CN116522163A - 一种建筑能耗预测方法 - Google Patents
一种建筑能耗预测方法 Download PDFInfo
- Publication number
- CN116522163A CN116522163A CN202310643434.2A CN202310643434A CN116522163A CN 116522163 A CN116522163 A CN 116522163A CN 202310643434 A CN202310643434 A CN 202310643434A CN 116522163 A CN116522163 A CN 116522163A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building energy
- day
- prediction
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000013526 transfer learning Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能耗预测，具体涉及一种建筑能耗预测方法，对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日；对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列；根据低频序列和高频序列得到预测日的第一建筑能耗预测结果；将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型；基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型；根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果；本发明提供的技术方案能够有效克服现有技术所存在的对建筑能耗预测精度较低的缺陷。
Description
技术领域
本发明涉及能耗预测，具体涉及一种建筑能耗预测方法。
背景技术
建筑能耗的精准预测，是实现合理运行建筑能源系统，对建筑用能进行节能管控，实现建筑节能减排的基础。
目前，国内外针对建筑能耗的预测方法已经开展了很多的研究，包括参数回归法、时间序列法、人工神经网络等。由于建筑的冷热负荷受到诸多不确定性因素的影响，具有较强的非线性、随机性特点，现有的建筑能耗预测方法普遍存在预测精度较低、技术难以落地等问题。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种建筑能耗预测方法，能够有效克服现有技术所存在的对建筑能耗预测精度较低的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种建筑能耗预测方法，包括以下步骤：
S1、对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日；
S2、对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列；
S3、根据低频序列和高频序列得到预测日的第一建筑能耗预测结果；
S4、将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型；
S5、基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型；
S6、根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果；
S7、综合第一建筑能耗预测结果和第二建筑能耗预测结果，得到预测日的最终建筑能耗预测结果。
优选地，S1中对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日，包括：
基于日最高温度、天气类型、星期类型、节日类型筛选历史日，并对建筑能耗各影响因素进行特征值提取，构成预测日、历史日的特征值向量：
X0＝[X0(1),X0(2),...,X0(n)]
Xi＝[Xi(1),Xi(2),...,Xi(n)]
其中，X0为预测日的特征值向量，X0(n)为预测日第n个建筑能耗影响因素的特征值，Xi为历史日i的特征值向量，Xi(n)为历史日i第n个建筑能耗影响因素的特征值；
基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，并选取建筑能耗相似度最高的历史日。
优选地，所述基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，包括：
采用下式计算历史日与预测日的建筑能耗相似度：
其中，S为历史日与预测日的建筑能耗相似度，X0(k)为预测日的特征值向量X0中第k个特征值，Xi(k)为历史日i的特征值向量Xi中第k个特征值。
优选地，S3中根据低频序列和高频序列得到预测日的第一建筑能耗预测结果，包括：
对低频序列采用LSSVM-GSA模型进行预测，对高频序列采用均方加权方法进行处理；
对低频序列和高频序列的处理结果进行小波重构，得到预测日的第一建筑能耗预测结果。
优选地，所述对低频序列采用LSSVM-GSA模型进行预测，包括：
对低频序列数据进行归一化处理，防止不同大小的数据属性之间的影响，同时加快网络学习速度；
采用LSSVM-GSA模型对归一化处理后的低频序列数据进行预测；
对预测结果进行反归一化处理，得到LSSVM-GSA模型对于低频序列的最终预测值。
优选地，S4中将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型，包括：
将预训练样本数据输入预先构建的深度神经网络中，得到建筑能耗的第一模型预测结果；
基于第一损失函数，确定第一模型预测结果与第一标签之间的第一误差；
基于第一误差对深度神经网络进行迭代训练，直至第一误差达到预设误差范围内，得到预训练模型；
其中，预训练样本数据包括不同类型建筑的基础数据、运行数据和第一标签，第一标签标示不同类型建筑在预设时间段内的建筑能耗。
优选地，所述深度神经网络为双向循环神经网络。
优选地，S5中基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型，包括：
将训练样本数据输入预训练模型中，得到建筑能耗的第二模型预测结果；
基于第二损失函数，确定第二模型预测结果与第二标签之间的第二误差；
基于第二误差对预训练模型进行迭代训练，直至第二误差达到预设误差范围内，得到优化后的建筑能耗预测模型；
其中，训练样本数据包括待预测建筑的基础数据、运行数据和第二标签，第二标签标示待预测建筑在预设时间段内的建筑能耗。
优选地，所述基于第二误差对预训练模型进行迭代训练，包括：
利用预训练模型进行特征提取，得到特征序列；
在提取的特征序列的基础上，基于待预测建筑的训练样本数据，学习预训练模型输出层中的参数。
(三)有益效果
与现有技术相比，本发明所提供的一种建筑能耗预测方法，具有以下有益效果：
1)对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日，对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列，根据低频序列和高频序列得到预测日的第一建筑能耗预测结果，基于预测日、历史日的特征值向量，筛选出与预测日建筑能耗相似度最高的历史日，并通过对该历史日的建筑能耗数据进行数据处理能够实现对预测日建筑能耗的准确预测；
2)将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型，基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型，根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果，通过构建深度神经网络，并对深度神经网络进行模型训练和迁移学习，从而能够利用优化后的建筑能耗预测模型实现对预测日建筑能耗的准确预测；
3)综合第一建筑能耗预测结果和第二建筑能耗预测结果，得到预测日的最终建筑能耗预测结果，能够进一步提高对建筑能耗的预测精度，实现对建筑能耗的精准预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明中得到预测日的第一建筑能耗预测结果的流程示意图；
图3为本发明中得到预测日的第二建筑能耗预测结果的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种建筑能耗预测方法，如图1和图2所示，①对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日，具体包括：
基于日最高温度、天气类型、星期类型、节日类型筛选历史日，并对建筑能耗各影响因素进行特征值提取，构成预测日、历史日的特征值向量：
X0＝[X0(1),X0(2),...,X0(n)]
Xi＝[Xi(1),Xi(2),...,Xi(n)]
其中，X0为预测日的特征值向量，X0(n)为预测日第n个建筑能耗影响因素的特征值，Xi为历史日i的特征值向量，Xi(n)为历史日i第n个建筑能耗影响因素的特征值；
基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，并选取建筑能耗相似度最高的历史日。
具体地，基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，包括：
采用下式计算历史日与预测日的建筑能耗相似度：
其中，S为历史日与预测日的建筑能耗相似度，X0(k)为预测日的特征值向量X0中第k个特征值，Xi(k)为历史日i的特征值向量Xi中第k个特征值。
②对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列。
③根据低频序列和高频序列得到预测日的第一建筑能耗预测结果，具体包括：
对低频序列采用LSSVM-GSA模型进行预测，对高频序列采用均方加权方法进行处理；
对低频序列和高频序列的处理结果进行小波重构，得到预测日的第一建筑能耗预测结果。
具体地，对低频序列采用LSSVM-GSA模型进行预测，包括：
对低频序列数据进行归一化处理，防止不同大小的数据属性之间的影响，同时加快网络学习速度；
采用LSSVM-GSA模型对归一化处理后的低频序列数据进行预测；
对预测结果进行反归一化处理，得到LSSVM-GSA模型对于低频序列的最终预测值。
上述技术方案，对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日，对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列，根据低频序列和高频序列得到预测日的第一建筑能耗预测结果，基于预测日、历史日的特征值向量，筛选出与预测日建筑能耗相似度最高的历史日，并通过对该历史日的建筑能耗数据进行数据处理能够实现对预测日建筑能耗的准确预测。
如图1和图3所示，④将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型，具体包括：
将预训练样本数据输入预先构建的深度神经网络中，得到建筑能耗的第一模型预测结果；
基于第一损失函数，确定第一模型预测结果与第一标签之间的第一误差；
基于第一误差对深度神经网络进行迭代训练，直至第一误差达到预设误差范围内，得到预训练模型；
其中，预训练样本数据包括不同类型建筑的基础数据、运行数据和第一标签，第一标签标示不同类型建筑在预设时间段内的建筑能耗。
本申请技术方案中，深度神经网络为双向循环神经网络。
⑤基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型，具体包括：
将训练样本数据输入预训练模型中，得到建筑能耗的第二模型预测结果；
基于第二损失函数，确定第二模型预测结果与第二标签之间的第二误差；
基于第二误差对预训练模型进行迭代训练，直至第二误差达到预设误差范围内，得到优化后的建筑能耗预测模型；
其中，训练样本数据包括待预测建筑的基础数据、运行数据和第二标签，第二标签标示待预测建筑在预设时间段内的建筑能耗。
具体地，基于第二误差对预训练模型进行迭代训练，包括：
利用预训练模型进行特征提取，得到特征序列；
在提取的特征序列的基础上，基于待预测建筑的训练样本数据，学习预训练模型输出层中的参数。
⑥根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果。
⑦综合第一建筑能耗预测结果和第二建筑能耗预测结果，得到预测日的最终建筑能耗预测结果。
上述技术方案，将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型，基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型，根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果，通过构建深度神经网络，并对深度神经网络进行模型训练和迁移学习，从而能够利用优化后的建筑能耗预测模型实现对预测日建筑能耗的准确预测。
综合第一建筑能耗预测结果和第二建筑能耗预测结果，得到预测日的最终建筑能耗预测结果，能够进一步提高对建筑能耗的预测精度，实现对建筑能耗的精准预测。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种建筑能耗预测方法，其特征在于：包括以下步骤：
S1、对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日；
S2、对建筑能耗相似度最高的历史日的建筑能耗数据进行小波分解，得到低频序列和高频序列；
S3、根据低频序列和高频序列得到预测日的第一建筑能耗预测结果；
S4、将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型；
S5、基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型；
S6、根据优化后的建筑能耗预测模型得到预测日的第二建筑能耗预测结果；
S7、综合第一建筑能耗预测结果和第二建筑能耗预测结果，得到预测日的最终建筑能耗预测结果。
2.根据权利要求1所述的建筑能耗预测方法，其特征在于：S1中对建筑能耗各影响因素进行特征值提取，并选取与预测日建筑能耗相似度最高的历史日，包括：
基于日最高温度、天气类型、星期类型、节日类型筛选历史日，并对建筑能耗各影响因素进行特征值提取，构成预测日、历史日的特征值向量：
X0＝[X0(1),X0(2),...,X0(n)]
Xi＝[Xi(1),Xi(2),...,Xi(n)]
其中，X0为预测日的特征值向量，X0(n)为预测日第n个建筑能耗影响因素的特征值，Xi为历史日i的特征值向量，Xi(n)为历史日i第n个建筑能耗影响因素的特征值；
基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，并选取建筑能耗相似度最高的历史日。
3.根据权利要求2所述的建筑能耗预测方法，其特征在于：所述基于预测日、历史日的特征值向量，计算历史日与预测日的建筑能耗相似度，包括：
采用下式计算历史日与预测日的建筑能耗相似度：
其中，S为历史日与预测日的建筑能耗相似度，X0(k)为预测日的特征值向量X0中第k个特征值，Xi(k)为历史日i的特征值向量Xi中第k个特征值。
4.根据权利要求2所述的建筑能耗预测方法，其特征在于：S3中根据低频序列和高频序列得到预测日的第一建筑能耗预测结果，包括：
对低频序列采用LSSVM-GSA模型进行预测，对高频序列采用均方加权方法进行处理；
对低频序列和高频序列的处理结果进行小波重构，得到预测日的第一建筑能耗预测结果。
5.根据权利要求4所述的建筑能耗预测方法，其特征在于：所述对低频序列采用LSSVM-GSA模型进行预测，包括：
对低频序列数据进行归一化处理，防止不同大小的数据属性之间的影响，同时加快网络学习速度；
采用LSSVM-GSA模型对归一化处理后的低频序列数据进行预测；
对预测结果进行反归一化处理，得到LSSVM-GSA模型对于低频序列的最终预测值。
6.根据权利要求1所述的建筑能耗预测方法，其特征在于：S4中将预训练样本数据输入预先构建的建筑能耗预测模型进行预训练，得到预训练模型，包括：
将预训练样本数据输入预先构建的深度神经网络中，得到建筑能耗的第一模型预测结果；
基于第一损失函数，确定第一模型预测结果与第一标签之间的第一误差；
基于第一误差对深度神经网络进行迭代训练，直至第一误差达到预设误差范围内，得到预训练模型；
其中，预训练样本数据包括不同类型建筑的基础数据、运行数据和第一标签，第一标签标示不同类型建筑在预设时间段内的建筑能耗。
7.根据权利要求6所述的建筑能耗预测方法，其特征在于：所述深度神经网络为双向循环神经网络。
8.根据权利要求6所述的建筑能耗预测方法，其特征在于：S5中基于训练样本数据对预训练模型进行迁移学习，得到优化后的建筑能耗预测模型，包括：
将训练样本数据输入预训练模型中，得到建筑能耗的第二模型预测结果；
基于第二损失函数，确定第二模型预测结果与第二标签之间的第二误差；
基于第二误差对预训练模型进行迭代训练，直至第二误差达到预设误差范围内，得到优化后的建筑能耗预测模型；
其中，训练样本数据包括待预测建筑的基础数据、运行数据和第二标签，第二标签标示待预测建筑在预设时间段内的建筑能耗。
9.根据权利要求8所述的建筑能耗预测方法，其特征在于：所述基于第二误差对预训练模型进行迭代训练，包括：
利用预训练模型进行特征提取，得到特征序列；
在提取的特征序列的基础上，基于待预测建筑的训练样本数据，学习预训练模型输出层中的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643434.2A CN116522163A (zh) | 2023-06-01 | 2023-06-01 | 一种建筑能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643434.2A CN116522163A (zh) | 2023-06-01 | 2023-06-01 | 一种建筑能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116522163A true CN116522163A (zh) | 2023-08-01 |
Family
ID=87394256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310643434.2A Pending CN116522163A (zh) | 2023-06-01 | 2023-06-01 | 一种建筑能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522163A (zh) |
-
2023
- 2023-06-01 CN CN202310643434.2A patent/CN116522163A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN110580496A (zh) | 一种基于熵最小化的深度迁移学习系统及方法 | |
| CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN113128113A (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 | |
| CN110147772B (zh) | 一种基于迁移学习的水下坝体表面裂缝识别方法 | |
| CN111080002A (zh) | 基于深度学习的建筑用电负荷多步预测方法及系统 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
| CN108764539A (zh) | 一种梯级电站的上下游水位预测方法 | |
| CN114119273B (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN117277279A (zh) | 一种基于粒子群优化的深度学习短期负荷预测方法 | |
| CN108596204B (zh) | 一种基于改进型scdae的半监督调制方式分类模型的方法 | |
| CN114444561A (zh) | 基于CNNs-GRU融合深度学习模型的PM2.5预测方法 | |
| CN109444604A (zh) | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 | |
| CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
| CN115828768A (zh) | 一种数据驱动的配电网无功功率预测方法 | |
| CN113868954A (zh) | 一种空调负荷预测方法及系统 | |
| CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
| CN117391260A (zh) | 开尔文优化算法优化卷积神经网络参数的溶解氧预测方法 | |
| CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
| CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 |
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 |