CN118517807A - 一种基于太阳能热水系统的智能控制方法 - Google Patents

一种基于太阳能热水系统的智能控制方法 Download PDF

Info

Publication number
CN118517807A
CN118517807A CN202411001152.3A CN202411001152A CN118517807A CN 118517807 A CN118517807 A CN 118517807A CN 202411001152 A CN202411001152 A CN 202411001152A CN 118517807 A CN118517807 A CN 118517807A
Authority
CN
China
Prior art keywords
hot water
heating system
representing
solar water
water heating
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
Application number
CN202411001152.3A
Other languages
English (en)
Other versions
CN118517807B (zh
Inventor
袁春艳
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.)
Anhui Xuanri Energy Technology Co ltd
Original Assignee
Anhui Xuanri Energy 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 Anhui Xuanri Energy Technology Co ltd filed Critical Anhui Xuanri Energy Technology Co ltd
Priority to CN202411001152.3A priority Critical patent/CN118517807B/zh
Publication of CN118517807A publication Critical patent/CN118517807A/zh
Application granted granted Critical
Publication of CN118517807B publication Critical patent/CN118517807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S50/00—Arrangements for controlling solar heat collectors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/40—Solar thermal energy, e.g. solar towers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)

Abstract

本发明涉及太阳能热水系统控制技术领域，公开了一种基于太阳能热水系统的智能控制方法，包括以下步骤：步骤S101，在第一预设时间段T内，按照预设时间间隔t采集天气数据，并生成特征序列；步骤S102，将特征序列输入到预测模型，输出的值表示用户在第二预设时间段G内的热水需求量；步骤S103，获取太阳能热水系统的热水存储量，当热水存储量小于等于热水需求量，进入步骤S104；步骤S104，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间；本发明通过预测模型建立天气数据与热水需求量之间的非线性映射关系，提高热水需求量的预测精度，从而满足用户的用水需求。

Description

一种基于太阳能热水系统的智能控制方法
技术领域
本发明涉及太阳能热水系统控制技术领域，更具体地说，它涉及一种基于太阳能热水系统的智能控制方法。
背景技术
太阳能热水系统凭借其环保和经济效益，已成为全球可持续能源发展的重要组成部分。传统的太阳能热水系统主要通过太阳能集热器将太阳辐射能转换为热能，再通过循环泵将太阳能集热器中加热后的传热流体导向储水箱，通过热交换来加热储水箱的冷水，或者在太阳能集热器不足以提供所需的热量时，例如阴雨天、冬季光照不足的情况下，通过空气源热泵直接加热储水箱的冷水。
然而，在太阳能集热器不足以提供所需的热量时，传统的太阳能热水系统无法与空气源热泵进行智能耦合，即无法预先根据天气数据和用户用水习惯积累充足的热水，导致无法满足用户的用水需求。
发明内容
本发明提供一种基于太阳能热水系统的智能控制方法，解决相关技术中传统的太阳能热水系统无法预先根据天气数据和用户用水习惯积累充足的热水，导致无法满足用户的用水需求的技术问题。
本发明提供了一种基于太阳能热水系统的智能控制方法，包括以下步骤：
步骤S101，在第一预设时间段T内，按照预设时间间隔t采集天气数据，并生成特征序列；
特征序列的第i个序列单元表示在第i个时间段内的天气数据，其中1≤i≤N，N=T/t；
天气数据包括：温度、湿度、降雨量和日照时长；
步骤S102，将特征序列输入到预测模型，输出的值表示用户在第二预设时间段G内的热水需求量；
步骤S103，获取太阳能热水系统的热水存储量，当热水存储量小于等于热水需求量，进入步骤S104；
步骤S104，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间。
进一步地，T、t和G均为自定义参数。
进一步地，预测模型包括N个隐藏单元，第i个隐藏单元输入特征序列的第i个序列单元，输出更新特征；
第N个隐藏单元输出的更新特征输入到第一分类器，第一分类器的分类空间表示用户在第二预设时间段G内的热水需求量。
进一步地，第i个隐藏单元的计算公式包括：
；
；
；
；
；
；
其中和分别表示第i个和第i-1个隐藏单元输出的更新特征，赋值为0，表示第i个隐藏单元输入的特征序列的第i个序列单元，、、、和分别表示第i个隐藏单元的遗忘门、输入门、第一中间特征、第二中间特征和输出门，表示第i-1个隐藏单元的第二中间特征，、、、、、、和分别表示第一、第二、第三、第四、第五、第六、第七和第八权重参数，、、和分别表示第一、第二、第三和第四偏置参数，表示哈达玛积，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数。
进一步地，用于训练预测模型的训练样本的样本标签根据历史的用户在第二预设时间段G内的热水需求量构建。
进一步地，在预测模型的训练过程中，指定每个迭代次数的预测模型输出的值与训练样本的样本标签之间的差作为损失函数，通过梯度下降算法更新预测模型的权重参数和偏置参数。
进一步地，在预测模型训练之前，先对预测模型进行预训练，将第N个隐藏单元输出的更新特征输入到第二分类器，第二分类器的分类空间表示下一个时间段的风压。
进一步地，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间，包括以下步骤：
步骤S201，获取太阳能热水系统的储水箱的温度和用户的目标加热温度，并计算两者的温度差；
步骤S202，根据热水存储量和热水需求量的差值以及温度差计算获得太阳能热水系统的所需热量；
步骤S203，根据太阳能热水系统的所需热量、空气源热泵的能效比和空气源热泵的额定功率计算获得空气源热泵的运行时间。
进一步地，太阳能热水系统的所需热量的计算公式包括：
；
；
其中表示太阳能热水系统的所需热量，表示热水存储量和热水需求量的差值的质量表示，表示水的比热容，表示太阳能热水系统的储水箱的温度和用户的目标加热温度的温度差，用户的目标加热温度为自定义参数，表示热水存储量和热水需求量的差值，表示水的密度。
进一步地，空气源热泵的运行时间的计算公式如下：
；
其中RunTime表示空气源热泵的运行时间，表示太阳能热水系统的所需热量，P表示空气源热泵的额定功率，COP表示空气源热泵的能效比，由空气源热泵制造商提供。
本发明的有益效果在于：本发明通过预测模型建立天气数据与热水需求量之间的非线性映射关系，提高热水需求量的预测精度，从而满足用户的用水需求。
附图说明
图1是本发明的一种基于太阳能热水系统的智能控制方法的流程图；
图2是本发明的根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
需要说明的是，除非另外定义，本发明一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明的一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1～图2所示，一种基于太阳能热水系统的智能控制方法，包括以下步骤：
步骤S101，在第一预设时间段T内，按照预设时间间隔t采集天气数据，并生成特征序列；
特征序列的第i个序列单元表示在第i个时间段内的天气数据，其中1≤i≤N，N=T/t；
天气数据包括：温度、湿度、降雨量和日照时长；
步骤S102，将特征序列输入到预测模型，输出的值表示用户在第二预设时间段G内的热水需求量；
步骤S103，获取太阳能热水系统的热水存储量，当热水存储量小于等于热水需求量，进入步骤S104；
步骤S104，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间。
在本发明的一个实施中，T、t和G均为自定义参数，优选的，T设置为1小时，t设置为5分钟，G设置为1小时。
在本发明的一个实施中，通过温湿度传感器采集温湿度，通过降雨量传感器采集降雨量，通过日照时长传感器采集日照时长，例如MS-093，只对直接辐射敏感，数字化输出超过120W/m²的辐射量。
在本发明的一个实施中，天气数据还可以包括：风速、风向、能见度、降雪量和气压等。
在本发明的一个实施中，还可以对每个时间段的天气数据进行预处理，例如对于一个时间段的缺失值通过取前后两个时间段的数据的平均值进行填充，对于一个时间段的异常值可以通过填充默认值，再通过标准分数对每个时间段的天气数据进行归一化处理。
在本发明的一个实施中，预测模型包括N个隐藏单元，第i个隐藏单元输入特征序列的第i个序列单元，输出更新特征；
第N个隐藏单元输出的更新特征输入到第一分类器，第一分类器的分类空间表示用户在第二预设时间段G内的热水需求量。
在本发明的一个实施中，第i个隐藏单元的计算公式包括：
；
；
；
；
；
；
其中和分别表示第i个和第i-1个隐藏单元输出的更新特征，赋值为0，表示第i个隐藏单元输入的特征序列的第i个序列单元，、、、和分别表示第i个隐藏单元的遗忘门、输入门、第一中间特征、第二中间特征和输出门，表示第i-1个隐藏单元的第二中间特征，、、、、、、和分别表示第一、第二、第三、第四、第五、第六、第七和第八权重参数，、、和分别表示第一、第二、第三和第四偏置参数，表示哈达玛积，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数。
在本发明的一个实施中，隐藏单元也可以基于RNN（循环神经网络）单元或者GRU（门控网络）单元构建。
在本发明的一个实施中，用于训练预测模型的训练样本的样本标签根据历史的用户在第二预设时间段G内的热水需求量构建。
例如采集下午4点到下午5点的天气数据生成特征序列作为一个训练样本的训练数据，然后采集下午5点到下午6点用户的热水需求量作为一个训练样本的样本标签。
在本发明的一个实施中，在预测模型的训练过程中，指定每个迭代次数的预测模型输出的值与训练样本的样本标签之间的差作为损失函数，通过梯度下降算法更新预测模型的权重参数和偏置参数。
在本发明的一个实施中，在预测模型训练之前，先对预测模型进行预训练，将第N个隐藏单元输出的更新特征输入到第二分类器，第二分类器的分类空间表示下一个时间段的风压。
需要说明的是，通过对预测模型的预训练，能够提高预测模型对特征序列的特征提取能力，从而提高模型的预测精度。
在本发明的一个实施中，如图2所示，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间，包括以下步骤：
步骤S201，获取太阳能热水系统的储水箱的温度和用户的目标加热温度，并计算两者的温度差；
步骤S202，根据热水存储量和热水需求量的差值以及温度差计算获得太阳能热水系统的所需热量；
步骤S203，根据太阳能热水系统的所需热量、空气源热泵的能效比和空气源热泵的额定功率计算获得空气源热泵的运行时间。
在本发明的一个实施中，太阳能热水系统的所需热量的计算公式包括：
；
；
其中表示太阳能热水系统的所需热量，表示热水存储量和热水需求量的差值的质量表示，表示水的比热容，表示太阳能热水系统的储水箱的温度和用户的目标加热温度的温度差，用户的目标加热温度为自定义参数，表示热水存储量和热水需求量的差值，表示水的密度。
在本发明的一个实施中，空气源热泵的运行时间的计算公式如下：
；
其中RunTime表示空气源热泵的运行时间，表示太阳能热水系统的所需热量，P表示空气源热泵的额定功率，COP表示空气源热泵的能效比，由空气源热泵制造商提供。
例如热水需求量为300升，热水存储量为150升，水的密度为1kg/L，水的比热容为4.186kJ/(kg·°C)，温度差为40°C，空气源热泵的能效比为3，空气源热泵的额定功率为3kW，那么根据上述公式计算可得空气源热泵的运行时间约为0.775小时，大约46.5分钟。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (8)

1.一种基于太阳能热水系统的智能控制方法，其特征在于，包括以下步骤：
步骤S101，在第一预设时间段T内，按照预设时间间隔t采集天气数据，并生成特征序列；
特征序列的第i个序列单元表示在第i个时间段内的天气数据，其中1≤i≤N，N=T/t；
天气数据包括：温度、湿度、降雨量和日照时长；
步骤S102，将特征序列输入到预测模型，输出的值表示用户在第二预设时间段G内的热水需求量；
步骤S103，获取太阳能热水系统的热水存储量，当热水存储量小于等于热水需求量，进入步骤S104；
步骤S104，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间；
预测模型包括N个隐藏单元，第i个隐藏单元输入特征序列的第i个序列单元，输出更新特征；
第N个隐藏单元输出的更新特征输入到第一分类器，第一分类器的分类空间表示用户在第二预设时间段G内的热水需求量；
第i个隐藏单元的计算公式包括：
；
；
；
；
；
；
其中和分别表示第i个和第i-1个隐藏单元输出的更新特征，赋值为0，表示第i个隐藏单元输入的特征序列的第i个序列单元，、、、和分别表示第i个隐藏单元的遗忘门、输入门、第一中间特征、第二中间特征和输出门，表示第i-1个隐藏单元的第二中间特征，、、、、、、和分别表示第一、第二、第三、第四、第五、第六、第七和第八权重参数，、、和分别表示第一、第二、第三和第四偏置参数，表示哈达玛积，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数。
2.根据权利要求1所述的一种基于太阳能热水系统的智能控制方法，其特征在于，T、t和G均为自定义参数。
3.根据权利要求1所述的一种基于太阳能热水系统的智能控制方法，其特征在于，用于训练预测模型的训练样本的样本标签根据历史的用户在第二预设时间段G内的热水需求量构建。
4.根据权利要求3所述的一种基于太阳能热水系统的智能控制方法，其特征在于，在预测模型的训练过程中，指定每个迭代次数的预测模型输出的值与训练样本的样本标签之间的差作为损失函数，通过梯度下降算法更新预测模型的权重参数和偏置参数。
5.根据权利要求1所述的一种基于太阳能热水系统的智能控制方法，其特征在于，在预测模型训练之前，先对预测模型进行预训练，将第N个隐藏单元输出的更新特征输入到第二分类器，第二分类器的分类空间表示下一个时间段的风压。
6.根据权利要求1所述的一种基于太阳能热水系统的智能控制方法，其特征在于，根据热水存储量和热水需求量的差值计算获得空气源热泵的运行时间，包括以下步骤：
步骤S201，获取太阳能热水系统的储水箱的温度和用户的目标加热温度，并计算两者的温度差；
步骤S202，根据热水存储量和热水需求量的差值以及温度差计算获得太阳能热水系统的所需热量；
步骤S203，根据太阳能热水系统的所需热量、空气源热泵的能效比和空气源热泵的额定功率计算获得空气源热泵的运行时间。
7.根据权利要求6所述的一种基于太阳能热水系统的智能控制方法，其特征在于，太阳能热水系统的所需热量的计算公式包括：
；
；
其中表示太阳能热水系统的所需热量，表示热水存储量和热水需求量的差值的质量表示，表示水的比热容，表示太阳能热水系统的储水箱的温度和用户的目标加热温度的温度差，用户的目标加热温度为自定义参数，表示热水存储量和热水需求量的差值，表示水的密度。
8.根据权利要求7所述的一种基于太阳能热水系统的智能控制方法，其特征在于，空气源热泵的运行时间的计算公式如下：
；
其中RunTime表示空气源热泵的运行时间，表示太阳能热水系统的所需热量，P表示空气源热泵的额定功率，COP表示空气源热泵的能效比，由空气源热泵制造商提供。
CN202411001152.3A 2024-07-25 2024-07-25 一种基于太阳能热水系统的智能控制方法 Active CN118517807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411001152.3A CN118517807B (zh) 2024-07-25 2024-07-25 一种基于太阳能热水系统的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411001152.3A CN118517807B (zh) 2024-07-25 2024-07-25 一种基于太阳能热水系统的智能控制方法

Publications (2)

Publication Number Publication Date
CN118517807A true CN118517807A (zh) 2024-08-20
CN118517807B CN118517807B (zh) 2024-09-24

Family

ID=92284436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411001152.3A Active CN118517807B (zh) 2024-07-25 2024-07-25 一种基于太阳能热水系统的智能控制方法

Country Status (1)

Country Link
CN (1) CN118517807B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4004573A (en) * 1975-12-23 1977-01-25 Battelle Development Corporation Process and apparatus for solar energy collection and retrieval
CN106052162A (zh) * 2016-07-01 2016-10-26 顺德职业技术学院 热泵与太阳能热水器组合系统预测控制方法
KR102507123B1 (ko) * 2021-08-27 2023-03-08 부산대학교 산학협력단 태양광열과 공기열을 동시에 이용하는 냉난방 및 급탕 시스템 및 그의 운전 방법
CN117254528A (zh) * 2023-09-11 2023-12-19 南京工程学院 多能互补发电调峰系统及调峰方法
CN118157127A (zh) * 2024-04-03 2024-06-07 广东电网有限责任公司广州供电局 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4004573A (en) * 1975-12-23 1977-01-25 Battelle Development Corporation Process and apparatus for solar energy collection and retrieval
CN106052162A (zh) * 2016-07-01 2016-10-26 顺德职业技术学院 热泵与太阳能热水器组合系统预测控制方法
KR102507123B1 (ko) * 2021-08-27 2023-03-08 부산대학교 산학협력단 태양광열과 공기열을 동시에 이용하는 냉난방 및 급탕 시스템 및 그의 운전 방법
CN117254528A (zh) * 2023-09-11 2023-12-19 南京工程学院 多能互补发电调峰系统及调峰方法
CN118157127A (zh) * 2024-04-03 2024-06-07 广东电网有限责任公司广州供电局 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统

Also Published As

Publication number Publication date
CN118517807B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
Sun et al. CNN–LSTM–AM: A power prediction model for offshore wind turbines
CN107766990B (zh) 一种光伏电站发电功率的预测方法
Stefenon et al. Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN108711847B (zh) 一种基于编码解码长短期记忆网络的短期风电功率预测方法
CN109802430A (zh) 一种基于LSTM-Attention网络的风电电网控制方法
CN114219181B (zh) 基于迁移学习的风电功率概率预测方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN112688306B (zh) 基于天气预报和历史功率数据的光伏周出力场景预测方法
CN116502074A (zh) 一种基于模型融合的光伏发电功率预测方法及系统
CN115827697B (zh) 基于大数据的小区水资源智能管理系统及其管理方法
CN116384583A (zh) 一种基于多神经网络的光伏功率预测方法
CN107977728A (zh) 一种基于bp人工神经网络的中长期逐小时气温预测方法
CN119991351B (zh) 基于人工智能的新能源最优供电策略方法和系统
CN113128762A (zh) 一种多源异构数据的短期光伏发电功率预测方法及系统
CN117574093A (zh) 一种基于相似日理论的光伏发电出力预测方法及装置
CN117006654A (zh) 基于边缘计算的空调负荷控制系统及其方法
CN118517807B (zh) 一种基于太阳能热水系统的智能控制方法
Shahid et al. Short term solar energy prediction by machine learning algorithms
Zhong et al. Wind power generation prediction during the COVID-19 epidemic based on novel hybrid deep learning techniques
CN111539573B (zh) 一种风光互补离网系统的功率预测方法及系统
CN113191559A (zh) 一种基于自回归选择的改进神经网短期居民负荷预测方法
Fathi et al. Enhanced global solar irradiance and temperature forecasting for rooftop PV power generation prediction using multi-step LSTM and GRU based hybrid models
CN117293818A (zh) 基于高斯建模注意力机制及lstm的光伏发电预测方法
CN119050987B (zh) 一种考虑源荷不确定性的微电网动态区间优化调度方法

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
GR01 Patent grant
GR01 Patent grant