CN112712213A - 一种集中空调住宅深度迁移学习能耗预测方法及系统 - Google Patents
一种集中空调住宅深度迁移学习能耗预测方法及系统 Download PDFInfo
- Publication number
- CN112712213A CN112712213A CN202110053199.4A CN202110053199A CN112712213A CN 112712213 A CN112712213 A CN 112712213A CN 202110053199 A CN202110053199 A CN 202110053199A CN 112712213 A CN112712213 A CN 112712213A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- model
- migration learning
- building
- 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 65
- 238000013508 migration Methods 0.000 title claims abstract description 37
- 230000005012 migration Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004378 air conditioning Methods 0.000 title claims description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种集中空调住宅深度迁移学习能耗预测方法及系统,涉及建筑能源智能化技术领域,包括数据搜集模块、数据预处理模块、模型构建模块和预测结果输出模块,其中,所述数据搜集模块,获取集中空调的历史能耗数据,存入计算机;所述数据预处理模块,调用获得的数据进行清洗与预处理,再次存入计算机;所述模型构建模块,调用所述数据预处理模块储存的数据,然后预训练、微调与保存模型;所述预测结果输出模块,调用保存的模型,输入被预测楼栋的输入变量,输出最终预测结果。利用本发明提供的算法,在缺乏数据时,可以实现对集中空调能耗高精度的预测,为建筑节能的优化工作提供了参考。
Description
技术领域
本发明涉及建筑能源智能化技术领域,尤其涉及一种集中空调住宅深度迁移学习能耗预测方法及系统。
背景技术
随着人类社会不断发展,人类能源使用量不断增大,节能减排日益重要。其中,建筑能耗约占到全国总能耗的20%,随着经济的发展和人民生活水平的提高,建筑能耗还呈现出持续增长趋势。同时,我国的建筑能耗管理方式较为粗放,这为建筑节能提供了巨大的空间,而建筑能耗的预测是建筑节能的重要前提,只有高精度的预测才能为后续的优化方案提供有力的支撑。
传统的建筑能耗预测多为物理建模方法,它存在要求建模人员背景知识丰富、计算耗时长、模型复杂度高、应用条件苛刻、预测精度低等缺点。而基于数据挖掘的建筑能耗预测方法从机器学习角度出发,能对建筑能耗做出准确的预测,但是此类方法过度依赖数据质量,在新建楼栋或者老旧楼栋缺乏数据的情况下,常常显得无能为力。此外,现有的基于数据挖掘的建筑能耗预测主要是针对公共建筑,有关方面的研究尚需进一步开展。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
因此,本领域的技术人员致力于开发一种在缺乏数据时,仍然可以实现对集中空调能耗高精度的预测的系统及方法。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的是提供一种集中空调住宅深度迁移学习能耗预测方法及系统。
为实现上述目的,本发明提供了一种集中空调住宅深度迁移学习能耗预测方法及系统,包括数据搜集模块、数据预处理模块、模型构建模块和预测结果输出模块,其中,所述数据搜集模块,获取集中空调的历史能耗数据并存入计算机;所述数据预处理模块,调用获得的所述历史能耗数据进行清洗与预处理,再次存入计算机;所述模型构建模块,调用所述数据预处理模块储存的所述历史能耗数据,然后预训练、微调与保存模型;所述预测结果输出模块,调用保存的所述模型,输入被预测楼栋的输入变量,输出最终预测结果。
一种基于深度迁移学习的集中空调能耗预测方法,其特征在于,所述预测方法包括以下步骤:
步骤S1:对已有的集中空调的所述历史能耗数据进行清洗,获取清洗后数据信息;
步骤S2:根据所述清洗后数据信息,对其进行特征提取与处理,获取特征提取与处理结果信息;
步骤S3:根据所述特征提取与处理结果信息,对数据集进行划分并用数据完备的楼栋数据输入所述预训练模型进行训练,获取深度迁移学习预训练模型信息;
步骤S4:根据所述深度迁移学习预训练模型信息,用被预测楼栋部分数据对预训练模型进行微调,形成最终的深度迁移学习模型,获取最终的深度迁移学习模型信息;
步骤S5:根据最终的深度迁移学习模型信息,将所述被预测楼栋的输入变量输入最终的深度迁移学习模型,得到预测结果,用后续采集的所述被预测楼栋的所述能耗数据对结果进行验证,通过评价指标评估模型性能,获取基于深度迁移学习的集中空调能耗预测结果信息。
进一步地,所述步骤S1还包括,对异常值进行判定与处理,以及对缺失值插值与数据归一化处理。
进一步地,所述步骤S2还包括:
步骤S2.1:将能耗、建筑物理特性、季节特性、气象参数中的任意一种或者多种所述集中空调的样本数据作为基础特征:
步骤S2.2:将上述基础特征转为时序特征。
进一步地,所述步骤S2.2还包括:
步骤S2.2.1:假定原样本数据特征维度为n,样本总量为N;
步骤S2.2.2:通过设置时间跨度为T的窗口,将t,t+1,…t+T的样本数据,合并为一个新的维度为n×(T+1)的数据,扩展输入特征为T+1倍,而样本总量由原本的N个样本减少为N-T个样本。
进一步地,所述步骤S3包括:
步骤S3.1:将数据随机划分为训练集与测试集;
步骤S3.2:采用一维卷积神经网络作为预训练模型。
进一步地,所述步骤S3.1的划分标准是九成数据作为训练集,一成数据作为测试集。
进一步地,所述一维卷积神经网络由一维卷积层、池化层、Dropout层与全连接层构成。
进一步地,所述步骤S4包括:
步骤S4.1:保留所述预训练模型中卷积层、池化层、Dropout层的参数设置;
步骤S4.2:利用被预测楼栋少量的历史数据重新训练部分参数固定的模型,对全连接层的参数进行调整,使得模型更适合被迁移的任务的预测。
进一步地,所述步骤S5使用平均绝对百分比误差作为主要评价指标,所述平均绝对百分比误差,通过下式计算:
与现有技术相比,本发明具有如下的有益效果:
预测精度高,对比传统的物理模型与缺乏数据情况下的一般数据挖掘方法,本发明提出的针对集中空调能耗预测的深度学习,能有效提高预测精度;
实用性强,本发明将迁移学习与深度学习相结合,提出了一类全新的深度迁移学习方法,用于解决基于数据挖掘的集中空调能耗预测工作中数据不足的问题;
本发明结构合理,使用方便,能够克服现有技术的缺陷。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1为本发明实施例中的系统的整体流程示意图。
图2为本发明实施例中的算法的整体框架示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
一种基于深度迁移学习的集中空调能耗预测方法:
步骤S1:对已有的集中空调的历史能耗数据进行清洗;
步骤S2:对清洗后的数据进行特征提取与处理;
步骤S3:对数据集进行划分,并用数据完备的楼栋数据输入预训练模型进行训练;
步骤S4:用被预测楼栋的部分数据对预训练模型进行微调,形成最终的深度迁移学习模型;
步骤S5:将被预测楼栋的输入变量输入迁移模型,得到预测结果,并用后续采集的被预测建筑能耗数据对结果进行验证,通过评价指标评估模型性能。
基于上述方法,形成了基于深度迁移学习的集中空调能耗预测系统,本领域技术人员可以将基于深度学习的集中空调能耗预测方法理解为基于深度迁移学习的集中空调能耗预测系统的优选例。
具体地,该系统包含如下模块:
模块M1:数据搜集模块,获取集中空调的历史能耗数据与相关特征数据并存入计算机;
模块M2:数据预处理模块,调用获得的数据进行清洗与预处理,再次存入计算机;
模块M3:模型构建模块,调用模块M2储存的数据并结合所述方法预训练、微调与保存模型;
模块M4:预测结果输出模块,调用保存的模型,输入被预测楼栋的输入变量,输出最终预测结果。
在具体实施例中,以本发明技术方案为前提进行实施,依靠上海某居民小区的能耗历史数据与开源python代码,给出了详细的实施方式与具体的操作过程。
步骤S1:对已有的集中空调的历史能耗数据进行清洗。
具体地,用于预测的数据主要来自两个部分,一部分是来自于楼栋电表上的耗电量,用于计算楼栋的能耗,另一部分是来自于网络获取的室外气象参数,主要包括空气相对湿度、室外温度、太阳辐照值。以上数据皆为逐时数据,时间跨度为一个自然年。
优选地,通过所述预处理,进行包括异常值、缺失值的判定和处理。异常值的判定通过区间检验进行,所述区间检验是将数据进行大小排序后,使用位于85%处的数的2倍值作为区间上限,0为区间下限,超出上下限的视为异常值。异常值经删除后同样视为缺失值,连同原数据的缺失值一起进行线性插值。最后对处理后的数据实施最大最小归一化,具体操作公式如下:
其中,xnew,i为归一化后新值,xi为原数据,xmax为区间最大值,xmin为区间最小值。将处理后的数据存入计算机。
步骤S2:基于集中空调特性,对清洗后的数据进行特征提取与处理。
具体地,集中空调的样本数据主要由能耗、建筑物理特性(包括体型系数、建筑层高、层面积、层数、外墙传热系数、窗墙比、屋顶传热系数、楼板与内墙传热系数等)、季节特性(如月份)以及气象参数(如室外温度、空气相对湿度、太阳辐照值等)作为基础特征。
本次样本的主要输入特征维度为27。具体如下表:
为契合预训练模型的输入要求,需要将上述特征从时间序列数据转为监督型数据,设置时间跨度为24小时的窗口,将t,t+1,…t+24的上述维度为27的样本数据,合并为一个新的维度为675的样本数据,扩展输入特征为25倍。而样本总量由原本的8760个样本减少为8736个样本。
处理后的数据分为具有完备历史数据的楼栋A与楼栋B,以及待预测的楼栋C,其中A与B的历史数据时间跨度为8760小时,C的历史数据为720小时。将上述数据保存于计算机中。
步骤S3:对数据集进行划分,并用数据完备的楼栋数据输入预训练模型进行训练。
具体地,重新载入步骤S2中保存的数据,并将楼栋A与楼栋B的样本数据随机划分为训练集与测试集,划分标尺率为0.1,其中九成数据用作训练,一成数据用作测试。并将训练集数据输入模型训练。
具体地,此处采用一维卷积神经网络作为预训练模型,该卷积神经网络结构如表所示:
其中一维卷积核操作如下:
某样本数据A输入维度为675,如(a1,a2……a675)我们使用维度为(64,2)的卷积核(b1,b2……b64),对样本数据进行卷积操作,得到新维度为(612,2)的新数据(c1,c2……c612):
Dropout层设置参数为零的比率为0.2,即在该卷积层中,有20%的参数bj为零。最大池化层步长为2,即经过卷积层处理后的数据(c1,c2……c612)中随机每步长为2,选取其中的最大值作为输出,用于收缩样本维度。经收缩后样本数据为(max(c1,c2)……max(c609,c610),max(c611,c612)),样本维度为(306,2)。第二层卷积层、Dropout层与最大池化层操作与前述一致。经多次重复操作后,输出数据维度为(137,2)。全连接层对输入维度为(137,2)的样本数据,使用64个不同的relu函数计算后分别求和,输出维度为64的输出结果,最后两层全连接层操作与之类似,将输入维度为64的数据,最终计算为输出维度为1的输出结果。
最终,将预训练结束的模型保存于计算机中。
步骤S4:用被预测楼栋部分数据对预训练模型进行微调,形成最终的深度迁移学习模型。
具体地,载入预训练模型,保留上述部分卷积层、池化层、Dropout层参数不变,并使用楼栋C的能耗数据对模型进行重新训练,替换全连接层的权重参数与偏置参数,得到最终的模型。
步骤S5:将被预测楼栋的输入变量输入迁移模型,得到预测结果,并用后续采集的被预测建筑能耗对结果进行验证,通过评价指标评估模型性能。
将楼栋C的输入变量输入最终的模型,预测得到楼栋C下一个小时的能耗。并对预测结果进行评估。
具体地,使用平均绝对百分比误差作为主要评价指标,所述平均绝对百分比误差,通过下式计算:
最终预测结果MAPE在10%-15%之间,相较于传统的物理模型,性能提升了50%,相较于直接使用LSTM模型预测,性能提升了10%。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种集中空调住宅深度迁移学习能耗预测方法及系统,其特征在于,包括数据搜集模块、数据预处理模块、模型构建模块和预测结果输出模块,其中,所述数据搜集模块,获取集中空调的历史能耗数据并存入计算机;所述数据预处理模块,调用获得的所述历史能耗数据进行清洗与预处理,再次存入计算机;所述模型构建模块,调用所述数据预处理模块储存的所述历史能耗数据,然后预训练、微调与保存模型;所述预测结果输出模块,调用保存的所述模型,输入被预测楼栋的输入变量,输出最终预测结果。
2.一种集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述预测方法包括以下步骤:
步骤S1:对已有的集中空调的所述历史能耗数据进行清洗,获取清洗后数据信息;
步骤S2:根据所述清洗后数据信息,对其进行特征提取与处理,获取特征提取与处理结果信息;
步骤S3:根据所述特征提取与处理结果信息,对数据集进行划分并用数据完备的楼栋数据输入所述预训练模型进行训练,获取深度迁移学习预训练模型信息;
步骤S4:根据所述深度迁移学习预训练模型信息,用被预测楼栋部分数据对预训练模型进行微调,形成最终的深度迁移学习模型,获取最终的深度迁移学习模型信息;
步骤S5:根据最终的深度迁移学习模型信息,将所述被预测楼栋的输入变量输入最终的深度迁移学习模型,得到预测结果,用后续采集的所述被预测楼栋的所述能耗数据对结果进行验证,通过评价指标评估模型性能,获取基于深度迁移学习的集中空调能耗预测结果信息。
3.如权利要求2所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S1还包括,对异常值进行判定与处理,以及对缺失值插值与数据归一化处理。
4.如权利要求2所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S2还包括:
步骤S2.1:将能耗、建筑物理特性、季节特性、气象参数中的任意一种或者多种所述集中空调的样本数据作为基础特征:
步骤S2.2:将上述基础特征转为时序特征。
5.如权利要求4所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S2.2还包括:
步骤S2.2.1:假定原样本数据特征维度为n,样本总量为N;
步骤S2.2.2:通过设置时间跨度为T的窗口,将t,t+1,…t+T的样本数据,合并为一个新的维度为n×(T+1)的数据,扩展输入特征为T+1倍,而样本总量由原本的N个样本减少为N-T个样本。
6.如权利要求2所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S3包括:
步骤S3.1:将数据随机划分为训练集与测试集;
步骤S3.2:采用一维卷积神经网络作为预训练模型。
7.如权利要求6所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S3.1的划分标准是九成数据作为训练集,一成数据作为测试集。
8.如权利要求6所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述一维卷积神经网络由一维卷积层、池化层、Dropout层与全连接层构成。
9.如权利要求2所述的集中空调住宅深度迁移学习能耗预测方法,其特征在于,所述步骤S4包括:
步骤S4.1:保留所述预训练模型中卷积层、池化层、Dropout层的参数设置;
步骤S4.2:利用被预测楼栋少量的历史数据重新训练部分参数固定的模型,对全连接层的参数进行调整,使得模型更适合被迁移的任务的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053199.4A CN112712213B (zh) | 2021-01-15 | 2021-01-15 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053199.4A CN112712213B (zh) | 2021-01-15 | 2021-01-15 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712213A true CN112712213A (zh) | 2021-04-27 |
CN112712213B CN112712213B (zh) | 2023-07-04 |
Family
ID=75549113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110053199.4A Active CN112712213B (zh) | 2021-01-15 | 2021-01-15 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712213B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
CN109754068A (zh) * | 2018-12-04 | 2019-05-14 | 中科恒运股份有限公司 | 基于深度学习预训练模型的迁移学习方法及终端设备 |
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 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
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 |
CN111310257A (zh) * | 2019-12-27 | 2020-06-19 | 任惠 | 一种bim环境下的区域建筑能耗预测方法 |
CN111442476A (zh) * | 2020-03-06 | 2020-07-24 | 财拓云计算(上海)有限公司 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
-
2021
- 2021-01-15 CN CN202110053199.4A patent/CN112712213B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
CN109754068A (zh) * | 2018-12-04 | 2019-05-14 | 中科恒运股份有限公司 | 基于深度学习预训练模型的迁移学习方法及终端设备 |
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 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
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 |
CN111310257A (zh) * | 2019-12-27 | 2020-06-19 | 任惠 | 一种bim环境下的区域建筑能耗预测方法 |
CN111442476A (zh) * | 2020-03-06 | 2020-07-24 | 财拓云计算(上海)有限公司 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112712213B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485262B (zh) | 一种母线负荷预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
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 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN116341391A (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN110555566A (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN112712213A (zh) | 一种集中空调住宅深度迁移学习能耗预测方法及系统 | |
CN116011655A (zh) | 基于两阶段智能特征工程的负荷超短期预测方法及系统 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
CN112529285A (zh) | 一种基于相似日理论和pca-pso-bp的光伏发电功率预测方法 | |
CN114243695B (zh) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 | |
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 | |
Li et al. | A Short-term Load Forecasting Model Based on Composite Cascaded Artificial Neural Network with A Multi-factor Identification Method | |
CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
CN116451906A (zh) | 一种基于ISDPC-K-means聚类的典型场景构建方法 |
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 |