CN107392368B - 一种基于气象预报的办公建筑动态热负荷组合预测方法 - Google Patents
一种基于气象预报的办公建筑动态热负荷组合预测方法 Download PDFInfo
- Publication number
- CN107392368B CN107392368B CN201710581863.6A CN201710581863A CN107392368B CN 107392368 B CN107392368 B CN 107392368B CN 201710581863 A CN201710581863 A CN 201710581863A CN 107392368 B CN107392368 B CN 107392368B
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- support vector
- vector machine
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012706 support-vector machine Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 17
- 238000010238 partial least squares regression Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000005428 wave function Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 238000004378 air conditioning Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (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气象预报的办公建筑动态热负荷组合预测方法,包括如下步骤:(1)利用敏感性分析方法,确定预测模型输入的气象参数类型;(2)利用相关性分析方法,选择气象参数和历史负荷的输入时刻,确定预测模型的输入参数;(3)利用小波变换方法进行历史负荷的特征提取,得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量;(4)建立样本数据,包括训练样本和预测样本,并根据所述历史负荷高低频分量的不同特征,建立不同的预测模型,包括支持向量机模型和偏最小二乘回归模型;(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型,得到最终负荷预测结果。本发明方法能够显著提高负荷的预测精度。
Description
技术领域
本发明涉及一种基于数据驱动的预测方法,具体涉及一种基于气象预报的办公建筑动态热负荷组合预测方法。
背景技术
目前,在办公建筑中,暖通空调***的能耗大约占总能耗的40%,暖通空调***的运行管理技术水平普遍较低,大都凭经验进行调控,出现暖通空调***的供给能量与需求量相差较大,不能与实时的负荷变化相匹配,从而导致热舒适性降低和能耗的增加。随着暖通空调***的高能耗问题的日益突出,需要提高暖通空调***运行效率。然而,精准的建筑动态负荷预测是优化暖通空调***的基础工作,具有非常重要的研究意义。根据预测出的负荷,可以了解负荷的动态变化,进行实时的调控,以达到降低暖通空调***能耗和改善室内环境的热舒适性的目的。
建筑负荷影响因素有很多,主要包括各种外扰和内扰因素,具有动态性、时变性、多扰量性、不确定性等特征。预测模型的输入参数对预测精度有着十分重要的影响,需要进行分析来确定。常用的热负荷预测的建模方法主要包括人工智能分析、模拟分析和回归分析方法。对于人工智能方法,预测精度较高,但模型较复杂。对于模拟分析方法,建模需要详尽的建筑信息,比如围护结构、人员、照明等参数,而且预测耗时较长,模型的预测精度受模型的参数设置的影响较大。对于回归分析方法,模型较为简单,但在回归分析过程中,当热负荷和自变量间存在较强的相关性时,各自变量间也可能存在严重的自相关性。当各个自变量中存在多重相关性时,会对模型的精确性、可靠性有着较大的影响。此外,现有的热负荷预测方法中,仍存在着以下不足:
(1)预测模型的输入:通常仅利用历史负荷进行建模,或者考虑了气象参数但未筛选出对负荷影响较大的气象参数,而且这些作为输入的气象参数并未结合气象预报的实际情况。
(2)预测模型的建立:大都缺少对负荷特征的提取。虽然有的提取了负荷的特征,却未针对负荷的不同特征分别建立合适的模型。
(3)预测模型的工程应用:现有的预测方法多种多样,但缺乏对实际应用问题的考虑,比如数据的获取是否容易,因此不具有普遍适用性,其工程应用性较差。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种基于气象预报的办公建筑动态热负荷组合预测方法,本发明方法根据负荷的复杂性、时变性特征,建立相应的组合预测模型,能够显著提高负荷的预测精度。
本发明的目的是通过以下技术方案实现的:
一种基于气象预报的办公建筑动态热负荷组合预测方法,包括如下步骤:
(1)利用敏感性分析方法,确定预测模型输入的气象参数类型;
(2)利用相关性分析方法,选择气象参数和历史负荷的输入时刻,进一步确定预测模型的输入参数;
(3)利用小波变换方法进行历史负荷的特征提取,得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量;
(4)建立样本数据,包括训练样本和预测样本,并根据所述历史负荷高低频分量的不同特征,建立不同的预测模型,包括支持向量机模型和偏最小二乘回归模型;
(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型,得到最终负荷预测结果。
进一步的,步骤(1)中所述敏感性分析方法,是通过逐一改变相关的气象参数的大小以解释负荷受这些因素变动影响大小的规律,其敏感性大小可用敏感度系数指标SQF进行评价。通过模拟软件实现所述敏感性分析方法,通过修改模拟所需气象文件中相应的气象参数,利用修改的气象文件进行模拟,以计算敏感度系数指标的大小。所述气象参数包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速及风向。
进一步的,步骤(2)中所述相关性分析方法包括Pearson相关和Spearman相关;在进行相关性分析之前,首先判断样本是否为正态分布,若是,则用Pearson相关,否则用Spearman相关;并选择相关系数大于0.3的气象参数和历史负荷。
进一步的,步骤(3)中所述小波变换方法选择Dmeyer波函数作为小波基函数,其中Dmeyer波函数也记为dmey,包括以下具体流程:
ψj,k(t)=2j/2ψ(2jt-k)
式中,t为时间序列,j为尺度参数,k为平移参数;
2)根据得到的函数簇,利用如下公式对负荷进行分解:
式中,j0为预定义的尺度参数,cj0(k)为低频分量系数,vj(k)为高频分量系数;其中,对所选择的历史负荷S(t)进行二层分解,得到一个低频分量A2(t)和两个高频分量D1(t),D2(t),且满足关系式:S(t)=A1(t)+D1(t)=A2(t)+D2(t)+D1(t)。
进一步的,步骤(4)中所述训练样本和预测样本的输入向量为所选时刻的历史负荷和气象参数,输出为预测时刻负荷。所述支持向量机模型针对具有随机性和非线性特征的高频分量而建立;所述偏最小二乘回归模型针对具有周期性和线性特征的低频分量而建立。步骤(4)中,所述偏最小二乘回归模型的具体流程如下:
1)数据标准化处理;
2)提取主成分;
3)建立偏最小二乘回归模型。
所述支持向量机模型的具体流程如下:
1)数据归一化处理;
2)根据训练样本建立支持向量机目标函数;
3)根据粒子群优化算法优化支持向量机模型,包括以下步骤:首先将粒子群初始化;然后利用支持向量机进行训练,并计算适应度值,记录粒子个体历史最优值和群体历史最优值;更新粒子的速度和位置,判断判断是否满足终止条件,若满足,则终止搜索,得到支持向量机关键参数的最优组合,否则,进行下一轮的搜索。
4)将最优组合参数代入支持向量机模型,得到其决策回归模型。
进一步的,步骤(5)中将预测样本输入上一步得到的支持向量机模型和偏最小二乘回归模型,并将各个模型的预测结果进行求和,得到最终负荷预测结果。通过对上述模型,进行提前不同时刻的输入,可得到提前不同时刻的负荷预测结果。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明构建了一种基于气象预报的办公建筑热负荷预测组合方法,该方法综合利用了小波变换特征提取能力、偏最小二乘的多重共线性处理能力以及支持向量机的非线性处理能力,具有较高的预测精度和较强的泛化能力,能够实现对未来1小时、2小时、3小时等24小时以内的建筑动态热负荷预测。
附图说明
图1是本发明方法的流程示意图。
图2是两层小波分解树形示意图。
图3是组合预测方法中偏最小二乘回归模型的流程图。
图4是组合预测方法中支持向量机模型的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方式进一步的详细描述:
图1所示为本发明基于气象预报的办公建筑动态热负荷组合预测方法流程示意图,其中PLS表示偏最小二乘回归模型,SVM表示支持向量机模型,具体包括如下步骤:
1)利用敏感性分析方法,筛选气象参数中对负荷影响较大的因素,确定预测模型中需要考虑的气象参数类型。用于敏感性分析的气象参数主要包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速、风向等。该方法是通过逐一改变相关气象参数的大小来解释负荷受这些因素变动影响大小的规律,其敏感性大小可以用敏感度系数指标SQF进行评价,可以用模拟软件比如DesignBuilder软件实现,通过修改模拟所需气象文件中相应的气象参数,利用修改的气象文件进行模拟,可计算敏感度系数指标SQF的大小,得到对热负荷影响较大的气象参数。其中,敏感度系数指标SQF=ΔQ/ΔF,ΔF为不确定性因素F的变化;ΔQ为不确定因素F发生ΔF变化时,评价指标Q的相应变化。
2)利用相关性分析方法,选择气象参数和历史负荷的输入时刻,进一步确定预测模型的输入参数。将历史负荷作为输入,能够降低办公建筑内扰因素对预测模型精度的影响。所采用的相关性分析方法包括Pearson相关和Spearman相关。在进行相关性分析之前,首先需要判断样本是否为正态分布,若是,则用Pearson相关,否则用Spearman相关。选择相关系数大于0.3的气象参数和历史负荷。关于动态负荷的预测模型的最终输入参数还要结合气象预报和实际情况,比如气象预报中不包含太阳辐射参数,仅能输入历史太阳辐射值;对于提前2小时的预测模型,提前1小时的历史负荷不能获得便不能作为输入。
ψj,k(t)=2j/2ψ(2jt-k)
式中,t为时间序列,j为尺度参数,k为平移参数
根据得到的函数簇,得到对历史负荷进行分解的公式为:
式中,S(t)为历史负荷,j0为预定义的尺度参数,cj0(k)为低频分量系数,vj(k)为高频分量系数。
利用上式对所选择的历史负荷进行二层分解,得到一个低频分量和两个高频分量。其中,低频分量具有周期性和线性特征,高频分量具有随机性和非线性特征。图2是两层小波分解树形图,包括如下步骤:
a.对历史负荷进行一层分解,得到一个低频分量A1(t)和一个高频分量D1(t)。
b.对高频分量不再进行分解,对低频分量A1(t)继续进行分解,可以得到一个新的低频分量A2(t)和一个新的高频分量D2(t),最终历史负荷可以表示为:
S(t)=A1(t)+D1(t)=A2(t)+D2(t)+D1(t)
4)建立样本数据,包括训练样本和预测样本,其中,输入向量为所选时刻的历史负荷和气象参数,输出为预测时刻负荷。根据提取负荷分量的不同特征,建立不同的预测模型。利用偏最小二乘回归、支持向量机分别对低频分量和高频分量进行建模;对于具有周期性和线性特征的低频分量,建立偏最小二乘回归模型,对于具有随机性和非线性特征的高频分量,建立支持向量机模型,并利用训练样本进行模型的训练。其中,偏最小二乘回归的最佳主成分的个数根据交叉有效性进行确定,支持向量机的关键参数采用粒子群优化算法进行确定。
图3是偏最小二乘回归模型的流程图,具体包括如下步骤:
a.数据标准化处理:
利用如下公式对数据进行标准化处理:
b.主成分的提取:
设F0是因变量y的标准化变量,E0是自变量集合X的标准化矩阵。
从F0中抽取一个成分u1,u1=F0c1,其中||c1||=1,c1为F0的第一个轴;从E0中抽取一个成分t1,t1=E0w1,其中,||w1||=1,w1为E0的第一个轴。此处有两个要求:t1对u1的相关程度达到最大,也就是它们有最强的解释能力;t1和u1最大程度上携带原变量组的变异信息。求出w1与t1,则F0,E0对t1的回归方程为:
E0=t1p1 T+E1
F0=t1r1+F1
回归方程的残差矩阵为:
E1=E0-t1p1 T
F1=F0-t1r1
用E1代替E0,F1代替F0,同样用上述方法求第二主成分t2,依次类推继续进行主成分的提取。提取的最佳主成分的个数根据交叉有效性Qh 2进行确定,若Qh 2≥0.0975,则该主成分的增加能够使预测模型的得到改善,继续提取主成分;否则,停止主成分的提取,且对该主成分不作考虑。
关于交叉有效性Qh 2的计算如下:
c.偏最小二乘回归模型的建立:
F0关于t1,t2,……,th的偏最小二乘回归方程是:
F0=r1t1+r2t2+...+rhth
得到标准变量的偏最小二乘回归方程为:
y*=α1x1 *+α2x2 *+...+αmxm *
图4是支持向量机模型的流程图,具体包括如下步骤:
a.数据归一化处理
式中,xij *,xij分别为归一化前后的数据,xj,min,xj,max分别为xij所在列的最小值和最大值。b.根据训练样本建立如下的支持向量机目标函数:
c.粒子群优化算法优化支持向量机模型
由于支持向量机模型的关键参数比如惩罚参数C,均直接影响着模型的精度,故采用粒子群优化算法确定这些参数的最优组合,然后将最优组合参数代入支持向量机模型得到其决策回归模型。具体过程如下:
首先将粒子群初始化,产生初始粒子和速度;然后利用支持向量机进行训练,并计算适应度值,记录粒子个体历史最优值和群体历史最优值;根据粒子速度和位置方程更新粒子的速度和位置;用支持向量机训练,并计算适应度值,记录粒子个体历史最优值和群体历史最优值;判断是否满足终止条件,若满足,则终止搜索,得到支持向量机关键参数的最优组合,否则,进行下一轮的搜索。
d.将最优组合参数代入支持向量机模型,得到其决策回归模型
5)将预测样本输入上一步得到的支持向量机模型和偏最小二乘回归模型,并将各个模型的预测结果进行求和,得到最终负荷预测结果。通过对上述模型,进行提前不同时刻的输入,可得到提前不同时刻的负荷预测结果。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (9)
1.一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,包括如下步骤:
(1)利用敏感性分析方法,确定预测模型输入的气象参数类型;
(2)利用相关性分析方法,选择气象参数和历史负荷的输入时刻,进一步确定预测模型的输入参数;相关性分析方法包括Pearson相关和Spearman相关;在进行相关性分析之前,首先判断样本是否为正态分布,若是,则用Pearson相关,否则用Spearman相关;并选择相关系数大于0.3的气象参数和历史负荷;
(3)利用小波变换方法进行历史负荷的特征提取,得到具有周期性和线性特征的低频分量以及具有随机性和非线性特征的高频分量;
(4)建立样本数据,包括训练样本和预测样本,并根据所述历史负荷高低频分量的不同特征,建立不同的预测模型,包括支持向量机模型和偏最小二乘回归模型;
(5)利用预测样本及所述支持向量机模型和偏最小二乘回归模型,得到最终负荷预测结果。
2.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(1)中所述敏感性分析方法,是通过逐一改变相关的气象参数的大小以解释负荷受这些因素变动影响大小的规律,其敏感性大小用敏感度系数指标SQF进行评价。
3.根据权利要求1或2所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,通过模拟软件实现所述敏感性分析方法,通过修改模拟所需气象文件中相应的气象参数,利用修改的气象文件进行模拟,以计算敏感度系数指标的大小。
4.根据权利要求1或2所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(1)中,所述气象参数包括室外干球温度、相对湿度、法向太阳直射、水平面太阳散射、风速及风向。
5.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(3)中所述小波变换方法选择Dmeyer波函数作为小波基函数,其中Dmeyer波函数也记为dmey,包括以下具体流程:
ψj,k(t)=2j/2ψ(2jt-k)
式中,t为时间序列,j为尺度参数,k为平移参数;
2)根据得到的函数簇,利用如下公式对负荷进行分解:
式中,j0为预定义的尺度参数,cj0(k)为低频分量系数,vj(k)为高频分量系数;其中,对所选择的历史负荷S(t)进行二层分解,得到一个低频分量A2(t)和两个高频分量D1(t),D2(t),且满足关系式:S(t)=A1(t)+D1(t)=A2(t)+D2(t)+D1(t)。
6.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(4)中训练样本和预测样本的输入参数为所选时刻的历史负荷和气象参数,输出为预测时刻负荷。
7.根据权利要求1所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,所述支持向量机模型针对具有随机性和非线性特征的高频分量而建立;所述偏最小二乘回归模型针对具有周期性和线性特征的低频分量而建立。
8.根据权利要求1或7所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(4)中,所述偏最小二乘回归模型的具体流程如下:
1)数据标准化处理;
2)提取主成分;
3)建立偏最小二乘回归模型。
9.根据权利要求1或7所述一种基于气象预报的办公建筑动态热负荷组合预测方法,其特征在于,步骤(4)中,所述支持向量机模型的具体流程如下:
1)数据归一化处理;
2)根据训练样本建立支持向量机目标函数;
3)根据粒子群优化算法优化支持向量机模型,包括以下步骤:首先将粒子群初始化;然后利用支持向量机进行训练,并计算适应度值,记录粒子个体历史最优值和群体历史最优值;更新粒子的速度和位置,判断是否满足终止条件,若满足,则终止搜索,得到支持向量机关键参数的最优组合,否则,进行下一轮的搜索;
4)将最优组合参数代入支持向量机模型,得到其决策回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581863.6A CN107392368B (zh) | 2017-07-17 | 2017-07-17 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710581863.6A CN107392368B (zh) | 2017-07-17 | 2017-07-17 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392368A CN107392368A (zh) | 2017-11-24 |
CN107392368B true CN107392368B (zh) | 2020-11-10 |
Family
ID=60340375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710581863.6A Active CN107392368B (zh) | 2017-07-17 | 2017-07-17 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392368B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399469B (zh) * | 2018-01-31 | 2022-04-12 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN109711643B (zh) * | 2018-12-05 | 2021-01-29 | 新奥数能科技有限公司 | 一种建筑物的负荷预测方法、装置、可读介质及电子设备 |
CN110097205A (zh) * | 2019-03-15 | 2019-08-06 | 天津大学 | 一种建筑负荷预测用气象预报数据预处理方法 |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN110210995B (zh) * | 2019-06-04 | 2022-05-31 | 国网安徽省电力有限公司经济技术研究院 | 一种基于小波包与神经网络的综合能源负荷预测方法 |
CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
CN111550861B (zh) * | 2020-05-19 | 2021-08-20 | 山东建筑大学 | 一种热泵与电蓄热设备自适应优化控制方法、***及装置 |
CN111950805B (zh) * | 2020-08-25 | 2022-09-20 | 华润数字科技有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN112686463B (zh) * | 2021-01-07 | 2024-07-02 | 阳光新能源开发股份有限公司 | 一种需量数据处理方法、装置及电子设备 |
CN112884358B (zh) * | 2021-03-16 | 2023-01-24 | 国网河北省电力有限公司电力科学研究院 | 一种电采暖设备有序用电优化调度方法及终端 |
CN113094995B (zh) * | 2021-04-15 | 2022-05-24 | 天津大学 | 一种基于集总电容模型的建筑热质量用于空调负荷转移评估方法 |
CN113408815A (zh) * | 2021-07-02 | 2021-09-17 | 湘潭大学 | 一种基于深度学习的牵引负荷超短期预测方法 |
CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN104318332A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种电力负荷预测方法和装置 |
CN104573851A (zh) * | 2014-12-19 | 2015-04-29 | 天津大学 | 一种基于气象温度预报的建筑逐时负荷预测方法 |
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN105825294A (zh) * | 2016-03-10 | 2016-08-03 | 国家电网公司 | 基于气象因素的电网电力负荷预测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3014613B1 (fr) * | 2013-12-11 | 2016-01-15 | Electricite De France | Prediction d'une consommation de fluide effacee |
-
2017
- 2017-07-17 CN CN201710581863.6A patent/CN107392368B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN104318332A (zh) * | 2014-10-29 | 2015-01-28 | 国家电网公司 | 一种电力负荷预测方法和装置 |
CN104573851A (zh) * | 2014-12-19 | 2015-04-29 | 天津大学 | 一种基于气象温度预报的建筑逐时负荷预测方法 |
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN105825294A (zh) * | 2016-03-10 | 2016-08-03 | 国家电网公司 | 基于气象因素的电网电力负荷预测方法及*** |
Non-Patent Citations (3)
Title |
---|
Short-term load forecasting by wavelet transform and evolutionary extreme learning machine;Song Li 等;《Electric Power Systems Research》;20150122;第96-103页 * |
基于EMD和LSSVM的短期电力负荷预测策略研究;吴文江;《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》;20170215;第C042-1616页 * |
天津市办公建筑供暖负荷中短期预测;徐欣 等;《暖通空调》;20160430;第46卷(第4期);第50-54页+第11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107392368A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
Zhao et al. | A hybrid method of dynamic cooling and heating load forecasting for office buildings based on artificial intelligence and regression analysis | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN107730006B (zh) | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** | |
CN109902340B (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及*** | |
CN104036328A (zh) | 自适应风电功率预测***及预测方法 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源***多元负荷预测方法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Sheng et al. | A hybrid model based on complete ensemble empirical mode decomposition with adaptive noise, GRU network and whale optimization algorithm for wind power prediction | |
CN114240687A (zh) | 一种适用于综合能源***的能源托管效率分析方法 | |
CN116505556B (zh) | 基于一次调频的风电场功率控制***及方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhao Jing Inventor after: Liu Xiaojuan Inventor before: Zhao Jing Inventor before: Liu Xiaojuan |
|
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 300452 Binhai Industrial Research Institute Campus of Tianjin University, No. 48 Jialingjiang Road, Binhai New Area, Tianjin Patentee after: Tianjin University Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |