CN107330518A - 基于温度调节负荷预测的能源管理控制方法和*** - Google Patents
基于温度调节负荷预测的能源管理控制方法和*** Download PDFInfo
- Publication number
- CN107330518A CN107330518A CN201710476836.2A CN201710476836A CN107330518A CN 107330518 A CN107330518 A CN 107330518A CN 201710476836 A CN201710476836 A CN 201710476836A CN 107330518 A CN107330518 A CN 107330518A
- Authority
- CN
- China
- Prior art keywords
- temperature
- load
- information
- period
- temperature adjustment
- 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
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于温度调节负荷预测的能源管理控制方法和***,所述方法包括:利用采集的过去一段时间的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,预测未来一段时间的温度调节负荷信息;根据预测的未来一段时间的温度调节负荷信息进行能源管理控制。本发明可以更为简便地预测温度调节负荷,从而简化能源管理控制的复杂性,降低能源管理控制***的成本。
Description
技术领域
本发明涉及能源设备控制技术领域,特别是指一种基于温度调节负荷预测的能源管理控制方法和***。
背景技术
楼宇智能配电***是一种针对目前城市中应用越来越广泛的智能化住宅开发的小区配电终端***。在楼宇智能配电***对能源进行管理控制的过程中,用电负荷的预测和监控一直是提高配电效率、节约能源的关键因素,也是楼宇智能配电***中的难点技术之一。在楼宇中,能量的消耗相当大的一部分来自建筑中制冷或致热的冷热源(或称空调***)。对建筑中的冷热源***的负荷进行预测,有利于根据预测的负荷进行电能管理,使其获得较为平稳的用电曲线,能够使用户获得较大的效益。
目前,一种对空调设备负荷进行预测的方法,首先根据楼宇自身特性建立楼宇热量模型,然后根据该热量模型建立状态空间下的热力学模型,该热力学模型以当前各室内温度信息、户外温度、湿度、风力、阳光强度等户外环境信息为输入量,计算室内未来一段时间的温度变化曲线;进而根据室内未来一段时间的温度变化曲线来预测未来一段时间内的空调设备的用电情况。
然而,上述方法在应用时非常麻烦:由于热力学模型需要多个环境信息作为输入,因此,在安装***时设置多种传感器来采集户外的环境信息,包括温度计、风力检测计、光照检测计等,造成***复杂、成本高的问题。
发明内容
有鉴于此,本发明的目的在于提出一种基于温度调节负荷预测的能源管理控制方法和***,可以更为简便地预测温度调节负荷,从而简化能源管理控制的复杂性,降低能源管理控制***的成本。
基于上述目的本发明提供一种基于温度调节负荷预测的能源管理控制方法,包括:
利用采集的过去一段时间的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,预测未来一段时间的温度调节负荷信息;
根据预测的未来一段时间的温度调节负荷信息进行能源管理控制。
可选的,所述利用采集的过去一段时间的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,预测未来一段时间的温度调节负荷信息,具体包括:
获取过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息;
将获取的信息输入到径向基函数RBF神经网络;
由RBF神经网络预测输出的未来一段时间的温度调节负荷信息;
其中,所述RBF神经网络预先经由若干训练样本训练得到;所述训练样本是由采集的长于所述一段时间的过去时间段内的温度、温度调节负荷信息形成的。
可选的,所述过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,具体分别为:预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列;以及
所述未来一段时间的温度调节负荷信息具体为预测日当天24小时的温度调节负荷序列;
所述训练样本具体是由采集的过去若干天的24小时的温度序列、温度调节负荷序列形成的。
可选的,所述RBF神经网络的训练方法包括:
利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整。
可选的,所述利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整,具体包括:
建立RBF神经网络与粒子群的对应关系;
在第k次迭代过程中,利用第k个训练样本对所述RBF神经网络进行训练;其中,k为小于等于总迭代次数的自然数;
根据所述RBF神经网络输出的结果,以及第k个训练样本中包括的实际结果,判断是否满足迭代退出条件;
若不满足,则利用粒子群算法对RBF神经网络的当前参数作优化调整后继续进行下次迭代过程。
可选的,所述建立RBF神经网络与粒子群的对应关系,具体包括:
将RBF神经网络的每个输入点分别对应一个粒子;
对于一个粒子而言使用一个向量进行表征,在该向量中包括该粒子所对应的输入点与所述RBF神经网络各节点的关联信息。
可选的,第k个训练样本包括3个输入量分别为:第k天24小时的温度调节负荷序列、第k天24小时的温度序列,以及预报的第k+1天24小时的温度序列;以及
第k个训练样本还包括一个实际结果为第k+1天24小时的实际的温度调节负荷序列。
可选的,所述利用第k个训练样本对所述RBF神经网络进行训练,具体包括:
将第k个训练样本的3个输入量分别从所述RBF神经网络的3个输入点输入,并获取所述RBF神经网络的输出结果。
可选的,所述利用粒子群算法对RBF神经网络的当前参数作优化调整,具体包括:
根据粒子群算法第1~k次搜索过程中所述粒子个体极值历史最优点和全局极值最优点,对所述粒子进行第k次更新;
根据更新的粒子实现对所述RBF神经网络参数的优化调整。
可选的,在所述利用第k个训练样本对所述RBF神经网络进行训练时,进行所述粒子群算法的第k次搜索过程。
可选的,所述温度调节负荷信息具体指的是冷源负荷;或者
所述温度调节负荷信息具体指的是热源负荷;或者
所述温度调节负荷信息具体指的是既制冷又致热的空调设备的负荷。
本发明还提供了一种基于温度调节负荷预测的能源管理控制***,包括:
信息获取模块,用于采集过去一段时间的温度、温度调节负荷信息,并获取预报的未来一段时间的温度信息;
负荷预测模块,利用所述信息获取模块获取的信息,预测未来一段时间的温度调节负荷信息;
管理控制模块,用以根据所述负荷预测模块预测的未来一段时间的温度调节负荷信息进行能源管理控制。
可选的,所述负荷预测模块具体用于将所述信息获取模块获取的信息输入到RBF神经网络,将所述RBF神经网络的输出作为未来一段时间的温度调节负荷信息的预测结果。
可选的,所述***还包括:
训练模块,用于训练所述RBF神经网络;其中,用于训练所述RBF神经网络的训练样本是由采集的长于所述一段时间的过去时间段内的温度、温度调节负荷信息形成的。
可选的,所述训练模块具体用于利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整。
可选的,所述过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,具体分别为:预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列;以及
所述未来一段时间的温度调节负荷信息具体为预测日当天24小时的温度调节负荷序列。
本发明实施例的技术方案中,利用采集的过去一段时间的温度、温度调节负荷,以及预报的未来一段时间的温度信息,来预测未来一段时间的温度调节负荷,进而根据预测的未来一段时间的温度调节负荷进行能源管理控制。这样,***不必采集户外温度、湿度、风力、阳光强度等户外环境信息,可以更为简便地预测温度调节负荷,从而简化了能源管理控制的复杂性,降低了能源管理控制***的成本。
附图说明
图1为本发明实施例的RBF神经网络结构示意图;
图2为本发明实施例的利用RBF神经网络结构预测未来一段时间的温度调节负荷的示意图;
图3为本发明实施例的RBF神经网络的训练方法流程图;
图4为本发明实施例的基于温度调节负荷预测的能源管理控制方法流程图;
图5为本发明实施例的基于温度调节负荷预测的能源管理控制***的模块框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明的发明人考虑到,未来一段时间的冷热源负荷(即制冷或致热的空调设备的负荷)通常与未来一段时间的温度相关;而由专业人士所做的每天的天气预报在多数情况下能比较准确的反映未来一段时间的温度。为便于描述本文将冷热源负荷统称为温度调节负荷。温度调节负荷既可以指的是冷源负荷,也可以是热源负荷,也可以是既制冷又致热的空调设备的负荷。
由此,在本发明的技术方案中,利用采集的过去一段时间的温度、温度调节负荷,以及预报的未来一段时间的温度信息,来预测未来一段时间的温度调节负荷,进而根据预测的未来一段时间的温度调节负荷进行能源管理控制。这样,***不必采集户外温度、湿度、风力、阳光强度等户外环境信息,可以更为简便地预测温度调节负荷,从而简化了能源管理控制的复杂性,降低了能源管理控制***的成本。
更优地,可以利用基于RBF(径向基函数)神经网络的预测模型进行未来一段时间的温度调节负荷的预测。图1示出了RBF神经网络的结构;在图1中,X=[x1,x2,…,xn]T为RBF神经网络的输入向量,由RBF神经网络的各输入点的值组成;H=[h1,h2,…,hm]T为RBF神经网络的径向基向量,由RBF神经网络的各节点的值组成;W=[w1,w2,…,wm]T为RBF神经网络的权向量,由各节点的输出权重组成;ym为RBF神经网络的输出。其中,RBF神经网络的第j个节点的值hj(j=1,2,…,m)的表达式如公式1所示:
公式1中,Cj为网络的第j个结点的中心矢量,Cj=[cj1,cj2,…,cjn]T;bj为节点j的基宽参数。
本发明实施例的技术方案中,将采集的过去一段时间T的温度、温度调节负荷,以及预报的未来一段时间的温度信息;将获取的信息输入到RBF神经网络;由RBF神经网络预测输出未来一段时间的温度调节负荷。其中,所述RBF神经网络预先经由若干训练样本训练得到;所述训练样本是由采集的长于所述一段时间T的过去时间段内的温度、温度调节负荷信息形成的。
例如,如图2所示,可以将第k天24小时的温度调节负荷序列[Q1,Q2,...,Q24]、第k天24小时的温度序列[T1,T2,...,T24],以及预报的第k+1天24小时的温度序列[t1,t2,...,t24]作为RBF神经网络的输入;由RBF神经网络预测输出第k+1天24小时的温度调节负荷序列[q1,q2,...,q24]。
而将RBF神经网络应用于预测之前,可以将过去采集的相当长的一段时间的温度、温度调节负荷按单位时间长度划分后作为若干训练样本,利用得到的这些训练样本对RBF神经网络进行训练。例如,可以将过去一年采集的每天的温度、温度调节负荷序列作为训练样本对RBF神经网络进行训练。
可以采用多种现有技术对RBF神经网络进行训练。例如,可以采用梯度下降法对RBF神经网络进行训练,其主要过程是,利用梯度下降法求解RBF神经网络的性能指标函数。RBF神经网络的性能指标函数如公式2所示:
公式2中,y为实际输出;ym为RBF神经网络的输出。性能指标函数就是使实际输出y与神经网络输出ym之间的误差尽量小,满足设计要求。该性能指标函数可以利用梯度下降法求解计算,从而得到RBF神经网络各节点的输出权重、基宽参数和中心矢量。
采用传统的梯度下降法可以求解上述的性能指标函数。也就是说,对RBF神经网络的训练可以采用传统的梯度下降法。但直接采用传统的梯度下降法在训练神经网络时容易陷入局部极小,且收敛速度较慢。
因此,作为一种更优的实施方式,本发明提供的一种RBF神经网络的训练方法是,在梯度下降法中结合粒子群算法对RBF神经网络的当前参数进行优化调整,从而加快收敛速度。亦即在利用梯度下降法对所述RBF神经网络进行训练时,在每次迭代中利用粒子群算法对被训练的RBF神经网络的当前参数进行优化调整。
本发明提供的一种RBF神经网络的训练方法流程,如图3所示,具体包括如下步骤:
步骤S301:初始化被训练的RBF神经网络的参数,初始化迭代次数k为1。
本步骤中,将迭代次数k初始化为1(k为小于等于总迭代次数的自然数),并将RBF神经网络的参数随机初始化。
或者,作为一种更优的实施方式,可以利用粒子群算法对RBF神经网络作初始化,以加快RBF神经网络参数的收敛。
在利用粒子群算法对RBF神经网络作初始化时,建立RBF神经网络结构与粒子群的对应关系:将RBF神经网络的输入点与粒子群中的粒子建立对应关系。具体地,将RBF神经网络的每个输入点分别对应一个粒子;对于一个粒子而言,可以使用一个向量进行表征,在该向量中,包括该粒子所对应的输入点与RBF神经网络各节点的关联信息。比如,对应于RBF神经网络的第i个输入点的粒子可以表示为xi=(xi1,xi2,…,xim),其中,xim表示RBF神经网络的第i个输入点与第m个节点之间的关联信息。
步骤S302:在第k次迭代过程中,利用第k个训练样本对RBF神经网络进行训练。
其中,第k个训练样本包括3个输入量,用以输入到RBF神经网;第k个训练样本还可包括一个实际结果y(k),用以在后续步骤中与RBF神经网络输出的结果ym(k)进行比较。
比如,第k个训练样本包括的3个输入量分别为:第k天24小时的温度调节负荷序列[Q1,Q2,...,Q24]、第k天24小时的温度序列[T1,T2,...,T24],以及预报的第k+1天24小时的温度序列[t1,t2,...,t24];第k个训练样本还包括一个实际结果为第k+1天24小时的实际的温度调节负荷序列。
本步骤中,于第k次迭代过程中,将第k个训练样本的3个输入量分别从被训练的RBF神经网络的3个输入点输入;RBF神经网络根据输入,输出基于当前参数下的结果ym(k)。
步骤S303:在第k次迭代过程中,根据RBF神经网络输出的结果ym(k),以及实际结果y(k),判断是否满足迭代退出条件;若是,退出迭代,执行步骤S310;否则,继续迭代,执行步骤S304。
具体地,可以采用现有的梯度下降法来根据RBF神经网络输出的结果ym(k),以及第k个训练样本中包括的实际结果y(k),判断是否满足迭代退出条件。比如,根据神经网络201输出的结果ym(k),以及实际结果y(k),计算神经网络201的第k次迭代的性能指标函数值;进而,根据第k次迭代的性能指标函数值计算第k次迭代的效用函数值(即最小化误差函数值);根据计算的效用函数值判断是否满足迭代退出条件,比如,本次迭代的效用函数值小于预设的阈值5%,则判断满足迭代退出条件。
步骤S304:在第k次迭代过程中,利用粒子群算法对RBF神经网络的当前参数作优化调整后,令k=k+1,跳转到步骤S302,继续进行下一次迭代。
根据粒子群算法,在n个粒子对m维空间搜索的过程中,可以得到粒子个体极值历史最优点和全局极值最优点。在第k次迭代过程中,粒子群算法可以根据第1~k次搜索过程中粒子个体极值历史最优点和全局极值最优点,对粒子进行第k次更新。例如,第k次更新的粒子可以表示为x(k+1),其计算公式可以如下公式3所示:
x(k+1)=x(k)+u(k) (公式3)
公式3中,x(k+1)表示为第k次更新后的粒子,x(k)表示为第k次更新前的粒子;u(k)的表达式如下公式4所示:
u(k)=rv(k) (公式4)
公式4中,r表示粒子的位置更新系数;v(k)表示粒子的更新速度,其迭代更新公式如下公式5所示:
v(k+1)=wv(k)+c1r1(pi(k)-x(k))+c2r2(pg(k)-x(k)) (公式5)
公式5中,v(k)表示粒子的第k次更新前的速度,v(k+1)表示粒子的第k次更新后的速度,w为设置的粒子的更新的惯性权重系数,也表示为RBF神经网络各节点的输出权重;r1、r2为[0,1]区间内的任意随机数;c1为设置的该粒子历史极值最优点跟踪权重系数;c2为设置的群体极值最优点跟踪权重系数;pi(k)表示第1~k次搜索过程中该粒子的历史极值最优点;pg(k)表示第1~k次搜索过程中群体极值最优点。
在对粒子进行第k次更新后,也就实现了对粒子所对应的输入点与RBF神经网络各节点的关联信息进行更新,根据更新的关联信息可以得到更新的RBF神经网络的各节点的参数,比如调整了RBF神经网络各节点的输出权重,从而完成第k次RBF神经网络参数的优化调整。也就是,根据更新的粒子,可以实现对RBF神经网络参数的优化调整。
较佳地,由于神经网络结构与粒子群具有对应关系,因此,在上述步骤S302中利用第k个训练样本对RBF神经网络进行训练时,也可根据粒子群算法利用第k个训练样本进行粒子的第k次搜索。换言之,第k次迭代过程中对RBF神经网络进行训练时,亦即对粒子进行第k次搜索。
步骤S310:退出迭代,得到训练后的RBF神经网络。
由于粒子群算法是现有技术,为本领域技术人员所熟知,此处不再赘述其算法的详细过程。
基于训练得到的RBF神经网络,本发明实施例提供的一种基于温度调节负荷预测的能源管理控制方法,流程如图4所示,包括如下步骤:
步骤S401:获取过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息;
具体地,可以获取预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列。
步骤S402:将获取的信息输入到RBF神经网络。
步骤S403:获取RBF神经网络预测输出的未来一段时间的温度调节负荷信息。
具体地,RBF神经网络可以根据输入的预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列,预测输出预测日当天24小时的温度调节负荷序列。
步骤S404:根据预测的未来一段时间的温度调节负荷信息进行能源管理控制。
具体地,可以根据RBF神经网络预测输出的预测日当天24小时的温度调节负荷序列,提前针对预测日当天所使用的能源进行相应的电能调度等能源管理措施,实现能源的高效率管理控制。
基于上述的能源管理控制方法,本发明实施例提供的一种基于温度调节负荷预测的能源管理控制***,内部结构如图5所示,包括:信息获取模块501、负荷预测模块502、管理控制模块503。
其中,信息获取模块501用于采集过去一段时间的温度、温度调节负荷信息,并获取预报的未来一段时间的温度信息。具体地,信息获取模块501可以采集预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列。
负荷预测模块502利用所述信息获取模块获取的信息,预测未来一段时间的温度调节负荷信息。
管理控制模块503用以根据所述负荷预测模块预测的未来一段时间的温度调节负荷信息进行能源管理控制。
较佳地,上述负荷预测模块502可以将所述信息获取模块501获取的信息输入到RBF神经网络,将所述RBF神经网络的输出作为未来一段时间的温度调节负荷信息的预测结果;其中,所述RBF神经网络预先经由若干训练样本训练得到;所述训练样本是由采集的长于所述一段时间的过去时间段内的温度、温度调节负荷信息形成的。
比如,负荷预测模块502可以将所述信息获取模块501获取的预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列,分别从RBF神经网络的三个输入点输入;并获取RBF神经网络的输出作为未来一段时间的温度调节负荷信息的预测结果。而RBF神经网络可以根据上述的训练方法预先训练得到。
进一步,本发明实施例提供的一种基于温度调节负荷预测的能源管理控制***还可以包括用于训练上述负荷预测模块502所使用的RBF神经网络的训练模块504。
其中,训练模块504可以采用多种现有技术训练所述RBF神经网络。
较佳地,训练模块504具体可以利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整,以提高训练收敛速度。训练模块504的具体训练方法可以参考上述图3所示的方法,此处不再赘述。
本发明实施例的技术方案中,利用采集的过去一段时间的温度、温度调节负荷,以及预报的未来一段时间的温度信息,来预测未来一段时间的温度调节负荷,进而根据预测的未来一段时间的温度调节负荷进行能源管理控制。这样,***不必采集户外温度、湿度、风力、阳光强度等户外环境信息,可以更为简便地预测温度调节负荷,从而简化了能源管理控制的复杂性,降低了能源管理控制***的成本。
本技术领域技术人员可以理解,本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于温度调节负荷预测的能源管理控制方法,其特征在于,包括:
利用采集的过去一段时间的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,预测未来一段时间的温度调节负荷信息;
根据预测的未来一段时间的温度调节负荷信息进行能源管理控制。
2.根据权利要求1所述的方法,其特征在于,所述利用采集的过去一段时间的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,预测未来一段时间的温度调节负荷信息,具体包括:
获取过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息;
将获取的信息输入到径向基函数RBF神经网络;
由RBF神经网络预测输出的未来一段时间的温度调节负荷信息;
其中,所述RBF神经网络预先经由若干训练样本训练得到;所述训练样本是由采集的长于所述一段时间的过去时间段内的温度、温度调节负荷信息形成的。
3.根据权利要求2所述的方法,其特征在于,所述过去一段时间采集的温度、温度调节负荷信息,以及预报的未来一段时间的温度信息,具体分别为:预测日前一天24小时的温度序列、预测日前一天24小时的温度调节负荷序列,以及预报的预测日当天的24小时的温度序列;以及
所述未来一段时间的温度调节负荷信息具体为预测日当天24小时的温度调节负荷序列;
所述训练样本具体是由采集的过去若干天的24小时的温度序列、温度调节负荷序列形成的。
4.根据权利要求3所述的方法,其特征在于,所述RBF神经网络的训练方法包括:
利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整。
5.根据权利要求4所述的方法,其特征在于,所述利用梯度下降法对所述RBF神经网络进行训练,并在训练过程的每次迭代中利用粒子群算法对所述RBF神经网络的当前参数进行优化调整,具体包括:
建立RBF神经网络与粒子群的对应关系;
在第k次迭代过程中,利用第k个训练样本对所述RBF神经网络进行训练;其中,k为小于等于总迭代次数的自然数;
根据所述RBF神经网络输出的结果,以及第k个训练样本中包括的实际结果,判断是否满足迭代退出条件;
若不满足,则利用粒子群算法对RBF神经网络的当前参数作优化调整后继续进行下次迭代过程。
6.根据权利要求5所述的方法,其特征在于,所述建立RBF神经网络与粒子群的对应关系,具体包括:
将RBF神经网络的每个输入点分别对应一个粒子;
对于一个粒子而言使用一个向量进行表征,在该向量中包括该粒子所对应的输入点与所述RBF神经网络各节点的关联信息。
7.根据权利要求6所述的方法,其特征在于,第k个训练样本包括3个输入量分别为:第k天24小时的温度调节负荷序列、第k天24小时的温度序列,以及预报的第k+1天24小时的温度序列;以及
第k个训练样本还包括一个实际结果为第k+1天24小时的实际的温度调节负荷序列。
8.一种基于温度调节负荷预测的能源管理控制***,其特征在于,包括:
信息获取模块,用于采集过去一段时间的温度、温度调节负荷信息,并获取预报的未来一段时间的温度信息;
负荷预测模块,利用所述信息获取模块获取的信息,预测未来一段时间的温度调节负荷信息;
管理控制模块,用以根据所述负荷预测模块预测的未来一段时间的温度调节负荷信息进行能源管理控制。
9.根据权利要求8所述的***,其特征在于,
所述负荷预测模块具体用于将所述信息获取模块获取的信息输入到RBF神经网络,将所述RBF神经网络的输出作为未来一段时间的温度调节负荷信息的预测结果。
10.根据权利要求9所述的***,其特征在于,还包括:
训练模块,用于训练所述RBF神经网络;其中,用于训练所述RBF神经网络的训练样本是由采集的长于所述一段时间的过去时间段内的温度、温度调节负荷信息形成的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476836.2A CN107330518A (zh) | 2017-06-21 | 2017-06-21 | 基于温度调节负荷预测的能源管理控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476836.2A CN107330518A (zh) | 2017-06-21 | 2017-06-21 | 基于温度调节负荷预测的能源管理控制方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330518A true CN107330518A (zh) | 2017-11-07 |
Family
ID=60195654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710476836.2A Pending CN107330518A (zh) | 2017-06-21 | 2017-06-21 | 基于温度调节负荷预测的能源管理控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330518A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
CN110348634A (zh) * | 2019-07-12 | 2019-10-18 | 广东电网有限责任公司 | 一种基于入户式能量管理***的空调负荷调度方法 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持***及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测*** |
CN103279813A (zh) * | 2013-06-21 | 2013-09-04 | 哈尔滨工业大学(威海) | 一种蒸汽负荷预测方法 |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
CN104598654A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 点火提前角预测***及其方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
-
2017
- 2017-06-21 CN CN201710476836.2A patent/CN107330518A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383023A (zh) * | 2008-10-22 | 2009-03-11 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测*** |
CN103279813A (zh) * | 2013-06-21 | 2013-09-04 | 哈尔滨工业大学(威海) | 一种蒸汽负荷预测方法 |
CN104598654A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 点火提前角预测***及其方法 |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
CN109102017B (zh) * | 2018-08-09 | 2021-08-03 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
CN110348634A (zh) * | 2019-07-12 | 2019-10-18 | 广东电网有限责任公司 | 一种基于入户式能量管理***的空调负荷调度方法 |
CN116384979A (zh) * | 2023-04-27 | 2023-07-04 | 圣麦克思智能科技(江苏)有限公司 | 一种idc运维服务支持***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Improving prediction performance for indoor temperature in public buildings based on a novel deep learning method | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制*** | |
Kumar et al. | A novel hybrid model based on particle swarm optimisation and extreme learning machine for short-term temperature prediction using ambient sensors | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
CN107808212A (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
Lu et al. | Data augmentation strategy for short-term heating load prediction model of residential building | |
CN110321601A (zh) | 一种架空线路动态载流能力超前预测方法及*** | |
CN107330518A (zh) | 基于温度调节负荷预测的能源管理控制方法和*** | |
CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN114370698A (zh) | 基于强化学习的室内热环境学习效率提升的优化控制方法 | |
CN110007613A (zh) | 用于储热式电暖器的用暖预测方法、***及存储介质 | |
CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及*** | |
Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
Tian et al. | Photovoltaic power generation and charging load prediction research of integrated photovoltaic storage and charging station | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
CN109657874A (zh) | 一种基于长短时记忆模型的电力中长期负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |