (ko) * | 2007-11-12 | 2008-05-20 | 충남대학교산학협력단 | 냉방부하 예측방법 |
-
2017
- 2017-10-28 CN CN201711027913.2A patent/CN107895203B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN104573738A (zh) * | 2013-10-28 | 2015-04-29 | 北京大学 | 信号处理方法及其装置 |
CN107169606A (zh) * | 2017-05-18 | 2017-09-15 | 天津大学 | 一种办公建筑冷负荷的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107895203A (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436971B (zh) | 适用于非正定型相关性控制的改进拉丁超立方抽样方法 | |
CN111092451B (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN114237057B (zh) | 智慧楼宇用电分析的动态建模方法、系统、设备和介质 | |
CN109409605A (zh) | 一种近零能耗住宅准动态能耗计算方法、优化设计方法 | |
CN105608271A (zh) | 一种基于分解与优化的短期风速时序预测方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN107895203B (zh) | 一种基于信号稀疏表示的建筑分项冷负荷获取方法 | |
Yingying et al. | Application of Principal Component Regression Analysis in power load forecasting for medium and long term | |
Zhao et al. | Regulation factors driving vegetation changes in China during the past 20 years | |
CN104751253A (zh) | 基于b-样条基底展开曲线聚类的配电网潮流预测方法 | |
CN109409604B (zh) | 一种基于遗传算法-支持向量机的冷负荷预测方法 | |
CN112113316B (zh) | 一种空调负荷提取的方法 | |
CN111614086A (zh) | 一种面向电力系统多状态变量的滤波估计和预测估计方法 | |
Xia et al. | Monthly calibration and optimization of Ångström-Prescott equation coefficients for comprehensive agricultural divisions in China | |
CN104809337A (zh) | 一种变电站主要站用负荷用电实用模型建模方法 | |
Song et al. | Load Day-Ahead Prediction of Integrated Energy System Based on VMD-MLR-TCN | |
CN106447234A (zh) | 基于层次聚类法的风电场弃风电量评估方法 | |
Peng et al. | SAGA-FCM-LSSVM model-based short-term power forecasting of photovoltaic power plants | |
Lingsheng et al. | Photovoltaic output power estimation model based on multi-meteorological variable dimension reduction and improved variational mode decomposition algorithm | |
Yin et al. | Photovoltaic power prediction model based on empirical mode decomposition-long-short memory neural network | |
Lv et al. | Evolution of the spillover effect of pilot carbon markets in China | |
Lu et al. | A novel hybrid data-driven PV output prediction method based on error correction | |
Xu et al. | Aggregated Power Prediction of Thermostatically Controlled Loads Based on Multi-scale Residual Gated Recurrent Unit Network | |
Sun et al. | Gas-Electric Power Coupling Simulation Method for Integrated Energy System Based on Improved MCMC |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |