CN117829352A - 一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 - Google Patents
一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 Download PDFInfo
- Publication number
- CN117829352A CN117829352A CN202311752109.6A CN202311752109A CN117829352A CN 117829352 A CN117829352 A CN 117829352A CN 202311752109 A CN202311752109 A CN 202311752109A CN 117829352 A CN117829352 A CN 117829352A
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- industry
- consumption
- prediction
- 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 148
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 230000006872 improvement Effects 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 10
- 239000003245 coal Substances 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 10
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009191 jumping Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统,该方法包括:步骤S1,获取行业内企业最新年份的能源消耗数据,预处理后对企业进行聚类,通过选择各类的能耗强度标准计算行业的节能潜力;步骤S2,通过企业能源数据,汇总得到行业各类别能源消耗量月度数据,经过预处理后,通过混合预测模型对行业的能源消耗量进行不考虑能效提升的预测;步骤S3,设置能效提升的速度情景,结合行业能源消耗量时间序列的预测值,得到行业在不同能效提升情景下的能源消耗量。本发明能够解决目前工业行业内企业能效和规模差距大的现状下,节能潜力难以有效估计,行业能耗量难以有效预测的问题,能够为该行业的减碳工作提供数据支撑。
Description
技术领域
本发明属于能耗预测技术领域,涉及一种基于聚类算法和机器学习的工业行业能源消耗量时间序列预测方法及系统。
背景技术
在中国双碳目标下,控制工业部门的能源消耗成为节能减碳的重要环节。估算行业的节能潜力,对行业的能源消耗量进行预测,能够为该行业的减碳工作提供数据支撑。
在行业能耗预测方面,单变量时间序列预测因其训练数据特征需求少,运行效率高和不存在多变量预测的变量间误差叠加等优势,是中短期时间序列预测的常用方法。通常用单变量预测的模型是统计模型和人工网络模型。以ARIMA为代表的统计模型在预测线性序列上存在优势;以ANN、RNN等为代表人工神经网络模型在预测非线性序列上存在优势。但单一的预测模型的预测精度十分有限,在单步迭代预测上的累计误差较大。同时,单变量时间序列预测无法分析能效提升带来的节能量。我国已经发布了许多工业行业的能效标准值,但由于工业行业的企业能耗水平差距很大,能效低的企业难以在短时间内将能效提升至标准值,通过单一能效标准值对标难以有效计算的行业节能潜力。同时,行业的统一能效标准很难对于能效标准值差距大的企业的节能工作起到引导作用。故本发明建立了一种基于聚类算法和机器学习的工业行业能耗预测方法,实现对行业节能量的有效评估,并对行业能耗量在不同能效提升情景下进行预测。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统,用于解决目前行业节能潜力难以有效估计,行业能耗量难以有效预测的问题。
为实现上述目的,本发明采用如下技术方案:
根据本发明的一种具体实施例,一种基于聚类算法和机器学习的工业行业能源消耗量预测方法,包括:
步骤S1,获取行业内企业最新年份的能源消耗数据,预处理后对企业进行聚类,通过选择各类的能耗强度标准计算行业的节能潜力;
步骤S2,通过企业能源数据,汇总得到行业各类别能源消耗量月度数据,经过预处理后,通过混合预测模型对行业的能源消耗量进行不考虑能效提升的预测;
步骤S3,设置能效提升的速度情景,结合行业能源消耗量时间序列的预测值,得到行业在不同能效提升情景下的能源消耗量;
其中,步骤S1中行业内企业聚类的指标为能源消耗规模与能源消耗强度,其计算公式如下:
式中:EC是企业能源消耗规模;f是标煤系数;C是能源消耗量;EI是企业的能源消耗强度;G是企业的工业总产值;下标e是能源种类。
其中,步骤S1中企业完成聚类后,将各簇的能效对标值即能耗强度标准确定为该簇企业的平均能耗强度。
其中,步骤S1中确定各类别企业能效对标值后,通过能效差距计算节能潜力,其计算公式如下:
在某一类别的企业中,各企业在不同品种能源消耗上的节能量计算如下:
ESi,e=0(ηi<ηstd)
式中,ESi,e是企业i在某品种能源e消耗上的节能量;ηi是企业总能耗强度;ηstd是该类别企业总能耗强度的对标值;ηi,e是某品种能源的能耗强度;ηstd,e是该类别企业的某品种能源消耗强度对标值;i是所述类别的企业中的企业编号;e是能源品类。
对于行业内不同品类能源消耗的节能潜力,计算公式如下:
式中,EPe是行业的某品种能源e的节能潜力;ECe是行业的某品种能源e的总消耗量;ESj,e是第j类别企业在某品种能源e上的总节能量;EPj,e是第j类别企业在某品种能源e上的节能潜力;ECj,e是第j类别企业在某品种能源e上的消耗量;e是能源品类;j是企业聚类的类别。
其中,步骤S2中混合预测模型组成包括:变模态分解(VMD),长短期记忆法(LSTM)、季节性差分自回归移动平动模型(SARIMA)三个部分组成;
其中,步骤S2中混合模型对能源消耗序列进行预测,其过程如下:
Step1.通过VMD对能源消耗原始时间序列进行分解,得到k个子序列;
Step2.对平稳子序列使用ARIMA模型进行预测,得到月数据预测值;
Step3.对非平稳子序列使用LSTM模型进行预测,得到月数据预测值;
Step4.将k个子序列的预测值相加,得到能源消耗不考虑能效提升的月度预测量。
分解后的子序列若周期大于4个步长,则认为时平稳序列,反之则为非平稳序列。
其中,步骤S3中设置能效提升的速度情景,得到行业在不同能效提升情景下的能源消耗预测量,其过程如下:
Step1.根据预测模块得到行业各能源类别消耗量的未来两年的月数据预测结果;
Step2.根据节能潜力计算值为依据,设置能效提升的速度情景,速度情景可表达如下:
对于计算得到的某能源类别的节能潜力EPe,未来年份考虑能效提升的能耗预测值可表达为:
ECpe=Pe·αe·EPe
式中ECp是考虑能效提升的行业年能耗量预测值;P是混合预测模型得到的能耗预测值;α是能效提升系数,可设置为0~1之间的数字,数字越大,能效提升速度越快;EP是行业的节能潜力;e是能源类别。
本发明还提供一种用以实现上述方法的基于聚类算法和机器学习的工业行业能源消耗量预测系统,包括:
行业节能潜力计算模块,其输入为行业内企业的能源消耗数据,该模块基于输入数据对企业进行聚类,并计算确定行业的节能潜力;
混合预测模块,用于在不考虑能效提升的前提下对行业的能源消耗量进行预测;
能效提升预测模块,用于设置能效提升速度,并根据所设定的能效提升速度结合行业节能潜力计算模块输出的行业节能潜力及混合预测模块输出的行业能源消耗量预测结果,输出行业在能效提升下的能源消耗量。
本发明的有益效果是:
本发明通过聚类及机器学习,提供了一种对工业行业能耗预测方法,能够解决目前工业行业内企业能效和规模差距大的现状下,节能潜力难以有效估计,行业能耗量难以有效预测的问题,能够为该行业的减碳工作提供数据支撑。
附图说明
图1为本发明方法的流程示意图
图2基于能耗规模和强度的企业聚类结果图
图3预测模型对行业电力消耗量的测试集结果示意图
图4预测模型对行业原煤消耗量的测试集结果示意图
图5预测模型对行业热力消耗量的测试集结果示意图
图6预测模型对行业天然气消耗量的测试集结果示意图
图7行业能源总量和结构的预测结果示意图
图8单一预测模型与本发明中采用混合预测模型的预测结果对比
图9行业考虑能效提升后的碳排放预测图
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。
本发明的一种基于聚类算法和机器学习的工业行业能源消耗量预测方法,包括:
步骤S1,获取行业内企业最新年份的能源消耗数据,预处理后对企业进行聚类,通过选择各类的能耗强度标准计算行业的节能潜力;
步骤S2,通过企业能源数据,汇总得到行业各类别能源消耗量月度数据,经过预处理后,通过混合预测模型对行业的能源消耗量进行不考虑能效提升的预测;
步骤S3,设置能效提升的速度情景,结合行业能源消耗量时间序列的预测值,得到行业在不同能效提升情景下的能源消耗量;
其中,步骤S1中行业内企业聚类的指标为能源消耗规模与能源消耗强度,其计算公式如下:
式中:EC是企业能源消耗规模;f是标煤系数;C是能源消耗量;EI是企业的能源消耗强度;G是企业的工业总产值;下标e是能源种类。
其中,步骤S1中所述预处理具体为对数据标准化,公式为:
式中:xscale是样本归一化后的值;x是样本真实值;xmin是样本最小值;xmax是样本最大值。
其中,步骤S1中对企业聚类可以基于K-means++算法实现,其计算流程如下:
Step1.设置聚类个数K=2;
Step2.从输入数据点随机选择一个点作为第一聚类中心u1;
Step3.对于数据集中每个点xi,计算其与已确定的聚类中心中,最近的聚类中心的距离D(xi),计算公式见式;
r=1,2,...,kselected
式中,xi为数据集中的点;D(xi)为xi与最近的聚类中心的距离;ur为已被选择的聚类中心,也称质心;
Step4.选择新的数据点作为聚类中心,原则是D(x)越大,被选概率越大;
Step5.重复step3和step4直到选出K个聚类质心。
Step6.计算数据到各聚类中心的欧式距离d(x,y),其计算公式如下所示,分配各数据对象到距离最近的类中;
式中,d(x,y)是数据点x和聚类中小u之间的欧式距离;xi和ui是第i个聚类指标的值;
Step7.重新计算各数据集的聚类中心,计算公式如下,并计算数据对象到各聚类中心的欧氏距离,将数据对象分配距离最近的类中;
式中,Ci是第i簇的数据集;ui是Ci的均值向量,也称质心;
Step8,判断重新计算聚类中心后,各类别中的数据对象的位置是否改变;若改变了则跳至Step6;若未变则继续前进至Step9;
Step9,判断各类别内数据对象的能耗强度和能耗规模的最值之差是否小于0.25;若否,聚类个数K=K+1,并跳至Step2;若是,则完成计算,输出聚类结果。
其中,步骤S1中企业完成聚类后,将各簇的能效对标值即能耗强度标准确定为该簇企业的平均能耗强度。
其中,步骤S1中确定各类别企业能效对标值后,通过能效差距计算节能潜力,其计算公式如下:
在某一类别的企业中,各企业在不同品种能源消耗上的节能量计算如下:
ESi,e=0(ηi<ηstd)
式中,ESi,e是企业i在某品种能源e消耗上的节能量;ηi是企业总能耗强度;ηstd是该类别企业总能耗强度的对标值;ηi,e是某品种能源的能耗强度;ηstd,e是该类别企业的某品种能源消耗强度对标值;i是所述类别的企业中的企业编号;e是能源品类。
对于行业内不同品类能源消耗的节能潜力,计算公式如下:
式中,EPe是行业的某品种能源e的节能潜力;ECe是行业的某品种能源e的总消耗量;ESj,e是第j类别企业在某品种能源e上的总节能量;EPj,e是第j类别企业在某品种能源e上的节能潜力;ECj,e是第j类别企业在某品种能源e上的消耗量;e是能源品类;j是企业聚类的类别。
其中,步骤S2中混合预测模型组成包括:变模态分解(VMD),长短期记忆法(LSTM)、季节性差分自回归移动平动模型(SARIMA)三个部分组成;
其中,步骤S2中所述的预处理是对数据进行标准化处理,方法如下:
式中:xscale是样本归一化后的值;x是样本真实值;xmin是样本最小值;xmax是样本最大值。
其中,步骤S2中混合模型对能源消耗序列进行预测,其过程如下:
Step1.通过VMD对能源消耗原始时间序列进行分解,得到k个子序列;
Step2.对平稳子序列使用ARIMA模型进行预测,得到月数据预测值;
Step3.对非平稳子序列使用LSTM模型进行预测,得到月数据预测值;
Step4.将k个子序列的预测值相加,得到能源消耗不考虑能效提升的月度预测量。
其中,步骤S2中混合模型利用变分模态分解对原始能耗序列分解,其计算步骤如下:
将原始能耗数据时间序列定义为本征模态函数,表达式下所示:
Sk(t)=ak(t)cos(φk(t))
式中,ak(t)是幅值,Фk(t)是相位函数;
将原始信号分解为k个本征模态分量,得到每个IMF分量的中心频率ωk(t)和幅值uk(t),采用高斯平滑度来估计分量信号的带宽,则该问题可用一下约束表示:
∑kuk(t)=f(t)
式中,f(t)是原始序列;uk(t)是第k个分量序列的幅值;ωk(t)是第k个分量序列的中心频率;δ(t)是脉冲函数。
通过增广拉格朗日函数将上述等式约束优化问题等效为无约束优化问题,方法如下:
式中,α是惩罚因子;λ是拉格朗日乘法算子。
采用交替方向乘子法ADMM求解上述无约束优化问题,基本思想为固定另外两个变量,交替更新其中一个变量,满足要求时停止迭代,其表达式如下:
分解个数k由子序列的中心频率变化来确定,其确定流程如下:
Step1.初始设置分解个数k=2,迭代次数i=1;
Step2.根据上述步骤对原始进行VMD分解,得到k个子序列,取子序列最大中心频率,记作ωi;
Step3.若i>1,计算中心频率增长率σi,计算公式如下;否则跳过此步骤;
σi=(ωi+1-ωi)/ωi
Step4.当i>2,且同时满足σi-1<1%和σi<10%,确定该原始序列进行VMD分解的子序列个数为k-1,停止迭代;否则跳过此步骤;
Step5.分解个数更新k=k+1,迭代次数更新i=i+1,跳至Step2;
分解后的子序列若周期大于4个步长,则认为时平稳序列,反之则为非平稳序列。
其中,步骤S2中混合模型利用ARIMA模型对平稳子序列进行预测,其过程如下:
对于通过白噪声检验的序列,采用ARIMA模型进行预测,其中ARIMA的基本模型如下所示:
式中,B是滞后算子;yt是在t月份的实际能耗值;εt是在t月份的随机误差值;是模型参数;p,q,d分别是自回归,差分和移动平均的阶数;
本发明实例中通过遍历p,q,d参数的方法,通过贝叶斯准则BIC赤池信息准则AIC确定最终模型参数,以BIC参数小为最优,其计算公式如下:
BIC=-2ln(L)+kln(n)
AIC=-2ln(L)+2k
式中,L为极大似然估计函数;k为模型的变量个数;n为时间序列的步数长度。
利用ARIMA模型进行预测时,采用多步预测,即模型训练完成后,直接对后若干步进行预测。
其中,步骤S2中混合模型利用LSTM模型对非平稳子序列进行预测,其过程如下:
搭建时间预测的LSTM模型,预测基本结构为通过过去3步数据预测未来1步,故模型输入尺寸为[3,1,1];LSTM预测模型由依次连接的输入层,长短期记忆网络层以及全连接层组成;
长短期记忆网络模块包括4个隐藏层,由96个神经元组成,其处理的过程可以表示为:
对于长短期记忆网络,权重参数可表达为:
式中,W是输入权重矩阵;R是循环权重矩阵;b是偏置参数矩阵。i,f,g,o分别代表输入门、遗忘门、单元状态信息和输出门。
对于神经元的处理过程可表达为:
it=σg(Wict+Riht-1+bi)
ft=σg(Wfct+Rfht-1+bf)
gt=σg(Wgct+Rght-1+bg)
ot=σg(Woct+Roht-1+bo)
式中,σg是门激活函数,这里使用Sigmoid。
对于神经元状态ct和输出状态ht,其更新方法可表达为:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙σc(ct)
式中,⊙是矩阵的哈达玛积运算符号;σc是状态激活函数,这里使用ReLU。
LSTM预测采用单步迭代预测法,即将预测值加入数据集进行后一部步预测,预测一定步数后重新训练模型。
其中,步骤S3中设置能效提升的速度情景,得到行业在不同能效提升情景下的能源消耗预测量,其过程如下:
Step1.根据预测模块得到行业各能源类别消耗量的未来两年的月数据预测结果;
Step2.根据节能潜力计算值为依据,设置能效提升的速度情景,速度情景可表达如下:
对于计算得到的某能源类别的节能潜力EPe,未来年份考虑能效提升的能耗预测值可表达为:
ECpe=Pe·αe·EPe
式中ECp是考虑能效提升的行业年能耗量预测值;P是混合预测模型得到的能耗预测值;α是能效提升系数,可设置为0~1之间的数字,数字越大,能效提升速度越快;EP是行业的节能潜力;e是能源类别。
以下结合案例说明,以东部沿海某省份的化纤行业为例,本发明的预测方法中S1包括:
步骤101,获取行业内各企业最新的各品类能源消耗量以及工业总产值年数据,计算各企业的能耗规模与能耗总量,并归一化处理;
步骤102,根据K-mean算法流程对企业基于能耗规模和能耗总量进行聚类;
步骤103,计算各类别内企业的综合平均能耗强度以及各能源类别的平均能耗强度,作为该类别的能耗强度对标值;
步骤104,根据各类别的能耗强度对标值,计算各类别的不同能源类别的节能潜力;
在案例中,采用该行业2021年份的数据进行计算,聚类结果见图2,各类别的能效标准值见表1;经计算行业的节能潜力约为总能耗强度的24.6%。
表1各类企业的标准能耗强度(吨标准煤/万元)
S2包括:
步骤201,获得行业各能源类别的消耗量数据,进行归一化处理;
步骤202,对一个能源消耗量序列,根据VMD流程进行分解;
步骤203,对通过白噪声检验的子序列,根据流程建立ARIMA模型,训练并进行未来24步的多步预测;
步骤204,对未通过白噪声检验的子序列,根据流程建立LSTM模型,训练并进行未来24步的单步迭代预测;
在案例中,对于未考虑能效提升的预测模块,这里将9年的能耗数据中的前5年作为训练集,预测后24步的数据,并与实际历史数据进行对比,对于案例中的行业,主要能源使用类型的电力、原煤的不考虑能效提升的预测测试结果如图3、4、5、6。
步骤205,将所有9年的历史数据用于训练,预测未来到2030年的行业能耗数据,结合综合能耗量计算公式,可以得到行业未来的能耗总量和结构预测,如图7所示,到2030年,不考虑能效提升时行业的能耗总量将达到约4.47Mtce,产生的碳排放量约15.4MtCO2。
图8中展示了单一预测模型和本发明中采用混合预测模型的预测结果对比。结果表明单一的ARIMA模型和LSTM模型在样本外仅能进行总体趋势的预测,总体误差偏大。而采用本发明中的混合预测模型则能得到更接近实际值的预测结果。
S3包括:
步骤301,设置不同的能效提升系数,以代表不同能效提升增速情景。将2030年能效提升系数设置为1代表能效提升速度快的情景,即实现全部的理论能效提升潜力;将2030年能效提升系数设置为0.5代表能效提升速度慢的情景,即实现部分理论能效提升潜力;
步骤302,结合能效提升潜力和不同的能效提升系数,预测未来不同能效提升情景下的行业碳排放量。设置该行业从2022年到2030年每种能源类别的能效提升系数每年匀速增加,则该行业考虑能效提升情况下的行业碳排放预测结果如图9所示。当能效提升潜力在2030年完全实现的情况下,能够带来约22.6%的减碳量,行业的碳排放在考虑能效提升时预测为12.1MtCO2。
此外,本发明还提供了一种基于聚类算法和机器学习的工业行业能源消耗量预测系统,其包括:
行业节能潜力计算模块,其输入为行业内企业的能源消耗数据,该模块基于输入数据对企业进行聚类,并计算确定行业的节能潜力;
混合预测模块,用于在不考虑能效提升的前提下对行业的能源消耗量进行预测;
能效提升预测模块,用于设置能效提升速度,并根据所设定的能效提升速度结合行业节能潜力计算模块输出的行业节能潜力及混合预测模块输出的行业能源消耗量预测结果,输出行业在能效提升下的能源消耗量。
以上所述的实施例只是本发明的部分较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征是,包括:
步骤S1,获取行业内企业最新年份的能源消耗数据,预处理后对企业进行聚类,通过选择各类的能耗强度标准计算行业的节能潜力;步骤S2,通过企业能源数据,汇总得到行业各类别能源消耗量月度数据,经过预处理后,通过混合预测模型对行业的能源消耗量进行不考虑能效提升的预测;步骤S3,设置能效提升的速度情景,结合行业能源消耗量时间序列的预测值,得到行业在不同能效提升情景下的能源消耗量。
2.根据权利要求1所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,步骤S1中行业内企业聚类的指标为能源消耗规模与能源消耗强度,其计算公式如下:
式中:EC是企业能源消耗规模;f是标煤系数;C是能源消耗量;EI是企业的能源消耗强度;G是企业的工业总产值;下标e是能源种类。
3.根据权利要求1所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,步骤S1中确定各类别企业的能耗强度标准即确定能效对标值,之后,通过能效差距计算节能潜力,具体的,企业完成聚类后,将各簇中企业的平均能耗强度作为该类别企业的能效对标值。
4.根据权利要求3所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,计算节能潜力具体为:
在某一类别的企业中,各企业在不同品种能源消耗上的节能量如下:
ESi,e=0(当ηi<ηstd)
式中,ESi,e是企业i在某品种能源e消耗上的节能量;ηi是企业总能耗强度;ηstd是该类别企业总能耗强度的对标值;ηi,e是某品种能源的能耗强度;ηstd,e是该类别企业的某品种能源消耗强度对标值;i是所述类别的企业中的企业编号;e是能源品类;
对于行业内不同品类能源消耗的节能潜力,计算公式如下:
式中,EPe是行业的某品种能源e的节能潜力;ECe是行业的某品种能源e的总消耗量;ESj,e是第j类别企业在某品种能源e上的总节能量;EPj,e是第j类别企业在某品种能源e上的节能潜力;ECj,e是第j类别企业在某品种能源e上的消耗量;e是能源品类;j是企业聚类的类别。
5.根据权利要求1所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,步骤S2中混合预测模型组成包括:变模态分解(VMD),长短期记忆法(LSTM)、季节性差分自回归移动平动模型(SARIMA)三个部分组成;利用混合预测模型对能源消耗序列进行预测,其过程如下:
Step1.通过VMD对能源消耗原始时间序列进行分解,得到k个子序列;
Step2.对平稳子序列使用ARIMA模型进行预测,得到月数据预测值;
Step3.对非平稳子序列使用LSTM模型进行预测,得到月数据预测值;
Step4.将k个子序列的预测值相加,得到能源消耗不考虑能效提升的月度预测量。
6.根据权利要求5所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,分解后得到的k个子序列,若子序列周期大于4个步长,则认为是平稳子序列,反之则为非平稳子序列。
7.根据权利要求1所述的基于聚类算法和机器学习的工业行业能源消耗量预测方法,其特征在于,步骤S3中设置能效提升的速度情景,得到行业在不同能效提升情景下的能源消耗预测量,其过程如下:
Step1.根据预测模块得到行业各能源类别消耗量的未来的月数据预测结果;
Step2.以节能潜力计算值为依据,设置能效提升的速度情景,速度情景可表达如下:
对于计算得到的某能源类别的节能潜力EPe,未来年份考虑能效提升的能耗预测值表达为:
式中ECp是考虑能效提升的行业年能耗量预测值;P是混合预测模型得到的能耗预测值;α是能效提升系数,表示能效提升速度;EP是节能潜力;下标e是对应的能源类别;m是预测步数。
8.一种基于聚类算法和机器学习的工业行业能源消耗量预测系统,其特征在于,用于实现如权利要求1-7任一项所述的方法,系统包括:
行业节能潜力计算模块,其输入为行业内企业的能源消耗数据,该模块基于输入数据对企业进行聚类,并计算确定行业的节能潜力;
混合预测模块,用于在不考虑能效提升的前提下对行业的能源消耗量进行预测;
能效提升预测模块,用于设置能效提升速度,并根据所设定的能效提升速度结合行业节能潜力计算模块输出的行业节能潜力及混合预测模块输出的行业能源消耗量预测结果,输出行业在能效提升下的能源消耗量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752109.6A CN117829352A (zh) | 2023-12-19 | 2023-12-19 | 一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311752109.6A CN117829352A (zh) | 2023-12-19 | 2023-12-19 | 一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829352A true CN117829352A (zh) | 2024-04-05 |
Family
ID=90516584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311752109.6A Pending CN117829352A (zh) | 2023-12-19 | 2023-12-19 | 一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829352A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
CN115099448A (zh) * | 2022-04-14 | 2022-09-23 | 哈尔滨理工大学 | 一种基于VMD-Prophet的短期负荷预测方法 |
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116702609A (zh) * | 2023-06-08 | 2023-09-05 | 广西电网有限责任公司电力科学研究院 | 基于arima-lstm组合算法的碳纤维复合芯导线弧垂预测方法 |
-
2023
- 2023-12-19 CN CN202311752109.6A patent/CN117829352A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
CN110288127A (zh) * | 2019-05-31 | 2019-09-27 | 武汉烽火富华电气有限责任公司 | 一种能源大数据处理方法 |
CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
CN115099448A (zh) * | 2022-04-14 | 2022-09-23 | 哈尔滨理工大学 | 一种基于VMD-Prophet的短期负荷预测方法 |
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116702609A (zh) * | 2023-06-08 | 2023-09-05 | 广西电网有限责任公司电力科学研究院 | 基于arima-lstm组合算法的碳纤维复合芯导线弧垂预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mou et al. | A machine learning approach for energy-efficient intelligent transportation scheduling problem in a real-world dynamic circumstances | |
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
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 | |
Pai | System reliability forecasting by support vector machines with genetic algorithms | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN113095550A (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN110245390B (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
CN115496163A (zh) | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN115018191A (zh) | 一种基于小样本数据的碳排放量预测方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN110598947A (zh) | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
Bi et al. | Self-adaptive Teaching-learning-based Optimizer with Improved RBF and Sparse Autoencoder for Complex Optimization Problems | |
CN117829352A (zh) | 一种基于聚类算法和机器学习的工业行业能源消耗量预测方法及系统 | |
CN117117850A (zh) | 一种短期用电负荷预测方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
CN116468333A (zh) | 一种基于数据分解与深度学习的煤炭港口空气质量预测方法 |
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 |