CN113947186A - 一种基于生成对抗网络的供热能耗循环预测方法 - Google Patents
一种基于生成对抗网络的供热能耗循环预测方法 Download PDFInfo
- Publication number
- CN113947186A CN113947186A CN202111191780.9A CN202111191780A CN113947186A CN 113947186 A CN113947186 A CN 113947186A CN 202111191780 A CN202111191780 A CN 202111191780A CN 113947186 A CN113947186 A CN 113947186A
- Authority
- CN
- China
- Prior art keywords
- sequence
- energy consumption
- training
- network
- data
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于生成对抗网络的供热能耗循环预测方法,包括:构建历史供热能耗数据集并进行训练集和测试集的划分;对数据集进行归一化,利用滑动窗口对归一化后的数据集进行划分,构建历史能耗训练集;构建生成对抗网络,从历史能耗训练集中依次取出每一段训练序列输入生成对抗网络进行训练;将测试集进行归一化处理和滑动窗口划分后,输入到训练好的生成对抗网络模型中进行网络模型的测试和调参,保存最终的网络模型用于实际预测。本发明把历史供热数据及天气状况、日期类型等影响因素作为模型的输入,利用预测值反向预测输入序列数据,增强预测值和历史供热能耗数据的时序相关性,令模型更有效地捕捉数据间的深层次关系。
Description
技术领域
本发明涉及智慧供热技术领域,具体涉及一种基于生成对抗网络的供热能耗循环预测方法。
背景技术
建筑部门作为造成碳排放的主要责任领域之一,建筑能耗的节能减排备受关注。在建筑能耗中,约65%为供热和空调能耗,我国的供热能耗存在明显的优化空间。而在我国北方,建筑大多采用集中供热的方式,这种方式需要精确的供热计划,过高会导致资源浪费,而过低则无法满足居民日常生活需求。因此,有必要对建筑供热能耗进行精确预测,从而对整体供热系统进行优化设计和智慧化控制。
目前的建筑供热能耗预测方法大多采用机器学习和深度学习方法,与本专利相近的方案是基于长短期记忆神经网络(Long Short-Term Memory,LSTM)的预测方法,该方法的网络结构能够有效捕获时序信息,在时间序列预测任务上具有良好的精度。
上述方法一般通过历史供热能耗数据预测供热数据的周期性变化,然而供热能耗数据容易受到如天气因素(温度,风速等)、日期类型(是否为工作日或节假日)、建筑特性(建筑面积、所处楼层)等其他外部条件因素的影响,除了周期性外,也存在非线性及波动性的特点。上述方法在复杂度较高的数据下预测精确度不高。此外,供热能耗历史数据和未来数据存在强时序性,预测的未来供热能耗不仅与当前时刻的供热能耗相关,也与过去时刻的历史供热能耗相关。而在预测供热能耗过程中,上述方法仅关注正向预测,模型输出的未来预测值和输入序列的历史信息之间联系不紧密,时序相关性不强,导致模型无法捕获到能耗数据的非线性及波动性变化,预测精度不佳。
发明内容
本发明的目的是提供一种基于生成对抗网络的供热能耗循环预测方法,用以克服现有方法无法捕捉能耗数据的非线性及波动性变化而导致的预测精度不佳的问题。
为了实现上述任务,本发明采用以下技术方案:
一种基于生成对抗网络的供热能耗循环预测方法,包括以下步骤:
步骤1,构建历史供热能耗数据集,包括数据集序列Xall={x0,x1,...,xn}及外部条件因素序列Call={c0,c1,...,cn};其中n为序列长度,xi(i=1,2,...,n)表示某日期用于供热而消耗的能耗数据,ci(i=1,2,...,n)表示该日期对应的影响供热的外部条件因素,包括温度信息、风速信息;将历史供热能耗数据集进行训练集和测试集的划分;
步骤2,将训练集中的数据集序列和外部条件因素序列分别进行归一化处理;
步骤3,利用滑动窗口将归一化后的数据集序列Xall进行划分,划分后的每个训练序列中包含多个能耗数据;利用划分后得到的训练序列建立历史能耗训练集Xtrain,历史能耗训练集中的每个训练序列用于预测该序列之后的下一个时刻的预测能耗值;利用同样的滑动窗口将归一化后的外部条件因素序列Call进行划分,得到划分后的外部条件因素序列Ctrain:
Xtrain={(x0,x1,...,xt),(x1,x2,...,xt+1),...,(xm-t,xm-t+1,...,xm-1)}
Ctrain={(c0,c1,...,ct),(c1,c2,...,ct+1),...,(cm-t,cm-t+1,...,cm-1)}
从所述数据集序列中取出每个训练序列后的下一时刻的能耗数据以建立实际能耗值序列Ytrain:
Ytrain={(xt+1),(xt+2),...,(xm)}
其中t为滑动窗口长度,m为训练序列数量,m≤n;
步骤4,构建生成对抗网络,包括生成器网络和判别器网络;
步骤5,从历史能耗训练集Xtrain中依次取出每一段训练序列输入生成对抗网络进行一轮训练,包括:
步骤5.1,从历史能耗训练集Xtrain取出第一段训练序列{x0,x1,...,xt},与从划分后的外部条件因素序列Ctrain中对应的条件因素序列{c0,c1,...,ct}进行拼接,每个训练序列中的一个元素与条件序列中对应的元素构成一个数据组,表示为 {(x0,c0),(x1,c1),…,(xt,ct)},所有数据组顺序输入进生成器行正向预测,通过生成器输出第一段训练序列下一个时刻的预测能耗值xt+1′;
步骤5.2,将预测能耗值xt+1′与经过转置的第一段训练序列{xt,xt-1,...,x1}拼接组成反向序列{xt+1',xt,...,x1},反向序列中的每个元素再与其对应的外部条件因素分别组成数据组,表示为{(xt+1',ct+1),(xt,ct),…,(x1,c1)},所有数据组顺序输入回生成器网络,经过生成器输出预测历史值x0′;
步骤5.3,利用预测能耗值、预测历史值、实际能耗值序列Ytrain以及历史能耗训练集Xtrain中的第一段训练序列{x0,x1,...,xt}构建三段序列,具体为:
令训练序列{x0,x1,...,xt}与实际能耗值序列Ytrain中的第一个元素xt+1拼接形成真实序列Xreal={x0,x1,...,xt+1};
令预测能耗值xt+1′及训练序列{x0,x1,...,xt}拼接组成第一伪序列 Xfake1={x0,x1,...,xt+1'};
令预测历史值x0′及预测能耗值xt+1′和去掉第一个能耗数据x0的训练序列 {x1,x2,...,xt}拼接组成第二伪序列Xfake2={x0',x1,...,xt+1'};
将三段序列及对应的条件因素序列C={c0,c1,...,ct+1}拼接后输入进判别器网络,输出三段序列的真假预测标签;
历史能耗训练集Xtrain中的每一段训练序列均按照步骤5.1至5.3的方法进行训练,完成一轮训练;重复多轮训练,直至判别器网络的损失函数的值趋向于设定阈值,结束训练;
步骤6,将测试集进行归一化处理和滑动窗口划分后,输入到训练好的生成对抗网络模型中进行网络模型的测试和调参,保存最终的网络模型用于实际预测。
进一步地,所述生成器网络,其结构为一层LSTM网络加上一层全连接层,全连接层输出节点设为1;所述判别器网络,其结构为CNN网络,由两层卷积层及一层全连接层组成,全连接层输出节点设为1。
进一步地,在步骤5.2中预测能耗值xt+1′对应的外部条件因素采用实际的能耗数据xt+1所对应的外部条件因素ct+1。
进一步地,所述判别器网络D的损失函数定义为:
其中,D(Xfake1|C)表示判别器判断序列第一伪序列Xfake1是否为真实序列及是否与条件因素序列C相关联的概率,即序列Xfake1的真假预测标签;E[]表示期望。
进一步地,所述生成器网络的损失函数定义为:
LG-total=LG+L1
其中:
其中,D(Xfake1|C)表示生成器判断第一伪序列Xfake1是否为真实序列及是否与条件因素序列C相关联的概率;
L1=||xt+1-xt+1'||1+||x0-x0'||1。
与现有技术相比,本发明具有以下技术特点:
1.本发明方法中,生成对抗网络(Generative Adversarial Networks,GAN)通过生成器和判别器的相互对抗,能够捕捉复杂的非线性序列数据间隐含的深层关系,可有效处理复杂的供热数据。本发明把历史供热数据及天气状况、日期类型等影响因素作为模型的输入。同时,利用预测值反向预测输入序列数据,增强预测值和历史供热能耗数据的时序相关性,令模型更有效地捕捉数据间的深层次关系,降低预测误差,构建准确的建筑能耗预测模型。
2.本发明方法中采用循环预测的形式,利用预测值反向预测构成一个循环,令模型学习到了对输入序列历史信息和未来预测值之间的时序相关性,增强了模型对数据的学习能力。同时模型结合了LSTM和CNN的优点,使用LSTM学习数据的时序信息,使用CNN深度提取数据特征有助于完成判别任务,利用两者的相互对抗有效处理复杂的供热能耗数据。同时修改GAN的损失函数,使得训练更加稳定。
附图说明
图1为本发明一个实施例中的方法流程示意图;
图2为生成对抗网络循环预测结构图。
具体实施方式
参见图1,本发明提供了一种基于生成对抗网络的供热能耗循环预测方法,包括以下步骤:
步骤1,构建历史供热能耗数据集,包括数据集序列Xall={x0,x1,...,xn}及外部条件因素序列Call={c0,c1,...,cn};其中n为序列长度,xi(i=1,2,...,n)表示某日期用于供热而消耗的能耗数据,ci(i=1,2,...,n)表示该日期对应的影响供热的外部条件因素,包括温度信息、风速信息等;xi与ci一一对应;ci=[ctem,cdate,csol,...],即ci由温度信息ctem、日期信息cdate及风速信息csol等其他影响供热的外部条件因素组成。其中日期信息指对应的xi是星期几的信息,用cdate表示,cdate范围是 1至7。如xi在星期一,则cdate为1。构建好数据集后,按照7:3的比例将历史供热能耗数据集划分为训练集和测试集。
步骤2,将训练集中的数据集序列和外部条件因素序列分别按照如下公式进行归一化处理。其中,归一化公式为:
式中,X为序列中的元素,Xmin为序列中元素的最小值,Xmax为序列中元素的最大值。
步骤3,利用滑动窗口将归一化后的数据集序列Xall进行划分,划分后的每个训练序列中包含多个能耗数据;利用划分后得到的训练序列建立历史能耗训练集Xtrain,历史能耗训练集中的每个训练序列用于预测该序列之后的下一个时刻的预测能耗值;利用同样的滑动窗口将归一化后的外部条件因素序列Call进行划分,得到划分后的外部条件因素序列Ctrain:
Xtrain={(x0,x1,...,xt),(x1,x2,...,xt+1),...,(xm-t,xm-t+1,...,xm-1)}
Ctrain={(c0,c1,...,ct),(c1,c2,...,ct+1),...,(cm-t,cm-t+1,...,cm-1)}
从所述数据集序列中取出每个训练序列后的下一时刻的能耗数据以建立实际能耗值序列Ytrain,具体表示如下:
Ytrain={(xt+1),(xt+2),...,(xm)}
其中t为滑动窗口长度,m为训练序列数量,m≤n;实际能耗值序列Ytrain中的每个元素对应历史能耗训练集Xtrain中的一个序列,例如Xtrain中的第一个训练序列(x0,x1,...,xt)在数据集序列Xall中的下一时刻的能耗数据为xt+1,则将xt+1作为Ytrain中的第一个元素,以此类推。
步骤4,构建生成对抗网络
搭建一个生成器网络,其结构为一层LSTM网络加上一层全连接层,全连接层输出节点设为1;搭建一个判别器网络,其结构为CNN网络,由两层卷积层及一层全连接层组成,全连接层输出节点设为1。
步骤5,从历史能耗训练集Xtrain中依次取出每一段训练序列输入生成对抗网络进行一轮训练,包括:
步骤5.1,如图2所示,从历史能耗训练集Xtrain取出第一段训练序列 {x0,x1,...,xt},与从划分后的外部条件因素序列Ctrain中对应的条件因素序列 {c0,c1,...,ct}进行拼接,每个训练序列中的一个元素与条件序列中对应的元素构成一个数据组,表示为{(x0,c0),(x1,c1),…,(xt,ct)},所有数据组顺序输入进生成器行正向预测,通过生成器输出第一段训练序列下一个时刻的预测能耗值xt+1′。
步骤5.2,为保证预测能耗值与真实能耗数据之间的时序性,将预测能耗值 xt+1′与经过转置的第一段训练序列{xt,xt-1,...,x1}拼接组成反向序列{xt+1',xt,...,x1},反向序列中的每个元素再与其对应的外部条件因素分别组成数据组,表示为 {(xt+1',ct+1),(xt,ct),…,(x1,c1)},所有数据组顺序输入回生成器网络,经过生成器输出预测历史值x0′;其中预测能耗值xt+1′对应的外部条件因素采用实际的能耗数据 xt+1所对应的外部条件因素ct+1;这个循环过程如图2所示。
这样循环预测的目的就是保证预测能耗值xt+1′和真实能耗数据之间的时序性,因此利用xt+1′反向预测出预测历史值x0′,这样做能让生成器学习到反向的时序性,增强预测准确度。
步骤5.3,为进一步捕获复杂供热能耗数据间的深层关系,利用预测能耗值、预测历史值、实际能耗值序列Ytrain以及历史能耗训练集Xtrain中的第一段训练序列 {x0,x1,...,xt}构建三段序列,具体为:
令训练序列{x0,x1,...,xt}与实际能耗值序列Ytrain中的第一个元素xt+1拼接形成真实序列Xreal={x0,x1,...,xt+1};
令预测能耗值xt+1′及训练序列{x0,x1,...,xt}拼接组成第一伪序列 Xfake1={x0,x1,...,xt+1'};
令预测历史值x0′及预测能耗值xt+1′和去掉第一个能耗数据x0的训练序列 {x1,x2,...,xt}拼接组成第二伪序列Xfake2={x0',x1,...,xt+1'};
将三段序列及对应的条件因素序列C={c0,c1,...,ct+1}拼接后输入进判别器CNN,经过卷积层和全连接层后判别器输出三段序列的真假预测标签。
步骤5.4,构建生成对抗网络的损失函数
本发明中判别器网络D的损失函数定义为:
其中,D(Xfake1|C)表示判别器判断序列第一伪序列Xfake1是否为真实序列及是否与条件因素序列C相关联的概率,即序列Xfake1的真假预测标签;D(Xfake2|C)和 D(Xreal|C)同理,E[]表示期望。
生成器网络损失函数定义为:
其中,D(Xfake1|C)表示生成器判断第一伪序列Xfake1是否为真实序列及是否与条件因素序列C相关联的概率,D(Xfake2|C)同理。
同时,为了使训练得到的模型的预测结果更加接近真实供热能耗分布,本方案在生成器训练过程中加入xt+1和xt+1′及x0和x0′的L1范数作为生成器损失函数的一部分,定义为:
L1=||xt+1-xt+1'||1+||x0-x0'||1
因此生成器网络的总损失函数为:
LG-total=LG+L1
在步骤5.3中,输入第一伪序列Xfake1、第二伪序列Xfake2、真实序列Xreal及条件因素序列C进入判别器,判别器输出结果D(Xfake1|C),D(Xfake2|C),D(Xreal|C);判别器的任务是分辨输入数据的真伪,即判别器通过的目标是使D(Xfake1|C)及D (Xfake2|C)的值趋于0,使D(Xreal|C)趋于1,即D(Xreal|C)-1趋于0。
通过梯度下降算法及损失函数LD更新判别器参数,随后固定判别器的参数。
生成器的任务是骗过判别器,使得D(Xfake1|C)和D(Xfake2|C)趋于1,即 D(Xfake1|C)-1和D(Xfake2|C)-1趋于0。通过梯度下降算法及损失函数LG-total更新生成器参数。
步骤5.5,历史能耗训练集Xtrain中的每一段训练序列均按照步骤5.1至5.3 的方法进行训练,完成一轮训练;重复多轮训练,直至损失函数LD的值趋向于设定阈值,例如0.5时,此时代表判别器无法区分输入序列的真伪,生成器的输出能够骗过判别器,结束训练。
步骤6,将测试集进行归一化处理和滑动窗口划分后,输入到训练好的生成对抗网络模型中进行网络模型的测试和调参,保存最终的网络模型用于实际预测。
本发明中生成对抗网络循环预测方法,能够有效地学习能耗数据间的深层关系,提高了精确度;采用LSTM和CNN的优点相互结合组成生成对抗网络。设计生成对抗网络损失函数,使得训练更加稳定。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于生成对抗网络的供热能耗循环预测方法,其特征在于,包括以下步骤:
步骤1,构建历史供热能耗数据集,包括数据集序列Xall={x0,x1,...,xn}及外部条件因素序列Call={c0,c1,...,cn};其中n为序列长度,xi(i=1,2,...,n)表示某日期用于供热而消耗的能耗数据,ci(i=1,2,...,n)表示该日期对应的影响供热的外部条件因素,包括温度信息、风速信息;将历史供热能耗数据集进行训练集和测试集的划分;
步骤2,将训练集中的数据集序列和外部条件因素序列分别进行归一化处理;
步骤3,利用滑动窗口将归一化后的数据集序列Xall进行划分,划分后的每个训练序列中包含多个能耗数据;利用划分后得到的训练序列建立历史能耗训练集Xtrain,历史能耗训练集中的每个训练序列用于预测该序列之后的下一个时刻的预测能耗值;利用同样的滑动窗口将归一化后的外部条件因素序列Call进行划分,得到划分后的外部条件因素序列Ctrain:
Xtrain={(x0,x1,...,xt),(x1,x2,...,xt+1),...,(xm-t,xm-t+1,...,xm-1)}
Ctrain={(c0,c1,...,ct),(c1,c2,...,ct+1),...,(cm-t,cm-t+1,...,cm-1)}
从所述数据集序列中取出每个训练序列后的下一时刻的能耗数据以建立实际能耗值序列Ytrain:
Ytrain={(xt+1),(xt+2),...,(xm)}
其中t为滑动窗口长度,m为训练序列数量,m≤n;
步骤4,构建生成对抗网络,包括生成器网络和判别器网络;
步骤5,从历史能耗训练集Xtrain中依次取出每一段训练序列输入生成对抗网络进行一轮训练,包括:
步骤5.1,从历史能耗训练集Xtrain取出第一段训练序列{x0,x1,...,xt},与从划分后的外部条件因素序列Ctrain中对应的条件因素序列{c0,c1,...,ct}进行拼接,每个训练序列中的一个元素与条件序列中对应的元素构成一个数据组,表示为{(x0,c0),(x1,c1),…,(xt,ct)},所有数据组顺序输入进生成器行正向预测,通过生成器输出第一段训练序列下一个时刻的预测能耗值xt+1′;
步骤5.2,将预测能耗值xt+1′与经过转置的第一段训练序列{xt,xt-1,...,x1}拼接组成反向序列{xt+1',xt,...,x1},反向序列中的每个元素再与其对应的外部条件因素分别组成数据组,表示为{(xt+1',ct+1),(xt,ct),…,(x1,c1)},所有数据组顺序输入回生成器网络,经过生成器输出预测历史值x0′;
步骤5.3,利用预测能耗值、预测历史值、实际能耗值序列Ytrain以及历史能耗训练集Xtrain中的第一段训练序列{x0,x1,...,xt}构建三段序列,具体为:
令训练序列{x0,x1,...,xt}与实际能耗值序列Ytrain中的第一个元素xt+1拼接形成真实序列Xreal={x0,x1,...,xt+1};
令预测能耗值xt+1′及训练序列{x0,x1,...,xt}拼接组成第一伪序列Xfake1={x0,x1,...,xt+1'};
令预测历史值x0′及预测能耗值xt+1′和去掉第一个能耗数据x0的训练序列{x1,x2,...,xt}拼接组成第二伪序列Xfake2={x0',x1,...,xt+1'};
将三段序列及对应的条件因素序列C={c0,c1,...,ct+1}拼接后输入进判别器网络,输出三段序列的真假预测标签;
历史能耗训练集Xtrain中的每一段训练序列均按照步骤5.1至5.3的方法进行训练,完成一轮训练;重复多轮训练,直至判别器网络的损失函数的值趋向于设定阈值,结束训练;
步骤6,将测试集进行归一化处理和滑动窗口划分后,输入到训练好的生成对抗网络模型中进行网络模型的测试和调参,保存最终的网络模型用于实际预测。
2.根据权利要求1所述的基于生成对抗网络的供热能耗循环预测方法,其特征在于,所述生成器网络,其结构为一层LSTM网络加上一层全连接层,全连接层输出节点设为1;所述判别器网络,其结构为CNN网络,由两层卷积层及一层全连接层组成,全连接层输出节点设为1。
3.根据权利要求1所述的基于生成对抗网络的供热能耗循环预测方法,其特征在于,在步骤5.2中预测能耗值xt+1′对应的外部条件因素采用实际的能耗数据xt+1所对应的外部条件因素ct+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191780.9A CN113947186A (zh) | 2021-10-13 | 2021-10-13 | 一种基于生成对抗网络的供热能耗循环预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191780.9A CN113947186A (zh) | 2021-10-13 | 2021-10-13 | 一种基于生成对抗网络的供热能耗循环预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947186A true CN113947186A (zh) | 2022-01-18 |
Family
ID=79330367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191780.9A Pending CN113947186A (zh) | 2021-10-13 | 2021-10-13 | 一种基于生成对抗网络的供热能耗循环预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947186A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519610A (zh) * | 2022-02-16 | 2022-05-20 | 支付宝(杭州)信息技术有限公司 | 信息预测方法以及装置 |
CN115719042A (zh) * | 2022-11-25 | 2023-02-28 | 深圳大学 | 一种能源桩换热性能预测方法 |
CN116861248A (zh) * | 2023-07-21 | 2023-10-10 | 浙江大学 | 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统 |
-
2021
- 2021-10-13 CN CN202111191780.9A patent/CN113947186A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519610A (zh) * | 2022-02-16 | 2022-05-20 | 支付宝(杭州)信息技术有限公司 | 信息预测方法以及装置 |
CN115719042A (zh) * | 2022-11-25 | 2023-02-28 | 深圳大学 | 一种能源桩换热性能预测方法 |
CN116861248A (zh) * | 2023-07-21 | 2023-10-10 | 浙江大学 | 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统 |
CN116861248B (zh) * | 2023-07-21 | 2024-02-27 | 浙江大学 | 一种结合多窗口融合方法和聚焦框架模型的建筑能耗预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685252B (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
CN113947186A (zh) | 一种基于生成对抗网络的供热能耗循环预测方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN105678407A (zh) | 一种基于人工神经网络的日用电量预测方法 | |
Elvers et al. | Short-term probabilistic load forecasting at low aggregation levels using convolutional neural networks | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN113393119B (zh) | 基于场景缩减-深度学习的梯级水电短期调度决策方法 | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
CN115545503A (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及系统 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
Panda et al. | Forecasting temperature anomalies of planet earth: A comparative analysis of ai models | |
Petrichenko et al. | Short-term forecasting of district heating demand | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 |