CN112766535B - 一种考虑负荷曲线特征的建筑负荷预测方法及系统 - Google Patents
一种考虑负荷曲线特征的建筑负荷预测方法及系统 Download PDFInfo
- Publication number
- CN112766535B CN112766535B CN202011486003.2A CN202011486003A CN112766535B CN 112766535 B CN112766535 B CN 112766535B CN 202011486003 A CN202011486003 A CN 202011486003A CN 112766535 B CN112766535 B CN 112766535B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- building
- neural network
- network model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004575 stone 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种考虑负荷曲线特征的建筑负荷预测方法及系统,以设定时间间隔获取建筑负荷数据,以一定时间段内若干数据点为一组样本;对建筑负荷数据进行滤波处理,得到负荷数据的平滑曲线;获取每组样本中离散数据拐点形成拐点序列,计算每组样本拟合曲线的斜率,每个历史数据点对应斜率形成斜率序列;将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入,训练神经网络模型;对训练后的神经网络模型进行测试,利用满足测试要求的神经网络模型对建筑负荷数据进行预测,获取预测结果;本发明不仅考虑了负荷本身的数据特征,还考虑了负荷曲线的特征,从而提高预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域,具体涉及一种考虑负荷曲线 特征的建筑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。
办公建筑由于其特殊的用途,与其他类型建筑相比,有着便于管 理、调控的特点。是智能电网发展过程中将建筑转变为可控的小型能 源系统的首要切入点。基于精准的建筑负荷预测,通过建筑能耗管理、 建筑智能化等技术可以有效地提高用能效率。尤其是日前预测作为整 个节能建筑管理的基石,其准确度尤为重要。
现有的建筑负荷预测模型主要分为物理模型和基于数据驱动的 模型。一种物理模型是通过获取建筑结构和特征结合当地气候条件和 社会活动信息等多元参数,基于物理原理公式构建。由于庞大复杂的 数据参数往往难以获取,该类模型构建相对困难。同时,由于这类模 型无法描述负荷的随机性,导致预测误差较大,因此在建筑智能化中 应用并不广泛。另外一种物理模型为统计学模型,这类模型的预测原 理是将输入数据简化为线性数据,运用统计学原理构建线性函数;统 计学模型虽然可以很好的描述负荷数据的线性部分,对于非线性部分 却无能为力。
随着计算机科技的发展,基于数据驱动的机器学习算法渐渐应用 于建筑能耗预测中,这类机器学习模型通过大量的训练数据总结负荷 变化规律,在一定程度上解决了数据的非线性变化,提高了预测精度。 但是机器学习模型只能描述负荷的数据特征,却忽略了负荷的曲线特 征,难以进一步提高预测精度。
发明内容
本发明为了解决上述问题,提出了一种考虑负荷曲线特征的建筑 负荷预测方法及系统,本发明不仅考虑了负荷本身的数据特征,还考 虑了负荷曲线的特征,从而提高预测精度。
根据一些实施例,本发明采用如下技术方案:
一种考虑负荷曲线特征的建筑负荷预测方法,包括以下步骤:
以设定时间间隔获取建筑负荷数据,以一定时间段内若干数据点 为一组样本;
对建筑负荷数据进行滤波处理,得到负荷数据的平滑曲线;
获取每组样本中离散数据拐点形成拐点序列,计算每组样本拟合 曲线的斜率,每个历史数据点对应斜率形成斜率序列;
将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输 入,训练神经网络模型;
对训练后的神经网络模型进行测试,利用满足测试要求的神经网 络模型对建筑负荷数据进行预测,获取预测结果。
作为可选择的实施方式,将获取的建筑负荷数据进行预处理,预 处理过程包括,将缺失值和异常值用临近时间段内历史数据的平均值 代替,并进行归一化处理。
作为可选择的实施方式,将获取的建筑负荷数据中一部分作为训 练集,一部分作为验证集,另外一部分作为测试集。
作为可选择的实施方式,利用中位值平均滤波方法对负荷数据进 行处理,获取平滑曲线,连续采样N个数据,去掉一个最大值和一 个最小值,然后计算N-2个数据的算术平均值。
作为可选择的实施方式,每组样本中离散数据拐点形成拐点序列 中,对应凹弧的拐点用第一数值表示,对应凸弧拐点用第二数值表示, 其他点用第三数值表示。
作为可选择的实施方式,对训练后的神经网络模型进行测试中, 利用均方根误差或/和平均绝对误差对模型性能进行测试,如果误差 值小于设定值,则认为满足测试要求。
作为可选择的实施方式,所述神经网络模型为长短期记忆网络模 型。
一种考虑负荷曲线特征的建筑负荷预测系统,包括:
采集模块,被配置为以设定时间间隔获取建筑负荷数据,以一定 时间段内若干数据点为一组样本;
特征处理模块,被配置为对建筑负荷数据进行滤波处理,得到负 荷数据的平滑曲线,获取每组样本中离散数据拐点形成拐点序列,计 算每组样本拟合曲线的斜率,每个历史数据点对应斜率形成斜率序列;
神经网络构建和训练模块,被配置为将历史数据序列、拐点序列 和斜率序列组合成神经网络模型的输入,训练神经网络模型;
预测模块,被配置为对训练后的神经网络模型进行测试,利用满 足测试要求的神经网络模型对建筑负荷数据进行预测,获取预测结果。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于 由终端设备的处理器加载并执行所述一种考虑负荷曲线特征的建筑 负荷预测方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于 实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于 由处理器加载并执行所述一种考虑负荷曲线特征的建筑负荷预测方 法的步骤。
与现有技术相比,本发明的有益效果为:
本发明利用数学方法获取负荷曲线的拐点、斜率的趋势特征,将 其作为特征值结合历史负荷数据形成预测模型的输入,利用机器学习 方法LSTM解析办公建筑负荷的数据特征,同时考虑负荷的曲线特征, 有效提高预测精度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较 佳实施例,并配合所附附图,作详细说明如下。
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为本实施例的预测流程示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
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,当在本说明书中使用术语“包含”和/或“包括”时,其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所述的,目前利用机器学习模型进行负荷预测或 控制的文献,虽然有效实现了负荷的预测,但是均没有考虑负荷曲线 特征限制了预测精度的进一步提升。
本发明提出一种方法,拟解决上述问题。
以办公建筑为例,进行说明,一种考虑负荷曲线特征的办公建筑 负荷预测方法,基于长短期记忆网络(LSTM)提出考虑负荷曲线特 征的办公建筑负荷日前预测方法。首先,利用中位值平均滤波器去除 办公建筑负荷的随机噪声,获得平稳的线性曲线。然后,将一天24 小时的离散负荷数据作为一组样本,求得拐点位置和每个点对应的斜 率。最后,将拐点和斜率作为特征值结合历史数据一起作为输入,训 练LSTM模型,获得负荷日前预测模型,并利用测试集验证模型的预 测效果。
具体的,如图1所示,包括以下步骤:
a数据预处理
采集办公建筑负荷数据,数据间隔为1小时,每天0点到23点 的24个数据点为一组样本。取数据集的前70%作为训练集,10%作 为交叉验证集,最后20%作为测试集。将数据集中的缺失值和异常 值用当月历史数据的平均值代替。为了便于模型训练,利用极值归一化将数据归一到(0,1)之内。
b负荷曲线特征获取
数据滤波:利用中位值平均滤波器获取负荷数据的平滑曲线,连 续采样N个数据,去掉一个最大值和一个最小值,然后计算N-2个 数据的算术平均值。
拐点获取:利用Matlab获取每组样本中离散数据拐点形成拐点 序列,对应凹弧的拐点用1表示,对应凸弧拐点用2表示,其他点用0表示。
斜率计算:利用Matlab计算每组样本拟合曲线的斜率,每个历 史数据点对应斜率形成斜率序列。
c负荷日前预测模型训练
将训练集的历史数据序列、拐点序列和斜率序列组合成LSTM网 络的输入,(T-7,T-6,…,T-1)组数据作为输入,T组数据作为 输出,训练负荷日前预测模型。
预测模型性能评估
通过交叉验证集验证该模型的预测精度,利用均方根误差 (RMSE)、平均绝对误差(MAE)评估预测模型性能,如果方根误 差(RMSE)或/和平均绝对误差(MAE)小于对应设置的阈值,则认 为该模型符合要求,利用符合要求的模型,基于测试集进行预测。
本发明还提供以下产品实施例:
一种考虑负荷曲线特征的建筑负荷预测系统,包括:
采集模块,被配置为以设定时间间隔获取建筑负荷数据,以一定 时间段内若干数据点为一组样本;
特征处理模块,被配置为对建筑负荷数据进行滤波处理,得到负 荷数据的平滑曲线,获取每组样本中离散数据拐点形成拐点序列,计 算每组样本拟合曲线的斜率,每个历史数据点对应斜率形成斜率序列;
神经网络构建和训练模块,被配置为将历史数据序列、拐点序列 和斜率序列组合成神经网络模型的输入,训练神经网络模型;
预测模块,被配置为对训练后的神经网络模型进行测试,利用满 足测试要求的神经网络模型对建筑负荷数据进行预测,获取预测结果。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于 由终端设备的处理器加载并执行所述一种考虑负荷曲线特征的建筑 负荷预测方法的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于 实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于 由处理器加载并执行所述一种考虑负荷曲线特征的建筑负荷预测方 法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系 统、或计算机程序产品。因此,本发明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。而且,本发明 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生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装置。
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。
以上所述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 (9)
1.一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:包括以下步骤:
以设定时间间隔获取建筑负荷数据,以一定时间段内若干数据点为一组样本;将获取的建筑负荷数据进行预处理,预处理过程包括,将缺失值和异常值用临近时间段内历史数据的平均值代替,并进行归一化处理;
对建筑负荷数据进行滤波处理,得到负荷数据的平滑曲线;
获取每组样本中离散数据拐点形成拐点序列,计算每组样本拟合曲线的斜率,每个历史数据点对应斜率形成斜率序列;
将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入,训练神经网络模型;
对训练后的神经网络模型进行测试,利用满足测试要求的神经网络模型对建筑负荷数据进行预测,获取预测结果。
2.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:将获取的建筑负荷数据中一部分作为训练集,一部分作为验证集,另外一部分作为测试集。
3.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:利用中位值平均滤波方法对负荷数据进行处理,获取平滑曲线,连续采样N个数据,去掉一个最大值和一个最小值,然后计算N-2个数据的算术平均值。
4.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:每组样本中离散数据拐点形成拐点序列中,对应凹弧的拐点用第一数值表示,对应凸弧拐点用第二数值表示,其他点用第三数值表示。
5.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:对训练后的神经网络模型进行测试中,利用均方根误差或/和平均绝对误差对模型性能进行测试,如果误差值小于设定值,则认为满足测试要求。
6.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法,其特征是:所述神经网络模型为长短期记忆网络模型。
7.一种考虑负荷曲线特征的建筑负荷预测系统,其特征是:包括:
采集模块,被配置为以设定时间间隔获取建筑负荷数据,以一定时间段内若干数据点为一组样本;将获取的建筑负荷数据进行预处理,预处理过程包括,将缺失值和异常值用临近时间段内历史数据的平均值代替,并进行归一化处理;
特征处理模块,被配置为对建筑负荷数据进行滤波处理,得到负荷数据的平滑曲线,获取每组样本中离散数据拐点形成拐点序列,计算每组样本拟合曲线的斜率,每个历史数据点对应斜率形成斜率序列;
神经网络构建和训练模块,被配置为将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入,训练神经网络模型;
预测模块,被配置为对训练后的神经网络模型进行测试,利用满足测试要求的神经网络模型对建筑负荷数据进行预测,获取预测结果。
8.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-6中任一项所述的一种考虑负荷曲线特征的建筑负荷预测方法的步骤。
9.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-6中任一项所述的一种考虑负荷曲线特征的建筑负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486003.2A CN112766535B (zh) | 2020-12-16 | 2020-12-16 | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486003.2A CN112766535B (zh) | 2020-12-16 | 2020-12-16 | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766535A CN112766535A (zh) | 2021-05-07 |
CN112766535B true CN112766535B (zh) | 2023-04-07 |
Family
ID=75695363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486003.2A Active CN112766535B (zh) | 2020-12-16 | 2020-12-16 | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766535B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879190A (zh) * | 2022-10-17 | 2023-03-31 | 中国建筑科学研究院有限公司 | 模型构建方法及装置、建筑负荷预测方法及装置 |
CN116734918B (zh) * | 2023-06-05 | 2024-05-14 | 宁夏中昊银晨能源技术服务有限公司 | 一种适用于近零能耗建筑的室内环境监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1478075A2 (en) * | 2003-05-13 | 2004-11-17 | Siemens Power Transmission & Distribution, Inc. | Very short term load predictor |
CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法 |
CN107276065A (zh) * | 2016-04-07 | 2017-10-20 | 中国电力科学研究院 | 基于负荷特征时段的月度发电计划优化与安全校核方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN111398202A (zh) * | 2020-03-16 | 2020-07-10 | 广东小天才科技有限公司 | 气体数据分析方法、装置、电子设备及存储介质 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
-
2020
- 2020-12-16 CN CN202011486003.2A patent/CN112766535B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1478075A2 (en) * | 2003-05-13 | 2004-11-17 | Siemens Power Transmission & Distribution, Inc. | Very short term load predictor |
CN107276065A (zh) * | 2016-04-07 | 2017-10-20 | 中国电力科学研究院 | 基于负荷特征时段的月度发电计划优化与安全校核方法 |
CN106019131A (zh) * | 2016-05-18 | 2016-10-12 | 四川大学 | 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN111398202A (zh) * | 2020-03-16 | 2020-07-10 | 广东小天才科技有限公司 | 气体数据分析方法、装置、电子设备及存储介质 |
CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112766535A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Janardhanan et al. | CPU workload forecasting of machines in data centers using LSTM recurrent neural networks and ARIMA models | |
Luo et al. | Real-time anomaly detection for very short-term load forecasting | |
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
JP5962190B2 (ja) | 短期電力負荷を予測する方法及び装置 | |
CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN116805198A (zh) | 基于强化学习与预测分析的电网规划动态的方法及系统 | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Ouyang et al. | Model of selecting prediction window in ramps forecasting | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN110837933A (zh) | 基于神经网络的漏损识别方法、装置、设备及存储介质 | |
Efendi et al. | Maximum-minimum temperature prediction using fuzzy random auto-regression time series model | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
CN116776073B (zh) | 一种污染物浓度的评估方法和装置 | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
CN116049765A (zh) | 数据分析处理方法、装置及设备 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN113361960B (zh) | 一种大规模需求响应能力量化方法、介质、装置及设备 |
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 |