CN111652422A - 基于建筑物分类的供热系统负荷预测方法、装置及系统 - Google Patents
基于建筑物分类的供热系统负荷预测方法、装置及系统 Download PDFInfo
- Publication number
- CN111652422A CN111652422A CN202010461668.1A CN202010461668A CN111652422A CN 111652422 A CN111652422 A CN 111652422A CN 202010461668 A CN202010461668 A CN 202010461668A CN 111652422 A CN111652422 A CN 111652422A
- Authority
- CN
- China
- Prior art keywords
- load
- load prediction
- station
- building
- heating system
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010438 heat treatment Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于建筑物分类的供热系统负荷预测方法,其特征在于,包括以下步骤:获取影响供热系统负荷的变量的历史测量数据;对所述历史测量数据进行预处理;对不同建筑类型的热力站做用热特性分析,确定热力站负荷预测模型的输入因素;采用所述输入因素对应的经过预处理后的历史数据,训练热力站负荷预测模型;使用热力站负荷预测模型进行对应热力站的负荷预测。本发明可对目标热力站的供给负荷进行预测,从而实现供给侧负荷与需求侧需求负荷匹配。
Description
技术领域
本发明涉及一种基于建筑物分类的供热系统负荷预测方法、装置及系统,属于智慧供热系统预测控制领域。
背景技术
随着城市化进程的加快及保护环境、节能减排观念的增强,在保证满足供热品质的前提下实现按需精准供热、降低能耗成为了供热行业的关注热点。供热系统是复杂的动力学系统,热能供给侧因热源多元化、清洁能源接入具有较大波动性;热网侧存在大滞后、强耦合、热惰性特点;需求侧按需用能和分布式供能带来的波动性。实际的供热系统如果采用传统的反馈控制,因热网侧的大滞后、热惰性,控制效果一段时间后才会发挥作用,很有可能存在供需不匹配的超供(实际供给负荷大于实际需求负荷)或欠供(实际供给负荷小于需求负荷)现象。欠供导致的供热品质不达标使得用户侧体验差,而超供则带来较大的能源浪费。
发明内容
本发明是提供一种基于建筑物分类的供热系统负荷预测方法,可对目标建筑的供给负荷进行预测,从而实现供给侧负荷与需求侧需求负荷匹配。
为达到上述目的,本发明所采用的技术方案是:一种基于建筑物分类的供热系统负荷预测方法,包括以下步骤:
对待预测的热力站做用热特性分析,确定热力站的负荷影响因素;获取所述负荷影响因素对应的历史数据及热力站负荷的历史数据;将获取到的历史数据作为训练样本,对热力站负荷预测模型进行训练;所述热力站负荷预测模型的输入变量为所述负荷影响因素的历史数据,输出为负荷预测数据;获取待预测热力站的负荷影响因素数据,将其作为训练后的热力站负荷预测模型的输入,得到热力站负荷预测模型的输出,作为热力站供热系统负荷预测结果。
进一步地,还包括对所述历史测量数据进行预处理:对采集到的历史数据进行重复值、缺失值处理;采用聚类算法,对经过重复值、缺失值处理后的数据进行聚类分析,并剔除离群点,得到经过分析处理后的历史数据。
进一步地,所述对对待预测的热力站做用热特性分析,确定热力站的负荷影响因素包括以下步骤:对热力站所带建筑类型进行分类;对不同建筑类型的热力站中,影响供热系统负荷的变量进行相关性分析,计算出每个所述变量与热力站供热负荷的相关系数,将计算出的相关系数按照绝对值从大到小排序,选择绝对值最大的多个变量作为该建筑类型热力站的负荷影响因素。
进一步地,所述变量包括直接来自供热系统监测的系统变量和来自外界的扰动变量。
进一步地,所述建筑包括公建类、住宅类、混合类建筑。
进一步地,所述相关系数由公式(1)计算得到:
其中,r(xi,Qt)为变量xi与建筑物供热负荷Qt的相关系数,Cov(xi,Qt)为xi与Qt的协方差,Var[xi]为xi的方差,Var[Qt]为Qt的方差。
本发明提供了一种基于建筑物分类的供热系统负荷预测装置,包括:数据采集单元,用于获取影响供热系统负荷的变量的历史测量数据;预处理单元,用于对所述历史测量数据进行预处理;分析单元,用于对不同建筑类型的热力站做用热特性分析,确定热力站负荷预测模型的输入因素;模型训练单元,采用所述输入因素对应的经过预处理后的历史数据,训练热力站负荷预测模型;预测单元,用于热力站负荷预测模型对应建筑类型的负荷进行预测。
本发明提供了一种基于建筑物分类的供热系统负荷预测系统,包括数据库和负荷预测单元,所述数据库存储有供热系统实时的测量数据;所述负荷预测单元从数据库中提取数据,并对所述数据按照上述任意一项方法进行处理。
本发明通过获取影响供热系统负荷的变量的历史测量数据;对不同建筑类型的热力站做用热特性分析,确定热力站负荷预测模型的输入因素,采用所述输入因素对应的经过预处理后的历史数据,训练热力站负荷预测模型,使用热力站负荷预测模型进行对应热力站的负荷预测,实现了供热系统供给负荷与需求侧需求负荷相匹配,为预测控制的调节提供负荷数据,实现供给侧负荷与需求侧所需负荷的匹配,从而提高用户体验,降低因超供造成的能源浪费。
附图说明
图1为本发明实施例提供的一种基于建筑物分类的供热系统负荷预测方法的流程图;
图2为本发明中对各热力站未经处理的历史数据进行分析处理的流程图;
图3为本发明实施例提供的一种基于建筑物分类的供热系统负荷预测系统的原理图;
图4为本发明实施例提供的一种基于建筑物分类的供热系统负荷预测装置的工作流程图。
具体实施方式
为了更好的理解本发明的实质,下面结合具体实施例和附图对本发明作进一步的阐述。
实施例一
如图1所示,本发明包括以下步骤:
步骤1:获取与供热系统负荷相关的变量的历史测量数据。获取可能影响供热系统负荷的各种变量的历史测量数据,记为Xr={x1(k)r,x2(k)r,...,xn(k)r},其中,xi(k)r(i=1,2,…n)为k时刻,第i个所述变量未经处理的历史测量数据序列。所述变量包括直接来自供热系统监测的系统变量和来自外界的扰动变量。来自供热系统监测的系统变量,例如:一次供水温度T1s、一次回水温度T1r、一次瞬时流量M1、热力站供热负荷Q1等;来自外界的扰动变量:室外温度Tout。
步骤2:对采集到的历史数据进行预处理。
1)对采集到的历史数据进行重复值、缺失值处理。如图2所示,历史测量数据序列的任意两相邻测量数据xi(j)r和xi(j+1)r之间的时间间隔Δtj~j+1小于采样间隔Δt,即Δtj~j+1<Δt,则两点之间存在重复记录,对于重复数据,将重复值取平均作为相应时间点的数值;如果两相邻测量数据xi(j)r和xi(j+1)r之间的时间间隔Δtj~j+1大于采样间隔Δt,即Δtj~j+1>Δt,则两测量值之间存在缺失记录,对于缺失数据,采用ARMA时间序列顺序插值方式补全相应缺失记录,得到初步处理的中间数据Xm={x1(k)m,x2(k)m,...,xn(k)m}。
2)采用聚类算法,对Xm进行聚类分析,将其中的离群点剔除,从而获得分析处理后的历史数据。使用基于密度的聚类算法DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)进行聚类,并将经过聚类分析后的噪声数据剔除,即聚类后不包含在任何簇中的数据剔除。定义D为经聚类分析处理后的中间数据xi(k)m所有值的集合,根据半径ε和整数l,对于集合D中的任意一个对象xi(j)m,如果xi(j)m的ε邻域至少包含l个邻居测量值,则xi(j)m为核心对象;如果集合D中另一任意对象xi(j’)m在xi(j)m的ε邻域内,且xi(j)m是一个核心对象,则对象xi(j’)m从xi(j)m是直接密度可达。DBSCAN算法不断寻找并合并集合D中的所有核心对象直接密度可达的对象,直到没有新的对象可以更新簇(cluster)时,则算法结束。聚类算法结束后,如果xi(j’)m不属于任何一个核心对象的密度可达对象,即xi(j’)m不包含在任何簇中,则xi(j’)m为噪声数据,将其剔除。通过基于密度的聚类算法DBSCAN聚类,将所有经过初步处理的中间数据Xm={x1(k)m,x2(k)m,...,xn(k)m}进行噪声数据的剔除,从而得到分析处理后的历史数据Xp={x1(k)p,x2(k)p,...,xn(k)p}。
步骤3:对待预测的热力站做用热特性分析,对待预测的热力站做用热特性分析,确定热力站的负荷影响因素作为热力站负荷预测模型的输入变量。
具体地,建筑类型指的是热力站所带二级网的建筑类型,例如公建类、住宅类、混合类建筑。分别对公建类、住宅类、混合类建筑影响其供热负荷的变量进行相关性分析,并根据分析结果判断是否对不同的建筑类型采用不同的热力站负荷预测模型:如果公建类、住宅类、混合类建筑表现出相同的特性,则采用相同的方法建立预测模型;否则,需对不同建筑类型进行分类建模。
1)对影响建筑物供热负荷Qt的变量进行相关性分析,计算出每个所述变量xi与建筑物供热负荷Qt的相关系数:
其中,r(xi,Qt)为变量xi与建筑物供热负荷Qt的相关系数,Cov(xi,Qt)为xi与Qt的协方差,Var[xi]为xi的方差,Var[Qt]为Qt的方差。
具体地,从经过步骤1和步骤2分析处理后的历史数据中,选取前3h的供热负荷Qt-3、前2h的供热负荷Qt-2、前1h的供热负荷Qt-1、前3h室外温度Tt-3、前2h室外温度Tt-2、前1h室外温度Tt-1、当前室外温度Tt、未来1h室外温度Tt+1、未来2h室外温度Tt+2、未来3h室外温度Tt+3,将这些参数与建筑物当前负荷Qt之间进行相关性分析,计算每个参数与建筑物当前负荷Qt的相关系数。
2)将计算出的相关系数按照绝对值从大到小排序,选择影响建筑用热特性最大的五个变量作为该建筑类型热力站负荷预测模型的输入。
选取支持向量回归作为热力站负荷预测模型:支持向量回归是基于支持向量机的一种方式。支持向量机是将输入的样本集合在经过变化后映射到高维空间,使其分类的性状得到改善,借此建立一个分类超平面H作为决策曲面,使其正反例之间的隔离边缘最大化。映射到高维空间一般采用核函数K(x,y)=(Φ(x),Φ(y)),它能够降低由于内积运算带来的大量计算。因为核函数定义域仍然是原输入空间,不是高维的特征空间,故可以避开计算高维内积(Φ(x),Φ(y))的计算代价。由于供热负荷的预测为样本为不可数的情况,故使用支持向量回归作为预测模型。支持向量回归分为线性回归和非线性回归两种,热力站负荷预测模型属于非线性回归。
步骤4:训练各建筑类型的热力站负荷预测模型。将步骤3中得的五个变量输入支持向量回归模型,将当前负荷作为支持向量回归的输出,训练并获得各热力站负荷预测模型。
步骤5:使用各建筑类型热力站负荷预测模型进行负荷预测。将五个因素的测量数据输入相应热力站负荷预测模型,预测出该热力站未来N(N一般取大于等于1小于等于24的正整数)小时的供热负荷。
实施例二
基于与实施例一同样的发明构思,本发明还提供了一种供热系统负荷预测装置,如图4所示,包括:数据采集单元,用于获取影响供热系统负荷的变量的历史测量数据;预处理单元,用于对所述历史测量数据进行预处理;分析单元,用于对不同建筑类型的热力站做用热特性分析,确定热力站负荷预测模型的输入因素;模型训练单元,采用所述输入因素对应的经过预处理后的历史数据,训练热力站负荷预测模型;预测单元,用热力站负荷预测模型对相应热力站的负荷进行预测。
实施例三
如图3所示,本发明还提供了一种基于建筑物分类的供热系统负荷预测系统,包括数据库和负荷预测单元,所述数据库存储有供热系统实时的测量数据;所述负荷预测单元从数据库中提取数据,并对所述数据按照实施例一中的方法进行处理,从而实现对数据库中相应建筑类型热力站的供热负荷进行预测。
本发明所揭露的方法和系统,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的方法可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种基于建筑物分类的供热系统负荷预测方法,其特征在于,包括以下步骤:
对待预测的热力站做用热特性分析,确定热力站的负荷影响因素;
获取所述负荷影响因素对应的历史数据及热力站供热负荷的历史数据;
将获取到的历史数据作为训练样本,对热力站负荷预测模型进行训练;
所述热力站负荷预测模型的输入变量为所述负荷影响因素的历史数据,输出为负荷预测数据;
获取待预测热力站的负荷影响因素数据,将其作为训练后的热力站负荷预测模型的输入,得到热力站负荷预测模型的输出,作为热力站供热系统负荷预测结果。
2.根据权利要求1所述基于建筑物分类的供热系统负荷预测方法,其特征在于:还包括对所述历史数据进行预处理:
对采集到的历史数据进行重复值、缺失值处理;
采用聚类算法,对经过重复值、缺失值处理后的数据进行聚类分析,并剔除离群点,得到经过分析处理后的历史数据。
3.根据权利要求1所述基于建筑物分类的供热系统负荷预测方法,其特征在于:所述对待预测的热力站做用热特性分析,确定热力站的负荷影响因素包括以下步骤:
对热力站所带建筑类型进行分类;
对不同建筑类型的热力站中,影响供热系统负荷的变量进行相关性分析,计算出每个所述变量与热力站供热负荷的相关系数:
将计算出的相关系数按照绝对值从大到小排序,选择绝对值最大的多个变量作为该建筑类型热力站的负荷影响因素。
4.根据权利要求3所述基于建筑物分类的供热系统负荷预测方法,其特征在于:所述变量包括直接来自供热系统监测的系统变量和来自外界的扰动变量。
5.根据权利要求3所述基于建筑物分类的供热系统负荷预测方法,其特征在于:所述建筑类型包括公建类、住宅类、混合类建筑。
7.一种基于建筑物分类的供热系统负荷预测装置,其特征在于,包括:
数据采集单元,用于获取影响供热系统负荷的变量的历史测量数据;
预处理单元,用于对所述历史测量数据进行预处理;
分析单元,用于对不同建筑类型的热力站做用热特性分析,确定热力站负荷预测模型的输入因素;
模型训练单元,采用所述输入因素对应的经过预处理后的历史数据,训练热力站负荷预测模型;
预测单元,使用热力站负荷预测模型对各热力站的负荷进行预测。
8.一种基于建筑物分类的供热系统负荷预测系统,其特征在于:包括数据库和负荷预测单元,所述数据库存储有供热系统实时的测量数据;所述负荷预测单元从数据库中提取数据,并对所述数据按照权利要求1至6任意一项方法进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461668.1A CN111652422A (zh) | 2020-05-27 | 2020-05-27 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461668.1A CN111652422A (zh) | 2020-05-27 | 2020-05-27 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652422A true CN111652422A (zh) | 2020-09-11 |
Family
ID=72344042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461668.1A Withdrawn CN111652422A (zh) | 2020-05-27 | 2020-05-27 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652422A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065772A (zh) * | 2021-04-06 | 2021-07-02 | 临沂蓝天热力有限公司 | 一种基于k-means聚类算法构建供热系统调控目标模型的方法 |
CN114580771A (zh) * | 2022-03-14 | 2022-06-03 | 南方电网数字电网研究院有限公司 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
CN117744895A (zh) * | 2024-02-20 | 2024-03-22 | 山东华科信息技术有限公司 | 一种热力负荷预测方法、装置、设备及存储介质 |
-
2020
- 2020-05-27 CN CN202010461668.1A patent/CN111652422A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065772A (zh) * | 2021-04-06 | 2021-07-02 | 临沂蓝天热力有限公司 | 一种基于k-means聚类算法构建供热系统调控目标模型的方法 |
CN114580771A (zh) * | 2022-03-14 | 2022-06-03 | 南方电网数字电网研究院有限公司 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
CN117744895A (zh) * | 2024-02-20 | 2024-03-22 | 山东华科信息技术有限公司 | 一种热力负荷预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
Goudarzi et al. | Predictive modelling of building energy consumption based on a hybrid nature-inspired optimization algorithm | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN112365029A (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
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 | |
CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200911 |