CN107818340A - 基于k值小波神经网络的二阶段空调负荷预测方法 - Google Patents
基于k值小波神经网络的二阶段空调负荷预测方法 Download PDFInfo
- Publication number
- CN107818340A CN107818340A CN201711004470.5A CN201711004470A CN107818340A CN 107818340 A CN107818340 A CN 107818340A CN 201711004470 A CN201711004470 A CN 201711004470A CN 107818340 A CN107818340 A CN 107818340A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- cluster
- value
- mfrac
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于K值聚类和小波神经网络的二阶段空调负荷预测方法。通过K均值聚类方法将样本数据划分为若干簇类,以降低数据相关性对建模精度的影响;再者对每个簇类所属的样本数据建立相应小波神经网络模型。提高对空调负荷预测的精度。本发明可有效的应用于办公大楼的逐时空调负荷预测,具有很高的预测精度和可靠性能。
Description
技术领域
本发明涉及一种基于K值小波神经网络的二阶段空调负荷预测方法。
背景技术
随着空调***在我国工业和民用建筑中的应用日益广泛。空调能耗(负荷) 在建筑总能耗中的占比也在大幅上升,空调***节能迫在眉睫。空调负荷预测是空调***运行和节能调度的重要依据。准确、快速的负荷预测有利于提高空调***运行的经济性和可靠性。
空调负荷与气象条件、环境温度以及建筑围护结构等多种影响因素之间存在复杂的非线性关系,且各因素之间具有强相关性;此外,建筑室内人员随机变动和设备启停等不确定性工况也在一定程度上加剧了负荷的波动性,从而使得空调负荷数据呈现出非线性、相关性和非平稳等特征,建立其精确预测模型面临很大的困难。
近十几年来,众多专家学者针对空调负荷预测的特点,提出了许多基于数据驱动的预测方法,如基于模糊分析、灰色理论、回归分析和人工神经网络等方法。人工神经网络因其具有强大的非线性映射能力和自学习能力,近年来已被广泛应用于负荷预测之中。但是由于神经网络训练采用大样本学习的方式,易产生过学习而导致泛化能力下降,另外还存在诸如网络结构难以确定、易陷入局部极小等缺点。
发明内容
本发明的目的在于提供一种基于小波神经网络的二阶段空调负荷预测方法,能够有效消除样本数据的高噪声和非平稳性,具有较高预测精度和泛化能力以及可靠性能。
为实现上述目的,本发明采用如下技术方案:一种基于K值小波神经网络的二阶段空调负荷预测方法,包括以下步骤:
步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;
步骤S2:将原始样本数据进行归一化处理;
步骤S3:构造WNN模型;基于聚类后的K个簇样本点,确定每个簇样本点对应的WNN模型的网络结构;设置小波基函数伸缩平移因子a、b及各网路结构层之间的连接权值,确定网络学习系数η;
步骤S4:进行模型训练;输入训练样本,计算预测值和训练误差,并修正WNN 参数,判断训练误差是否达到期望值,若是则训练结束,否则返回步骤S4;
步骤S5:将待预测样本数据选择所对应的WNN模型进行预测;
步骤S6:对模型预测计算结果进行反归一化处理。
进一步的,所述步骤S1中的k值聚类算法具体包括以下步骤:
设在Rm空间中存在数据点集S={X1,X2...Xn},其中Xi=(xi1,xi2,...xim), (i=1,2...n),
步骤S11:确定聚类的个数K,并随机选取数据点Vi(i=1,2,...,K)作为各个簇的初始聚类中心;
步骤S12:依据距离就近原则将每个数据点的均值划分到离其最近的聚类中心所在的簇;
步骤S13:更新每个簇的聚类中心,以每个簇所包含数据点的均值定义为该簇新的聚类中心;
步骤S14:按式(1)目标函数计算每个数据点到所在簇中心的距离平方和,若目标函数值达到最小值时则聚类完成,否则依据新的聚类中心返回步骤S12;
其中E为各数据点到所在簇中心距离的平方和;X为Rm中数据点;Vi为簇Ci 中数据点的均值,即聚类中心,Ci表示聚类的第i个簇;||X-Vi||p为X与Vi两者间的p阶度量。
进一步的,所述步骤S3的具体方法如下:
用母小波函数的伸缩平移作为小波神经网络的隐节点的Sigmoid函数,并且采用Morlet小波基函数替代隐含层的Sigmoid函数,表达式为式(3):
ψ(x)=cos(1.75x)exp(-x2/2) (3)
其中:x为网络的输入值;
设置隐含层个数为l,则输出表达式为:
其中:其中,h(j)为隐含层第j节点的输出值;aj和bj分别为第j个节点小波基函数的伸缩和平移因子;wij为各结构层之间的连接权值。
输出层表达式:
其中:m为输出层节点数;wjk为各结构层的连接权值。
进一步的,所述步骤S4中WNN参数的修正具体方法如下:
根据误差逆传播思想,WNN参数调整采用梯度修正法:
其中,η为学习系数;s表示第s迭代。
进一步的,所述步骤S2中样本数据归一化按式(2)进行归一化处理:
其中,X为原始样本点值;Xmax和Xmin分别为原始样本点中最大值和最小值;Y 为归一化目标值。
进一步的,所述步骤S6的具体方法如下:
将模型预测计算结果按式(10)进行反归一化处理,
结果即为每个簇对应模型的预测值。
本发明与现有技术相比具有以下有益效果:
1、利用k均值聚类算法对样本数据进行无监督的学***稳性,从而降低数据相关性对模型预测性能的影响。
2、通过实例分析对比,该发明的二阶段预测模型预测效果均优于传统独立的WNN(小波神经网络)和BPNN(BP神经网络)模型,具有更好的预测精度和可靠性。
附图说明
图1是本发明预测方法流程图;
图2是k值聚类算法结构流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明实施例提供一种基于K值小波神经网络的二阶段空调负荷预测方法,包括以下步骤:
步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;
步骤S2:将原始样本数据进行归一化处理;
步骤S3:构造WNN模型;基于聚类后的K个簇样本点,确定每个簇样本点对应的WNN模型的网络结构;设置小波基函数伸缩平移因子a、b及各网路结构层之间的连接权值,确定网络学习系数η;
步骤S4:进行模型训练;输入训练样本,计算预测值和训练误差,并修正WNN 参数,判断训练误差是否达到期望值,若是则训练结束,否则返回步骤S4;
步骤S5:将待预测样本数据选择所对应的WNN模型进行预测;
步骤S6:对模型预测计算结果进行反归一化处理。
从上述可知,本发明的有益效果在于:通过K均值聚类方法将样本数据划分为若干簇,以降低数据相关性对建模精度的影响;再者对每个簇类所属的样本数据建立相应小波神经网络模型(即WNN模型),提高对空调负荷预测的精度。本发明可有效的应用于办公大楼的逐时空调负荷预测,具有很高的预测精度和可靠性能。
如图2所示,在本实施例中,所述步骤S1中的k值聚类算法具体包括以下步骤:
设在Rm空间中存在数据点集S={X1,X2...Xn},其中Xi=(xi1,xi2,...xim), (i=1,2...n),
步骤S11:确定聚类的个数K,并随机选取数据点Vi(i=1,2,...,K)作为各个簇的初始聚类中心;
步骤S12:依据距离就近原则将每个数据点的均值划分到离其最近的聚类中心所在的簇;
步骤S13:更新每个簇的聚类中心,以每个簇所包含数据点的均值定义为该簇新的聚类中心;
步骤S14:按式(1)目标函数计算每个数据点到所在簇中心的距离平方和,若目标函数值达到最小值时则聚类完成,否则依据新的聚类中心返回步骤S12;
其中E为各数据点到所在簇中心距离的平方和;X为Rm中数据点;Vi为簇Ci 中数据点的均值,即聚类中心;||X-Vi||p为X与Vi两者间的p阶度量。
在步骤S11中,根据样本集特征确定聚类个数K,然后随机选取K个样本点作为每个簇的初始聚类中心。
在本实施例中,所述步骤S3的具体方法如下:
本发明在BP神经网络结构的基础上,用母小波函数的伸缩平移作为小波神经网络的隐节点的Sigmoid函数。鉴于Morlet小波拥有较好的光滑性和时域局部性,采用Morlet小波基函数替代隐含层的Sigmoid函数,表达式为式(3):
ψ(x)=cos(1.75x)exp(-x2/2) (3)
设置隐含层个数为l,则输出表达式为:
其中:其中,h(j)为隐含层第j节点的输出值;aj和bj分别为第j个节点小波基函数的伸缩和平移因子。
输出层表达式:
其中:m为输出层节点数。
在本实施例中,所述步骤S4中WNN参数的修正具体方法如下:
根据误差逆传播思想,WNN参数调整采用梯度修正法:
其中,η为学习系数;s表示第s迭代。
为防止不同大小的数值属性之间的影响及出现计算饱和现象,将样本集进行归一化处理。
在本实施例中,所述步骤S2中样本数据归一化按式(2)进行归一化处理:
其中,X为原始样本点值;Xmax和Xmin分别为原始样本点中最大值和最小值;Y 为归一化目标值。
在本实施例中,所述步骤S6的具体方法如下:
将模型预测计算结果按式(10)进行反归一化处理,
结果即为每个簇对应模型的预测值。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,包括以下步骤:
步骤S1:采用k值聚类算法将原始样本数据划分为若干簇;
步骤S2:将原始样本数据进行归一化处理;
步骤S3:构造WNN模型;基于聚类后的K个簇样本点,确定每个簇样本点对应的WNN模型的网络结构;设置小波基函数伸缩平移因子a、b及各网路结构层之间的连接权值,确定网络学习系数η;
步骤S4:进行模型训练;输入训练样本,计算预测值和训练误差,并修正WNN参数,判断训练误差是否达到期望值,若是则训练结束,否则返回步骤S4;
步骤S5:将待预测样本数据选择所对应的WNN模型进行预测;
步骤S6:对模型预测计算结果进行反归一化处理。
2.根据权利要求1所述的基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,所述步骤S1中的k值聚类算法具体包括以下步骤:
设在Rm空间中存在数据点集S={X1,X2...Xn},其中Xi=(xi1,xi2,...xim),(i=1,2...n),
步骤S11:确定聚类的个数K,并随机选取数据点Vi(i=1,2,...,K)作为各个簇的初始聚类中心;
步骤S12:依据距离就近原则将每个数据点的均值划分到离其最近的聚类中心所在的簇;
步骤S13:更新每个簇的聚类中心,以每个簇所包含数据点的均值定义为该簇新的聚类中心;
步骤S14:按式(1)目标函数计算每个数据点到所在簇中心的距离平方和,若目标函数值达到最小值时则聚类完成,否则依据新的聚类中心返回步骤S12;
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>I</mi>
</msub>
</mrow>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>p</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中E为各数据点到所在簇中心距离的平方和;X为Rm中数据点;Vi为簇Ci中数据点的均值,即聚类中心,Ci表示聚类的第i个簇;||X-Vi||p为X与Vi两者间的p阶度量。
3.根据权利要求2所述的基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,所述步骤S3的具体方法如下:
用母小波函数的伸缩平移作为小波神经网络的隐节点的Sigmoid函数,并且采用Morlet小波基函数替代隐含层的Sigmoid函数,表达式为式(3):
ψ(x)=cos(1.75x)exp(-x2/2) (3)
其中:x为网络的输入值;
设置隐含层个数为l,则输出表达式为:
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&psi;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</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>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>)</mo>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>l</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:其中,h(j)为隐含层第j节点的输出值;aj和bj分别为第j个节点小波基函数的伸缩和平移因子;wij为各结构层之间的连接权值。
输出层表达式:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:m为输出层节点数;wjk为各结构层的连接权值。
4.根据权利要求3所述的基于K值小波神经网络的二阶段空调负荷预测模型方法,其特征在于:所述步骤S4中WNN参数的修正具体方法如下:
根据误差逆传播思想,WNN参数调整采用梯度修正法:
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,η为学习系数;s表示第s迭代。
5.根据权利要求1所述的基于K值小波神经网络的二阶段空调负荷预测方法,其特征在于,所述步骤S2中样本数据归一化按式(2)进行归一化处理:
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mn>2</mn>
<mfrac>
<mrow>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,X为原始样本点值;Xmax和Xmin分别为原始样本点中最大值和最小值;Y为归一化目标值。
6.根据权利要求5所述的基于K值小波神经网络的二阶段空调负荷预测模型方法,其特征在于:所述步骤S6的具体方法如下:
将模型预测计算结果按式(10)进行反归一化处理,
结果即为每个簇对应模型的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711004470.5A CN107818340A (zh) | 2017-10-25 | 2017-10-25 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711004470.5A CN107818340A (zh) | 2017-10-25 | 2017-10-25 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107818340A true CN107818340A (zh) | 2018-03-20 |
Family
ID=61607554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711004470.5A Pending CN107818340A (zh) | 2017-10-25 | 2017-10-25 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818340A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879582A (zh) * | 2018-06-19 | 2018-11-23 | 云南海力特电气自动化有限公司 | 一种智能型永磁真空断路器的控制***及控制方法 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
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 |
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20160314400A1 (en) * | 2013-12-11 | 2016-10-27 | Electricite De France | Prediction of a curtailed consumption of fluid |
CN106096790A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法 |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
CN106712065A (zh) * | 2017-02-23 | 2017-05-24 | 沈阳工业大学 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
-
2017
- 2017-10-25 CN CN201711004470.5A patent/CN107818340A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314400A1 (en) * | 2013-12-11 | 2016-10-27 | Electricite De France | Prediction of a curtailed consumption of fluid |
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 |
CN106096790A (zh) * | 2016-06-22 | 2016-11-09 | 东南大学 | 基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法 |
CN106250905A (zh) * | 2016-07-08 | 2016-12-21 | 复旦大学 | 一种结合高校建筑结构特征的实时能耗异常检测方法 |
CN106712065A (zh) * | 2017-02-23 | 2017-05-24 | 沈阳工业大学 | 一种电动汽车充电对配电网有功损耗影响指数预测方法 |
Non-Patent Citations (2)
Title |
---|
陈标: ""短期电力负荷的小波神经网络预测"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄磊等: ""基于k_means聚类和BP神经网络组合模型的用电负荷预测"", 《电力与能源》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879582A (zh) * | 2018-06-19 | 2018-11-23 | 云南海力特电气自动化有限公司 | 一种智能型永磁真空断路器的控制***及控制方法 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
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 |
CN111322716A (zh) * | 2020-02-24 | 2020-06-23 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN111322716B (zh) * | 2020-02-24 | 2021-08-03 | 青岛海尔工业智能研究院有限公司 | 空调温度自动设置方法、空调、设备及存储介质 |
CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818340A (zh) | 基于k值小波神经网络的二阶段空调负荷预测方法 | |
CN103514366B (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
US20230375745A1 (en) | High-temperature disaster forecast method based on directed graph neural network | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
Chen et al. | Prediction of pressure coefficients on roofs of low buildings using artificial neural networks | |
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 | |
Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
CN112465243A (zh) | 一种空气质量预报方法及*** | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及*** | |
CN108596260A (zh) | 一种水管网漏损定位方法及装置 | |
CN104636800A (zh) | 基于最小二乘加权的冷冻站***神经网络优化单元及其方法 | |
CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
CN109242265A (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测*** | |
CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
Wang et al. | Pm2. 5 prediction based on neural network | |
CN109408896A (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN109543914A (zh) | 基于ap聚类算法的rbf建筑运行能耗的预测方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting |
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: 20180320 |