CN109784532A - 一种基于深度学习的厂区能耗预测方法及系统 - Google Patents
一种基于深度学习的厂区能耗预测方法及系统 Download PDFInfo
- Publication number
- CN109784532A CN109784532A CN201811520824.6A CN201811520824A CN109784532A CN 109784532 A CN109784532 A CN 109784532A CN 201811520824 A CN201811520824 A CN 201811520824A CN 109784532 A CN109784532 A CN 109784532A
- Authority
- CN
- China
- Prior art keywords
- data
- plant area
- energy consumption
- deep learning
- acquisition
- 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 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的厂区能耗预测方法及系统,所述方法包括将厂区按功能划分为若干个厂区单元,对各厂区单元的若干个目标对象的电能参数数据进行采集,采集频率为3秒/次,对每个厂区单元采集数据进行预处理,依据预处理的数据,运用基于深度学习长短时记忆神经网络的电力负荷预测算法进行厂区能耗预测,该方法能效提高预测的准确度,达到精确预测厂区能耗的目的。
Description
技术领域
本发明涉及能耗预测的方法领域,具体地说是一种基于深度学习的厂区能耗预测方法及 系统
背景技术
自第二次工业革命以来,电能一直是经济社会的命脉。特别是在中国这个快速发展的 发展中国家,在快速扩张的同时,对电能的需求也在迅猛增长。虽然能源带来巨大的生产 力,但它也有巨大的成本,并可能对环境产生负面影响。经过几十年的电力基础设施建设, 满足电力需求已不再是关键问题。相反,如何根据可持续发展的需要产生电能是关键。一 方面,过度的发电会导致巨大的能源浪费。另一方面,发电不足会造成电力短缺,不能保 证设备的稳定运行,造成机器损坏和经济损失。为了平衡供需,有必要监测和预测生产车 间的电力负荷,并按需生产电力。近年来,电力负荷预测已成为未来电力负荷预测的一个 重要方向。
现有的生产车间电力负荷监测方法主要依靠人工抄表来学习和预测工厂的用电量以及 根据经验分布来预测电力负荷。然而,从以往的经验中得到的经验分布受操作员主观判断 的影响很大,在动态生产任务负荷下容易导致预测不准确。此外,在工厂生产车间的粒度 很难准确地分配电能,因为只有通过电能表的手动读数才能获得工厂的全部电力消耗。现 有的预测算法通常集中将工厂的电力负荷作为一个整体进行预测。然而,不同区域和生产 单元的电力负荷可能过于多样化,不能用单一的整体模型实现高预测精度。例如,生产区 和生活区的电力负荷不相同。即使是不同车间的电力负荷也会存在差异。因此,用单一模 型对整个工厂进行建模是不准确的。更重要的是,电力负荷是动态的。除了市场需求和天 气等可预测因素外,还有一些不可预见的因素,如经济政策,会导致电力消费的异常增加 或减少。目前,一些电力负荷预测工作采用前向反馈人工神经网络(FFANN)或支持向量 机(SVM)在短期内预测电力负荷。然而这些方法缺少存储单元导致精度相比传统方法只 有有限提高,忽略了时间序列数据的相关性。如何设计一种智能的电力负荷监测与预测系 统,实时监测车间的能耗,以便准确预测电力负荷和实现发电优化管理势在必行。
发明内容
针对上述技术问题,本发明公开一种厂区能耗预测的方法及系统。本发明为实现上述 目的,采取以下技术方案予以实现:
一种基于深度学习的厂区能耗预测方法,所述方法包括如下步骤:
步骤S1:将厂区按功能划分为若干个厂区单元;
步骤S2:对各厂区单元的若干个目标对象的电能参数数据进行采集;
步骤S3:对每个厂区单元采集的数据进行预处理;
步骤S4:依据预处理的数据,运用深度学习算法进行厂区能耗预测。
进一步地,所述深度学习算法为长短时记忆神经网络的电力负荷预测算法。
进一步地,所述电能参数包括电流、电压、功率及功率因数。
进一步地,所述电能参数数据采集的频率为3秒/次,所述数据为时序数据。
进一步地,所述数据预处理具体指对所述数据累加积分,采用如下公式计算:#
式中P为实时功率,i为离散数据序号,W为总功率,T为单位时长1s,n为当天的序号总量, 长度为24×3600=86400。
该发明的另一目的在于提供一种实现基于深度学习的厂区能耗预测方法的系统,该 系统包括若干台采集设备终端、若干个边缘计算设备和云端服务器,所述若干个边缘计算 设备中的每一个边缘计算设备都与至少一台采集设备终端通信连接,所述云端服务器与每 一台边缘计算设备通信连接,所述采集设备终端用于对目标对象进行数据采集并将所述采 集的数据传输至边缘计算设备,所述边缘计算设备用于接收和预处理所述采集设备终端传 输的数据,并将预处理的数据传输至所述云端服务器,通过在所述云端服务器上建立基于 长短时记忆神经网络深度神经网络的能耗模型,预测厂区的未来能耗数值。
进一步地,所述采集设备终端包括测量模块、数据处理模块、数据传输模块,所述测 量模块包括述电流测量模块、电压测量模块、功率测量模块和功率因数测量模块,用于分 别测量和采集目标对象电流、电压、功率和和功率因数的时序数据,采集数据频率为3秒/ 次;所述数据处理模块用于将所述测量模块采集到的模拟信号数据转换为数字信号数据; 所述数据传输模块具有通过无线或有线网络方式收发数据的功能。。
进一步地,所述边缘计算设备包括数据传输模块,数据计算模块;所述数据计算模块 对来自所述采集设备终端的数字进行预处理,并将处理后的数据传输至云端服务器;所述 数据传输模块具有通过无线或有线网络方式收发数据的功能。
与现有技术相比,本发明具有如下增益效果:
本发明所提出的系统,通过设置多个采集设备终端和边缘计算设备,将运算量大、计 算过程复杂、对硬件设备要求高的传统云计算方法替代为运算量小、运算速度快、硬件要 求较低的边缘计算方法。由于对每个设备采集多种电能参数,提高了预测方法的准确度。 同时通过基于不同设备单位运行和电能参数特征的多样性和特殊性,以解决由于单一参数 的局限性而导致的精确度低的问题。本发明还可以对厂内不同机组的能耗信息进行监控, 并通过不同的模型预测不同机组的负荷,充分考虑到电力负荷的多样性,以克服单模型方 法造成的误差。本发明还集成每个厂区的独立的预测负载,以获得工厂的预测总功率负载。 本发明利用LSTM深度神经网络,在建模单个厂区单元的功率负载时可以充分考虑到数据的 时间相关性,有效提高预测精度。同时采集设备终端具有非侵入式、采集准确、可连接互 联网云端等优点。
附图说明
图1是本发明基于深度学习的厂区能耗预测方法的流程图;
图2是本发明提供的实现基于深度学习的厂区能耗预测方法的系统结构示意框图;
图2中:01生产车间单元、02宿舍单元、03食堂单元、04总办公室单元。
具体实施方式
下面结合实施例对本发明作进一步的描述,但需要说明的是,实施例并不对本发明要 求的保护范围构成限制。
如图2所示,本实施例中,将工厂按功能划分为生产车间单元、宿舍单元、食堂单元、 总办公室单元;每个厂区单元安装至少一台采集设备终端和一台边缘计算设备,每台采集 设备终端与目标对象进行电连接。每台边缘计算设备与所在厂区单元的所有采集设备终端 通过WIFI方式进行通信连接,云端服务器通过WIFI方式与所有厂区单元的边缘计算设备进 行通信连接。其中采集设备终端包括测量模块,数据处理模块,WIFI数据传输模块;测量 模块对目标对象的电能参数进行实时测量,采集频率为3秒/次;其中电能参数包括功率信 号,将测量到的模拟功率信号转换成数字信号,通过WIFI将所述数字信号上传至边缘计算 设备。边缘计算设备包括数据收发模块和数据计算模块,所述数据收发模块接收来自所连 接的采集设备终端传输的时序数据,所述数据计算模块对所接收的时序数据进行预处理, 并将预处理的数据通过WIFI传送到云端服务器。其中预处理采用累加积分,公式如下:
式中P为实时功率,i为离散数据序号,W为总功率,T为单位时长1s,n为当天的序号总量, 长度为24×3600=86400。
云端服务器,用于运行深度神经网络建立能耗模型并预测各区域的电力负荷。然后将 预测的电力负荷集成到该工厂的总电力负荷中,计算得到工厂的总电力负荷。
本发明所述的基于深度学习的厂区能耗预测方法,采用基于长短时记忆神经网络(LSTM)的电力负荷预测算法;运用所述算法建立预测模型,然后对建立好的预测模型输 入边缘计算设备传输的能耗数据,通过预测模型输出得到每个厂区单元的未来能耗预测数值。再将每个厂区单元预测得到的能耗预测数值做求和运算,即得到整个工厂的能耗预测数值。其中长短时记忆神经网络,其网络神经元包括四个节点,分别是:模型输入,遗忘 门,输入门和输出门;所述神经网络神经元的模型输入节点,用于输入网络的初始模型数 据,所述神经网络神经元的遗忘门节点决定了前一刻的记忆数据是否被保留,且取值范围 是[0,1],1代表遗忘门完全打开,0代表遗忘门完全闭合。当遗忘门取值为0,则遗忘门完全 闭合,前一刻的记忆数据被清空;当遗忘门取值为1,则遗忘门完全打开,前一刻的记忆数 据将被保留,所述神经网络神经元的输入门节点决定了当前输入模型数据的保留量,且取 值范围是[0,1],1代表输入门完全打开,0代表输入门完全闭合。当输入门取值为0,则输入 门完全闭合,意味着此时输入模型信息被丢弃;当遗忘门取值为1,则输入门完全打开,此 时的输入数据信息被完全保留,所述神经网络神经元的输出门节点决定了当前的存储器信息将立即输出数据多少,且取值范围是[0,1],1代表输出门完全打开,0代表输出门完全闭合。当输出门取值为0,则输出门完全闭合,意味着当前内存的信息不会被导出;当输出取值为1,则输出门完全打开,当前的内存信息被完全输出。
本发明所述的基于深度学习的厂区能耗预测方法,采取如下步骤:
S1:将工厂按功能划分为生产车间单元、宿舍单元、食堂单元、总办公室单元;
S2:各厂区单元安装至少一台采集设备终端和一台边缘计算设备,采集设备终端与目 标采集对象电连接,采集设备终端与边缘计算设备通过WIFI方式通信连接;
S3:厂区单元各采集设备终端采集目标对象的电能参数,电能参数数据通过wifi传送到 厂区单元边缘计算设备;
S4:厂区单元边缘计算设备根据该厂区单元采集设备终端传输的电能参数数据计算所 述厂区单元的能耗,并将结果通过wifi方式上传到云端服务器;
S5:云端服务器根据各厂区单元边缘计算设备传输的数据通过云端服务器的基于长短 时记忆神经网络(LSTM)深度神经网络建立能耗模型,预测各厂区单元的未来能耗数值;
S6:将预测得到的各厂区单元能耗数值做求和运算,即得到整个工厂的能耗预测数值。
本发明是将物联网技术应用到传统电力行业,用来解决电力负荷预测问题,以促成实 现发电与用电量的动态平衡这一关键问题。该方法与现有的单厂模型的电力负荷预测方法 不同,可以对厂内不同机组的能耗信息进行监控,并通过不同的模型预测不同机组的负荷, 充分考虑到电力负荷的多样性,以克服单模型方法造成的误差。然后,集成每个厂区的独 立的预测负载,以获得工厂的预测总功率负载。该方法还利用LSTM深度神经网络,在建模 单个厂区单元的功率负载时可以充分考虑到数据的时间相关性,有效提高预测精度。该系 统使用的采集设备终端,可以有效实现对设备和厂区的非侵入式数据采集。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本 发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明 实施例的原理;同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式 以及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于深度学习的厂区能耗预测方法,其特征在于:所述方法包括如下步骤:
步骤S1:将厂区按功能划分为若干个厂区单元;
步骤S2:对各厂区单元的若干个目标对象的电能参数数据进行采集;
步骤S3:对每个厂区单元采集的数据进行预处理;
步骤S4:依据预处理的数据,运用深度学习算法进行厂区能耗预测。
2.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法,其特征在于:步骤S4中所述深度学习算法为基于长短时记忆神经网络的电力负荷预测算法。
3.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法,其特征在于:步骤S2中所述电能参数包括电流、电压、功率及功率因数。
4.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法,其特征在于:步骤S2中所述电能参数数据采集的频率为3秒/次,所述数据为时序数据。
5.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法,其特征在于:步骤S3所述预处理具体指对所述采集数据进行累加积分,采用如下公式计算:
式中P为实时功率,i为离散数据序号,W为总功率,T为单位时长1s,n为当天的序号总量,长度为24×3600=86400。
6.一种实现权利要求1-5任一项所述基于深度学习的厂区能耗预测方法的系统,其特征在于:包括若干台采集设备终端、若干个边缘计算设备和云端服务器,所述若干个边缘计算设备中的每一个边缘计算设备都与至少一台采集设备终端通信连接,所述云端服务器与每一台边缘计算设备通信连接,所述采集设备终端用于对目标对象进行数据采集并将所述采集的数据传输至边缘计算设备,所述边缘计算设备用于接收和预处理所述采集设备终端传输的数据,并将预处理的数据传输至所述云端服务器,通过在所述云端服务器上建立基于长短时记忆神经网络深度神经网络的能耗模型,预测厂区的未来能耗数值。
7.根据根据权利要求6所述的系统,其特征在于:所述采集设备终端包括测量模块、数据处理模块、数据传输模块,所述测量模块包括述电流测量模块、电压测量模块、功率测量模块和功率因数测量模块,用于分别测量和采集目标对象电流、电压、功率和和功率因数的时序数据,采集数据频率为3秒/次;所述数据处理模块用于将所述测量模块采集到的模拟信号数据转换为数字信号数据;所述数据传输模块具有通过无线或有线网络方式收发数据的功能。
8.根据根据权利要求6所述的系统,其特征在于:所述边缘计算设备包括数据传输模块,数据计算模块;所述数据计算模块对来自所述采集设备终端的时序数据进行预处理,并将处理后的数据传输至云端服务器;所述数据传输模块具有通过无线或有线网络方式收发数据的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520824.6A CN109784532A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的厂区能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520824.6A CN109784532A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的厂区能耗预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784532A true CN109784532A (zh) | 2019-05-21 |
Family
ID=66495866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811520824.6A Pending CN109784532A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的厂区能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784532A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
CN111830320A (zh) * | 2020-06-05 | 2020-10-27 | 安徽中迅徽软科技有限公司 | 一种基于深度学习的非侵入式能耗监测系统及方法 |
CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
CN112434856A (zh) * | 2020-11-25 | 2021-03-02 | 中冶赛迪电气技术有限公司 | 一种基于设备组合状态转换的钢厂电力负荷预测方法 |
CN113344294A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种电力能源预测系统 |
CN116070881A (zh) * | 2023-03-13 | 2023-05-05 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
CN107770263A (zh) * | 2017-10-16 | 2018-03-06 | 电子科技大学 | 一种基于边缘计算的物联网终端安全接入方法及系统 |
-
2018
- 2018-12-12 CN CN201811520824.6A patent/CN109784532A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN107239852A (zh) * | 2017-05-05 | 2017-10-10 | 南京邮电大学 | 一种基于深度学习的电量消耗预测方法 |
CN107770263A (zh) * | 2017-10-16 | 2018-03-06 | 电子科技大学 | 一种基于边缘计算的物联网终端安全接入方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨甲甲等: "采用长短期记忆深度学习模型的工业负荷短期预测方法", 《电力建设》 * |
杨甲甲等: "采用长短期记忆深度学习模型的工业负荷短期预测方法", 《电力建设》, vol. 39, no. 10, 1 October 2018 (2018-10-01), pages 20 - 27 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
CN111830320A (zh) * | 2020-06-05 | 2020-10-27 | 安徽中迅徽软科技有限公司 | 一种基于深度学习的非侵入式能耗监测系统及方法 |
CN112003887A (zh) * | 2020-07-06 | 2020-11-27 | 北京航空航天大学 | 一种面向工业互联网时序数据预测的云端-边缘协同深度学习装置 |
CN112434856A (zh) * | 2020-11-25 | 2021-03-02 | 中冶赛迪电气技术有限公司 | 一种基于设备组合状态转换的钢厂电力负荷预测方法 |
CN112434856B (zh) * | 2020-11-25 | 2023-12-08 | 中冶赛迪电气技术有限公司 | 一种基于设备组合状态转换的钢厂电力负荷预测方法 |
CN113344294A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种电力能源预测系统 |
CN113344294B (zh) * | 2021-06-29 | 2023-06-09 | 南方电网数字电网科技(广东)有限公司 | 一种电力能源预测系统 |
CN116070881A (zh) * | 2023-03-13 | 2023-05-05 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
CN116070881B (zh) * | 2023-03-13 | 2023-09-29 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784532A (zh) | 一种基于深度学习的厂区能耗预测方法及系统 | |
CN106093652B (zh) | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 | |
CN108448568B (zh) | 基于多种时间周期测量数据的配电网混合状态估计方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN110059356A (zh) | 一种基于大数据和人工智能的大电网智能调控系统和方法 | |
CN107623337B (zh) | 一种微电网能量管理方法 | |
CN106451541B (zh) | 一种孤岛型微电网的能量控制方法及控制系统 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN104218569B (zh) | 一种大规模电网静态安全校核的评价分析方法 | |
Wang et al. | A load modeling algorithm for distribution system state estimation | |
Yu et al. | Load forecasting based on smart meter data and gradient boosting decision tree | |
CN109325880A (zh) | 一种基于Verhulst-SVM的中长期负荷预测方法 | |
CN107862391A (zh) | 一种基于云计算的设备运行状况测试系统 | |
CN104915889A (zh) | 一种基于日负荷曲线在线获取综合负荷模型参数的方法 | |
CN112308270A (zh) | 一种长期用电负荷预测方法、装置及计算机实现系统 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN108647838A (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
Kapoor et al. | A review of publicly available energy data sets | |
CN104537233A (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN101860025A (zh) | 基于预测-校正技术的电网未来运行方式网损计算方法 | |
CN110752622A (zh) | 一种配电网仿射状态估计方法 | |
Nichiforov et al. | Embedded on-line system for electrical energy measurement and forecasting in buildings | |
Nichiforov et al. | Efficient Load Forecasting Model Assessment for Embedded Building Energy Management Systems | |
Ming-guang et al. | Short-term load combined forecasting method based on BPNN and LS-SVM | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 |
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 |