CN113033906A - 基于三参数指数平滑的能耗预测方法及系统 - Google Patents
基于三参数指数平滑的能耗预测方法及系统 Download PDFInfo
- Publication number
- CN113033906A CN113033906A CN202110371517.1A CN202110371517A CN113033906A CN 113033906 A CN113033906 A CN 113033906A CN 202110371517 A CN202110371517 A CN 202110371517A CN 113033906 A CN113033906 A CN 113033906A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- exponential smoothing
- seasonal
- smoothing
- fitting
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009499 grossing Methods 0.000 title claims abstract description 50
- 230000001932 seasonal effect Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 241000728173 Sarima Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002699 waste material 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于能耗预测领域,提供了一种基于三参数指数平滑的能耗预测方法及系统。其中,该方法包括获取设备历史时间段内的能耗数据;将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
Description
技术领域
本发明属于能耗预测领域,尤其涉及一种基于三参数指数平滑的能耗预测方法及系统。
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。
传统的能耗预测一般以年为计算单位,即使是近期的能源预测,预测周期也为五至十年。且应用的预测方法也主要包括弹性系数法、投入产出法、回归分析法这种较传统的预测方法。发明人发现,针对某些设备的能耗也多是能耗的监测而不是对能耗的预测。上述方法存在需要收集的影响因素较多,数据收集困难,预测结果不够精准以及残差信息浪费的问题。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于三参数指数平滑的能耗预测方法及系统,其采用指数平滑法,可以预测未来几天的相关某个设备或某些设备一起的能源消耗,预测结果较精准。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于三参数指数平滑的能耗预测方法。
一种基于三参数指数平滑的能耗预测方法,包括:
获取设备历史时间段内的能耗数据;
将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
本发明的第二个方面提供一种基于三参数指数平滑的能耗预测系统。
一种基于三参数指数平滑的能耗预测系统,包括:
历史能耗数据获取模块,其用于获取设备历史时间段内的能耗数据;
能耗数据拟合模块,其用于将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
能耗预测模块,其用于将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
本发明的第三个方面提供一种计算机可读存储介质。
一种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如上述所述的基于三参数指数平滑的能耗预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于三参数指数平滑的能耗预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明对医院中的某个设备或多个设备的能源使用进行预测,预测结果不仅包含第二天精准的能源消耗情况,还包括设备对能源的消耗趋势,为设备的正常运行提供相关的能耗并为设备故障检测提供可判别的依据。
本发明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,或通过本发明的实践了解到。
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是本发明实施例的基于三参数指数平滑的能耗预测方法流程图;
图2是本发明实施例的基于三参数指数平滑的能耗预测过程;
图3是本发明实施例的应用指数模型得到的预测结果图;
图4是本发明实施例的24步差分后的数据时序图;
图5是本发明实施例的24步差分后的数据自相关图;
图6是本发明实施例的24步差分后的数据偏自相关图;
图7是本发明实施例的模型的拟合与预测结果;
图8是本发明实施例的组合预测值与第29日真实值对比图。
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。
实施例一
如图1所示,本实施例提供了一种基于三参数指数平滑的能耗预测方法,其包括:
S101:获取设备历史时间段内的能耗数据;
S102:将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
本模型可应用与医院场景下的某个设备,通过对其进行能源消耗的预测可判断此设备运行是否正常,若预测出现消耗的极大拐点可在实际拐点发生前对设备进行专业检测和维修,保证设备的正常运行。当应用与多个设备时,或预测医院某一层的能源消耗,可以为医院某层或某幢楼有针对性的备好储蓄电池以便预防突发性停电,保证工作的有序进行,并为优化设备节省能源提供依据。
对于本发明利用给予Holt-Winters三参数指数平滑法,结合具有波动性的季节性求和自回归移动平均模型,依据检测设备采集的针对某设备或某些设备的能耗数据对其进行预测。
(一)三参数指数平滑:
记xt为该序列的拟合值,rt为该序列的趋势部分,st为该序列的季节因子,z为季节周期长度。
其中:
z:为季节周期长度;
α、β、γ:平滑系数。
本模型中的周期可以根据数据的时间序列图像进行判断并进行自定义,本案中使用的周期为24。
所述具有季节性的指数平滑加法模型的平滑系数与能耗数据波动呈正相关。平滑系数的调节参数依据为:当数据波动较大时,平滑系数的取值变大,以增加近期数据对预测结果的影响;反之,平滑系数的取值变小。
具体判别方式:
当能耗数据的时间序列呈稳定的水平趋势时,平滑系数的取值范围为0.05-0.20。
当能耗数据的时间序列有波动,但在自定义的长期时间段内趋势变化幅度小于设定幅度阈值,则平滑系数的取值范围为0.1-0.4。
当能耗数据的时间序列有波动且波动超过设定波动阈值,但在自定义的长期时间段内趋势变化幅度也超过设定幅度阈值,则平滑系数的取值范围为0.6-0.8。
注:在具体的应用中,要想获得较理想的拟合模型,需要对平滑系数不断进行组合和尝试。
本案应用SPSS对设置有24周期性的数据进行三参数指数平滑可直接获得最优拟合结果,可以省去上述较为繁复的操作。
应用SPSS进行三参数指数平滑模型的拟合和预测:
例:应用检测到的某医院第10层动力用电三月份1日至29日的数据,预测第30日的能源消耗情况。其中每小时数据为一小时内数据的均值(检测设备每分钟收集一个数据)。
本例的预测过程如图2所示:
1)绘制时序图,观测数据特征
从图2可以看出,其每日具有周期性,且其周期性没有随着时间的变化改变其振幅,故使用加法三参数指数平滑对其进行拟合和预测。
2)应用具有季节性的指数平滑加法模型
Time Series Modeler
Model Description
Model Type | |
Model IDB相电流一小时均值Model_1 | Winters′Additive |
Fit Statistic | Mean |
R-squared | 0.758 |
RMSE | 1.873 |
Normalized BIC | 1.283 |
上表显示此模型对原数据的拟合程度为75.8%
图3是应用指数模型得到的预测结果图。其中在黑色竖线之前的为前29天的观测值(实线)和拟合值(虚线),在黑色竖线之后的为第30天的预测值(虚线)。
(二)季节性求和自回归移动平均模型(Seasonal Autoregressive IntegratedMoving Average,SARIMA模型)
因为本案目的是求日能源消耗情况,故观测相关的数据发现应用周期为24的求和自回归移动平均能较好的拟合和预测。
应用SAS进行SARIMA模型的拟合和预测:
例:应用检测到的某医院第10层动力用电三月份1日至29日的数据,预测第30日的能源消耗情况。其中每小时数据为一小时内数据的均值(检测设备每分钟收集一个数据)。
1)结合(一)中的时序图可以判断此SARIMA应用加法模型。
2)应用SAS对此原始数据进行自相关和偏自相关的判断,并对数据进行定阶。本例先对数据进行周期为24的差分,观测去除季节后数据的性质。
24步差分后的数据时序图、自相关图和偏自相关图如图4-图6所示:
根据其对应的自相关图和偏自相关图进行ARIMA模型建立,最终建立的预测模型为ARIMA(4,1,24)。模型的拟合与预测结果如图7所示:
对ARIMA(4,1,24)模型的残差进行白噪声检验,检验结果如下所示:
Autocorrelation Check for White Noise
因为Pr>ChiSq均大于0.05,故残差为不包含任何值得提取的有用信息,故接受上述建立的SARIMA模型。其中,Pr>ChiSq是一个检验白噪声的值。
S103:将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
将两模型进行组合,提高预测准确性:
在众多数据组合实验中,“0.41*指数平滑预测+0.59*SARIMA模型预测”的预测结果最准确,故本案最终确定的组合系数为(0.41,0.59)。
指数平滑预测和SARIMA模型预测的两个权系数的判别标准:预测值与其对应真实值差的平方和最小。
组合预测值与第29日真实值对比图如图8所示:
本能耗预测既可以有针对性地预测某个设备间隔一小时的之后一天的数据,也可以根据需要预测周、月、年的能源消耗情况(数据需针对预测的不同单位进行整理,常应用均值)。通过此预测结果既可以了解某设备正常运行情况下能源的消耗情况,也可以根据预测结果与实际数据进行比较分析,为判别设备的异常以及优化设备节省能源提供依据。
本发明弥补了当前对于传统的能耗预测一般以年为计算单位,即使是近期的能源预测,预测周期也为五至十年。且应用的预测方法也主要包括弹性系数法、投入产出法、回归分析法这种较传统的预测方法。
实施例二
本实施例提供了一种基于三参数指数平滑的能耗预测系统,包括:
历史能耗数据获取模块,其用于获取设备历史时间段内的能耗数据;
能耗数据拟合模块,其用于将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
能耗预测模块,其用于将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
需要说明的是,本实施例的基于三参数指数平滑的能耗预测系统中的各个模块,与实施例一中的基于三参数指数平滑的能耗预测方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种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如上述所述的基于三参数指数平滑的能耗预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于三参数指数平滑的能耗预测方法中的步骤。
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,本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
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。
Claims (10)
1.一种基于三参数指数平滑的能耗预测方法,其特征在于,包括:
获取设备历史时间段内的能耗数据;
将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
2.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,所述具有季节性的指数平滑加法模型的平滑系数与能耗数据波动呈正相关。
3.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,当能耗数据的时间序列呈稳定的水平趋势时,平滑系数的取值范围为0.05-0.20。
4.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,当能耗数据的时间序列有波动,但在自定义的长期时间段内趋势变化幅度小于设定幅度阈值,则平滑系数的取值范围为0.1-0.4。
5.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,当能耗数据的时间序列有波动且波动超过设定波动阈值,但在自定义的长期时间段内趋势变化幅度也超过设定幅度阈值,则平滑系数的取值范围为0.6-0.8。
6.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,所述具有季节性的指数平滑加法模型为Holt-Winters三参数指数平滑加法模型。
7.如权利要求1所述的基于三参数指数平滑的能耗预测方法,其特征在于,应用SAS进行季节性求和自回归移动平均模型的拟合和预测。
8.一种基于三参数指数平滑的能耗预测系统,其特征在于,包括:
历史能耗数据获取模块,其用于获取设备历史时间段内的能耗数据;
能耗数据拟合模块,其用于将获取的能耗数据分别进行利用具有季节性的指数平滑加法模型和季节性求和自回归移动平均模型进行拟合;
能耗预测模块,其用于将上述两个模型的拟合结果与设定加权值进行加权求和,得到设备的能耗预测值;其中,两个模型的拟合结果的加权值之和等于1。
9.一种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中任一项所述的基于三参数指数平滑的能耗预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理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中任一项所述的基于三参数指数平滑的能耗预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371517.1A CN113033906A (zh) | 2021-04-07 | 2021-04-07 | 基于三参数指数平滑的能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371517.1A CN113033906A (zh) | 2021-04-07 | 2021-04-07 | 基于三参数指数平滑的能耗预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033906A true CN113033906A (zh) | 2021-06-25 |
Family
ID=76453889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371517.1A Pending CN113033906A (zh) | 2021-04-07 | 2021-04-07 | 基于三参数指数平滑的能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033906A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835626A (zh) * | 2021-09-02 | 2021-12-24 | 深圳前海微众银行股份有限公司 | 一种确定磁盘可使用时长的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160927A1 (en) * | 2009-12-30 | 2011-06-30 | Wilson Kevin W | Method for Prediction for Nonlinear Seasonal Time Series |
CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
-
2021
- 2021-04-07 CN CN202110371517.1A patent/CN113033906A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160927A1 (en) * | 2009-12-30 | 2011-06-30 | Wilson Kevin W | Method for Prediction for Nonlinear Seasonal Time Series |
CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
CN112105048A (zh) * | 2020-07-27 | 2020-12-18 | 北京邮电大学 | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 |
Non-Patent Citations (2)
Title |
---|
QQ徐: "spss三次指数平滑_指数平滑法模型理论概述", 《CSDN》 * |
王晨霖: "基于智能家电的短期电力负荷预测与削峰填谷优化", 《浙江大学学报(工学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835626A (zh) * | 2021-09-02 | 2021-12-24 | 深圳前海微众银行股份有限公司 | 一种确定磁盘可使用时长的方法及装置 |
CN113835626B (zh) * | 2021-09-02 | 2024-04-05 | 深圳前海微众银行股份有限公司 | 一种确定磁盘可使用时长的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN111679952A (zh) | 告警阈值生成方法及装置 | |
JP2006522410A (ja) | 予防保守手順の統計解析および制御 | |
CN111026738A (zh) | 区域人口监控方法、系统、电子设备及存储介质 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN113033906A (zh) | 基于三参数指数平滑的能耗预测方法及系统 | |
CN104408525B (zh) | 作业车间调度风险的量化评估与控制方法 | |
CN113835626B (zh) | 一种确定磁盘可使用时长的方法及装置 | |
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
CN115713267A (zh) | 一种考虑地区和行业的综合碳排放分析方法 | |
CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN115081943B (zh) | 基于产品难度的员工劳动强度计算方法及相关装置 | |
CN114154848B (zh) | 一种终端设备供电动态风险评估方法、系统、设备及介质 | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 | |
CN111400284B (zh) | 一种基于性能数据建立动态异常探测模型的方法 | |
CN114936683A (zh) | 电网母线负荷分析与预测考核管理方法、装置及系统 | |
CN117371662A (zh) | 一种虚拟电厂调节能力的评估系统及其方法 | |
CN117829374A (zh) | 一种钢铁企业耗电量的预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |