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 PDF

Info

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
Application number
CN202011486003.2A
Other languages
English (en)
Other versions
CN112766535A (zh
Inventor
潘广旭
李英杰
宫池玉
李兴玉
裴丽伟
胡军
金新凯
王瑞琪
连艳
史弘
张旭
王晓洁
亓新云
郭健
张成相
吕斌
杨清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shandong Integrated Energy Service Co ltd
State Grid Corp of China SGCC
Rizhao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Shandong Integrated Energy Service Co ltd
State Grid Corp of China SGCC
Rizhao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Shandong Integrated Energy Service Co ltd, State Grid Corp of China SGCC, Rizhao Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Shandong Integrated Energy Service Co ltd
Priority to CN202011486003.2A priority Critical patent/CN112766535B/zh
Publication of CN112766535A publication Critical patent/CN112766535A/zh
Application granted granted Critical
Publication of CN112766535B publication Critical patent/CN112766535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种考虑负荷曲线特征的建筑负荷预测方法及系统
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。
CN202011486003.2A 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 Active CN112766535B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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