CN109858700A - 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 - Google Patents
基于相似样本筛选的bp神经网络供暖系统能耗预测方法 Download PDFInfo
- Publication number
- CN109858700A CN109858700A CN201910102439.8A CN201910102439A CN109858700A CN 109858700 A CN109858700 A CN 109858700A CN 201910102439 A CN201910102439 A CN 201910102439A CN 109858700 A CN109858700 A CN 109858700A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- heating system
- system energy
- prediction
- sample set
- 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
Abstract
本发明公开了一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法,依次经过构建初始训练样本集A、筛选主要影响因素、构建训练样本集构建影响因素矩阵B、计算综合相似系数、筛选相似样本子集构建最终训练样本集
Description
技术领域
本发明属于供暖系统能耗预测领域,具体涉及一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法。
背景技术
近年来,我国建筑能耗占社会总能耗的比重持续增加,其中暖通空调系统能耗占整个建筑能耗的比重高达40-60%,是建筑用能“大户”。提高暖通空调系统能效,减少暖通空调系统能耗,对改善建筑用能现状具有重要的意义。如何既保证室内人员对舒适度的需求,又能降低建筑能耗,是科研工作者及相关工程人员长期关注的焦点问题。而供暖能耗预测可以从需求侧的角度对建筑物的供暖能耗进行事先动态分析,为供给侧能源系统的精准匹配提供科学的依据,是进行能源系统规划、制定能源调度策略和确保供暖系统安全、科学运行的关键技术。
暖通空调系统能耗预测方法按照算法可以分为传统算法、统计学算法、仿真算法和人工智能算法。其中传统算法主要有面积指标法、体积指标法;统计学算法主要有时间序列分析、回归分析和相似日分析方法;仿真算法主要是利用EnergyPlus、DesignBuilder、DOE-2、eQUEST等仿真软件建立各类建筑物理模型进行的预测;人工智能算法主要有人工神经网络法、专家系统法、支持向量机、数据挖掘、混沌理论和聚类算法等。传统算法根据以往经验进行预测,具有较大的误差;统计学算法对输入数据的质量要求较高,如果数据离散化程度较大,预测精度会大大降低;仿真算法需要明确建筑物的基本信息和人员活动情况,建模过程比较繁琐,仿真过程也比较耗时,方法灵活性差;随着大数据时代的到来,人工智能算法在暖通空调系统能耗预测领域开展迅速,尤其是BP神经网络预测模型,因其无需掌握一定的先验知识和通过复杂的系统辨识来建立数学模型,却能得到较高的预测精度。
不同预测方法具有各自的优缺点,然而在实际工程中,判断暖通空调系统能耗预测方法的优劣通常以预测精度为准。提高人工神经网络预测精度的方法一般有两种:一是通过改进预测模型内部的核心算法;二是通过优化预测模型训练样本的质量。相比后者,改进人工神经网络内部核心算法,需要掌握比较专业的计算机知识,学习时间过长,过程繁琐,对于暖通空调领域的研究人员和工程人员来讲比较困难,且在学习过程中容易出现瘫痪现象。
发明内容
本发明要解决的技术问题,是提供一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法,该方法克服了传统BP神经网络供暖系统能耗预测精度低的问题,方法简单,过程易于计算,准确度高,易于工程人员掌握学习。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法,按照如下的步骤顺序依次进行:
步骤S1、构建初始训练样本集A
利用供暖系统能耗历史数据及其对应时刻的影响因素构建BP神经网络初始训练样本集A;
初始训练样本集A,A={xh,yh},其中,xh为气象参数特征向量xh=(xh,1,xh,2,…,xh,t,…,xh,m);yh为供暖系统能耗特征向量;下标h代表历史日,h=1,2,…,n;下标t表示第t个影响因素,t=1,2,…,m;
步骤S2、筛选主要影响因素
通过定量计算的方式,确定初始训练样本集A中影响供暖系统能耗变化的主要因素;
步骤S3、构建训练样本集
从初始训练样本集A中提取主要影响因素及其对应的历史能耗数据构建训练样本集
训练样本集 其中,表示与供暖系统能耗显著相关的气象参数特征向量,其中,下标p≤m;
步骤S4、构建影响因素矩阵B
利用预测时刻和历史时刻影响供暖系统能耗的主要因素构建影响因素矩阵B;
影响因素矩阵B,其中,x0,t代表预测日的气象参数特征值;
步骤S5、计算综合相似系数
利用影响因素矩阵计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数;
步骤S6、筛选相似样本子集
设定相似度标准,并从训练样本集中筛选出相似样本子集
步骤S7、构建最终训练样本集
按初始训练样本集A的行数对相似样本子集进行填充,从而构建最终训练样本集
步骤S8、BP神经网络结果预测
利用经过预处理后的训练样本集对BP神经网络预测模型进行学习训练,然后进行供暖系统能耗预测预测。
作为本发明的限定:
(一)、影响供暖系统能耗的主要因素包括:日最大干球温度、日最小干球温度、日平均干球温度、日平均露点温度、日平均相对湿度、日平均风速、日平均太阳辐射。
(二)、所述步骤S2中,利用相关性分析方法,确定影响供暖系统能耗的主要影响因素,对初始训练样本集A的列向筛选具体步骤如下:
步骤S21、正态分布检验
采用Kolmogorov-Smirnov(K-S)检验方法对所有变量进行正态分布检验,先假设变量服从正态分布,如果显著性指标大于0.05,表明检验结果接受原假设,即变量服从正态分布;否则表明检验结果拒绝原假设,即变量不服从正态分布;变量理论分布函数与经验分布函数之间的最大差值计算公式如下:
Dmax=max|Sn(X)-F0(X)|
其中,Dmax为变量理论分布函数与经验分布函数之间的最大差异,即显著性指标;Sn(X)为随机变量观察值的累积概率分布函数,即经验分布函数;F0(X)为理论分布函数,本发明需要验证变量的正态分布情况因此F0(X)为正态分布概率密度函数;
步骤S22、计算影响因素与供暖系统能耗之间的相关系数
(1)如果双变量均服从正态分布,则采用Pearson相关系数,计算公式如下:
其中,rt为第t个影响因素与供暖系统能耗之间的相关系数;为第t个影响因素的平均值;为供暖系统能耗平均值;
(2)如果双变量不满足正态分布假设的等间隔数据,则采用Spearman相关系数,计算公式如下:
步骤S23、对相关系数进行t检验
在进行相关系数t检验前,先假设双变量之间不相关,如果显著性指标大于0.01,表明检验结果接受原假设,即双变量之间不相关;否则表明检验结果拒绝原假设,即双变量之间显著相关;
检验统计量t的计算公式如下:
其中,t为检验统计量;
经过上述步骤计算出影响因素与供暖系统能耗之间的相关系数和检验统计量,并剔除与供暖系统能耗相关性较小的影响因素。
(三)、所述步骤S5中,利用基于信息熵改进的灰色关联法定量计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数,具体如下:
为了保证分析的可靠性,使不同气象参数特征值具有可比性,需把气象参数进行无量纲化、归一化预处理,使其映射到到[0,l]范围内,计算公式如下,
其中,x′h,t为经过无量纲处理后的不同气象参数特征值,为预测日和历史日在第t个气象参数特征值上的最小值;为预测日和历史日在第t个气象参数特征值上的最大值;
由此得到归一化矩阵B′,
然后,计算第h个历史日与预测日在第t个气象参数特征值上的差异,公式如下:
Δ′h,t=|x′h,t-x′0,t|
其中,Δ′h,t为第h个历史日与预测日在第t个气象参数特征值上的差值;
接着,计算预测日与历史日在第t个气象参数上的灰色关联度,公式如下:
其中,ξh,t为预测日与历史日在第t个气象参数上的灰色关联度;为第一级最小差;为第二级最小差;为第一级最大差;为第二级最大差;ρ为分辨系数,取值范围[0,1]。
由公式可以看出Δ′h,t越小ξh,t越大,预测日与历史日在第t个气象参数特征值上的差异越小,预测日与历史日在第t个气象参数上的相关性越大;
最后计算预测日与第h个历史日的综合相似系数,公式如下:
其中,Rh为预测日与第h个历史日的综合相似系数,综合相似系数Rh越大,表示预测日与历史日的气象综合特征越相似;Wt为第t个气象指标占所有指标的权重值。
在计算Wt时,可以根据各指标的变异程度,利用信息熵计算出各指标的熵权,得出较为客观的指标权重,公式如下:
其中,p为气象参数的个数,Et为第t个气象参数的熵值;
Et的计算公式如下:
其中,Ph,t为第t个气象参数在第h个历史日中所占的比重,λ为调节系数,λ=1/ln(n+1);
Ph,t的计算公式如下:
(四)、所述步骤S6中,相似度标准设定为10%,从训练样本集A中筛选出与预测时刻相似度较高的前10%的样本作为相似样本子集即从训练样本集中选取与预测日相似度较高的前10%的历史样本作为相似样本子集 其中,为与预测日气象参数相似度较高的前10%的历史气象数据,为对应的供暖系统能耗数据,该步骤完成了对训练样本集的行向筛选;
本发明还有一种限定,所述步骤S7中,利用随机变量的高斯分布概率密度函数对相似样本子集进行填充构建最终训练样本集
该步骤为了避免BP神经网络在训练样本较少时出现的过拟合现象,通过高斯分布函数在样本周边生成虚拟样本,保证训练样本集和A的行数相同,
随机变量的高斯分布概率密度函数如下:
其中,X为随机变量,X~N(μ,σ2);μ为随机变量的均值,σ为随机变量的标准差。
该步骤完成了对训练样本子集的填充。
本发明的供暖系统能耗数据为整个采暖季供暖系统的日供暖量,BP神经网络预测模型为一个传统的三层BP神经网络模型,即包含一个输入层、一个隐含层和一个输出层。
由于采用了上述的技术方案,本发明与现有技术相比,所取得的技术进步在于:
1.本发明全面考虑了影响供暖系统能耗的室外气象参数,参数易于获取,为供暖系统能耗的预测提供了科学的依据;
2.本发明基于信息熵原理,采用熵权法客观分析了不同气象参数对综合相似度的贡献率,为相似日的筛选提供了科学的依据;
3.本发明采用虚拟样本生成法,在保证训练样本原有属性的基础上避免了传统BP神经网络因训练样本少而出现的过拟合现象;
4.本发明从训练样本预处理角度入手,对初始训练样本进行相似日的筛选,剔除了神经网络训练学习过程中不相关因素的干扰,有效提高了传统BP神经网络预测模型的预测精度;
5.本发明可以提前一天预测未来供暖系统的能耗情况,为能源系统的短期优化配置和能源调度提供了科学的依据。
本发明适用于对建筑供暖系统能耗预测。
本发明下面将结合具体实施例作进一步详细说明。
附图说明
图1为实施例1提供的基于相似样本筛选的BP神经网络供暖系统能耗预测方法的操作流程图;
图2为实施例1提供的相关数据采集系统的原理图;
图3为实施例1提供的供暖能耗预测结果图。
具体实施方式
实施例1一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法
选取位于天津市的某一居住建筑为测试对象,对其供暖系统能耗及相关气象参数进行测试。测试日期为2013年11月15日到2014年3月14日(供暖周期120天数据)、2014年11月15日到12月5日(供暖初期21天数据),以及2015年1月24日到1月30日(供暖中期7天数据),共计148天的测试数据。以2013年11月15日到2014年3月14的供暖系统能耗为历史数据,对2014年11月15到12月5以及2015年1月24日到1月30日的供暖系统能耗进行预测。采用以下指标进行模型预测精度的判定,如下公式所示:
其中,Qq为供暖系统能耗实际值,kJ,为供暖系统能耗预测值,kJ;N为测试样本的总数;R2为决定系数;MAPE为平均绝对相对误差;RMSE为均方根误差。
模型的预测精度评价标准为:R2越接近1,模型的预测精度越高;MAPE和RMSE越小,模型的预测精度越高。
如图1所示,本建筑的基于相似样本筛选的BP神经网络供暖系统能耗预测按照如下步骤进行:
步骤S1,构建初始训练样本集A;
步骤S2,筛选主要影响因素;
步骤S3,构建训练样本集
步骤S4,构建影响因素矩阵B;
步骤S5,计算综合相似系数;
步骤S6,筛选相似样本子集
步骤S7,构建最终训练样本集
步骤S8,利用BP神经网络预测模型进行供暖系统能耗预测。
如图2所示,本发明提供的相关数据采集系统的原理图,包括:气象数据采集设备、供暖系统能耗采集设备、数据传输设备、中央服务器和计算机监测平台。其中,气象数据采集设备主要采集的气象参数包括干球温度、露点温度、相对湿度、风速和太阳辐射强度;供暖系统能耗采集设备主要采集的数据为单栋建筑或者区域建筑供暖系统的供水温度、回水温度和系统循环水流量;中央服务器主要包括数据存储模块和数据处理模块。
步骤S1利用最大干球温度、最小干球温度、日平均干球温度、日平均露点温度、日平均相对湿度、日平均风速、日平均太阳辐射强度和供暖系统日平均能耗构建初始训练样本集A。
步骤S2计算各气象参数与供暖系统能耗之间的相关系数,并进行显著性检验,筛选出与供暖系统能耗显著相关的气象参数,如:最大干球温度、最小干球温度、日平均干球温度、日平均露点温度和日平均太阳辐射强度,完成对初始训练样本集A的列向筛选。
步骤S2中,利用相关性分析方法,确定影响供暖系统能耗的主要影响因素,对初始训练样本集A的列向筛选具体步骤如下:
步骤S21、正态分布检验
采用Kolmogorov-Smirnov(K-S)检验方法对所有变量进行正态分布检验,先假设变量服从正态分布,如果显著性指标大于0.05,表明检验结果接受原假设,即变量服从正态分布;否则表明检验结果拒绝原假设,即变量不服从正态分布;变量理论分布函数与经验分布函数之间的最大差值计算公式如下:
Dmax=max|Sn(X)-F0(X)|
其中,Dmax为变量理论分布函数与经验分布函数之间的最大差异,即显著性指标;Sn(X)为随机变量观察值的累积概率分布函数,即经验分布函数;F0(X)为理论分布函数,本发明需要验证变量的正态分布情况因此F0(X)为正态分布概率密度函数;
步骤S22、计算影响因素与供暖系统能耗之间的相关系数
(1)如果双变量均服从正态分布,则采用Pearson相关系数,计算公式如下:
其中,rt为第t个影响因素与供暖系统能耗之间的相关系数;为第t个影响因素的平均值;为供暖系统能耗平均值。
(2)如果双变量不满足正态分布假设的等间隔数据,则采用Spearman相关系数,计算公式如下:
步骤S23、对相关系数进行t检验
在进行相关系数t检验前,先假设双变量之间不相关,如果显著性指标大于0.01,表明检验结果接受原假设,即双变量之间不相关;否则表明检验结果拒绝原假设,即双变量之间显著相关;
检验统计量t的计算公式如下:
其中,t为检验统计量;
经过上述步骤计算出影响因素与供暖系统能耗之间的相关系数和检验统计量,并剔除与供暖系统能耗相关性较小的影响因素。
步骤S3从初始训练样本集A中提取出主要气象参数及其对应的历史能耗数据构建训练样本集 其中,表示与供暖系统能耗显著相关的气象参数特征向量,其中,下标p≤m。
步骤S4利用预测日和历史日影响供暖系统能耗的主要气象参数构建影响因素矩阵B,其中,x0,t代表预测日的气象参数特征值。
步骤S5利用步骤S4中的矩阵B,并采用基于信息熵改进的灰色关联法计算出预测日与第h个历史日之间的综合相似系数,具体步骤如下:
为了保证分析的可靠性,使不同气象参数特征值具有可比性,需把气象参数进行无量纲化、归一化预处理,使其映射到到[0,l]范围内,计算公式如下,
其中,x′h,t为经过无量纲处理后的不同气象参数特征值,为预测日和历史日在第t个气象参数特征值上的最小值;为预测日和历史日在第t个气象参数特征值上的最大值;
由此得到归一化矩阵B′,
然后,计算第h个历史日与预测日在第t个气象参数特征值上的差异,公式如下:
Δ′h,t=|x′h,t-x′0,t|
其中,Δ′h,t为第h个历史日与预测日在第t个气象参数特征值上的差值;
接着,计算预测日与历史日在第t个气象参数上的灰色关联度,公式如下:
其中,ξh,t为预测日与历史日在第t个气象参数上的灰色关联度;为第一级最小差;为第二级最小差;为第一级最大差;为第二级最大差;ρ为分辨系数,取值范围[0,1]。
由公式可以看出Δ′h,t越小ξh,t越大,预测日与历史日在第t个气象参数特征值上的差异越小,预测日与历史日在第t个气象参数上的相关性越大;
最后计算预测日与第h个历史日的综合相似系数,公式如下:
其中,Rh为预测日与第h个历史日的综合相似系数,综合相似系数Rh越大,表示预测日与历史日的气象综合特征越相似;Wt为第t个气象指标占所有指标的权重值;
在计算Wt时,可以根据各指标的变异程度,利用信息熵计算出各指标的熵权,得出较为客观的指标权重,公式如下:
其中,p为气象参数的个数,Et为第t个气象参数的熵值;
Et的计算公式如下:
其中,Ph,t为第t个气象参数在第h个历史日中所占的比重,λ为调节系数,λ=1/ln(n+1);
Ph,t的计算公式如下:
步骤S6从训练样本集中选取与预测日相似度较高的前10%的历史样本作为相似样本子集 其中,为与预测日气象参数相似度较高的前10%的历史气象数据,为对应的供暖系统能耗数据。
步骤S7利用高斯分布函数在样本周边生成虚拟样本,完成对相似样本子集的填充,构建最终训练样本集保证训练样本集和A的行数相同;
随机变量的高斯分布概率密度函数如下:
其中,χ为随机变量,χ~N(μ,σ2);μ为随机变量的均值,σ为随机变量的标准差。
步骤S8利用筛选过的训练样本集和传统BP神经网络模型对本建筑的供暖系统能耗进行预测。
经过上述步骤后,完成了对本建筑的供暖系统能耗预测。
如图3所示,经过本实施例样本筛选的BP神经网络预测模型的预测值与实际值变化趋势比较一致,模型预测精度的评价指标R2(越接近1越好)为0.769,指标MAPE(越接近0越好)为4.3%,指标RMSE(越接近0越好)为1.450。
实施例2不同能耗预测方法对建筑物能耗预测对比
为了验证本发明所提供的基于相似样本筛选的BP神经网络供暖系统能耗预测方法的精确性及科学性,本实施例将不同的BP神经网络供暖系统能耗预测方法进行比对,P组为本实施例1所提供的基于相似样本筛选的BP神经网络供暖系统能耗预测方法;Q组为传统BP神经网络供暖系统能耗预测方法;R组为基于遗传算法的BP神经网络供暖系统能耗预测方法;Q组和R组为现有的预测方法对建筑物进行供暖系统能耗预测,具体的预测结果如下:
由上述结果可以看出,本发明所提供的一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法,即对神经网络训练样本的预处理是相似性筛选,把与预测日影响因素相近的历史日的样本(包括影响因素和能耗)找出来,再利用虚拟样本对筛选出的样本数据填充,形成新的训练样本,不改变传统BP神经网络的核函数,预测快速准确,工作人员易于掌握和纠错。
实施例1,仅是本发明的较佳实施例而已,并非是对本发明所作的其它形式的限定,任何熟悉本专业的技术人员可能利用上述技术内容作为启示加以变更或改型为等同变化的等效实施例。但凡是未脱离本发明权利要求的技术实质,对以上实施例所作出的简单修改、等同变化与改型,仍属于本发明权利要求保护的范围。
Claims (6)
1.一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于,按照如下的步骤顺序依次进行:
步骤S1、构建初始训练样本集A
利用供暖系统能耗历史数据及其对应时刻的影响因素构建BP神经网络初始训练样本集A;
步骤S2、筛选主要影响因素
通过定量计算的方式,确定初始训练样本集A中影响供暖系统能耗变化的主要因素;
步骤S3、构建训练样本集
从初始训练样本集A中提取主要影响因素及其对应的历史能耗数据构建训练样本集
步骤S4、构建影响因素矩阵B
利用预测时刻和历史时刻影响供暖系统能耗的主要因素构建影响因素矩阵B;
步骤S5、计算综合相似系数
利用影响因素矩阵计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数;
步骤S6、筛选相似样本子集
设定相似度标准,并从训练样本集中筛选出相似样本子集
步骤S7、构建最终训练样本集
按初始训练样本集A的行数对相似样本子集进行填充,从而构建最终训练样本集
步骤S8、BP神经网络结果预测
利用经过预处理后的训练样本集对BP神经网络预测模型进行学习训练,然后进行供暖系统能耗预测预测。
2.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于,影响供暖系统能耗的主要因素包括:日最大干球温度、日最小干球温度、日平均干球温度、日平均露点温度、日平均相对湿度、日平均风速、日平均太阳辐射。
3.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于,所述步骤S2中,利用相关性分析方法,确定影响供暖系统能耗的主要影响因素,具体步骤如下:
步骤S21、正态分布检验
采用Kolmogorov-Smirnov检验方法对所有变量进行正态分布检验,先假设变量服从正态分布,如果显著性指标大于0.05,表明检验结果接受原假设,即变量服从正态分布;否则表明检验结果拒绝原假设,即变量不服从正态分布;变量理论分布函数与经验分布函数之间的最大差值计算公式如下:
Dmax=max|Sn(X)-F0(X)|
其中,Dmax为变量理论分布函数与经验分布函数之间的最大差异,即显著性指标;Sn(X)为随机变量观察值的累积概率分布函数,即经验分布函数;F0(X)为正态分布概率密度函数;
步骤S22、计算影响因素与供暖系统能耗之间的相关系数
(1)如果双变量均服从正态分布,则采用Pearson相关系数,计算公式如下:
其中,rt为第t个影响因素与供暖系统能耗之间的相关系数;为第t个影响因素的平均值;为供暖系统能耗平均值;
(2)如果双变量不满足正态分布假设的等间隔数据,则采用Spearman相关系数,计算公式如下:
步骤S23、对相关系数进行t检验
在进行相关系数t检验前,先假设双变量之间不相关,如果显著性指标大于0.01,表明检验结果接受原假设,即双变量之间不相关;否则表明检验结果拒绝原假设,即双变量之间显著相关;
检验统计量t的计算公式如下:
其中,t为检验统计量;
经过上述步骤计算出影响因素与供暖系统能耗之间的相关系数和检验统计量,并剔除与供暖系统能耗相关性较小的影响因素。
4.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于:所述步骤S5中,利用基于信息熵改进的灰色关联法定量计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数,具体如下:
步骤S51、对不同气象参数进行无量纲化、归一化预处理;
步骤S52、计算第h个历史日与预测日在第t个气象参数特征值上的差异;
步骤S53、计算预测日与历史日在第t个气象参数上的灰色关联度;
步骤S54、计算预测日与第h个历史日的综合相似系数。
5.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于:所述步骤S6中,相似度标准设定为10%,从训练样本集A中筛选出与预测时刻相似度较高的前10%的样本作为相似样本子集
6.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法,其特征在于:所述步骤S7中,利用随机变量的高斯分布概率密度函数对相似样本子集进行填充构建最终训练样本集
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102439.8A CN109858700A (zh) | 2019-02-01 | 2019-02-01 | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102439.8A CN109858700A (zh) | 2019-02-01 | 2019-02-01 | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858700A true CN109858700A (zh) | 2019-06-07 |
Family
ID=66897406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102439.8A Pending CN109858700A (zh) | 2019-02-01 | 2019-02-01 | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858700A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN110689131A (zh) * | 2019-09-26 | 2020-01-14 | 长安大学 | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 |
CN112462353A (zh) * | 2020-11-26 | 2021-03-09 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
CN112633622A (zh) * | 2020-09-29 | 2021-04-09 | 国网四川省电力公司信息通信公司 | 一种智能电网运营指标筛选方法 |
CN113468157A (zh) * | 2021-07-12 | 2021-10-01 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239983A (zh) * | 2014-10-13 | 2014-12-24 | 东南大学 | 一种基于大数据视角的需求响应削负荷量的测量方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
-
2019
- 2019-02-01 CN CN201910102439.8A patent/CN109858700A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239983A (zh) * | 2014-10-13 | 2014-12-24 | 东南大学 | 一种基于大数据视角的需求响应削负荷量的测量方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
王俊文 等: "《2018形式与对策 中国对外经济贸易前沿问题讨论文集》", 30 November 2018, 中国商务出版社 * |
钟海燕 等: "《IBM SPSS统计分析与应用》", 31 May 2018, 中国经济出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN110689131A (zh) * | 2019-09-26 | 2020-01-14 | 长安大学 | 一种基于朴素贝叶斯模型的车辆能耗影响分析方法 |
CN112633622A (zh) * | 2020-09-29 | 2021-04-09 | 国网四川省电力公司信息通信公司 | 一种智能电网运营指标筛选方法 |
CN112633622B (zh) * | 2020-09-29 | 2024-02-27 | 国网四川省电力公司信息通信公司 | 一种智能电网运营指标筛选方法 |
CN112462353A (zh) * | 2020-11-26 | 2021-03-09 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
CN112462353B (zh) * | 2020-11-26 | 2023-08-15 | 中国第一汽车股份有限公司 | 超声波雷达的测试方法、装置、系统及设备 |
CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充系统 |
CN113468157A (zh) * | 2021-07-12 | 2021-10-01 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
CN113468157B (zh) * | 2021-07-12 | 2024-04-26 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN107730031A (zh) | 一种超短期高峰负荷预测方法及其系统 | |
CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
CN110210648B (zh) | 基于灰色长短期记忆网络的管制空域战略流量预测方法 | |
CN109408848A (zh) | 一种考虑径流演变时空异质性的分布式归因方法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
CN109325633A (zh) | 一种天气预报集合成员选取方法和系统 | |
CN110135623A (zh) | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 | |
CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
CN113935557A (zh) | 一种基于深度学习的相同模式能耗大数据预测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
Chen et al. | Correlation analysis of runway icing parameters and improved PSO-LSSVM icing prediction | |
CN106874568A (zh) | 一种球磨过程的物料粒径分布预测方法 | |
CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 |
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: 20190607 |