CN108446783A - 一种新风机运行功率的预测及监控方法 - Google Patents

一种新风机运行功率的预测及监控方法 Download PDF

Info

Publication number
CN108446783A
CN108446783A CN201810082463.5A CN201810082463A CN108446783A CN 108446783 A CN108446783 A CN 108446783A CN 201810082463 A CN201810082463 A CN 201810082463A CN 108446783 A CN108446783 A CN 108446783A
Authority
CN
China
Prior art keywords
prediction
operation power
fan operation
svm
new
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
Application number
CN201810082463.5A
Other languages
English (en)
Inventor
陈科明
孙萌
江倩
罗国清
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810082463.5A priority Critical patent/CN108446783A/zh
Publication of CN108446783A publication Critical patent/CN108446783A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新风机运行功率的预测及监控方法。本发明首先是服务器采集新风机相关数据；建立一个SVM预测模型，得到新风机运行功率SVM预测模型。其次应用该SVM预测模型预测新风机历史数据，计算新风机运行功率预测值与实际值之间的误差。然后计算得出马尔可夫模型；应用该SVM预测模型预测新风机未来运行功率，使用马尔可夫模型修正SVM预测模型初步预测值，得到最终结果；最后将预测模型部署到服务器上，服务器每小时将新风机运行功率实际值和预测值进行对比，当对比值大于150%时，服务器推送提醒信息至用户手机APP上。本发明能够实现对新风机运行功率的精确预测，实现了新风机的安全、节能、稳定运行。

Description

一种新风机运行功率的预测及监控方法
技术领域
本发明涉及一种新风机运行功率的预测及监控方法，具体为涉及一种新风机运行功率的短时间(24小时内)的预测及监控方法。
背景技术
随着社会生活水平的提高，人们对室内空气质量有了更高的要求，安装新风机用来提高室内空气质量成为了人们的选择。由于家庭新风机通常是24小时保持开启，为室内提供新鲜的空气和排掉室内污浊的气体，给住户提供健康的生活环境。实现新风机的智能用电是目前相关研究中的热点，有利于实现家庭节约用电的目的。
目前对新风机运行功率的预测方法包括以下几类：
第一类是利用统计学方法进行预测，统计学方法是指通过收集分析统计数据，得出数据之间的数学关系。通过分析新风机的用户使用数据，预测出在不同时间段的运行功率。该类方法的代表是时间序列法，此类方法需要大量的样本数据进行分析。
第二类是利用机器学习方法进行预测，机器学习方法是可以从新风机的用户使用历史数据中，挖掘出数据之间的相关规律，实现预测功能。常见的机器学习算法是人工神经网络算法，但是该类算法在训练阶段需要大量的样本数据，同时存在训练速度慢，过拟合和泛化能力差等问题。
现有的运行功率预测方法一般都具有需要大量样本数据，实时性差，不易部署等缺点，因此难以应用到实际场景中。
发明内容
本发明所解决的技术问题在于提供一种新风机运行功率的预测及监控方法，以解决上述背景技术中提出的问题和不足。
本发明所解决的技术问题采用以下技术方案来实现：一种新风机运行功率的预测及监控方法包括以下步骤：
步骤1：服务器采集新风机相关数据；
步骤2：建立一个SVM预测模型，利用步骤1收集的数据训练模型，得到新风机运行功率SVM预测模型；
步骤3：应用该SVM预测模型预测新风机历史数据，计算历史各小时新风机运行功率预测值与实际值的误差；
步骤4：计算得出马尔可夫模型；
步骤5：应用该SVM预测模型预测新风机未来运行功率，应用马尔可夫模型修正SVM预测模型初步预测值，得到最终结果；
步骤6：将预测模型部署到服务器上，服务器每小时将新风机运行功率实际值和预测值进行对比，当对比值大于150％时，服务器推送提醒信息至用户手机APP上。
所述步骤1中服务器采集的样本数据包括新风机运行时间、室外温度、相对空气湿度和运行功率值。
所述步骤2中SVM是机器学习算法是结构风险最小理论的典型代表算法。SVM机器学习算法的基本思想就是利用核函数策略将数据映射到高维特征空间Ω中去解决问题，在这个高维特征空间中对样本数据集进行线性回归分析。SVM机器学习算法通过核函数，可代替高维特征空间里的内积计算，有效地减少了计算量。步骤2具体为：
步骤2.1，对收集的样本数据进行归一化处理，将数据映射到0至1之间；
步骤2.2，选择RBF核函数，数学表达式为：
K(x，xi)＝exp(-g||x-xi||2)，g＞O
步骤2.3，使用交叉验证和网格搜索组合方法寻找出SVM预测模型中的最优惩罚参数和核函数参数；
步骤2.4，使用处理好的样本数据训练SVM预测模型，得到SVM预测模型。
所述步骤3中SVM预测模型为步骤2中得到的SVM预测模型，步骤3具体为：
步骤3.1，选取新风机历史数据，将过去各小时的运行时间、室外温度和相对空气湿度数据输入SVM预测模型，得到过去各小时的新风机运行功率预测值；
步骤3.2，计算过去各小时新风机运行功率的实际值和预测值之间的误差δ。
所述步骤4中计算马尔可夫模型是为了利用马尔可夫模型可有效预测***误差的状态转移趋势的优势，实现对***误差的修正，提高新风机运行功率的预测精度，步骤4具体为：
步骤4.1，将预测误差划分为不同的区间，根据实际情况将步骤3得到的误差δ划分为n个区间，用Ei(i＝1，2，...，l)符号表示；
步骤4.2，计算马尔可夫***状态转移概率矩阵，将误差状态Ei经过k个步骤转移到误差状态Ej的概率用数学公式表示为：
上式中，表示从Ei经过k个步骤转移到Ej的次数大小，Si表示从Ei转移的次数总和。经过计算可以得出全部的数值，即可得出***状态转移概率矩阵，矩阵满足条件那么k步状态转移矩阵可表示为：
上式中，P(k)矩阵反映了***误差状态之间的转移规律，利用以上状态转移矩阵，可以确定SVM模型预测误差所处的当前状态以及预测误差的下一步状态；
步骤4.3，马尔可夫预测模型用数学公式可表示为：
M(k)＝M(O)P(k)
上式中，P(k)表示***k步状态转移概率矩阵，M(k)表示***在k时刻的预测误差状态概率向量，M(0)表示***0时刻预测误差状态概率向量。
确定不同时刻对应的误差状态区间，根据确定的误差状态区间，取该误差状态区间的中间值去修正SVM回归预测模型的预测结果：
上式中，Y表示修正后的预测结果，y表示SVM回归预测模型的初步预测值，Ai表示误差区间Ei的上限，Bi表示误差区间Ei的下限。
所述步骤5具体为：
步骤5.1，应用该SVM预测模型预测新风机未来一天每小时的运行功率；
步骤5.2，应用步骤4得到的马尔可夫模型对步骤5.1预测的结果进行误差修正。
所述步骤6中手机APP为可接收服务器提醒信息的新风机控制终端APP，步骤6具体为：
步骤6.1，将SVM预测模型和马尔可夫模型部署到服务器上；
步骤6.2，服务器每小时读取新风机的运行功率实际值，同时使用预测模型得到新风机的运行功率预测值；
步骤6.3，服务器将新风机运行功率的实际值和预测值进行对比；
步骤6.4，当对比值大于150％时，服务器推送提醒信息至用户手机APP上。
与现有技术相比，本发明的有益效果是：服务器收集新风机运行时间、室外温度、相对空气湿度和运行功率值样本数据，使用SVM模型初步预测新风机的运行功率，使用马尔可夫模型对初步预测结果进行修正，服务器将新风机运行功率的实际值和预测值进行对比，能够将新风机运行状态异常信息推送到用户手机APP上，实现了新风机的安全、节能、稳定运行，并且该预测监控***具有部署简单，预测精度高，训练样本数据少的优点。
附图说明
图1为本发明方法流程示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚明确的界定。
请参阅图1，本发明实施例包括以下步骤：
步骤1，服务器收集一定量的新风机相关数据，其中包括新风机运行时间、室外温度、相对空气湿度和运行功率值；
步骤2，建立一个SVM预测模型，将步骤1收集到的样本数据进行归一化处理，将数据映射到0至1之间。SVM预测模型核函数类型选择RBF核函数，使用交叉验证和网格搜索组合方法寻找出SVM预测模型中的最优惩罚参数和核函数参数，将新风机运行时间、室外温度、相对空气湿度作为特征项，运行功率值作为目标项训练SVM预测模型，得到新风机运行功率SVM预测模型；
步骤3，选取新风机历史数据，将过去各小时的运行时间、室外温度和相对空气湿度数据输入SVM预测模型，得到过去各小时的新风机运行功率预测值。计算过去各小时新风机运行功率的实际值和预测值之间的误差δ；
步骤4，将预测误差划分为不同的区间，根据实际情况将步骤3得到的误差δ划分为n个区间，用Ei(i＝1，2，...，l)符号表示。计算得到马尔可夫状态转移概率矩阵P(k)，将误差状态Ei经过k个步骤转移到误差状态Ej的概率用数学公式表示为：
上式中，表示从Ei经过k个步骤转移到Ej的次数大小，Si表示从Ei转移的次数总和。经过计算可以得出全部的数值，即可得出***状态转移概率矩阵，矩阵满足条件那么k步状态转移矩阵可表示为：
上式中，P(k)矩阵反映了***误差状态之间的转移规律利用以上状态转移矩阵，可以确定SVM模型预测误差所处的当前状态以及预测误差的下一步状态。
马尔可夫预测模型用数学公式可表示为：
M(k)＝M(O)P(k)
上式中，P(k)表示***k步状态转移概率矩阵，M(k)表示***在k时刻的预测误差状态概率向量，M(0)表示***0时刻预测误差状态概率向量。
假设***预测误差分为5个区间，***0时刻预测误差处于第二个误差区间，那么***下一时刻预测误差所处的区间可由公式M(1)＝M(0)P(1)计算得出，若计算结果M(1)中第四列为最大值，则认为***预测误差的下一步状态最大可能处于第四个误差区间，根据确定的误差状态区间，取该误差状态区间的中间值去修正SVM回归预测模型的预测结果：
上式中，Y表示修正后的预测结果，y表示SVM回归预测模型的初步预测值，Ai表示误差区间Ei的上限，Bi表示误差区间Ei的下限；
步骤5，应用该SVM预测模型预测新风机未来一天每小时的运行功率，应用步骤4得到的马尔可夫模型对SVM预测的结果进行误差修正；
步骤6，将SVM预测模型和马尔可夫模型部署到服务器上，服务器每小时读取新风机的运行功率实际值，同时使用预测模型得到新风机的运行功率预测值，服务器将新风机运行功率的实际值和预测值进行对比，当对比值大于150％时，服务器推送提醒信息至用户手机APP上。
以上所述仅为本发明的实施例，并非因此限制本发明的范围，凡是利用本发明说明书及附图内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的保护范围内。

Claims (7)

1.一种新风机运行功率的预测及监控方法，其特征在于，包括如下步骤：
步骤1：服务器采集新风机相关数据；
步骤2：建立一个SVM预测模型，利用步骤1收集的数据训练模型，得到新风机运行功率SVM预测模型；
步骤3：应用该SVM预测模型预测新风机历史数据，计算新风机运行功率预测值与实际值之间的误差；
步骤4：计算得出马尔可夫模型；
步骤5：应用该SVM预测模型预测新风机未来运行功率，使用马尔可夫模型修正SVM预测模型初步预测值，得到最终结果；
步骤6：将预测模型部署到服务器上，服务器每小时将新风机运行功率的实际值和预测值进行对比，当对比值大于150%时，服务器推送提醒信息至用户手机APP上。
2.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤1采集的样本数据包括运行时间、室外温度、相对空气湿度和运行功率值。
3.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤2具体又包括如下步骤：
步骤2.1，对收集的样本数据进行归一化处理；
步骤2.2，选择RBF核函数；
步骤2.3，使用交叉验证和网格搜索组合方法寻找出SVM预测模型中的最优惩罚参数和核函数参数；
步骤2.4，使用处理好的样本数据训练SVM预测模型，得到新风机运行功率SVM预测模型。
4.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤3具体又包括如下步骤：
步骤3.1，选取新风机数据历史数据，将过去各小时的运行时间、室外温度和相对空气湿度数据输入SVM预测模型，得到过去各小时的新风机运行功率预测值；
步骤3.2，计算过去各小时新风机运行功率的实际值和预测值之间的误差。
5.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤4具体又包括如下步骤：
步骤4.1，将预测误差划分为不同的区间；
步骤4.2，计算得出马尔可夫***状态转移概率矩阵；
步骤4.3，确定***初始状态，计算不同时刻对应的预测误差区间，对SVM预测模型输出的预测值进行修正。
6.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤5具体又包括如下步骤：
步骤5.1，应用该SVM预测模型预测新风机未来一天每小时的运行功率；
步骤5.2，应用步骤4得到的马尔可夫模型对步骤5.1预测的结果进行误差修正；
步骤5.3，得到新风机运行功率最终预测结果。
7.根据权利要求1所述的一种新风机运行功率的预测及监控方法，其特征在于：所述步骤6具体又包括如下步骤：
步骤6.1，将SVM预测模型和马尔可夫模型部署到服务器上；
步骤6.2，服务器每小时读取新风机的运行功率实际值，同时使用预测模型得到新风机的运行功率预测值；
步骤6.3，服务器将新风机运行功率的实际值和预测值进行对比；
步骤6.4，当对比值大于150%时，服务器推送提醒信息至用户手机APP上。
CN201810082463.5A 2018-01-29 2018-01-29 一种新风机运行功率的预测及监控方法 Pending CN108446783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810082463.5A CN108446783A (zh) 2018-01-29 2018-01-29 一种新风机运行功率的预测及监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810082463.5A CN108446783A (zh) 2018-01-29 2018-01-29 一种新风机运行功率的预测及监控方法

Publications (1)

Publication Number Publication Date
CN108446783A true CN108446783A (zh) 2018-08-24

Family

ID=63191066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810082463.5A Pending CN108446783A (zh) 2018-01-29 2018-01-29 一种新风机运行功率的预测及监控方法

Country Status (1)

Country Link
CN (1) CN108446783A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059392A (zh) * 2019-04-11 2019-07-26 桂林电子科技大学 一种滑坡形变预测方法
CN111601490A (zh) * 2020-05-26 2020-08-28 内蒙古工业大学 数据中心主动通风地板的强化学习控制方法
CN111637614A (zh) * 2020-05-26 2020-09-08 内蒙古工业大学 数据中心主动通风地板的智能控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400204A (zh) * 2013-07-26 2013-11-20 华南理工大学 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与***
CN106295908A (zh) * 2016-08-24 2017-01-04 上海电机学院 一种svm风电功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400204A (zh) * 2013-07-26 2013-11-20 华南理工大学 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与***
CN106295908A (zh) * 2016-08-24 2017-01-04 上海电机学院 一种svm风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUNHUI JIANG: "Very Short-Term Wind Power Forecasting Based on SVM-Markov", 《INTERNATIONAL CONFERENCE ON ADVANCES IN ENERGY, ENVIRONMENT AND CHEMICAL ENGINEERING》 *
吴道林: "短期风电功率预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059392A (zh) * 2019-04-11 2019-07-26 桂林电子科技大学 一种滑坡形变预测方法
CN111601490A (zh) * 2020-05-26 2020-08-28 内蒙古工业大学 数据中心主动通风地板的强化学习控制方法
CN111637614A (zh) * 2020-05-26 2020-09-08 内蒙古工业大学 数据中心主动通风地板的智能控制方法
CN111637614B (zh) * 2020-05-26 2021-06-08 内蒙古工业大学 数据中心主动通风地板的智能控制方法
CN111601490B (zh) * 2020-05-26 2022-08-02 内蒙古工业大学 数据中心主动通风地板的强化学习控制方法

Similar Documents

Publication Publication Date Title
CN103853106B (zh) 一种建筑能源供应设备的能耗预测参数优化方法
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
CN108876163B (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
CN108446783A (zh) 一种新风机运行功率的预测及监控方法
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
CN115796393A (zh) 基于多能互动的能源网管理优化方法、***及存储介质
CN114046593A (zh) 一种动态预测性机器学习型空调节能控制方法及***
CN109615147A (zh) 一种未来72小时大气污染预报预警方法
KR20210011745A (ko) 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법
CN117787658A (zh) 一种基于灌区的河水流量异常条件下水资源调度***
CN111080039A (zh) 一种风机集群故障预测方法及***
KR102478684B1 (ko) 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치
CN113988436A (zh) 基于lstm神经网络和层级关系修正的用电量预测方法
CN112070317A (zh) 酒店空调能耗预测方法
Hu et al. Optimization of the deployment of temperature nodes based on linear programing in the internet of things
KR20220146158A (ko) 일사량 예측 장치 및 그 방법
CN113887809A (zh) 双碳目标下配电网供需平衡方法、***、介质及计算设备
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN116307287B (zh) 一种光伏发电有效时段的预测方法、***及预测终端
CN107977727B (zh) 一种基于社会发展和气候因素预测光缆网阻断概率的方法
CN114636212A (zh) 一种基于grnn的多台冷水机组***运行控制方法
Kumar et al. Energy Consumption in Smart Buildings using Machine Learning
Huu et al. Development of warning and predicting system for quality of air in smart cities using RNN

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180824

WD01 Invention patent application deemed withdrawn after publication