CN107992983A - 用于物流博览会平台的能耗预测方法、系统、设备及存储介质 - Google Patents
用于物流博览会平台的能耗预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN107992983A CN107992983A CN201711488422.8A CN201711488422A CN107992983A CN 107992983 A CN107992983 A CN 107992983A CN 201711488422 A CN201711488422 A CN 201711488422A CN 107992983 A CN107992983 A CN 107992983A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- real time
- time data
- forecasting methodology
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000007935 neutral effect Effects 0.000 claims abstract description 11
- 230000001413 cellular effect Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000006698 induction Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于物流博览会平台的能耗预测方法、系统、设备及存储介质，能耗预测方法包括：采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网NB‑IOT模组传输至OneNET云平台；在OneNET平台提取实时数据，将实时数据导入数据库后进行整理；采取神经网络模式对多点能耗进行预测。本发明采集的能耗数据经过数据清洗，去除了不合理值，解决了多监控点能耗数据采集、管理的问题。另外，基于神经网络进行能耗预测，可以有效提高预测能耗的精度。
Description
技术领域
本发明涉及物联网技术领域，特别是涉及一种用于物流博览会平台的能耗预测方法及系统。
背景技术
物流博览会的管理面积大，需要监控的点位多，尤其是会场分成许多分散的供能区域，然而，目前对这些供能区域缺乏有效的能耗预测方法和统一的管理平台，加大了管理的难度和繁琐程度，无法满足对会场整体能耗的预测及管理的要求越来越高的要求。
发明内容
本发明的目的是提供一种用于物流博览会平台的能耗预测方法及系统，其能够对多品牌车辆的停放进行统一的规范管理。
一方面，本发明实施例提供了一种用于物流博览会平台的能耗预测方法，其包括如下步骤：采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网(NarrowBand Internet of Things,NB-IoT)模组传输至OneNET云平台；在OneNET平台提取实时数据，将实时数据导入数据库后进行整理；采取神经网络模式对多点能耗进行预测。
根据本发明实施例的一方面，在OneNET平台提取实时数据、将实时数据导入数据库后进行整理包括：提取实时数据；将实时数据导入数据库，并进行数据校验；清洗逻辑错误数据；清洗非需求数据。
根据本发明实施例的一方面，采取神经网络模式对多点能耗进行预测包括：获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
根据本发明实施例的一方面，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。
根据本发明实施例的一方面，调整神经网络结构包括：调整隐含层神经元的个数；比较相应的校验数据段的预测能耗的均方根误差；选择最优的隐含层神经元的个数。
另一方面，本发明实施例还提供了一种用于物流博览会平台的能耗预测系统，包括：监测模块，用于采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网NB-IOT模组传输至OneNET云平台；数据整理模块，用于在OneNET平台提取实时数据，将实时数据导入数据库后进行整理；能耗预测模块，用于采取神经网络模式对多点能耗进行预测。
根据本发明实施例的一方面，能耗预测模块进一步用于，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
根据本发明实施例的一方面，能耗预测模块进一步用于，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。
根据本发明实施例的一方面，能耗预测模块进一步用于，通过下述方法调整神经网络结构：调整隐含层神经元的个数，比较相应的校验数据段的预测能耗的均方根误差，选择最优的隐含层神经元的个数。
另一方面，本发明实施例还提供了一种用于物流博览会平台的能耗预测设备，包括：存储器，存储有计算机程序指令；处理器，当计算机程序指令被处理器执行时实现如前所述的用于物流博览会平台的能耗预测方法。
另一方面，本发明实施例还提供了一种计算机可读存储介质，包括：计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行如前所述的用于物流博览会平台的能耗预测方法。
本发明实施例提供的用于物流博览会平台的能耗预测方法及系统，采集的能耗数据经过数据清洗，去除了不合理值，解决了多监控点能耗数据采集、管理的问题。另外，基于神经网络进行能耗预测，可以有效提高预测能耗的精度。
附图说明
下面将参考附图来描述本发明示例性实施例的特征、优点和技术效果。
图1是本发明实施例提供的一种用于物流博览会平台的能耗预测方法的流程框图；
图2是本发明实施例提供的一种用于物流博览会平台的能耗预测系统的示意性原理框图；
图3是图2所示的用于物流博览会平台的能耗预测系统的检测模块的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的实施例。
为了更好地理解本发明，下面结合图1至图3对本发明实施例的用于物流博览会平台的能耗预测方法及系统进行详细描述。
参阅图1，本发明实施例提供了一种用于物流博览会平台的能耗预测方法，其包括：
步骤S1，采集能源表的实时数据，并将实时数据通过NB-IoT模组传输至OneNET云平台。
能源表包括例如但不限于电表、水表、气表、热表等，通过红外感应单元与能源表交互采集能源表的实时数据。
步骤S2，在OneNET平台提取实时数据，将实时数据导入数据库后进行整理。
步骤S3，采取神经网络模式对多点能耗进行预测。
进一步地，步骤S2中，在OneNET平台提取实时数据、将实时数据导入数据库后进行整理包括：
步骤S21，提取实时数据。
OneNET平台将实时数据通过http接口直接推送至展示大屏的web端程序后，提取实时数据。
步骤S22，将实时数据导入数据库，并进行数据校验。
该数据包括能源表的实时数据和感应到的红外数据，例如水表、电表、气表、热表的详细数据以及红外检测到的热感应数据。数据校验即通过字段解释、数据来源、代码表等描述数据的信息来验证元数据。
步骤S23，清洗逻辑错误数据。
逻辑错误数据包括冗余的水、气、热能等数据。这些数据设定有具有参考意义的初始阀值，超出初始阀值的数据、短时间上传的重复数据均应被清洗。如果当前上报的水、气、热表的数据比上一次上报的数据还要少，应根据之前的历史统计数据修正采集的值。
步骤S24，清洗非需求数据。
非需求数据主要是红外感应的数据，例如关注的人的数据，以及其它热源、光源等数据应进行数据清洗。以删除不符合需求涉及范围的字段。
上述对于实时数据的清洗过程可以大量减少数据处理过程中的流程以及时间。
进一步地，步骤S3中，采取神经网络模式对多点能耗进行预测包括：
步骤S31，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段。
具体地，将各监控点的实际能耗数据按时间顺序分成不同的数据段，选取若干段作为校验数据段。时间顺序可以为，例如1小时一段或者2小时一段，灵活配置。
步骤S32，设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据。以第1个小时的统计数据作为初始值，后面每个时间段根据实时的值修正学习的值。
步骤S33，利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数。
当前的所述实际能耗数据即为水、气、热能、红外感应单元在一段时间内的数据。优化目标为能耗的均方根误差，优化的方法为利用最小二乘法训练神经网络的参数，例如，根据结果调整的学习次数和学习速率，将这组参数作为起点，寻找最优的神经网络参数。
具体来说，首先确定能源关键参数，以作为优化设计变量及样本数；采用试验方法生成样本并对其进行筛选得到符合要求的样本点；对初始样本进行整体场馆能耗分配造型、网格划分，获得相应性能参数，建立优化样本数据库；导入BP神经网络模块，经学习训练后建立优化算法的近似代理模型；最后将其内嵌入NSGA-Ⅱ多目标遗传算法中，以电、热能值最优为目标，进行遗传算法的寻优求解，解出场馆能耗整体的最优解集。
步骤S34，利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。调整神经网络结构包括：调整隐含层神经元的个数；比较相应的校验数据段的预测能耗的均方根误差；选择最优的隐含层神经元的个数。
参阅图2和图3，本发明实施例还提供了一种用于物流博览会平台的能耗预测系统，包括：监测模块10、数据整理模块20和能耗预测模块30。
监测模块10用于采集能源表的实时数据，并将实时数据通过基于蜂窝的窄带物联网NB-IOT模组传输至OneNET云平台。红外传感单元是监控模块10的子模块，其采集的数据传输至监控模块10。监测模块10的结构如图3所示。
数据整理模块20用于在OneNET平台提取实时数据，将实时数据导入数据库后进行整理。
能耗预测模块30用于采取神经网络模式对多点能耗进行预测。
进一步地，能耗预测模块30进一步用于，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，并以第1个小时的统计数据作为初始值，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化神经网络结构的权值，寻找最优的神经网络参数；利用校验数据段的数据测试最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
进一步地，能耗预测模块30进一步用于，如果测试精度不满足要求，则调整神经网络的结构，重新训练网络。
能耗预测模块30进一步用于，通过下述方法调整神经网络结构：调整隐含层神经元的个数，比较相应的校验数据段的预测能耗的均方根误差，选择最优的隐含层神经元的个数。
可以理解的是，本发明实施例提供的用于物流博览会平台的能耗预测系统是前述用于物流博览会平台的能耗预测方法的执行主体，关于各模块具体的执行方式可以参见前述用于物流博览会平台的能耗预测方法的内容，在此不再赘述。
本发明实施例提供的用于物流博览会平台的能耗预测方法及系统，采集的能耗数据经过数据清洗，去除了不合理值，解决了多监控点能耗数据采集、管理的问题。另外，基于神经网络进行能耗预测，可以有效提高预测能耗的精度。
另外，本发明实施例还提供一种用于物流博览会平台的能耗预测设备，包括：存储器，存储有计算机程序指令；处理器，当计算机程序指令被处理器执行时实现如前所述的用于物流博览会平台的能耗预测方法。
另外，本发明实施例还提供了一种计算机可读存储介质，包括：计算机可读存储介质包括指令，当指令在计算机上运行时，使得计算机执行如前所述的用于物流博览会平台的能耗预测方法。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的预定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (12)
1.一种用于物流博览会平台的能耗预测方法，其特征在于，包括：
采集能源表的实时数据，并将所述实时数据通过基于蜂窝的窄带物联网NB-IOT模组传输至OneNET云平台；
在所述OneNET平台提取所述实时数据，将所述实时数据导入数据库后进行整理；
采取神经网络模式对多点能耗进行预测。
2.根据权利要求1所述的能耗预测方法，其特征在于，所述在所述OneNET平台提取所述实时数据、将所述实时数据导入数据库后进行整理包括：
提取所述实时数据；
将所述实时数据导入数据库，并进行数据校验；
清洗逻辑错误数据；
清洗非需求数据。
3.根据权利要求1所述的能耗预测方法，其特征在于，所述采取神经网络模式对多点能耗进行预测包括：
获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；
设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，所述输入层神经元即为对应的所述监控点的实际能耗数据，所述输出层神经元即为总能耗预测数据；
利用当前的所述实际能耗数据，优化所述神经网络结构的权值，寻找最优的神经网络参数；
利用所述校验数据段的数据测试所述最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
4.根据权利要求3所述的能耗预测方法，其特征在于，如果测试精度不满足要求，则调整所述神经网络的结构，重新训练网络。
5.根据权利要求4所述的能耗预测方法，其特征在于，所述调整神经网络结构包括：
调整所述隐含层神经元的个数；
比较相应的所述校验数据段的预测能耗的均方根误差；
选择最优的所述隐含层神经元的个数。
6.一种用于物流博览会平台的能耗预测系统，其特征在于，包括：
监测模块(10)，用于采集能源表的实时数据，并将所述实时数据通过基于蜂窝的窄带物联网NB-IOT模组传输至OneNET云平台；
数据整理模块(20)，用于在所述OneNET平台提取所述实时数据，将所述实时数据导入数据库后进行整理；
能耗预测模块(30)，用于采取神经网络模式对多点能耗进行预测。
7.根据权利要求6所述的能耗预测系统，其特征在于，所述数据整理模块(20)进一步用于，提取所述实时数据，将所述实时数据导入数据库，并进行数据校验，清洗逻辑错误数据，清洗非需求数据。
8.根据权利要求6所述的能耗预测系统，其特征在于，所述能耗预测模块(30)进一步用于，获取各监控点的实际能耗数据，选取预定时间段内的数据作为校验数据段；设计神经网络结构，根据监控点个数n设定输入层神经元的个数，输出层神经元为1，隐含层神经元的个数范围在1和n+1之间来设定，输入层神经元即为对应的监控点的实际能耗数据，输出层神经元即为总能耗预测数据；利用当前的所述实际能耗数据，优化所述神经网络结构的权值，寻找最优的神经网络参数；利用所述校验数据段的数据测试所述最优的神经网络参数，如果测试精度满足要求，则得到最终的融合模型，进行能耗预测。
9.根据权利要求8所述的能耗预测系统，其特征在于，所述能耗预测模块(30)进一步用于，如果测试精度不满足要求，则调整所述神经网络的结构，重新训练网络。
10.根据权利要求9所述的能耗预测系统，其特征在于，所述能耗预测模块(30)进一步用于，通过下述方法调整所述神经网络结构：调整所述隐含层神经元的个数，比较相应的所述校验数据段的预测能耗的均方根误差，选择最优的所述隐含层神经元的个数。
11.一种用于物流博览会平台的能耗预测设备，其特征在于，包括：
存储器，存储有计算机程序指令；
处理器，当所述计算机程序指令被所述处理器执行时实现如权利要求1至5任一项所述的用于物流博览会平台的能耗预测方法。
12.一种计算机可读存储介质，其特征在于，包括：
所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-5任一项所述的用于物流博览会平台的能耗预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711488422.8A CN107992983A (zh) | 2017-12-30 | 2017-12-30 | 用于物流博览会平台的能耗预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711488422.8A CN107992983A (zh) | 2017-12-30 | 2017-12-30 | 用于物流博览会平台的能耗预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992983A true CN107992983A (zh) | 2018-05-04 |
Family
ID=62040396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711488422.8A Pending CN107992983A (zh) | 2017-12-30 | 2017-12-30 | 用于物流博览会平台的能耗预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992983A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
| CN103425099A (zh) * | 2013-07-16 | 2013-12-04 | 广东工业大学 | 一种硫化过程嵌入式碳排放监控与检测系统 |
| CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
| CN106326982A (zh) * | 2016-08-16 | 2017-01-11 | 北京国能日新系统控制技术有限公司 | 一种基于神经网络和模式搜索优化的多气象风速融合方法 |
-
2017
- 2017-12-30 CN CN201711488422.8A patent/CN107992983A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103302777A (zh) * | 2013-06-26 | 2013-09-18 | 广东工业大学 | 一种基于神经网络的轮胎硫化机能耗异常检测方法 |
| CN103425099A (zh) * | 2013-07-16 | 2013-12-04 | 广东工业大学 | 一种硫化过程嵌入式碳排放监控与检测系统 |
| CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
| CN106326982A (zh) * | 2016-08-16 | 2017-01-11 | 北京国能日新系统控制技术有限公司 | 一种基于神经网络和模式搜索优化的多气象风速融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heydari et al. | A novel composite neural network based method for wind and solar power forecasting in microgrids | |
| Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
| Ramedani et al. | Modeling solar energy potential in a Tehran province using artificial neural networks | |
| CN105930955A (zh) | 基于深度学习的充电网络运行态势分析方法及装置 | |
| CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
| CN105117988A (zh) | 一种电力系统中缺失数据插补的方法 | |
| CN104077651B (zh) | 电网检修计划优化方法 | |
| CN107808212A (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
| CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| US10540422B2 (en) | Combining multiple trending models for photovoltaics plant output forecasting | |
| US11544632B2 (en) | Non-intrusive load monitoring using ensemble machine learning techniques | |
| CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
| US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
| CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| US20210158150A1 (en) | Non-Intrusive Load Monitoring Using Machine Learning | |
| Wang et al. | An inexact irrigation water allocation optimization model under future climate change | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| Li et al. | Sizing ramping reserve using probabilistic solar forecasts: A data-driven method | |
| CN112183575A (zh) | 一种基于区域气象参数预测土豆产量的方法 | |
| CN112651534A (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
| CN107992983A (zh) | 用于物流博览会平台的能耗预测方法、系统、设备及存储介质 | |
| TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
| Liao et al. | A new optimal prediction technique for energy demand based on CNN and improved water strider algorithm: a study on socio-economic-climatic parameters | |
| Rodríguez et al. | Very short-term parametric ambient temperature confidence interval forecasting to compute key control parameters for photovoltaic generators | |
| CN108399212A (zh) | 物联网终端的时间序列数据处理和神经网络趋势预测方法 |
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: 20180504 |