CN108154258A - 空气源热泵负荷的预测方法、装置、存储介质和处理器 - Google Patents
空气源热泵负荷的预测方法、装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN108154258A CN108154258A CN201711209269.0A CN201711209269A CN108154258A CN 108154258 A CN108154258 A CN 108154258A CN 201711209269 A CN201711209269 A CN 201711209269A CN 108154258 A CN108154258 A CN 108154258A
- Authority
- CN
- China
- Prior art keywords
- heat pump
- source heat
- air source
- user
- state
- 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.)
- Granted
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
- 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
Abstract
本发明公开了一种空气源热泵负荷的预测方法、装置、存储介质和处理器。其中,该方法包括:获取预测的单台空气源热泵在目标时刻的预测功率值,其中,目标时刻为当前时刻之后的时刻;获取单台空气源热泵对应的用户在目标时刻的状态;利用第一神经网络模型预测目标时刻多台空气源热泵的总输出功率,其中,第一神经网络模型的参数包括预测功率值、在目标时刻的电价、多个用户在目标时刻的状态和与多个用户对应的空气源热泵总数。本发明解决了预测配电网的空气源热泵负荷的误差比较大的技术问题。
Description
技术领域
本发明涉及电力领域,具体而言,涉及一种空气源热泵负荷的预测方法、装置、存储介质和处理器。
背景技术
随着当今经济和科技的不断发展,环境能源问题也随之逐渐显现出来,当今对环保的呼声也越来越强烈,因此采用清洁环保能源和无污染设备是今后的发展趋势。其中空气源热泵作为当前比较热门的煤改电设备,其替代以往供暖设备已是大势所趋,而对于空气源热泵的研究也在如火如荼进行着。由于大量空气源设备的投入使用,其对配电网产生的波动等影响是不可忽视的,因此对于空气源热泵负荷的预测从而为其负荷决策调度做基础是十分重要的。当前研究空气源热泵负荷的预测主要采用的是趋势外推法,即根据过去历史的空气源热泵的功率数据,依据其变化趋势来预测其负荷功率。该方法虽然简单,但是其没有考虑多方面的影响因素,导致其预测的误差比较大。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空气源热泵负荷的预测方法、装置、存储介质和处理器,以至少解决预测配电网的空气源热泵负荷的误差比较大的技术问题。
根据本发明实施例的一个方面,提供了一种空气源热泵负荷的预测方法,包括:获取预测的单台空气源热泵在目标时刻的预测功率值,其中,所述目标时刻为当前时刻之后的时刻;获取所述单台空气源热泵对应的用户在目标时刻的状态,其中,所述状态用于表示所述用户在所述目标时刻是否处于可开启所述空气源热泵的状态;利用第一神经网络模型预测所述目标时刻多台空气源热泵的总输出功率,其中,所述第一神经网络模型的参数包括所述预测功率值、在所述目标时刻的电价、多个用户在所述目标时刻的状态和与所述多个用户对应的空气源热泵总数。
可选地,获取预测的单台空气源热泵在目标时刻的预测功率值包括:获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,所述第一时刻在一天内的时刻与所述目标时刻在一天内的时刻相同;获取在所述第一时刻单台所述空气源热泵的热泵功率值;利用第二神经网络模型,以所述室外环境温度、所述室外环境湿度和所述热泵功率值为参数预测单台所述空气源热泵在所述目标时刻的预测功率值。
可选地,获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度包括:获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
可选地,获取所述单台空气源热泵对应的用户在目标时刻的状态包括:收集用户在预设时间段每天的行为习惯,其中,所述行为习惯用来表示所述用户在一天的每个时刻处于可使用所述空气源热泵的状态;根据所述行为习惯确定所述用户在目标时刻是否处于可使用所述空气源热泵的状态。
可选地,收集用户在预设时间段每天的行为习惯包括:收集用户在家的时间点概率分布和用户外出的时间点概率分布;根据所述在家的时间点概率分布和所述用户外出的时间点概率分布确定所述用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用所述空气源热泵的状态。
根据本发明实施例的另一方面,还提供了一种空气源热泵负荷的预测装置,包括:第一获取单元,用于获取预测的单台空气源热泵在目标时刻的预测功率值,其中,所述目标时刻为当前时刻之后的时刻;第二获取单元,用于获取所述单台空气源热泵对应的用户在目标时刻的状态,其中,所述状态用于表示所述用户在所述目标时刻是否处于可开启所述空气源热泵的状态;预测单元,用于利用第一神经网络模型预测所述目标时刻多台空气源热泵的总输出功率,其中,所述第一神经网络模型的参数包括所述预测功率值、在所述目标时刻的电价、多个用户在所述目标时刻的状态和与所述多个用户对应的空气源热泵总数。
可选地,所述第一获取单元包括:第一获取模块,用于获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,所述第一时刻在一天内的时刻与所述目标时刻在一天内的时刻相同;第二获取模块,用于获取在所述第一时刻单台所述空气源热泵的热泵功率值;预测模块,用于利用第二神经网络模型,以所述室外环境温度、所述室外环境湿度和所述热泵功率值为参数预测单台所述空气源热泵在所述目标时刻的预测功率值。
可选地,所述第一获取模块包括:获取子模块,用于获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
可选地,所述第二获取单元包括:收集模块,用于收集用户在预设时间段每天的行为习惯,其中,所述行为习惯用来表示所述用户在一天的每个时刻处于可使用所述空气源热泵的状态;确定模块,用于根据所述行为习惯确定所述用户在目标时刻是否处于可使用所述空气源热泵的状态。
可选地,所述收集模块包括:收集子模块,用于收集用户在家的时间点概率分布和用户外出的时间点概率分布;概率子模块,用于根据所述在家的时间点概率分布和所述用户外出的时间点概率分布确定所述用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用所述空气源热泵的状态。
根据本发明实施例的另一方面,还提供了一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行上述的空气源热泵负荷的预测方法。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述的空气源热泵负荷的预测方法。
由于本实施例在预测目标时刻的总输出功率时,利用了影响总输出功率的多个参数,避免了仅仅利用输出功率的变化趋势来预测总输出功率所导致的结果不准确的问题,达到了提高预测输出功率的准确性的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的空气源热泵负荷的预测方法的流程图;
图2是根据本发明实施例的一种预测单台空气源热泵负荷的示意图;
图3是根据本发明实施例的一种预测多台空气源热泵负荷的示意图;
图4是根据本发明实施例的空气源热泵负荷的预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种空气源热泵负荷的预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的空气源热泵负荷的预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取预测的单台空气源热泵在目标时刻的预测功率值,其中,目标时刻为当前时刻之后的时刻。
目标时刻为还未到达的时刻,单台空气源热泵在目标时刻的预测功率值就是预估的单台空气源热泵在目标时刻的功率值。该预测功率值是基于单台空气源热泵的历史功率值进行预测的,由于不同历史时刻单台空气源热泵的功率值不同,因此,在预测目标时刻的单台空气源热泵的功率值时,参考历史时刻中与目标时刻相应的时刻的单台空气源热泵的功率值。
即获取预测的单台空气源热泵在目标时刻的预测功率值包括:获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,第一时刻在一天内的时刻与目标时刻在一天内的时刻相同;获取在第一时刻单台空气源热泵的热泵功率值;利用第二神经网络模型,以室外环境温度、室外环境湿度和热泵功率值为参数预测单台空气源热泵在目标时刻的预测功率值。例如,目标时刻为一天24小时中的15:00,则第一时刻为目标时刻之前的预设天数内,每天的15:00。那么,第一时刻单台空气源热泵的热泵功率值为目标时刻之前的每天15:00的一台空气源热泵的热泵功率值。
可选地,获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度包括:获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
从影响空气源热泵负荷功率的角度考虑,主要是建筑物的外扰和内扰两个因素,外扰可以根据对天气气象条件的分析来考虑,内扰则是用户自身的行为习惯的影响,因此,在考虑单台热泵负荷功率的预测问题时仅仅考虑外扰因素,根据对空气源热泵负荷原理的分析可以得出,影响空气源热泵负荷功率的外界因素主要是外界环境温度变化、湿度变化和风速变化。因此,如图2所示,考虑采用神经网络算法(ANN)预测单台热泵负荷功率其结构为:第二神经网络模型的输入参数为同时刻预测日前连续3天在15:00的室外环境温度、室外湿度以及对应的热泵功率值,第二神经网络模型的输出参数则为预测日在15:00的负荷功率。该第二神经网络模型可以通过对历史数据的训练得到,可以用来预测待预测日某时刻的空气源热泵负荷的功率。
需要说明的是,此处以预测某个时刻的空气源热泵负荷的功率进行说明,也可以预测某一天的空气源热泵负荷的功率,或者某一个月的空气源热泵负荷的功率。在预测某一天的空气源热泵负荷的功率时,可以利用待预测日的连续几天、几个星期或者几个月的室外环境温度、室外湿度以及对应的热泵功率值作为参数训练得到第二神经网络模型;在预测某一个月的空气源热泵负荷的功率时,可以利用待预测日的连续几个月或者几年在相应月份的室外环境温度、室外湿度以及对应的热泵功率值作为参数训练得到第二神经网络模型。
步骤S104,获取单台空气源热泵对应的用户在目标时刻的状态,其中,状态用于表示用户在目标时刻是否处于可开启空气源热泵的状态。
其中用户出行习惯为用户上班时间点概率分布和用户下班时间点概率分布,因此用户所处状态主要为在家状态和不在家状态两种状态。空气源热泵在用户家中使用,在这种情况下,目标时刻的状态包括用户的在家状态和不在家状态。用户处于在家状态时,才会开启空气源热泵,因此,需要根据用户在目标时刻的状态来预测目标时刻空气源热泵的输出功率值。若空气源热泵在办公地点使用,在这种情况下,目标时刻的状态包括用户的上班状态和下班状态。通常情况下,空气源热泵在用户家中使用,本实施例以空气源热泵在家中使用为例进行说明。
可选地,获取单台空气源热泵对应的用户在目标时刻的状态包括:收集用户在预设时间段每天的行为习惯,其中,行为习惯用来表示用户在一天的每个时刻处于可使用空气源热泵的状态;根据行为习惯确定用户在目标时刻是否处于可使用空气源热泵的状态。
用户每天的行为习惯包括用户何时在家,何时外出。收集用户每天的上下班时间,外出时间,或在家时间,统计一段时间内用户的外出习惯和在家习惯,就可以获得用户在每天的每个时刻处于在家状态的概率,由于用户在家才有可能使用空气源热泵,因此,确定了用户在家状态的分布,就能确定每个时刻用户是否可能使用空气源热泵,即每个时刻空气源热泵的开启或者关闭的状态。
可选地,收集用户在预设时间段每天的行为习惯包括:收集用户在家的时间点概率分布和用户外出的时间点概率分布;根据在家的时间点概率分布和用户外出的时间点概率分布确定用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用空气源热泵的状态。
根据调查数据的用户上下班的时间点分布情况来表示某个时刻用户是处于什么样的状态,即判断用户处于在家状态还是不在家状态。
步骤S106,利用第一神经网络模型预测目标时刻多台空气源热泵的总输出功率,其中,第一神经网络模型的参数包括预测功率值、在目标时刻的电价、多个用户在目标时刻的状态和与多个用户对应的空气源热泵总数。
电价是根据实时电价表示各个时刻点的电价情况,电价通过经济性直接影响用户对空气源热泵的使用频率,单台热泵功率值则是根据上述的采用第二神经网络实现的某个时刻空气源热泵功率的预测值,空气源热泵总数则是接入配电网的空气源热泵的总台数。
如图3所示,根据历史单台空气源热泵的功率值、历史第一时刻的电机、用户在第一时刻的状态学习得到第一神经网络模型,然后利用得到的第一神经网络模型,以预测功率值、在目标时刻的电价、多个用户在目标时刻的状态和与多个用户对应的空气源热泵总数为参数,得到目标时刻多台空气源热泵的总输出功率。
由于本实施例在预测目标时刻的总输出功率时,利用了影响总输出功率的多个参数,避免了仅仅利用输出功率的变化趋势来预测总输出功率所导致的结果不准确的问题,达到了提高预测输出功率的准确性的技术效果。
本实施例的优点如下:
1、通过对空气源热泵的工作原理的分析以及对影响空气源热泵工作的多种因素的考虑,利用大数据的学习算法,采用神经网络智能算法实现空气源热泵的功率准确预测。
2、采用双神经网络算法,首先是对单台空气源热泵功率的神经网络预测,然后在此基础上考虑采用神经网络实现规模化热泵功率预测。
根据本发明实施例,提供了一种空气源热泵负荷的预测装置的装置实施例。图4是根据本发明实施例的空气源热泵负荷的预测装置的示意图,如图4所示,该装置包括:
第一获取单元40,用于获取预测的单台空气源热泵在目标时刻的预测功率值,其中,目标时刻为当前时刻之后的时刻;
目标时刻为还未到达的时刻,单台空气源热泵在目标时刻的预测功率值就是预估的单台空气源热泵在目标时刻的功率值。该预测功率值是基于单台空气源热泵的历史功率值进行预测的,由于不同历史时刻单台空气源热泵的功率值不同,因此,在预测目标时刻的单台空气源热泵的功率值时,参考历史时刻中与目标时刻相应的时刻的单台空气源热泵的功率值。
可选地,第一获取单元包括:第一获取模块,用于获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,第一时刻在一天内的时刻与目标时刻在一天内的时刻相同;第二获取模块,用于获取在第一时刻单台空气源热泵的热泵功率值;预测模块,用于利用第二神经网络模型,以室外环境温度、室外环境湿度和热泵功率值为参数预测单台空气源热泵在目标时刻的预测功率值。
例如,目标时刻为一天24小时中的15:00,则第一时刻为目标时刻之前的预设天数内,每天的15:00。那么,第一时刻单台空气源热泵的热泵功率值为目标时刻之前的每天15:00的一台空气源热泵的热泵功率值。
可选地,第一获取模块包括:获取子模块,用于获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
从影响空气源热泵负荷功率的角度考虑,主要是建筑物的外扰和内扰两个因素,外扰可以根据对天气气象条件的分析来考虑,内扰则是用户自身的行为习惯的影响,因此,在考虑单台热泵负荷功率的预测问题时仅仅考虑外扰因素,根据对空气源热泵负荷原理的分析可以得出,影响空气源热泵负荷功率的外界因素主要是外界环境温度变化、湿度变化和风速变化。因此,如图2所示,考虑采用神经网络算法预测单台热泵负荷功率其结构为:第二神经网络模型的输入参数为同时刻预测日前连续3天在15:00的室外环境温度、室外湿度以及对应的热泵功率值,第二神经网络模型的输出参数则为预测日在15:00的负荷功率。该第二神经网络模型可以通过对历史数据的训练得到,可以用来预测待预测日某时刻的空气源热泵负荷的功率。
需要说明的是,此处以预测某个时刻的空气源热泵负荷的功率进行说明,也可以预测某一天的空气源热泵负荷的功率,或者某一个月的空气源热泵负荷的功率。在预测某一天的空气源热泵负荷的功率时,可以利用待预测日的连续几天、几个星期或者几个月的室外环境温度、室外湿度以及对应的热泵功率值作为参数训练得到第二神经网络模型;在预测某一个月的空气源热泵负荷的功率时,可以利用待预测日的连续几个月或者几年在相应月份的室外环境温度、室外湿度以及对应的热泵功率值作为参数训练得到第二神经网络模型。
第二获取单元42,用于获取单台空气源热泵对应的用户在目标时刻的状态,其中,状态用于表示用户在目标时刻是否处于可开启空气源热泵的状态;
其中用户出行习惯为用户上班时间点概率分布和用户下班时间点概率分布,因此用户所处状态主要为在家状态和不在家状态两种状态。空气源热泵在用户家中使用,在这种情况下,目标时刻的状态包括用户的在家状态和不在家状态。用户处于在家状态时,才会开启空气源热泵,因此,需要根据用户在目标时刻的状态来预测目标时刻空气源热泵的输出功率值。若空气源热泵在办公地点使用,在这种情况下,目标时刻的状态包括用户的上班状态和下班状态。通常情况下,空气源热泵在用户家中使用,本实施例以空气源热泵在家中使用为例进行说明。
可选地,第二获取单元包括:收集模块,用于收集用户在预设时间段每天的行为习惯,其中,行为习惯用来表示用户在一天的每个时刻处于可使用空气源热泵的状态;确定模块,用于根据行为习惯确定用户在目标时刻是否处于可使用空气源热泵的状态。
用户每天的行为习惯包括用户何时在家,何时外出。收集用户每天的上下班时间,外出时间,或在家时间,统计一段时间内用户的外出习惯和在家习惯,就可以获得用户在每天的每个时刻处于在家状态的概率,由于用户在家才有可能使用空气源热泵,因此,确定了用户在家状态的分布,就能确定每个时刻用户是否可能使用空气源热泵,即每个时刻空气源热泵的开启或者关闭的状态。
可选地,收集模块包括:收集子模块,用于收集用户在家的时间点概率分布和用户外出的时间点概率分布;概率子模块,用于根据在家的时间点概率分布和用户外出的时间点概率分布确定用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用空气源热泵的状态。
根据调查数据的用户上下班的时间点分布情况来表示某个时刻用户是处于什么样的状态,即判断用户处于在家状态还是不在家状态。
预测单元44,用于利用第一神经网络模型预测目标时刻多台空气源热泵的总输出功率,其中,第一神经网络模型的参数包括预测功率值、在目标时刻的电价、多个用户在目标时刻的状态和与多个用户对应的空气源热泵总数。
电价是根据实时电价表示各个时刻点的电价情况,电价通过经济性直接影响用户对空气源热泵的使用频率,单台热泵功率值则是根据上述的采用第二神经网络实现的某个时刻空气源热泵功率的预测值,空气源热泵总数则是接入配电网的空气源热泵的总台数。
由于本实施例在预测目标时刻的总输出功率时,利用了影响总输出功率的多个参数,避免了仅仅利用输出功率的变化趋势来预测总输出功率所导致的结果不准确的问题,达到了提高预测输出功率的准确性的技术效果。
根据本发明实施例,提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述的空气源热泵负荷的预测方法。
根据本发明实施例,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的空气源热泵负荷的预测方法。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种空气源热泵负荷的预测方法,其特征在于,包括:
获取预测的单台空气源热泵在目标时刻的预测功率值,其中,所述目标时刻为当前时刻之后的时刻;
获取所述单台空气源热泵对应的用户在目标时刻的状态,其中,所述状态用于表示所述用户在所述目标时刻是否处于可开启所述空气源热泵的状态;
利用第一神经网络模型预测所述目标时刻多台空气源热泵的总输出功率,其中,所述第一神经网络模型的参数包括所述预测功率值、在所述目标时刻的电价、多个用户在所述目标时刻的状态和与所述多个用户对应的空气源热泵总数。
2.根据权利要求1所述的预测方法,其特征在于,获取预测的单台空气源热泵在目标时刻的预测功率值包括:
获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,所述第一时刻在一天内的时刻与所述目标时刻在一天内的时刻相同;
获取在所述第一时刻单台所述空气源热泵的热泵功率值;
利用第二神经网络模型,以所述室外环境温度、所述室外环境湿度和所述热泵功率值为参数预测单台所述空气源热泵在所述目标时刻的预测功率值。
3.根据权利要求2所述的预测方法,其特征在于,获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度包括:
获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
4.根据权利要求1所述的预测方法,其特征在于,获取所述单台空气源热泵对应的用户在目标时刻的状态包括:
收集用户在预设时间段每天的行为习惯,其中,所述行为习惯用来表示所述用户在一天的每个时刻处于可使用所述空气源热泵的状态;
根据所述行为习惯确定所述用户在目标时刻是否处于可使用所述空气源热泵的状态。
5.根据权利要求4所述的预测方法,其特征在于,收集用户在预设时间段每天的行为习惯包括:
收集用户在家的时间点概率分布和用户外出的时间点概率分布;
根据所述在家的时间点概率分布和所述用户外出的时间点概率分布确定所述用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用所述空气源热泵的状态。
6.一种空气源热泵负荷的预测装置,其特征在于,包括:
第一获取单元,用于获取预测的单台空气源热泵在目标时刻的预测功率值,其中,所述目标时刻为当前时刻之后的时刻;
第二获取单元,用于获取所述单台空气源热泵对应的用户在目标时刻的状态,其中,所述状态用于表示所述用户在所述目标时刻是否处于可开启所述空气源热泵的状态;
预测单元,用于利用第一神经网络模型预测所述目标时刻多台空气源热泵的总输出功率,其中,所述第一神经网络模型的参数包括所述预测功率值、在所述目标时刻的电价、多个用户在所述目标时刻的状态和与所述多个用户对应的空气源热泵总数。
7.根据权利要求6所述的预测装置,其特征在于,所述第一获取单元包括:
第一获取模块,用于获取预设历史天数内多个第一时刻的室外环境温度和室外环境湿度,其中,所述第一时刻在一天内的时刻与所述目标时刻在一天内的时刻相同;
第二获取模块,用于获取在所述第一时刻单台所述空气源热泵的热泵功率值;
预测模块,用于利用第二神经网络模型,以所述室外环境温度、所述室外环境湿度和所述热泵功率值为参数预测单台所述空气源热泵在所述目标时刻的预测功率值。
8.根据权利要求7所述的预测装置,其特征在于,所述第一获取模块包括:
获取子模块,用于获取连续的预设历史天数内每天的第一时刻的室外环境温度和室外环境温度。
9.根据权利要求6所述的预测装置,其特征在于,所述第二获取单元包括:
收集模块,用于收集用户在预设时间段每天的行为习惯,其中,所述行为习惯用来表示所述用户在一天的每个时刻处于可使用所述空气源热泵的状态;
确定模块,用于根据所述行为习惯确定所述用户在目标时刻是否处于可使用所述空气源热泵的状态。
10.根据权利要求9所述的预测装置,其特征在于,所述收集模块包括:
收集子模块,用于收集用户在家的时间点概率分布和用户外出的时间点概率分布;
概率子模块,用于根据所述在家的时间点概率分布和所述用户外出的时间点概率分布确定所述用户处于在家状态还是不在家状态,其中,当用户处于在家状态则确定用户处于可使用所述空气源热泵的状态。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至5中任意一项所述的空气源热泵负荷的预测方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的空气源热泵负荷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711209269.0A CN108154258B (zh) | 2017-11-27 | 2017-11-27 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711209269.0A CN108154258B (zh) | 2017-11-27 | 2017-11-27 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154258A true CN108154258A (zh) | 2018-06-12 |
CN108154258B CN108154258B (zh) | 2021-11-05 |
Family
ID=62469172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711209269.0A Active CN108154258B (zh) | 2017-11-27 | 2017-11-27 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154258B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740815A (zh) * | 2018-12-30 | 2019-05-10 | 国网北京市电力公司 | 电负荷预测方法、装置、存储介质及处理器 |
CN110929909A (zh) * | 2018-09-19 | 2020-03-27 | 清华大学 | 一种空气源热泵用户电负荷预测方法 |
CN111177212A (zh) * | 2019-12-13 | 2020-05-19 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
CN112781235A (zh) * | 2020-07-29 | 2021-05-11 | 青岛海尔新能源电器有限公司 | 热泵热水器控制方法、装置、热泵热水器及存储介质 |
CN115978720A (zh) * | 2022-12-30 | 2023-04-18 | 北京创今智能科技有限公司 | 一种空气源热泵机组非等量分组方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
CN101976426A (zh) * | 2010-10-27 | 2011-02-16 | 哈尔滨工业大学 | 基于热网历史数据挖掘的负荷预报方法 |
CN102305451A (zh) * | 2011-07-04 | 2012-01-04 | 徐坚 | 基于健康评估技术的混合式地源热泵监控系统及方法 |
CN102410597A (zh) * | 2011-10-25 | 2012-04-11 | 天津大学 | 基于调峰蓄能的地源热泵空调系统装置及其调控运行方法 |
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
CN107110545A (zh) * | 2015-01-30 | 2017-08-29 | 三菱电机株式会社 | 空调管理系统 |
-
2017
- 2017-11-27 CN CN201711209269.0A patent/CN108154258B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
CN101021914A (zh) * | 2006-03-22 | 2007-08-22 | 侯春海 | 暖通空调负荷预测方法和系统 |
CN101976426A (zh) * | 2010-10-27 | 2011-02-16 | 哈尔滨工业大学 | 基于热网历史数据挖掘的负荷预报方法 |
CN102305451A (zh) * | 2011-07-04 | 2012-01-04 | 徐坚 | 基于健康评估技术的混合式地源热泵监控系统及方法 |
CN102410597A (zh) * | 2011-10-25 | 2012-04-11 | 天津大学 | 基于调峰蓄能的地源热泵空调系统装置及其调控运行方法 |
CN104021315A (zh) * | 2014-06-27 | 2014-09-03 | 四川电力设计咨询有限责任公司 | 基于bp神经网络的电厂厂用电率计算方法 |
CN107110545A (zh) * | 2015-01-30 | 2017-08-29 | 三菱电机株式会社 | 空调管理系统 |
Non-Patent Citations (3)
Title |
---|
LI XUEMEI ET AL.: "A Novel Air-conditioning Load Prediction Based on ARIMA and BPNN Model", 《2009 ASIA-PACIFIC CONFERENCE ON INFORMATION PROCESSING》 * |
张晋文等: "分时电价下电锅炉经济运行的BP网络负荷预测", 《重庆大学学报》 * |
杨磊等: "电热膜采暖社区负荷特性研究", 《河北电力技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929909A (zh) * | 2018-09-19 | 2020-03-27 | 清华大学 | 一种空气源热泵用户电负荷预测方法 |
CN109740815A (zh) * | 2018-12-30 | 2019-05-10 | 国网北京市电力公司 | 电负荷预测方法、装置、存储介质及处理器 |
CN111177212A (zh) * | 2019-12-13 | 2020-05-19 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
CN111177212B (zh) * | 2019-12-13 | 2022-09-27 | 国网北京市电力公司 | 空气源热泵工作状态的确定方法及装置、电子设备 |
CN112781235A (zh) * | 2020-07-29 | 2021-05-11 | 青岛海尔新能源电器有限公司 | 热泵热水器控制方法、装置、热泵热水器及存储介质 |
CN115978720A (zh) * | 2022-12-30 | 2023-04-18 | 北京创今智能科技有限公司 | 一种空气源热泵机组非等量分组方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108154258B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154258A (zh) | 空气源热泵负荷的预测方法、装置、存储介质和处理器 | |
Capozzoli et al. | Data analytics for occupancy pattern learning to reduce the energy consumption of HVAC systems in office buildings | |
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
Fu et al. | Clustering-based short-term load forecasting for residential electricity under the increasing-block pricing tariffs in China | |
Jota et al. | Building load management using cluster and statistical analyses | |
Ashouri et al. | Systematic approach to provide building occupants with feedback to reduce energy consumption | |
Wang et al. | Ensemble learning for load forecasting | |
Ardakanian et al. | Computing Electricity Consumption Profiles from Household Smart Meter Data. | |
Räsänen et al. | Reducing energy consumption by using self-organizing maps to create more personalized electricity use information | |
Rodríguez Fernández et al. | Using the Big Data generated by the Smart Home to improve energy efficiency management | |
CN106233321A (zh) | 用于优化电力消耗的智能系统的操作方法和装置 | |
CN109993343A (zh) | 预测可交换式能源储存装置的需求的系统与方法 | |
CN105068513A (zh) | 基于社交网络行为感知的智能家庭能源管理方法 | |
CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
CN111832861A (zh) | 基于大数据平台的居民负荷变尺度画像方法和系统 | |
CN115049159B (zh) | 人口分布预测方法和装置、存储介质及电子设备 | |
CN113110089A (zh) | 一种家庭电器优化使用管理方法、装置、设备及介质 | |
CN112613642A (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
Kim et al. | Time-series clustering and forecasting household electricity demand using smart meter data | |
CN108475257A (zh) | 处理远程仪表读取数据以分析消耗量模式 | |
Olaru et al. | Electricity production and consumption modeling through fuzzy logic | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
Verbruggen et al. | Evaluation of the relationship between window use and physical environmental variables: consistency, seasonality and diversity | |
Wang et al. | Coordinated residential energy resource scheduling with human thermal comfort modelling and renewable uncertainties |
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 |