CN112926807A - 考虑预测误差的机柜设备发热量超短期预测方法及系统 - Google Patents
考虑预测误差的机柜设备发热量超短期预测方法及系统 Download PDFInfo
- Publication number
- CN112926807A CN112926807A CN202110407122.2A CN202110407122A CN112926807A CN 112926807 A CN112926807 A CN 112926807A CN 202110407122 A CN202110407122 A CN 202110407122A CN 112926807 A CN112926807 A CN 112926807A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- data
- prediction
- error
- heat productivity
- 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.)
- Pending
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
- 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种考虑预测误差的机柜设备发热量超短期预测方法及系统,包括:获取机柜内设备的发热量数据,并进行数据预处理;构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型,利用所述组合预测模型对机柜设备发热量进行预测;其中,所述主预测模型利用LSTM网络建立,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。该发热量预测方法不但充分发挥了LSTM网络和ELM算法的优势,而且通过误差预测模型来纠正主预测模型得到的设备发热量预测结果,从而提高了预测模型的准确度和稳定性。
Description
技术领域
本公开属于设备发热量预测技术领域,尤其涉及一种考虑预测误差的机柜设备发热量超短期预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
发明人发现,机柜中的服务器等设备对环境温度具有较高的要求。如果环境温度变化较大,那么服务器在运行过程中就可能出现差错或故障。而如何预测机柜内设备的发热量是做智能机柜空调制冷规划设计的重要一环,而现有技术中并没有针对智能机柜内设备发热量预测的解决方案,无法对智能机柜设备发热量进行精准的预测。
发明内容
本公开为了解决上述问题,提供了一种考虑预测误差的机柜设备发热量超短期预测方法及系统,所述方案该方法充分利用了LSTM网络和ELM算法的优势,并通过误差预测模型来纠正主预测模型得到的设备发热量预测结果,有效提高了设备发热量预测的准确度。
根据本公开实施例的第一个方面,提供了一种考虑预测误差的机柜设备发热量超短期预测方法,包括:
获取机柜内设备的发热量数据,并进行数据预处理;
构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型,利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型采用LSTM网络,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。
进一步的,所述主预测模型利用LSTM网络构建,其训练过程包括:
采集智能机柜内设备的发热量数据,经数据预处理后作为LSTM网络的训练集;
将训练集数据输入LSTM网络进行训练,获得训练后的主预测模型;
同时,在训练过程中,利用所述预测结果与实际发热量数据进行比较,获得误差数据集,作为误差预测模型的训练集。
进一步的,所述误差预测模型采用ELM算法建立,其通过主预测模型训练过程中获得的误差数据集作为训练集进行训练,利用训练好的误差预测模型对主预测模型的发热量预测结果进行修正。
根据本公开实施例的第二个方面,提供了一种考虑预测误差的机柜设备发热量超短期预测系统,包括:
数据获取单元,其用于获取机柜内设备的发热量数据,并进行数据预处理;
模型构建单元,其用于构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型;
结果预测单元,其用于利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型利用LSTM网络建立,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种考虑预测误差的机柜设备发热量超短期预测方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种考虑预测误差的机柜设备发热量超短期预测方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案提供了一种基于LSTM网络和ELM算法的超短期设备发热量预测方法,并通过LSTM网络建立了设备发热量主预测模型,通过ELM算法建立了误差预测模型,对LSTM网络建立的主预测模型进行修正,解决了由于设备发热量变化波动性和强随机性,造成预测结果不准确的问题。
(2)本公开所述方案填补了智能机柜内设备发热量预测的空缺;其次,相比传统的单一类型的设备发热量预测方法,本公开创新性的结合LSTM主预测模型和ELM误差预测模型进行设备发热量预测,充分发挥了各自的优势,能够提高预测模型的准确度和稳定性。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的机柜设备发热量超短期预测方法流程图。
图2为本公开实施例一中所述的LSTM网络的模型结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种考虑预测误差的机柜设备发热量超短期预测方法。
一种考虑预测误差的机柜设备发热量超短期预测方法,包括:
获取机柜内设备的发热量数据,并进行数据预处理;
构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型,利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型利用LSTM(Long Short-Term Memory)网络建立,所述误差预测模型通过ELM(Extreme Learning Machine)算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
本实施例中给出了一种基于LSTM网络和ELM算法的超短期设备发热量预测方法。首先,利用LSTM网络处理时序性数据的优势建立设备发热量主预测模型,并得到预测误差数据集。然后利用极限学习机算法建立误差预测模型,将利用LSTM网络得到的预测误差数据集作为ELM算法的训练集,从而得到设备发热量主预测模型的误差预测信息。最后,结合主预测模型和误差预测模型,即用误差预测模型得到的结果修正主预测模型的值,形成LSTM-ELM预测模型,以下进行详细说明:
(1)数据获取
采集智能机柜内设备的发热量数据,将其分为两部分:LSTM训练集,用于训练LSTM网络预测模型;测试集,用于验证LSTM-ELM预测方法的预测精度;进一步的,利用LSTM网络预测模型获得的预测结果与实际结果之间的误差数据集(即ELM训练集),其中,所述ELM训练集,用于训练误差预测模型;
根据机柜内不同设备,首先确定需要监测发热量的位置(一般靠经验法确定),比如电源模块,然后在相应设备处设置物理量传感器实时采集发热量数据,采集形式为数据主动上报,即传感器有了数据变化就会发送。
(2)数据预处理
数据纠错:利用插值法推算缺失值,利用推算结果对缺失值进行填充,修改超出阈值的异常数据用该点当月历史数据平均值替代;通过纠错处理,能够有效避免由于数据缺失或异常对预测结果产生的影响,提高发热量预测精度。
数据滤波:利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理。
具体的,所述分箱方法是一种简单常用的预处理方法,通过考察相邻数据来确定最终值。所谓“分箱”,实际上就是按照属性值划分的子区间,如果一个属性值处于某个子区间范围内,就称把该属性值放进这个子区间所代表的“箱子”内。把待处理的数据(某列属性值)按照一定的规则放进一些箱子中,考察每一个箱子中的数据,采用某种方法分别对各个箱子中的数据进行处理。在采用分箱技术时,需要确定的两个主要问题就是:如何分箱以及如何对每个箱子中的数据进行平滑处理。其中,分箱方法主要有4种:等深分箱法、等宽分箱法、最小熵法和用户自定义区间法,本实施例中采用等深分箱法对噪声数据进行处理,通过检查噪声数据位置,根据噪声数据周围的邻近值对噪声数据进行局部光滑处理。
(3)建立主预测模型
采集智能机柜内设备的发热量数据,获得LSTM训练集,将训练集数据代入LSTM网络进行训练,得到设备发热量主预测模型,同时与实际发热量数据进行比较,获得误差数据集作为误差预测模型的训练集。
其中,LSTM是一种特殊的递归神经网络(RNNs),它包括三个门,分别为输入门、输出门和遗忘门。根据LSTM网络的模型结构示意图(如图2所示),遗忘门的运算过程是首先取前一神经元的输出结果h_(t-1)和本神经元的输入X_t进行计算,然后输出一个范围为[0,1]的系数f_t,运算公式为式1。如果输出系数为0,则表示本神经元完全遗忘上一细胞状态;如果输出系数为1,则表示本神经元对上一细胞状态完全记忆。该系数乘以上一细胞状态C_(t-1),即为输出结果。遗忘门保证了LSTM网络的长期记忆性。输入门的运算过程类似于遗忘门,首先输出一个范围为[0,1]的系数i_t,运算公式为式2。同时,根据式3,由一层tanh计算出c~_t,最后根据式4即可输出当前细胞状态c_t。根据式5,输出门得到o_t,然后与经过一层tanh运算得出的c_t相乘得最终输出h_t。
f_t=σ(W_f[h_(t-1),x_t]+b_f) (1)
i_t=σ(W_i[h_(t-1),x_t]+b_i) (2)
c~_t=tanh(W_c[h_(t-1),x_t]+b_c) (3)
c_t=f_t c_(t-1)+i_t c~_t (4)
o_t=σ(W_o[h_(t-1),x_t]+b_o) (5)
h_t=σ_t tanhc_t (6)
(4)建立误差预测模型
虽然设备发热量变化具有一定的规律性,但其波动性和强随机性的特点不容忽视。传统的、单一的人工智能预测方法难以满足预测精度的要求,鉴于此,利用极限学习机(Extreme Learning Machine)ELM算法建立误差预测模型,对LSTM网络建立的主预测模型进行修正;ELM最大的特点是对于传统的神经网络,在保证学习精度的前提下比传统的学习算法速度更快。用ELM建立的误差预测模型,其输入为利用LSTM网络得到的预测误差数据,输出为误差预测值。
(5)LSTM-ELM预测模型性能评估
将通过LSTM网络建立的主预测模型与通过ELM算法建立的误差预测模型组合,获得最终组合预测模型,通过测试集数据验证LSTM-ELM方法的预测精度,利用均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)评估本发明的预测模型性能。
实施例二:
本实施例的目的是提供一种考虑预测误差的机柜设备发热量超短期预测系统。
一种考虑预测误差的机柜设备发热量超短期预测系统,包括:
数据获取单元,其用于获取机柜内设备的发热量数据,并进行数据预处理;
模型构建单元,其用于构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型;
结果预测单元,其用于利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型利用LSTM网络建立,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。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,完成实施例一中所述的方法。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,完成实施例一中所述的方法。
实施例一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。
上述实施例提供的一种考虑预测误差的机柜设备发热量超短期预测方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开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公开的保护范围以内。
Claims (10)
1.一种考虑预测误差的机柜设备发热量超短期预测方法,其特征在于,包括:
获取机柜内设备的发热量数据,并进行数据预处理;
构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型,利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型利用LSTM网络建立,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。
2.如权利要求1所述的一种考虑预测误差的机柜设备发热量超短期预测方法,其特征在于,所述主预测模型利用LSTM网络构建,其训练过程包括:
采集智能机柜内设备的发热量数据,经数据预处理后作为LSTM网络的训练集;将训练集数据输入LSTM网络进行训练,获得训练后的主预测模型;同时,在训练过程中,利用所述预测结果与实际发热量数据进行比较,获得误差数据集,作为误差预测模型的训练集。
3.如权利要求1所述的一种考虑预测误差的机柜设备发热量超短期预测方法,其特征在于,所述误差预测模型采用ELM算法建立,其通过主预测模型训练过程中获得的误差数据集作为训练集进行训练,利用训练好的误差预测模型对主预测模型的发热量预测结果进行修正。
4.如权利要求1所述的一种考虑预测误差的机柜设备发热量超短期预测方法,其特征在于,所述数据预处理包括:
数据纠错:利用插值法推算缺失值,修改超出阈值的异常数据用该点当月历史数据平均值替代;
数据滤波:利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理;
数据归一化:针对ELM训练集,利用归一化方法将数据归一化为(0,1)之间的小数。
5.一种考虑预测误差的机柜设备发热量超短期预测系统,其特征在于,包括:
数据获取单元,其用于获取机柜内设备的发热量数据,并进行数据预处理;
模型构建单元,其用于构建主预测模型和误差预测模型,并将所述预训练的主预测模型与误差预测模型进行组合,获得组合预测模型;
结果预测单元,其用于利用所述组合预测模型对机柜设备发热量进行预测;
其中,所述主预测模型利用LSTM网络建立,所述误差预测模型通过ELM算法建立,通过所述误差预测模型对所述主预测模型的预测结果进行修正。
6.如权利要求5所述的一种考虑预测误差的机柜设备发热量超短期预测系统,其特征在于,所述主预测模型利用LSTM网络构建,其训练过程包括:采集智能机柜内设备的发热量数据,经数据预处理后作为LSTM网络的训练集;将训练集数据输入LSTM网络进行训练,获得训练后的主预测模型;同时,在训练过程中,利用所述预测结果与实际发热量数据进行比较,获得误差数据集,作为误差预测模型的训练集。
7.如权利要求5所述的一种考虑预测误差的机柜设备发热量超短期预测系统,其特征在于,所述误差预测模型采用ELM算法建立,其通过主预测模型训练过程中获得的误差数据集作为训练集进行训练,利用训练好的误差预测模型对主预测模型的发热量预测结果进行修正。
8.如权利要求5所述的一种考虑预测误差的机柜设备发热量超短期预测系统,其特征在于,所述数据预处理包括:
数据纠错:利用插值法推算缺失值,修改超出阈值的异常数据用该点当月历史数据平均值替代;
数据滤波:利用分箱法处理噪声数据,检查噪声数据位置,根据噪声数据周围的邻近值来做局部光滑处理;
数据归一化:针对ELM训练集,利用归一化方法将数据归一化为(0,1)之间的小数。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种考虑预测误差的机柜设备发热量超短期预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种考虑预测误差的机柜设备发热量超短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407122.2A CN112926807A (zh) | 2021-04-15 | 2021-04-15 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407122.2A CN112926807A (zh) | 2021-04-15 | 2021-04-15 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926807A true CN112926807A (zh) | 2021-06-08 |
Family
ID=76174424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407122.2A Pending CN112926807A (zh) | 2021-04-15 | 2021-04-15 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926807A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640095A (zh) * | 2022-05-11 | 2022-06-17 | 之江实验室 | 基于5g网络切片和超限学习机的配电网差动保护系统及方法 |
CN114999182A (zh) * | 2022-05-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于lstm回馈机制的车流量预测方法、装置及设备 |
CN116225194A (zh) * | 2023-05-10 | 2023-06-06 | 江苏智能低碳科技发展有限公司 | 基于智能算法的服务器集群控制平台 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN109406004A (zh) * | 2018-09-18 | 2019-03-01 | 广东电网有限责任公司惠州供电局 | 一种开关柜温升分析方法 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110322364A (zh) * | 2019-06-19 | 2019-10-11 | 山东大学 | 一种短期光伏发电预测方法及系统 |
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 |
CN110794253A (zh) * | 2020-01-02 | 2020-02-14 | 珠海万力达电气自动化有限公司 | 一种开关柜健康状态评价方法及装置 |
CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
CN112113314A (zh) * | 2020-09-22 | 2020-12-22 | 菲尼克斯(上海)环境控制技术有限公司 | 一种实时温度数据采集系统及其基于学习模型的温度调节方法 |
CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
-
2021
- 2021-04-15 CN CN202110407122.2A patent/CN112926807A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229732A (zh) * | 2017-12-20 | 2018-06-29 | 上海电机学院 | 基于误差修正的极端学习机风速超短期预测方法 |
CN109406004A (zh) * | 2018-09-18 | 2019-03-01 | 广东电网有限责任公司惠州供电局 | 一种开关柜温升分析方法 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110322364A (zh) * | 2019-06-19 | 2019-10-11 | 山东大学 | 一种短期光伏发电预测方法及系统 |
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 |
CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
CN110794253A (zh) * | 2020-01-02 | 2020-02-14 | 珠海万力达电气自动化有限公司 | 一种开关柜健康状态评价方法及装置 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN112132333A (zh) * | 2020-09-16 | 2020-12-25 | 安徽泽众安全科技有限公司 | 一种基于深度学习的短期水质水量预测方法及系统 |
CN112113314A (zh) * | 2020-09-22 | 2020-12-22 | 菲尼克斯(上海)环境控制技术有限公司 | 一种实时温度数据采集系统及其基于学习模型的温度调节方法 |
CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640095A (zh) * | 2022-05-11 | 2022-06-17 | 之江实验室 | 基于5g网络切片和超限学习机的配电网差动保护系统及方法 |
CN114999182A (zh) * | 2022-05-25 | 2022-09-02 | 中国人民解放军国防科技大学 | 基于lstm回馈机制的车流量预测方法、装置及设备 |
CN116225194A (zh) * | 2023-05-10 | 2023-06-06 | 江苏智能低碳科技发展有限公司 | 基于智能算法的服务器集群控制平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926807A (zh) | 考虑预测误差的机柜设备发热量超短期预测方法及系统 | |
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
CN109783486A (zh) | 数据清洗方法、装置及服务器 | |
KR20170078387A (ko) | 센서 관리 장치 및 방법 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
WO2021098246A1 (zh) | 一种电能表寿命预测方法、装置及存储介质 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN109063818B (zh) | 一种热工过程模型在线辨识方法及装置 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN113723032B (zh) | 一种面向大规模节点的电路快速解算方法及系统 | |
CN110298570B (zh) | 配电网系统拓扑状态辨识方法、装置、存储介质及设备 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN115526641A (zh) | 柔板产品生产质量追溯方法、系统、装置和存储介质 | |
CN107844658A (zh) | 相关向量机与自回归滑动平均融合的舵机状态预测方法 | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN116205380B (zh) | 新能源电场站内损耗预测模型构建方法、预测方法和系统 | |
CN113393034A (zh) | 一种在线自适应oselm-garch模型的电量预测方法 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN116992311A (zh) | 基于机器学习的储能电源状态分析方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 |
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 |