CN110414661A - 一种空调***负荷的预测方法及*** - Google Patents
一种空调***负荷的预测方法及*** Download PDFInfo
- Publication number
- CN110414661A CN110414661A CN201910684399.2A CN201910684399A CN110414661A CN 110414661 A CN110414661 A CN 110414661A CN 201910684399 A CN201910684399 A CN 201910684399A CN 110414661 A CN110414661 A CN 110414661A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- sample
- parameter
- value
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种空调***负荷的预测方法及***，其方法包括：获取样本数据，对所述样本数据进行预处理得到训练数据；基于极限学习机的网络模型，同时结合粒子群算法，根据所述训练数据进行训练，建立负荷预测模型；获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；将所述输入参数输入到所述负荷预测模型中，获取负荷预测输出值。本发明保证空调***负荷实时匹配，避免的主机产生多余的热量，同时冷水的流量也得到了控制，减少了水泵的能耗，能够减少不必要的能源浪费，既保证了舒适性，同时也有利于优化设备的运行状态。
Description
技术领域
本发明涉及空调技术领域，尤指一种空调***负荷的预测方法及***。
背景技术
中央空调***的设计及所有设备的选型均是按建筑的最大负荷进行设计和选型的。在实际运行中，空调***大多数时间运行在部分负荷下，尤其在夏季，一天中负荷变化差异较大，若没有考虑负荷空调负荷动态变化的情况，可能会造成的影响有：(1)室内忽冷忽热，舒适性不好，(2)空调负荷过多输出，造成能源浪费，(3)设备运行组合不合理，能耗较高。因此通过空调***的负荷能够指导空调***各设备合理运行，降低能耗。
目前空调负荷预测应用的建模方法有几十种，预测的精度与计算速度往往难以兼得。目前精度高、适应性最好的预测算法是基于人工智能的负荷预测算法，但其缺点有：(1)需要大量的历史数据，(2)神经网络结构难以缺点，(3)训练时间较长，可能会出现局部最小点。因此，本发明提出一种空调***负荷的预测方法及***，以实现在相同的空调负荷预测精度下，计算速度更快。
发明内容
本发明的目的是提供一种空调***负荷的预测方法及***，实现保证空调***负荷实时匹配，避免的主机产生多余的冷(热)量，同时冷冻(热)水的流量也得到了控制，减少了水泵的能耗，能够减少不必要的能源浪费，既保证了舒适性，同时也有利于优化设备的运行状态。
本发明提供的技术方案如下：
本发明提供一种空调***负荷的预测方法，包括：
获取样本数据，对所述样本数据进行预处理得到训练数据；
基于极限学习机的网络模型，同时结合粒子群算法，根据所述训练数据进行训练，建立负荷预测模型；
获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
将所述输入参数输入到所述负荷预测模型中，获取负荷预测输出值。
进一步的，获取样本数据，对所述样本数据进行预处理得到训练数据具体包括：
获取样本数据，所述样本数据包括参数样本和负荷样本；
对所述参数样本进行量化处理得到量化数据，对所述负荷样本进行归一化处理得到归一化数据；
根据所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵。
进一步的，对所述参数样本进行量化处理得到量化数据，对所述负荷样本进行归一化处理得到归一化数据具体包括：
所述参数样本包含日期类型、温度数据以及时刻值；
对所述日期类型进行量化处理得到量化日期数据
对所述温度数据T进行量化处理得到量化温度数据Tnomal，e为自然常数；
对所述时刻值t进行量化处理得到量化时刻值tnomal，tmax为时刻值的最大值，tmin为时刻值的最小值。
对所述负荷样本L进行归一化处理得到归一化数据Lnomal，Lnomal＝Lnomalmin+(L-Lmin)/(Lmax-Lmin)(Lnomalmax-Lnomalmin)，L为负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值。
进一步的，基于极限学习机的网络模型，根据所述训练数据进行训练，同时结合粒子群算法建立负荷预测模型具体包括：
基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵，其中xi表示所述输入矩阵中的第i个元素；
所述隐含层对所述输入层接收的输入矩阵中的每一个所述输入节点xi进行处理，xj＝g(ai,jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入神经元节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，gx为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出神经元y之间的权重，f(x)为线性输出函数；
结合所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj；
基于粒子群算法对负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数。
进一步的，基于粒子群算法对负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数具体包括：
设置隐含层神经元数目q以及激活函数g(x)；
获取样本训练集[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，训练样本个数为N，其中Rn表示列向量，n是维数，R表示实数；
初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算隐含层输出矩阵H，计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T，H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
随机初始化粒子群中粒子速度vk,m(t)与位置xk,m(t)；
计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，pg,m(t)＝{xg,1(t),xg,2(t),…xg,M(t)|ε(xg,v(t))}＝min{ε(xg,1(t)),ε(xg,2(t)),…ε(xg,M(t)})；
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则。
本发明还提供一种空调***负荷的预测***，包括：
数据获取模块，获取样本数据，对所述样本数据进行预处理得到训练数据；
模型建立模块，基于极限学习机的网络模型，同时结合粒子群算法，根据所述数据获取模块获取的所述训练数据进行训练，建立负荷预测模型；
参数获取模块，获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
预测值输出模块，将所述参数获取模块获取的所述输入参数输入到所述模型建立模块建立的所述负荷预测模型中，获取负荷预测输出值。
进一步的，所述数据获取模块具体包括：
样本获取单元，获取样本数据，所述样本数据包括参数样本和负荷样本；
样本处理单元，对所述样本获取单元获取的所述参数样本进行量化处理得到量化数据，对所述样本获取单元获取的所述负荷样本进行归一化处理得到归一化数据；
数据获取单元，根据所述样本处理单元得到的所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵。
进一步的，所述样本处理单元具体包括：
所述样本处理单元，所述参数样本包含日期类型、温度数据以及时刻值；
所述样本处理单元，对所述日期类型进行量化处理得到量化日期数据
所述样本处理单元，对所述温度数据T进行量化处理得到量化温度数据Tnomal，e为自然常数；
所述样本处理单元，对所述时刻值t进行量化处理得到量化时刻值tnomal，tmax为时刻值的最大值，tmin为时刻值的最小值。
所述样本处理单元，对所述负荷样本L进行归一化处理得到归一化数据Lnomal，Lnomal＝Lnomalmin+(L-Lmin)/(Lmax-Lmin)(Lnomalmax-Lnomalmin)，L为负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值。
进一步的，所述模型建立模块具体包括：
模型建立单元，基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵，其中xi表示所述输入矩阵中的第i个元素；；
所述隐含层对所述输入层接收的所述输入节点xi进行处理，xj＝g(ai,jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，g(x)为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出节点y之间的权重，f(x)为线性输出函数；
模型训练单元，结合所述模型建立单元的所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj；
参数调整单元，基于粒子群算法对所述模型建立单元和所述模型训练单元得到的负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数。
进一步的，所述参数调整单元具体包括：
参数设置子单元，设置隐含层神经元数目q以及激活函数g(x)；
样本获取子单元，获取样本训练集[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，训练样本个数为N，其中Rn表示列向量，n是维数，R表示实数；
所述参数设置子单元，初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
所述参数设置子单元，基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算子单元，根据所述参数设置子单元和所述样本获取子单元获取的数据，计算隐含层输出矩阵H，计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T，H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
初始化子单元，随机初始化所述粒子设置子单元设置的粒子群中粒子速度vk,m(t)与位置xk,m(t)；
所述计算子单元，根据所述初始化子单元设置的初始参数计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
所述计算子单元，若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
所述计算子单元，计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，pg,m(t)＝{xg,1(t),xg,2(t),…xg,M(t)|ε(xg,v(t))}＝min{ε(xg,1(t)),ε(xg,2(t)),…ε(xg,M(t)})；
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则。
通过本发明提供的一种空调***负荷的预测方法及***，能够带来以下至少一种有益效果：
1、本发明中，空调负荷的预测是为了保证空调***负荷实时匹配，避免的主机产生多余的冷(热)量，同时冷冻(热)水的流量也得到了控制，减少了水泵的能耗，能够减少不必要的能源浪费，既保证了舒适性，同时也有利于优化设备的运行状态。
2、本发明中，针对采集的样本数据进行量化处理，减小了样本数据的范围及数据间的差异性，同时缩短了学习时间，能够提高极限学习机模型的收敛速度和预测准确度。
3、本发明中，综合考虑了外界环境影响因子(温度以及湿度)、预测日的日期类型以及预测时刻值等多项空调负荷预测中的主要影响因素，保证了空调***负荷预测值的可靠性。
4、本发明中，将粒子群算法引入极限学习机中，利用粒子群算法的全局收敛性以及较强的鲁棒性，求取训练误差较小时极限学习机隐含层和输出层之间的连接权值，对极限学习机进行了优化。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种空调***负荷的预测方法及***的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种空调***负荷的预测方法的一个实施例的流程图；
图2是本发明一种空调***负荷的预测方法的另一个实施例的流程图；
图3是本发明一种空调***负荷的预测方法的另一个实施例的流程图；
图4是本发明一种空调***负荷的预测***的一个实施例的结构示意图。
具体实施方式
为了能够更加清楚地说明本发明实施例或现有技术中的技术方案，下面将对照说明书附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并且获得其他的实施方式。
为了使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明的第一实施例，如图1所示，一种智空调***负荷的预测方法，包括：
获取样本数据，对所述样本数据进行预处理得到训练数据；
基于极限学习机的网络模型，根据所述训练数据进行训练，同时结合粒子群算法建立负荷预测模型；
获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
将所述输入参数输入到所述负荷预测模型中，获取负荷预测输出值。
具体的，本实施例中，获取样本数据用于训练负荷预测模型，样本数据为负荷预测模型考虑的影响因子，包括外界环境温度、空气的相对湿度、日期类型、预测时刻值以及空调负荷值，但是实际上所有会对预测结果产生影响的都能够作为影响因子，本实施例中只对上述因子进行解释说明。为了训练负荷预测模型，获取影响空调负荷动态变化的影响因子，对影响因子进行预处理得到输入参数进行预处理得到训练数据实际上包含了负荷预测模型的输入数据和输出数据。定义任意一天为预测日，则训练数据包括：预测日的外界环境温度、空气的相对湿度、预测日的日期类型、预测时刻值和预测日前预设天数该时刻的负荷值，以及预测日当天、预测日前预设天数的前移时刻的预测值。
基于极限学习机的网络模型，负荷预测模型包括输入层，隐含层及输出层。输入层接收训练数据中的输入参数，隐含层对输入参数进行处理，输出层输出空调负荷的预测值，将输出的空调负荷的预测值与训练数据中的输出数据进行比对，根据比对结果对隐含层处理过程中的参数进行调整，然后重新根据训练数据进行训练，直至输出层的输出空调负荷的预测值与训练数据中的输出数据相同或相近。其中，在上述的训练过程中，基于粒子群算法对极限学习机的网络模型进行模型辨识和参数估计，利用粒子群算法的全局收敛性以及较强的鲁棒性，求取训练误差较小时极限学习机隐含层和输出层之间的连接权值，对极限学习机进行了优化，从而建立负荷预测模型。
负荷预测模型建立之后，获取影响空调负荷动态变化的影响因子，对影响因子进行预处理得到输入参数，其中，该预处理与上述对于样本数据进行的预处理的方式相同。将输入参数输入到负荷预测模型获取负荷预测输出值。
本发明基于极限学习机的网络模型，然后将粒子群算法引入极限学习机中，最终通过样本数据进行训练建立负荷预测模型，综合多项空调负荷预测中的主要影响因素，保证了空调***负荷预测值的可靠性。
本发明第二实施例，是上述第一实施例的优化实施例，如图2所示，本实施例与上述第一实施例相比，主要改进在于，获取样本数据，对所述样本数据进行预处理得到训练数据具体包括：
获取样本数据，所述样本数据包括参数样本和负荷样本；
对所述参数样本进行量化处理得到量化数据，对所述负荷样本进行归一化处理得到归一化数据；
根据所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵；
具体的，本实施例中，获取样本数据用于训练负荷预测模型，样本数据为负荷预测模型考虑的影响因子，包括外界环境温度、空气的相对湿度、日期类型、预测时刻值以及空调负荷值，但是实际上所有会对预测结果产生影响的都能够作为影响因子，本实施例中只对上述因子进行解释说明。
其中，外界环境温度、空气的相对湿度、日期类型、预测时刻值等数据未参数样本，空调负荷值为负荷样本。为了训练负荷预测模型，需要对获取的样本数据即参数样本和负荷样本进行预处理，将样本数据划分为参数样本和负荷样本也是由于对着两类数据的预处理方式不同，其中，对参数样本进行量化处理得到量化数据，对负荷样本进行归一化处理得到归一化数据。然后根据量化数据和归一化数据得到训练数据，训练数据实际上包含了负荷预测模型的输入数据和输出数据，并且训练数据的数据类型均为矩阵，因此，输入数据为输入矩阵，输出数据为输出矩阵。
基于极限学习机的网络模型，负荷预测模型包括输入层，隐含层及输出层。输入层接收训练数据中的输入参数，隐含层对输入参数进行处理，输出层输出空调负荷的预测值，将输出的空调负荷的预测值与训练数据中的输出数据进行比对，根据比对结果对隐含层处理过程中的参数进行调整，然后重新根据训练数据进行训练，直至输出层的输出空调负荷的预测值与训练数据中的输出数据相同或相近。其中，在上述的训练过程中，基于粒子群算法对极限学习机的网络模型进行模型辨识和参数估计，利用粒子群算法的全局收敛性以及较强的鲁棒性，求取训练误差较小时极限学习机隐含层和输出层之间的连接权值，对极限学习机进行了优化，从而建立负荷预测模型。
负荷预测模型建立之后，获取影响空调负荷动态变化的影响因子，对影响因子进行预处理得到输入参数，其中，该预处理与上述对于样本数据进行的预处理的方式相同。将输入参数输入到负荷预测模型获取负荷预测输出值。
本发明针对采集的样本数据进行量化处理，减小了样本数据的范围及数据间的差异性，同时缩短了学习时间，能够提高极限学习机模型的收敛速度和预测准确度。
在另外的实施例中，说明了样本数据的预处理过程，也就是上述实施例中对参数样本进行量化处理得到量化数据，以及对负荷样本进行归一化处理得到归一化数据的方式。
参数样本包含日期类型、温度数据、空气的相对湿度以及时刻值。日期类型的量化处理：用Dd表示第d天的日期类型，将其按照工作日和休息日划分进行量化处理得到量化日期数据Dd,温度的量化处理：采用归一化隶属函数对温度进行量化处理，能反映出温度的微小变化，处理精度高，其中，Tnomal代表量化后的温度值，即量化温度数据，T代表真实的温度值，即温度数据，e为自然常数。湿度的量化处理：选取空气的相对湿度，根据自身的需求进行取值，优选地，可以将空气的相对湿度，取值范围设置为[0,1]。时刻值的量化处理：其中，t代表真实的时刻值，tnomal代表量化后的值，即量化时刻值，tmax为时刻值的最大值24，tmin为时刻值的最小值0。
符合样本为空调符合样本L，归一化公式为：Lnomal＝Lnomalmin+(L-Lmin)/(Lmax-Lmin)(Lnomalmax-Lnomalmin)，其中，L表示真实的负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomal代表归一化后的值，即归一化数据，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值。
本发明综合考虑了外界环境影响因子(温度以及湿度)、预测日的日期类型以及预测时刻值等多项空调负荷预测中的主要影响因素，保证了空调***负荷预测值的可靠性。
优选地，每一组训练数据中作为预测日负荷的预测依据的样本数据的选择会对预测结果的准确性产生不同的影响，因此，选择预测日、预测日前一天、前两天以及前七天的数据作为预测日负荷的样本数据，然后按照上述的预处理方式处理之后得到相应的量化数据和归一化数据，最后根据得到的量化数据和归一化数据得到的训练数据如下，输入矩阵IN和输出矩阵OUT，
OUT＝Li,d，其中，Tnormal,i为预测时刻i对应的量化温度数据，Wi为预测时刻i对应的空气相对湿度，tnormal,i为预测时刻i对应的量化时刻值，Dd代表预测日第d天的日期类型，Li,d表示第d天第d时刻的中央空调负荷的归一化值。
本发明第三实施例，是上述第二实施例的优化实施例，如图3所示，本实施例与上述第二实施例相比，主要改进在于，基于极限学习机的网络模型，根据所述训练数据进行训练，同时结合粒子群算法建立负荷预测模型具体包括：
基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵，其中，xi表示所述输入矩阵中的第i个元素；
所述隐含层对所述输入层接收的所述输入节点xi进行处理，xj＝g(ai,jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，gx为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出节点y之间的权重，f(x)为线性输出函数；
结合所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj；
基于粒子群算法对负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数；具体包括：
设置隐含层神经元数目q以及激活函数g(x)；
获取样本训练集[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，训练样本个数为N，其中Rn表示列向量，n是维数，R表示实数；
初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算隐含层输出矩阵H，计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T，H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
随机初始化粒子群中粒子速度vk,m(t)与位置xk,m(t)；
计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，pg,m(t)＝{xg,1(t),xg,2(t),…xg,M(t)|ε(xg,v(t))}＝min{ε(xg,1(t)),ε(xg,2(t)),…ε(xg,M(t)})；
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则。其中，终止准则为用户根据各个模型的特点的计算方法设置的终止准则。
本发明将粒子群算法引入极限学习机中，利用粒子群算法的全局收敛性以及较强的鲁棒性，求取训练误差较小时极限学习机隐含层和输出层之间的连接权值，对极限学习机进行了优化。
本发明的第四实施例，如图4所示，一种智空调***负荷的预测***1000，包括：
数据获取模块1100，获取样本数据，对所述样本数据进行预处理得到训练数据；
所述数据获取模块1100具体包括：
样本获取单元1110，获取样本数据，所述样本数据包括参数样本和负荷样本；
样本处理单元1120，对所述样本获取单元1110获取的所述参数样本进行量化处理得到量化数据，对所述样本获取单元1110获取的所述负荷样本进行归一化处理得到归一化数据；
所述样本处理单元1120具体包括：
所述样本处理单元1120，所述参数样本包含日期类型、温度数据以及时刻值；
所述样本处理单元1120，对所述日期类型进行量化处理得到量化日期数据Dd,
所述样本处理单元1120，对所述温度数据T进行量化处理得到量化温度数据Tnomal，e为自然常数；
所述样本处理单元1120，对所述时刻值t进行量化处理得到量化时刻值tnomal，tmax为时刻值的最大值，tmin为时刻值的最小值。
所述样本处理单元1120，对所述负荷样本L进行归一化处理得到归一化数据Lnomal，Lnomal＝Lnomalmin+(L-Lmin)/(Lmax-Lmin)(Lnomalmax-Lnomalmin)，L为负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值；
数据获取单元1130，根据所述样本处理单元1120得到的所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵；
模型建立模块1200，基于极限学习机的网络模型，同时结合粒子群算法，根据所述数据获取模块1100获取的所述训练数据进行训练，建立负荷预测模型；
所述模型建立模块1200具体包括：
模型建立单元1210，基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵，其中xi表示所述输入矩阵中的第i个元素；
所述隐含层对所述输入层接收的所述输入节点xi进行处理，xj＝g(ai,jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，gx为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出节点y之间的权重，f(x)为线性输出函数；
模型训练单元1220，结合所述模型建立单元1210的所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj；
参数调整单元1230，基于粒子群算法对所述模型建立单元1210和所述模型训练单元1220得到的负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数；
所述参数调整单元1230具体包括：
参数设置子单元1231，设置隐含层神经元数目q以及激活函数g(x)；
样本获取子单元1232，获取样本训练集[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，训练样本个数为N，其中Rn表示列向量，n是维数，R表示实数；
所述参数设置子单元1231，初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
所述参数设置子单元1231，基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算子单元1233，根据所述参数设置子单元1231和所述样本获取子单元1232获取的数据，计算隐含层输出矩阵H，
计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T。H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
初始化子单元1234，随机初始化所述粒子设置子单元设置的粒子群中粒子速度vk,m(t)与位置xk,m(t)；
所述计算子单元1233，根据所述初始化子单元1234设置的初始参数计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
所述计算子单元1233，若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
所述计算子单元1233，计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，pg,m(t)＝{xg,1(t),xg,2(t),…xg,M(t)|ε(xg,v(t))}＝min{ε(xg,1(t)),ε(xg,2(t)),…ε(xg,M(t)})；
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则；
参数获取模块1300，获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
预测值输出模块1400，将所述参数获取模块1300获取的所述输入参数输入到所述模型建立模块1200建立的所述负荷预测模型中，获取负荷预测输出值。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述，因此不再一一进行赘述。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种空调***负荷的预测方法，其特征在于，包括：
获取样本数据，对所述样本数据进行预处理得到训练数据；
基于极限学习机的网络模型，同时结合粒子群算法，根据所述训练数据进行训练，建立负荷预测模型；
获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
将所述输入参数输入到所述负荷预测模型中，获取负荷预测输出值。
2.根据权利要求1所述的空调***负荷的预测方法，其特征在于，获取样本数据，对所述样本数据进行预处理得到训练数据具体包括：
获取样本数据，所述样本数据包括参数样本和负荷样本；
对所述参数样本进行量化处理得到量化数据，对所述负荷样本进行归一化处理得到归一化数据；
根据所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵。
3.根据权利要求2所述的空调***负荷的预测方法，其特征在于，对所述参数样本进行量化处理得到量化数据，对所述负荷样本进行归一化处理得到归一化数据具体包括：
所述参数样本包含日期类型、温度数据以及时刻值；
对所述日期类型进行量化处理得到量化日期数据Dd,
对所述温度数据T进行量化处理得到量化温度数据Tnomal，e为自然常数；
对所述时刻值t进行量化处理得到量化时刻值tnomal，tmax为时刻值的最大值，tmin为时刻值的最小值。
对所述负荷样本L进行归一化处理得到归一化数据Lnomal，L为负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值。
4.根据权利要求2所述的空调***负荷的预测方法，其特征在于，基于极限学习机的网络模型，根据所述训练数据进行训练，同时结合粒子群算法建立负荷预测模型具体包括：
基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵，其中xi表示所述输入矩阵中的第i个元素；
所述隐含层对所述输入层接收的输入矩阵中的每一个输入节点xi进行处理，xj＝g(ai, jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，gx为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出节点y之间的权重，f(x)为线性输出函数；
结合所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj；
基于粒子群算法对负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数。
5.根据权利要求4所述的空调***负荷的预测方法，其特征在于，基于粒子群算法对负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数具体包括：
设置隐含层神经元数目q以及激活函数gx；
获取样本训练集[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，Ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，其中，s＝1,2,…N，N表示训练样本个数，Rn表示列向量，n是维数，R表示实数；
初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算隐含层输出矩阵H，
计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T，H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
随机初始化粒子群中粒子速度vk,m(t)与位置xk,m(t)；
计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则。
6.一种空调***负荷的预测***，其特征在于，包括：
数据获取模块，获取样本数据，对所述样本数据进行预处理得到训练数据；
模型建立模块，基于极限学习机的网络模型，同时结合粒子群算法，根据所述数据获取模块获取的所述训练数据进行训练，建立负荷预测模型；
参数获取模块，获取影响空调负荷动态变化的影响因子，对所述影响因子进行预处理得到输入参数；
预测值输出模块，将所述参数获取模块获取的所述输入参数输入到所述模型建立模块建立的所述负荷预测模型中，获取负荷预测输出值。
7.根据权利要求6所述的空调***负荷的预测***，其特征在于，所述数据获取模块具体包括：
样本获取单元，获取样本数据，所述样本数据包括参数样本和负荷样本；
样本处理单元，对所述样本获取单元获取的所述参数样本进行量化处理得到量化数据，对所述样本获取单元获取的所述负荷样本进行归一化处理得到归一化数据；
数据获取单元，根据所述样本处理单元得到的所述量化数据和所述归一化数据得到训练数据，所述训练数据包括输入矩阵和输出矩阵。
8.根据权利要求7所述的空调***负荷的预测***，其特征在于，所述样本处理单元具体包括：
所述样本处理单元，所述参数样本包含日期类型、温度数据以及时刻值；
所述样本处理单元，对所述日期类型进行量化处理得到量化日期数据Dd,
所述样本处理单元，对所述温度数据T进行量化处理得到量化温度数据Tnomal，e为自然常数；
所述样本处理单元，对所述时刻值t进行量化处理得到量化时刻值tnomal，tmax为时刻值的最大值，tmin为时刻值的最小值。
所述样本处理单元，对所述负荷样本L进行归一化处理得到归一化数据Lnomal，L为负荷值，Lmax为负荷数据中的最大值，Lmin为负荷数据中的最小值，Lnomalmax为归一化处理后的最大值，Lnomalmin为归一化处理后的最小值。
9.根据权利要求7所述的空调***负荷的预测***，其特征在于，所述模型建立模块具体包括：
模型建立单元，基于极限学习机的网络模型，建立负荷预测网络模型，所述负荷预测网络模型包含输入层、隐含层以及输出层；
所述输入层接收所述训练数据的输入矩阵xi，其中xi表示所述输入矩阵中的第i个元素；
所述隐含层对所述输入层接收的输入矩阵中的每一个所述输入节点xi进行处理，xj＝g(ai,jxi+dj)，其中，xj表示隐含层第j个神经元的输出，ai,j表示连接第j个隐含层神经元和输入节点xi之间的权重，dj表示第j个隐含层神经元的偏置值，gx为激活函数；
所述输出层输出负荷预测值，其中βj为连接第j个隐含层神经元和输出节点y之间的权重，f(x)为线性输出函数；
模型训练单元，结合所述模型建立单元的所述输出层输出的负荷预测值和所述训练数据中的输出矩阵对负荷预测模型中的参数进行调整，负荷预测模型中的参数包括ai,j、dj以及βj。
10.参数调整单元，基于粒子群算法对所述模型建立单元和所述模型训练单元得到的负荷预测模型进行模型辨识和参数估计，确定负荷预测模型中的参数。根据权利要求9所述的空调***负荷的预测***，其特征在于，所述参数调整单元具体包括：
参数设置子单元，设置隐含层神经元数目q以及激活函数gx；
样本获取子单元，获取样本训练集，[Xs,Ys]，Xs＝[xs1,xs2,...xsn]∈Rn，ys∈R分别表示第s个训练样本的输入矩阵和输出矩阵，训练样本个数为N，其中Rn表示列向量，n是维数，R表示实数；所述参数设置子单元，初始化K个维数为M的粒子群，其中M＝q*(n+1)，n为输入层神经元个数；
所述参数设置子单元，基于所述负荷预测模型，随机生成任意一个粒子群个体输入权值矩阵Al×n以及隐含层偏置矩阵D，其中，Al＝[al1,al2,…aln],l＝1,2,...q，D＝[d1,d2,...,dq]；
计算子单元，根据所述参数设置子单元和所述样本获取子单元获取的数据，计算隐含层输出矩阵H，计算连接权重矩阵β，β＝H+Y，其中，β＝[β1,β2,...βq]T，Y＝[Y1,Y2,...YN]T，H+表示矩阵H的Moore-Penrose广义逆；
计算适应值均方误差ε，
初始化子单元，随机初始化所述粒子设置子单元设置的粒子群中粒子速度vk,m(t)与位置xk,m(t)；
所述计算子单元，根据所述初始化子单元设置的初始参数计算粒子群中任意一个微粒的适应值εt，确定适应值最小的微粒的相应位置为个体最优位置pk,m(t)和全局最优位置pg,m(t)；
所述计算子单元，若所述εt满足终止准则，则停止算法；否则，更新各粒子速度vk,m(t+1)与位置xk,m(t+1)，vk,m(t+1)＝wvk,m(t)+c1r1[pk,m-xk,m(t)]+c2r2[pk,m-xk,m(t)]，xk,m(t+1)＝xk,m(t)+vk,m(t+1),k＝1,2,…K,m＝1,2,…M，其中，w表示惯性因子，xk,m(t)，vk,m(t)分别表示粒子当前的位置向量和运动速度向量，pk,m(t)，pg,m(t)分别表示粒子个***置最优值和群***置最优值，c1和c2是粒子的加速因子，参数r1，r2表示(0,1)之间的随机数。
所述计算子单元，计算粒子群中任意一个微粒的适应值εt+1，确定个体最优位置pk,m(t+1)和全局最优位置pg,m(t+1)；其中，
pk,m(t)＝{xk,1(t),xk,2(t),…xk,M(t)|ε(xk,m(t))}＝min{ε(xk,1(t)),ε(xk,2(t)),…ε(xk,M(t))}，
若所述εt+1满足终止准则，则停止算法；否则，更新粒子速度与位置，计算适应值、个体最优位置以及全局最优位置，直至适应值满足终止准则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684399.2A CN110414661A (zh) | 2019-07-26 | 2019-07-26 | 一种空调***负荷的预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684399.2A CN110414661A (zh) | 2019-07-26 | 2019-07-26 | 一种空调***负荷的预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414661A true CN110414661A (zh) | 2019-11-05 |
Family
ID=68363495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910684399.2A Pending CN110414661A (zh) | 2019-07-26 | 2019-07-26 | 一种空调***负荷的预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414661A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
| CN113268913A (zh) * | 2021-06-24 | 2021-08-17 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 |
| CN113779866A (zh) * | 2021-08-10 | 2021-12-10 | 平高集团有限公司 | 一种高压开关gis筒体成本计算方法及*** |
| CN114893898A (zh) * | 2022-07-14 | 2022-08-12 | 中国海洋大学 | 一种易安装的智能风阀 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110046924A1 (en) * | 2009-08-24 | 2011-02-24 | International Business Machines Corporation | Method for joint modeling of mean and dispersion |
| CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制***有限公司 | 一种空调负荷预测方法，装置及空调 |
| CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
| CN106650920A (zh) * | 2017-02-19 | 2017-05-10 | 郑州大学 | 一种基于优化极限学习机的预测模型 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
-
2019
- 2019-07-26 CN CN201910684399.2A patent/CN110414661A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110046924A1 (en) * | 2009-08-24 | 2011-02-24 | International Business Machines Corporation | Method for joint modeling of mean and dispersion |
| CN102997374A (zh) * | 2012-12-31 | 2013-03-27 | 深圳市奥宇控制***有限公司 | 一种空调负荷预测方法，装置及空调 |
| CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
| CN106650920A (zh) * | 2017-02-19 | 2017-05-10 | 郑州大学 | 一种基于优化极限学习机的预测模型 |
| CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方瑞明: "《支持向量机理论及其应用分析》", 31 October 2007 * |
| 贲兆强、郭凯、乔玲、段梦: ""基于粒子群优化的极限学习机冰蓄冷空调负荷预测"", 《工业控制计算机》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
| CN113268913A (zh) * | 2021-06-24 | 2021-08-17 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 |
| CN113779866A (zh) * | 2021-08-10 | 2021-12-10 | 平高集团有限公司 | 一种高压开关gis筒体成本计算方法及*** |
| CN114893898A (zh) * | 2022-07-14 | 2022-08-12 | 中国海洋大学 | 一种易安装的智能风阀 |
| CN114893898B (zh) * | 2022-07-14 | 2022-09-30 | 中国海洋大学 | 一种易安装的智能风阀 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414661A (zh) | 一种空调***负荷的预测方法及*** | |
| Li et al. | Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks | |
| CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
| CN103912966B (zh) | 一种地源热泵制冷***优化控制方法 | |
| CN110806759A (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
| CN104833154B (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
| CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
| CN103235620A (zh) | 基于全局变量预测模型的温室环境智能控制方法 | |
| CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
| CN113112077A (zh) | 基于多步预测深度强化学习算法的hvac控制*** | |
| CN113825356A (zh) | 冷源***的节能控制方法、装置、电子设备和存储介质 | |
| CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
| CN102645894B (zh) | 模糊自适应动态规划方法 | |
| CN107818340A (zh) | 基于k值小波神经网络的二阶段空调负荷预测方法 | |
| CN108376294A (zh) | 一种供能反馈与气象因素的热负荷预测方法 | |
| Dou et al. | Long-term weather prediction based on GA-BP neural network | |
| CN108303898A (zh) | 新型太阳能-空气能耦合冷热联供***的智能调度方法 | |
| CN113237135B (zh) | 基于SD-LSTMs的公寓独立供热***需热量预测及节能控制方法 | |
| Guo et al. | A data-driven real-time irrigation control method based on model predictive control | |
| CN105259754B (zh) | 一种基于主动学习的板厚智能控制方法 | |
| CN109932909A (zh) | 火电机组脱硫***的大***耦合多变量优化匹配控制方法 | |
| CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力***负荷预测方法及装置 | |
| CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及*** | |
| Cheng et al. | Network traffic prediction algorithm research based on PSO-BP neural network |
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: 20191105 |