CN115271320A - 一种基于模糊聚类算法模型的可再生能源耗能评估方法 - Google Patents
一种基于模糊聚类算法模型的可再生能源耗能评估方法 Download PDFInfo
- Publication number
- CN115271320A CN115271320A CN202210639490.4A CN202210639490A CN115271320A CN 115271320 A CN115271320 A CN 115271320A CN 202210639490 A CN202210639490 A CN 202210639490A CN 115271320 A CN115271320 A CN 115271320A
- Authority
- CN
- China
- Prior art keywords
- renewable energy
- algorithm model
- hidden layer
- information
- energy consumption
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000005265 energy consumption Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000005065 mining Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于模糊聚类算法模型的可再生能源耗能评估方法，所述可再生能源耗能评估方法具体为设置影响因子，对影响因子进行分类，获取影响因素，并以此为分类属性，对可再生能源信息进行分类，获取若干类可再生能源数据样本，并获取每两类可再生能源数据样本之间的关联关系，以此计算出每类可再生能源数据样本的权重，以及对应的耗能评估信息，构建挖掘算法模型并进行训练，输入待评估可再生能源信息至训练完成的挖掘算法模型，输出待评估可再生能源的耗能评估结果。本发明能够对可再生能源信息进行数字化处理，并在利用挖掘算法模型对可再生能源信息的耗能评估前，对可再生能源信息进行分类，实现对于挖掘算法模型评估能力的优化提高。
Description
技术领域
本发明涉及可再生能源分析技术领域，尤其是指一种基于模糊聚类算法模型的可再生能源耗能评估方法。
背景技术
新发展阶段，我国发展内外环境发生深刻变化，推进“双碳”工作是破解资源环境约束突出问题、实现可持续发展的迫切需要，是顺应技术进步趋势、推动经济结构转型升级的迫切需要，是满足人民群众日益增长的优美生态环境需求、促进人与自然和谐共生的迫切需要，是主动担当大国责任的迫切需要。而电力系统作为碳排放重要行业之一，需要将实现“双碳”作为电力系统改革的主要目标。在电力系统改革的过程中，为了实现目标，需要构建低碳安全高效的能源体系，控制化石能源总量，着力提高利用效能，实施可再生能源替代行动，从而构建以新能源为主题的新型电力系统。但目前可再生能源发展依然面临着能源信息数据化处理能力欠佳，使得在根据可再生能源信息进行耗能分析时，无法准确获取可再生能源中的有效信息，使得耗能分析结果准确性不高。
发明内容
本发明的目的是克服现有技术中的缺点，提供一种基于模糊聚类算法模型的可再生能源耗能评估方法。
本发明的目的是通过下述技术方案予以实现：
一种基于模糊聚类算法模型的可再生能源耗能评估方法，包括以下步骤：
步骤一，获取可再生能源信息，设置可再生能源信息的影响因子；
步骤二，对影响因子进行分类，获取若可再生能源信息的影响因素，并将影响因素作为可再生能源信息的分类属性，通过分类属性对可再生能源信息进行分类，获取若干类可再生能源数据样本，并对每两类可再生能源数据样本之间的关联关系进行计算；
步骤三，基于每两类可再生能源数据样本之间的关联关系，通过模糊统计法计算每类可再生能源数据样本的权重，通过评判输出函数根据每类可再生能源数据样本的权重获取其对应的耗能评估信息；
步骤四，构建挖掘算法模型，以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练；
步骤五，获取待评估可再生能源信息，将待评估可再生能源信息输入挖掘算法模型，获取待评估可再生能源信息的耗能评估结果。
进一步的，步骤一中所述影响因子包括外部数据环境、可再生能源使用寿命以及可再生能源生命周期，所述影响因素包括能源本身因素、应用人群因素、控制因素和生命周期因素。
进一步的，步骤四中以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练时，通过对比散度算法对挖掘算法模型内每一层隐层函数参数进行训练学习，并在获取其中一个隐层的隐层函数的所有参数后，将已经获取的所有参数依次叠加在下一个隐层的隐层函数上，直至获取所有隐层对应隐层函数的参数，完成挖掘算法模型的训练。
进一步的，挖掘算法模型训练完成后，挖掘算法模型的输出函数为：
hl+1＝αl+(Wl)Ttl；
其中：hl+1挖掘算法模型第l+1层隐层函数，l∈{1,2,…,c-1}，c为挖掘算法模型的隐层数量，αl和Wl分别为第l个隐层的权重参数和偏置参数，tl＝ {tl1,tl2,tl3,…,tlj}，tl为第l个隐层内所有RBM参数的集合，T为矩阵转置。
进一步的，挖掘算法模型内隐层的RBM参数的训练公式为：
其中：tlj为第l个隐层内根据第j类可再生能源数据样本训练所得的RBM 参数，j为训练集内其中一类可再生数据样本，hlj为第l个隐层根据第j类可再生能源数据样本训练所得的隐层函数。
进一步的，步骤三中所述评判输出函数的计算公式为：
其中：j为第i类影响因素对应的可再生数据样本类别，bj为第j类可再生数据样本的评估值，rij为第i类影响因素的隶属度，ai为第i类影响因素所占权重，n为可再生数据样本种类数量，m为影响因素种类数量
进一步的，所述影响因素的隶属度为影响因素与总影响因素的比值。
进一步的，所述可再生能源信息包括天气数据、设备数据、可再生能源资源数据。
本发明的有益效果是：
能够对可再生能源信息进行数字化处理，并按照影响因素对可再生能源信息进行分类，获取可再生能源信息中获取对于耗能评估的相关信息，并对其影响能力进行判断，在后续进行可再生能源的耗能评估时，能够有效提高耗能评估的准确性。通过挖掘算法模型实现对于可再生能源信息的数字化处理，并在利用挖掘算法模型对可再生能源信息的耗能评估前，通过分类器对可再生能源信息进行分类，在常规挖掘算法模型的基础上添加了分类功能，实现了对于挖掘算法模型评估能力的优化提高。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例：
一种基于模糊聚类算法模型的可再生能源耗能评估方法，如图1所示，包括以下步骤：
步骤一，获取可再生能源信息，设置可再生能源信息的影响因子；
步骤二，对影响因子进行分类，获取若可再生能源信息的影响因素，并将影响因素作为可再生能源信息的分类属性，通过分类属性对可再生能源信息进行分类，获取若干类可再生能源数据样本，并对每两类可再生能源数据样本之间的关联关系进行计算；
步骤三，基于每两类可再生能源数据样本之间的关联关系，通过模糊统计法计算每类可再生能源数据样本的权重，通过评判输出函数根据每类可再生能源数据样本的权重获取其对应的耗能评估信息；
步骤四，构建挖掘算法模型，以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练；
步骤五，获取待评估可再生能源信息，将待评估可再生能源信息输入挖掘算法模型，获取待评估可再生能源信息的耗能评估结果。
步骤一中所述影响因子包括外部数据环境、可再生能源使用寿命以及可再生能源生命周期，所述影响因素包括能源本身因素、应用人群因素、控制因素和生命周期因素。
步骤四中以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练时，通过对比散度算法对挖掘算法模型内每一层隐层函数参数进行训练学习，并在获取其中一个隐层的隐层函数的所有参数后，将已经获取的所有参数依次叠加在下一个隐层的隐层函数上，直至获取所有隐层对应隐层函数的参数，完成挖掘算法模型的训练。
本实施例中，具体将第一个隐层h1的参数设置为{W1；α1}，通过训练集对第一个隐层进行训练，得到第一个隐层对应所有RBM(受限玻尔兹曼机) 参数，具体为t1＝{t11,t12,t13,…,t1j}，将RBM参数依次叠加在第二个隐层上，即将t1＝{t11,t12,t13,…,t1j}作为第二个隐层的输入向量，得到第二个隐层的参数为{W2；α2}。重复操作后，能够得到整个挖掘算法模型的参数集记为 {W1,W2,…,Wc；α1,α2,…,αc}。
挖掘算法模型训练完成后，挖掘算法模型的输出函数为：
hl+1＝αl+(Wl)Ttl；
其中：hl+1挖掘算法模型第l+1层隐层函数，l∈{1,2,…,c-1}，c为挖掘算法模型的隐层数量，αl和Wl分别为第l个隐层的权重参数和偏置参数，tl＝ {tl1,tl2,tl3,…,tlj}，tl为第l个隐层内所有RBM参数的集合，T为矩阵转置。
挖掘算法模型内隐层的RBM参数的训练公式为：
其中：tlj为第l个隐层内根据第j类可再生能源数据样本训练所得的RBM 参数，j为训练集内其中一类可再生数据样本，hlj为第l个隐层根据第j类可再生能源数据样本训练所得的隐层函数。sign()函数则具体指代符号函数。
步骤三中所述评判输出函数的计算公式为：
其中：j为第i类影响因素对应的可再生数据样本类别，bj为第j类可再生数据样本的评估值，rij为第i类影响因素的隶属度，ai为第i类影响因素所占权重，n为可再生数据样本种类数量，m为影响因素种类数量。
所述影响因素的隶属度为影响因素与总影响因素的比值。
隶属度越接近于1，表示该影响因素属于对可再生能源信息产生影响的影响因素内的程度越高，即影响程度越高，因此在进行耗能评估时，能够根据隶属度的大小获取其对于耗能的影响程度，从而实现对于可再生能源信息的总体耗能评估。
所述可再生能源信息包括天气数据、设备数据、可再生能源资源数据。
可再生能源信息在除去新能源发电设备资源，以及设备自身运行数据以外，还包括有会对其运行产生影响的天气数据，从多方面来对可再生能源的状况进行描述。
同时对可再生能源信息中不同类型的数据间的关联关系进行计算，关联关系能够反应出对于每种数据对于可再生能源的影响程度，关联大的数据类型权重也更高，在获取关联关系后，能够对每类数据的权重进行更加准确的判断。准确性更高的数据权重能够保证在基于评判输出函数获取耗能评估信息时，获取更加准确的耗能评估信息。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，包括以下步骤：
步骤一，获取可再生能源信息，设置可再生能源信息的影响因子；
步骤二，对影响因子进行分类，获取若可再生能源信息的影响因素，并将影响因素作为可再生能源信息的分类属性，通过分类属性对可再生能源信息进行分类，获取若干类可再生能源数据样本，并对每两类可再生能源数据样本之间的关联关系进行计算；
步骤三，基于每两类可再生能源数据样本之间的关联关系，通过模糊统计法计算每类可再生能源数据样本的权重，通过评判输出函数根据每类可再生能源数据样本的权重获取其对应的耗能评估信息；
步骤四，构建挖掘算法模型，以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练；
步骤五，获取待评估可再生能源信息，将待评估可再生能源信息输入挖掘算法模型，获取待评估可再生能源信息的耗能评估结果。
2.根据权利要求1所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，步骤一中所述影响因子包括外部数据环境、可再生能源使用寿命以及可再生能源生命周期，所述影响因素包括能源本身因素、应用人群因素、控制因素和生命周期因素。
3.根据权利要求1所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，步骤四中以分类后的可再生能源数据样本以及对应的耗能评估信息为训练集对挖掘算法模型进行训练时，通过对比散度算法对挖掘算法模型内每一层隐层函数参数进行训练学习，并在获取其中一个隐层的隐层函数的所有参数后，将已经获取的所有参数依次叠加在下一个隐层的隐层函数上，直至获取所有隐层对应隐层函数的参数，完成挖掘算法模型的训练。
4.根据权利要求3所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，挖掘算法模型训练完成后，挖掘算法模型的输出函数为：
hl+1＝αl+(Wl)Ttl；
其中：hl+1挖掘算法模型第l+1层隐层函数，l∈{1,2,…,c-1}，c为挖掘算法模型的隐层数量，αl和Wl分别为第l个隐层的权重参数和偏置参数，tl＝{tl1,tl2,tl3,…,tlj}，tl为第l个隐层内所有RBM参数的集合，T为矩阵转置。
5.根据权利要求4所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，挖掘算法模型内隐层的RBM参数的训练公式为：
其中：tlj为第l个隐层内根据第j类可再生能源数据样本训练所得的RBM参数，j为训练集内其中一类可再生数据样本，hlj为第l个隐层根据第j类可再生能源数据样本训练所得的隐层函数。
6.根据权利要求1所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，步骤三中所述评判输出函数的计算公式为：
其中：j为第i类影响因素对应的可再生数据样本类别，bj为第j类可再生数据样本的评估值，rij为第i类影响因素的隶属度，ai为第i类影响因素所占权重，n为可再生数据样本种类数量，m为影响因素种类数量。
7.根据权利要求6所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，所述影响因素的隶属度为影响因素与总影响因素的比值。
8.根据权利要求1所述的一种基于模糊聚类算法模型的可再生能源耗能评估方法，其特征在于，所述可再生能源信息包括天气数据、设备数据、可再生能源资源数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639490.4A CN115271320A (zh) | 2022-06-07 | 2022-06-07 | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639490.4A CN115271320A (zh) | 2022-06-07 | 2022-06-07 | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115271320A true CN115271320A (zh) | 2022-11-01 |
Family
ID=83758801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210639490.4A Pending CN115271320A (zh) | 2022-06-07 | 2022-06-07 | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271320A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630584A (zh) * | 2022-12-21 | 2023-01-20 | 睿至科技集团有限公司 | 一种基于人工智能的能源分析方法及系统 |
-
2022
- 2022-06-07 CN CN202210639490.4A patent/CN115271320A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630584A (zh) * | 2022-12-21 | 2023-01-20 | 睿至科技集团有限公司 | 一种基于人工智能的能源分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
| CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
| CN106845717A (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
| CN113065974B (zh) | 一种基于动态网络表示学习的链路预测方法 | |
| CN111583078B (zh) | 用于人工智能学习模式的标准课件生成系统与方法 | |
| CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN112039687A (zh) | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 | |
| CN111401603A (zh) | 一种多类型能源需求预测方法 | |
| CN107301604A (zh) | 多模型融合评价系统 | |
| CN113378913A (zh) | 一种基于自监督学习的半监督节点分类方法 | |
| CN113269239B (zh) | 一种基于多通道卷积神经网络的关系网络节点分类方法 | |
| CN108446214A (zh) | 基于dbn的测试用例进化生成方法 | |
| CN115271320A (zh) | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 | |
| CN103700030A (zh) | 基于灰色粗糙集的电网建设项目后评价指标赋权方法 | |
| CN112395289A (zh) | 一种分布式光伏数据分层存储方法和系统 | |
| JP2023515731A (ja) | 回帰型ニューラルネットワークにより量子を転送する過程を模擬する際における量子条件のマスター方程式による模擬方法 | |
| CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 | |
| CN111814989A (zh) | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 | |
| CN111652478A (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
| CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
| Ajagunsegun et al. | Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities | |
| CN109753990B (zh) | 一种用户电能替代潜力预测方法、系统及存储介质 | |
| Zhou et al. | Data-driven solutions for building environmental impact assessment | |
| CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
| Zhang et al. | Multi-dimensional Data Generation Method of Electric Vehicle Charging Behaviors Based on Improved Generative Adversarial Network |
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 |