CN116862077A - 基于多模态组合模型的电采暖运行成本预测方法和介质 - Google Patents
基于多模态组合模型的电采暖运行成本预测方法和介质 Download PDFInfo
- Publication number
- CN116862077A CN116862077A CN202311107479.4A CN202311107479A CN116862077A CN 116862077 A CN116862077 A CN 116862077A CN 202311107479 A CN202311107479 A CN 202311107479A CN 116862077 A CN116862077 A CN 116862077A
- Authority
- CN
- China
- Prior art keywords
- electric heating
- operation cost
- heating operation
- model
- neural network
- 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
- 238000005485 electric heating Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000010438 heat treatment Methods 0.000 claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 125000003275 alpha amino acid group Chemical group 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
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)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多模态组合模型的电采暖运行成本预测方法和介质,属于电采暖运行成本预测领域,提供的计算机可读存储介质存储计算机指令,计算机指令在被运行时执行基于多模态组合模型的电采暖运行成本预测方法的步骤。方法采用与电采暖运行成本相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个影响因素作为BP神经网络模型输入层特征参数,有利于提高预测精度,降低模型的复杂度。利用BP神经网络模型预测电采暖运行成本,然后利用Prophet模型进行BP神经网络模型的残差预测,通过BP神经网络模型和Prophet模型的有机组合,进一步提高了电采暖运行成本的预测精度,从而达到更好的预测效果。
Description
技术领域
本发明电采暖运行成本预测领域,更为具体地,涉及一种基于多模态组合模型的电采暖运行成本预测方法和介质。
背景技术
以碳基能源为主导的能源供给模式造成了严峻的生态环境问题,威胁着经济社会的可持续发展;开发利用可再生能源成为能源供给低碳化转型的重要战略选择,构建以风电、光伏等新能源为主体的新型电力系统是能源电力行业碳减排国家战略,风电功率受风速波动影响具有强不确定性,高比例不确定性电源联网将影响电力供应的可靠性及经济性,进而阻碍能源供给低碳化转型发展。
冬季采用电采暖方式既可以供暖,又可以有效促进新能源的消纳,减少弃风、弃光现象。同时还可以减少冬季因传统燃煤供暖而造成的空气污染问题。因此,研究电采暖成本的影响因素,建立有效的预测模型,变得尤为重要。准确的成本预测可以帮助用户做出更合理的能源消费决策,对电力供应商和能源政策制定者也具有指导作用。
然而,电采暖运行成本预测存在一些困难,首先,电采暖的运行成本受多个因素的影响,例如温度、场所面积、日采暖时长、采暖天数等。这些因素之间可能存在复杂的非线性关系,因此传统的预测方法往往难以捕捉到这种复杂性;其次,电采暖的运行成本在不同时间段和不同场所可能有较大的变化,因此需要一个灵活且具有较强泛化能力的预测模型。
发明内容
本发明的目的是为了解决传统方法预测电采暖成本通常基于历史数据建立回归模型,难以捕捉到数据之间的非线性关系,导致预测精度较低的问题,而提出了一种基于多模态组合模型的电采暖运行成本预测方法,利用神经网络进行预测,可以更好地处理这种非线性关系,提高预测精度。同时,神经网络具有良好的自适应性和鲁棒性,能够更好地适应不同的环境和数据变化,可以不断根据新数据进行模型优化,进一步提高预测精度。
为达到上述目的,本发明采用如下技术方案:
本发明的第一方面是提出了一种基于多模态组合模型的电采暖运行成本预测方法,该方法包括:
根据影响因素与电采暖运行成本的相关性,确定用于预测电采暖运行成本的影响因素,所述影响因素由温度、日采暖时长、采暖天数、场所面积和电费单价组成;
构建BP神经网络模型,BP神经网络模型包括输入层、隐含层和输出层3层网络结构;将温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素作为BP神经网络模型的输入向量,输入BP神经网络模型中,电采暖运行成本作为BP神经网络模型的输出数据,并将BP神经网络模型的输入数据作为预测结果一;
利用Prophet模型对BP神经网络产生的残差时间序列进行预测,得到残差的预测结果,并将残差的预测结果作为预测结果二;
将预测结果一和预测结果二进行相加,得到基于多模态组合模型的电采暖运行成本的预测值。
进一步,所述温度、日采暖时长、采暖天数、场所面积以及电费单价5个影响因素中的每个影响因素与电采暖运行成本的相关性均超过0.5。
进一步,BP神经网络模型的隐含层单元数的计算公式如下:,其中为数据集中样本的数量,/>为隐含层单元数,/>为输入层单元数,/>为/>之间的常数,当损失函数最小时,得到/>的数值,/>表示从/>个不同元素中,不重复地选出/>个元素的一个组合;
如果,/>,隐含层单元数/>的确定有如下两个方式,即:
方式一、,其中/>为输出层单元数,/>为输入层单元数,/>为[1,10]之间的常数;
方式二、 ,其中/>为输入层单元数,该方式对隐含层单元数/>的设定从3个节点开始增加至13个,用于来测量不同数量的隐含层单元数/>对模型误差的影响,最后选择最优结果的数量作为隐含层单元数/>。
进一步,BP神经网络模型的隐含层设置为5层。
进一步,电采暖运行成本预测的残差计算公式如下:,其中/>表示电采暖运行成本的真实值,/>表示电采暖运行成本的预测值。
进一步,Prophet模型是将一个残差时间序列看作由3种成分组成:趋势项、季节项、假期项;,其中/>为原始的残差时间序列;/>为趋势项,用于反映残差时间序列的非周期性变化;/>为季节项,反映残差时间序列的周期性变化;/>为假期项,表示不规律的假期项所产生的影响;/>为误差项,表示未考虑到的因素对残差时间序列所造成的影响。
根据本发明的另一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令在被运行时执行如前所述的基于多模态组合模型的电采暖运行成本预测方法的步骤。
通过上述设计方案,本发明可以带来如下有益效果:
1、本发明提出的基于多模态组合模型的电采暖运行成本预测方法,采用与电采暖运行成本相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个关键影响因素作为BP神经网络模型输入层特征参数,有利于提高预测精度,降低模型的复杂度。此外,该方法具备较强的数据处理能力,能够自动去除异常值等干扰因素。
2、本发明分别利用BP神经网络模型预测未来电采暖运行成本,然后利用Prophet模型进行BP神经网络模型的残差预测。通过BP神经网络模型和Prophet模型的有机组合,进一步提高了电采暖运行成本的预测精度,从而达到更好的预测效果;该方法具有较强的泛化能力,能够适应不同的采暖场景。
附图说明
此处的附图说明用来提供对本发明的进一步理解,构成本发明的一部分,本发明示意性实施例及其说明用于理解本发明,并不构成本发明的不当限定,在附图中:
图1为基于多模态组合模型的电采暖运行成本预测方法的流程图;
图2为BP神经网络模型架构图。
实施方式
如图1和图2所示,本发明提供了一种基于多模态组合模型的电采暖运行成本预测方法,首先,考虑温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素的影响,构建BP神经网络模型,对电采暖运行成本进行预测,计算预测残差,接着利用Prophet模型对残差进行预测,得到残差的预测结果,最后,将BP神经网络模型的预测结果与Prophet模型的预测结果进行加和,得到最后的预测结果,作为基于多模态组合模型的电采暖运行成本的预测值;具体过程包括:
(1)针对电采暖运行成本数据与影响因素数据,设计了BP神经网络模型的输入层、输出层和隐藏层,利用数据训练了BP神经网络模型,得到预测电采暖运行成本的BP神经网络模型;
(2)利用Prophet模型,对BP神经网络模型产生的残差时间序列进行预测;
(3)设计了基于BP神经网络和Prophet时间序列的组合预测模型,预测电采暖运行成本。
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面结合本发明的实施例中的附图,对本发明中的技术方案进行清楚完整地描述。显然,本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质,公知的方法、过程和流程并没有详细叙述。
基于多模态组合模型的电采暖运行成本预测方法,包括:
S1、电采暖运行成本影响因素分析
通过查阅相关资料发现影响电采暖运行成本的因素包括场所类型、场所面积、单位面积热负荷、热负荷系数、建筑节能性、温度、日采暖时长、采暖天数、电费单价等。本发明利用皮尔逊相关系数分析法进行关联性的分析,由于本发明选用的相关性分析技术属于现有技术,此处不再详细赘述。从数据客观表现中,分析各因素与电采暖运行成本的相关性,影响因素与电采暖运行成本的相关性,见表1。
表1
影响因素 | 相关性 |
温度 | 0.78 |
日采暖时长 | 0.67 |
采暖天数 | 0.62 |
场所面积 | 0.58 |
电费单价 | 0.54 |
单位面积热负荷 | 0.42 |
热负荷系数 | 0.39 |
建筑节能性 | 0.22 |
场所类型 | 0.15 |
本发明采用相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个关键影响因素作为BP神经网络模型输入层特征参数。
S2、BP神经网络模型的构建
BP神经网络的结构包含3层:输入层、隐含层/>和输出层/>。神经元是神经网络的基本单元,并且相邻的两层神经元通过权重/>和阈值/>彼此连接。在前向传播过程中,样本的信息将被用作输入层的信息,隐含层对其进行处理并将其传播到输出层;在反向传播过程中,传输不再是数据而是误差,并对其及时进行调整。输入信号和输出信号之间的关系表达如下:/>;
其中为隐含层单元数,/>为输入层第/>个节点,/>为隐含层第/>个节点,/>为输入层第/>个节点与隐含层第/>个节点之间的连接权值,/>为输入层第/>个节点的输入变量,/>为隐含层第/>个节点上的阈值,/>为隐含层的节点数,/>为隐含层激励函数,/>为隐含层节点的计算输出。
1)数据采集与处理
对采集到的数据进行处理,对于缺失的数据,利用临近月份的数据进行填充,接着进行数据归一化,避免输入数值间的特性差异过大,导致数值较小的特性被淹没。数据归一化公式如下:
(1)
式(1)中,为数据/>归一化结果,/>为数据/>的实际值,/>为该组数据最小值,/>为该组数据最大值。
2)输入层单元设计
把影响电采暖运行成本的关键因素温度、日采暖时长、采暖天数、场所面积、电费单价作为输入向量。输入向量共有5个,因此BP神经网络的输入层单元数为5。
3)输出层单元数设计
模型输出层数据为电采暖运行成本数据,输出数据的种类数量为1,因此神经网络输出层单元个数为1。
4)隐含层单元数设计
通常情况下,随着隐含层单元数目的增加,BP神经网络在处理非线性映射的问题上表现出更好的性能,而过多的隐含层数量对BP神经网络模型训练效果造成的影响却是负面的。隐含层单元数的选择直接影响预测结果精确程度。隐含层单元数计算公式如下:
(2)
式(2)中,为数据集中样本的数量,/>为隐含层单元数,/>为输入层单元数,/>为/>之间的常数,当损失函数最小时,得到/>的数值,/>表示从/>个不同元素中,不重复地选出/>个元素的一个组合;如果/>,/>,隐含层单元数/>的确定主要有如下两个方法,即:
(3)
式(3)中,为输出层单元数,/>为输入层单元数,/>是从1到10的常数,/>计算时,采取损失函数最小的原则,经过多次模型训练,当损失函数最小时,确定/>值保证。
(4)
式(4)中,为输入层单元数,该方法对隐含层单元数/>的设定从3个节点开始增加至13个,用来测量不同数量的隐含层单元数/>对模型误差的影响,最后选择最优结果的数量作为隐含层单元数/>。
结合实际情况,本次构建的模型的隐含层设置为5层。进行电采暖成本的预测。接着测算预测的残差,计算公式如下。
(5)
其中,表示电采暖运行成本的真实值,/>表示电采暖运行成本的预测值。
S3、Prophet模型的构建
Prophet模型能够较为灵活地对趋势成分进行建模,方便寻找最优模型并利用最优模型进行预测。本发明利用Prophet模型进行残差预测,对BP神经网络模型预测产生的残差进行进一步的分析与预测,以准确把握BP神经网络模型的预测残差水平,降低最后的预测误差。
Prophet模型把一个残差时间序列看做由3种主要成分组成:趋势项、季节项、假期项。
(6)
其中,为原始的残差时间序列;/>为趋势项,用于反映残差时间序列的非周期性变化;/>为季节项,反映残差时间序列的周期性变化;/>为假期项,表示不规律的假期项所产生的影响;/>为误差项,表示未考虑到的因素对残差时间序列所造成的影响。
本发明利用Prophet模型预测BP神经网络模型产生的残差时间序列。
S4、电采暖运行成本的预测模型算法设计
本发明首先利用BP神经网络模型对数据进行预测,提取出序列的残差,然后将残差时间序列作为Prophet模型的输入样本,得到相应的输出结果,最后再将两者的输出结果相加,即得到混合模型的预测结果。该种混合模型的建模流程图如1所示。具体的预测过程如下。
1)考虑温度、日采暖时长、采暖天数、场所面积、电费单价5个关键影响因素的影响,构建BP神经网络模型,对电采暖运行成本进行预测,得到预测结果一;
2)计算BP神经网络模型预测的残差;
3)构建Prophet模型,对残差进行预测,掌握BP神经网络预测的残差水平,得到残差的预测结果,作为预测结果二;
4)将预测结果一与预测结果二进行加和,得到最后的预测结果。
S5、本发明提出的方法的效益
1)本发明提出的方法利用单因素关联性检验、多因素关联分析、主成分分析等大数据分析技术,对影响电采暖运行成本的多种因素进行相关性量化分析,并选出相关性超过0.5的温度、日采暖时长、采暖天数、场所面积、电费单价5个关键影响因素作为BP神经网络模型输入层特征参数,有利于提高预测精度,降低模型的复杂度。此外,该方法具备较强的数据处理能力,能够自动去除异常值等干扰因素。
2)本发明构建了BP神经网络模型和Prophet模型的组合模型,利用BP神经网络模型预测未来电采暖运行成本,然后利用Prophet模型进行BP神经网络模型的残差预测。通过两个模型的有机组合,进一步提高了电采暖运行成本的预测精度,从而达到更好的预测效果。本方法具有较强的泛化能力,能够适应不同的采暖场景。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令在被运行时执行如前所述的基于多模态组合模型的电采暖运行成本预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (7)
1.一种基于多模态组合模型的电采暖运行成本预测方法,其特征在于,该方法包括:
根据影响因素与电采暖运行成本的相关性,确定用于预测电采暖运行成本的影响因素,所述影响因素由温度、日采暖时长、采暖天数、场所面积和电费单价组成;
构建BP神经网络模型,BP神经网络模型包括输入层、隐含层和输出层3层网络结构;将温度、日采暖时长、采暖天数、场所面积和电费单价5个影响因素作为BP神经网络模型的输入向量,输入BP神经网络模型中,电采暖运行成本作为BP神经网络模型的输出数据,并将BP神经网络模型的输入数据作为预测结果一;
利用Prophet模型对BP神经网络产生的残差时间序列进行预测,得到残差的预测结果,并将残差的预测结果作为预测结果二;
将预测结果一和预测结果二进行相加,得到基于多模态组合模型的电采暖运行成本的预测值。
2.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法,其特征在于:所述温度、日采暖时长、采暖天数、场所面积以及电费单价5个影响因素中的每个影响因素与电采暖运行成本的相关性均超过0.5。
3.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法,其特征在于:BP神经网络模型的隐含层单元数的计算公式如下:,其中/>为数据集中样本的数量,/>为隐含层单元数,/>为输入层单元数,/>为/>间的常数,当损失函数最小时,得到/>的数值,/>表示从/>个不同元素中,不重复地选出/>个元素的一个组合;
如果,/>,隐含层单元数/>的确定有如下两个方式,即:
方式一、,其中/>为输出层单元数,/>为输入层单元数,/>为[1,10]之间的常数;
方式二、 ,其中/>为输入层单元数,该方式对隐含层单元数/>的设定从3个节点开始增加至13个,用于来测量不同数量的隐含层单元数/>对模型误差的影响,最后选择最优结果的数量作为隐含层单元数/>。
4.根据权利要求3所述的基于多模态组合模型的电采暖运行成本预测方法,其特征在于:BP神经网络模型的隐含层设置为5层。
5.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法,其特征在于:电采暖运行成本预测的残差计算公式如下:,其中/>表示电采暖运行成本的真实值,/>表示电采暖运行成本的预测值。
6.根据权利要求1所述的基于多模态组合模型的电采暖运行成本预测方法,其特征在于:Prophet模型是将一个残差时间序列看作由3种成分组成:趋势项、季节项、假期项;,其中/>为原始的残差时间序列;/>为趋势项,用于反映残差时间序列的非周期性变化;/>为季节项,反映残差时间序列的周期性变化;/>为假期项,表示不规律的假期项所产生的影响;/>为误差项,表示未考虑到的因素对残差时间序列所造成的影响。
7.一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令在被运行时执行权利要求1-6中任一项所述的基于多模态组合模型的电采暖运行成本预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107479.4A CN116862077A (zh) | 2023-08-31 | 2023-08-31 | 基于多模态组合模型的电采暖运行成本预测方法和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107479.4A CN116862077A (zh) | 2023-08-31 | 2023-08-31 | 基于多模态组合模型的电采暖运行成本预测方法和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862077A true CN116862077A (zh) | 2023-10-10 |
Family
ID=88228898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107479.4A Pending CN116862077A (zh) | 2023-08-31 | 2023-08-31 | 基于多模态组合模型的电采暖运行成本预测方法和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522082A (zh) * | 2024-01-04 | 2024-02-06 | 国网山西省电力公司经济技术研究院 | 基于备用成本测算的电力系统运行成本计算方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934406A (zh) * | 2019-03-14 | 2019-06-25 | 深圳市爱能森科技有限公司 | 储能供暖的成本预测方法、装置、存储介质及终端 |
CN112150205A (zh) * | 2020-09-27 | 2020-12-29 | 浪潮通用软件有限公司 | 价格预测方法及装置、电子设备 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
CN113505946A (zh) * | 2021-08-09 | 2021-10-15 | 中车青岛四方机车车辆股份有限公司 | 一种生产成本管控方法、系统、存储介质及设备 |
CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
CN115062847A (zh) * | 2022-06-16 | 2022-09-16 | 北京嘉洁能科技股份有限公司 | 一种基于逻辑回归算法的碳纤维供暖能耗预测方法及系统 |
CN115577851A (zh) * | 2022-10-28 | 2023-01-06 | 邦道科技有限公司 | 能源消耗预测方法、装置、设备及存储介质 |
-
2023
- 2023-08-31 CN CN202311107479.4A patent/CN116862077A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934406A (zh) * | 2019-03-14 | 2019-06-25 | 深圳市爱能森科技有限公司 | 储能供暖的成本预测方法、装置、存储介质及终端 |
CN112150205A (zh) * | 2020-09-27 | 2020-12-29 | 浪潮通用软件有限公司 | 价格预测方法及装置、电子设备 |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
CN113505946A (zh) * | 2021-08-09 | 2021-10-15 | 中车青岛四方机车车辆股份有限公司 | 一种生产成本管控方法、系统、存储介质及设备 |
CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
CN115062847A (zh) * | 2022-06-16 | 2022-09-16 | 北京嘉洁能科技股份有限公司 | 一种基于逻辑回归算法的碳纤维供暖能耗预测方法及系统 |
CN115577851A (zh) * | 2022-10-28 | 2023-01-06 | 邦道科技有限公司 | 能源消耗预测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522082A (zh) * | 2024-01-04 | 2024-02-06 | 国网山西省电力公司经济技术研究院 | 基于备用成本测算的电力系统运行成本计算方法及系统 |
CN117522082B (zh) * | 2024-01-04 | 2024-03-22 | 国网山西省电力公司经济技术研究院 | 基于备用成本测算的电力系统运行成本计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Forecasting Chinese carbon emissions from fossil energy consumption using non-linear grey multivariable models | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
Wang et al. | Self-adaptive discrete grey model based on a novel fractional order reverse accumulation sequence and its application in forecasting clean energy power generation in China | |
CN116862077A (zh) | 基于多模态组合模型的电采暖运行成本预测方法和介质 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
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 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
Wang et al. | Long short-term memory deep learning model for predicting the dynamic performance of automotive PEMFC system | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
CN111859783B (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
CN115619447A (zh) | 一种月度售电量组合预测方法、设备和介质 | |
Chaoran et al. | Performance prediction of a ground source heat pump system using denoised long short-term memory neural network optimised by fast non-dominated sorting genetic algorithm-II | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN114372691A (zh) | 一种基于全息感知的电能替代潜力估算方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Li et al. | A novel damped conformable fractional grey Bernoulli model and its applications in energy prediction with uncertainties | |
CN112347695B (zh) | 一种变压器顶层油温的预测方法及系统 | |
Yu et al. | Electric Power Material Demand Forecasting Based on LSTM and GM-BP methods | |
CN117833351A (zh) | 一种新能源电力系统运行风险在线评估方法及系统 | |
Yang et al. | A Design Method of Aero-Engine Labyrinth Seal Parameters Based on AGA-BP Neural Network | |
CN117591981A (zh) | 一种基于AutoML的电力正向有功总值异常检测方法及系统 |
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 |