CN111832809A - 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 - Google Patents
基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 Download PDFInfo
- Publication number
- CN111832809A CN111832809A CN202010563062.9A CN202010563062A CN111832809A CN 111832809 A CN111832809 A CN 111832809A CN 202010563062 A CN202010563062 A CN 202010563062A CN 111832809 A CN111832809 A CN 111832809A
- Authority
- CN
- China
- Prior art keywords
- data set
- load data
- building
- holt
- winters
- 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 39
- 238000005265 energy consumption Methods 0.000 title claims description 9
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Architecture (AREA)
Abstract
本发明公开了一种基于Holt‑Winters和极限学习机的建筑用能负荷预测方法及系统,包括:根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;对线性负荷数据集采用训练后的Holt‑Winters模型预测得到线性负荷预测结果;以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。基于负荷数据线性和非线性共存的特点,将建筑负荷数据分解为平稳的线性分量和波动的非线性分量;结合Holt‑Winters和极限学习机的算法优势,分别对线性分量和非线性分量进行处理,提高预测精度。
Description
技术领域
本发明涉及环保和能源技术领域,特别是涉及一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着社会的发展,建筑能耗在国家整体能耗的比重越来越大,并且由于分布式供能技术的发展和新能源在供能系统中比重的增加,建筑作为一类复杂的小型能源系统逐渐成为了智能电网的一部分。建筑能耗管理、家庭能量管理和建筑智能化等技术可以有效地提高用能效率,而该类技术的稳定实施均需要依靠精准的建筑负荷预测。
根据模型构建机制可将建筑负荷预测方法划分为基于物理模型和基于数据驱动的两类预测方法。基于物理模型的预测方法一般是通过总结外部因素对建筑能耗的影响来构建,已被广泛应用于建筑能源仿真工具中(如TRANSYS,EnergyPlus等);但是该类预测模型需要庞大而复杂的数据集,包括建筑物结构和特征、当地气候和社会活动信息等,而这些信息有时很难获得。此外这些模型无法处理用户复杂的用能行为,导致预测误差较大,因此这些模型通常不能准确地预测负荷。
统计学模型例如自回归模型、多元线性回归、Holt-Winters、ARIMA、卡尔曼滤波等,这类模型一般假设输入数据可以简化为线性函数,可以消耗较少的时间,利用较小的训练集来构建,因此统计学模型已经被广泛应用于建筑物能耗预测中;然而这些模型在处理数据的非线性方面十分困难,当用户用能行为发生突变时,会产生较大的预测误差。
随着计算机计算能力的提高,基于数据驱动的机器学习模型越来越多的被应用于预测之中,例如人工神经网络(ANN)、支持向量机(SVR)、极限学习机(ELM)、长短期记忆网络(LSTM)等;机器学习模型在预测非线性数据序列方面表现出卓越的能力,但是也需要大量的训练数据,有时很难从一些建筑中获取足够的数据,同时大量的训练数据也会导致训练时间过长。
再者,如中国发明专利CN107704875A《基于改进IHCMAC神经网络的建筑负荷预测方法和装置》,利用改进IHCMAC神经网络模型实现对建筑的负荷预测,通过粒子群-K均值聚类算法对输入变量聚类,从而获得模型节点值,以提高模型的收敛速度;中国发明专利CN104331737A《一种基于粒子群神经网络的办公建筑负荷预测方法》利用粒子群算法优化神经网络从而构建建筑负荷预测模型;中国发明专利CN103295075B《一种超短期电力负荷预测与预警方法》通过卡尔曼滤波对数据实时估计,采用小波对负荷进行分解,然后分别建立预测模型,实现大型企业负荷预测。上述都是通过单一统计学模型或机器学习模型实现建筑负荷预测,但建筑用能负荷时序往往兼具线性和非线性的特点,这使得单一模型往往无法达到有效的预测效果。
发明内容
为了解决上述问题,本发明提出了一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统,基于负荷数据线性和非线性共存的特点,将建筑负荷数据分解为平稳的线性分量和波动的非线性分量;结合Holt-Winters和极限学习机的算法优势,分别对线性分量和非线性分量进行处理,提高预测精度。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法,包括:
根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
第二方面,本发明提供一种基于Holt-Winters和极限学习机的建筑用能负荷预测系统,包括:
数据采集模块,用于根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
分解模块,用于对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
第一预测模块,用于对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
第二预测模块,用于以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明改变了传统只利用原始数据训练预测模型的思路,基于负荷数据线性和非线性共存的特点,将建筑负荷数据分解为平稳的线性分量和波动的非线性分量;结合Holt-Winters和极限学习机的算法优势,利用HW建立线性预测模型,利用ELM构建非线性预测模型,分别对线性分量和非线性分量进行处理,考虑建筑负荷的数据特点,充分发挥两种算法的优势,提高预测精度,有效降低训练集大小,提高训练速度,可应用于智能建筑的相关系统。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于Holt-Winters和极限学习机的建筑用能负荷预测方法流程图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于Holt-Winters和极限学习机的建筑用能负荷预测方法,包括:
S1:根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
S2:对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
S3:对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
S4:以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
所述步骤S1中,建筑物的实际运行参数包括但不限于环境参数、室内人员分布等,环境参数包括但不限于室外温度、室外湿度、室外风速、太阳辐射强度等。
所述步骤S2中,将原始负荷数据通过滑动平均(MA)滤波器分解为平稳的线性分量和波动的非线性分量,具体包括;
将建筑负荷数据集O用时间序列形式表示为:
O=[o(1),o(2),…,o(m+n+h)]
其中,m为线性预测训练集大小,m+n为非线性预测训练集大小,h为测试集大小;
本实施例利用MA滤波器获得线性分量L,MA滤波器通过对输入信号中的几个点进行平均来产生输出信号中的每个点,如下式所示:
L=[l(1),l(2),…,l(m+n+h)]
其中,M是用于平均的点的数量,m为线性预测训练集大小,m+n为非线性预测训练集大小,h为测试集大小,L为线性分量;
非线性分量R为O和L的差:
R=O-L
R=[r(1),r(2),…,r(m+n+h)]
其中,m为线性预测训练集大小,m+n为非线性预测训练集大小,h为测试集大小。
所述步骤S3中,采用Holt-Winters(HW)模型构建线性预测模型,HW算法对线性数据序列具有良好的预测性能,并且HW模型即使训练集较小,也能得到准确的预测结果;在对该模型训练时,采用L-BFGS优化算法以预测结果的均方根误差最小作为目标,优化HW模型的参数,获得最优线性预测模型,用于预测线性分量。
所述步骤S4中,采用极限学习机(extreme learning machine,ELM)构建非线性模型,ELM模型可以高效处理非线性时序数据,ELM作为一种单隐层前馈神经网络,具有良好的泛化能力,有效挖掘非线性系统中已知信息的内部关系;
将建筑负荷历史数据、非线性分量和HW的预测结果作为ELM的输入,构建非线性预测模型:
其中,Otr用于训练的历史数据集,Rtr用于训练的非线性数据集,用于训练的线性预测结果集,m+n为非线性预测模型训练集大小,Str非线性预测模型训练集,Xtr为非线性预测模型的输入,Ytr非线性预测模型的输出,a为非线性预测模型输入特征的反馈步数。
本实施例采用HW-ELM的混合预测方法,利用HW和ELM各自的优势,分别预测,从而提高预测精度;并且充分考虑负荷数据本身的特点,充分发挥不同算法的优势,所在保证高精度的预测结果的同时,使用较少的训练数据和训练时间;可利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R2)评估本实施例的预测模型性能。
实施例2
本实施例提供一种基于Holt-Winters和极限学习机的建筑用能负荷预测系统,包括:
数据采集模块,用于根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
分解模块,用于对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
第一预测模块,用于对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
第二预测模块,用于以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
此处需要说明的是,上述模块对应于实施例1中的步骤S1至S4,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,包括:
根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
2.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,对原始负荷数据采用滑动平均滤波器分解为平稳的线性负荷数据集和波动的非线性负荷数据集。
3.如权利要求2所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,将原始负荷数据集采用时间序列表示,滑动平均滤波器通过对原始负荷数据集时间序列中的几个序列点进行平均,得到的每个平均序列点构成线性负荷数据集。
4.如权利要求3所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,非线性负荷数据集由原始负荷数据集减去线性负荷数据集得到。
5.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,对所述Holt-Winters模型进行训练时,采用L-BFGS方法以预测结果的均方根误差最小为目标,求解Holt-Winters模型的最优参数。
6.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,所述极限学习机模型的训练采用由线性负荷数据集、原始负荷数据集和线性负荷预测结果构建的训练集进行训练。
7.如权利要求1所述的基于Holt-Winters和极限学习机的建筑用能负荷预测方法,其特征在于,建筑物的实际运行参数包括但不限于环境参数、室内人员分布,环境参数包括但不限于室外温度、室外湿度、室外风速、太阳辐射强度。
8.基于Holt-Winters和极限学习机的建筑用能负荷预测系统,其特征在于,包括:
数据采集模块,用于根据建筑物的实际运行参数构建建筑物仿真模型,获取建筑物的原始负荷数据集;
分解模块,用于对原始负荷数据集进行分解得到线性负荷数据集和非线性负荷数据集;
第一预测模块,用于对线性负荷数据集采用训练后的Holt-Winters模型预测得到线性负荷预测结果;
第二预测模块,用于以非线性负荷数据集、原始负荷数据集和线性负荷预测结果作为训练后的极限学习机模型的输入,输出得到建筑物仿真模型的建筑负荷预测值。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563062.9A CN111832809B (zh) | 2020-06-19 | 2020-06-19 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
US17/351,098 US11842306B2 (en) | 2020-06-19 | 2021-06-17 | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010563062.9A CN111832809B (zh) | 2020-06-19 | 2020-06-19 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832809A true CN111832809A (zh) | 2020-10-27 |
CN111832809B CN111832809B (zh) | 2021-06-01 |
Family
ID=72898291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010563062.9A Active CN111832809B (zh) | 2020-06-19 | 2020-06-19 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11842306B2 (zh) |
CN (1) | CN111832809B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465195A (zh) * | 2020-11-12 | 2021-03-09 | 广东电网有限责任公司广州供电局 | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282440B (zh) * | 2021-12-27 | 2023-08-25 | 淮阴工学院 | 一种抽水蓄能机组调节系统鲁棒辨识方法 |
CN116245206A (zh) * | 2022-11-24 | 2023-06-09 | 华建数创(上海)科技有限公司 | 一种基于多模态集成模型的建筑能耗预测方法 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
CN115796393B (zh) * | 2023-01-31 | 2023-05-05 | 深圳市三和电力科技有限公司 | 基于多能互动的能源网管理优化方法、系统及存储介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
CN109543879A (zh) * | 2018-10-22 | 2019-03-29 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
CN110874802A (zh) * | 2018-09-03 | 2020-03-10 | 苏文电能科技股份有限公司 | 一种基于arma和svm模型组合的用电量预测方法 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9141166B2 (en) * | 2011-12-13 | 2015-09-22 | Intel Corporation | Method, apparatus, and system for energy efficiency and energy conservation including dynamic control of energy consumption in power domains |
US20140122181A1 (en) * | 2012-09-15 | 2014-05-01 | Honeywell International Inc. | Demand response load forecaster |
US10254319B2 (en) * | 2014-02-18 | 2019-04-09 | Encored Technologies, Inc. | Apparatus, server, system and method for energy measuring |
SG11201810279QA (en) * | 2016-06-29 | 2018-12-28 | Kirkham Group Pte Ltd | Large scale machine learning-based chiller plants modeling, optimization and diagnosis |
US10732584B2 (en) * | 2017-06-07 | 2020-08-04 | Johnson Controls Technology Company | Building energy optimization system with automated and dynamic economic load demand response (ELDR) optimization |
-
2020
- 2020-06-19 CN CN202010563062.9A patent/CN111832809B/zh active Active
-
2021
- 2021-06-17 US US17/351,098 patent/US11842306B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
US20200076196A1 (en) * | 2018-08-28 | 2020-03-05 | Johnson Controls Technology Company | Building energy optimization system with a dynamically trained load prediction model |
CN110874802A (zh) * | 2018-09-03 | 2020-03-10 | 苏文电能科技股份有限公司 | 一种基于arma和svm模型组合的用电量预测方法 |
CN109543879A (zh) * | 2018-10-22 | 2019-03-29 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
CN110705763A (zh) * | 2019-09-23 | 2020-01-17 | 山东大学 | 一种包含误差修正的超短期负荷预测方法及系统 |
CN111080002A (zh) * | 2019-12-10 | 2020-04-28 | 华南理工大学 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465195A (zh) * | 2020-11-12 | 2021-03-09 | 广东电网有限责任公司广州供电局 | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111832809B (zh) | 2021-06-01 |
US11842306B2 (en) | 2023-12-12 |
US20210398048A1 (en) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wen et al. | Load demand forecasting of residential buildings using a deep learning model | |
Wang et al. | A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network | |
Ouyang et al. | A combined multivariate model for wind power prediction | |
Fu | Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system | |
Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
CN108429256B (zh) | 电力系统运行优化方法及终端设备 | |
Dimitrov | Surrogate models for parameterized representation of wake‐induced loads in wind farms | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Sheng et al. | Short-term load forecasting based on SARIMAX-LSTM | |
Zhou et al. | A hybrid grey prediction model for small oscillation sequence based on information decomposition | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
CN115498623A (zh) | 多微电网的储能配置优化方法、装置、设备及存储介质 | |
Mahmoud et al. | Efficient SPF approach based on regression and correction models for active distribution systems | |
CN114511135A (zh) | 基于人工智能的短期负荷预测方法、计算机设备及存储介质 | |
CN113962491A (zh) | 基于季节分解的短期冷热电负荷联合预测方法及装置 | |
CN114119289A (zh) | 综合能源监控数据的处理方法及装置 | |
Sun et al. | Short-term load forecasting model based on multi-label and BPNN | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
Hua | Power quality prediction of active distribution network based on CNN-LSTM deep learning model | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Song et al. | An ensemble wavelet deep learning approach for short-term load forecasting | |
Wang et al. | SD-LSSVR-based decomposition-and-ensemble methodology with application to hydropower consumption forecasting | |
Ighravwe et al. | Development of artificial neural networks for an energy storage system generated power prediction | |
Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids |
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 |