CN107644297A - 一种电机***节能量计算和验证方法 - Google Patents
一种电机***节能量计算和验证方法 Download PDFInfo
- Publication number
- CN107644297A CN107644297A CN201710900626.1A CN201710900626A CN107644297A CN 107644297 A CN107644297 A CN 107644297A CN 201710900626 A CN201710900626 A CN 201710900626A CN 107644297 A CN107644297 A CN 107644297A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- energy
- msubsup
- saving
- 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
Links
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种电机***节能量计算和验证方法,包括如下步骤:S1选定改造及测试边界;S2数据采集,筛选影响动态电机***多维度节能量的重点参数;S3根据重点参数建立能耗参数模型;S4利用自学习修正模型曲线;S5模型与实际对照,不一致,重复建立能耗参数模型及利用自学习修正模型曲线;直至模型与实际对照一致或误差非常小,利用该模型可进行电机***节能量计算和验证。本发明大大简化了电机***节能量计算与验证的流程,计算结果准确,适用性强,在各种动态电机***中均可使用,还可为节能量预测和企业级节能策略提供可靠数据支持。
Description
技术领域
本发明涉及电机***节能技术领域,特别是涉及一种电机***节能量计算和验证方法。
背景技术
电机***指由驱动电动机、电控或调速装置、传动机构、控制(调速)、被拖动装置和***功能组件所组成的总体。***通过电动机将电能装换为机械能,再通过被拖动装置做功实现各种功能。
目前我国电机***的用电量约占我国总用电量的60%,其中风机、泵类、压缩机和空调制冷机的用电量分别占全国用电量的10.4%,20.9%,9.4%,6%。工业领域电机***用电量约占全国工业总用电总量75%,然而我国电机***效率比发达国家低10-30%,相当于国际20世纪70-80年代水平。
电机***节能已成为工业节能关键。未来电机的发展趋势必须是高效节能,提高效率节省资源,减少环境污染。国家非常重视电机***节能,早在2008年就将电机***节能列入国家十大节能工程之一,2009年又把高效、超高效电机应用列入惠民工程,2015年出台了《全国电机能效提升计划》等,使用高效节能电机及电机***节能改造是国家要求,同时巨大的节能量也十分吸引企业对现有电机进行改造。同时,“十三五计划”节能减排规划中也提到鼓励第三方、节能服务公司开展节能改造项
我国电机市场主流系列为:JO2系列、Y系列、Y2系列、YX系列,效率远不及永磁电机及磁阻电机等高效电机、超高效电机产品的能效,而这类高效电机的使用率不超过15%,从调研情况得知,企业及用户均了解这类技术,但是他们也指出目前已有的***或拟定新建的***是否需要这类高效电机,使用高效电机是否能够获得满意的节能量等问题。由此可见,尽管目前节能改造或者新建高效电机***的市场潜力非常巨大,推动高效电机***及节能改造非常重要,但是更重要的是如何让电机***用户精确了解目前***的节能潜力及精确核算***节能量。
关于节能量计算及能效核定方法,目前,研究方向有基准单耗对比法(产品/产值)、累计和法。现阶段,国内常用的节能量计算方法为基准单耗对比法,该方法分为产品单耗对比法和产值单耗对比法,技术方法类似。其表达式为:
ΔE=(e(t+Δt)-et)Q
其中,e(t+Δt)表示进行某种技术或措施改造后的单位产品能耗,et表示企业单位产品能耗,Δt表示测算时间,Q表示产品生产量/企业产值。
累积和法在欧美国家中应用的较为广泛,是一种统计学中的方法,为若干个样本值与某个预设值之间的差值的累积之和。选取某项节能技术和措施在实施前固定周期内的能源消耗和产品产量作为数据样本,记录并生成能耗与产量图(E-P),运用一元线性回归模型的相关理论和方法,能够求得节能技术实施前后两者之间的相互关系。
E=mP+e
式中,E表示的是能源消耗量,P表示的是企业某种产品的产量,m代表的含义为产品产量与能耗量之间的弹性系数,也即每增加一单位的产品产量,所需要投入的能源量,e表示在产品生产过程中和产品的产量没有固定关系的能源的消耗量,这是一个额外变动值。
技术措施法、结构措施法均基于基准单耗对比法而衍生。比较过程中均采用报告期前后的节能量对应的指标值作差而得。
对于基准单耗对比法(产品/产值)、技术措施法、结构措施法而言,虽然方法在应用操作过程中较为简便易行,但却存在着技术措施实施前后,一旦产品产量变化较大,其衡量值便会不准确的缺陷。此外,不利于企业实施项目建设的源头治理,可能导致项目建设的高能耗、高污染及低水平重复建设。这类方法不能适应于受到多种因素影响的动态***。还有,针对动态电机***,采用单耗法难以做到报告期与基期基准完全一致,导致计算结果不准确。
对于累积和法而言,由于产品生产过程中和产品的产量没有固定关系的能源的消耗量是一个额外变动值,无法准确计量,弹性系数完全依靠线性回归模型拟合值获得,获得结果不能准确反映***能效情况。
上述计算中采用的产品产量是指合格产品,不包括次品和废品,但能源消耗量应包括废品、次品所消耗的能源数量。所以计算存在缺陷。
除了上述问题外,针对动态电机***,上述节能量计算方法的最大局限在于无法在计算结果中体现企业的整体节能管理水平,技术措施法计算节能量只限于通过节能技术改造提高生产工序和设备的能源利用效率、降低能源消耗而实现能源节约。而不包括扩大生产能力、调整产品结构等途径产生的节能效果。这些方面可能对降低企业能耗总量方面贡献很大,但在技术措施法计算过程中却体现不出来;二是现行的技术措施节能量计算方法中仍然不能及时、动态的涵盖企业节能技术改造的全部内容,难以反映实际节能量。
此外,更重要的是上述节能量计算方法,基本无法准确测量。
注:A状态表示改造前;B状态表示改造后;ΔE表示节能量;EB表示B状态能耗;EA表示A状态能耗; 表示归一化到统一生产条件下的状态;表示归一化后的状态能耗;QB,QA表示不同状态的产量,EB,EA表示不同状态的能耗,QN表示N时间内的产量。
目前,电机***节能改造领域的主流方案有:
1)更新淘汰低效电动机及高耗能、高耗电设备;
2)合理匹配电动机***;
3)利用先进电子技术传动方式改造传统机械方式传动;
还有如:变频调速技术;永磁技术、磁阻技术、电子控制拖动技术,电力传动技术等用于电机***。其中变频调速技术使用较多,其他技术使用范围和推广程度还有待提高。目前,我国在2011年7月1日起正式实施能耗强能效标准,要求淘汰3级能效以下的高能耗电机,自此,我国连续发布了多个电机能耗及能效的标准。
全国现有的各类电动机***装机保有容量约17亿kw。整个电动机***用电量约占全国用电量的60%以上。其中风机、泵类、压缩机和空调制冷机的用电量10.4%、20.9%、9.4%、和6%。与国外先进水平相比,电动机的制造技术和工艺有一定的差距,电动机传动调速及***控制技术差距较大。因此,我国在提高电动机***效率、加强***节能管理方面有着巨大的节能潜力。当我国电动机***的运行效率提高到国际先进水平时,每年可节约用电大约1500亿kWh。“十一五”期间,国家发展和改革委员会等部门联合发布《“十一五”十大重点节能工程实施意见》,把电动机***节能列为十大节能工程之一,并提出通过制定、修订一系列电动机有关能效标准来完善电动机***节能工程的配套措施。积极引导企业更新改造低效电动机,对大中型变工况电动机***进行调速改造,对电动机***被拖动设备进行节能改造。2013年6月份,工业和信息化部、国家质检总局印发了《关于组织实施电动机能效提升计划(2013-2015年)的通知》,拟用3年时间,通过政策引导、标准约束、监督检查等手段以及市场化机制,从电动机生产、应用及回收再制造领域全面提升电动机能效,促进电动机产业转型升级。
由上可知,现有电机***节能量计算方法在使用上仍存在有缺陷和不足,而现有市场的节能潜力非常巨大,因此,如何能提供一种适用性强、在各种动态电机***中均可使用,计算结果准确的电机***节能量计算和验证方法,成为急需解决的问题。
发明内容
本发明要解决的技术问题是提供一种适用性强、在各种动态电机***中均可使用,计算结果准确的电机***节能量计算和验证方法。
为解决上述技术问题,本发明采用如下技术方案:
一种电机***节能量计算和验证方法,包括如下步骤:
S1选定改造及测试边界;
S2数据采集,筛选影响动态电机***多维度节能量的重点参数;
S3根据重点参数建立能耗参数模型;
S4利用自学习修正模型曲线;
S5模型与实际对照,不一致,重复建立能耗参数模型及利用自学习修正模型曲线;直至模型与实际对照一致或误差非常小,利用该模型可进行电机***节能量计算和验证。
进一步地,所述S2中,选定重点电机***各设备开始进行现场数据采集,主要采集的参数为与能效、能耗直接相关的参数。
进一步地,所述S5中,如未实施改造,直接利用该模型进行电机***节能量计算,输出节能量预测报告存储至能耗数据库;如实施改造,则确定变更后电机参数;再进行数据采集及计算验证,最后输出节能量测试及验证报告。
进一步地,所述S2中,利用蚁群算法筛选重点参数,条件为节能量值最大即能耗值最低,从而获得对电机***节能量影响最大的重点参数。
进一步地,所述蚁群算法筛选重点参数具体为:
初始化参数后,设置位置变量个数为M,并将每个变量假设为一个未知域,每次计算都将所有的计算带入后才完成一次循环;第k个参数在t时刻,对***中部件j的域s内的影响概率设置为计算过程中可表示为
其中α,β表示过程中的轨迹及路径的重要性参数,s表示计算域,τ,η表示域边沿的信息强度及能见度;经过n个时刻后,调整为:
τij(t+n)=(1-p)τij(t)+Δτij
式中,ρ为变量衰减系数,Δτij表示循环中变量信息增加量;
构成变量信息素矩阵如下,将N的变量分类为M个类别初始信息素矩阵;通过矩阵构建目标函数,在已知采集数据集中的N个变量和M个模式分类为{Sj,j=1,2,3,…M},每个变量有n个特征,以每个模式到聚类分析的目标函数中,并以实现能耗值最低为目标,数学模型表示为:
式中,xip表示第i个变量影响能效的第p个属性,cjp为第j个域中心的第p个属性;
根据上述表达式在域内进行局部和全局的搜索,对每个变量计算聚类中心及目标函数值并对结果集进行变换,将求解集用于信息素矩阵的更新,如下:
τij(t+n)=(1-ρ)Tij(t)+Δτij
至此完成第一次迭代;继续迭代直到最大的迭代次数返回最优结果值即为最优解聚类结果。
进一步地,所述S4中,通过神经网络的自学习算法,对重点参数建立激励函数和拓扑结构并利用自学习规则进行拓展得到可建模的表达式并形成实时动态曲线。
进一步地,所述自学习规则为反向传递算法中使用的梯度下降规则;
要计算输出神经元的下降梯度,首先要得到每个输出神经元的误差:
ej(n)=dj(n)-oj(n)
式中,ej(n)是误差向量,dj(n)是实际输出(期望输出),oj(n)是神经网络的输出;
式中,输出层L的第j个神经元的值的求导所得的值;传递过程中,
在求和符号里面的是下一层所有神经元的Δd值以及相应的权重的乘积;在计算完成所有的权重梯度变量后,重新更新神经元为:
式中,α为势系数,势系数通过往多层神经网络里面加入已经发生的权重变化起到加速训练的作用。
进一步地,所述电机***采用加性模型进行计算,神经元采用无噪声动态模型,对更新的神经元实质上是能量流动的传到函数,各自的输入即为电压、电流及各种实际测试参数,非线性元素流向输入节点的总能量为:
每次输入值传入后作用在势系数及权值函数上,Ej表示能量源额外施加的偏置量;当非线性行数φ为实际已知输入,并令υj(t)为其局部域空间的诱导函数,这样可求解得到数据输入节点神经网络的和为:
所述激励函数为其中j表示输入源个数;通过上述表达式联合求解,每次神经元输入均对整体***形成影响并由自身反馈对最终输出函数进行比对,经过多次运算后获得最终结果。
进一步地,所述S5中,基于上述模型计算,提出节能方案或验证,判断原则为能量最小化,利用Hopfield模型进行。
进一步地,当时,将上述模型带入动力学模型中可改写为如下形式:
Hopfield网络中能量函数定义为:
根据定义,需要寻找能量最小化极值点,所以上式在时域内求导,得到:
最终找到一个固定点是能量函数的最小值;根据上述计算获得的最终结果会反映出对输入值的要求及相关程度,可通过对变量xi,即采集数据端进行设置即可预测最终节能效果。
通过采用上述技术方案,本发明至少具有以下优点:
1、本发明将动态电机***的多维度节能量影响因素统一在同一平台中进行分析筛选,基于重点因素建立分析模型及神经网络表达式及分析曲线。其特点为:多维度、考察不同场景,利用曲线准确还原情况(包含耗能、环境等多因素)。
2、本发明实现了电机***节能量精确核算,根据相关反馈数据,利用曲线自学习功能,重复修正曲线。该曲线能够覆盖长周期大量数据,并通过相关计算保证电机***节能量精确计算及预测。通过算法不仅考虑了电机单机产品,还对整个曲线涵盖的生产环节电机***进行核算。
3、本发明中的方法大大简化了节能量计算中不必要测试及长时间的累计,利用企业自身现有的设备即可建立电机***实时曲线,方便分析节能量,也可以及时分析***可能出现故障。大大简化了电机***节能量测量与验证的流程,还为节能量预测和企业级节能策略提供可靠数据支持。
4、本方法的适用性极强,在各种动态电机***中均可使用。拥有广大的使用空间。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一种电机***节能量计算和验证方法流程图;
图2为典型识别***搭建图;
图3为分类器判定结果图。
具体实施方式
本发明的电机***节能量计算和验证方法的技术构思为:现场采集电机***各个重点部件的能耗数据,能耗数据见表1;通过有线/无线方式将接收到的数据传回能耗数据库;利用蚁群算法进行筛选,条件为节能量值最大,从而获得对电机***节能量影响最大的参数,并对其建模,利用数据重复修正模型,直到采集到的运行数据与实际数据相一致或者误差非常小,期间采用人工智能的自学习功能进行修正,多维度设置多个神经元学习模型,保证误差尽可能小。基于此,预测某个重点部件的改造或运行状态发生变化时导致的能耗,也可能为节能服务公司改造效果做精确计算。
能耗数据库作用:A、用于数据存储;B、计算模型的重复学习调用。数据包括筛选后的重点影响参数、时间、气温、湿度、工况等各种数据。
表1:电机***影响因素
本发明区别之前的节能量计算和验证方法,除了其数学方面的创新外,其重要的改进之处在于精确利用数据将基准期和报告期之间界限模糊化,利用***曲线自身修正能力,保证任意时间内的节能量测量和验证结果的精确性。
本发明的电机***节能量计算和验证方法,具体为:确定项目测试边界并办定是否具备能耗计量条件,如果符合则选定重点电机***各设备开始进行现场采集,主要采集的参数为与能效、能耗直接相关的参数,详细参数见上表1。
为了保证良好的数据采集结果及准确性,过程中需要对能耗数据采集人员进行培训并安装相应的能耗采集装置及设备,为保证此方法的应用,各类市场所购买的测试设备均可用于该方案。同时,在安装测试设备过程中应对电机***的能耗、能效关键值进行排序整理,保证后期能够采集并重复再现。
在有了一定的数据采集基础上,得到电能、磨损等各种综合信息后,校准并对建立能耗参数模型,以便后续的重点用能参数的筛选。
采用上述仿真模型利用电机***变换前后能耗、能效指标曲线进行修正,并与模型数值进行对照,符合模型要求即表明符合实要求。否则重复迭代直到自适应收敛,如有改造项目就可以通过上述计算获得的模型进行监测及预测,并输出节能量预测报告存储至能耗数据库。
流程图见图1,具体步骤为:
S1选定改造及测试边界;
S2数据采集,筛选影响动态电机***多维度节能量的重点参数;
S3根据重点参数建立能耗参数模型;
S4利用自学习修正模型曲线;
S5模型与实际对照,不一致,重复建立能耗参数模型及利用自学习修正模型曲线;直至模型与实际对照一致或误差非常小,如未实施改造,直接利用该模型进行电机***节能量计算,输出节能量预测报告存储至能耗数据库;如实施改造,则确定变更后电机参数,再进行数据采集及计算验证,最后输出节能量测试及验证报告。
下面详细说明本发明的实施流程(模型分析):
1、筛选(模式识别)
典型识别***搭建如图2所示,由数据获取、预处理、特征提取选择、分类决策及分类器设计5个部分组成。
因为电机***识别因素较多,采用多类别识别形式,假设有M类能效、能耗影响因素ε1,ε2,ε3,…,εM,即对于n维空间中的M类参数,就要给出M个判定函数,d1(x),d2(x),d3(x),…dM(x),各个判定函数构成的分类器进行判定,最优结果决策为能耗总量Emax最低,表示如图3所示:
判别函数自变量x就是测试数据的n维空间特征值,将测试结果的特征值带入M个判别函数中,计算每个表达式di(x),如果则第i点为这个特征空间的i类决策域。将这类决策域表示为Ri,同样的决策域还有多个,各自之间有界限,对于非线性情况,判定函数形式为:
在电机***中维度太多,参数较多,要给出最优的判定模型的分类规则在本发明中采用已知数据即往年的统计及测试数据,对现有的表达式进行训练及学习,寻找最优解,这个最优解使得分类器获得一组参数,并使用这个参数作为后面计算的判断准则。本发明采用蚁群算法进行聚类分析。
初始化参数后,设置位置变量个数为M,并将每个变量假设为一个未知域,每次计算都将所有的计算带入后才完成一次循环。第k个参数在t时刻,对***中部件j的域s内的影响概率设置为计算过程中可表示为
其中α,β表示过层中的轨迹及路径的重要性参数,s表示计算域,τ,η表示域边沿的信息强度及能见度。经过n个时刻后,调整为:
τij(t+n)=(1-ρ)τij(t)+Δτij
式中,ρ为变量衰减系数,Δτij表示循环中变量信息增加量。
构成变量信息素矩阵如下,将N的变量分类为M个类别初始信息素矩阵。通过矩阵构建目标函数,在已知采集数据集中的N个变量和M个模式分类为{Sj,j=1,2,3,…M},每个变脸有n个特征,以每个模式到聚类分析的目标函数中,并以实现能耗值最低为目标,数学模型表示为:
式中,xip表示第i个变量影响能效的第p个属性,cjp为第j个域中心的第p个属性。
根据上述表达式在域内进行局部和全局的搜索,对每个变量计算聚类中心及目标函数值并对结果集进行变换,将求解集用于信息素矩阵的更新,如下:
τij(t+n)=(1-ρ)τij(t)+Δτij
至此完成第一次迭代。继续迭代直到最大的迭代次数返回最有结果值即为最优解聚类结果。
2、自学习(神经网络权值判定)
该过程采用多重网络自学习过程,权重都是随机的,所有的权重通常都是[-0.5,0.5]之间的随机数。除此之外,每个模式(pattern)输入到神经网络时,都会经过三个阶段。通过输入层即上面求解结果的带入,在第一个输出层计算这一层每个神经元的触发值。触发值通过计算连接这个神经元的前一层的所有神经元的值与相应的权重的乘积之和得到。激励函数是用来归一化每个神经元的输出的。这个函数在感知器的分析中经常出现。这个输出的计算在神经网络中一层层往前直到输出层得到一些输出值。这些输出值一开始的时候都是随机的,跟我们的目标值没有什么关系。
其次,采用反向传递。本发明的反向传递算法使用梯度下降规则进行计算。这个算法就是在计算从输出神经元开始往回直到输入层的每个神经元的局部梯度下降。要计算输出神经元的下降梯度,我们首先要得到每个输出神经元的误差。这是很简单的,因为多层感知器是有监督的训练网络,所以误差就是神经网络的输出与实际输出的差别,
ej(n)=dj(n)-oj(n)
式中,ej(n)是误差向量,dj(n)是实际输出(期望输出),oj(n)是神经网络的输出。
式中,输出层L的第j个神经元的值的求导所得的值。传递过程中,
在求和符号里面的是下一层所有神经元的Δd值以及相应的权重的乘积。在计算完成所有的权重梯度变量后,重新更新神经元为:
对于层L来说,新的权重是在现在的权重上加上两样东西。第一个是现在权重与之前的权重的差别乘以一个势系数α。势系数通过往多层神经网络里面加入已经发生的权重变化起到加速训练的作用。
3、预测
本发明中***采用加性模型进行计算,神经元采用无噪声动态模型,数学基础成熟已经获得验证,对更新的神经元如上表示实质上是能量流动的传到函数,各自的输入即为电压、电流及各种实际测试参数。非线性元素流向输入节点的总能量为:
每次输入值传入后作用在势系数及权值函数上,Ej表示能量源额外施加的偏置量。当非线性行数φ为实际已知输入,并令υj(t)为其局部域空间的诱导函数,这样可求解得到数据输入节点神经网络的和为:
本发明采用的激励函数为其中j表示输入源个数。通过上述表达式联合求解,每次神经元输入均对整体***形成影响并由自身反馈对最终输出函数进行比对,经过多次运算后获得最终结果。
4、节能方案提出/验证
方案提出主要基于上述计算,并不是具体的文字性建议,只是不同的改造方案的预测。判断原则为能量最小化,利用Hopfield模型进行。具体为:
选择Hopfield模型是因为其构造简单但是包含了多回路反馈***。反馈回路数量与神经元(变量)个数一致。每个变量的输出都为后续计算提供反馈,但是输出本身没有自反馈,保证了更快的计算及流程上的便捷。
当时,将上述模型带入动力学模型中可改写为如下形式:
为保证计算的合理性,计算保证每层节点上的未知量输入都是对称的(ωji=ωij).此外,非线性激励函数可逆,即Hopfield网络中能量函数定义为:
根据定义,我们需要寻找能量最小化极值点,所以上式在时域内求导,得到:
因为Hopfiled流程是全局渐进稳定的,最终必然找到一个固定点是能量函数的最小值。
根据上述计算获得的最终结果会反映出对输入值的要求及相关程度,可通过对变量xi,即采集数据端进行设置即可预测最终节能效果。通过机器学习后的,算法本身有一定的自适应功能,改变参数后不改变原激励函数及反馈路径就能保证在当前生产条件下获得的节能效果。同时可改变多个参数计算结果,也可根据企业实际改造情况获得。利用此结果能够预判断节能量及节能效果,并给出方案的合理性判定。
本发明中的建模方法中,细化动态电机***为各种不同工作方式,利用实时电机***节能量相关数据反馈信息通过人工智能方法有效、高效选择高影响因子参数,并利用高影响因子建立反映***的实时动态曲线。首先通过计算机方法进行模式识别,保证计算机能够自动辨识电机***数据的重要性及对节能的贡献值,其次通过神经网络的自学习算法,对重点因素进行建立激励函数和拓扑结构并利用自学习规则进行拓展得到可建模的表达式并形成实时动态曲线。本发明的***节能量预测中,利用电机***实时动态曲线,考虑基期和测试期的动态变化因子,预测***节能量,利用最终测试结果得到准确的改造前后***节能效果。
本发明筛选影响电机***节能量的重点影响参数,建立实时反映对应参数的数学模型,并建立模型进行***自学习,完美匹配***运行情况,从而计算电机***改造前后节能量数值,并与改造前后作对比进行验证。也可为***改造提供预判指标,有利于实现动态电机***节能管理及节能量精确计算,对节能潜力进行预测和评估。有利于企业形成节能减排终止策略,从而实现对电机***最优能耗。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种电机***节能量计算和验证方法,其特征在于,包括如下步骤:
S1选定改造及测试边界;
S2数据采集,筛选影响动态电机***多维度节能量的重点参数;
S3根据重点参数建立能耗参数模型;
S4利用自学习修正模型曲线;
S5模型与实际对照,不一致,重复建立能耗参数模型及利用自学习修正模型曲线;直至模型与实际对照一致或误差非常小,利用该模型可进行电机***节能量计算和验证。
2.根据权利要求1所述的电机***节能量计算和验证方法,其特征在于,所述S2中,选定重点电机***各设备开始进行现场数据采集,主要采集的参数为与能效、能耗直接相关的参数。
3.根据权利要求1所述的电机***节能量计算和验证方法,其特征在于,所述S5中,如未实施改造,直接利用该模型进行电机***节能量计算,输出节能量预测报告存储至能耗数据库;如实施改造,则确定变更后电机参数,再进行数据采集及计算验证,最后输出节能量测试及验证报告。
4.根据权利要求1所述的电机***节能量计算和验证方法,其特征在于,所述S2中,利用蚁群算法筛选重点参数,条件为节能量值最大即能耗值最低,从而获得对电机***节能量影响最大的重点参数。
5.根据权利要求4所述的电机***节能量计算和验证方法,其特征在于,所述蚁群算法筛选重点参数具体为:
初始化参数后,设置位置变量个数为M,并将每个变量假设为一个未知域,每次计算都将所有的计算带入后才完成一次循环;第k个参数在t时刻,对***中部件j的域s内的影响概率设置为计算过程中可表示为
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>s</mi>
</msub>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>&alpha;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>&beta;</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中α,β表示过程中的轨迹及路径的重要性参数,s表示计算域,τ,η表示域边沿的信息强度及能见度;经过n个时刻后,调整为:
τij(t+n)=(1-ρ)τij(t)+Δτij
<mrow>
<msub>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
式中,ρ为变量衰减系数,Δτij表示循环中变量信息增加量;
构成变量信息素矩阵如下,将N的变量分类为M个类别初始信息素矩阵;通过矩阵构建目标函数,在已知采集数据集中的N个变量和M个模式分类为{Sj,j=1,2,3,…M},每个变量有n个特征,以每个模式到聚类分析的目标函数中,并以实现能耗值最低为目标,数学模型表示为:
<mrow>
<mi>min</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</msubsup>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
</msubsup>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中,xip表示第i个变量影响能效的第p个属性,cjp为第j个域中心的第p个属性;
根据上述表达式在域内进行局部和全局的搜索,对每个变量计算聚类中心及目标函数值并对结果集进行变换,将求解集用于信息素矩阵的更新,如下:
τij(t+n)=(1-ρ)τij(t)+Δτij
至此完成第一次迭代;继续迭代直到最大的迭代次数返回最优结果值即为最优解聚类结果。
6.根据权利要求1所述的电机***节能量计算和验证方法,其特征在于,所述S4中,通过神经网络的自学习算法,对重点参数建立激励函数和拓扑结构并利用自学习规则进行拓展得到可建模的表达式并形成实时动态曲线。
7.根据权利要求6所述的电机***节能量计算和验证方法,其特征在于:
所述自学习规则为反向传递算法中使用的梯度下降规则;
要计算输出神经元的下降梯度,首先要得到每个输出神经元的误差:
ej(n)=dj(n)-oj(n)
式中,ej(n)是误差向量,dj(n)是实际输出(期望输出),oj(n)是神经网络的输出;
<mrow>
<msubsup>
<mi>&Delta;d</mi>
<mi>j</mi>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msubsup>
<mi>f</mi>
<msub>
<mi>u</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>,</mo>
<mi>L</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,输出层L的第j个神经元的值的求导所得的值;传递过程中,
在求和符号里面的是下一层所有神经元的Δd值以及相应的权重的乘积;在计算完成所有的权重梯度变量后,重新更新神经元为:
<mrow>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>-</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&eta;</mi>
<mo>*</mo>
<msubsup>
<mi>&Delta;d</mi>
<mi>j</mi>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,α为势系数,势系数通过往多层神经网络里面加入已经发生的权重变化起到加速训练的作用。
8.根据权利要求7所述的电机***节能量计算和验证方法,其特征在于:所述电机***采用加性模型进行计算,神经元采用无噪声动态模型,对更新的神经元实质上是能量流动的传到函数,各自的输入即为电压、电流及各种实际测试参数,非线性元素流向输入节点的总能量为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
</mrow>
每次输入值传入后作用在势系数及权值函数上,Ej表示能量源额外施加的偏置量;当非线性行数φ为实际已知输入,并令υj(t)为其局部域空间的诱导函数,这样可求解得到数据输入节点神经网络的和为:
<mrow>
<mfrac>
<mrow>
<msub>
<mi>&upsi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>+</mo>
<msub>
<mi>C</mi>
<mi>j</mi>
</msub>
<mfrac>
<mrow>
<msub>
<mi>d&upsi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mi>L</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
</mrow>
所述激励函数为其中j表示输入源个数;通过上述表达式联合求解,每次神经元输入均对整体***形成影响并由自身反馈对最终输出函数进行比对,经过多次运算后获得最终结果。
9.根据权利要求1或8所述的电机***节能量计算和验证方法,其特征在于:所述S5中,基于上述模型计算,提出节能方案或验证,判断原则为能量最小化,利用Hopfield模型进行。
10.根据权利要求9所述的电机***节能量计算和验证方法,其特征在于:
当时,将上述模型带入动力学模型中可改写为如下形式:
Hopfield网络中能量函数定义为:
根据定义,需要寻找能量最小化极值点,所以上式在时域内求导,得到:
<mrow>
<mfrac>
<mrow>
<mi>d</mi>
<mi>E</mi>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>&upsi;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<msub>
<mi>dx</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
</mrow>
最终找到一个固定点是能量函数的最小值;根据上述计算获得的最终结果会反映出对输入值的要求及相关程度,可通过对变量xi,即采集数据端进行设置即可预测最终节能效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710900626.1A CN107644297B (zh) | 2017-09-28 | 2017-09-28 | 一种电机***节能量计算和验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710900626.1A CN107644297B (zh) | 2017-09-28 | 2017-09-28 | 一种电机***节能量计算和验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644297A true CN107644297A (zh) | 2018-01-30 |
CN107644297B CN107644297B (zh) | 2020-09-29 |
Family
ID=61113502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710900626.1A Active CN107644297B (zh) | 2017-09-28 | 2017-09-28 | 一种电机***节能量计算和验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644297B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727218A (zh) * | 2018-12-30 | 2019-05-07 | 杭州铭智云教育科技有限公司 | 一种完整图形提取方法 |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN112035999A (zh) * | 2020-06-08 | 2020-12-04 | 广东电网有限责任公司 | 一种三相电压不平衡下异步电动机的能效评估方法 |
CN113112061A (zh) * | 2021-04-06 | 2021-07-13 | 深圳市汉德网络科技有限公司 | 一种预测车辆油耗的方法与装置 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN113505847A (zh) * | 2021-07-26 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的节能量在线量测***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914706A (zh) * | 2012-07-20 | 2013-02-06 | 中国电力科学研究院 | 一种配电变压器更换的节能量测量与验证方法 |
CN103136442A (zh) * | 2013-01-22 | 2013-06-05 | 中国电力科学研究院 | 一种用于节能项目节约电力电量的测量与验证方法 |
US8532839B2 (en) * | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for statistical control and fault detection in a building management system |
CN104375035A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 一种节能设备能效测试方法 |
CN105158555A (zh) * | 2015-08-18 | 2015-12-16 | 中国电力科学研究院 | 一种配电线路升压运行节约电力电量的测量和验证方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
-
2017
- 2017-09-28 CN CN201710900626.1A patent/CN107644297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8532839B2 (en) * | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for statistical control and fault detection in a building management system |
CN102914706A (zh) * | 2012-07-20 | 2013-02-06 | 中国电力科学研究院 | 一种配电变压器更换的节能量测量与验证方法 |
CN103136442A (zh) * | 2013-01-22 | 2013-06-05 | 中国电力科学研究院 | 一种用于节能项目节约电力电量的测量与验证方法 |
CN104375035A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 一种节能设备能效测试方法 |
CN105158555A (zh) * | 2015-08-18 | 2015-12-16 | 中国电力科学研究院 | 一种配电线路升压运行节约电力电量的测量和验证方法 |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727218A (zh) * | 2018-12-30 | 2019-05-07 | 杭州铭智云教育科技有限公司 | 一种完整图形提取方法 |
CN109727218B (zh) * | 2018-12-30 | 2021-01-08 | 南方电网物资有限公司 | 一种完整图形提取方法 |
CN109973355A (zh) * | 2019-03-29 | 2019-07-05 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN109973355B (zh) * | 2019-03-29 | 2020-05-19 | 江苏极熵物联科技有限公司 | 一种面向空气压缩机的节能降耗方法 |
CN112035999A (zh) * | 2020-06-08 | 2020-12-04 | 广东电网有限责任公司 | 一种三相电压不平衡下异步电动机的能效评估方法 |
CN113112061A (zh) * | 2021-04-06 | 2021-07-13 | 深圳市汉德网络科技有限公司 | 一种预测车辆油耗的方法与装置 |
CN113112061B (zh) * | 2021-04-06 | 2024-05-28 | 深圳市汉德网络科技有限公司 | 一种预测车辆油耗的方法与装置 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN113344192B (zh) * | 2021-05-31 | 2022-01-11 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN113505847A (zh) * | 2021-07-26 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的节能量在线量测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107644297B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644297A (zh) | 一种电机***节能量计算和验证方法 | |
Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
González-Vidal et al. | Data driven modeling for energy consumption prediction in smart buildings | |
CN109685277A (zh) | 用电量预测方法及装置 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN106530082A (zh) | 基于多机器学习的股票预测方法及*** | |
Wang et al. | A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization | |
Lai et al. | Smart grids and big data analytics for smart cities | |
Sapnken et al. | Modeling energy-efficient building loads using machine-learning algorithms for the design phase | |
Truong et al. | Forecasting Time‐Series Energy Data in Buildings Using an Additive Artificial Intelligence Model for Improving Energy Efficiency | |
Yu et al. | Research on agricultural product price forecasting model based on improved BP neural network | |
Sun et al. | Light-stacking strengthened fusion based building energy consumption prediction framework via variable weight feature selection | |
Önder et al. | Classification of smart grid stability prediction using cascade machine learning methods and the internet of things in smart grid | |
Shakouri G et al. | Selection of the best ARMAX model for forecasting energy demand: case study of the residential and commercial sectors in Iran | |
Gökçe et al. | Performance comparison of simple regression, random forest and XGBoost algorithms for forecasting electricity demand | |
Baur et al. | Explainability and interpretability in electric load forecasting using machine learning techniques–A review | |
Zhang | Modular configuration of service elements based on the improved K‐means algorithm | |
Guo et al. | Distribution network topology identification based on gradient boosting decision tree and attribute weighted naive Bayes | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
Ayadi et al. | Deep Learning–Based Soft Sensors for Improving the Flexibility for Automation of Industry | |
Zhang et al. | Multimodal Control by Variable‐Structure Neural Network Modeling for Coagulant Dosing in Water Purification Process | |
Rojek | Hybrid neural networks as prediction models | |
Ramnath et al. | A statistical and predictive modeling study to analyze impact of seasons and COVID-19 factors on household electricity consumption | |
Seyedzadeh et al. | Multi-objective optimisation and building retrofit planning | |
Keyan et al. | Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM |
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 |