CN117272121A - 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 - Google Patents
一种基于Deep SHAP的酒店负荷影响因素量化分析方法 Download PDFInfo
- Publication number
- CN117272121A CN117272121A CN202311555075.1A CN202311555075A CN117272121A CN 117272121 A CN117272121 A CN 117272121A CN 202311555075 A CN202311555075 A CN 202311555075A CN 117272121 A CN117272121 A CN 117272121A
- Authority
- CN
- China
- Prior art keywords
- hotel
- load
- influence
- factors
- quantitative analysis
- 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 43
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (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Deep SHAP的酒店负荷影响因素量化分析方法，包括以下步骤：分别选取四个季节的三十个典型日，采集数据，形成数据样本集；采集的数据包括酒店各层、各类的电力负荷量及占比、初始影响因素集所要求的酒店运行数据，酒店运行数据包括：环境因素、设备因素和随机因素的相关数据，建立人工神经网络模型，对特征的重要性进行分析，计算出初始影响因素集中各影响因素对样本预测结果贡献程度的均值，根据酒店各层电力负荷占比以及组成情况，计算最终初始影响因素集中各影响因素对酒店整体负荷影响的量化分析结果。本发明能够依赖于酒店运行中的海量数据，实现更合理和快速的酒店负荷影响因素量化分析，以指导制定酒店负荷管控策略。
Description
技术领域
本发明涉及楼宇能耗分析技术领域，尤其涉及一种基于Deep SHAP的酒店负荷影响因素量化分析方法。
背景技术
随着我国城市化建设步伐加快，建筑物总量及能耗急剧增加，如何实现建筑用能的高效管理成为重要问题。相比于普通公共建筑，酒店建筑的设备繁多，分区复杂，缺乏分项计量系统，能源类型多样且分布不均衡，其负荷影响因素量化分析与统一管理存在较大困难。随着信息采集、处理、存储技术的进步，酒店运行负荷数据采集的问题逐渐得以解决，而如何有效利用酒店建筑中的历史数据对酒店负荷影响因素进行量化分析成为重要问题，是实现酒店负荷节能运行与控制的重要前提。
目前在酒店负荷影响因素量化分析问题的研究方面，主要集中于对酒店中空调、热水器等部分可调节负荷影响因素的量化分析，以辅助制定相应的控制策略，主要的方法包括相关性系数法、层次分析法、基于机器学习的智能方法等。在这些方法中，最重要的在于搜索梳理合理的初始影响因素集，目前的大多数研究，主要涉及气象类因素、舒适度因素等，对影响因素的考虑并不全面，导致分析结果不够完备与精细，影响后期酒店负荷管控策略的制定。
发明内容
本发明的目的在于提供一种基于Deep SHAP的酒店负荷影响因素量化分析方法，对两个方面进行了改进，一方面，对酒店中的用电负荷需要更加全面的考虑，充分利用酒店的用电负荷数据并合理分类；另一方面，对初始影响因素集进一步拓展，引入建筑功能分区、入住率、人员密集程度因素，提升酒店负荷影响因素量化分析的完备性，以解决上述背景技术中提出的问题。
本发明涉及一种基于Deep SHAP的酒店负荷影响因素量化分析方法，包括以下步骤：
步骤（A）、对酒店负荷进行分层分类，确定初始影响因素集中的特征元素；
步骤（B）、以酒店日负荷曲线为基础，通过聚类分析的方法确定特征日：以春、夏、秋、冬四个季节为基础，分别对各个季节选取三十个典型日，每个典型日以1小时为时间间隔记录数据，形成初始样本数据库，所述初始样本数据库包括训练样本数据和测试样本数据；
其中样本数据包括：酒店各楼层电力负荷总量数据，酒店各楼层各类电力负荷量，初始影响因素集中所要求的酒店运行数据。
优选的，所述样本数据中酒店各楼层电力负荷按照如下的类别进行分类：空调及通风设备负荷（包括但不限于空调、排风设备，类型A）、照明设备负荷（包括但不限于各类灯光设备，类型B）、供水系统及加热/制冷设备负荷（包括但不限于水泵、热水器设备、电水壶、冰箱，类型C）、娱乐设备负荷（包括但不限于投影仪、电视机、机顶盒，类型D）、特定功能服务负荷（包括但不限于厨房、电梯、洗衣房，类型E），酒店分布式电源负荷（包括但不限于分布式光伏、小型化学储能电池，类型F）。
优选的，所述样本数据中初始影响因素集涵盖了三个方面的因素：包括环境因素、设备因素和随机因素；其中，环境因素包括室外温度F1、室外湿度F2、室外光照强度F3、室外PM2.5浓度F4；其中，设备因素包括室内照明强度设定值F5、室内温度设定值F6、室内空气质量设定值F7；随机因素包括人员密度F8、客户入住率F9、餐厅上座率F10
步骤（C）、基于采集的训练样本数据，利用反向传播法训练生成人工神经网络模型NN；
步骤（D）采用Deep SHAP方法和测试样本数据，计算出酒店负荷影响因素集中各因素对最终预测结果贡献程度指标的均值；其中，/>表示第/>层/>特征对第/>层第/>类电力负荷的影响程度值；
优选的，所述步骤（D）中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值，包括以下步骤：
步骤（D1）、利用反向传播法训练生成人工神经网络模型；
步骤（D2）、以某层初始影响因素集的数据为输入特征，以对应层某类电力负荷量为输出目标。
优选的，所述步骤（D）中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值，其中，Deep SHAP方法包括以下步骤：
步骤（S1）、选定待分析的人工神经网络模型；
步骤（S2）、确定用于负荷影响因素量化分析的测试样本数据；
步骤（S3）、将测试样本数据输入深度学习中，根据SHAP值（Shapley AdditiveexPlanations，SHAP）的原理，评定每个特征对结果的贡献度，计算出其SHAP值；
步骤（S4）、针对某一输入特征，即某一影响因素，对测试样本数据集中各样本的SHAP值计算平均值，得。
步骤（E）、考虑酒店各层电力负荷量以及各层电力负荷组成情况，计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果。
优选的，所述步骤（E）中计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果，包括以下步骤：
步骤（E1）、基于初始影响因素集中各特征对最终预测结果的贡献程度值，计算出各特征对于酒店第/>层电力负荷的影响程度值/>，以下式（1） 进行计算：
（1）；
其中，n代表第i层电力负荷类总数，表示第i层第k类电力负荷数值；
步骤（E2）、同理计算出第i层，初始影响因素集中各影响因素对于酒店整体电力负荷的影响程度值，以下式（2）进行计算：/>（2）。
有益效果
现有技术对酒店负荷影响因素量化分析，主要集中于空调、热水器等负荷，忽略了照明等其他类型负荷的影响，对酒店负荷总体组成考虑不够全面，而且对于酒店负荷影响因素初始因素集的构建主要从简化分析的角度出发，不够完备和精细；与现有技术相比，本发明的有益效果体现在能够依赖于酒店运行中的海量数据，实现更合理和快速的酒店负荷影响因素量化分析，以指导制定酒店负荷管控策略。
附图说明
图1为本发明人工神经网络模型输入输出示意图；
图2为本发明各层影响因素量化分析结果比较示意图；
图3为本发明量化分析流程图。
具体实施方式
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，所描述的实施例仅仅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做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。
请参阅图1-3，并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的实例。
本发明以某二层酒店建筑历史数据为基础，采用蒙特卡洛方法生成数据。其中酒店负荷数据，酒店年度日平均负荷为1.2MW，其中一层年度日平均负荷为0.7MW，具有大厅及餐厅的功能，二层年度日平均负荷为0.5MW，具有住宿功能。一层、二层负荷类型考虑两种，空调及通风设备负荷（类型A）、照明设备负荷（类型B），分别占比（30%，70%），以及（60%，40%）。
酒店负荷影响因素数据的年度均值如下表1所示：
| 影响因素 | 年度平均值 | 影响因素 | 年度平均值 |
| 室外温度（F1） | 25℃ | 室内温度设定值（F6） | 23℃ |
| 室外湿度（F2） | 40%rh | 室内空气质量设定值（F7） | 35 ug/m3 |
| 室外光照强度（F3） | 700 W/m2 | 人员密度（F8） | 0.5 人/m2 |
| 室外PM2.5浓度（F4） | 50 ug/m3 | 客户入住率（F9） | 60% |
| 室内照明强度设定值（F5） | 800 Lux | 餐厅上座率（F10） | 70% |
表1
为验证所提酒店负荷影响因素量化分析方法，采用蒙特卡洛法生成2880组数据进行分析。基于此，分别针对一层、二层的各类电力负荷建立人工神经网络模型，各模型的输入，输出如图1所示。在构建模型过程中，考虑到酒店层数较少，功能区较少，故假设一层、二层影响因素在数值上相同，以简化分析过程。
基于各人工神经网络模型，采用Deep SHAP方法对各人工神经网络模型中输入特征的贡献度进行量化分析，计算结果如下表2和表3：
一层影响因素对一层各类电力负荷影响量化分析结果
| 影响因素 | A类 | B类 | 影响因素 | A类 | B类 |
| 室外温度（F1） | 1.73 | 0.51 | 室内温度设定值（F6） | 2.45 | 0.24 |
| 室外湿度（F2） | 0.82 | 0.32 | 室内空气质量设定值（F7） | 1.42 | 0.31 |
| 室外光照强度（F3） | 1.11 | 1.49 | 人员密度（F8） | 1.23 | 1.54 |
| 室外PM2.5浓度（F4） | 0.72 | 0.91 | 客户入住率（F9） | 0.94 | 1.99 |
| 室内照明强度设定值（F5） | 0.10 | 2.47 | 餐厅上座率（F10） | 0.63 | 1.32 |
表2
二层影响因素对二层各类电力负荷影响量化分析结果
| 影响因素 | A类 | B类 | 影响因素 | A类 | B类 |
| 室外温度（F1） | 1.57 | 0.50 | 室内温度设定值（F6） | 2.31 | 0.31 |
| 室外湿度（F2） | 0.76 | 0.37 | 室内空气质量设定值（F7） | 1.57 | 0.29 |
| 室外光照强度（F3） | 1.30 | 1.82 | 人员密度（F8） | 1.17 | 1.37 |
| 室外PM2.5浓度（F4） | 0.83 | 0.79 | 客户入住率（F9） | 0.88 | 1.67 |
| 室内照明强度设定值（F5） | 0.17 | 2.61 | 餐厅上座率（F10） | 0.75 | 1.37 |
表3
基于输入特征贡献度计算结果，可得各层中不同影响因素对不同类电力负荷影响程度指标。因此，可依据各层不同类型负荷比例，以及不同层电力负荷的占比，分别计算各影响因素对该层负荷的影响度指标，以及对酒店总负荷的影响度指标。
一层影响因素对一层电力负荷及酒店总负荷影响量化分析结果
| 影响因素 | 层负荷影响 | 总负荷影响 | 影响因素 | 层负荷影响 | 总负荷影响 |
| 室外温度（F1） | 0.8760 | 0.5107 | 室内温度设定值（F6） | 0.9030 | 0.5107 |
| 室外湿度（F2） | 0.4700 | 0.2740 | 室内空气质量设定值（F7） | 0.6430 | 0.2740 |
| 室外光照强度（F3） | 1.3760 | 0.8022 | 人员密度（F8） | 1.4470 | 0.8022 |
| 室外PM2.5浓度（F4） | 0.8530 | 0.4973 | 客户入住率（F9） | 1.6750 | 0.4973 |
| 室内照明强度设定值（F5） | 1.7590 | 1.0255 | 餐厅上座率（F10） | 1.1130 | 1.025 |
表4
由表4（如上）和表5（如下）中数据，可以对一层影响因素、二层影响因素对酒店总负荷的影响程度作图比较，见图2，从图中可以看出，不同层影响因素对酒店总负荷的影响存在差异，其中由于一层有餐厅功能，其餐厅上座率因素对酒店总负荷的影响，要远大于二层的影响，体现出酒店功能分区差异对酒店负荷的影响。
综上所述，图2中展示出各层影响因素对酒店总负荷影响的量化计算结果即为酒店负荷影响因素量化分析结果，实现了本发明的实施目的，可用于指导酒店负荷管控策略的制定，提升酒店负荷管控水平。
二层影响因素对二层电力负荷及酒店总负荷影响量化分析结果
| 影响因素 | 层负荷影响 | 总负荷影响 | 影响因素 | 层负荷影响 | 总负荷影响 |
| 室外温度（F1） | 1.1420 | 0.4751 | 室内温度设定值（F6） | 1.5100 | 0.6282 |
| 室外湿度（F2） | 0.6040 | 0.2513 | 室内空气质量设定值（F7） | 1.0580 | 0.4401 |
| 室外光照强度（F3） | 1.5080 | 0.6273 | 人员密度（F8） | 1.2500 | 0.5200 |
| 室外PM2.5浓度（F4） | 0.8140 | 0.3386 | 客户入住率（F9） | 1.1960 | 0.4975 |
| 室内照明强度设定值（F5） | 1.1460 | 0.4767 | 餐厅上座率（F10） | 0.9980 | 0.4152 |
表5。
Claims (7)
1.一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：包括以下步骤：
步骤（A）、对酒店负荷进行分层分类，确定初始影响因素集中的特征元素；
步骤（B）、以酒店日负荷曲线为基础，通过聚类分析的方法确定特征日：以春、夏、秋、冬四个季节为基础，分别对各个季节选取三十个典型日，每个典型日以1小时为时间间隔记录数据，形成初始样本数据库，所述初始样本数据库包括训练样本数据和测试样本数据；
步骤（C）、基于采集的训练样本数据，利用反向传播法训练生成人工神经网络模型NN；
步骤（D）采用Deep SHAP方法和测试样本数据，计算出酒店负荷影响因素集中各因素对最终预测结果贡献程度指标的均值；其中，/>表示第/>层/>特征对第/>层第k类电力负荷的影响程度值；
步骤（E）、考虑酒店各层电力负荷量以及各层电力负荷组成情况，计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果。
2. 根据权利要求1所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：步骤（B）中形成训练样本数据和测试样本数据，其中样本数据包括：酒店各楼层电力负荷总量数据，酒店各楼层各类电力负荷量/>，初始影响因素集中所要求的酒店运行数据。
3. 根据权利要求2所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：样本数据中酒店各楼层电力负荷按照如下的类别进行分类：空调及通风设备负荷为类型A，照明设备负荷为类型B，供水系统及加热/制冷设备负荷为类型C，娱乐设备负荷为类型D，特定功能服务负荷为类型E，酒店分布式电源负荷为类型F。
4.根据权利要求2所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：样本数据中初始影响因素集涵盖了三个方面的因素：包括环境因素、设备因素和随机因素；其中，环境因素包括室外温度F1、室外湿度F2、室外光照强度F3、室外PM2.5浓度F4；其中，设备因素包括室内照明强度设定值F5、室内温度设定值F6、室内空气质量设定值F7；随机因素包括人员密度F8、客户入住率F9、餐厅上座率F10。
5. 按照权利要求1所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：步骤（D）中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值，包括以下步骤：
步骤（D1）、利用反向传播法训练生成人工神经网络模型；
步骤（D2）、以某层初始影响因素集的数据为输入特征，以对应层某类电力负荷量为输出目标。
6. 按照权利要求1所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：步骤（D）中计算酒店负荷影响因素集中各因素对最终预测结果贡献程度指标值，其中，Deep SHAP方法包括以下步骤：
步骤（S1）、选定待分析的人工神经网络模型；
步骤（S2）、确定用于负荷影响因素量化分析的测试样本数据；
步骤（S3）、将测试样本数据输入深度学习中，根据SHAP值的原理，评定每个特征对结果的贡献度，计算出其SHAP值；
步骤（S4）、针对某一输入特征，即某一影响因素，对测试样本数据集中各样本的SHAP值计算平均值，得。
7. 按照权利要求1所述的一种基于Deep SHAP的酒店负荷影响因素量化分析方法，其特征在于：步骤（E）中计算出酒店负荷影响因素集中各因素对酒店整体负荷影响的量化分析结果，包括以下步骤：
步骤（E1）、基于初始影响因素集中各特征对最终预测结果的贡献程度值，计算出各特征对于酒店第i层电力负荷的影响程度值/>，以下式（1）进行计算：/>（1）；其中，n代表第i层电力负荷类总数，/>表示第i层第k类电力负荷数值；
步骤（E2）、同理计算出第i层，初始影响因素集中各影响因素对于酒店整体电力负荷的影响程度值，以下式（2）进行计算：/>（2）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555075.1A CN117272121B (zh) | 2023-11-21 | 2023-11-21 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555075.1A CN117272121B (zh) | 2023-11-21 | 2023-11-21 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272121A true CN117272121A (zh) | 2023-12-22 |
| CN117272121B CN117272121B (zh) | 2024-03-12 |
Family
ID=89210867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311555075.1A Active CN117272121B (zh) | 2023-11-21 | 2023-11-21 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272121B (zh) |
Citations (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120178987A1 (en) * | 2011-01-06 | 2012-07-12 | George Scheber | Clean room discovery of environmental factors affecting children |
| US20150073859A1 (en) * | 2013-02-27 | 2015-03-12 | Koninklijke Philips N.V. | System and method for assessing total regulatory risk to health care facilities |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN107392481A (zh) * | 2017-07-28 | 2017-11-24 | 邦奇智能科技（上海）股份有限公司 | 酒店能耗计算方法、装置及系统 |
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
| CN108898248A (zh) * | 2018-06-22 | 2018-11-27 | 南方电网科学研究院有限责任公司 | 电力负荷影响因素量化分析方法、装置、设备及介质 |
| CN109190887A (zh) * | 2018-07-27 | 2019-01-11 | 国网天津市电力公司 | 基于改进灰色关联度的智能配电网调控指标的筛选方法 |
| KR20190023379A (ko) * | 2017-08-29 | 2019-03-08 | 주식회사 케이티 | 부하 분리를 수행하는 방법 및 서버 |
| CN109784534A (zh) * | 2018-12-13 | 2019-05-21 | 华电电力科学研究院有限公司 | 一种酒店宾馆冷负荷预测方法 |
| CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
| CN110460045A (zh) * | 2019-08-12 | 2019-11-15 | 国网上海市电力公司 | 一种基于回归分析法的基线负荷模型的负荷辨识方法 |
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN111126778A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于层次分析法的酒店能耗评价模型构建方法 |
| CN111680880A (zh) * | 2020-05-13 | 2020-09-18 | 东南大学 | 基于冷热电三联供及地源热泵的建筑负荷特性分析方法 |
| CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
| CN112215472A (zh) * | 2020-09-18 | 2021-01-12 | 国网电力科学研究院有限公司 | 一种基于聚类的电采暖负荷响应控制方法和装置 |
| CN112308427A (zh) * | 2020-11-02 | 2021-02-02 | 江苏省电力试验研究院有限公司 | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 |
| CN112465215A (zh) * | 2020-11-24 | 2021-03-09 | 西安热工研究院有限公司 | 一种分布式能源用户侧冷热电短期负荷预测方法及系统 |
| WO2021109515A1 (zh) * | 2019-12-03 | 2021-06-10 | 江苏智臻能源科技有限公司 | 基于关联分析与卡尔曼滤波法的短期负荷预测方法 |
| CN112989227A (zh) * | 2021-04-22 | 2021-06-18 | 北京云迹科技有限公司 | 一种感兴趣对象的目标地址选取的方法及系统 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
| CN113282646A (zh) * | 2021-04-30 | 2021-08-20 | 国网四川省电力公司经济技术研究院 | 一种基于用电行为影响因素的日负荷曲线获取方法 |
| 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 |
| CN113887831A (zh) * | 2021-10-27 | 2022-01-04 | 国网安徽省电力有限公司电力科学研究院 | 一种新型电力负荷预测影响因素关联分析方法 |
| CN113887802A (zh) * | 2021-09-30 | 2022-01-04 | 沈阳工程学院 | 一种基于特征相关性的电力负荷影响因素加权量纲化处理方法 |
| CN113991667A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司营销服务中心 | 一种建筑负荷精细感知调控方法及系统 |
| CN114789675A (zh) * | 2021-01-07 | 2022-07-26 | 沃尔沃卡车集团 | 确定要采取的动作的设备和方法以及至少部分电动车辆 |
| CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
| CN115471362A (zh) * | 2022-09-26 | 2022-12-13 | 东南大学 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
| CN115719477A (zh) * | 2022-11-18 | 2023-02-28 | 同济大学 | 一种可解释的自动驾驶决策系统及其方法 |
| DE102021004631A1 (de) * | 2021-09-14 | 2023-03-16 | Mercedes-Benz Group AG | Verfahren zum Festlegen einer intelligenten Vorauswahl geeigneter Ladestationen zum Durchführen eines Ladestopps, Ladestopp-Planungsassistent und Fahrzeug |
| CN115879031A (zh) * | 2022-11-08 | 2023-03-31 | 北京中电飞华通信有限公司 | 可调节负荷区域负荷分类方法及相关设备 |
| CN116108377A (zh) * | 2023-01-10 | 2023-05-12 | 山东大学 | 基于分层分类学习的非侵入式负荷状态辨识方法及系统 |
| US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
| CN116756598A (zh) * | 2023-02-27 | 2023-09-15 | 长沙理工大学 | 一种台区侧家电负荷精准调控方法 |
| CN116805788A (zh) * | 2023-07-13 | 2023-09-26 | 安徽大学 | 一种计及负荷特性的超高层建筑配电网两阶段优化方法 |
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
| CN116842405A (zh) * | 2023-06-30 | 2023-10-03 | 国电南瑞科技股份有限公司 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
-
2023
- 2023-11-21 CN CN202311555075.1A patent/CN117272121B/zh active Active
Patent Citations (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120178987A1 (en) * | 2011-01-06 | 2012-07-12 | George Scheber | Clean room discovery of environmental factors affecting children |
| US20150073859A1 (en) * | 2013-02-27 | 2015-03-12 | Koninklijke Philips N.V. | System and method for assessing total regulatory risk to health care facilities |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
| CN107392481A (zh) * | 2017-07-28 | 2017-11-24 | 邦奇智能科技（上海）股份有限公司 | 酒店能耗计算方法、装置及系统 |
| KR20190023379A (ko) * | 2017-08-29 | 2019-03-08 | 주식회사 케이티 | 부하 분리를 수행하는 방법 및 서버 |
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN108898248A (zh) * | 2018-06-22 | 2018-11-27 | 南方电网科学研究院有限责任公司 | 电力负荷影响因素量化分析方法、装置、设备及介质 |
| CN109190887A (zh) * | 2018-07-27 | 2019-01-11 | 国网天津市电力公司 | 基于改进灰色关联度的智能配电网调控指标的筛选方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN109784534A (zh) * | 2018-12-13 | 2019-05-21 | 华电电力科学研究院有限公司 | 一种酒店宾馆冷负荷预测方法 |
| CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
| CN110460045A (zh) * | 2019-08-12 | 2019-11-15 | 国网上海市电力公司 | 一种基于回归分析法的基线负荷模型的负荷辨识方法 |
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN111126778A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于层次分析法的酒店能耗评价模型构建方法 |
| WO2021109515A1 (zh) * | 2019-12-03 | 2021-06-10 | 江苏智臻能源科技有限公司 | 基于关联分析与卡尔曼滤波法的短期负荷预测方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN111680880A (zh) * | 2020-05-13 | 2020-09-18 | 东南大学 | 基于冷热电三联供及地源热泵的建筑负荷特性分析方法 |
| CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
| CN112215472A (zh) * | 2020-09-18 | 2021-01-12 | 国网电力科学研究院有限公司 | 一种基于聚类的电采暖负荷响应控制方法和装置 |
| CN112308427A (zh) * | 2020-11-02 | 2021-02-02 | 江苏省电力试验研究院有限公司 | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 |
| CN112465215A (zh) * | 2020-11-24 | 2021-03-09 | 西安热工研究院有限公司 | 一种分布式能源用户侧冷热电短期负荷预测方法及系统 |
| CN114789675A (zh) * | 2021-01-07 | 2022-07-26 | 沃尔沃卡车集团 | 确定要采取的动作的设备和方法以及至少部分电动车辆 |
| CN112989227A (zh) * | 2021-04-22 | 2021-06-18 | 北京云迹科技有限公司 | 一种感兴趣对象的目标地址选取的方法及系统 |
| CN113255968A (zh) * | 2021-04-30 | 2021-08-13 | 中国能源建设集团天津电力设计院有限公司 | 基于设备和行为信息的商业办公楼精细化负荷预测方法 |
| CN113282646A (zh) * | 2021-04-30 | 2021-08-20 | 国网四川省电力公司经济技术研究院 | 一种基于用电行为影响因素的日负荷曲线获取方法 |
| 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 |
| DE102021004631A1 (de) * | 2021-09-14 | 2023-03-16 | Mercedes-Benz Group AG | Verfahren zum Festlegen einer intelligenten Vorauswahl geeigneter Ladestationen zum Durchführen eines Ladestopps, Ladestopp-Planungsassistent und Fahrzeug |
| CN113887802A (zh) * | 2021-09-30 | 2022-01-04 | 沈阳工程学院 | 一种基于特征相关性的电力负荷影响因素加权量纲化处理方法 |
| CN113887831A (zh) * | 2021-10-27 | 2022-01-04 | 国网安徽省电力有限公司电力科学研究院 | 一种新型电力负荷预测影响因素关联分析方法 |
| CN113991667A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司营销服务中心 | 一种建筑负荷精细感知调控方法及系统 |
| US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
| CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
| CN115471362A (zh) * | 2022-09-26 | 2022-12-13 | 东南大学 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
| CN115879031A (zh) * | 2022-11-08 | 2023-03-31 | 北京中电飞华通信有限公司 | 可调节负荷区域负荷分类方法及相关设备 |
| CN115719477A (zh) * | 2022-11-18 | 2023-02-28 | 同济大学 | 一种可解释的自动驾驶决策系统及其方法 |
| CN116108377A (zh) * | 2023-01-10 | 2023-05-12 | 山东大学 | 基于分层分类学习的非侵入式负荷状态辨识方法及系统 |
| CN116756598A (zh) * | 2023-02-27 | 2023-09-15 | 长沙理工大学 | 一种台区侧家电负荷精准调控方法 |
| CN116842405A (zh) * | 2023-06-30 | 2023-10-03 | 国电南瑞科技股份有限公司 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
| CN116805788A (zh) * | 2023-07-13 | 2023-09-26 | 安徽大学 | 一种计及负荷特性的超高层建筑配电网两阶段优化方法 |
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| KE ZHANG等: ""Explainable AI in Deep Reinforcement Learning Models for Power System Emergency Control"", 《IEEE TRANSACTIONS ON COMPUTATIONAL SOCIAL SYSTEMS》, vol. 9, no. 2, pages 419 - 427 * |
| 张韶颖等: ""考虑随机影响因素的电网饱和负荷概率预测方法"", 《电气工程学报》, vol. 16, no. 3, pages 99 - 105 * |
| 曹阳等: ""基于层次分析法的新农村低压配电网综合评估方法"", 《电网技术》, vol. 31, no. 8, pages 68 - 72 * |
| 杨博等: ""基于新一代人工智能技术的电力系统稳定评估与决策综述"", 《电力系统自动化》, vol. 46, no. 22, pages 200 - 223 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272121B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sheng et al. | Energy consumption model and energy benchmarks of five-star hotels in China | |
| Li et al. | Genetic algorithm for building optimization: State-of-the-art survey | |
| CN110264080B (zh) | 一种绿色建筑运行性能评价方法、装置、设备及存储介质 | |
| Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
| CN112926795B (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 | |
| CN109270841A (zh) | 一种基于模型预测控制的智能楼宇用能灵活性调控方法 | |
| CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
| CN111310257A (zh) | 一种bim环境下的区域建筑能耗预测方法 | |
| CN110096793B (zh) | 一种基于居住用户活动模式的住宅能耗预测方法 | |
| Chen et al. | A rapid evaluation method for design strategies of high-rise office buildings achieving nearly zero energy in Guangzhou | |
| Luo et al. | Classification of energy use patterns and multi-objective optimal scheduling of flexible loads in rural households | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| CN115882463A (zh) | 一种商业建筑空调负荷可调度潜力评估方法 | |
| Hung | Data-driven predictive models for daily electricity consumption of academic buildings. | |
| CN111126778A (zh) | 一种基于层次分析法的酒店能耗评价模型构建方法 | |
| CN117272121B (zh) | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| Li et al. | Multi-objective optimization for generative morphological design using energy and comfort models with a practical design of new rural community in China | |
| Nzengue et al. | Planning city refurbishment: An exploratory study at district scale how to move towards positive energy districts–approach of the SINFONIA project | |
| Li et al. | Research on the generation method of missing hourly solar radiation data based on multiple neural network algorithm | |
| Yu | Mining hidden knowledge from measured data for improving building energy performance | |
| CN115700630A (zh) | 一种城镇能源互联网分区协同规划方法及系统 | |
| CN110543977B (zh) | 一种基于多元负荷平准化视角的区域建筑群混合优化方法 | |
| Vergini et al. | A critical overview of net zero energy buildings and fuzzy cognitive maps | |
| CN114548533A (zh) | 一种建筑冷热电动态负荷设计方法、装置、区域内动态负荷获取方法、计算机及存储介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 102, No. 38, Simenkou, Xingmei Middle Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210041 Patentee after: Nanjing Mite Technology Co.,Ltd. Country or region after: China Address before: Room 102, No. 38, Simenkou, Xingmei Middle Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210041 Patentee before: JIANGSU MITE INTERNET OF THINGS TECHNOLOGY Co.,Ltd. Country or region before: China |