CN110991749A - 供热负荷预测方法及装置 - Google Patents
供热负荷预测方法及装置 Download PDFInfo
- Publication number
- CN110991749A CN110991749A CN201911239065.0A CN201911239065A CN110991749A CN 110991749 A CN110991749 A CN 110991749A CN 201911239065 A CN201911239065 A CN 201911239065A CN 110991749 A CN110991749 A CN 110991749A
- Authority
- CN
- China
- Prior art keywords
- neural network
- indoor temperature
- heat supply
- load prediction
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请实施例提供一种供热负荷预测方法及装置,方法包括:根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围;本申请能够在满足人体舒适性要求的前提下将供热负荷由传统的负荷曲线变成供热负荷区间,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调峰更加准确灵活。
Description
技术领域
本申请涉及电力系统领域,具体涉及一种供热负荷预测方法及装置。
背景技术
由于北方地区冬季寒冷,保证居民的供暖是每年必不可少的一项任务。目前集中供暖多采用热电联产机组,且机组大多在“以热定电”模式运行,导致冬季火电机组调峰能力受限,极大压缩了风电上网空间,使得弃风现象严重。在实际工程中,供热公司多采用高于居民热负荷需求的供热方式,造成资源的浪费。
发明人发现,现有技术中对于用户侧热负荷的精细化求解多采用对管道、房屋等进行建模方式,不止计算复杂,还需大量管道、房屋结构等参数,使得在实际操作中困难重重。
同时,随着神经网络的发展,在负荷预测中应用越来越多,但传统神经网络方法存在收敛速度慢,容易陷入局部最优的缺点。
再者,目前学者在研究电力系统中的供热问题时多以传统供热负荷曲线的方式进行研究,各个时段的供热负荷缺乏调节弹性,而根据人体热舒适性,在短时间内室内热负荷降低,人体不会感觉到不适。
发明内容
针对现有技术中的问题,本申请提供一种供热负荷预测方法及装置,能够在满足人体舒适性要求的前提下将供热负荷由传统的负荷曲线变成供热负荷区间,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调峰更加准确灵活。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种供热负荷预测方法,包括:
根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;
根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
进一步地,在所述确定该目标时段的供热负荷预测范围之后,包括:
根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
进一步地,在所述根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围之前,包括:
确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系;
根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
进一步地,所述根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,包括:
根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
进一步地,在所述根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围之前,包括:
采集样本数据;
根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层;
将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层;
根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
进一步地,在所述确定所述供热负荷预测模型的神经网络结构之后,包括:
初始化所述神经网络;
根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络;
将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
进一步地,在所述根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络之前,包括:
初始化所述粒子群优化模型的特征参数;
根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
第二方面,本申请提供一种供热负荷预测装置,包括:
室内温度范围预测模块,用于根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;
供热负荷范围预测模块,用于根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
进一步地,还包括:
动态调峰单元,用于根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
进一步地,还包括:
热感受对应关系确定单元,用于确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系;
室内温度预测模型确定单元,用于根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
进一步地,所述室内温度范围预测模块包括:
室内温度预测范围确定单元,用于根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
进一步地,还包括:
样本数据采集单元,用于采集样本数据;
神经网络输入层确定单元,用于根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层;
神经网络输出层确定单元,用于将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层;
神经网络构建单元,用于根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
进一步地,还包括:
神经网络训练预处理单元,用于初始化所述神经网络;
神经网络优化单元,用于根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络;
神经网络训练单元,用于将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
进一步地,还包括:
粒子群优化模型预处理单元,用于初始化所述粒子群优化模型的特征参数;
粒子群优化模型优化单元,用于根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的供热负荷预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的供热负荷预测方法的步骤。
由上述技术方案可知,本申请提供一种供热负荷预测方法及装置,通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的供热负荷预测方法的流程示意图之一;
图2为本申请实施例中的供热负荷预测方法的流程示意图之二;
图3为本申请实施例中的供热负荷预测方法的流程示意图之三;
图4为本申请实施例中的供热负荷预测方法的流程示意图之四;
图5为本申请实施例中的供热负荷预测方法的流程示意图之五;
图6为本申请实施例中的供热负荷预测装置的结构图之一;
图7为本申请实施例中的供热负荷预测装置的结构图之二;
图8为本申请实施例中的供热负荷预测装置的结构图之三;
图9为本申请实施例中的供热负荷预测装置的结构图之四;
图10为本申请实施例中的供热负荷预测装置的结构图之五;
图11为本申请实施例中的供热负荷预测装置的结构图之六;
图12为本申请实施例中所述供热负荷预测模型的神经网络结构图;
图13为本申请实施例中PMV与PPD的对应关系示意图;
图14为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有技术中对于用户侧热负荷的精细化求解多采用对管道、房屋等进行建模方式,不止计算复杂,还需大量管道、房屋结构等参数,使得在实际操作中困难重重的问题,同时,随着神经网络的发展,在负荷预测中应用越来越多,但传统神经网络方法存在收敛速度慢,容易陷入局部最优的问题,以及,目前学者在研究电力系统中的供热问题时多以传统供热负荷曲线的方式进行研究,各个时段的供热负荷缺乏调节弹性,而根据人体热舒适性,在短时间内室内热负荷降低,人体不会感觉到不适的问题,本申请提供一种供热负荷预测方法及装置,通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
为了能够在满足人体舒适性要求的前提下将供热负荷由传统的负荷曲线变成供热负荷区间,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调峰更加准确灵活,本申请提供一种供热负荷预测方法的实施例,参见图1,所述供热负荷预测方法具体包含有如下内容:
步骤S101:根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围。
可以理解的是,所述当前室内环境参数包括但不限于:室内空气温度、室内空气湿度以及室内气压,通过一预先设置的室内温度预测模型,能够确定某一目标时段内的室内温度预测范围,其中,所述室内温度预测范围为该目标时段人体处于室内时热感受属于舒适的空气温度的范围,例如,在早6点至早7点的时段内,所述室内温度预测范围为23度至24度,即此时若室内温度为23度至24度,则人体的热感受属于舒适状态,再例如,在中午12点至中午14点的时段内,所述室内温度预测范围为20度至23度,即此时若室内温度为20度至23度,则人体的热感受属于舒适状态。
步骤S102:根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
可以理解的是,结合上述室内温度预测范围和目标时段的室外预测环境参数,通过一预设的供热负荷预测模型,确定该目标时段电力电网需要提供的供热负荷预测范围,其中,所述室外预测环境参数包括但不限于:温度、湿度、风速和风向参数。
可以理解的是,所述供热负荷预测模型可以为任一种基于神经网络的能够进行预测的模型,由于其进行预测时的输入数据和输出数据均来源于实际生产环境,因此其预测行为是与实际生产环境紧密贴合的、符合自然规则的。
从上述描述可知,本申请实施例提供的供热负荷预测方法,能够通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
为了能够灵活、准确的对供电机组进行调峰,以提高电力利用效率和节省能源,在本申请的供热负荷预测方法的一实施例中,还具体包含有如下内容:
根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
可选地,根据当前电网供热负荷和所述目标供热负荷预测范围的差值,能够通过现有技术确定电网中发电机组(火电机组或风电机组)的动态调峰策略,以此提升整个电力系统的资源利用率并起到节省能源、降低弃风率等有益技术效果。
为了能够构建室内温度预测模型,以使后续供电负荷预测范围能够满足人体热力舒适度,在本申请的供热负荷预测方法的一实施例中,参见图2,还具体包含有如下内容:
步骤S201:确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系。
步骤S202:根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
首选,可以理解的是,现有技术中可以根据人体的热感觉将PMV(Predicted MeanVote,人体热反应评价指标)(即所述预设人体热感受信息)分为表1中七个等级,其中PMV=0的状态是最理想的热舒适环境。
表1PMV指标
根据ISO07730标准,可得PMV指标的计算公式如下:
式中,M为人体新陈代谢率,其中当人静坐时,人体新陈代谢率M为基准值1Met(58.2W/m2),当人平躺时,M=0.7Met,当人步行时,M=2.0Met;W为人体做功功率;Pa为环境空气中水蒸气分压力;ta为空气温度;fcl为穿衣人体与裸体表面积之比;tcl为穿衣人体外表面平均温度;为平均辐射温度;hc为对流换热系数。
式中,Icl为服饰热阻。
式中,v为室内空气流速。
PMV的值描述用户对供热的感受,而PPD(预测不满意度)(即所述预设用户室内温度评价信息)可描述用户对供热的不满意程度,其为评价供热舒适度的最终指标,该指标可直接由PMV导出,具体计算式如下:
PPD=100-95exp(-0.03353×PMV4-0.2179×PMV2);
PPD与PMV的关系如图13所示,当PMV=0,即供热最舒适时,用户不满意度最低,随着PMV向两端靠近极值,用不满意度急剧上升。
可以理解的是,所述PPD与PMV的对应关系可以设定为所述室内温度预测模型。
为了能够利用构建的室内温度预测模型确定一个满足人体热力舒适度的室内温度预测范围,在本申请的供热负荷预测方法的一实施例中,还具体包含有如下内容:
根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
可选地,由上一步PMV指标计算公式可以看出,其主要和人体代谢率、湿度、辐射温度和对流换热系数等参数有关,除人体代谢率外,其他参数在一天之内变化幅度很小,主要和人体代谢率有关。所以需要对居民生活习惯进行调研,对居民不同时间在室内的习惯进行划分。
然后,可选地,对于用户满意度一般控制在PPD<10%,此时PMV指标范围多为[-0.5,0.5],此时可以根据室内环境参数(均有参考值)求得满足热舒适性PMV要求的室内温度预测范围。
为了能够构建适用于热力电网的供电负荷预测模型的神经网络,在本申请的供热负荷预测方法的一实施例中,参见图3,还具体包含有如下内容:
步骤S301:采集样本数据。
步骤S302:根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层。
步骤S303:将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层。
步骤S304:根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
可选地,首先进行样本数据的采集,具体地,通过采集多天室内外不同时间段的室外风速、风向、室外空气湿度、室外温度和室内温度以及对应时刻小区总供热负荷作为样本数据,原始数据每隔15min取一个值,全天一共各取96个值。
可选地,为便于数据处理,将风向进行数字化表示,以正北方向为基准,顺时针对八个风向进行数字标定,即北风-1、东北风-2、东风-3、东南风-4、南风-5、西南风-6、西风-7、西北风-8。
可选地,由于目前供暖用户侧无法做到对每个房屋进行精细化的控制,为保证整体的供暖效果,需要保证温度最低房间达到供暖要求,即选择温度最低的房间作为室内温度采集实验房间。对于供热小区,选取供热管网末端背阴或者底层背阴屋子进行室温测量,测点可以布在室内的中心位置。
可选地,本申请的核心在于建立室外温度、室外风速风向、室外空气湿度、室内温度和总供热负荷之间的关系,即
因此,参见图12,本申请提供了一种建立三层结构的神经网络模型,:
输入层:输入与待预测总热负荷有关的变量,本申请为室外温度、室外风速、室外风向、室外空气湿度和室内温度,节点数为5;
输出层:以总的供热负荷作为输出,节点数为1;
隐层:本申请选取隐层神经元个数的公式为:
其中,n为输入层神经元个数;m为神经元输出层个数;a为[1,10]之间的常数。此处a为[4,13],由于隐层神经元个数过多,会加大网络计算量并容易产生过度拟合问题;神经元个数过少,则会影响网络性能,达不到预期效果,基于此本专利选择隐层神经元个数为7。
为了能够利用预设粒子群优化模型对用于热力电网的供电负荷预测模型的神经网络进行优化,在本申请的供热负荷预测方法的一实施例中,参见图4,还具体包含有如下内容:
步骤S401:初始化所述神经网络。
步骤S402:根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络。
步骤S403:将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
可选地,首先,初始化神经网络结构,同时可以对样本数据进行归一化处理。
然后,初始化粒子群优化模型中的各个种群,并用PSO算法中的d维空间向量表示BP神经网络结构中所有的权值和阈值,并对其进行编码。
然后,进行迭代运算,利用改进的预设粒子群优化模型进行迭代计算,得到全局最优个体即该网络的最优结构参数。
再然后,对神经网络训练,具体地,将通过解码得到的初始权值和阈值代入到神经网络结构中,然后对神经网络进行训练。
为了能够利用遗传模型对粒子群优化模型进行优化,在本申请的供热负荷预测方法的一实施例中,参见图5,还具体包含有如下内容:
步骤S501:初始化所述粒子群优化模型的特征参数。
步骤S502:根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
可选地,首先,初始化所述粒子群优化模型的特征参数,具体地,所述特征参数包括但不限于:种群粒子数、最大迭代次数、粒子群优化模型运行计算过程所需的其他参数等。
然后,进行粒子群寻优,具体地,假设在一个d维的目标搜索空间中共有S个粒子,第s个粒子的位置表示为Xs=(xs1,xs2,…,xsd),速度表示为Vs=(vs1,vs2,…,vsd),每一次迭代其速度和位置的更新公式为:
式中,Ps=(ps1,ps2,…,psd)为第s个粒子当前最优位置;Pg=(pg1,pg2,…,pgd)为整个粒子群当前最优位置;和分别为第s个粒子在第t次迭代时的速度和位置;c1、c2是粒子的学习因子;r1、r2为[0,1]之间的随机数;ω为惯性权重,ω值越大,全局寻优能力越强,但局部寻优能力越弱。
再然后,对粒子进行评价,具体地,将每次迭代后的粒子根据适应度函数公式进行适应度值计算,并对粒子进行评价。
具体的,本申请采用均方差作为适应度函数公式:
式中,n为输出节点数;Yk和Ok分别为第k个输出节点的期望输出和实际输出值。
再然后,对种群进行排序,具体地,将每次更新后的种群按照适应度从大到小顺序进行排序,将排序后的种群平均分为A1和A2两个子种群。
可选地,对排序后的种群可以进行交叉变异操作,具体地,若排序子种群A1适应度较好,直接复制进入下一代;对子种群A2中的粒子进行交叉和变异操作。
具体地,第g个粒子和第h个粒子的速度和位置进行交叉的方法为:
式中,a和b是[0,1]之间的随机数。
第r个粒子的速度和位置进行变异的方法为:
fv(g)=e2(1-g/Gmax)2,
fx(g)=e4(1-g/Gmax)2,
然后,更新个体极值和全局极值,具体地,通过比较上一步通计算后的每个粒子当前适应度和个体极值的适应度值以及个体极值和粒子群全局极值的适应度值的大小来更新个体极值和全局极值。
最后,进行迭代寻优,即不断上述步骤,直到达到停止迭代条件(例如达到收敛精度或迭代次数达到最大)。
为了能够在满足人体舒适性要求的前提下将供热负荷由传统的负荷曲线变成供热负荷区间,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调峰更加准确灵活,本申请提供一种用于实现所述供热负荷预测方法的全部或部分内容的供热负荷预测装置的实施例,参见图6,所述供热负荷预测装置具体包含有如下内容:
室内温度范围预测模块10,用于根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;
供热负荷范围预测模块20,用于根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
从上述描述可知,本申请实施例提供的供热负荷预测装置,能够通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
为了能够灵活、准确的对供电机组进行调峰,以提高电力利用效率和节省能源,在本申请的供热负荷预测装置的一实施例中,还包括:
动态调峰单元,用于根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
为了能够构建室内温度预测模型,以使后续供电负荷预测范围能够满足人体热力舒适度,在本申请的供热负荷预测装置的一实施例中,参见图7,还包括:
热感受对应关系确定单元31,用于确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系。
室内温度预测模型确定单元32,用于根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
为了能够利用构建的室内温度预测模型确定一个满足人体热力舒适度的室内温度预测范围,在本申请的供热负荷预测装置的一实施例中,参见图8,所述室内温度范围预测模块10包括:
室内温度预测范围确定单元11,用于根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
为了能够构建适用于热力电网的供电负荷预测模型的神经网络,在本申请的供热负荷预测装置的一实施例中,参见图9,还包括:
样本数据采集单元41,用于采集样本数据。
神经网络输入层确定单元42,用于根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层。
神经网络输出层确定单元43,用于将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层。
神经网络构建单元44,用于根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
为了能够利用预设粒子群优化模型对用于热力电网的供电负荷预测模型的神经网络进行优化,在本申请的供热负荷预测装置的一实施例中,参见图10,还包括:
神经网络训练预处理单元51,用于初始化所述神经网络。
神经网络优化单元52,用于根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络。
神经网络训练单元53,用于将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
为了能够利用遗传模型对粒子群优化模型进行优化,在本申请的供热负荷预测装置的一实施例中,参见图11,还包括:
粒子群优化模型预处理单元61,用于初始化所述粒子群优化模型的特征参数。
粒子群优化模型优化单元62,用于根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
本申请的实施例还提供能够实现上述实施例中的供热负荷预测方法中全部步骤的一种电子设备的具体实施方式,参见图14,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现供热负荷预测装置、在线业务系统、客户端设备以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的供热负荷预测方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围。
步骤S102:根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
从上述描述可知,本申请实施例提供的电子设备,能够通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
本申请的实施例还提供能够实现上述实施例中的供热负荷预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的供热负荷预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围。
步骤S102:根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够通过根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,以满足人体对温度的舒适性要求,然后根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围,由于本申请的预测结果并非现有技术中的供热负荷曲线,而是一种供热负荷的区间范围,使得总供热负荷在各个时段具有弹性,进而可以使得热电机组的调节更加准确和灵活。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (16)
1.一种供热负荷预测方法,其特征在于,所述方法包括:
根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;
根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
2.根据权利要求1所述的供热负荷预测方法,其特征在于,在所述确定该目标时段的供热负荷预测范围之后,包括:
根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
3.根据权利要求1所述的供热负荷预测方法,其特征在于,在所述根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围之前,包括:
确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系;
根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
4.根据权利要求1所述的供热负荷预测方法,其特征在于,所述根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围,包括:
根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
5.根据权利要求1所述的供热负荷预测方法,其特征在于,在所述根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围之前,包括:
采集样本数据;
根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层;
将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层;
根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
6.根据权利要求5所述的供热负荷预测方法,其特征在于,在所述确定所述供热负荷预测模型的神经网络结构之后,包括:
初始化所述神经网络;
根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络;
将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
7.根据权利要求6所述的供热负荷预测方法,其特征在于,在所述根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络之前,包括:
初始化所述粒子群优化模型的特征参数;
根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
8.一种供热负荷预测装置,其特征在于,包括:
室内温度范围预测模块,用于根据当前室内环境参数和室内温度预测模型,确定目标时段的室内温度预测范围;
供热负荷范围预测模块,用于根据所述室内温度预测范围、所述目标时段的室外预测环境参数以及供热负荷预测模型,确定该目标时段的供热负荷预测范围。
9.根据权利要求8所述的供热负荷预测装置,其特征在于,还包括:
动态调峰单元,用于根据当前电网供热负荷和所述目标供热负荷预测范围,对电网发电机组进行调峰。
10.根据权利要求8所述的供热负荷预测装置,其特征在于,还包括:
热感受对应关系确定单元,用于确定各个时段内预设人体热感受信息与预设用户室内温度评价信息的对应关系;
室内温度预测模型确定单元,用于根据各个时段内所述人体热感受信息与所述用户室内温度评价信息的对应关系,确定所述室内温度预测模型。
11.根据权利要求8所述的供热负荷预测装置,其特征在于,所述室内温度范围预测模块包括:
室内温度预测范围确定单元,用于根据所述室内温度预测模型和与所述目标时段对应的当前室内环境参数,确定所述目标时段的室内温度预测范围。
12.根据权利要求8所述的供热负荷预测装置,其特征在于,还包括:
样本数据采集单元,用于采集样本数据;
神经网络输入层确定单元,用于根据所述样本数据中的室外温度数据、室外风速数据、室外风向数据、室外空气湿度数据和室内温度数据,确定所述供热负荷预测模型的神经网络输入层;
神经网络输出层确定单元,用于将供热负荷数据设定为所述供热负荷预测模型的神经网络输出层;
神经网络构建单元,用于根据所述神经网络输入层、神经网络输出层和预设数量的隐层,确定所述供热负荷预测模型的神经网络。
13.根据权利要求12所述的供热负荷预测装置,其特征在于,还包括:
神经网络训练预处理单元,用于初始化所述神经网络;
神经网络优化单元,用于根据预设粒子群优化模型对所述神经网络进行迭代优化,得到最优神经网络;
神经网络训练单元,用于将所述粒子群优化模型中的空间向量设定为所述最优神经网络中的权值和阈值,并对所述最优神经网络进行训练,得到经过训练后的神经网络。
14.根据权利要求13所述的供热负荷预测装置,其特征在于,还包括:
粒子群优化模型预处理单元,用于初始化所述粒子群优化模型的特征参数;
粒子群优化模型优化单元,用于根据预设遗传模型对所述粒子群优化模型中的各个粒子种群进行种群复制和/或种群交叉和/或种群变异处理,并更新所述粒子群优化模型直至所述粒子群优化模型满足预设迭代终止条件。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述的供热负荷预测方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的供热负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239065.0A CN110991749A (zh) | 2019-12-06 | 2019-12-06 | 供热负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239065.0A CN110991749A (zh) | 2019-12-06 | 2019-12-06 | 供热负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991749A true CN110991749A (zh) | 2020-04-10 |
Family
ID=70090676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911239065.0A Pending CN110991749A (zh) | 2019-12-06 | 2019-12-06 | 供热负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991749A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083746A (zh) * | 2020-09-25 | 2020-12-15 | 陕西科技大学 | 一种智能电网系统 |
CN117040029A (zh) * | 2023-10-08 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052739A (zh) * | 2010-12-27 | 2011-05-11 | 重庆大学 | 基于无线传感器网络的中央空调智能控制系统及方法 |
CN105656064A (zh) * | 2015-12-31 | 2016-06-08 | 东北电力大学 | 利用供热时滞性实现热电机组参与系统调峰调度的方法 |
CN105805822A (zh) * | 2016-03-24 | 2016-07-27 | 常州英集动力科技有限公司 | 基于神经网络预测的供热节能控制方法与系统 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN107120721A (zh) * | 2017-05-25 | 2017-09-01 | 河北健特建筑安装工程有限公司 | 一种集中供热动态气候补偿方法 |
CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
CN109253494A (zh) * | 2018-09-05 | 2019-01-22 | 东北大学 | 一种基于热负荷预测的电蓄热装置控制系统及方法 |
-
2019
- 2019-12-06 CN CN201911239065.0A patent/CN110991749A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052739A (zh) * | 2010-12-27 | 2011-05-11 | 重庆大学 | 基于无线传感器网络的中央空调智能控制系统及方法 |
CN105656064A (zh) * | 2015-12-31 | 2016-06-08 | 东北电力大学 | 利用供热时滞性实现热电机组参与系统调峰调度的方法 |
CN105805822A (zh) * | 2016-03-24 | 2016-07-27 | 常州英集动力科技有限公司 | 基于神经网络预测的供热节能控制方法与系统 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN107120721A (zh) * | 2017-05-25 | 2017-09-01 | 河北健特建筑安装工程有限公司 | 一种集中供热动态气候补偿方法 |
CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
CN109253494A (zh) * | 2018-09-05 | 2019-01-22 | 东北大学 | 一种基于热负荷预测的电蓄热装置控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
文充: "满足舒适要求的空调系统需求相应及错峰运行策略研究", 中国硕士学位论文数据库 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083746A (zh) * | 2020-09-25 | 2020-12-15 | 陕西科技大学 | 一种智能电网系统 |
CN112083746B (zh) * | 2020-09-25 | 2022-01-28 | 陕西科技大学 | 一种智能电网系统 |
CN117040029A (zh) * | 2023-10-08 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
CN117040029B (zh) * | 2023-10-08 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Korkas et al. | Intelligent energy and thermal comfort management in grid-connected microgrids with heterogeneous occupancy schedule | |
Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
Mpelogianni et al. | Re-approaching fuzzy cognitive maps to increase the knowledge of a system | |
Dombaycı | The prediction of heating energy consumption in a model house by using artificial neural networks in Denizli–Turkey | |
CN109840154B (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
Jasmin et al. | Reinforcement learning approaches to economic dispatch problem | |
Ellis et al. | An encoder–decoder LSTM-based EMPC framework applied to a building HVAC system | |
Dash et al. | Indian summer monsoon rainfall prediction: a comparison of iterative and non-iterative approaches | |
Liu et al. | Evaluation of reinforcement learning for optimal control of building active and passive thermal storage inventory | |
Siahkali et al. | Electricity generation scheduling with large-scale wind farms using particle swarm optimization | |
Ghadimi et al. | SqueezeNet for the forecasting of the energy demand using a combined version of the sewing training-based optimization algorithm | |
Han et al. | Evolutionary game based demand response bidding strategy for end-users using Q-learning and compound differential evolution | |
Jin et al. | User-preference-driven model predictive control of residential building loads and battery storage for demand response | |
CN110991749A (zh) | 供热负荷预测方法及装置 | |
Albouys-Perrois et al. | Multi-agent simulation of collective self-consumption: Impacts of storage systems and large-scale energy exchanges | |
Amasyali et al. | Hierarchical model-free transactional control of building loads to support grid services | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
Yuan et al. | A SAFSA-and metabolism-based nonlinear grey Bernoulli model for annual water consumption prediction | |
Gao et al. | A multi-objective service composition method considering the interests of tri-stakeholders in cloud manufacturing based on an enhanced jellyfish search optimizer | |
Mason et al. | Building hvac control via neural networks and natural evolution strategies | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
Fadare et al. | Modeling of solar energy potential in Africa using an artificial neural network | |
Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning |
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 |