CN116341725A - 一种电负荷预测与节能系统、方法、电子设备和储存介质 - Google Patents

一种电负荷预测与节能系统、方法、电子设备和储存介质 Download PDF

Info

Publication number
CN116341725A
CN116341725A CN202310220094.2A CN202310220094A CN116341725A CN 116341725 A CN116341725 A CN 116341725A CN 202310220094 A CN202310220094 A CN 202310220094A CN 116341725 A CN116341725 A CN 116341725A
Authority
CN
China
Prior art keywords
data
prediction
energy
unit
training
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
Application number
CN202310220094.2A
Other languages
English (en)
Inventor
黄安平
何祥针
周娟
程涛
萧嘉荣
王健华
李启亮
陈君德
曾荣均
沙斌
潮铸
段秦尉
左剑
陈卉灿
唐旭辰
禹霁晅
刘维维
邓仁毅
梁伟豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310220094.2A priority Critical patent/CN116341725A/zh
Publication of CN116341725A publication Critical patent/CN116341725A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及负荷预测技术领域，公开了一种电负荷预测与节能系统、方法、电子设备和储存介质，包括数据采集单元、数据分析单元、节能单元、数据存储单元、数据输出单元，数据分析单元包括数据处理部分、模型训练部分和负荷预测部分，节能单元包括能耗分析部分与用能控制部分；数据采集单元与数据分析单元连接，数据分析单元与节能单元连接，数据分析单元的输出端和节能单元的输出端均与数据存储单元连接，数据分析单元的输出端和节能单元的输出端均与数据输出单元连接。该电负荷预测与节能系统，解决了传统电力预测方法预测精度较低，存在局限性的问题。

Description

一种电负荷预测与节能系统、方法、电子设备和储存介质
技术领域
本申请涉及负荷预测技术领域，具体为一种电负荷预测与节能系统、方法、电子设备和储存介质。
背景技术
微电网是通过电力电子技术将分布式电源、储能系统和用户负荷进行组合控制的独立系统，具有自主控制、保护以及管理的功能，可以在确保电能质量的基础上实现单点并网，以此满足电能的供应稳定。微电网整合利用分布式电源，通过组合能源的形式供电，可以减少新能源并网带来的波动性，提高电力系统稳定性。
由于分布式电源容易受到地域以及自然因素的影响，导致输出功率会出现较大波动，极大增加微电网系统的不稳定性，在造成微电网能源浪费的同时也可能发生安全事故等问题。对微电网短期用电负荷进行精准预测可以有效缓解这些现象，保证微电网系统稳定运行并且有效监测能耗，达到能源管理调度的目的。
常用的微电网系统短期用电负荷预测方法一般有两类，传统预测方法与智能预测方法，传统预测方法主要包括趋势外推法、回归分析法、时间序列法与灰色模型法，该类方法主要通过数据的相关性与时序性进行预测，原理简单并且容易实现。
然而，上述微电网系统的用电负荷预测方法都仅运用单一预测方法或者单一智能算法进行预测，预测精度较低，存在局限性。
发明内容
针对现有技术的不足，本申请提供了一种电负荷预测与节能系统、方法、电子设备和储存介质，解决了传统电力预测方法预测精度较低，存在局限性的问题。
为实现上述目的，本申请提供如下技术方案：一种电负荷预测与节能系统，包括数据采集单元、数据分析单元、节能单元、数据存储单元、数据输出单元，所述数据分析单元包括数据处理部分、模型训练部分和负荷预测部分，所述节能单元包括能耗分析部分与用能控制部分；
所述数据采集单元与所述数据分析单元连接，所述数据分析单元与所述节能单元连接，所述数据分析单元的输出端和所述节能单元的输出端均与所述数据存储单元连接，所述数据分析单元的输出端和所述节能单元的输出端均与所述数据输出单元连接。
优选的，所述数据采集单元用于从微电网终端设备采集用电负荷预测所需数据集，所述电负荷预测所需数据集包括历史用电负荷数据与特征数据集，特征数据包括时间数据和气候数据；
所述数据分析单元用于将采集的数据进行预处理，并获取智能用电负荷预测模型，对微电网下一时段进行用电负荷预测；
所述节能单元用于根据用电负荷预测信息进行能耗分析与用能控制；
所述数据存储单元用于存储数据采集单元从终端获取的用电负荷预测数据集、所述数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、所述节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值和能耗比值更新值；
所述数据输出单元用于得到数据采集单元从终端获取的用电负荷预测数据集、数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值、能耗比值更新值。
一种电负荷预测与节能系统方法，基于数据处理部分、模型训练部分和负荷预测部分，包括：
数据预处理；
获取基于MPSO算法优化的多层随机森林智能预测模型；
输入用电负荷数据与特征数据进行负荷预测；
对微电网进行能耗分析和用能控制。
优选的，所述数据预处理步骤包括对数据集进行数据清洗、数据转换、特征分析、特征选择，采用样条插值、线性插值或者均值法来对用电负荷数据与特征数据集异常值进行修正，填补缺失值，并对应历史用电负荷数据与气候数据来删除异常数据，得到特征性强的训练数据集。
优选的，所述获取基于MPSO算法优化的多层随机森林智能预测模型步骤包括：
将初始训练样本中的数据输入第一层随机森林进行训练，并且采用MPSO算法对随机森林模型进行参数优化训练，输出结果的同时得到训练残差y′；
将y′代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练，采用MPSO算法对随机森林模型进行参数优化训练，输出结果的同时得到训练残差y"；
将第二阶段所得训练残差y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，采用MPSO算法对随机森林模型进行参数优化训练；
将三层随机森林模型的输出依次叠加得到最终预测结果。
优选的，所述采用MPSO算法对模型进行参数优化训练，参数包括决策树棵数ntree与分裂特征数m，将ntree和m与MPSO算法中粒子属性对应，将随机森林模型训练所得袋外误差作为适应度值，在迭代过程中增加变异扰动项来不断优化模型参数，获得最优解。
优选的，所述输入用电负荷数据与特征数据进行负荷预测步骤包括：将处理后的前一段时间用电负荷数据与特征数据输入训练好的用电负荷智能预测模型中进行用电负荷预测，得到下一段时间用电负荷预测结果。
优选的，所述能耗分析步骤包括通过得到的微电网用电负荷预测结果，生成用电能耗预测数据，根据用电能耗预测数据与用电能耗实际数据获取微电网能耗比值σ，根据σ值来对微电网用电能耗进行分析。
优选的，所述用能控制步骤包括对微电网系统过去一段时间的能耗进行定额，通过计算微电网各分项用电能耗定额，得到用电能耗定额值，根据微电网系统下一时间段内的用电能耗预测数据与用电能耗定额值获取微电网下一段时间能耗比值更新值σ′，当σ′值偏小时，下一段时间内用电能耗较低，说明微电网系统用电负荷下降，用电需求量较低，此时能够减少微电网系统运行的用电设备，来节约能源；当σ′值偏大时，下一段时间内用电能耗高于大楼能耗定额，说明将处于微电网系统用电高峰状态，系统发出示警。
一种计算机设备，所述计算机设备包括处理器与存储器、以及存储在所述存储器上并可被所述处理器执行的计算机应用程序，其中所述计算机程序被所述处理器执行时，使所述电计算机设备实现如权利要求3至9中任一项所述的一种电负荷预测与节能方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，使计算机实现如权利要求3至9中任一项所述的一种电负荷预测与节能方法。
本申请提供了一种电负荷预测与节能系统、方法、电子设备和储存介质，具备以下有益效果：
本申请系统的数据分析单元采用基于MPSO算法优化的多层随机森林智能预测模型进行用电负荷预测，该方法具有更高的预测精度和更稳定的预测性能，在节能单元根据用电负荷预测结果进行能耗分析与用能控制，提出微电网系统能耗比值σ与能耗比值更新值σ′，通过精准的负荷预测结果与σ值、σ′值能够及时调整微电网系统下一时刻的用电功率，进行用能管理，达到缓解用电负荷与降低能源消耗的作用，保障微电网安全高效运行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1为本申请实施例提供的一种电负荷预测与节能系统结构图。
图2为本申请实施例提供的一种计算机设备的结构示意图。
图3为本申请实施例提供的一种微电网负荷预测模型参数优化训练示意图。
图4为本申请实施例提供的一种微电网负荷预测模型预测流程图。
具体实施方式
为使得本申请的申请目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
下面结合附图1-附图4并通过具体实施方式来进一步说明本申请的技术方案。
请参阅图1，本申请提供一种技术方案：一种电负荷预测与节能系统包括数据采集单元、数据分析单元、节能单元、数据存储单元、数据输出单元，其中数据分析单元包括数据处理部分、模型训练部分和负荷预测部分，节能单元包括能耗分析部分与用能控制部分。
数据采集单元与数据分析单元连接，数据分析单元与节能单元连接，数据分析单元的输出端和节能单元的输出端均与数据存储单元连接，数据分析单元的输出端和节能单元的输出端均与数据输出单元连接。
数据采集单元能够从微电网终端设备采集到用电负荷预测所需数据集，包括历史用电负荷数据与特征数据集，特征数据包括时间数据、气候数据。数据分析单元能够将采集的数据进行预处理，并获取智能用电负荷预测模型，对微电网下一时段进行用电负荷预测。节能单元能够根据用电负荷预测信息进行能耗分析与用能控制。
数据存储单元用于存储数据采集单元从终端获取的用电负荷预测数据集、数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值、能耗比值更新值。
数据输出单元能够得到数据采集单元从终端获取的用电负荷预测数据集、数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值、能耗比值更新值。
本申请还提供一种电负荷预测与节能系统方法，基于数据处理部分、模型训练部分和负荷预测部分，包括：
数据预处理；
获取基于MPSO算法优化的多层随机森林智能预测模型；
输入用电负荷数据与特征数据进行负荷预测；
对微电网进行能耗分析和用能控制。
在数据分析单元，从数据采集单元获取微电网用电负荷预测所需数据集，然后通过数据处理部分、模型训练部分、负荷预测部分来实现一种微电网用电负荷预测方法，包括：
数据处理部分对用电负荷预测数据集进行预处理，包括数据清洗与转换、特征分析与选取。
对采集到的负荷数据集先进行数据清洗，检测数据一致性，处理数据集中的无效值与缺失值。
对于无效值可以采用估算，整例删除，变量删除和成对删除等方法进行处理，对于存在一定偏差的数据，进行一致性检测，根据数据的合理取值范围和相互关系来判断偏差值是否超出数据集正常范围，然后再进行处理。
对于缺失值，包括直接缺失的数据和残缺数据，直接缺失的数据可以采用删数据、自动填补以及手动填补等方法进行处理，残缺数据主要是一些应该有的信息缺失，将这一类数据过滤出来并补全数据信息。
由于数据类型的不同，对采集的数据进行归一化处理，不同类型数据需要进行转换，转换后的数据有利于进行算法分析。
数据类型有整数类型、浮点数类型、字符类型等，将其中的非数值型进行类型转换，统一转换为数值型，同类别的数据有助于后续智能算法运算。数据转换时由于数据的精度不相同，低精度的数据类型可以转换为高精度的数据类型，同样高精度数据也可以转换成低精度数据，对损失的数据要进行处理，转换后的数据还要进行归一化处理，使得相同数据不同特征性之间可以进行比较分析。
对终端采集数据进行特征分析，数据集所包含的特征属性极多，但有些特征属性与负荷预测无关，分析其中与微电网用电负荷数据属性相关性强的，有利于进行用电负荷预测。
对终端采集数据进行特征选取，气候与日期是影响微电网系统用电负荷的重要因素之一，在采集的数据集中选取与微电网用电负荷数据属性相关性强的数据，包括降雨量、温度、湿度、风速、光照、气压、月份日期、周数等特征数据，可以采用过滤法、信息增益法等方法进行数据集的特征选取。
对历史用电负荷数据与气候数据集进行处理，将特征性强的数据用于负荷预测模型的训练与测试。
本实施例中获取了微电网系统前一年内的历史负荷数据集，所采集的历史负荷数据均是每隔15分钟采集一个样本点，对微电网历史用电负荷数据与气候数据集进行处理，所获取数据集过于庞大，对数据集进行处理的计算量较大，先对数据集进行归一处理，计算公式：
Figure BDA0004116325440000071
其中P为历史负荷输入数据，P′为归一化处理后的负荷输入数据，Pmin为历史负荷输入数据中的最小值，Pmax为历史负荷输入数据中的最大值。
采用样条插值、线性插值或者均值法来对微电网历史用电负荷数据异常值进行修正，填补缺失值，并对应历史用电负荷数据与气候数据来删除异常数据。
气候数据集包括降雨量、温度、湿度、风速、风向、光照、气压、辐射等数据，对于温度数据，以天为单位获取日最高温度、日最低温度以及平均温度，采用公式(1)进行归一化处理，其他种类数据选取相对值。将气候数据集进行处理，采用样条插值、线性插值或者均值法来对气候数据异常值进行修正，填补缺失值。
将处理后的气候数据集以天为单位进行组合，所得气候组合特征数据集包括以上任意两大特征的和、差、积、商，并且增加组合特征数据集与它均值的差值、中位数的差值，得到气候数据特征全集。
特征数据集还包括时间数据，由于工作日与节假日以及各种不同季度的负荷数据会有区别，时间数据是影响微电网负荷预测的重要特征数据，对月份日期、周数等特征数据进行处理，采用样条插值、线性插值或者均值法来对时间数据集异常值进行修正，填补缺失值。
模型训练部分获取基于MPSO算法优化的多层随机森林智能预测模型，首先构建一种多层随机森林算法模型。
多层随机森林算法模型继承了单层随机森林算法的优点，并且可以深度读取样本有效信息，分析特征变量。单层随机森林算法模型经过训练后会留下训练残差y′，y′中含有许多有效信息，将训练残差y′结合初始训练集Y组成新的训练样本集Y*对随机森林模型进行训练，所得的多层随机森林模型预测结果会更加精准。
具体而言，多层随机森林算法模型基于残差学习的方法将三层随机森林进行结合，模型分为三个阶段。第一阶段将初始训练样本中的数据输入第一层随机森林进行训练，输出结果的同时得到训练残差y′，y′中含有许多有效信息，将y′代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练；同样的，将第二阶段训练残差y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，将三层随机森林模型的输出依次叠加得到最终预测结果。
本实施例中多层随机森林算法模型数学原理概述如下，其边缘函数表达式为：
K(M,N)＝fg(H(m,px)＝N)-maxfg(H(m,px)＝j)
其中f(x)为取平均值函数，g(x)为指示函数，M为输入数据，j为其中一种特征属性。
多层随机森林算法模型的泛化误差表达式为：
Pe＝Pm,n(K(M,N)＜0)
其中Pm,n为输入数据M的分类错误率函数。
多层随机森林算法模型的泛化误差最大值可表示为：
Figure BDA0004116325440000081
其中
Figure BDA0004116325440000082
为随机森林决策树平均系数，d为决策树平均强度。
本实施例中多层随机森林算法模型的泛化误差最大值与决策树平均系数以及平均强度相关，通过表达式可以看出当
Figure BDA0004116325440000083
越小且d越大时模型的泛化性能越好，为提高模型的预测精度可以通过减小决策树的平均系数增加平均强度来实现。
多层随机森林算法基本步骤：首先从初始样本集中采用Bagging抽样的方法进行ntree次采样，生成ntree棵决策树；随机选取m个特征作为决策树中节点的分类特征值，选择最佳特征属性进行分裂；ntree棵决策树作为第一层随机森林，将初始训练样本中的数据输入第一层随机森林进行训练，输出第一层预测结果以及训练残差y′；以同样的方式生成n′tree棵决策树作为第二层随机森林，将y′代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练，输出第二层预测结果以及训练残差y"；同样的，生成n′t′ree棵决策树作为第三层随机森林，将y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，将三层模型输出结果依次叠加得到最终输出结果。
进一步的，采用MPSO算法对多层随机森林模型进行参数优化训练，获取基于MPSO算法优化的多层随机森林算法模型。
MPSO算法基本步骤：初始化粒子属性，设定粒子群规模、迭代次数、变异扰动项权重、粒子运动空间上限Md以及下限Nd、粒子的速度vmin和vmax、加速常数c1与c2、收敛精度等参数；
选取适应度函数来计算每个粒子的适应度值；
将当前迭代次数下粒子适应度值与全局最优值进行对比来更新粒子运动方向与速度，在满足迭代次数与收敛精度时输出参数最优解，更新公式：
Figure BDA0004116325440000091
Figure BDA0004116325440000092
其中
Figure BDA0004116325440000093
为上一次迭代过程中粒子个体最优值，/>
Figure BDA0004116325440000094
为全局最优值；
计算粒子更新后的适应值，与之前粒子适应值进行比较，来决定是否用此时粒子的个体极值与粒子群全局极值替换之前的对应值；
基于所得最优粒子，对粒子进行变异，粒子更新公式：
Figure BDA0004116325440000095
其中K为柯西扰动项分布系数，rand()为[0,1]内的随机函数；
判断是否达到最大迭代次数或者是否满足收敛精度，达到停止条件后输出最优粒子属性值。
将多层随机森林模型中决策树棵数和分裂特征数与粒子群算法中粒子属性对应，并将随机森林模型训练所得袋外误差作为适应度值,在迭代过程中不断优化模型参数，获得最优解，并对其进行柯西变异，在达到最大迭代次数后输出全局最优参数值nbest和mbest。
根据最优参数值nbest和mbest即可生成第一层随机森林模型进行训练，并且得到训练残差y′，将训练残差带入初始样本集组成新的数据集并作为第二层随机森林模型的训练集，按照n′best和m′best可再生成第二层随机森林模型进行训练，将y"代入初始样本集组成新的特征集作为第三层随机森林的训练集，按照n′b′est和m′b′est可再生成第三层随机森林模型进行训练，将三层随机森林模型的输出依次叠加得到最终预测结果。
如图3所示采用MPSO算法对多层随机森林模型进行参数优化训练步骤：
将多层随机森林模型中决策树棵数和分裂特征数与粒子群算法中粒子属性对应，初始化随机森林与粒子群相关参数，包括粒子属性、粒子群规模、迭代次数、变异扰动项权重、收敛精度等，设置多层随机森林模型中决策树棵数ntree与分裂特征数m的初值与范围；
结合随机森林模型，计算模型分类平均精准度，将决策树棵数ntree与分裂特征数m代入随机森林模型，将随机森林模型的袋外数据误差作为适应度函数来控制粒子群迭代过程中的适应度值，计算公式：
Figure BDA0004116325440000101
其中e(i)为第i棵决策树的袋外数据误差，N为袋外数据集，n为袋外数据集样本个数；
比较当前迭代次数下粒子适应度值与已知全局下粒子最优值，若当前粒子不满足最优值情况，则再次进行迭代，根据公式(2)与(3)对粒子进行运动方向与运动速度的更新；
将当前迭代中适应度值最高的粒子作为个体最优粒子，根据公式(4)对粒子进行变异处理，加入变异扰动项，保存处理后的当前最优粒子速度以及方向值；
达到最大迭代次数时输出最佳参数值，得到最优的决策树棵数nbest和分裂特征数mbest；
从初始样本集中采用Bagging抽样的方法进行nbest次采样，生成nbest棵决策树，随机选取mbest个特征组成分裂特征集，每棵决策树选择最优特征进行分裂形成随机森林模型，每棵决策树预测结果取平均值输出基于MPSO算法优化的随机森林模型预测结果。
进一步的，如图4所示，将训练数据集输入基于MPSO算法优化的多层随机森林模型进行训练步骤如下：
获得预处理的训练数据，对模型参数进行初始化处理，以气候数据、时间数据作为历史用电负荷数据的特征数据集，气候数据特征值包括降雨量、温度、湿度、风速、风向、光照、气压、辐射，时间数据特征值包括月份日期、周数，以特征数据集建立模型预测初始样本集xt{x1,x2,x3…xn}，其中输入数据x为影响微电网用电负荷的特征量。
从初始样本集xt中采用Bagging抽样的方法进行ntree次采样，抽出ntree个互不相关的训练集xt′，生成ntree棵决策树，随机选取m个特征作为决策树中节点的分类特征值，选择最佳特征属性进行分裂，ntree棵决策树作为第一层随机森林；
采用MPSO算法对第一层随机森林模型中的参数进行优化训练，将多层随机森林模型中决策树棵数和分裂特征数与粒子群算法中粒子属性对应，初始化随机森林与粒子群相关参数，设置多层随机森林模型中决策树棵数ntree与分裂特征数m的初值与范围；将随机森林模型的袋外数据误差作为适应度函数来控制粒子群迭代过程中的适应度值，采用公式(5)进行计算；比较当前迭代次数下粒子适应度值与已知全局下粒子最优值，若当前粒子不满足最优值情况，则再次进行迭代，根据公式(2)与(3)对粒子进行运动方向与运动速度的更新；将当前迭代中适应度值最高的粒子作为个体最优粒子，根据公式(4)对粒子进行变异处理，加入变异扰动项，保存处理后的当前最优粒子速度以及方向值；达到最大迭代次数时输出最佳参数值，得到最优的决策树棵数nbest和分裂特征数mbest；
基于MPSO算法优选出的第一层随机森林中的参数，采用Bagging抽样的方法进行nbest次采样，抽出nbest个互不相关的训练集，生成nbest棵决策树，随机选取mbest个特征作为决策树中节点的分类特征值，计算每个特征的信息量，选择最佳特征属性进行分裂；
nbest棵决策树作为第一层随机森林进行训练，输出预测结果，将nbest棵决策树的预测值取平均值得到第一层随机森林模型的输出结果y1；
第一层随机森林模型输出结果的同时得到训练残差y′，将训练残差y′结合初始训练集组成新的训练样本集对随机森林模型进行训练，新的样本集包含第一层随机森林模型未能识别的有效信息，以气候数据和时间数据以及第一层模型训练残差作为新的样本集
Figure BDA0004116325440000121
其中输入数据x为影响微电网用电负荷的特征量，而y′为第一层随机森林训练得到的残差值；
采用MPSO算法对第二层随机森林模型中的参数进行优化训练，根据同样的方法得到第二层随机森林最优的决策树棵数n′best和分裂特征数m′best，基于MPSO算法优选出的第二层随机森林中的参数，从新样本集
Figure BDA0004116325440000122
中采用Bagging抽样的方法进行n′best次采样，抽出n′best个互不相关的训练集xt″，生成n′best棵决策树，随机选取m′best个特征作为决策树中节点的分类特征值，计算每个特征的信息量，选择最佳特征属性进行分裂。
n′best棵决策树作为第二层随机森林进行训练，输出预测结果，将n′best棵决策树的预测值取平均值得到第二层随机森林模型的输出结果y2；
得到第二层随机森林模型的训练残差y"，y"中仍然含有一定的有效信息未被读取，将训练残差y"结合初始训练集xt组成新的训练样本集
Figure BDA0004116325440000123
对随机森林模型进行训练，新的样本集包含第二层随机森林模型未能识别的有效信息，以气候数据和时间数据以及第二层模型训练残差作为新的样本集/>
Figure BDA0004116325440000124
其中输入数据x为影响微电网用电负荷的特征量，y"为第二层随机森林训练得到的残差值。
采用MPSO算法对第三层随机森林模型中的参数进行优化训练，根据同样的方法得到第三层随机森林最优的决策树棵数n"best和分裂特征数m"best，基于MPSO算法优选出的第三层随机森林中的参数，从新样本集
Figure BDA0004116325440000125
中采用Bagging抽样的方法进行n"best次采样，抽出n"best个互不相关的训练集xt″′，生成n"best棵决策树，随机选取m"best个特征作为决策树中节点的分类特征值，计算每个特征的信息量，选择最佳特征属性进行分裂。n"best棵决策树作为第三层随机森林进行训练，输出预测结果，将n"best棵决策树的预测值取平均值得到第三层随机森林模型的输出结果y3；
将三层随机森林模型的输出结果依次叠加，得到基于MPSO算法优化的多层随机森林模型的输出结果；
将历史用电负荷数据与用电负荷预测输出结果进行对比处理，设定误差最小阈值，当历史用电负荷数据与用电负荷预测输出结果之间的均方误差接近所设阈值时，得到训练结果。根据训练结果中用电负荷数据与时间、气候数据之间的映射关系，得到用电负荷预测模型。
负荷预测部分进行负荷预测，将处理后的前一段时间用电负荷数据与特征数据输入训练好的用电负荷智能预测模型中进行用电负荷预测，得到下一段时间用电负荷预测结果。
在节能单元，由能耗分析部分与用能控制部分组成，能耗分析部分获取从数据分析单元预测的下一段时间用电负荷数据，通过预测结果得到下一段时间用电能耗数据，微电网系统用电能耗可以表示为：
Figure BDA0004116325440000131
其中Em为微电网下一段时间的用电能耗，E1、E2、En为微电网各支路用电量。
通过微电网用电负荷预测结果得到的微电网用电能耗数据为下一段时间的用电能耗预测数据。
在能耗分析部分得到的微电网用电能耗预测数据与微电网用电能耗实际数据是存在误差的，通过误差可以判断微电网的用能情况，从而对微电网系统用能进行调整，保障微电网高效稳定运行。
从微电网系统能耗平台采集实际用电能耗数据，将微电网用电能耗预测数据与用电能耗实际数据进行对比分析，得到微电网能耗比值，可表示为：
Figure BDA0004116325440000132
其中Em,pred为微电网下一段时间的用电能耗预测数据，Em,real为微电网下一段时间的用电能耗实际数据，σ为微电网能耗比值。
当微电网能耗比值σ偏大或者偏小时说明微电网用电能耗出现异常状态，对σ值进行设定，当微电网下一段时间用电能耗实际数据超出用电能耗预测数据的20％时能耗处于异常状态。
当σ值偏小时，微电网下一段时间用电能耗实际数据超出用电能耗预测数据，此时微电网用电能耗过高，需要对微电网用电设备进行调整，采取节能措施，当σ值偏大时，微电网下一段时间用电能耗实际数据低于用电能耗预测数据，此时用电量少，可以节约能源。
用能控制部分通过能耗分析部分所得微电网下一时间段内的用电能耗预测数据进而得到微电网能耗比值σ，根据能耗分析部分所设定的σ值得到能耗情况。
对微电网系统能耗进行定额，微电网的能耗定额值可以反映微电网用能基准，合理科学的能耗定额体系方法是微电网进行节能管理的重要组成部分。
对微电网进行能耗定额时要充分考虑微电网系统所在地区环境与发展情况，选取合理的能耗定额值，保障微电网在安全稳定且高效运行的前提下确定能耗基准值。
在一个实施例中对微电网系统能耗进行定额，以一般办公大楼微电网系统进行分析，用电能耗由大楼配电系统与制冷热系统两大分项能耗定额构成，可表示为：
Em＝Ex+Ey
其中Ex为大楼配电系统所产生的用电能耗定额，Ey为大楼制冷热系统所产生的用电能耗定额，Em为大楼用电能耗定额。
大楼配电系统包括照明系统、驱动系统、其它用电系统，大楼制冷热系统包括空调末端与暖气系统，大楼配电系统所产生的用电能耗定额可表示为：
Ex＝Ez+Eq+Es
其中Ez为照明系统用电能耗定额，Eq为驱动系统用电能耗定额，Es为其它用电系统用电能耗定额。
大楼制冷热系统所产生的用电能耗定额可表示为：
Ey＝Ek+En
其中Ek为空调末端用电能耗定额，En为暖气系统用电能耗定额。
大楼制冷热系统所产生的用电能耗定额可表示为：
Ey＝Ek+En
其中Ek为空调末端用电能耗定额，En为暖气系统用电能耗定额。
办公大楼用电能耗定额由多个小分项系统用电能耗定额组成，各分项用电能耗定额计算公式可表示为：
Figure BDA0004116325440000151
其中Ec为各分项系统用电能耗定额，Dc为各分项系统当年有效运行天数，qcmax为各分项系统全年用电能耗最大值，S为办公大楼建筑面积。
通过计算得到办公大楼微电网系统用电能耗定额，将获取的下一段时间用电能耗预测数据与用电能耗定额进行对比分析，计算此时能耗比值，可表示为：
Figure BDA0004116325440000152
其中Em，pred为大楼微电网系统下一段时间的用电能耗预测数据，Em为用电能耗定额，σ′为大楼微电网系统能耗比值的更新值。
与微电网能耗比值σ一样，当下一段时间用电能耗预测数据超出用电能耗定额的20％时大楼微电网系统能耗出于异常状态。
当σ′值偏小时，大楼微电网系统下一段时间用电能耗预测数据低于用电能耗定额，此时大楼用电量少，可以节约能源；当σ′值偏大时，大楼微电网系统下一段时间用电能耗预测数据超出用电能耗定额，此时大楼用电能耗过高，需要对大楼用电设备进行调整，采取节能措施。
用能控制部分通过所计算出的σ′值来进行用能管理，当σ′值偏小时，下一段时间内用电能耗较低，说明微电网系统用电负荷下降，用电需求量较低，此时可以减少微电网运行的用电设备，来节约能源；当σ′值偏大时，下一段时间内用电能耗高于微电网系统能耗定额，说明将处于用电高峰状态，用电需求量较高，此时可以通过数据输出单元进行示警，及时调整用电设备功率，缓解微电网用电负荷，保障安全稳定运行。
在数据存储单元，可以将数据采集单元从终端获取的用电负荷预测数据集、数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值、能耗比值更新值等信息，以上信息均可在数据输出单元显示，进行查看。
本实施例提供的一种电负荷预测与节能装置各部分的功能都可以由两种形式实现，一种是将功能存储进计算机设备存储器中，各功能由计算机统一调动使用，另一种是将装置以硬件形式安装于计算机处理器中来实现其功能。
图2为本申请一个实施例提供的计算机设备结构示意图，包括：处理器、内存储器、存储设备、输入系统与输出系统、网络接口、系统总线。
其中输入系统包括显示器、鼠标和电子触控笔等，输出系统包括显示器、打印机等，其中显示器和输入设备都连接到系统总线并与处理器相连。
大容量存储设备连接到系统总线并与处理器相连接，大容量存储设备及其相关联的计算机可读介质为计算机设备提供非易失性存储。也就是说，大容量存储设备可以包括诸如硬盘或者只读光盘驱动器之类的计算机可读介质。
计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器、电可擦除可编程只读存储器、闪存或其他固态存储其技术，CD-ROM、数字通用光盘或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
根据本申请另一个实施例，计算机设备还可以通过诸如网络连接到网络上的远程计算机运行。计算机设备可以通过连接在系统总线上的网络接口单元连接到网络，也可以使用网络接口单元来连接到其他类型的网络或远程计算机系统。
本申请还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的用电负荷预测方法和装置的步骤。
本申请还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的用电负荷预测方法和装置的步骤。
综上所述，本申请系统的数据分析单元采用基于MPSO算法优化的多层随机森林智能预测模型进行用电负荷预测，该方法具有更高的预测精度和更稳定的预测性能，在节能单元根据用电负荷预测结果进行能耗分析与用能控制，提出微电网系统能耗比值σ与能耗比值更新值σ′，通过精准的负荷预测结果与σ值、σ′值能够及时调整微电网系统下一时刻的用电功率，进行用能管理，达到缓解用电负荷与降低能源消耗的作用，保障微电网安全高效运行。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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过程、方法、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。
尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。
以上所述，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。

Claims (11)

1.一种电负荷预测与节能系统，其特征在于，包括数据采集单元、数据分析单元、节能单元、数据存储单元、数据输出单元，所述数据分析单元包括数据处理部分、模型训练部分和负荷预测部分，所述节能单元包括能耗分析部分与用能控制部分；
所述数据采集单元与所述数据分析单元连接，所述数据分析单元与所述节能单元连接，所述数据分析单元的输出端和所述节能单元的输出端均与所述数据存储单元连接，所述数据分析单元的输出端和所述节能单元的输出端均与所述数据输出单元连接。
2.根据权利要求1所述的一种电负荷预测与节能系统，其特征在于，所述数据采集单元用于从微电网终端设备采集用电负荷预测所需数据集，所述电负荷预测所需数据集包括历史用电负荷数据与特征数据集，特征数据包括时间数据和气候数据；
所述数据分析单元用于将采集的数据进行预处理，并获取智能用电负荷预测模型，对微电网下一时段进行用电负荷预测；
所述节能单元用于根据用电负荷预测信息进行能耗分析与用能控制；
所述数据存储单元用于存储数据采集单元从终端获取的用电负荷预测数据集、所述数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、所述节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值和能耗比值更新值；
所述数据输出单元用于得到数据采集单元从终端获取的用电负荷预测数据集、数据分析单元预处理后的训练数据集和智能预测模型负荷预测数据、节能单元能耗分析部分计算的用电能耗预测数据、能耗比值、用能控制部分计算的微电网系统能耗定额值、能耗比值更新值。
3.一种电负荷预测与节能系统方法，其特征在于，基于权利要求1所述的数据处理部分、模型训练部分和负荷预测部分，包括：
数据预处理；
获取基于MPSO算法优化的多层随机森林智能预测模型；
输入用电负荷数据与特征数据进行负荷预测；
对微电网进行能耗分析和用能控制。
4.根据权利要求3所述的一种电负荷预测与节能系统方法，其特征在于，所述数据预处理步骤包括对数据集进行数据清洗、数据转换、特征分析、特征选择，采用样条插值、线性插值或者均值法来对用电负荷数据与特征数据集异常值进行修正，填补缺失值，并对应历史用电负荷数据与气候数据来删除异常数据，得到特征性强的训练数据集。
5.根据权利要求3所述的一种电负荷预测与节能系统方法，其特征在于，所述获取基于MPSO算法优化的多层随机森林智能预测模型步骤包括：
将初始训练样本中的数据输入第一层随机森林进行训练，并且采用MPSO算法对随机森林模型进行参数优化训练，输出结果的同时得到训练残差y′；
将y′代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练，采用MPSO算法对随机森林模型进行参数优化训练，输出结果的同时得到训练残差y"；
将第二阶段所得训练残差y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，采用MPSO算法对随机森林模型进行参数优化训练；
将三层随机森林模型的输出依次叠加得到最终预测结果。
6.根据权利要求5所述的一种电负荷预测与节能方法，其特征在于，所述采用MPSO算法对模型进行参数优化训练，参数包括决策树棵数ntree与分裂特征数m，将ntree和m与MPSO算法中粒子属性对应，将随机森林模型训练所得袋外误差作为适应度值，在迭代过程中增加变异扰动项来不断优化模型参数，获得最优解。
7.根据权利要求3所述的一种电负荷预测与节能方法，其特征在于，所述输入用电负荷数据与特征数据进行负荷预测步骤包括：将处理后的前一段时间用电负荷数据与特征数据输入训练好的用电负荷智能预测模型中进行用电负荷预测，得到下一段时间用电负荷预测结果。
8.根据权利要求3所述的一种电负荷预测与节能方法，其特征在于，所述能耗分析步骤包括通过得到的微电网用电负荷预测结果，生成用电能耗预测数据，根据用电能耗预测数据与用电能耗实际数据获取微电网能耗比值σ，根据σ值来对微电网用电能耗进行分析。
9.根据权利要求8所述的一种电负荷预测与节能方法，其特征在于，所述用能控制步骤包括对微电网系统过去一段时间的能耗进行定额，通过计算微电网各分项用电能耗定额，得到用电能耗定额值，根据微电网系统下一时间段内的用电能耗预测数据与用电能耗定额值获取微电网下一段时间能耗比值更新值σ′，当σ′值偏小时，下一段时间内用电能耗较低，说明微电网系统用电负荷下降，用电需求量较低，此时能够减少微电网系统运行的用电设备，来节约能源；当σ′值偏大时，下一段时间内用电能耗高于大楼能耗定额，说明将处于微电网系统用电高峰状态，系统发出示警。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器与存储器、以及存储在所述存储器上并可被所述处理器执行的计算机应用程序，其中所述计算机程序被所述处理器执行时，使所述电计算机设备实现如权利要求3至9中任一项所述的一种电负荷预测与节能方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，使计算机实现如权利要求3至9中任一项所述的一种电负荷预测与节能方法。
CN202310220094.2A 2023-03-08 2023-03-08 一种电负荷预测与节能系统、方法、电子设备和储存介质 Pending CN116341725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310220094.2A CN116341725A (zh) 2023-03-08 2023-03-08 一种电负荷预测与节能系统、方法、电子设备和储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310220094.2A CN116341725A (zh) 2023-03-08 2023-03-08 一种电负荷预测与节能系统、方法、电子设备和储存介质

Publications (1)

Publication Number Publication Date
CN116341725A true CN116341725A (zh) 2023-06-27

Family

ID=86886994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310220094.2A Pending CN116341725A (zh) 2023-03-08 2023-03-08 一种电负荷预测与节能系统、方法、电子设备和储存介质

Country Status (1)

Country Link
CN (1) CN116341725A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117134493A (zh) * 2023-08-18 2023-11-28 北京知达客信息技术有限公司 一种网荷互动多维运行仿真系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117134493A (zh) * 2023-08-18 2023-11-28 北京知达客信息技术有限公司 一种网荷互动多维运行仿真系统
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117010576B (zh) * 2023-10-07 2024-02-02 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法

Similar Documents

Publication Publication Date Title
CN116341725A (zh) 一种电负荷预测与节能系统、方法、电子设备和储存介质
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
CN106059492B (zh) 基于功率预测的光伏组件阴影故障类型判定方法
CN110363347A (zh) 基于决策树索引的神经网络预测空气质量的方法
CN112001439A (zh) 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110110912B (zh) 一种光伏功率多模型区间预测方法
CN116316599A (zh) 一种智能用电负荷预测方法
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN112085285B (zh) 母线负荷预测方法、装置、计算机设备和存储介质
CN109242169B (zh) 一种面向电力大客户的短期负荷预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN112988538B (zh) 人工智能开发平台监控告警数据预测方法、装置及介质
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN115222138A (zh) 一种基于eemd-lstm微网光伏短期功率区间预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN115238948A (zh) 小水电发电量预测方法及装置
Meng et al. A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day
CN113988398A (zh) 一种风电机组功率预测方法、装置、电子设备和存储介质
CN114091758A (zh) 一种中短期负荷预测方法、系统以及存储介质
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN116777038A (zh) 微电网用电负荷预测方法、装置及存储介质
CN117113202A (zh) 基于联合误差堆叠模型的电力回路能耗检测方法及设备
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN115330050A (zh) 一种基于混合模型的建筑物负荷预测方法

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