CN110068110B - 一种中央空调负荷预测方法、智能终端及存储介质 - Google Patents
一种中央空调负荷预测方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN110068110B CN110068110B CN201910262837.6A CN201910262837A CN110068110B CN 110068110 B CN110068110 B CN 110068110B CN 201910262837 A CN201910262837 A CN 201910262837A CN 110068110 B CN110068110 B CN 110068110B
- Authority
- CN
- China
- Prior art keywords
- load
- central air
- value
- prediction
- load prediction
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/50—Load
Abstract
本发明公开了一种中央空调负荷预测方法,包括:获取中央空调系统经由常用负荷预测算法获得的至少两个以上的t时刻的负荷预测值;获取中央空调t时刻的实际负荷测量值;将所述多个负荷预测值组成预测矩阵,求得t时刻的组合负荷预测值;求得负荷预测的取值系数;经由取值系数与t+1时刻的组合负荷预测值计算得到t+1时刻的中央空调系统的最终负荷预测值的步骤。还提出了包含该方法的智能终端及存储介质。本发明对中央空调负荷实现高精度负荷预测,利用权重分配原则,自动调整负荷预测权重,始终确保负荷预测精度高的预测方法所占权重大,从而保证了系统整体负荷预测精度始终维持在一个高精度水平,及时调节空调系统运行工况,降低空调系统运行能耗。
Description
技术领域
本发明涉及一种中央空调技术,尤其是涉及一种具有高精度的实时负荷预测能力的中央空调负荷预测方法、智能终端及存储介质。
背景技术
提前预测出中央空调系统所冷负荷,可以及时调整空调系统对应设备的运行策略,提前调节系统运行冷量,减少不必要的运行能耗,从而实现中央空调系统运行技术节能。该中央空调负荷预测方法不仅及时准确,而且预测精度高,能够自动调整各种负荷预测方法的权重比例,完善了中央空调系统运行负荷预测的技术补充。
现有的中央空调负荷预测方法主要有神经网络负荷预测,时间序列递推负荷预测等技术方法。其神经网络负荷预测是利用人工智能算法中的机器学习原理,利用历史测量数据,通过机器学习,提前预测下一时刻的对应负荷。
目前中央空调系统负荷预测技术单一,比如神经网络预测由于在训练阶段采用了采用了最速下降法来搜索最优解。最速下降法所具有的特点就是:在局部搜索空间的搜索能力强,而对于全局搜索空间来说,它却存在着收敛速度慢、易陷入局部极小点等缺点,从而导致神经网络负荷预测不能在全局实现高精度负荷预测。时间序列预测又容易对季节和气候的影响产生依赖,一旦气候参数变化较大的情况发生,就会导致预测精度快速降低。
针对中央空调系统负荷的滞后性、非线性、随机性等特点,因此针对不同的系统运行工况,均无法保证预测出高精度的负荷预测结果,当预测负荷值严重偏离实际运行负荷值时,会导致系统冷负荷不足或过冷等现象,从而造成能源浪费,因此无法最大化的实现中央空调系统运行技术节能。
发明内容
本发明解决的技术问题是提供一种中央空调负荷预测方法,能够提供实时高精度的中央空调负荷预测。
本发明的技术解决方案是:
一种中央空调负荷预测方法,其中,包括:
步骤一,获取中央空调系统经由常用负荷预测算法获得的至少两个以上的t时刻的负荷预测值;
步骤二,获取中央空调t时刻的实际负荷测量值;
步骤三,将所述多个负荷预测值组成预测矩阵,求得t时刻的组合负荷预测值;
步骤四,求得负荷预测的取值系数;
步骤五,经由取值系数与t+1时刻的组合负荷预测值计算得到t+1时刻的中央空调系统的最终负荷预测值。
本发明还提供:
一种智能终端,其中,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的中央空调负荷预测程序,所述中央空调负荷预测程序被所述处理器执行时实现如上所述的中央空调负荷预测方法的步骤。
一种存储介质,其中,所述存储介质存储有中央空调负荷预测程序,所述中央空调负荷预测程序被处理器执行时实现如上所述中央空调负荷预测方法的步骤。
由以上说明得知,本发明确实具有如下的优点:
本发明对中央空调负荷实现高精度负荷预测,利用权重分配原则,自动调整负荷预测权重,始终确保负荷预测精度高的预测方法所占权重大,负荷预测精度低的预测方法所占权重小,从而保证了系统整体负荷预测精度始终维持在一个高精度水平,从而及时调节空调系统运行工况,降低空调系统运行能耗。
附图说明
图1为本发明的中央空调负荷预测算法较佳实施例的步骤流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本发明针对现有的中央空调负荷预测算法的不足,采用将现有预测算法的预测数值做进一步的计算处理,获得高精度预测方法权重大的算法体系,保持最终预测值在一个较高的精确度上。在现有的预测算法中,较为常用的是人工神经网络负荷预测和时间序列递推负荷预测的方法,当然也可以是其他的算法,在本发明中,涵盖的算法种类越多,最终负荷值的预测结果越精确。
人工神经网络是模仿人脑神经系统对信号进行输入,输出处理的系统,它实质是一种输入转化输出的数学表达式,这种数学关系以网络形式实现,对具体问题进行设计与训练,从而再利用历史数据和神经网络数学模型来预测出下一时刻的空调负荷值。
时间序列递推是利用历史数据,拟合获得负荷预测公式系数,从而递推出下一时刻的负荷预测值。其原理是按照时间顺序取得的一系列观测值,其一个本质特征就是相邻观测值之间的依赖性,组成一个时间参数离散的随机序列,若参数t表示时间,则随机序列{X,t=0,±1,±2,L}t就是一个时间序列。时间序列分析的任务就是根据这组随机序列的部分观测值来推断此序列总体的性质,建立随机动态模型(统计模型),并将这种模型用于空调系统负荷预测中,并预测出下一时刻的空调负荷值。
上述算法中,他们各自都存在着不足和预测值不精确的原因,本发明通过将现有的预测方法进行综合计算,根据系统的实际情况实时重新分配负荷值的权重,获得实时精确的负荷预测值。
本发明所述的一种中央空调负荷预测方法,请参照图1所示,其较佳的实施例中,包括:
S101步骤一,获取中央空调系统经由常用负荷预测算法获得的至少两个以上的t时刻的负荷预测值;
S102步骤二,获取中央空调t时刻的实际负荷测量值;
S103步骤三,将所述多个负荷预测值组成预测矩阵,求得t时刻的组合负荷预测值;
S104步骤四,求得负荷预测的取值系数;
S105步骤五,经由取值系数与t+1时刻的组合负荷预测值计算得到t+1时刻的中央空调系统的最终负荷预测值。
本发明通过获得常用负荷预测算法的t时刻预测值以及t时刻已经发生的实际负荷值,进行计算,通过取值系数的调整,使精确度高的算法权重提高,最终获得t+1时刻更为精确的负荷预测值。本发明不仅提高了负荷预测值的精确度,而且还具有实时根据中央空调系统的运行条件变化,调整计算权重的能力,具有极高的环境适应能力。
如上所述的本发明的中央空调负荷预测方法,其较佳的实施例中,所述负荷预测值为经由一个或多个所述常用负荷预测算法获得的多个负荷预测值。在本发明的方法中,可以通过多个常用负荷预测算法的预测值进行计算,也可以通过一个算法的多个预测值计算,也可以是多种相结合的方式。在现有的算法中,有的是相同的输入就只有同一的输出结果,但是有的算法是相同的输入,也会有不同的输出结果,根据这种情况,本发明的输入数据可以进行选择调整。当然,常用预测算法的种类越多,输入的负荷预测值越多,最终结果越准确。
如上所述的本发明的中央空调负荷预测方法,其较佳的实施例中,所述常用负荷预测算法包括有时间序列地推负荷预测算法和/或人工神经网络负荷预测算法。当然也可以是更多预测算法的组合。所有的预测算法都可以放入本发明的方法中进行计算,获得更为精确的预测结果。
如上所述的本发明的中央空调负荷预测方法,其较佳的实施例中,所述t时刻的负荷预测值为Yn(t),组合预测值为Yyuce(t),所述预测矩阵为:
其中n为自然数。
如上所述的本发明的中央空调负荷预测方法,其较佳的实施例红,所述t时刻的实际负荷测量值为Y(t),经由t时刻负荷预测值与实际负荷测量值之差的绝对值组成的偏差矩阵:
和t时刻绝对值组成的偏差矩阵对应倒数矩阵:
以及t时刻倒数矩阵求和值:
获得t时刻负荷预测值对应的取值系数αxishu(t);
预测矩阵求得t+1时刻的负荷预测值Yyuce(t+1)后,经由公式:
Yyucezhi(t+1)=αxishu(t)T*Yyuce(t+1)
求得t+1时刻的对应的最终负荷预测值。
本发明还提出一种智能终端,其较佳的实施例中,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的中央空调负荷预测程序,所述中央空调负荷预测程序被所述处理器执行时实现如上所述的中央空调负荷预测方法的步骤。
本发明还提出一种存储介质,其较佳的实施例中,所述存储介质存储有中央空调负荷预测程序,所述中央空调负荷预测程序被处理器执行时实现如上所述中央空调负荷预测方法的步骤。
本发明对中央空调负荷实现高精度负荷预测,利用权重分配原则,自动调整负荷预测权重,始终确保负荷预测精度高的预测方法所占权重大,负荷预测精度低的预测方法所占权重小,从而保证了系统整体负荷预测精度始终维持在一个高精度水平,从而及时调节空调系统运行工况,降低空调系统运行能耗。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储于电脑可读的媒介上,或以一个或多个指令或代码形式传输至电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种中央空调负荷预测方法,其特征在于,包括:
步骤一,获取中央空调系统经由常用负荷预测算法获得的至少两个以上的t时刻的负荷预测值;
步骤二,获取中央空调t时刻的实际负荷测量值;
步骤三,将所述至少两个以上的t时刻的负荷预测值组成预测矩阵,求得t时刻的组合负荷预测值;
步骤四,求得负荷预测的取值系数;
步骤五,经由取值系数与t+1时刻的组合负荷预测值计算得到t+1时刻的中央空调系统的最终负荷预测值;
所述负荷预测值为经由一个或多个所述常用负荷预测算法获得的负荷预测值;
所述常用负荷预测算法包括有时间序列地推负荷预测算法和/或人工神经网络负荷预测算法;
所述t时刻的负荷预测值为Yn(t),组合预测值为Yyuce(t),所述预测矩阵为:
其中n为自然数;
所述t时刻的实际负荷测量值为Y(t),经由t时刻负荷预测值与实际负荷测量值之差的绝对值组成的偏差矩阵:
和t时刻绝对值组成的偏差矩阵对应倒数矩阵:
以及t时刻倒数矩阵求和值:
获得t时刻负荷预测值对应的取值系数αxishu(t);
预测矩阵求得t+1时刻的负荷预测值Yyuce(t+1)后,经由公式:
Yyucezhi(t+1)=αxishu(t)T*Yyuce(t+1)
求得t+1时刻的对应的最终负荷预测值。
2.一种智能终端,其特征在于,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的中央空调负荷预测程序,所述中央空调负荷预测程序被所述处理器执行时实现如权利要求1所述的中央空调负荷预测方法的步骤。
3.一种存储介质,其特征在于,所述存储介质存储有中央空调负荷预测程序,所述中央空调负荷预测程序被处理器执行时实现权利要求1所述中央空调负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262837.6A CN110068110B (zh) | 2019-04-02 | 2019-04-02 | 一种中央空调负荷预测方法、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262837.6A CN110068110B (zh) | 2019-04-02 | 2019-04-02 | 一种中央空调负荷预测方法、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068110A CN110068110A (zh) | 2019-07-30 |
CN110068110B true CN110068110B (zh) | 2020-12-04 |
Family
ID=67366993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910262837.6A Active CN110068110B (zh) | 2019-04-02 | 2019-04-02 | 一种中央空调负荷预测方法、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110068110B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112747413B (zh) * | 2019-10-31 | 2022-06-21 | 北京国双科技有限公司 | 空调系统负荷预测方法及装置 |
CN111271839B (zh) * | 2020-02-14 | 2021-05-11 | 河海大学 | 一种定频空调短期功率调节的方法 |
CN113028610B (zh) * | 2021-04-12 | 2021-12-07 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
CN113757852B (zh) * | 2021-08-27 | 2022-10-14 | 华中科技大学 | 基于数字孪生技术的多联机空调机组控制方法及控制系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0875219A (ja) * | 1994-08-31 | 1996-03-19 | Yamatake Honeywell Co Ltd | 負荷予測方法 |
JPH10205852A (ja) * | 1997-01-22 | 1998-08-04 | Shinryo Corp | 建物熱負荷予測による空調制御方法 |
JP2010286190A (ja) * | 2009-06-12 | 2010-12-24 | Yamatake Corp | 負荷予測方法及び負荷予測装置 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
WO2015061271A1 (en) * | 2013-10-22 | 2015-04-30 | University Of Florida Research Foundation, Inc. | Low-frequency ancillary power grid services |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN106022530A (zh) * | 2016-05-26 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 一种电力需求侧柔性负荷有功功率预测方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
CN106934505A (zh) * | 2017-03-31 | 2017-07-07 | 北京清能互联科技有限公司 | 一种基于偏差补偿的两阶段短期电网负荷的预测方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN108537379A (zh) * | 2018-04-04 | 2018-09-14 | 北京科东电力控制系统有限责任公司 | 自适应变权重组合负荷预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9869481B2 (en) * | 2015-01-27 | 2018-01-16 | Patrick Andrew Shiel | Method of controlling ventilation and chilling systems to conserve energy in commercial buildings |
CN108460479A (zh) * | 2018-01-23 | 2018-08-28 | 国网安徽省电力有限公司阜阳供电公司 | 一种公共楼宇空调短时基线负荷预测方法 |
-
2019
- 2019-04-02 CN CN201910262837.6A patent/CN110068110B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0875219A (ja) * | 1994-08-31 | 1996-03-19 | Yamatake Honeywell Co Ltd | 負荷予測方法 |
JPH10205852A (ja) * | 1997-01-22 | 1998-08-04 | Shinryo Corp | 建物熱負荷予測による空調制御方法 |
JP2010286190A (ja) * | 2009-06-12 | 2010-12-24 | Yamatake Corp | 負荷予測方法及び負荷予測装置 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
WO2015004742A1 (ja) * | 2013-07-10 | 2015-01-15 | 三菱電機株式会社 | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム |
WO2015061271A1 (en) * | 2013-10-22 | 2015-04-30 | University Of Florida Research Foundation, Inc. | Low-frequency ancillary power grid services |
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
CN104729024A (zh) * | 2015-04-08 | 2015-06-24 | 南京优助智能科技有限公司 | 基于室内平均温度的空调负荷预测方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN106022530A (zh) * | 2016-05-26 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 一种电力需求侧柔性负荷有功功率预测方法 |
CN106779179A (zh) * | 2016-11-28 | 2017-05-31 | 新奥泛能网络科技股份有限公司 | 一种空调机组的负荷预测方法及设备 |
CN106934505A (zh) * | 2017-03-31 | 2017-07-07 | 北京清能互联科技有限公司 | 一种基于偏差补偿的两阶段短期电网负荷的预测方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN108537379A (zh) * | 2018-04-04 | 2018-09-14 | 北京科东电力控制系统有限责任公司 | 自适应变权重组合负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于优选组合预测技术的中长期负荷预测;马星河,闫炳耀,唐云峰,张均伟;《电力系统及其自动化学报》;20150630;第27卷(第6期);62-67 * |
Also Published As
Publication number | Publication date |
---|---|
CN110068110A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110068110B (zh) | 一种中央空调负荷预测方法、智能终端及存储介质 | |
CN108648457B (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
CN113205203A (zh) | 基于cnn-lstm的建筑能耗预测方法和系统 | |
CN113408788B (zh) | 微气象监测装置高维构建及补全方法、系统、装置及介质 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
CN110516889B (zh) | 一种基于Q-learning的负荷综合预测方法和相关设备 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN104755998B (zh) | 用于提供光学镜片的方法 | |
CN111723085A (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN107273411A (zh) | 业务操作与数据库操作数据的关联方法及设备 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
CN113692177B (zh) | 数据中心制冷系统功耗的控制方法、装置及终端 | |
CN117252303A (zh) | 一种基于数字孪生的能源规划方法及装置 | |
CN114154737A (zh) | 配变台区的负荷数据修补方法、装置、终端及存储介质 | |
CN116579477A (zh) | 基于极限学习机模型预测交通流的方法、装置及电子设备 |
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 |