CN113505847B - 一种基于迁移学习的节能量在线量测系统及方法 - Google Patents
一种基于迁移学习的节能量在线量测系统及方法 Download PDFInfo
- Publication number
- CN113505847B CN113505847B CN202110845788.6A CN202110845788A CN113505847B CN 113505847 B CN113505847 B CN 113505847B CN 202110845788 A CN202110845788 A CN 202110845788A CN 113505847 B CN113505847 B CN 113505847B
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- electric energy
- online
- period
- 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
- 238000013526 transfer learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000006467 substitution reaction Methods 0.000 claims abstract description 119
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000000691 measurement method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005265 energy consumption Methods 0.000 claims description 105
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000208125 Nicotiana Species 0.000 description 22
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 22
- 239000003245 coal Substances 0.000 description 6
- 239000000295 fuel oil Substances 0.000 description 5
- 239000002737 fuel gas Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于迁移学习的节能量在线量测系统及方法,涉及电能替代技术节能量量测领域。节能量在线量测系统包括离线预测模块、在线数据采集模块、在线数据预处理模块和在线节能量计算模块。节能量在线量测方法基于节能量在线量测系统实现,利用迁移学习将离线预测模块中学到的知识应用于在线节能量计算模块,降低在线数据信息存储模块所需的内存需求,提高节能量在线量测运算速度和准确率。本发明可实现电能替代项目调试期节能量的在线精准量测,从而设定合理的电能替代项目参数,有利于电能替代项目的推进。
Description
技术领域
本发明涉及电能替代领域,具体涉及到一种基于迁移学习的节能量在线量测系统及方法。
背景技术
电能替代是在终端能源消费环节,使用电能替代散烧煤、燃油、燃气的消费方式,形成清洁、安全、智能的能源消费方式。电能替代成为能源转型发展的重要趋势和关键路径,对调整能源结构、提高能源效率、推动能源绿色低碳转型、保护生态环境、提升经济社会发展效率作用重大,意义深远。节能量为满足同等需要或达到相同目的的条件下的能源消耗减少量,是评估电能替代项目实施效果的重要指标。
目前的研究成果中,节能量评估算法对电能替代项目中期或结题的离线评估,并不能及时调整不合理的项目参数设置。通过对电能替代技术进行节能量在线量测,可以分析影响电能替代技术的各类因素,并对项目进行调试,获得合理的电能替代技术项目参数设置,有利于电能替代项目的推广。
发明内容
为了解决上述问题,本发明提供一种基于迁移学习的节能量在线量测系统及方法,本方法深度挖掘电能替代技术基期数据和调试期数据的信息,可获取真实可信的在线节能量数据。
为达到以上目的,本发明的技术方案是:
一方面,本发明提供一种基于迁移学习的节能量在线量测系统,包括离线预测模块、在线数据采集模块、在线数据预处理模块和在线节能量计算模块。
所述的离线预测模块包含离线信息存储模块、离线能耗模型预测模块和离线数据聚类模块;离线信息存储电能替代项目基期数据,包含电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素;离线信息预测模块用于获得电能替代项目基期影响因素与能源耗量的映射关系;离线数据聚类模块用于获得电能替代项目基期样本分布信息;
所述的在线数据采集模块包含在线数据信息存储模块,用于存储批量电能替代项目调试期数据,包含电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素;
所述的在线数据预处理模块包含在线数据清理模块和离线数据信息迁移模块;在线数据清理模块对在线样本数据进行初步分析,去除离群值;离线数据信息迁移模块将离线数据聚类模块得到的电能替代项目基期影响因素分布信息进行迁移,设置调试期样本权值;
所述的在线节能量计算模块包含在线能耗模型预测模块和节能量计算模块;在线能耗模型预测模块用于获得电能替代项目调试期影响因素与能源耗量的映射关系;节能量计算模块基于在线能耗模型预测模块和离线能耗模型预测模块,获得标准条件下电能替代项目节能量。
另一方面,本发明提供一种基于迁移学习的节能量在线量测方法,通过一种基于迁移学习的节能量在线量测系统实现,包括如下步骤:
步骤1、获取电能替代项目基期数据;
步骤2、利用机器学习算法获取电能替代项目基期能耗量与各影响因素关系;
步骤3、利用聚类算法将电能替代基期影响因素数据分类,获得电能替代基期影响因素聚类中心和对应聚类样本概率;
步骤4、在线采集电能替代项目调试期第N批次数据;
步骤5、清除电能替代项目调试期第N批次数据中离群量;
步骤6、计算调试期样本影响因素与基期影响因素聚类中心距离,设置调试期样本权重;
步骤7、利用考虑样本权值的机器学习,更新电能替代项目调试期能耗量与各影响因素关系;
步骤8、增加迭代器N值,返回步骤4;
步骤9、获得标准条件下的电能替代节能量数据。
进一步地,电能替代项目基期数据包含电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素,样本容量充足。其中,能源能耗通过耗电量、燃油量、燃气量等进行计算,影响因素可包含生产参数(产量、生产负荷)、天气条件(室外温度、湿度)、工作时间、操作工艺参数(操作温度、照明水平)等;
进一步地,将电能替代项目基期影响因素作为输入,将电能替代项目基期能耗量作为输出,通过机器学习算法,训练出电能替代项目基期能耗预测模型;
进一步地,给定聚类数k,利用k均值聚类算法,将电能替代项目基期样本按影响因素划分为k类,并得到相应聚类中心和聚类样本概率;
进一步地,通过电能替代项目在线数据采集模块获取得到的数据包含电能替代项目改进调试过程中的能源耗量和可以量化的影响用能单位能源绩效的影响因素,样本容量较小。其中,能源耗量通过耗电量、燃油量、燃气量等进行计算,影响因素数据维度与电能替代基期影响因素数据维度相同,分布相近;
进一步地,根据拉依达准则,对能源耗量数据做初步清洗,去除离群量,即当能源耗量数据分布超出3σ范围,则去除该组数据;
进一步地,计算调试期样本影响因素与基期影响因素各聚类中心距离,调试期样本距离最近的聚类样本概率为该调试期样本权值;
进一步地,将电能替代项目影响因素作为输入,将电能替代项目调试期能耗量作为输出,通过考虑样本权值的机器学习算法,训练出电能替代项目调试期能耗预测模型;
进一步地,迭代器N值增加1;
进一步地,确定标准影响因素取值,根据电能替代项目基期能耗预测模型得到标准影响因素条件下电能替代项目基期能耗量,根据电能替代项目调试期能耗预测模型得到标准影响因素条件下电能替代项目调试期能耗量,两者相减获得标准条件下节能量数据。
本发明与现有技术相比,其有益效果在于:
本发明提出了基于迁移学习的通用性节能量在线量测系统及方法,针对不同技术领域的电能替代项目,均可在电能替代项目调试期进行节能量的精准量测,设立合理的电能替代技术参数,有利于电能替代项目的推广;
基期影响因素与调试期影响因素存在一定关联,且基期样本容量远大于批量获得的调试期样本容量。利用迁移学习将离线预测模块中学到的知识和特征应用于在线能耗模型预测模块,降低在线数据信息存储模块所需的内存需求,并提高节能量在线量测运算速度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于迁移学习的节能量在线量测系统结构框图;
图2是本发明实施例的一种基于迁移学习的节能量在线量测方法的流程图;
图3是本发明实施例的离线数据信息迁移模块原理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。本发明可针对不同技术领域的电能替代项目,本实施例阐述本发明在烟叶复烤行业的电能替代项目的节能量测量的应用。烟叶复烤是烟农初烤烟基础上进行第二次烟叶水分调整,有利于使烟叶与烟梗分离得更彻底,提高卷烟质量,有利于长期储存。烟叶复烤企业配备有蒸汽锅炉、引风机、鼓风机、电动给水泵等装置。因此,烟叶复烤行业可通过“替换燃油蒸汽锅炉、燃气蒸汽锅炉为电蒸汽锅炉”实施电能替代。
本实施例的方法如下所述。
一方面,一种基于迁移学习的烟叶复烤行业节能量在线量测系统,如图1所示,包括离线预测模块、在线数据采集模块、在线数据预处理模块和在线节能量计算模块。
所述的离线预测模块包含离线信息存储模块、离线能耗模型预测模块和离线数据聚类模块;离线信息存储电能替代项目基期数据,包含电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素;离线信息预测模块用于获得电能替代项目基期影响因素与能源耗量的映射关系;离线数据聚类模块用于获得电能替代项目基期样本分布信息;
所述的在线数据采集模块包含在线数据信息存储模块,用于存储批量电能替代项目调试期数据,包含电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素;
所述的在线数据预处理模块包含在线数据清理模块和离线数据信息迁移模块;在线数据清理模块对在线样本数据进行初步分析,去除离群值;离线数据信息迁移模块将离线数据聚类模块得到的电能替代项目基期影响因素分布信息进行迁移,设置调试期样本权值;
所述的在线节能量计算模块包含在线能耗模型预测模块和节能量计算模块;在线能耗模型预测模块基于离线数据信息迁移模块,获得电能替代项目调试期影响因素与能源耗量的映射关系;节能量计算模块基于在线能耗模型预测模块和离线能耗模型预测模块,获得标准条件下电能替代项目节能量。
另一方面,一种基于迁移学习的烟叶复烤行业电能替代项目节能量在线量测方法,通过一种基于迁移学习的烟叶复烤电能替代节能量在线量测系统实现,如图2所示,包括如下步骤:
步骤1、获取电能替代项目基期数据;
烟叶复烤企业电能替代项目基期数据包含电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响烟叶复烤企业能源效绩的影响因素,基期样本容量充足。其中,烟叶复烤企业的用能主要是煤、电和燃油,获取电能替代项目改进措施实施前的一段时间各类能源耗量,将各类能源耗量与相对应的折算标准煤系数相乘后相加,获得电能替代项目基期能源耗量,如式所示。
式中,Ebase为电能替代项目基期的折算标准煤消耗量;j为第j类能源;Qbase,j为第j类能源基期消耗量;λj为第j类能源与标准煤当量折算系数。烟叶复烤企业电能替代项目影响因素可包含生产因素(产量x1、生产负荷x2)、天气条件(室内温度x3、空气湿度x4)等。
步骤2、利用机器学习算法获取电能替代项目基期能耗量与各影响因素关系;
将烟叶复烤企业电能替代项目基期样本影响因素作为输入,将电能替代项目基期样本能耗量作为输出,通过机器学习算法,训练出电能替代项目基期能耗预测模型,如式所示。
Ebase=fbase(x1,x2,x3,x4) (2)
式中,fbase为烟叶复烤企业电能替代项目基期能耗与影响因素函数映射。
步骤3、利用聚类算法将电能替代基期影响因素数据分类;
给定聚类数k,利用k均值聚类算法,将电能替代项目基期样本按影响因素划分为k类,并得到各聚类中心和聚类样本概率。
步骤4、在线采集电能替代项目调试期第N批次数据;
烟叶复烤企业电能替代项目在线数据采集模块获取得到的数据包含电能替代项目改进调试过程中能源耗量和可以量化的影响用能单位能源绩效的影响因素,样本容量较小。其中,能源耗量通过耗电量、燃油量、燃气量等进行计算,如式所示。
式中,Edebug为电能替代项目调试期的折算标准煤消耗量;Qdebug,j为第j类能源基期消耗量;影响因素数据维度与电能替代基期影响因素数据维度相同,分布相近。
步骤5、清除电能替代项目调试期第N批次数据中离群量;
根据拉依达准则,对能源耗量数据做初步清洗,去除离群量,即计算能源耗量的平均数和标准差,某个调试期样本数据满足式的其中一个条件,则去除该组数据。
步骤6、计算调试期样本影响因素与基期影响因素聚类中心距离,设置调试期样本权重;
调试期样本权值设置原理如图3所示,调试期样本容量远小于基期样本容量,而基期影响因素与调试期影响因素分布相近,可将离线模块中基期样本分布知识迁移至在线模块中调试期能耗模型搭建。调试期样本距离最近的聚类样本概率为该调试期样本的样本权值。以欧式距离为例,调试期样本影响因素与基期影响因素各聚类中心距离的计算公式如式所示。
式中,Xbase,m为电能替代项目基期样本第m个聚类中心的影响因素,Xdebug,t为电能替代项目调试期第t个样本的影响因素数据;d(Xbase,m,Xdebug,t)为调试期样本影响因素与基期影响因素第m个聚类中心的距离。
步骤7、利用考虑样本权值的机器学习,更新电能替代项目调试期能耗量与各影响因素关系;
将烟叶复烤企业电能替代项目调试期样本影响因素作为输入,将电能替代项目调试期样本能耗量作为输出,通过考虑样本权值的机器学习算法,训练出电能替代项目调试期能耗预测模型,如式所示。
Edebug=fdebug(x1,x2,x3,x4) (7)
式中,fdebug为烟叶复烤企业电能替代项目调试期能耗与影响因素函数映射。其中,当N值为1时,机器学习算法参数初值设置取基期能耗预测模型的机器学习算法参数;当N值大于1时,机器学习算法参数初值设置为第N-1批次数据能耗预测模型的机器学习算法参数。
步骤8、增加迭代器N值,返回步骤4;
迭代器N值增加1;
步骤9、获得标准条件下的电能替代节能量数据;
确定标准影响因素取值,根据电能替代项目基期能耗预测模型得到标准影响因素条件下电能替代项目基期能耗量,根据电能替代项目调试期能耗预测模型得到标准影响因素条件下电能替代项目调试期能耗量,两者相减获得标准条件下节能量数据,如式所示。
式中,Esave为标准条件下烟叶复烤企业电能替代项目调试期节能量。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于迁移学习的节能量在线量测系统,其特征在于,所述种基于迁移学习的节能量在线量测系统包括:离线预测模块、在线数据采集模块、在线数据预处理模块和在线节能量计算模块;
所述离线预测模块包括离线信息存储模块、离线能耗模型预测模块以及离线数据聚类模块;所述离线信息存储模块被配置为存储电能替代项目基期数据,所述基期数据包括改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素;所述离线能耗模型预测模块被配置为获取电能替代项目基期影响因素与能源耗量的映射关系;所述离线数据聚类模块被配置为获取电能替代项目基期数据分布信息;
所述在线数据采集模块包括在线数据信息存储模块;所述在线数据信息存储模块被配置为存储批量电能替代项目调试期数据,所述调试期数据包括电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素;
所述在线数据预处理模块包括在线数据清理模块以及离线数据信息迁移模块;所述在线数据清理模块被配置为对在线样本数据进行初步分析并去除离群值;所述离线数据信息迁移模块被配置为将所述离线数据聚类模块得到的电能替代项目基期影响因素分布信息进行迁移,设置调试期数据权值;
所述在线节能量计算模块包括在线能耗模型预测模块和节能量计算模块;所述在线能耗模型预测模块被配置为获取电能替代项目调试期影响因素与能源耗量的映射关系;所述节能量计算模块被配置为获取标准条件下电能替代项目节能量。
2.一种应用于权利要求1所述系统的一种基于迁移学习的节能量在线量测方法,其特征在于,所述方法包括:
获取电能替代项目基期数据,所述基期数据包括改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素;
利用机器学习算法获取所述电能替代项目基期能耗量与各影响因素关系;
利用聚类算法将电能替代基期影响因素数据分类;
获得电能替代基期影响因素聚类中心和对应聚类样本概率;
获取电能替代项目调试期数据,所述调试期数据包括电能替代项目调试期能源耗量和可以量化的影响用能单位能源绩效的影响因素;
在线采集电能替代项目调试期第N批次数据;
清除所述电能替代项目调试期第N批次数据中离群量;
计算调试期数据影响因素与基期影响因素聚类中心距离,设置调试期数据权重;
利用考虑样本权值的机器学习,更新电能替代项目调试期能耗量与各影响因素关系;
增加迭代器N值,在线采集电能替代项目调试期第N批次数据;
获得标准条件下的电能替代节能量数据。
3.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述获取的电能替代项目基期数据包括:
电能替代项目改进措施实施前的一段时间能源耗量和可以量化的影响用能单位能源绩效的影响因素。
4.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述利用机器学习算法获取所述电能替代项目基期能耗量与各影响因素关系包括:
建立电能替代项目基期能耗预测模型,输入端为电能替代项目基期影响因素,输出端为电能替代项目基期能耗量作。
5.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述利用聚类算法将电能替代基期影响因素数据分类包括:
设定聚类数k,利用k均值聚类算法,将电能替代项目基期数据按影响因素划分为k类,并得到相应聚类中心和聚类样本概率。
6.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述在线采集电能替代项目调试期第N批次数据包括:
获取的调试期第N批次数据包含电能替代项目改进调试过程中的能源耗量和可以量化的影响用能单位能源绩效的影响因素。
7.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述清除电能替代项目调试期第N批次数据中离群量包括,对能源耗量数据做初步清洗,去除离群量。
8.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述计算调试期数据影响因素与基期影响因素各聚类中心距离包括,调试期数据距离最近的聚类样本概率为该调试期数据权值。
9.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述利用考虑样本权值的机器学习,更新电能替代项目调试期能耗量与各影响因素关系包括:
建立电能替代项目调试期能耗预测模型,输入端为电能替代项目影响因素,输出端为电能替代项目调试期能耗量。
10.根据权利要求2所述的一种基于迁移学习的节能量在线量测方法,其特征在于,所述获得标准条件下的电能替代节能量数据包括,确定标准影响因素取值,根据电能替代项目基期能耗预测模型得到标准影响因素条件下电能替代项目基期能耗量,根据电能替代项目调试期能耗预测模型得到标准影响因素条件下电能替代项目调试期能耗量,两者相减获得标准条件下节能量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845788.6A CN113505847B (zh) | 2021-07-26 | 2021-07-26 | 一种基于迁移学习的节能量在线量测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845788.6A CN113505847B (zh) | 2021-07-26 | 2021-07-26 | 一种基于迁移学习的节能量在线量测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505847A CN113505847A (zh) | 2021-10-15 |
CN113505847B true CN113505847B (zh) | 2023-04-14 |
Family
ID=78014594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845788.6A Active CN113505847B (zh) | 2021-07-26 | 2021-07-26 | 一种基于迁移学习的节能量在线量测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505847B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN108898267A (zh) * | 2018-05-08 | 2018-11-27 | 国网山东省电力公司青岛供电公司 | 基于图像识别的电能替代推广系统及方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN110322283A (zh) * | 2019-06-12 | 2019-10-11 | 国网山东省电力公司济宁供电公司 | 基于高斯回归组合预测模型的电能替代方案预测方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10739741B2 (en) * | 2009-06-22 | 2020-08-11 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
CN102914706B (zh) * | 2012-07-20 | 2015-11-11 | 中国电力科学研究院 | 一种配电变压器更换的节能量测量与验证方法 |
CN103018584B (zh) * | 2012-11-05 | 2015-04-01 | 中国电力科学研究院 | 一种用于电力升压改造节约电力及电量的测量与验证方法 |
CN105701716A (zh) * | 2014-11-28 | 2016-06-22 | 国家电网公司 | 基于用户用电数据的能效分析方法 |
CN106651005B (zh) * | 2016-11-18 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 基线负荷预测方法及装置 |
CN107644297B (zh) * | 2017-09-28 | 2020-09-29 | 中国标准化研究院 | 一种电机系统节能量计算和验证方法 |
CN108009748B (zh) * | 2017-12-22 | 2021-11-12 | 东南大学 | 一种电能替代项目节能减排效果评价方法 |
CN110309949A (zh) * | 2019-05-14 | 2019-10-08 | 中国电力科学研究院有限公司 | 一种区域电能替代潜力预测方法及系统 |
CN111199339A (zh) * | 2019-12-19 | 2020-05-26 | 中国电力科学研究院有限公司 | 一种用户节能量确定方法及装置 |
CN111123039B (zh) * | 2019-12-31 | 2021-12-10 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
-
2021
- 2021-07-26 CN CN202110845788.6A patent/CN113505847B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292508A (zh) * | 2017-06-16 | 2017-10-24 | 北京中电普华信息技术有限公司 | 一种电能替代潜力的分析预测方法及系统 |
CN108898267A (zh) * | 2018-05-08 | 2018-11-27 | 国网山东省电力公司青岛供电公司 | 基于图像识别的电能替代推广系统及方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN110322283A (zh) * | 2019-06-12 | 2019-10-11 | 国网山东省电力公司济宁供电公司 | 基于高斯回归组合预测模型的电能替代方案预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113505847A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740648B (zh) | 电力负荷异常数据识别方法、装置和计算机设备 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN116887569A (zh) | 一种数据中心能耗预测和节能调节方法、系统及存储介质 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN113505847B (zh) | 一种基于迁移学习的节能量在线量测系统及方法 | |
CN111950165B (zh) | 典型环境下的电能表可靠性分析方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN110889495B (zh) | 一种基于能动参数的制丝设备状态维护分析方法 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN110991723A (zh) | 一种人工智能在季节性负荷预测中的应用方法 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |