CN114841427A - 基于多目标回归的二次泵变流量系统分区域负荷预测方法 - Google Patents
基于多目标回归的二次泵变流量系统分区域负荷预测方法 Download PDFInfo
- Publication number
- CN114841427A CN114841427A CN202210454376.4A CN202210454376A CN114841427A CN 114841427 A CN114841427 A CN 114841427A CN 202210454376 A CN202210454376 A CN 202210454376A CN 114841427 A CN114841427 A CN 114841427A
- Authority
- CN
- China
- Prior art keywords
- load
- regression
- target
- target variable
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001816 cooling Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004378 air conditioning Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
Abstract
本发明涉及一种基于多目标回归的二次泵变流量系统分区域负荷预测方法，包括：确定影响空调系统负荷的特征因素；将特征因素与各供冷区负荷进行相关性分析；根据相关性分析结果确定回归链中目标变量顺序；构建基于各供冷区负荷及天气数据的数据及；以历史时刻的第一目标变量及天气因素作为原始输入，以第一目标变量的预测值作为输出诱导模型；将第一目标变量的预测值、历史时刻的第二目标变量加入原始输入中作为新输入，以第二目标变量的预测值作为输出，训练模型；依此类推，获得所有目标变量预测值完成训练。本发明考虑各供冷区之间的关系，通过扩展输入空间实现各供冷区负荷的依次预测，模型更加符合实际情况，预测精度高。
Description
技术领域
本发明涉及负荷预测技术领域，尤其是基于多目标回归的二次泵变流量系统分区域负荷预测方法。
背景技术
建筑能耗中，空调能耗占有很大的比重，因此空调节能对于节能降耗尤为重要，而建立准确率高的空调负荷预测模型是优化空调节能运行的基础和关键。研究发现，二次泵变流量空调系统的耗电量比一次泵定流量空调系统至少节约30％，因此二次泵变流量空调系统可以更有效地减少空调能耗。因此有必要针对二次泵变流量空调系统的能耗进行预测。
目前大部分空调负荷预测针对的都是空调总负荷，而对于二次泵变流量系统在负荷侧设置二次冷水泵、划分供冷区的这种存在多个供冷区的系统的负荷预测，如果只建立一个预测模型来预测空调系统总负荷，预测模型的预测精度则不够高。因此有必要对空调系统进行分区域负荷预测，以提高预测模型精度。
发明内容
针对现有技术的不足，本发明提供一种基于多目标回归的二次泵变流量系统分区域负荷预测方法，目的是对空调系统进行分区域负荷预测，以提高预测模型精度。
本发明采用的技术方案如下：
一种基于多目标回归的二次泵变流量系统分区域负荷预测方法，所述预测方法是基于回归链和支持向量机回归相结合的多目标回归方法，包括以下步骤：
S1、确定影响空调系统负荷的特征因素，包括天气因素和空调系统各供冷区历史负荷；
S2、将特征因素与各供冷区负荷进行相关性分析；
S3、根据相关性分析结果确定回归链中目标变量的顺序，获得回归链C＝(Y1，Y2，…，Yd)，Yd为第d个供冷区负荷即第d个目标变量；
S4、数据处理：
将各供冷区负荷及天气数据进行无量纲处理获得多维时序数据集，将数据集划分训练集和测试集；
S5、模型训练：
诱导单目标模型：以历史时刻的第一目标变量Y1及天气因素作为原始输入，以第一目标变量Y1的预测值Y1′作为输出；
将第一目标变量Y1的预测值Y1′、历史时刻的第二目标变量Y2加入到所述原始输入中作为新输入，以第二目标变量Y2的预测值Y2′作为输出，训练单目标模型；
将第二目标变量Y2的预测值Y2′、历史时刻的第三目标变量Y3加入到所述新输入作为最新输入，以第三目标变量Y3的预测值Y3′作为输出，依此类推，进行重复模型训练，直到获得第d个目标变量Yd的预测值Yd′；
训练完成后通过测试集验证模型的泛化能力；
S6、利用训练好的模型对各供冷区负荷进行预测，将各供冷区负荷求和，获得空调系统总负荷的预测结果。
进一步技术方案为：
步骤S2中，采用Spearman相关系数进行相关性分析，表达式如下：
式中，Ri和Qi分别为第i个样本中两个相关性变量的秩次。
步骤S3中，根据相关性分析结果确定回归链中目标变量的顺序，包括：
对不同特征因素与同一供冷区负荷的相关系数取平均，得到特征因素与该供冷区负荷的相关系数，按照相关系数由大到小的顺序对各供冷区负荷进行排序，从而确定回归链中目标变量的顺序。
步骤S4中数据处理，还包括：确定负荷预测周期τ；
步骤S5中，所述历史时刻为前12个时刻：t-12τ、t-11τ、…、t-τ；t代表目标变量的预测值所对应的时刻。
所述天气因素包括室外干球温度、室外湿球温度和室外湿度。
所述单目标模型为支持向量机回归模型。
采用网格搜索法寻找模型的最优超参数：正则化参数和核函数系数。
本发明的有益效果如下：
本发明通过建立供冷区负荷与特征因素之间的相关性，以区分不同因素对各供冷区的影响程度，根据相关性的大小确定回归链的目标变量顺序，考虑不同供冷区之间的关系，按相关度顺序通过扩展输入空间的方式实现对各供冷区负荷的依次预测，所建立的预测模型更加符合实际情况，有效提高了预测精度。
本发明预测方法简单，预测成本低，具有广泛的工程应用价值和市场前景。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
图1为本发明模型训练的流程图。
图2为本发明实施例的预测流程示意图。
图3为本发明实施例的模型准确率示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
随着人工智能技术的发展，统计方法被应用到空调负荷预测中，主要的方法包括线性回归、指数平滑法、灰色模型、神经网络等。采用相同的数据集作为输入特征向量来预测多个目标变量的预测任务属于多目标回归。本实施例的一种基于多目标回归的二次泵变流量系统分区域负荷预测方法，预测方法是基于回归链和支持向量机回归相结合的多目标回归方法，参见图1，包括以下步骤：
S1、确定影响空调系统(二次泵变流量系统)负荷的特征因素，包括天气因素和各供冷区历史负荷。
S2、采用Spearman相关系数将特征因素与各供冷区负荷进行相关性分析：
Spearman相关系数表达式如下：
式中，Ri和Qi分别为第i个样本中两个相关性变量的秩次。
S3、根据相关性分析结果确定回归链中目标变量的顺序，包括：
对不同特征因素与同一供冷区负荷的相关系数取平均，得到特征因素与该供冷区负荷的相关系数，按照相关系数由大到小的顺序对各供冷区负荷进行排序，确定回归链C＝(Y1，Y2，…，Yd)中目标变量的顺序，Yd为第d个供冷区负荷即第d个目标变量；
可以理解的是第一个供冷区负荷与特征因素的相关系数最大，第d个供冷区负荷与特征因素的相关系数最小。
S4、数据处理：
确定负荷预测周期τ；
将空调系统各供冷区负荷数据和特征因素进行无量纲处理获得多维时序序列的数据集；
将数据集划分训练集和测试集，训练集和测试集的比例为4∶1。
S5、模型训练：
诱导单目标模型：以历史时刻的第一目标变量Y1及天气因素作为原始输入，以第一目标变量Y1的预测值Y1′作为输出；
将第一目标变量Y1的预测值Y1′、历史时刻的第二目标变量Y2加入到所述原始输入中作为新输入，以第二目标变量Y2的预测值Y2′作为输出，训练单目标模型；
将第二目标变量Y2的预测值y2′、历史时刻的第三目标变量Y3加入到所述新输入作为最新输入，以第三目标变量Y3的预测值Y3′作为输出，依此类推，进行重复模型训练，直到获得第d个目标变量Yd的预测值Yd′；
训练完成后通过测试集验证模型的泛化能力；
S6、利用训练好的模型对各供冷区负荷进行预测，将各供冷区负荷求和，获得空调系统总负荷的预测结果。
S6、将特征因素以及各供冷区负荷输入训练好的模型，获得各供冷区负荷的预测结果，对各供冷区负荷求和得到的总负荷。
具体的，模型训练过程中，原始输入的特征因素对应的时序为前12个时刻：t-12r、t-11τ、…、t-τ；t代表目标变量的预测值所对应的时刻。
具体的，所述单目标模型为支持向量机回归(sVR)模型。
具体的，采用网格搜索法寻找支持向量机模型的最优超参数：正则化参数和核函数系数。
以下以包含两个供冷区的二次泵变流量系统为例，进一步说明本实施例预测方法的具体应用及有效性。
两个供冷区分别为一号楼和二号楼，根据相关性分析得到一号楼的冷负荷与天气因素及历史冷负荷的相关系数较高，因此目标链中两个目标变量的顺序是：一号楼冷负荷、二号楼冷负荷。
参见图2，预测流程为：
采用前十二个时刻的数据对两个目标变量进行预测，得到空调系统总冷负荷的预测结果：
原始输入为前十二个时刻t-12τ、t-11τ、…、t-τ的天气参数(室外干球温度、室外湿球温度、室外湿度)以及一号楼冷负荷，输出为一号楼冷负荷的预测值；
对原始输入进行扩展，将一号楼冷负荷的预测值、前十二个时刻的二号楼冷负荷加入到原始输入中作为新输入，输出为二号楼冷负荷的预测值；
可以理解，一号楼冷负荷、二号楼冷负荷的预测值对应的时刻为t。
至此即获得了两个供冷区负荷，求和即得到二次泵变流量系统的总负荷。
将预测结果与真实值进行对比，对比结果如图3所示，由图3可知，预测准确率达93％左右，证明本申请的预测方法具有很好的预测精度。
本领域普通技术人员可以理解：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例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。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 (7)
1.一种基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，所述预测方法是基于回归链和支持向量机回归相结合的多目标回归方法，包括以下步骤：
S1、确定影响空调系统负荷的特征因素，包括天气因素和空调系统各供冷区历史负荷；
S2、将特征因素与各供冷区负荷进行相关性分析；
S3、根据相关性分析结果确定回归链中目标变量的顺序，获得回归链C＝(Y1，Y2，…，Yd)，Yd为第d个供冷区负荷即第d个目标变量；
S4、数据处理：
将各供冷区负荷及天气数据进行无量纲处理获得多维时序数据集，将数据集划分训练集和测试集；
S5、模型训练：
诱导单目标模型：以历史时刻的第一目标变量Y1及天气因素作为原始输入，以第一目标变量Y1的预测值Y1′作为输出；
将第一目标变量Y1的预测值Y1′、历史时刻的第二目标变量Y2加入到所述原始输入中作为新输入，以第二目标变量Y2的预测值Y2′作为输出，训练单目标模型；
将第二目标变量Y2的预测值Y2′、历史时刻的第三目标变量Y3加入到所述新输入作为最新输入，以第三目标变量Y3的预测值Y3′作为输出，依此类推，进行重复模型训练，直到获得第d个目标变量Yd的预测值Yd′；
训练完成后通过测试集验证模型的泛化能力；
S6、利用训练好的模型对各供冷区负荷进行预测，将各供冷区负荷求和，获得空调系统总负荷的预测结果。
2.根据权利要求1所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，步骤S2中，采用Spearman相关系数rs进行相关性分析，表达式如下：
式中，Ri和Qi分别为第i个样本中两个相关性变量的秩次。
3.根据权利要求1所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，步骤S3中，根据相关性分析结果确定回归链中目标变量的顺序，包括：
对不同特征因素与同一供冷区负荷的相关系数取平均，得到特征因素与该供冷区负荷的相关系数，按照相关系数由大到小的顺序对各供冷区负荷进行排序，从而确定回归链中目标变量的顺序。
4.根据权利要求1所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，步骤S4中数据处理，还包括：确定负荷预测周期τ；
步骤S5中，所述历史时刻为前12个时刻：t-12τ、t-11τ、…、t-τ；t代表目标变量的预测值所对应的时刻。
5.根据权利要求1所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，所述天气因素包括室外干球温度、室外湿球温度和室外湿度。
6.根据权利要求1所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，所述单目标模型为支持向量机回归模型。
7.根据权利要求6所述的基于多目标回归的二次泵变流量系统分区域负荷预测方法，其特征在于，采用网格搜索法寻找模型的最优超参数：正则化参数和核函数系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454376.4A CN114841427B (zh) | 2022-04-26 | 2022-04-26 | 基于多目标回归的二次泵变流量系统分区域负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210454376.4A CN114841427B (zh) | 2022-04-26 | 2022-04-26 | 基于多目标回归的二次泵变流量系统分区域负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114841427A true CN114841427A (zh) | 2022-08-02 |
| CN114841427B CN114841427B (zh) | 2024-05-07 |
Family
ID=82567484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210454376.4A Active CN114841427B (zh) | 2022-04-26 | 2022-04-26 | 基于多目标回归的二次泵变流量系统分区域负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841427B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN113269365A (zh) * | 2021-06-02 | 2021-08-17 | 西安建筑科技大学 | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 |
| CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
-
2022
- 2022-04-26 CN CN202210454376.4A patent/CN114841427B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113269365A (zh) * | 2021-06-02 | 2021-08-17 | 西安建筑科技大学 | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 |
| CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114841427B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN114692265B (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| CN109634121B (zh) | 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法 | |
| CN113326651B (zh) | 基于t-s模糊模型的制冷站负荷和能效比动态建模方法 | |
| Wang et al. | Evaluation of operation performance of a multi-chiller system using a data-based chiller model | |
| CN110598923A (zh) | 基于支持向量回归机优化与误差修正的空调负荷预测方法 | |
| CN105719028A (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
| CN113269365B (zh) | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 | |
| CN113268913B (zh) | 一种基于pso-elm算法的智能建筑空调冷机系统运行优化方法 | |
| CN113435665A (zh) | 一种面向功能分区的商场冷负荷预测方法及系统 | |
| Noh et al. | Data-driven forecasting algorithms for building energy consumption | |
| CN112926795A (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
| CN116913435B (zh) | 一种基于成分分析的高强度工程塑料评估方法及系统 | |
| Duarte et al. | Comparison of machine learning techniques for predicting energy loads in buildings | |
| CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
| CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
| CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
| CN114970358A (zh) | 一种基于强化学习的数据中心能效优化方法和系统 | |
| CN113028610B (zh) | 中央空调动态负荷全局优化与节能控制的方法和装置 | |
| CN116989432B (zh) | 一种空调系统节能运行优化调度方法及系统 | |
| CN114841427A (zh) | 基于多目标回归的二次泵变流量系统分区域负荷预测方法 | |
| CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
| CN115952888A (zh) | 基于多变量灰色模型的能源碳排放预测方法及系统 | |
| CN114636212A (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |