CN113887832A - 楼宇负荷预测方法、装置、设备及介质 - Google Patents
楼宇负荷预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113887832A CN113887832A CN202111262932.XA CN202111262932A CN113887832A CN 113887832 A CN113887832 A CN 113887832A CN 202111262932 A CN202111262932 A CN 202111262932A CN 113887832 A CN113887832 A CN 113887832A
- Authority
- CN
- China
- Prior art keywords
- scene
- building
- probability density
- load prediction
- density function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 114
- 230000005611 electricity Effects 0.000 claims description 73
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 239000002609 medium Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了楼宇负荷预测方法、装置、设备及介质。该方法包括:确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据;根据用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到场景信息对应的目标高斯分布概率密度函数;确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数;将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果。通过采用上述方案,通过确定当前楼宇的场景信息,考虑到了用户用电数据的不同特征,从而达到当前楼宇的负荷预测更快速,预测结果更精准的技术效果。
Description
技术领域
本发明实施例涉及电力工程技术领域,尤其涉及楼宇负荷预测方法、装置、设备及介质。
背景技术
随着我国“碳达峰”和“碳中和”目标的提出,智慧大厦、低碳楼宇等技术越来越受到楼宇投资方和综合能源服务商的广泛关注。为了充分对楼宇能量进行有效管理,提高楼宇微网系统运行效率,需要对楼宇的负荷进行预测,为楼宇能量高效管理及低碳运行提供基础数据参考。
一般影响楼宇负荷的因素有多种,例如时间段、室外温度、耗电量以及人流量等,现有技术中采用时间序列分析法、多元回归分析法或人工神经网络等方案基于上述因素实现对楼宇负荷的预测。
使用现有方案进行预测时,考虑因素不全面,存在负荷预测不准确的问题。
发明内容
本发明实施例提供了一种楼宇负荷预测方法、装置、设备及介质,可以优化现有的对楼宇负荷进行预测的实现方案。
第一方面,本发明实施例提供了一种楼宇负荷预测方法,包括:
确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
第二方面,本发明实施例提供了一种楼宇负荷预测装置,包括:
场景确定模块,用于确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
曲线拟合模块,用于根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
参数确定模块,用于确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
负荷预测模块,用于将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
第三方面,本发明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计算机程序时实现如本发明实施例提供的楼宇负荷预测方法。
第四方面,本发明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本发明实施例提供的楼宇负荷预测方法。
本发明实施例中提供的楼宇负荷预测方案,首先确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据;并根据用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到场景信息对应的目标高斯分布概率密度函数;再确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数;最后将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果。通过采用上述技术方案,根据楼宇的不同场景信息,获取不同的用户用电数据,考虑到了用户用电行为特性。进一步对不同的用户用电数据进行高斯拟合使得表现出用户用电行为特性,再使用蒙特卡洛算法结合不同场景特征参数进行模拟,可以达到对当前楼宇的负荷预测更快速,预测结果更精准的技术效果。
附图说明
图1为本发明实施例一提供的一种楼宇负荷预测方法的流程示意图;
图2为本发明实施例二提供的一种楼宇负荷预测方法的流程示意图;
图3为本发明实施例三提供的一种楼宇负荷预测装置的结构框图;
图4为本发明实施例四提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例提供的一种楼宇负荷预测实现方法的流程示意图,该方法可以由楼宇负荷预测装置执行,以对楼宇负荷进行预测,其中该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中。如图1所示,该方法包括:
S110、确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据。
上述楼宇的场景信息可以根据当前楼宇的用途不同分为:办公场景和/或住宅场景。容易理解到,当楼宇的使用场景不同时,其对应的用户用电数据也不相同。
示例性的,在办公场景楼宇中,用户用电数据可以为空调用电、照明用电以及电脑用电等;在住宅场景楼宇中,用户用电数据可以为家用电器用电等;在具备办公场景和住宅场景的楼宇中,用户用电数据可以为空调用电、照明用电、电脑用电以及家用电器用电等。
因此,在按照场景信息获取当前楼宇的用户用电数据时,可通过智能采集终端或智能感应器对不同场景信息下的用户插座的用电数据进行智能化采集。示例性的,智能采集终端或智能感应器的可采集当前楼宇中每个房间内,每日用电器接入该插座开始用电的时间、停止用电的时间、用电时段内用电量以及用电时段内平均功率等用电数据。
可选地,上述智能采集终端或智能感应器可具备数据信息上传的功能模块,可以将获取的用户用电数据上传至服务器端,并储存至当前楼宇的场景信息对应的数据库中,该数据库中的数据可表明当前楼宇场景下的用户用电的行为数据。这样做的好处在于,通过统计当前楼宇场景信息下的用户实际用电数据,在后续基于用户实际用电数据进行分析时,可以提高楼宇负荷的预测精度。
进一步地,可对数据库中的数据进行预处理,即剔除无效和明显出现错误的用户用电数据,例如,所采集的数据为空,或者明显超过正常范围的数据。并进一步对预处理后的用户用电数据进行统计分析,可以将用户用电数据按照不同的实际需求进行汇总统计。示例性的,可以汇总获得一天内不同时间分段接入插座进行用电的电器个数、在各时间分段接入电器所占比例以及单个插座一天内接入电器的次数等。
S120、根据用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到场景信息对应的目标高斯分布概率密度函数。
本发明实施例可以将预测一天内不同时间分段接入插座的负荷功率问题抽象为概率问题,可以通过根据当前楼宇对应场景信息内不同时间段接入插座的功率实现对当前楼宇负荷的预测,因此可使用高斯分布概率密度函数对相关参数进行拟合。
其中,初始高斯分布概率密度函数表示包含有待定参数的高斯分布概率密度函数,通过使用预设方法对用户用电数据进行计算,可获得与初始高斯分布概率密度函数有关的待定参数的数值,示例性的,预设方法可以为非线性最小二乘法或最小二乘法,具体预设方法在此不作限制,只要能够计算出高斯分布概率密度函数的待定参数即可。
将计算的待定参数代入至高斯分布概率密度函数中,即可得初始高斯分布概率密度函数,进一步通过用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,拟合方式可以为,通过确定初始高斯分布概率密度函数的相关数值,获得场景信息对应的目标高斯分布概率密度函数,并判断当前目标高斯分布概率密度函数对应的数值与实际值是否接近,若不接近,则继续拟合,直至所得的目标高斯分布概率密度函数的数值满足预设精度要求,则表明当前场景信息对应的目标高斯分布概率密度函数拟合完成。
其中,上述初始高斯分布概率密度函数的相关数值可以为,拟合段数以及拟合精度阈值等。
S130、确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数。
蒙特卡洛(Monte Carlo)模拟算法是一种通过设定随机过程,反复生成时间序列,计算相关参数的估计量和统计量,进而研究对象分布特征的算法。其原理可以理解为,当研究对象本身具有概率特征时,可以用计算机模拟的方法产生抽样结果,根据抽样计算统计量或者参数的值,随着模拟次数的增多,可以通过对各次统计量或参数的估计值求平均值的方法得到稳定的结论。
其中,蒙特卡洛模拟算法的算法参数可以包括:蒙特卡洛模拟仿真次数,仿真的日内时段数,仿真间隔和仿真时段数。
优选地,蒙特卡洛模拟仿真次数,可以为大于100次小于500次;仿真的日内时段数,默认选取1440个点,即时间间隔为1分钟(min);仿真时段数与时间间隔具有如下关系:
上式中,T表示仿真时段数,Tstep表示仿真时间间隔,单位为min。
需要说明的是,以上蒙特卡洛模拟算法的算法参数需要根据当前楼宇的场景信息的具体需求而设定的,不以上述举例为限制。
进一步地,楼宇的场景特征参数可以根据当前楼宇的场景信息的不同而不同,示例性的,若当前楼宇的场景信息为办公场景和/或住宅场景时,则其对应的特征参数可以为:办公区域和/或住宅区域插座个数、办公区域和/或住宅区域用电负荷功率均值及方差、楼宇外界温度范围以及楼宇内部舒适度设定温度范围等。设置楼宇的场景特征参数的好处在于,可以通过不同场景的特征参数有效的体现出当前楼宇的场景信息中各类电器的用电行为。
需要说明的是,本发明实施例提供的楼宇负荷预测方法,当前楼宇的场景特征参数所包含的具体内容不以上述具体为限制,具体以研究人员的实际需求为准。
S140、将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果。
根据步骤S120得到场景信息对应的目标高斯分布概率密度函数,根据步骤S130确定蒙特卡洛模拟算法的算法参数,以及获得当前楼宇的场景特征参数,从而可将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中,执行蒙特卡洛模拟算法进行模拟,从而获得当前楼宇的负荷预测结果。
由于本发明实施例提供的楼宇的负荷预测方法,依据输入的场景特征参数,预测当前楼宇用电器接入插座的情况,其预测结果可以包括何时接入用电设备以及当前时段接入用电设备的功率等信息,则可高效快速地得到关于考虑了用户用电行为的当前楼宇的负荷预测结果。
本发明实施例提供的楼宇负荷预测方法,首先确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据;并根据用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到场景信息对应的目标高斯分布概率密度函数;再确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数;最后将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果。通过采用上述技术方案,根据楼宇的不同场景信息,获取不同的用户用电数据,考虑到了用户用电行为特性。进一步对不同的用户用电数据进行高斯拟合使得表现出用户用电行为特性,再使用蒙特卡洛算法结合不同场景特征参数进行模拟,可以达到对当前楼宇的负荷预测更快速,预测结果更精准的技术效果。
实施例二
本发明实施例在上述实施例的基础上进行了进一步优化,优化了所述在所述根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合之前,还包括:利用非线性最小二乘法对所述用户用电数据进行计算,获得待定参数;将所述待定参数代入预设概率密度函数,得到所述初始高斯分布概率密度函数。
还优化了所述获得所述当前楼宇的负荷预测结果步骤,包括:根据所述用户用电数据对用户用电的时间分段,得到多个时间分段;依据所述多个时间分段,将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行分段模拟,获得所述当前楼宇对应的日负荷预测曲线;当每个所述时间分段的模拟次数到达预设阈值,汇总所述当前楼宇对应的日负荷预测曲线,获得所述当前楼宇的日负荷预测结果。
如图2所示,图2为本发明实施例二提供的一种楼宇负荷预测方法的流程示意图,具体的,该方法包括如下步骤:
S210、确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据。
S220、利用非线性最小二乘法对用户用电数据进行计算,获得待定参数。
非线性最小二乘法是以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。
其中,在获得待定参数之前需要基于采集的相应时间段的实际用户用电数据进行分析,示例性的,如下表1和表2所示:
表1:相应时间段接入插座的办公用电器的次数及各时段所占比例
表2:相应时间段接入插座的住宅用电器的次数及各时段所占比例
时间段 | 接入数 | 所占比例 | 时间段 | 接入数 | 所占比例 |
0:00-1:00 | 66 | 0.033 | 12:00-13:00 | 76 | 0.038 |
1:00-2:00 | 61 | 0.031 | 13:00-14:00 | 72 | 0.036 |
2:00-3:00 | 53 | 0.026 | 14:00-15:00 | 108 | 0.054 |
3:00-4:00 | 55 | 0.028 | 15:00-16:00 | 141 | 0.071 |
4:00-5:00 | 54 | 0.027 | 16:00-17:00 | 118 | 0.059 |
5:00-6:00 | 53 | 0.026 | 17:00-18:00 | 118 | 0.059 |
6:00-7:00 | 54 | 0.027 | 18:00-19:00 | 103 | 0.051 |
7:00-8:00 | 56 | 0.028 | 19:00-20:00 | 73 | 0.037 |
8:00-9:00 | 81 | 0.040 | 20:00-21:00 | 92 | 0.046 |
9:00-10:00 | 120 | 0.060 | 21:00-22:00 | 75 | 0.038 |
10:00-11:00 | 107 | 0.053 | 22:00-23:00 | 76 | 0.038 |
11:00-12:00 | 117 | 0.058 | 23:00-24:00 | 72 | 0.036 |
上述表格中的“接入数”表示当前时间段的电器接入数量,“所占比例”表示当前时间段接入电器数量占一日内接入总电气数量比例。
从而可依据以上表1和表2的实测用户用电数据,利用非线性最小二乘法可以求解出概率密度函数所包含的待定参数。
S230、将待定参数代入预设概率密度函数,得到初始高斯分布概率密度函数。
预设概率密度函数可以为高斯分布概率密度函数相关的表达式,可表示如下:
上式中,an、bn、cn为初始高斯分布概率密度函数的待定参数,k表示拟合段数,n表示待定参数所属阶数。
根据非线性最小二乘法求解出待定参数an、bn、cn后,将所求解的待定参数代入至公式(2)中,可获得初始高斯分布概率密度函数。
上述公式(2)表示离散状态下的高斯分布概率密度函数,假设观测数据(ti,yi)满足高斯分布,则可用如下公式表示连续状态下的高斯分布概率密度函数:
上式中i表示变量,t表示时间段,y表示连续状态下的高斯分布概率密度函数值。
S240、将拟合参数输入初始高斯分布概率密度函数中,得到目标高斯分布概率密度函数,并计算目标高斯分布概率密度函数对应的拟合结果。
其中,拟合参数包括:待定参数对应的拟合段数和拟合精度阈值。
待定参数对应的拟合段数可以理解为:根据公式(2)可知,待定参数an、bn、cn与拟合段数k有关。即,当k=1时,需确定待定参数a1、b1、c1;当k=2时,需确定待定参数a1、b1、c1、a2、b2以及c2等,以此类推。
拟合段数可以包括:最小高斯拟合段数Kmin和最大高斯拟合段数Kmax;所述拟合精度阈值可以包括:停止拟合精度阈值ε1和停止拟合精度提升阈值ε2,其中,ε1和ε2满足关系式ε1+ε2=1。
示例性的,拟合参数对应的取值可以如下:最小高斯拟合段数Kmin=1;最大高斯拟合段数Kmax=3;停止拟合精度阈值ε1=99.9%;停止拟合精度提升阈值ε2=0.01%。其中,各个拟合参数的取值不以上述举例为限制,具体以研究人员的实际需求为准。
更进一步地,初始化拟合段数,即k=Kmin,将拟合参数输入初始高斯分布概率密度函数中,从而可获得目标高斯分布概率密度函数。则目标高斯分布概率密度函数为将拟合参数及待定参数代入至公式(2)中后得到的数值,当前数值表示当前拟合段数对应的拟合结果。
进一步地,可评估当前拟合结果的精度,若精度满足预设阈值,则输出当前K值。
一种可选实施例,本发明实施例提供的楼宇负荷预测方法,还包括:
a)计算拟合段数对应的拟合结果的确定系数。
选择确定系数(R-square)对数据拟合的精度进行评估。其可用如下表达式表示:
b)判断确定系数是否满足拟合精度阈值。
R-square系数的正常取值范围为[0,1],数值越接近1,表明所拟合的模型精度越高,拟合效果越好。即通过公式(4)-公式(5)计算确定系数是否大于等于停止拟合精度阈值ε1,或小于等于停止拟合精度提升阈值ε2。若是,执行步骤c);若否,执行步骤d)。
c)若确定系数大于或等于拟合精度阈值,则输出拟合段数对应的拟合结果。
若确定系数大于或等于拟合精度阈值,则表明当前目标高斯分布概率密度函数对应的拟合结果较好,满足预设期望,则输出当前拟合结果。
d)若确定系数小于拟合精度阈值,则更新拟合段数和待定参数,并再次进行拟合,直至目标高斯分布概率密度函数的确定系数大于或等于拟合精度阈值时,输出更新后的拟合段数对应的拟合结果。
若确定系数小于拟合精度阈值,即则表明当前目标高斯分布概率密度函数对应的拟合结果不满足预设期望,则更新拟合段数,即令k=k+1或k=k+2,相应待定也需进行更新重新计算,并重复执行步骤S220,直至目标高斯分布概率密度函数的确定系数大于或等于拟合精度阈值时,输出更新后的拟合段数对应的拟合结果。
需要说明的是,当更新拟合段数时,具体k的取值在此不作限制,以研究人员实际需求为准。
S250、确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数。
S260、将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟。
S270、根据用户用电数据对用户用电的时间分段,得到多个时间分段。
根据用户用电数据对用户用电的时间分段可根据每一小时进行一次分段,也可根据智能采集终端或智能感应器获得的接入插座的时间,获得不同间隔的时间分段,具体得到多个时间分段的方式在此不作限制。
需要说明的是,当前时间分段的间隔与一日内的时间分段的数量需与采集数据阶段获得当前楼宇用户实际电器接入的时间分段一致,从而保证在预测当前时间段楼宇负荷时能够进行准确对比。
S280、依据多个时间分段,将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行分段模拟,获得当前楼宇对应的日负荷预测曲线。
相应地,依据多个时间分段可根据插座接入时间分布获得当前楼宇的起始用电时间,根据负荷功率分布获取当前楼宇的负荷功率,从而将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行分段模拟,即从起始仿真时间开始,模拟各个时间分段中插座的用电状态,当前时间段模拟完成后,转入下一个时间分段进行模拟,直至一日内所有的时间分段均模拟完成,可得当前楼宇对应的日负荷预测曲线,当前日负荷预测曲线描述了当前楼宇一日内用电设备的用电情况。
S290、当每个时间分段的模拟次数到达预设阈值,汇总当前楼宇对应的日负荷预测曲线,获得所述当前楼宇的日负荷预测结果。
在每个时间分段每进行一次模拟时,输出当前时间段的负荷预测结果。为使得每个时间分段的模拟结果足够精准,可使得每个时间分段的模拟次数分别达到预设阈值,示例性的,可以为500次,待当前模拟次数达到预设阈值后,对所得的模拟结果计算平均值,则可得当前时间分段的负荷预测结果。
相应地,使用上述方法分别模拟一日内的多个时间分段的负荷预测结果,并将一日内的多个时间分段的一日内的多个时间分段进行汇总统计,从而可得当前楼宇的日负荷预测结果。
通过以上步骤就可以得到考虑用户行为的楼宇负荷预测结果,通过利用该预测结果,能够可有效促进现有智能楼宇进行能量管理,也有助于对规划建设楼宇项目进行前期规划提供负荷预测数据支撑。
一种可选实施例,当前楼宇的场景信息包括办公场景和/或住宅场景,若当前楼宇的场景信息包括办公场景和住宅场景时,用户用电数据包括办公场景的用户用电数据和住宅场景的用户用电数据,目标高斯分布概率密度函数包括办公场景对应的目标高斯分布概率密度函数和住宅场景对应的目标高斯分布概率密度函数,场景特征参数包括办公场景的场景特征参数和住宅场景的场景特征参数。进一步地,将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果,包括:将办公场景的用户用电数据、住宅场景的用户用电数据、办公场景对应的目标高斯分布概率密度函数、住宅场景对应的目标高斯分布概率密度函数、算法参数、办公场景的场景特征参数和住宅场景的场景特征参数输入至蒙特卡洛模拟算法中进行模拟,得到办公场景对应的负荷曲线和住宅场景对应的负荷曲线;将办公场景对应的负荷曲线和住宅场景对应的负荷曲线累加,获得当前楼宇的负荷预测结果。
需要说明的是,当前楼宇的场景信息为办公场景或住宅场景时,目标高斯分布概率密度函数为办公场景或住宅场景对应用户用电数据计算获得的目标高斯分布概率密度函数,则相应获得的负荷预测曲线为办公场景对应的负荷曲线或住宅场景对应的负荷曲线;若当前楼宇的场景信息为办公场景和住宅场景时,目标高斯分布概率密度函数为办公场景和住宅场景对应用户用电数据分别计算获得的目标高斯分布概率密度函数,则相应获得的负荷预测曲线为办公场景对应的负荷曲线和住宅场景对应的负荷曲线,则当前楼宇的负荷预测结果需要将办公场景对应的负荷曲线和住宅场景对应的负荷曲线进行累加。
在上述实施例的基础上,本发明实施例还提供一种可选实施例,当前实施例考虑到了若当前楼宇中包含有大型空调制冷负荷时,本发明实施例提供的楼宇负荷预测方法,在将办公场景对应的负荷曲线和住宅场景对应的负荷曲线累加,获得当前楼宇的负荷预测结果之前,还包括:
统计当前楼宇的用户空调特征参数,构建关于用户空调特征参数的空调负荷模型。将空调负荷模型输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇对应的空调负荷预测曲线。
空调特征参数可以包括:空调台数,空调热熔及热导均值及方差,空调额定功率均值及方差等。
构建关于用户空调特征参数的空调负荷模型的表达式如下:
上式中,Ti和T0分别表示当前楼宇内温度与楼宇外温度,C和K表示楼宇内空调的热熔和热导,t表示时间,Pe表示空调电功率,s表示空调状态,α表示空调能效比。Ph,other表示房间内其他热源的热量。
相应地,将办公场景对应的负荷曲线和住宅场景对应的负荷曲线累加,获得当前楼宇的负荷预测结果,包括:将办公场景对应的负荷曲线、住宅场景对应的负荷曲线和空调负荷预测曲线累加,获得当前楼宇的负荷预测结果。
其中,获得空调负荷预测曲线的过程可以为,将获取的空调特征参数代入上述空调负荷模型,并利用欧拉法(Euler method)求解状态方程表达式,可得到对应的空调负荷曲线。
并将得到的办公负荷曲线和/或住宅负荷曲线以及空调负荷曲线进行累加,得到模拟的一日内累计负荷曲线,并记录当前楼宇负荷曲线预测结果。
本发明实施例提供的楼宇负荷预测方法,利用智能采集终端或智能传感器进行当前楼宇的用户用电数据的海量数据采集,方便快捷。并利用高斯拟合分布表现出当前楼宇对应场景下的用户用电行为特性,综合考虑了用户用电行为特性,具有适用性强以及自行确定最佳拟合参数的优点。最后基于获得的目标高斯分布概率密度函数、算法参数以及场景特征参数,采用蒙特卡洛模拟算法进行模拟,可有效快速的对楼宇负荷进行预测。
实施例三
图3为本发明实施例三提供的一种楼宇负荷预测装置结构框图,该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中,可通过执行楼宇负荷预测方法来实现楼宇负荷的预测。如图3所示,该装置包括:场景确定模块31、曲线拟合模块32、参数确定模块33和负荷预测模块34,其中:
场景确定模块31,用于确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
曲线拟合模块32,用于根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
参数确定模块33,用于确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
负荷预测模块34,用于将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
本发明实施例中提供的楼宇负荷预测装置,首先确定当前楼宇的场景信息,并按照场景信息获取当前楼宇的用户用电数据;并根据用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到场景信息对应的目标高斯分布概率密度函数;再确定蒙特卡洛模拟算法的算法参数,并根据用户用电数据确定当前楼宇的场景特征参数;最后将目标高斯分布概率密度函数、算法参数以及场景特征参数输入至蒙特卡洛模拟算法中进行模拟,获得当前楼宇的负荷预测结果。通过采用上述技术方案,根据楼宇的不同场景信息,获取不同的用户用电数据,考虑到了用户用电行为特性。进一步对不同的用户用电数据进行高斯拟合使得表现出用户用电行为特性,再使用蒙特卡洛算法结合不同场景特征参数进行模拟,可以达到对当前楼宇的负荷预测更快速,预测结果更精准的技术效果。
可选地,所述装置还包括:计算模块和代入模块,其中:
计算模块,用于利用非线性最小二乘法对所述用户用电数据进行计算,获得待定参数;
代入模块,用于将所述待定参数代入预设概率密度函数,得到所述初始高斯分布概率密度函数。
可选地,所述曲线拟合模块32还用于,将拟合参数输入所述初始高斯分布概率密度函数中,得到所述目标高斯分布概率密度函数,并计算所述目标高斯分布概率密度函数对应的拟合结果;其中,其中,所述拟合参数包括:所述待定参数对应的拟合段数和拟合精度阈值。
可选地,所述曲线拟合模块32包括:计算单元、输出单元和拟合单元,其中:
计算单元,用于计算所述拟合段数对应的所述拟合结果的确定系数;
输出单元,用于若所述确定系数大于或等于所述拟合精度阈值,则输出所述拟合段数对应的所述拟合结果;
拟合单元,用于若所述确定系数小于所述拟合精度阈值,则更新所述拟合段数和所述待定参数,并再次进行拟合,直至所述目标高斯分布概率密度函数的确定系数大于或等于所述拟合精度阈值时,输出更新后的拟合段数对应的拟合结果。
可选地,所述当前楼宇的场景信息包括办公场景和/或住宅场景,当所述当前楼宇的场景信息包括所述办公场景和所述住宅场景时,所述用户用电数据包括所述办公场景的用户用电数据和所述住宅场景的用户用电数据,所述目标高斯分布概率密度函数包括所述办公场景对应的目标高斯分布概率密度函数和所述住宅场景对应的目标高斯分布概率密度函数,所述场景特征参数包括所述办公场景的场景特征参数和所述住宅场景的场景特征参数;
所述负荷预测模块包括:模拟单元和负荷预测单元,其中:
模拟单元,用于将所述办公场景的用户用电数据、所述住宅场景的用户用电数据、所述办公场景对应的目标高斯分布概率密度函数、所述住宅场景对应的目标高斯分布概率密度函数、所述算法参数、所述办公场景的场景特征参数和所述住宅场景的场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,得到所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线;
负荷预测单元,用于将所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线累加,获得所述当前楼宇的负荷预测结果。
可选地,所述负荷预测模块还包括:构建单元和模拟单元,其中:
构建单元,用于统计所述当前楼宇的用户空调特征参数,构建关于所述用户空调特征参数的空调负荷模型;
模拟单元,用于将所述空调负荷模型输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇对应的空调负荷预测曲线。
负荷预测单元,还用于将所述办公场景对应的负荷曲线、所述住宅场景对应的负荷曲线和所述空调负荷预测曲线累加,获得所述当前楼宇的负荷预测结果。
可选地,负荷预测模块还包括:时间分段单元和预测曲线获得单元,其中:
时间分段单元,用于根据所述用户用电数据对用户用电的时间分段,得到多个时间分段;
预测曲线获得单元,用于依据所述多个时间分段,将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行分段模拟,获得所述当前楼宇对应的日负荷预测曲线;
负荷预测单元,还用于当每个所述时间分段的模拟次数到达预设阈值,汇总所述当前楼宇对应的日负荷预测曲线,获得所述当前楼宇的日负荷预测结果。
本发明实施例提供的楼宇负荷预测装置,可执行本发明任意实施例所提供的楼宇负荷预测方法,具备执行该方法相应的功能模块和有益效果。
实施例四
本发明实施例提供了一种计算机设备,该计算机设备中可集成本发明实施例提供的楼宇负荷预测装置。图4为本发明实施例提供的一种计算机设备的结构框图。计算机设备400可以包括:存储器401,处理器402及存储在存储器401上并可在处理器运行的计算机程序,所述处理器402执行所述计算机程序时实现如本发明实施例所述的楼宇负荷预测方法。
本发明实施例提供的计算机设备,可执行本发明任意实施例所提供的楼宇负荷预测方法,具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于楼宇负荷预测方法,该方法包括:
确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的楼宇负荷预测操作,还可以执行本发明任意实施例所提供的楼宇负荷预测方法中的相关操作。
上述实施例中提供的楼宇负荷预测装置、设备及存储介质可执行本发明任意实施例所提供的楼宇负荷预测方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的楼宇负荷预测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种楼宇负荷预测方法,其特征在于,包括:
确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
2.根据权利要求1所述的楼宇负荷预测方法,其特征在于,在所述根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合之前,还包括:
利用非线性最小二乘法对所述用户用电数据进行计算,获得待定参数;
将所述待定参数代入预设概率密度函数,得到所述初始高斯分布概率密度函数。
3.根据权利要求2所述的楼宇负荷预测方法,其特征在于,所述根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数,包括:
将拟合参数输入所述初始高斯分布概率密度函数中,得到所述目标高斯分布概率密度函数,并计算所述目标高斯分布概率密度函数对应的拟合结果;
其中,所述拟合参数包括:所述待定参数对应的拟合段数和拟合精度阈值。
4.根据权利要求3所述的楼宇负荷预测方法,其特征在于,所述方法还包括:
计算所述拟合段数对应的所述拟合结果的确定系数;
若所述确定系数大于或等于所述拟合精度阈值,则输出所述拟合段数对应的所述拟合结果;
若所述确定系数小于所述拟合精度阈值,则更新所述拟合段数和所述待定参数,并再次进行拟合,直至所述目标高斯分布概率密度函数的确定系数大于或等于所述拟合精度阈值时,输出更新后的拟合段数对应的拟合结果。
5.根据权利要求1所述的楼宇负荷预测方法,其特征在于,所述当前楼宇的场景信息包括办公场景和/或住宅场景,当所述当前楼宇的场景信息包括所述办公场景和所述住宅场景时,所述用户用电数据包括所述办公场景的用户用电数据和所述住宅场景的用户用电数据,所述目标高斯分布概率密度函数包括所述办公场景对应的目标高斯分布概率密度函数和所述住宅场景对应的目标高斯分布概率密度函数,所述场景特征参数包括所述办公场景的场景特征参数和所述住宅场景的场景特征参数;
所述将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果,包括:
将所述办公场景的用户用电数据、所述住宅场景的用户用电数据、所述办公场景对应的目标高斯分布概率密度函数、所述住宅场景对应的目标高斯分布概率密度函数、所述算法参数、所述办公场景的场景特征参数和所述住宅场景的场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,得到所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线;
将所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线累加,获得所述当前楼宇的负荷预测结果。
6.根据权利要求5所述的楼宇负荷预测方法,其特征在于,在将所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线累加,获得所述当前楼宇的负荷预测结果之前,还包括:
统计所述当前楼宇的用户空调特征参数,构建关于所述用户空调特征参数的空调负荷模型;
将所述空调负荷模型输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇对应的空调负荷预测曲线;
相应地,所述将所述办公场景对应的负荷曲线和所述住宅场景对应的负荷曲线累加,获得所述当前楼宇的负荷预测结果,包括:
将所述办公场景对应的负荷曲线、所述住宅场景对应的负荷曲线和所述空调负荷预测曲线累加,获得所述当前楼宇的负荷预测结果。
7.根据权利要求1所述的楼宇负荷预测方法,其特征在于,所述获得所述当前楼宇的负荷预测结果,包括:
根据所述用户用电数据对用户用电的时间分段,得到多个时间分段;
依据所述多个时间分段,将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行分段模拟,获得所述当前楼宇对应的日负荷预测曲线;
当每个所述时间分段的模拟次数到达预设阈值,汇总所述当前楼宇对应的日负荷预测曲线,获得所述当前楼宇的日负荷预测结果。
8.一种楼宇负荷预测装置,其特征在于,包括:
场景确定模块,用于确定当前楼宇的场景信息,并按照所述场景信息获取所述当前楼宇的用户用电数据;
曲线拟合模块,用于根据所述用户用电数据对初始高斯分布概率密度函数进行高斯曲线拟合,得到所述场景信息对应的目标高斯分布概率密度函数;
参数确定模块,用于确定蒙特卡洛模拟算法的算法参数,并根据所述用户用电数据确定所述当前楼宇的场景特征参数;
负荷预测模块,用于将所述目标高斯分布概率密度函数、所述算法参数以及所述场景特征参数输入至所述蒙特卡洛模拟算法中进行模拟,获得所述当前楼宇的负荷预测结果。
9.一种计算机设备,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计算机程序时实现如权利要求1-7任一项所述的楼宇负荷预测方法。
10.一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任一项所述的楼宇负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262932.XA CN113887832A (zh) | 2021-10-28 | 2021-10-28 | 楼宇负荷预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111262932.XA CN113887832A (zh) | 2021-10-28 | 2021-10-28 | 楼宇负荷预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887832A true CN113887832A (zh) | 2022-01-04 |
Family
ID=79013863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111262932.XA Pending CN113887832A (zh) | 2021-10-28 | 2021-10-28 | 楼宇负荷预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887832A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523155A (zh) * | 2018-11-13 | 2019-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN110472339A (zh) * | 2019-08-16 | 2019-11-19 | 东莞理工学院 | 一种基于蒙特卡洛的房间照明负荷计算方法 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
CN112101632A (zh) * | 2020-08-21 | 2020-12-18 | 湘潭大学 | 基于分布式估计算法楼宇负荷优化调度方法 |
CN112736904A (zh) * | 2020-12-25 | 2021-04-30 | 天津大学 | 基于小扰动数据的电力负荷模型在线解析方法 |
-
2021
- 2021-10-28 CN CN202111262932.XA patent/CN113887832A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN109523155A (zh) * | 2018-11-13 | 2019-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 |
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN110472339A (zh) * | 2019-08-16 | 2019-11-19 | 东莞理工学院 | 一种基于蒙特卡洛的房间照明负荷计算方法 |
CN111237989A (zh) * | 2020-02-04 | 2020-06-05 | 青岛海信网络科技股份有限公司 | 一种基于负荷预测的楼宇通风空调控制方法及装置 |
CN112101632A (zh) * | 2020-08-21 | 2020-12-18 | 湘潭大学 | 基于分布式估计算法楼宇负荷优化调度方法 |
CN112736904A (zh) * | 2020-12-25 | 2021-04-30 | 天津大学 | 基于小扰动数据的电力负荷模型在线解析方法 |
Non-Patent Citations (3)
Title |
---|
张健;王熠;方恒福;盛万兴;王金丽;: "基于蒙特卡洛法的用户负荷模拟及配电台区负荷预测方法", 农村电气化, no. 12, 10 December 2015 (2015-12-10), pages 13 - 15 * |
赖晓路;张腾飞;肖碧涛;孙攀;: "智能楼宇能效管理和控制系统设计与实现", 自动化应用, no. 11, 25 November 2016 (2016-11-25), pages 14 - 16 * |
颜庆国;阮文骏;陈楚;陈星莺;宁艺飞;余昆;: "基于并行预测策略的公共楼宇日前空调负荷预测", 电网与清洁能源, no. 11, 25 November 2016 (2016-11-25), pages 80 - 86 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baetens et al. | Modelling uncertainty in district energy simulations by stochastic residential occupant behaviour | |
Wang et al. | A novel approach for building occupancy simulation | |
Li et al. | Methods for benchmarking building energy consumption against its past or intended performance: An overview | |
Taniguchi et al. | Estimation of the contribution of the residential sector to summer peak demand reduction in Japan using an energy end-use simulation model | |
Aksanli et al. | Human behavior aware energy management in residential cyber-physical systems | |
Mun et al. | A case-centered behavior analysis and operation prediction of AC use in residential buildings | |
Liu et al. | Analysis and modeling of air conditioner usage behavior in residential buildings using monitoring data during hot and humid season | |
CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
Palacios-Garcia et al. | A stochastic modelling and simulation approach to heating and cooling electricity consumption in the residential sector | |
Touretzky et al. | Building-level power demand forecasting framework using building specific inputs: Development and applications | |
Abdeen et al. | Comparative review of occupant-related energy aspects of the National Building Code of Canada | |
Jiang et al. | Stochastic modelling of flexible load characteristics of split-type air conditioners using grey-box modelling and random forest method | |
Martinez et al. | Demand-side flexibility in a residential district: What are the main sources of uncertainty? | |
Luo et al. | Quantifying the effect of multiple load flexibility strategies on commercial building electricity demand and services via surrogate modeling | |
Ding et al. | Influence of occupancy-oriented interior cooling load on building cooling load design | |
Lyu et al. | Seasonal variation of residential cooling use behaviour derived from energy demand data and stochastic building energy simulation | |
CN111542796B (zh) | 解耦建模方法和系统 | |
Elnagar et al. | Framework to assess climate change impact on heating and cooling energy demands in building stock: A case study of Belgium in 2050 and 2100 | |
CN117091242A (zh) | 空调温控负荷集群的评估方法、温度设定方法及系统 | |
CN113887832A (zh) | 楼宇负荷预测方法、装置、设备及介质 | |
CN113341792B (zh) | 一种基于bim的建筑数据采集方法及系统 | |
Nel | Rethinking electrical water heaters | |
LeMay et al. | Collaborative recommender systems for building automation | |
Vučković et al. | New technologies in energy management systems of buildings | |
Gunay et al. | Development of a clustering-based morning start time estimation algorithm for space heating and cooling |
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 |