CN117350897A - 一种考虑空气湿度的转换功率预测的方法和系统 - Google Patents

一种考虑空气湿度的转换功率预测的方法和系统 Download PDF

Info

Publication number
CN117350897A
CN117350897A CN202311640700.2A CN202311640700A CN117350897A CN 117350897 A CN117350897 A CN 117350897A CN 202311640700 A CN202311640700 A CN 202311640700A CN 117350897 A CN117350897 A CN 117350897A
Authority
CN
China
Prior art keywords
model
data
historical
air humidity
conversion
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
CN202311640700.2A
Other languages
English (en)
Inventor
朱学春
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.)
Qixing Tianjin Technology Co ltd
Original Assignee
Qixing Tianjin Technology 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 Qixing Tianjin Technology Co ltd filed Critical Qixing Tianjin Technology Co ltd
Priority to CN202311640700.2A priority Critical patent/CN117350897A/zh
Publication of CN117350897A publication Critical patent/CN117350897A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种考虑空气湿度的转换功率预测的方法和系统，涉及功率预测领域，包括采集历史转换功率数据和历史空气湿度数据,对历史数据进行清洗和预处理，提取空气湿度特征；使用历史数据结合空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练；部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测转换功率预测模型的性能指标和数据漂移，持续改进转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。

Description

一种考虑空气湿度的转换功率预测的方法和系统
技术领域
本发明涉及功率转换技术，尤其涉及一种考虑空气湿度的转换功率预测的方法和系统。
背景技术
当前世界，能源转型已由起步蓄力期转向全面加速期，将自然界中蕴藏的大量自然能量高效地转换为电能的研究具有重要意义，而多种能量转换过程中，未考虑空气湿度的影响以及预测结果的精度不足，显著影响着转换效率以及应对变化的能力，因此在短时间内有效且高效地预测转换功率具有重要的应用价值。
CN201711328455.6，公开了一种光热发电功率的预测方法及装置。该光热发电功率的预测方法包括：根据气象数据和定日镜控制参数，预测传热介质的温度；根据所述传热介质的温度和所述传热介质的流量，预测光热发电系统的发电功率。本发明提供的光热发电功率的预测方法及装置，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，实现了光热转换环节对光能量转换为的热能的预测。针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，实现了轮机发电环节对热能转换为的电能的预测。
CN201210413575.7，公开了一种基于时间序列和神经网络法的风电功率预测方法，具体步骤为：步骤一：建立时间序列模型；步骤二：建立神经网络模型并对神经网络初始化；步骤三：建立风速预测模型：根据风速的原始数据经数据差分处理，基于时间序列法建立风速预测模型；步骤四：根据风速的预测模型及风速-功率转换关系，预测风电功率；步骤五：建立风电功率预测模型：基于风速的预测模型及风速-功率转换关系，建立风电功率的预测模型，利用风速预测模型获得的风速预测值作为风电功率预测模型的输入值，获得风电功率预测值，有效减少由于风速与风电功率之间的非线性关系带来的预测误差，适于风电功率的短期预测。
综上，现有技术预测结果精度不足甚至偏差较大，且未能考虑空气湿度造成的预测结果偏移，显著影响预测结果的准确性及转换的应变能力，本发明的应用至少能够解决现有技术的部分问题。
发明内容
本发明实施例提供一种考虑空气湿度的转换功率预测的方法和系统，至少能够解决现有技术中部分问题。
本发明实施例的第一方面，
提供采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响
在一种可选的实施例中，
采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，包括：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表 示残差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
在一种可选的实施例中，
使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，包括：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
在一种可选的实施例中，
使实际功率值与模型预测值之间的误差最小化包括：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
在一种可选的实施例中，
部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响，包括：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N\{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
本发明实施例的第二方面，
提供一种考虑空气湿度的转换功率预测的系统，包括：
第一单元，用于采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
第二单元，用于使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
第三单元，用于部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。
在一种可选的实施例中，
第一单元还用于：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表 示残差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
在一种可选的实施例中，
第二单元还用于：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
在一种可选的实施例中，
第二单元还用于：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
在一种可选的实施例中，
第三单元还用于：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N\{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
附图说明
图1为本发明实施例考虑空气湿度的转换功率预测的方法的流程示意图；
图2为本发明实施例考虑空气湿度的转换功率预测的系统的结构示意图。
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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例考虑空气湿度的转换功率预测的方法的流程示意图，如图1所示，所述方法包括：
S101.采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
所述历史转换功率数据具体是指与时间戳相对应的功率数据，通常是时间连续变化的功率数据；
所述历史空气湿度数据具体也是指与时间戳对应的湿度数据，通常还班所统计同时间戳的温度数据用于校准湿度数据因为温度差异出现的偏差；
通过设备的工作日志、报表等获取历史功率转换数据，通过访问连接传感器的数据记录仪、气象站的数据记录等获取历史湿度数据，然后获取对获取的数据进行清洗和预处理，提升数据质量，确保数据的一致性和合理性；数据清洗和预处理包括重复数据清除、缺失值补充、异常值筛选等，其中，对数据进行重复性验证，确定多余数据，直接删除；通过对数据趋势的分析，确定数据数据的不正常跳跃，通过趋势变化率计算需要补足的数据，增补缺失值；针对数据在对应时间点该有的数据表现，通过预设的阈值，筛选异常数据，选择校准或提出异常数据。
从经过清洗校准的数据中，提取与空气湿度相关的特征，包括湿度值、湿度变化率、温度造成的湿度偏移等数据，所述特征数据有助于后续确定与转换功率的关联。
在本实施例中，通过采集相关历史数据，可以获得预测需要的数据基础，供进一步分析和建模使用，确保有足够的历史信息来训练预测模型；在数据清洗和预处理阶段，通过数据的统一化，确保不同源头数据之间能够保持一致，有助于数据的统一性，对数据中的重复值、缺失值和异常值等的处理，有助于提高数据的质量和准确性，确保后续模型训练和预测的可靠性；特征数据的提取这帮助模型更好地理解空气湿度与转换功率之间的关系，进一步提高预测的准确性。
在一种可选的实施例中，采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，包括：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表 示残差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
所述季节性分解算法具体是指一种用于将时间序列数据分解成趋势、季节性和残差成分的方法，主要目的是将原始时间序列中的趋势和季节性模式从中提取出来，能够更好地理解数据的结构和特性，通常的，季节性分解算法可以帮助识别时间序列中的周期性模式，如每年、每月或每周的季节性变化，并将这些模式从残差中分离出来，从而使残差更具随机性；
对历史数据进行时间差分运算，选定历史转化率和历史空气湿度某一时间点的数据，并且得到该时间点前一时间点的数据，计算历史转化率和历史空气湿度的差分值；其后根据预先设定的阈值，筛选差分值小于阈值的数据点，认为筛选出来的数据是重复的，然后去除所述重复数据；
通过计算历史数据的变化率来确定历史数据的趋势信息，得到历史数据的变化趋势因子，如果某点数据缺失，则选用该数据时间点的前一时间点的数据，结合变化趋势因子和趋势分量，得到缺失时间点的数据；
选定一个时间范围，计算出这个范围内所有时间点的数据平均值，再计算出这些数据的斜率，体现数据的总体趋势，根据数据中的季节性变化确定季节周期的数量，对每个季节周期计算对应的季节性分量系数，从而计算出趋势成分，反应数据中长期的变化；季节性分量是每个季节周期内的所有数据的平均值，将所有季节周期的平均值相加，得到季节性成分；原始数据去除趋势成分和季节性成分，得到残差成分，残差成分具有随机性，通常用于异常值检测；计算所有残差成分的平均值，并通过统计所有残差成分的标准差，通过计算残差成分与残差平均值的偏离程度，得到标准得分，将标准得分和预先设定的阈值做比较，大于阈值的数据即偏离程度过大，为异常数据，再对异常数据做优化或者剔除。
在本实施例中，删除重复数据点可以确保数据的一致性，防止重复的数据对分析和建模产生不必要的影响；通过填充缺失数据，可以提高数据的完整性，使数据集更适合建模和分析，有助于减少数据不足的问题，提高模型的可靠性；异常数据点会误导模型的学习，降低后续的预测质量，早期的筛选能有效提高准确性，提高后续预测精度；通过所述的季节性分解算法和标准得分算法，可以精确排除异常数据影响，提高数据精度，使后续的模型训练更准确快速。
S102.使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
所述评估指标具体是指衡量模型性能的标准，通常是通过计算预测值和实际值之间差异，来衡量误差大小。
使用筛选和清洗好的数据集合，针对选定的机器学习模型进行模型训练，使模型可以将特征数据和转换功率数据进行关联，通过所述评估指标，进行模型评估，针对需要优化的部分做模型调优，包括：
超参数调整，所述超参数是模型的预先设置参数，其数值不是通过模型训练学习得到的，需要手动指定，超参数调整是指尝试不同的超参数值，以找到最佳的设置，从而提高模型的性能；如在线性回归模型中，超参数包括正则化参数的选择，在此过程中，通常需要使用多个参数的调整交叉验证以获得最优效果；
特征工程改进，通过分析模型的性能和特征的重要性，确定特征对模型性能的影响，以及排除不相关的特征；通过引入更多的相关特征，以提高模型的预测准确性，如增加温度变化的特征，评估对转换功率的影响；
还可以实施其他算法，比较不同算法获得的预测值和实际值的差异，以获得更适合的预测模型。
在本实施例中，通过评估指标，衡量模型的准确性、稳定性和可靠性，有助于确保模型能够有效地预测转换功率，模型性能的提升使预测结果更准确，提高系统的可行性和效率；通过多种调优手段的实施，可以增加模型的表达能力，优化模型性能，提高其预测准确性。
在一种可选的实施例中，使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，包括：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
在一种可选的实施例中，使实际功率值与模型预测值之间的误差最小化包括：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
所述模型训练集合和模型评估集合具体是指将历史数据分成两个部分，分别是所有数据的一个子集，一部分用于训练模型，使模型建立空气湿度与转换功率之间的映射关系，一部分用于评估模型，实际是模型的一种验证测试，使用空气湿度数据作为输入，模型计算的转换功率预测结果与实际结果做比对；
所述回归系数具体是指线性回归模型的权重参数，用于权衡空气湿度特征值和转换功率之间的关系；
正则化系数在优化过程中有助于防止过拟合，通过引入一个额外的正则化项来平衡模型的复杂性，优选地，使用L2正则化技术，即引入一个L2范数（平方和）项到损失函数中，将回归系数约束在较小的值范围内，从而缩小各特征之间的权重差异。
改进的梯度下降算法用于优化所述回归系数，减小损失函数；梯度下降是一个迭代算法，在梯度下降过程中，通过计算损失函数相对于回归系数的梯度，并根据梯度的方向和学习率更新回归系数，反复进行，直到损失函数收敛到最小值时停止。
在本实施例中，梯度下降算法通过不断迭代更新回归系数，能够更好地拟合数据，有助于线性回归模型找到最佳参数，以最小化损失函数，从而提高模型的预测性能，梯度下降算法的迭代能够在较少的迭代次数内收敛；损失函数中的正则化项的引入有助于控制回归系数的大小，减少模型的过拟合风险，正则化的过程使模型更稳健，能够更好地泛化到新的数据；通过调整正则化参数和学习率，控制模型的复杂度和收敛速度，使模型满足需求可控。
S103.部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。
在一种可选的实施例中，部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响，包括：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N\{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
所述特征贡献值具体是指SHAP（SHapley Additive exPlanations），一种用于解释模型预测的技术，特别适用于解释本转换功率预测模型中空气湿度特征数据对于转换功率预测结果的贡献；SHAP值的计算基于合作博弈论中的Shapley值理论，可以帮助理解模型的预测如何受到不同特征的影响；因为机器学习模型是一个黑盒模型，很难知道模型内部的决策过程，而SHAP值可以给出数值化的解释，帮助反映决策过程。
在本实施例中，SHAP值提供了每个特征对于模型预测的相对重要性，有助于表现对预测结果影响最大的特征，有助于深入展示模型内部的决策过程；SHAP值还可以用于故障诊断，通过数值的变化，帮助检测模型的性能下降或数据漂移。
图2为本发明实施例考虑空气湿度的转换功率预测的系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
第二单元，用于使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
第三单元，用于部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。
在一种可选的实施例中，
第一单元还用于：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表 示残差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
在一种可选的实施例中，
第二单元还用于：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
在一种可选的实施例中，
第二单元还用于：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
在一种可选的实施例中，
第三单元还用于：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N\{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (10)

1.一种考虑空气湿度的转换功率预测的方法，其特征在于，包括：
采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。
2.根据权利要求1所述的方法，其特征在于，采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，包括：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表示残 差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
3.根据权利要求1所述的方法，其特征在于，使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，包括：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
4.根据权利要求3所述的方法，其特征在于，使实际功率值与模型预测值之间的误差最小化包括：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
5.根据权利要求1所述的方法，其特征在于，部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响，包括：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
6.一种考虑空气湿度的转换功率预测的系统，其特征在于，包括：
第一单元，用于采集历史数据，所述历史数据包括历史转换功率数据和历史空气湿度数据,对所述历史数据进行清洗和预处理，提取空气湿度特征；
第二单元，用于使用所述历史数据结合所述空气湿度特征对待训练的转换功率预测模型进行训练，建立空气湿度与转换功率之间的映射关系，采用预设的评估指标，评估待训练的转换功率预测模型的性能，其后进行待训练的转换功率预测模型调优，完成对转换功率预测模型的训练，其中，调优包括：超参数调整、特征工程改进、算法调优中至少一种；
第三单元，用于部署训练完成的转换功率预测模型到生产环境，实时预测转换功率；建立监控系统，检测所述转换功率预测模型的性能指标和数据漂移，持续改进所述转换功率预测模型，使用特征贡献计算方法，衡量每个特征对所述转换功率预测模型的影响。
7.根据权利要求6所述的系统，其特征在于，所述第一单元还用于：
采集的历史转化率数据为P(t)，历史空气湿度数据为H(t)，t表示时间点，t-1表示前一个时间点；
通过差分运算和阈值筛选清除重复数据点，公式如下：
；
其中，ΔP(t)表示历史转化率的差分值，ΔH(t)表示历史空气湿度的差分值，移除差分值小于预先设定的阈值的数据点；
使用趋势分析插值方法填充缺失值，公式如下：
；
其中，P miss (t)表示历史转化率的缺失值，m表示历史转化率变化趋势因子，P’(t-1)表示历史转化率趋势分量，即时间t-1到t的转化率数据的变化率，根据历史转化率拟合得出，H miss (t)表示历史空气湿度的缺失值，n表示历史空气湿度变化趋势因子，H’(t-1)表示历史空气湿度变化趋势分量，即时间t-1到t的空气湿度数据的变化率，根据历史空气湿度拟合得出；
利用季节性分解算法确定所述历史数据的异常值，再通过计算标准得分来检测异常值，所述季节性分解算法公式如下：
；
其中，T(t)表示趋势成分，S(t)表示季节性成分，t表示时间点，μ表示整体均值，β表示趋势斜率，s表示季节周期数量，γ i 表示第i个季节周期的季节性分量系数，Z i (t)表示季节性分量，L i 表示第i个季节周期的长度，o i 表示第i个季节周期对应的相位，E(t)表示残差成分，Y(t)表示历史数据；
所述标准得分计算公式如下：
；
其中，v表示残差均值，M表示残差数据个数，a表示时间点，E(t)表示残差成分，σ表示残 差标准差，R(t)表示标准得分，标准得分大于预先设定的阈值，则被认定为异常值。
8.根据权利要求6所述的系统，其特征在于，所述第二单元还用于：
使用线性回归模型，将所述历史数据划分为模型训练集合和模型评估集合；
基于所述模型训练集合对所述线性回归模型进行训练，在训练过程中，所述线性回归模型学习将空气湿度映射到转换功率，寻找最佳拟合线，通过最小二乘法，使实际功率值与模型预测值之间的误差最小化。
9.根据权利要求8所述的系统，其特征在于，所述第二单元还用于：
基于所述模型训练集合通过所述线性回归模型输出模型预测值，通过所述模型预测值与预先获取的实际功率值，结合所述线性回归模型的损失函数，并且引入所述线性回归模型的回归系数和正则化系数，通过改进的梯度下降算法优化所述线性回归模型的回归系数，以使实际功率值与模型预测值之间的误差最小化；
其中，所述损失函数如下公式所示：
；
其中，K(ω)表示包括平方损失项和正则化项的损失函数，ω表示回归系数，A表示训练样本的数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，λ表示控制正则化项强度的正则化参数，B是特征的数量；
通过改进的梯度下降算法优化所述线性回归模型的回归系数如下公式所示：
；
其中，ω q 表示第q个特征的回归系数，ω’ q 表示第q个特征迭代前的回归系数，δ表示学习率，控制参数更新的步长，A表示训练样本数量，表示第p个样本的实际观测值，/>表示第p个样本的预测值，x pq 表示第p个样本的第q个特征的取值。
10.根据权利要求6所述的系统，其特征在于，所述第三单元还用于：
通过对每个特征计算贡献值，来评价特征对于预测结果的影响，所述计算公式如下：
；
其中，C i 表示特征i的贡献值，D表示特征子集的集合，∣D∣表示集合D的特征数量，N表示所有特征的集合，D⊆N{i}表示D是所有不包含特征i的特征子集，表示二项式系数，用于计算不同特征子集的组合数，从N中选择∣D∣个特征的不同方式的数量，f(D)表示在特征子集D上的模型输出，即模型对于包括D中的特征的输入的预测，f(D∪{i})表示在包括特征i后的特征子集D∪{i} 上的模型输出，即模型对于包括D和特征i的输入的预测。
CN202311640700.2A 2023-12-04 2023-12-04 一种考虑空气湿度的转换功率预测的方法和系统 Pending CN117350897A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311640700.2A CN117350897A (zh) 2023-12-04 2023-12-04 一种考虑空气湿度的转换功率预测的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311640700.2A CN117350897A (zh) 2023-12-04 2023-12-04 一种考虑空气湿度的转换功率预测的方法和系统

Publications (1)

Publication Number Publication Date
CN117350897A true CN117350897A (zh) 2024-01-05

Family

ID=89367755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311640700.2A Pending CN117350897A (zh) 2023-12-04 2023-12-04 一种考虑空气湿度的转换功率预测的方法和系统

Country Status (1)

Country Link
CN (1) CN117350897A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851817A (zh) * 2024-03-08 2024-04-09 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446494A (zh) * 2016-05-11 2017-02-22 新疆大学 基于小波包‑神经网络的风光功率预测方法
CN110701796A (zh) * 2019-08-29 2020-01-17 广州微控能源科技有限公司 一种基于云预测算法的热水系统节能控制系统
CN111695736A (zh) * 2020-06-15 2020-09-22 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN112668661A (zh) * 2020-12-31 2021-04-16 新奥数能科技有限公司 一种光伏功率异常数据的识别方法及装置
CN113496311A (zh) * 2021-06-25 2021-10-12 国网山东省电力公司济宁供电公司 光伏电站发电功率预测方法及系统
CN114493641A (zh) * 2020-11-11 2022-05-13 多点(深圳)数字科技有限公司 信息显示方法、装置、电子设备和计算机可读介质
CN116796403A (zh) * 2023-06-16 2023-09-22 昆明理工大学 一种基于商业建筑综合能耗预测的建筑节能方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446494A (zh) * 2016-05-11 2017-02-22 新疆大学 基于小波包‑神经网络的风光功率预测方法
CN110701796A (zh) * 2019-08-29 2020-01-17 广州微控能源科技有限公司 一种基于云预测算法的热水系统节能控制系统
CN111695736A (zh) * 2020-06-15 2020-09-22 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN114493641A (zh) * 2020-11-11 2022-05-13 多点(深圳)数字科技有限公司 信息显示方法、装置、电子设备和计算机可读介质
CN112668661A (zh) * 2020-12-31 2021-04-16 新奥数能科技有限公司 一种光伏功率异常数据的识别方法及装置
CN113496311A (zh) * 2021-06-25 2021-10-12 国网山东省电力公司济宁供电公司 光伏电站发电功率预测方法及系统
CN116796403A (zh) * 2023-06-16 2023-09-22 昆明理工大学 一种基于商业建筑综合能耗预测的建筑节能方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全国大学生统计建模大赛执行委员会，国家统计局统计教育培训中心编: "《生态环境与统计模型 2013全国大学生统计建模大赛获奖论文选》", 31 May 2014, 北京：中国统计出版社, pages: 392 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851817A (zh) * 2024-03-08 2024-04-09 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质
CN117851817B (zh) * 2024-03-08 2024-06-25 深圳市伟昊净化设备有限公司 一种用于潮湿空气的智能过滤分析方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN110263866B (zh) 一种基于深度学习的电力用户负荷区间预测方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN115587672A (zh) 一种配变负荷预测及重过载预警方法及系统
CN117350897A (zh) 一种考虑空气湿度的转换功率预测的方法和系统
CN108875118B (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN115495991A (zh) 一种基于时间卷积网络的降水区间预测方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN118469352B (zh) 深度学习驱动的电网线损动态预测与优化控制方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN118536082A (zh) 基于人工智能的逆变器故障预测方法、装置、终端设备及存储介质
CN117578441A (zh) 基于神经网络提高电网负荷预测精度的方法
CN117493798A (zh) 一种气象环境数据分析方法及系统
CN117977536A (zh) 一种智能电网负荷辨识方法
CN115907178B (zh) 一种净生态系统co2交换量的预测方法
CN116401545A (zh) 一种多模型融合的水轮机振摆分析方法
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
CN117713688B (zh) 光伏组件在多朝向及倾角下的低效识别与电量提升方法
CN118194191A (zh) 一种融合Stacking集成学习和浣熊优化算法的磨煤机故障智能预判方法
Kalkhorani et al. Creating an Energy Model of an Entire University Campus--Part 1: Preliminary Assessment of Building Modeling Techniques.
CN118534378A (zh) 基于半监督学习的电流互感器调控方法
Chokr et al. Bi-LSTM Autoencoder SCADA based Unsupervised Anomaly Detection in Real Wind Farm Data

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20240105