CN110322369A - 一种楼宇负荷最优组合确定方法、终端设备及存储介质 - Google Patents
一种楼宇负荷最优组合确定方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110322369A CN110322369A CN201910594414.4A CN201910594414A CN110322369A CN 110322369 A CN110322369 A CN 110322369A CN 201910594414 A CN201910594414 A CN 201910594414A CN 110322369 A CN110322369 A CN 110322369A
- Authority
- CN
- China
- Prior art keywords
- load
- building
- matrix
- model
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种楼宇负荷最优组合确定方法、终端设备及存储介质,该方法中包括:S1:根据楼宇中不同负荷类型的房间在不同时刻的负荷情况构建模型矩阵;S2:构建Hopfield神经网络模型,设定构建的模型矩阵为输入矩阵,根据模型矩阵设定网络的四项约束项和目标项;S3:对模型进行训练,直到网络的能量函数小于设定的阈值时停止,根据停止时模型的输出矩阵确定楼宇中各负荷类型的房间的使用时间。本发明通过构建Hopfield神经网络,根据楼宇各项负荷的使用时间和可接受转移的时间进行约束项的设置,以楼宇实际运行得到的负荷曲线的峰谷差率作为目标函数,有效的解决了楼宇负荷组合优化问题。
Description
技术领域
本发明涉及组合优化技术领域,尤其涉及一种楼宇负荷最优组合确定的方法、终端设备及存储介质。
背景技术
随着的社会经济不断发展,人们的生活水平不断提高,随之增加了许多不同类型的负荷,其对电力网络的影响不尽相同。不同类型的负荷及其所占的比例决定了负荷的特性特点,因此对其进行分类和组合优化是很有必要的。通过科学地合理地用电负荷安排可以使电力负荷特性达到一个最优的状态,提高配电网运行效率。优化负荷特性的关键就在于通过负荷优化组合使得负荷水平接近实际运行状态,并且负荷特性的曲线峰谷差率最小。由于早期电力行业发展较慢,对负荷的要求和电能质量的要求不高,因此在楼宇方面的负荷优化研究较少,但近些年由于房地产的快速发展,大楼林立,因此对楼宇的用电负荷特性和电能资源的分配有更高的要求。
随着科学技术的快速进步和低碳经济理念的深入人心,智慧楼宇可有效促进能源资源节约和合理利用。例如在日常的教学活动过程中,课程需要人工的编排与调整,需要花费较多的时间与人工成本。而且排出的课程使用时间可能在同一个时间段内负荷使用较为密集的状况。
组合问题的研究历程由来已久,在优化组合问题的解决方法方式上多种多样。最简单的方法便是穷举法,但是只适用于可行解较少的问题才使用。而当所涉及问题的可行解范围规模较大时,所穷举的数量就会指数式上升,这是很不现实的。
发明内容
为了解决上述问题,本发明提出了一种楼宇负荷最优组合确定方法、终端设备及存储介质。
具体方案如下:
一种楼宇负荷最优组合确定方法,包括以下步骤:
S1:根据楼宇中不同负荷类型的房间在不同时刻的负荷情况构建模型矩阵,其中矩阵的行和列分别表示使用时刻和负荷种类,矩阵中各元素的值为1或0,分别代表使用和不使用;
所述负荷情况包括使用负荷类型、使用时间段、使用持续时间、能够接受转移的时间和每个房间的功率总和;
S2:构建Hopfield神经网络模型,设定构建的模型矩阵为输入矩阵,设定网络的约束项包括四项,第一约束项根据矩阵中的每一行的和固定的特点设定,第二约束项根据矩阵中每行的各元素之间两两相乘的和固定的特点设定,第三约束项根据矩阵中每行的第一值为1的元素和最后一个值为1的元素的后一位元素的乘积恒为0的特点设定,第四约束项根据每行元素在可移动范围之外均为0的特点设定,网络的目标项根据负荷曲线的峰谷差率最小设定;
S3:对模型进行训练,直到网络的能量函数小于设定的阈值时停止,根据停止时模型的输出矩阵确定楼宇中各负荷类型的房间的使用时间。
进一步的,第一约束项E1的计算公式为:
其中,i、j均为神经元,Vi,j表示神经元的输出,N为神经元的个数,A为权重系数。
进一步的,第二约束项E2的计算公式为:
其中,a为矩阵中元素的初始位置,b为每种负荷的可接受度,即每行对应可移动的位数,n为每行元素的和。
进一步的,第三约束项E3的计算公式为:
进一步的,第四约束项E4的计算公式为:
进一步的,目标项D1的计算公式为:
其中,D为权重系数。
进一步的,能量函数E为:
一种楼宇负荷最优组合确定终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,通过构建Hopfield神经网络,根据楼宇各项负荷的使用时间和可接受转移的时间进行约束项的设置,以楼宇实际运行得到的负荷曲线的峰谷差率作为目标函数,有效的解决了楼宇负荷组合优化问题。
附图说明
图1所示为本发明实施例一中Hopfield神经网络结构示意图。
图2所示为该实施例中算法的流程图。
图3所示为该实施例中能量函数的程序结构图。
图4所示为该实施例中动态函数的程序结构图。
图5所示为该实施例中主程序的程序结构图。
图6(a)所示为该实施例中第一种满足约束条件的结果。
图6(b)所示为该实施例中第二种满足约束条件的结果。
图6(c)所示为该实施例中第三种满足约束条件的结果。
图7所示为该实施例中不满足约束条件的结果。
图8所示为该实施例中没有变化的结果。
图9所示为该实施例中仿真结果占比的示意图。
图10所示为该实施例中三种满足约束条件的结果组合的负荷曲线。
图11所示为该实施例中较优解里两条组合形式的负荷曲线。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
该实施例中以某学校教学实验3号楼的楼宇负荷的使用情况进行说明。
本发明实施例提供了一种楼宇负荷最优组合确定方法,包括以下步骤:
步骤一:楼宇负荷统计及模型矩阵构建。
通过对一栋楼宇中每个房间的负荷情况进行统计分类计算,主要统计每个房间的使用负荷类型、使用的主要时间段、使用的持续时间、可接受转移的时间(即可挪到其他的时间来使用)和每个房间的功率总和。
该实施例中,选定夏季的某一天典型工作日,对教学实验3号楼的楼宇负荷的使用情况作了一个统计调查,由于选定的时间在夏天,因此使用较多的设备有空调、电脑。在其他设备的使用时间上做了合理的分配,例如高电压技术实验室里较不常使用的实验仪器和设备还有像实验室里自行组装的一些设备,按照设备的占地平方数对照单位耗电量进行替换。像电梯、打印机等设备有待机和工作时间的差异,按照预估时间分别计算其负荷值。
(1)负荷分类
主要把负荷分为五类包括了会议室类(包括招待室,教职工活动室,会议室等,使用时间较不定)如表1;教学实验室类(包括电气和光电相关的实验室,使用时间为上课时间)如表2;专用实验室类(包括了机器人实验室,GE实验室等,使用时间不固定)如表3;办公室类(包括教师办公室和学生组织办公室,使用时间为工作时间)如表4;基础负荷类(使用时间超过12个小时)如表5。
表1
表2
表3
表4
表5
(2)负荷特性
负荷的特性指标包括了负荷的开始时间、负荷的持续时间、用户参与负荷调节的接受度和单位面积的耗电量。负荷的开始时间:业态负荷的启动时间,不同的业态负荷的开始时间不同,可分为有明确时间和无明确时间开始的,如办公室类负荷开始时间为工作早上上班时间,像会议室类开始时间就不定。负荷的持续时间:负荷开始时间到结束的持续时间,分为长持续时间和短持续时间。如电梯这类基础负荷持续时间一般为全天(不考虑特殊情况检修和停电等问题),像上课的教学实验室类,持续时间一般为上课的时间,一般为两节课时间。用户参与负荷的接受度:可转移负荷在该时间段内的可接受移动的范围,对于可转移负荷,其全部负荷可从一个时间段转移到另一个时间段。单位面积的耗电量:利用每类负荷里典型的教室作为计算来源,算出单位面积的耗电量。
(3)映射模型矩阵
对统计的楼宇负荷进行数据整理,得到如表6所示的对应使用时间的模型矩阵,表格含义为某种负荷在某个时间段内的使用情况。
表6
其中,1表示在使用,0表示不在使用;横坐标:8:00到18:00,每隔1个小时的时间段,纵坐标:1*:会议室类负荷、2*:教学实验室类、3*:专用实验室类、4*:办公室类、5*:基础负荷类。
通过对模型矩阵的分析,可以得到以下特点:
1.会议室类、教学实验室类和专用实验室类平均使用时间为2、3、4小时,而办公室类和基础负荷类负荷使用时间为全天时间段,因此在优化的过程中暂不考虑办公室类和基础负荷类。
2.每一种负荷在使用时,使用的时间是连续的。
3.在可接受转移的时间范围之外,负荷均不在使用,则全部为0。
4.由此根据矩阵与需求的目标结果最小的峰谷差率联系起来,在得到的合理组合结果里,结合时间负荷大小计算峰谷差率,以此判断结果的有效性。
根据特点1,可以简化矩阵为三行十列的矩阵如表7。
表7
步骤一中通过对实验楼的负荷情况做了一个统计,整理了五类负荷情况,并以此计算每一类负荷和调查了每种负荷的使用时间段。对楼宇的负荷有较为准确的认识。再由计算得到的负荷数据列出对应的负荷模型矩阵,通过对模型矩阵的分析,总结得出矩阵特点。并根据其特性简化矩阵形式,为下一步骤做好数据支持。
步骤二:Hopfield神经网络模型构建。
一、Hopfield神经网络介绍。
Hopfield神经网络是Hopfield在1982年提出地反馈神经网络模型如图1所示。
其系统状态方程为:
式中,i为神经元,Ui为神经元i的输入,Vj为神经元j的输出,Wij为神经元i与神经元j的连接权值,bi为神经元j的外部激励,τ为常数,激活函数F为Sigmoid函数。
Hopfield神经网络输入输出关系由连续可微函数构成,每个神经元的状态由输入的初始值和约束项共同影响,其中神经元的网络传递函数式为公式3-2:
式中,函数g为tansig函数。
通过定义一个Lyapunov意义下的能量函数来分析连续Hopfield神经网络是否收敛于稳定状态,连续Hopfield神经网络能量函数定义为:
Hopfield网络模型是一个多输入、多输出、多反馈的非线性动力学系统。其能量函数是判定网络稳定性的基本概念,在满足一定的参数条件下,能量函数值在网络的运行过程中不断降低,最后趋于一个平衡状态。
如图2所示,该实施例中Hopfield神经网络模型构建的具体步骤如下:
(1)初始化参数,设置模型中的权重系数A=1.1,D=1.8;动态函数初始值U0=0.1;输入初始矩阵(即步骤一中构建的模型矩阵);设置迭代步数为20000步,步长step为0.00005S;神经网络输入U=log(N)U0+delta;delta为(-1,1)的随机值,N为矩阵较长维数。
在网络参数的设置方面,Hopfield神经网络迭代过程对网络的能量函数和动态方程的系数十分敏感,可以利用尝试法设置初值,包括动态函数的初始值U0,迭代次数step,权重系数等。该实施例中在参数的设置上利用了二分法来趋近得到较好结果的参数。
(2)利用一阶欧拉法计算,求解
(3)利用传递函数更新神经元的状态值;
(4)计算能量值E,判断迭代次数是否满足设定,若不满足则返回循环。
(5)得到的能量值后与多次优化后且网络稳定所得到的能量值做比较。若小于,则结束循环输出矩阵。若大于则返回循环进行迭代。程序最后输出矩阵的优化后的组合形式。
二、网络方程的设计。
(一)网络能量方程的设计。
根据负荷数据和模型矩阵的特点,设定网络模型包括四个约束项和一个目标项。
楼宇负荷最优组合问题是一个多约束的最小值组合优化问题。目标函数基于负荷曲线的峰谷差的概念,利用峰谷差率最小得到组合的最优状态。对负荷元素按要求进行排列,得到负荷曲线的状态平稳,峰谷差率最小。
其中峰谷差率的计算公式为
式中:λ为峰谷差率,Pmax为负荷峰值,Pmin为负荷谷值。
目标项D1由峰谷差最小的约束条件可知,矩阵中的列之和最值的差值趋于最小,如公式(5):
所以由此约束条件得到的能量函数目标项式为公式(6)
式中,D为常数,且D>0。
四个约束项分别为:
(1)约束项E1由“每行元素的和固定”的约束条件得到,第i行的元素值和为固定值i+1,如公式(7)。
根据该约束条件得到的能量函数式为:
式中,A为常数,且A>0。
(2)约束项E2由“每行中的元素是连续的”约束条件可知,第i行的所有元素值按顺序两两相乘之和为n-1(n为每行的和组成的矩阵),又因为每种负荷的可接受度不同可得公式(9)。
根据该约束条件得到的能量函数式为。
式中,a为元素的初始位置,b为每种负荷的可接受度,即每行对应可移动的位数,n为每行的固定和。
(3)约束项E3由“每行中的元素是连续的”约束条件还可以得出,第i行元素的第一个出现的“1”和最后一位出现的“1”的后一位乘积为0,即公式(11)。
根据该约束条件得到的能量函数式为:
(4)约束项E4由在需求度的约束条件下,最后一个“1”的移动范围之外的元素全为0,如公式(13)。
根据该约束条件得到的能量函数式为:
综上所述,通过整合四个约束项和一个目标项,添加权重系数建立如下能量函数:
式中,Vi,j表示各神经元对应的输出。
在网络的运行过程中,利用动态函数进行计算,再利用网络传递函数更新神经元的状态。在已建立能量函数E的情况下,由式(15)对神经元进行求导。可推导出神经元Vi,j的动态方程为:
步骤三:利用MATLAB软件进行仿真验证。
该实施例中,根据模型网络方程,通过MATLAB软件进行编程,通过编写程序进行仿真网络。主要包含了三个部分:主程序,能量函数和动态函数。由主程序运行调用两个函数文件进行计算。
1、能量函数
能量函数由五部分组成,其主要思路是通过输入矩阵进行计算四个约束项和一个目标项的循环式求出能量函数的能量值。其主要功能是通过能量函数的运算,计算得出每次网络的运行计算值,通过该能量值判断是否网络是趋于稳定。能量函数程序的结构如图3所示。
2、动态函数
动态函数程序的主要思路是将输入的矩阵计算动态函数du的值,主要实现功能是通过对输入的初始矩阵进行矩阵运算,对每个神经元的状态值进行计算得到神经元的状态值。动态函数程序结构如图4所示。
3、主程序的程序思路和总体调试
主程序的主要思路通过调取能量函数和动态函数的脚本文件,进行神经元的动态值运算。再通过网络传递函数更新神经元的值,进行下一循环的迭代计算。其中当能量函数的输出值小于我们的设定值时,说明网络的运行还未达到平稳的状态,也就是网络还未稳定,因此还需继续进行网络的循环优化,至其达到要求的能量值以下,以此判定网络是否稳定。主程序的程序结构如图5所示。
步骤四:仿真结果分析。
模型的运行结果主要分为三类:
1.满足约束条件的解(合理解):由于组合方式多样列出以下三种形式如图6(a)、6(b)、6(c)。
2.不满足约束条件的结果(不合理解):运行得到的矩阵其组合形式不满足要求,超出了要求的解如图7,表示的矩阵的第三行元素超出了可移动范围的要求。
3.运行没有变化的结果(未变化解):运行网络得到的矩阵与输入是的初始矩阵相同如图8。
负荷曲线结果的分析对比:
运行程序200次得到的结果如图9,合理解约占72%,不合理解占12%;未变化解占16%,在合理解里较优解较为更符合目标要求,较优解约占22%。第一行(会议室类)变化的结果占全部结果的68%左右。对以上得到的仿真数据进行分析:由于会议室类(第一行)负荷可接受度相比于教学实验室类和专用实验室类较大,可变化的范围较宽,因此得到的合理结果中,变化较多的便是会议室类负荷。而教学实验室类和专用实验室类可调整的范围较小,其变动的较小。
图10所示为可转移度为(6、3、3)时的结果,可转移度决定着每一类区域负荷的可变动量,因此当实际负荷可转移度受限时,所得到的负荷曲线较初始曲线相比,其改变的幅度就不会明显。在得到的合理解里筛选较优组合形式,其中在合理解里占比较多的三种类型代入各负荷区域功率运算得到负荷在规定时间里的负荷曲线。
图11中绘制了得到的较优解里两条组合形式的负荷曲线。通过网络的优化相较于初始曲线,经过优化后的负荷曲线经过计算,其峰谷差率由0.81下降到了0.71,负荷曲线趋于平稳。与理想结果比起来,优化后的曲线接近理想结果。由于组合形式的多样性,需要根据实际问题来选取合适的组合形式。
该实施例中利用Hopfield神经网络对组合问题进行优化设计,出于楼宇各项负荷的使用时间和可接收转移的时间的约束考虑,以楼宇实际运行得到的负荷曲线的峰谷差率作为目标函数。构造相应的矩阵,将目标项和约束项作为方程的结构主体得到能量方程,并由此计算得到网络的动态方程。将问题通过模型具体化,再利用MATLAB编程进行网络的模拟仿真得到优化后的排列组合结果。该算法在解决组合问题上有一定的优势,在解决该问题上合理解占比72%左右,较优解占比20%左右。
实施例二:
本发明还提供一种楼宇负荷最优组合确定终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述楼宇负荷最优组合确定终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述楼宇负荷最优组合确定终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述楼宇负荷最优组合确定终端设备的组成结构仅仅是楼宇负荷最优组合确定终端设备的示例,并不构成对楼宇负荷最优组合确定终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述楼宇负荷最优组合确定终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述楼宇负荷最优组合确定终端设备的控制中心,利用各种接口和线路连接整个楼宇负荷最优组合确定终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述楼宇负荷最优组合确定终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述楼宇负荷最优组合确定终端设备集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (9)
1.一种楼宇负荷最优组合确定方法,其特征在于,包括以下步骤:
S1:根据楼宇中不同负荷类型的房间在不同时刻的负荷情况构建模型矩阵,其中矩阵的行和列分别表示使用时刻和负荷种类,矩阵中各元素的值为1或0,分别代表使用和不使用;
所述负荷情况包括使用负荷类型、使用时间段、使用持续时间、能够接受转移的时间和每个房间的功率总和;
S2:构建Hopfield神经网络模型,设定构建的模型矩阵为输入矩阵,设定网络的约束项包括四项,第一约束项根据矩阵中的每一行的和固定的特点设定,第二约束项根据矩阵中每行的各元素之间两两相乘的和固定的特点设定,第三约束项根据矩阵中每行的第一值为1的元素和最后一个值为1的元素的后一位元素的乘积恒为0的特点设定,第四约束项根据每行元素在可移动范围之外均为0的特点设定,网络的目标项根据负荷曲线的峰谷差率最小设定;
S3:对模型进行训练,直到网络的能量函数小于设定的阈值时停止,根据停止时模型的输出矩阵确定楼宇中各负荷类型的房间的使用时间。
2.根据权利要求1所述的楼宇负荷最优组合确定方法,其特征在于:第一约束项E1的计算公式为:
其中,i、j均为神经元,Vi,j表示神经元的输出,N为神经元的个数,A为权重系数。
3.根据权利要求2所述的楼宇负荷最优组合确定方法,其特征在于:第二约束项E2的计算公式为:
其中,a为矩阵中元素的初始位置,b为每种负荷的可接受度,即每行对应可移动的位数,n为每行元素的和。
4.根据权利要求3所述的楼宇负荷最优组合确定方法,其特征在于:第三约束项E3的计算公式为:
5.根据权利要求4所述的楼宇负荷最优组合确定方法,其特征在于:第四约束项E4的计算公式为:
6.根据权利要求5所述的楼宇负荷最优组合确定方法,其特征在于:目标项D1的计算公式为:
其中,D为权重系数。
7.根据权利要求6所述的楼宇负荷最优组合确定方法,其特征在于:能量函数E为:
8.一种楼宇负荷最优组合确定终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~7中任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594414.4A CN110322369B (zh) | 2019-07-03 | 2019-07-03 | 一种楼宇负荷最优组合确定方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594414.4A CN110322369B (zh) | 2019-07-03 | 2019-07-03 | 一种楼宇负荷最优组合确定方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322369A true CN110322369A (zh) | 2019-10-11 |
CN110322369B CN110322369B (zh) | 2021-10-15 |
Family
ID=68122430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594414.4A Active CN110322369B (zh) | 2019-07-03 | 2019-07-03 | 一种楼宇负荷最优组合确定方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322369B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112821456A (zh) * | 2021-02-10 | 2021-05-18 | 北京国奥云高科技有限公司 | 基于迁移学习的分布式源-储-荷匹配方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN109214565A (zh) * | 2018-08-30 | 2019-01-15 | 广东电网有限责任公司 | 一种适用于大电网分区调度的子区域系统负荷预测方法 |
-
2019
- 2019-07-03 CN CN201910594414.4A patent/CN110322369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN109214565A (zh) * | 2018-08-30 | 2019-01-15 | 广东电网有限责任公司 | 一种适用于大电网分区调度的子区域系统负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
HUANGCHENG CHEN: "A Novel Energy Function for Economic Load Dispatch by Using the Modified Hopfield Model", 《2009 SECOND INTERNATIONAL SYMPOSIUM ON KNOWLEDGE ACQUISITION AND MODELING》 * |
SEYYEDEH HOORA FAKHRMOOSAVI: "Analyzing multi-story buildings using hopfield neural network", 《2010 3RD INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER THEORY AND ENGINEERING(ICACTE)》 * |
周明 等: "Hopfield神经网络及其在经济负荷分配问题中的应用", 《汽轮机技术》 * |
孙超: "改进BP神经网络的楼宇负荷预测", 《自动化应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112821456A (zh) * | 2021-02-10 | 2021-05-18 | 北京国奥云高科技有限公司 | 基于迁移学习的分布式源-储-荷匹配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110322369B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
CN111970163B (zh) | 一种基于注意力机制的lstm模型的网络流量预测方法 | |
CN105740619B (zh) | 基于核函数的加权极限学习机污水处理在线故障诊断方法 | |
CN111832809B (zh) | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 | |
Sohn et al. | Decision tree based on data envelopment analysis for effective technology commercialization | |
CN114912721B (zh) | 一种储能调峰需求的预测方法及系统 | |
Ding et al. | Research on using genetic algorithms to optimize Elman neural networks | |
CN112116147A (zh) | 一种基于lstm深度学习的河流水温预测方法 | |
CN106127387A (zh) | 一种基于bp神经网络的台区线损率评估方法 | |
WO2021035975A1 (zh) | 基于多评价维度的热点学科预测方法、装置、终端、及介质 | |
CN113052214A (zh) | 基于长短期时间序列网络的换热站超短期热负荷预测方法 | |
CN110516810A (zh) | 一种量子程序的处理方法、装置、存储介质和电子装置 | |
Antolini et al. | Combined HW/SW drift and variability mitigation for PCM-based analog in-memory computing for neural network applications | |
WO2023221426A1 (zh) | 直流输电工程损耗评估方法、装置、设备和存储介质 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN107239850A (zh) | 一种基于系统动力学模型的中长期电力负荷预测方法 | |
CN102737285A (zh) | 一种基于bp神经网络的科研项目经费预算方法 | |
CN110322369A (zh) | 一种楼宇负荷最优组合确定方法、终端设备及存储介质 | |
CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
Ren et al. | Research of LSTM-RNN Model and Its Application Evaluation on Agricultural Products Circulation | |
Fu et al. | Cycle-to-cycle variation enabled energy efficient privacy preserving technology in ann | |
CN117421703A (zh) | 一种深度符号回归加速器及深度符号回归方法 | |
Kong et al. | Parameter reduction in fuzzy soft set based on whale optimization algorithm | |
Niu | The optimization for PID controller parameters based on genetic algorithm |
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 |