CN111126707A - 能耗方程构建、能耗预测方法与装置 - Google Patents
能耗方程构建、能耗预测方法与装置 Download PDFInfo
- Publication number
- CN111126707A CN111126707A CN201911368789.5A CN201911368789A CN111126707A CN 111126707 A CN111126707 A CN 111126707A CN 201911368789 A CN201911368789 A CN 201911368789A CN 111126707 A CN111126707 A CN 111126707A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- equation
- initial
- population
- individuals
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 529
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 96
- 230000002068 genetic effect Effects 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000006978 adaptation Effects 0.000 claims abstract description 15
- 210000000349 chromosome Anatomy 0.000 claims description 28
- 230000001502 supplementing effect Effects 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 16
- 238000003860 storage Methods 0.000 abstract description 15
- 238000004590 computer program Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种能耗方程构建方法、装置、计算机设备和存储介质,获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。整个过程中,基于当前应用场景对应的变量,采用遗传算法准确构建目标能耗方程,支持在后续能耗预测过程中直接通过准确构建的目标能耗方程简单且准确预测能耗。另外,本申请还提供一种能耗预测方法、装置、计算机设备和存储介质。
Description
技术领域
本申请涉及能耗预测技术领域,特别是涉及一种能耗方程构建方法、装置、计算机设备和存储介质以及一种能耗预测方法、装置、计算机设备和存储介质。
背景技术
随着能源危机和环保问题日益严重,目前节能减排已经成为人们重点关注的课题,而能耗预测又属于节能减排的关键技术点,因此能耗预测目前受到众多学者关注和研究。
目前能耗预测已经应用于多个领域中。以公共建筑物内能耗预测为例,公共建筑是建筑中消耗能量水平比较高的,在民用建筑能源消耗总量中的占比达到了25%以上,据统计,从2009年到2015年,我国公共建筑的能源消耗量在以平均每年12.29%的速率增长,大型公共建筑普遍存在着高能耗、低能效的问题。所以改变其这种用能状态是我国建筑节能的一个重要问题。建筑能耗预测是建筑能源管理过程中重要的一环,是实现建筑节能的一项关键性工作,对建筑能耗进行正确合理的预测,能够及时准确的发现建筑能耗中的一些异常情况或者潜在的设备故障,便于管理人员及时采取措施,进而避免能源的过度浪费。同时正确合理的建筑能耗预测还可以给管理人员合理分配能量提供一定的依据,使得能源被合理有效地使用。而且可以合理安排发电方案,实现电网的供需平衡,让电力系统稳定运行,这对电力系统来说也是非常重要的一环。
传统的能耗预测方法主要基于人工神经网络模型、支持向量机模型、决策树模型以及混合模型,这些传统能耗预测方法虽然可以一定程度实现能耗预测,但是在对复杂相关的情况下,比如多个条件同时相关,会带来较大的计算量,其计算和实现过程复杂。
发明内容
基于此,有必要针对上述技术问题,提供一种支持简单能耗预测的能耗方程构建方法、装置、计算机设备和存储介质以及一种能够实现简单能耗预测的能耗预测方法、装置、计算机设备和存储介质。
一种能耗方程构建方法,所述方法包括:
获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;
对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;
将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。
在其中一个实施例中,所述对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数包括:
随机多次生成所述初始能耗方程的方程系数;
根据每次随机生成的方程系数,分别生成染色体编码;
以每次生成的所述染色体编码作为个体,构建遗传算法的初始种群;
根据所述能耗预测样本数据和所述初始种群、并采用遗传算法,获取所述初始能耗方程在方程适应值最小时对应的方程系数。
在其中一个实施例中,所述根据所述能耗预测样本数据和所述初始种群、并采用遗传算法,获取所述初始能耗方程在方程适应值最小时对应的方程系数包括:
根据所述能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的适应值;
选取所述适应值小于预设阈值对应的个体,生成下一代种群;
将所述下一代种群重新作为所述初始种群,返回所述根据所述能耗预测样本数据和所述初始种群,计算所述当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至所述返回迭代次数大于预设种群迭代次数;
根据最新的种群,确定所述当前初始能耗方程在方程适应值最小时对应的方程系数。
在其中一个实施例中,所述选取所述适应值小于预设阈值对应的个体,生成下一代种群包括:
采用轮盘赌式选择策略,根据预设交叉率和所述适应性值,在所述初始种群选取所述适应值小于预设阈值对应的个体;
对选取的个体进行影响系数跃迁,构成优质种群;
在所述初始种群中选取与所述预设交叉率对应数量的个体,形成多个个体对;
对各所述个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将所述后代个体补充至所述优质种群,生成下一代种群。
在其中一个实施例中,将所述后代个体补充至所述优质种群,生成下一代种群包括:
将所述后代个体补充至所述优质种群,生成初始下一代种群;
根据预设变异率,抽取所述初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
在其中一个实施例中,所述根据所述能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的适应值包括:
根据所述能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的能耗预测值;
分别获取所述能耗预测值与所述实际能耗值差值的绝对值;
根据各所述能耗差值的绝对值与所述实际能耗值之间的比值,分别得到不同个体对应的所述当前初始能耗方程的适应值。
在其中一个实施例中,所述根据所述能耗变量以及能耗预测目标精度构建初始能耗方程包括:
根据所述能耗变量以及能耗预测目标精度,确定能耗方程中所述能耗变量的最高次数,构建初始能耗方程。
一种能耗预测方法,所述方法包括:
获取应用场景下能耗变量参数;
将所述能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,所述目标能耗方程由如上述方法构建。
一种能耗方程构建装置,所述装置包括:
数据获取模块,用于获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
初始方程构建模块,用于根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;
遗传迭代模块,用于对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;
目标选取模块,用于将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。
一种能耗预测装置,所述装置包括:
参数获取模块,用于获取应用场景下能耗变量参数;
能耗预测模块,用于将所述能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,所述目标能耗方程由如上述方法构建。
上述能耗方程构建方法、装置、计算机设备和存储介质,获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。整个过程中,基于当前应用场景对应的变量,采用遗传算法准确构建目标能耗方程,支持在后续能耗预测过程中直接通过准确构建的目标能耗方程简单且准确预测能耗。
另外,本申请还提供一种能耗预测方法、装置、计算机设备和存储介质,获取应用场景下能耗变量参数,将变量参数导入至准确构建的目标能耗方程,可以高效且准确预测能耗。
附图说明
图1为一个实施例中能耗方程构建方法的应用环境图;
图2为一个实施例中能耗方程构建方法的流程示意图;
图3为另一个实施例中能耗方程构建方法的流程示意图;
图4为其中一个应用实例中能耗方程构建方法的流程示意图;
图5为一个实施例中能耗预测方法的流程示意图;
图6为一个实施例中能耗方程构建装置的结构框图;
图7为一个实施例中能耗预测装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的能耗方程构建方法,可以应用于如图1所示的应用环境中。其中,用户可以直接在终端102上进行操作,用户输入应用场景确认消息至终端102,终端102获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;根据能耗变量以及能耗预测目标精度构建初始能耗方程;对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程,终端102将生成的目标能耗方程存储,以便在后续操作中能够直接基于目标能耗方程进行能耗预测。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。需要指出的是,本申请提供的能耗方程构建方法还可以应用于服务器侧,由终端上传应用场景确认消息至服务器,服务器执行上述能耗方程构建方法,生成目标能耗方程存储,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请能耗预测方法也可以应用如图1所示的应用场景中,终端102基于上述能耗方程构建方法,存储有目标能耗方程,在需要进行能耗预测时,终端102采集应用场景下能耗指标对应的变量参数;将能耗变量参数输入至目标能耗方程,得到能耗预测结果,终端102输出能耗预测结果至用户。本申请提供的能耗方程构建方法还可以应用于服务器侧,服务器基于上述能耗方程构建方法,存储有目标能耗方程,在需要进行能耗预测时,由终端将应用场景下能耗指标对应的变量参数上传至服务器,服务器将能耗变量参数输入至目标能耗方程,得到能耗预测结果,服务器反馈能耗预测结果至终端。终端102在实际应用中具体可以对耗能较大企业、公共建筑、私人建筑等场所(场景)进行能耗预测,以支持后续节能、减排的优化操作。
在一个实施例中,如图2所示,提供了一种能耗方程构建方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S220:获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据。
应用场景是指当前能耗方程使用的环境、场景。不同应用场景下有不同的能耗变量。整体来说,在生产过程中,和能耗有关的变量可以分为这么几类:1、生产变量,包括产量、生产设备以及生产人员等;2、环境变量,包括温度、湿度以及可见度等。选取一个周期,如一个月,累积型数据为周期内的累积量,如产量为一个周期内的产品生产单位数,生产设备为设备运行的总小时数,生产人员为产品生产人员在周期内的工作小时数,而瞬时型数据,比如温度、湿度、可见度为周期内的平均值。能耗预测目标精度是指本次能耗方程构建时确定的其对应预测精度数量,可以理解的是针对能耗预测精度要求越高的应用场景,其对应能耗预测目标精度越高,对应数据处理量也越多,反之亦然,能耗预测目标精度一般是与应用场景对应的,其也可以根据实际情况需要进行调整。能耗预测样本数据可以由应用场景下历史能耗相关数据得到,其具体包括历史记录中应用场景下能耗变量、能耗变量参数以及最终的能耗结果。以某个公共建筑物为例,能耗预测样本数据包括能耗变量温度、湿度、空调运行时长等变量以及这些变量对应的具体参数,另外还包括历史记录建筑物真实总能耗。
S240:根据能耗变量以及能耗预测目标精度构建初始能耗方程。
能耗方程具体是指用包含上述因数为变量的多项式来表示能耗。当只有个一变量时,初始能耗方程为E=a0x0+a0x1+…+aixi+…+anxn,其中x为变量(可以理解,当确定了初始能耗方程中的系数时,即得到合格的能耗方程,可以实现能耗预测),最高次数为n,而a为系数。两个相互独立的变量,能耗方程为 其中x0、x1为变量,最高次数为n0和n1,而a0、a1为系数。那么k个独立的变量,能耗方程则为 求出系数a,那么根据未来的产量、预报的温度等环境因素等条件,就可以预测能耗。在上述初始能耗方程中次数n的确认是按照实际需要的算法精度,即按照能耗预测目标精度确定的,设置方程次数n≤m,即变量次数只计算m以及m以下的情况。例如假设m=4,只有一个变量时能耗方程形式为E=a1+a2x+a3x2+a4x3+a5x4。
S260:对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数。
遗传算法是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题,一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上,解用二进制表示(即0和1的串),但也可以用其他表示方法。进化从完全随机个体的种群开始,之后一代一代发生。在每一代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应度),通过自然选择和突变产生新的生命种群,该种群在算法的下一次迭代中成为当前种群。具体可以将初始能耗方程集合中每个初始能耗方程的方程系数作为染色体编码,构建遗传算法中的初始种群,采取遗传迭代的方式不断优化种群,寻找方程适应值最小时对应的种群,即方程适应值最小时对应的方程系数,从而得到多个能耗方程。方程适应值方程适应性量化值,方程适应值越小对应的适应性越高,设能耗方程为E=f(x1,x2…xn),实际的的能耗为G,适应性方程为当fitness()越小时适应性越高,设定方程的适应性要求,即限定了方程预测能耗的误差范围。
S280:将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。
将步骤S260获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程,以后续根据目标能耗方程进行能耗预测。
上述能耗方程构建方法,获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;根据能耗变量以及能耗预测目标精度构建初始能耗方程;对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。整个过程中,基于当前应用场景对应的变量,采用遗传算法准确构建目标能耗方程,支持在后续能耗预测过程中直接通过准确构建的目标能耗方程简单且准确预测能耗。
如图3所示,在其中一个实施例中,步骤S260包括:
S261:随机多次生成当前初始能耗方程的方程系数;
S262:根据每次随机生成的方程系数,分别生成染色体编码;
S263:以每次生成的染色体编码作为个体,构建遗传算法的初始种群;
S264:根据能耗预测样本数据和初始种群、并采用遗传算法,获取当成初始能耗方程在方程适应值最小时对应的最优方程系数。
在本实施例中,以初始能耗方程集合中单个初始能耗方程作为处理对象(处理方程),针对每个初始能耗方程均进行上述S262~S265的操作,得到该初始能耗方程对应的最优方程系数。以m=4,只有一个变量时初始能耗方程为E=a1+a2x+a3x2+a4x3+a5x4为例,其方程系数为{a1、a2、a3、a4、a5},多次随机赋值给方程系数{a1、a2、a3、a4、a5},将每次赋值结果作为一条染色编码,即赋值多少次就得到多少条染色体编码,以染色体编码作为遗传算法中种群的个体,构建针对初始能耗方程的初始种群,对初始能耗方程进行遗传算法处理,以初始种群作为起点,采用遗传算法不断迭代优化种群,以求出初始能耗方程在适应值最小时对应的最优方程系数。展开来说,能耗方程的形式为 其中需要求解的部分为其中的系数部分aji,逐项排列起来则为此为一条染色体编码,其中aji或ct为一实数。能耗方程转化为求取适应性满足要求下的染色体编码序列,也即通过遗传算法确定方程系数的过程。
在其中一个实施例中,根据能耗预测样本数据和初始种群、并采用遗传算法,获取当成初始能耗方程在方程适应值最小时对应的最优方程系数包括:
根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的适应值;选取适应值小于预设阈值对应的个体,生成下一代种群;将下一代种群重新作为初始种群,返回根据能耗预测样本数据和初始种群,计算当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至返回迭代次数大于预设种群迭代次数;根据最新的种群,确定当前初始能耗方程在方程适应值最小时对应的最优方程系数。
在针对单个初始能耗方程进行遗传算法处理,不断迭代优化种群,当到达预设迭代次数时,停止迭代,根据最新的种群确定较优的染色体编码,从较优的染色体编码中选取最优(对应方程适应值最小)的染色体编码,根据该最优染色体编码换算成方程系数,即得到当前初始能耗方程在方程适应值最小时对应的最优方程系数。具体来说,在遗传算法迭代过程中,由于选取适应值小于预设阈值对应的个体生成下一代种群,所以下一代种群可以得到不断的优化,在迭代停止时,得到的最新种群中染色体编码(方程系数)对应的方程适应值都是较小的,在较小中选取最小的方程适应值对应的方程系数。
在其中一个实施例中,选取适应值小于预设阈值对应的个体,生成下一代种群包括:
采用轮盘赌式选择策略,根据预设交叉率和适应性值,在初始种群选取适应值小于预设阈值对应的个体;对选取的个体进行影响系数跃迁,构成优质种群;在初始种群中选取与预设交叉率对应数量的个体,形成多个个体对;对各个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将后代个体补充至优质种群,生成下一代种群。
交叉率是预先设定的,其可以根据实际情况需要进行设定。预设阈值是预先设定的,在这里选取适应值小于预设阈值对应的个体目的是从初始种群中选取一定数目的相对适应值较小的个体放入下一代种群中。在这里采用轮盘赌式选择策略的思想是针对适应值越小于预设阈值的个体(个体对应适应值与预设阈值差值越大)就越有可能被选择构建优质种群。简单来说,采用轮盘赌式选择策略,以单个个体所对应的适应值作为此解在下一代中存留的概率,使个体按照适应值的大小被选择,适应值小的被选中的概率大,反之则小。针对基于轮盘赌选择策略选择出的个体,其相较于其他个体更适合遗传下去进行择优,对其进行影响系数跃迁,进一步凸显其优势,减少加快遗传算法择优的进程。回归到方程适应值和方程系数来说,针对最终得到方程适应值较小对应的方程系数,其有可能为最终的最优方程系数或接近最终的最优方程系数,为减少遗传算法所需迭代优化的进程,对这部分方程系数进行影响系数跃迁,以更快得到最终的最优方程系数。另外,可以理解优质种群相较于初始种群来说,其中包含的个体数量有减少,因此需要对其进行一定数量的个体补充,以维持下一代种群中个体的数量,避免“绝代”。
具体来说,在初始种群中,需要确认的影响系数是一个实数,而且每个影响系数对结果的影响可能存在数量级的差别,不能简单进行交叉和变异。把影响系数的影响分为多个级别,例如3个级别分别为0.01、0.001、0.0001,意义是确定系数变异时的变异范围对能耗的影响程度。假设能耗某个自变量历史实际值为H、待确定的系数为C,E为能耗值,若影响系数在0.01时,存在关系 那么生成初始种群时,设置差异率e=random(0.5,1),即取0.5到1之间的随机数,初始种群中染色体编码生成方式为当遗传算法运行过程中,选择算子获取到的优质染色体编码中,设当前的系数等级为l(0.01,0.001,0.0001),若有则系数等级向上跃迁一级,直到最高等级,如0.01级别,而时,系数等级下降一级,直到最低等级,其中,l为当前时刻对应的影响系数。
在实际应用中,交叉率可以为pc,假定初始种群中包括有N个个体,采用轮盘堵式选择策略作为选择算子,从当前种群popgen(起始点为初始种群)选取(1-pc)×N个个体,进行影响系数等级迁移,放入下一代种群popgen+1中,选择对个体,对每对个体随机采用单点交叉和均勾交叉算子以产生两个后代个体,将所有的后代个体加入popgen+1中,维持整个种群中包含个体的数量N。
在其中一个实施例中,将后代个体补充至优质种群,生成下一代种群包括:将后代个体补充至优质种群,生成初始下一代种群;根据预设变异率,抽取初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
抽取部分个体进行变异,希望在变异的过程中产生更加优秀的个体,将变异后的个体替换抽取的个体,生成下一代种群。具体来说,预设变异率是预先设定的,其可以与交叉率在同一时间设置,不同的变异率和交叉率会影响整个遗传算法中处理的数据量。在实际应用中,变异率可以为pm,从popgen+1中按均匀概率选出pm×N个个体,并对其随机采用单点变异或交叉变异算子以产生后代个体,gen=gen+1,进入下一轮迭代循环。具体来说,在变异算子中每个编码位的变异率为pm,变异幅度为random(1-β,1+β),变异公式为 当时,用当前的影响系数值的0.5倍替代,即
在其中一个实施例中,根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的适应值包括:
根据能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的能耗预测值;分别获取能耗预测值与实际能耗值差值的绝对值;根据各能耗差值的绝对值与实际能耗值之间的比值,分别得到不同个体对应的当前初始能耗方程的适应值。
为更进一步详细解释本申请能耗方程构建方法的技术方案及其效果,下面将采用具体实例并结合图4进行展开说明。在其中一个应用实例中,本申请能耗方程构建方法包括以下步骤:
1、根据能耗预测精度,设定应用场景下能耗方程中变量的最高次数n。
2、根据最高次数n构建初始能耗方程,针对方程形式的初始能耗方程使用遗传算法求取对应的fitness值,gen=0。
4、针对选取的方程形式,构建初始种群,生成N个染色体(即随机产生能耗方程的系数)。
5、判断gen是否小于max gen,若小于则进入步骤6,若不小于则进入步骤11。
6、代入实际能耗,按适应性公式计算能耗方程的适应值。
7、按轮盘赌的策略选取适应性好的系数序列进入下一代。
8、影响系数等级跃迁,调整系数变化的幅度,以加快算法的处理过程。
9、交叉算子,按片段进行系数序列的交换,期望适应性好的片段实现优化组合有更好的适应值。
10、变异算子,抽取部分系数序列进行随机变异,希望变异的过程产生更好的系数值,返回步骤5。
11、代入实际能耗,计算出适应值,求得最小适应值的对应方程系数作为初始能耗方程的最终方程系数。
如图5所示,本申请还提供一种能耗预测方法,方法包括:
S520:获取应用场景下能耗变量参数;
S540:将能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,目标能耗方程由上述能耗方程构建方法构建。
本申请还提供一种能耗预测方法,获取应用场景下能耗变量参数,将变量参数导入至准确构建的目标能耗方程,可以高效且准确预测能耗。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图6所示,本申请还提供一种能耗方程构建装置,装置包括:
数据获取模块620,用于获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
初始方程构建模块640,用于根据能耗变量以及能耗预测目标精度构建初始能耗方程;
遗传迭代模块660,用于对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;
目标选取模块680,用于将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。
上述能耗方程构建装置,获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;根据能耗变量以及能耗预测目标精度构建初始能耗方程;对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。整个过程中,基于当前应用场景对应的变量,采用遗传算法准确构建目标能耗方程,支持在后续能耗预测过程中直接通过准确构建的目标能耗方程简单且准确预测能耗。
在其中一个实施例中,遗传迭代模块660还用于随机多次生成初始能耗方程的方程系数;根据每次随机生成的方程系数,分别生成染色体编码;以每次生成的染色体编码作为个体,构建遗传算法的初始种群;根据能耗预测样本数据和初始种群、并采用遗传算法,获取初始能耗方程在方程适应值最小时对应的方程系数。
在其中一个实施例中,遗传迭代模块660还用于根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的适应值;选取适应值小于预设阈值对应的个体,生成下一代种群;将下一代种群重新作为初始种群,返回根据能耗预测样本数据和初始种群,计算当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至返回迭代次数大于预设种群迭代次数;根据最新的种群,确定当前初始能耗方程在方程适应值最小时对应的最优方程系数。
在其中一个实施例中,遗传迭代模块660还用于采用轮盘赌式选择策略,根据预设交叉率和适应性值,在初始种群选取适应值小于预设阈值对应的个体;对选取的个体进行影响系数跃迁,构成优质种群;在初始种群中选取与预设交叉率对应数量的个体,形成多个个体对;对各个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将后代个体补充至优质种群,生成下一代种群。
在其中一个实施例中,遗传迭代模块660还用于将后代个体补充至优质种群,生成初始下一代种群;根据预设变异率,抽取初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
在其中一个实施例中,遗传迭代模块660还用于根据能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的能耗预测值;分别获取能耗预测值与实际能耗值差值的绝对值;根据各能耗差值的绝对值与实际能耗值之间的比值,分别得到不同个体对应的当前初始能耗方程的适应值。
在其中一个实施例中,初始方程构建模块640还用于获取应用场景下能耗预测目标精度;根据能耗预测目标精度,确定能耗方程中能耗变量的最高次数,构建初始能耗方程。
关于能耗方程构建装置的具体限定可以参见上文中对于能耗方程构建方法的限定,在此不再赘述。上述能耗方程构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
如图7所示,本申请还提供一种能耗预测装置,装置包括:
参数获取模块720,用于获取应用场景下能耗变量参数;
能耗预测模块740,用于将能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,目标能耗方程由上述能耗方程构建方法构建。
本申请一种能耗预测装置,获取应用场景下能耗变量参数,将变量参数导入至准确构建的目标能耗方程,可以高效且准确预测能耗。
关于能耗预测装置的具体限定可以参见上文中对于能耗预测方法的限定,在此不再赘述。上述能耗预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储能耗样本等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能耗方程构建或一种能耗预测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
根据能耗变量以及能耗预测目标精度构建初始能耗方程;
对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;
将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
随机多次生成初始能耗方程的方程系数;根据每次随机生成的方程系数,分别生成染色体编码;以每次生成的染色体编码作为个体,构建遗传算法的初始种群;根据能耗预测样本数据和初始种群、并采用遗传算法,获取初始能耗方程在方程适应值最小时对应的方程系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的适应值;选取适应值小于预设阈值对应的个体,生成下一代种群;将下一代种群重新作为初始种群,返回根据能耗预测样本数据和初始种群,计算当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至返回迭代次数大于预设种群迭代次数;根据最新的种群,确定当前初始能耗方程在方程适应值最小时对应的最优方程系数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用轮盘赌式选择策略,根据预设交叉率和适应性值,在初始种群选取适应值小于预设阈值对应的个体;对选取的个体进行影响系数跃迁,构成优质种群;在初始种群中选取与预设交叉率对应数量的个体,形成多个个体对;对各个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将后代个体补充至优质种群,生成下一代种群。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将后代个体补充至优质种群,生成初始下一代种群;根据预设变异率,抽取初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的能耗预测值;分别获取能耗预测值与实际能耗值差值的绝对值;根据各能耗差值的绝对值与实际能耗值之间的比值,分别得到不同个体对应的当前初始能耗方程的适应值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取应用场景下能耗预测目标精度;根据能耗预测目标精度,确定能耗方程中能耗变量的最高次数,构建初始能耗方程。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
获取应用场景下能耗变量参数;
将能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,目标能耗方程由上述任意一项方法构建。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
根据能耗变量以及能耗预测目标精度构建初始能耗方程;
对初始能耗方程采用遗传算法调整方程系数,并根据能耗预测样本数据,获取初始能耗方程在各自方程适应值最小时对应的方程系数;
将获取的方程系数代入初始能耗方程,得到方程适应值最小的目标能耗方程。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
随机多次生成初始能耗方程的方程系数;根据每次随机生成的方程系数,分别生成染色体编码;以每次生成的染色体编码作为个体,构建遗传算法的初始种群;根据能耗预测样本数据和初始种群、并采用遗传算法,获取初始能耗方程在方程适应值最小时对应的方程系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的适应值;选取适应值小于预设阈值对应的个体,生成下一代种群;将下一代种群重新作为初始种群,返回根据能耗预测样本数据和初始种群,计算当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至返回迭代次数大于预设种群迭代次数;根据最新的种群,确定当前初始能耗方程在方程适应值最小时对应的最优方程系数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用轮盘赌式选择策略,根据预设交叉率和适应性值,在初始种群选取适应值小于预设阈值对应的个体;对选取的个体进行影响系数跃迁,构成优质种群;在初始种群中选取与预设交叉率对应数量的个体,形成多个个体对;对各个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将后代个体补充至优质种群,生成下一代种群。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将后代个体补充至优质种群,生成初始下一代种群;根据预设变异率,抽取初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和初始种群,计算不同个体对应的当前初始能耗方程的能耗预测值;分别获取能耗预测值与实际能耗值差值的绝对值;根据各能耗差值的绝对值与实际能耗值之间的比值,分别得到不同个体对应的当前初始能耗方程的适应值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取应用场景下能耗预测目标精度;根据能耗预测目标精度,确定能耗方程中能耗变量的最高次数,构建初始能耗方程。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
获取应用场景下能耗变量参数;
将能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,目标能耗方程由上述任意一项方法构建。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种能耗方程构建方法,所述方法包括:
获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;
对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;
将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。
2.根据权利要求1所述的方法,其特征在于,所述对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数包括:
随机多次生成所述初始能耗方程的方程系数;
根据每次随机生成的方程系数,分别生成染色体编码;
以每次生成的所述染色体编码作为个体,构建遗传算法的初始种群;
根据所述能耗预测样本数据和所述初始种群、并采用遗传算法,获取所述初始能耗方程在方程适应值最小时对应的方程系数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述能耗预测样本数据和所述初始种群、并采用遗传算法,获取所述初始能耗方程在方程适应值最小时对应的方程系数包括:
根据所述能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的适应值;
选取所述适应值小于预设阈值对应的个体,生成下一代种群;
将所述下一代种群重新作为所述初始种群,返回所述根据所述能耗预测样本数据和所述初始种群,计算所述当前初始能耗方程的适应值的步骤,并记录返回迭代次数,直至所述返回迭代次数大于预设种群迭代次数;
根据最新的种群,确定所述当前初始能耗方程在方程适应值最小时对应的方程系数。
4.根据权利要求3所述的方法,其特征在于,所述选取所述适应值小于预设阈值对应的个体,生成下一代种群包括:
采用轮盘赌式选择策略,根据预设交叉率和所述适应性值,在所述初始种群选取所述适应值小于预设阈值对应的个体;
对选取的个体进行影响系数跃迁,构成优质种群;
在所述初始种群中选取与所述预设交叉率对应数量的个体,形成多个个体对;
对各所述个体对随机采用单点交叉和均勾交叉进行交换,以产生两个后代个体,并将所述后代个体补充至所述优质种群,生成下一代种群。
5.根据权利要求4所述的方法,其特征在于,将所述后代个体补充至所述优质种群,生成下一代种群包括:
将所述后代个体补充至所述优质种群,生成初始下一代种群;
根据预设变异率,抽取所述初始下一代种群中个体进行变异,并将变异后的个体替换抽取的个体,生成下一代种群。
6.根据权利要求3所述的方法,其特征在于,所述根据所述能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的适应值包括:
根据所述能耗预测样本数据提取实际能耗值,并根据能耗预测样本数据和所述初始种群,计算不同个体对应的所述当前初始能耗方程的能耗预测值;
分别获取所述能耗预测值与所述实际能耗值差值的绝对值;
根据各所述能耗差值的绝对值与所述实际能耗值之间的比值,分别得到不同个体对应的所述当前初始能耗方程的适应值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述能耗变量以及能耗预测目标精度构建初始能耗方程包括:
根据所述能耗变量以及能耗预测目标精度,确定能耗方程中所述能耗变量的最高次数,构建初始能耗方程。
8.一种能耗预测方法,所述方法包括:
获取应用场景下能耗变量参数;
将所述能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,所述目标能耗方程由如权利要求1-7任意一项所述方法构建。
9.一种能耗方程构建装置,其特征在于,所述装置包括:
数据获取模块,用于获取应用场景下能耗变量、能耗预测目标精度以及能耗预测样本数据;
初始方程构建模块,用于根据所述能耗变量以及能耗预测目标精度构建初始能耗方程;
遗传迭代模块,用于对所述初始能耗方程采用遗传算法调整方程系数,并根据所述能耗预测样本数据,获取所述初始能耗方程在各自方程适应值最小时对应的方程系数;
目标选取模块,用于将获取的所述方程系数代入所述初始能耗方程,得到方程适应值最小的目标能耗方程。
10.一种能耗预测装置,其特征在于,所述装置包括:
参数获取模块,用于获取应用场景下能耗变量参数;
能耗预测模块,用于将所述能耗变量参数输入至目标能耗方程,得到能耗预测结果,其中,所述目标能耗方程由如权利要求1-7任意一项所述方法构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368789.5A CN111126707B (zh) | 2019-12-26 | 2019-12-26 | 能耗方程构建、能耗预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911368789.5A CN111126707B (zh) | 2019-12-26 | 2019-12-26 | 能耗方程构建、能耗预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126707A true CN111126707A (zh) | 2020-05-08 |
CN111126707B CN111126707B (zh) | 2023-10-27 |
Family
ID=70503364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911368789.5A Active CN111126707B (zh) | 2019-12-26 | 2019-12-26 | 能耗方程构建、能耗预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126707B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300658A (zh) * | 2023-05-17 | 2023-06-23 | 瑞麟天下能源产业发展(北京)有限公司 | 设备节能控制方法、装置、设备及存储介质 |
US20230236656A1 (en) * | 2022-01-26 | 2023-07-27 | Dell Products L.P. | Datacenter carbon footprint climate impact reduction |
US11989596B2 (en) | 2022-01-26 | 2024-05-21 | Dell Products L.P. | Carbon footprint climate impact scores for datacenter workloads |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080296099A1 (en) * | 2006-03-03 | 2008-12-04 | Kone Corporation | Elevator system |
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
US20150149130A1 (en) * | 2013-11-22 | 2015-05-28 | Institute For Information Industry | Power consumption prediction apparatus, method, and non-transitory computer readable storage medium thereof |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN106503804A (zh) * | 2016-10-11 | 2017-03-15 | 南京理工大学 | 一种基于Pareto多目标遗传算法的列车定时节能运行方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
CN108875155A (zh) * | 2018-05-29 | 2018-11-23 | 广东工业大学 | 一种基于改进遗传算法的陶瓷抛光机能耗优化方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
-
2019
- 2019-12-26 CN CN201911368789.5A patent/CN111126707B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080296099A1 (en) * | 2006-03-03 | 2008-12-04 | Kone Corporation | Elevator system |
US20150149130A1 (en) * | 2013-11-22 | 2015-05-28 | Institute For Information Industry | Power consumption prediction apparatus, method, and non-transitory computer readable storage medium thereof |
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN106503804A (zh) * | 2016-10-11 | 2017-03-15 | 南京理工大学 | 一种基于Pareto多目标遗传算法的列车定时节能运行方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN106951983A (zh) * | 2017-02-27 | 2017-07-14 | 浙江工业大学 | 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法 |
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN108875155A (zh) * | 2018-05-29 | 2018-11-23 | 广东工业大学 | 一种基于改进遗传算法的陶瓷抛光机能耗优化方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
闫龙;: "一种改进的算法在天然气净化脱硫装置中的应用" * |
陈教料;陈教选;杨将新;胥芳;沈真;: "基于自加速遗传粒子群算法的半封闭式温室能耗预测" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230236656A1 (en) * | 2022-01-26 | 2023-07-27 | Dell Products L.P. | Datacenter carbon footprint climate impact reduction |
US11966274B2 (en) * | 2022-01-26 | 2024-04-23 | Dell Products L.P. | Datacenter carbon footprint climate impact reduction |
US11989596B2 (en) | 2022-01-26 | 2024-05-21 | Dell Products L.P. | Carbon footprint climate impact scores for datacenter workloads |
CN116300658A (zh) * | 2023-05-17 | 2023-06-23 | 瑞麟天下能源产业发展(北京)有限公司 | 设备节能控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126707B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quan et al. | Incorporating wind power forecast uncertainties into stochastic unit commitment using neural network-based prediction intervals | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
Datta et al. | A binary-real-coded differential evolution for unit commitment problem | |
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
Datta | Unit commitment problem with ramp rate constraint using a binary-real-coded genetic algorithm | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
Kaur et al. | Analysis of economic load dispatch using genetic algorithm | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Deka et al. | Optimization of unit commitment problem with ramp-rate constraint and wrap-around scheduling | |
Yildirim et al. | Power generation expansion planning with adaptive simulated annealing genetic algorithm | |
CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN112444702A (zh) | 变压器故障类型判断方法、装置、计算机设备和存储介质 | |
Song et al. | Evolutionary multi-objective ensemble learning for multivariate electricity consumption prediction | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
Wu et al. | Fast dc optimal power flow based on deep convolutional neural network | |
Shterev et al. | Time series prediction with neural networks: a review | |
Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
JP2021188568A (ja) | 機械学習モデルを構築する装置、方法及びそのためのプログラム | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
CN112952808A (zh) | 一种基于分类概率建模和igdt的有源配电网优化运行方法 | |
Xu et al. | An Automated Few-Shot Learning for Time Series Forecasting in Smart Grid Under Data Scarcity |
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 |