CN114065646B - 基于混合优化算法的能耗预测方法、云计算平台及*** - Google Patents
基于混合优化算法的能耗预测方法、云计算平台及*** Download PDFInfo
- Publication number
- CN114065646B CN114065646B CN202111413005.3A CN202111413005A CN114065646B CN 114065646 B CN114065646 B CN 114065646B CN 202111413005 A CN202111413005 A CN 202111413005A CN 114065646 B CN114065646 B CN 114065646B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- model
- elm
- air conditioner
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及空调能耗预测技术领域,具体公开了一种基于混合优化算法的空调能耗预测方法,其中,包括:获取数据采集与处理装置的空调历史能耗预处理数据;根据优化后的极限学***台及基于混合优化算法的空调能耗预测***。本发明提供的基于混合优化算法的空调能耗预测方法可以有效精准的实现对空调能耗的预测。
Description
技术领域
本发明涉及空调能耗预测技术领域,尤其涉及一种基于混合优化算法的空调能耗预测方法、云计算平台及基于混合优化算法的空调能耗预测***。
背景技术
随着城市化建设的快速发展,与建筑相关的能耗值不断上升,据中国节能协会统计建筑能耗已经占全国能源消耗的30%左右。而公共建筑的节能达标率却不足10%,存在着严重的能耗浪费现象,侧面体现出对于公共建筑能耗数据存在着巨大的挖掘节能方法的潜力,这其中空调和供暖***所消耗的能源占比约50%~60%,并且数据占比还在逐年增加。因此利用数据挖掘算法对历史能耗数据进行准确预测,提高能源利用率,挖掘节能潜力,并结合云平台对空调***进行研究对实现建筑空调统一调度、空调***综合节能运行以及空调能耗优化管理具有重大意义。
一般普遍用于建筑空调能耗预测方法有:(1)回归分析法:设与空调能耗具有相关性的N类影响因素,与空调能耗呈非线性关系,并将数据拟合成空调能耗的高阶多项式函数。该方法的缺点是计算量大导致建模困难并且输入值与输出值得依懒性很大;(2)时间序列分析法:利用过去某段时间的空调能耗数据变化特征来描述未来一段时间能耗变化特征。该方法的缺点是对于时间序列数据的平稳性要求高,但在实际空调运作过程中产生的能耗一般不满足要求;(3) 支持向量机:利用支持向量机建立空调能耗预测模型,并对其参数进行寻优。但该方法的缺点是对于大规模的数据样本计算量复杂且不易实现。因此近年来人工神经网络算法逐步替代上述几类算法,并广泛用于预测空调暖通***能耗,但传统的神经网络算法,如BP神经网络算法模型存在着物理意义不明确,且容易陷入局部极小值,导致用于空调能耗预测中结果精度不高且预测时间随机性较大,以及单一预测模型不能有效的分析和挖掘时间序列的复合特性等一系列问题。
发明内容
本发明提供了一种基于混合优化算法的空调能耗预测方法、云计算平台及基于混合优化算法的空调能耗预测***,解决相关技术中存在的容易陷入局部极小值导致预测精度不高的问题。
作为本发明的第一个方面,提供一种基于混合优化算法的空调能耗预测方法,其中,包括:
获取数据采集与处理装置的空调历史能耗预处理数据;
根据优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型;
将所述空调历史能耗预处理数据中的预测集数据输入至所述能耗预测模型,得到预测结果。
进一步地,所述数据采集与处理装置能够采集不同影响因素下的空调设备的历史能耗数据,并能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据,其中所述不同影响因素包括季节、天气和建筑特性。
进一步地,所述数据采集与处理装置能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据,包括:
对所述空调设备的历史能耗数据进行数据清洗,得到清洗后的数据信息;
对所述清洗后的数据信息进行异常值处理以及缺失值的填补;
将异常值处理以及缺失值填补后的数据进行归一化处理,得到所述空调历史能耗预处理数据。
进一步地,所述根据优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型,包括:
将所述空调历史能耗预处理数据划分为训练数据集和预测数据集;
根据GA算法对所述极限学习机算法进行优化,得到GA-ELM模型;
根据CS算法对所述极限学习机算法进行优化,得到CS-ELM模型;
将所述训练数据集分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练,获得GA-ELM训练模型和CS-ELM训练模型;
分别计算所述GA-ELM训练模型和CS-ELM训练模型两者各自的个体适应度值,并选择两者中最优适应度个体对应的权值和阈值输入至ELM模型,得到能耗预测模型。
进一步地,所述根据GA遗传算法对所述极限学习机算法进行优化,得到 GA-ELM模型,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
根据所述GA遗传算法对所述ELM模型的初始值进行编码;
将ELM模型的训练误差作为适应度值;
对所述ELM模型进行选择、交叉和变异操作,直至得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到GA-ELM 模型。
进一步地,所述根据CS算法对所述极限学习机算法进行优化,得到CS-ELM 模型,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
设置CS算法参数,得到多个鸟巢初始位置,
将ELM模型的训练误差作为适应度值;
选取上一代最优鸟巢位置,通过多次迭代得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到CS-ELM 模型。
进一步地,所述将所述空调历史能耗预处理数据中的预测集数据输入至所述能耗预测模型,得到预测结果,包括:
将所述训练集数据分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练;
将训练后GA-ELM模型和CS-ELM模型两者各自最优的权值和阈值分别作为ELM模型的初始参数进行预测,并计算两者预测后的误差;
更新参数直至得到最优的预测结果组;
将最优的预测结果组按照种群分类,选择最优种群中最优能耗值并输出;
根据所述预测数据集对空调设备的能耗数据进行单一ELM模型训练,输出预测结果。
进一步地,还包括:
根据所述最优能耗值以及所述预测结果进行性能分析。
作为本发明的另一个方面,提供一种云计算平台,其中,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现前文所述的基于混合优化算法的空调能耗预测方法。
作为本发明的另一个方面,提供一种基于混合优化算法的空调能耗预测***,其中,包括:数据采集与处理装置和前文所述的云计算平台,所述数据采集与处理装置与所述云计算平台通信连接;
所述数据采集与处理装置用于采集不同影响因素下的空调设备的历史能耗数据,并能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据;
所述云计算平台能够根据所述空调历史能耗预处理数据构建能耗预测模型,并能够实现能耗预测得到预测结果。
本发明提供的基于混合优化算法的空调能耗预测方法,通过采用优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型,与传统BP算法相比,由于优化后的极限学习机算法具有较高的学习率和泛化能力,避免了陷入局部最优解得问题,同时引入了遗传算法和布谷鸟搜索算法计算得出了ELM的权值和阈值,有效解决单一优化算法对 ELM的局限性、提高空调能耗预测精度,减少算法运算时间。因此,本发明提供的基于混合优化算法的空调能耗预测方法可以有效精准的实现对空调能耗的预测。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的基于混合优化算法的空调能耗预测方法的流程图。
图2为本发明提供的基于混合优化算法的空调能耗预测***的结构框图。
图3为本发明提供的ELM算法结构图;
图4为本发明提供的GA-ELM预测模型流程图。
图5为本发明提供的CS-ELM预测模型流程图。
图6为本发明提供的整体能耗预测模型流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于混合优化算法的空调能耗预测方法,图1是根据本发明实施例提供的基于混合优化算法的空调能耗预测方法的流程图,如图1所示,包括:
S110、获取数据采集与处理装置的空调历史能耗预处理数据;
如图2所示,本发明实施例提供的基于混合优化算法的空调能耗预测方法应用于基于混合优化算法的空调能耗预测***中,所述基于混合优化算法的空调能耗预测***包括数据采集与处理装置和云计算平台。所述数据采集与处理装置和所述云计算平台通信连接。
具体地,所述据采集与处理装置具体可以包括数据采集模块和数据预处理模块,所述数据采集模块用于采集温度传感器和压力传感器等传输的数据,以及不同影响因素下的空调设备的历史能耗数据,并通过通信接口传输至所述云计算平台。所述数据预处理模块用于将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据。
在本发明实施例中,所述不同影响因素包括季节、天气和建筑特性。
应当理解的是,具体可以获取不同天气下的空调设备的历史能耗数据,例如阴天和晴天,也可以获取不同季节下的空调设备的历史能耗数据,例如夏季、冬季等;也可以获取不同建筑特性下的空调设备的历史能耗数据,例如写字楼、居民楼等等。
采用HDFS、Hive、HBase中的一种或多种来存储,并通过云服务接口将数据实时上传至云计算平台等待下一步指令。
在本发明实施例中,所述数据预处理模块的预处理过程具体可以包括:
对所述空调设备的历史能耗数据进行数据清洗,得到清洗后的数据信息;
对所述清洗后的数据信息进行异常值处理以及缺失值的填补;
将异常值处理以及缺失值填补后的数据进行归一化处理,得到所述空调历史能耗预处理数据。
将数据预处理后的数据信息上传至云计算平台。
S120、根据优化后的极限学习机(Extreme Learning Machine,简称ELM) 算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型。
应当理解的是,利用云计算平台中的MapReduce分布式编程模型和寻优后的ELM算法对上述数据信息进行处理分析并构建能耗预测模型,将数据划分后,用训练集数据作为输入在云计算平台上对预训练模型进行训练,获得预训练模型信息;经过训练、微调、寻优后得到最终能耗预测模型。
此处需要说明的是,ELM是针对BP反向传播算法的改进以提升学习效率并简化学习参数的设定,该算法具有较高的学习率和泛化能力。但与BP一样存在初始权值和阈值选取随意性问题,因此,本发明实施例使用遗传算法(Genetic Algorithm,简称GA)和布谷鸟搜索(Cuckoo Search,简称CS)算法并行的对 ELM网络中的w和b参数在全局内进行寻最优解,即可以减少寻优所需时间,解决单一优化算法的局限性,也可以避免初始参数随机选择对预测结果的影响,提高预测精度,有助于节能***工作的进行。
如图3所示,ELM算法中的输入层与输出层都是各一层,而隐藏层可以是一层或多层,输入层与隐藏层由权值连接,隐藏层与输出层由阈值连接,其中表示x输入,w表示权值,b表示阈值,o表示输出,L表示隐藏层个数,其更新计算公式:
其中,i=1,...,N,j=1,...,L,学习参数aj,bj,aj∈Rm、bj∈Rd,βj∈Rm是连接第i个和第j个隐藏层神经元,g(x)是激励函数。
在本发明实施例中,所述GA算法是以“优胜劣汰,适者生存”的生物生存法则用来优化算法,淘汰普通个体,保留最优个体,该GA算法可以并行计算,且高效启发式搜索;CS算法是通过模拟布谷鸟寄生育雏过程,求解全局最优问题,该CS算法与传统优化算法比较,结果简单、控制参数少、寻优速度快、有较强的的全局寻优能力。
在本发明实施例中,具体可以包括:
S121、将所述空调历史能耗预处理数据划分为训练数据集和预测数据集。
例如,可以将空调历史能耗预处理数据按照8:2划分成训练数据集合预测数据集。
S122、根据GA遗传算法对所述极限学习机算法进行优化,得到GA-ELM 模型;
在本发明实施例中,利用GA算法确定ELM的权值和阈值,即利用适应度函数计算种群中每个个体的适应度值,选择最优个体对应的权值和阈值作为 ELM的权值和阈值。
进一步具体地,如图4所示,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
根据所述GA遗传算法对所述ELM模型的初始值进行编码;
将ELM模型的训练误差作为适应度值;
对所述ELM模型进行选择、交叉和变异操作,直至得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到GA-ELM 模型。
在本发明实时中,利用公式计算个体适应度值:
其中fitness是个体适应度值,n是训练集样本数量,yij是输入参数对应的能耗预测模型的输出值,xij是输入参数的输出值。
S123、根据CS算法对所述极限学习机算法进行优化,得到CS-ELM模型;
在本发明实施例中,利用CS算法确定ELM的权值和阈值,即模拟布谷鸟寻找巢穴并寄生的特性,每个粒子个体代表ELM的权值和阈值,不断迭代寻优,选择最优个体对应的权值和阈值作为ELM的权值和阈值。
具体地,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
设置CS算法参数,得到多个鸟巢初始位置,
将ELM模型的训练误差作为适应度值;
选取上一代最优鸟巢位置,通过多次迭代得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到CS-ELM 模型。
在本发明实施例中,如图5所示,包括:
(2)选取上一代最优鸟巢位置,带入数据后再次计算适应度值,若结果更优则更新新位置,否则保留上一代位置;
(3)产生随机数rand和p比较,前者小于后者,则随机选择鸟巢位置,并更新鸟巢中最差位置,否则保持不变;
(4)满足迭代次数,停止搜索,否则跳转(3);
(5)输出最优鸟巢位置所对应的权值和阈值并赋值给ELM模型,模型构建完成。
S124、将所述训练数据集分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练,获得GA-ELM训练模型和CS-ELM训练模型;
S125、分别计算所述GA-ELM训练模型和CS-ELM训练模型两者各自的个体适应度值,并选择两者中最优适应度个体对应的权值和阈值输入至ELM模型,得到能耗预测模型。
应当理解的是,分别计算上述两个能耗预测模型中每个个体的适应度值,选择两者最优适应度个体,将其作为最优权值和阈值输入给ELM模型,完成能耗模型构建。
S130、将所述空调历史能耗预处理数据中的预测集数据输入至所述能耗预测模型,得到预测结果。
在本发明实施例中,包括:
将所述训练集数据分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练;
将训练后GA-ELM模型和CS-ELM模型两者各自最优的权值和阈值分别作为ELM模型的初始参数进行预测,并计算两者预测后的误差;
更新参数直至得到最优的预测结果组;
将最优的预测结果组按照种群分类,选择最优种群中最优能耗值并输出;
根据所述预测数据集对空调设备的能耗数据进行单一ELM模型训练,输出预测结果。
进一步具体地,还包括:
根据所述最优能耗值以及所述预测结果进行性能分析。
预测结果输出,将GA-ELM和CS-ELM确定的权值和阈值作为ELM模型的初始参数,并采用训练集样本对空调能耗预测模型进行训练,得到最终最优预测结果;最后将预测集数据至上述能耗预测模型中,输出预测结果,并通过评价指标评估模型性能,对混合优化算法预测结果、与单一预测能耗预测结果进行验证显示。
评价估性能使用平均绝对百分比误差作为主要评价指标,计算公式:
进一步地,在本发明实施例中,如图6所示:
(1)利用训练集数据对空调能耗混合优化算法(即GA-ELM,CS-ELM)预测模型进行训练;
(2)将两者的最优权值和阈值分别作为ELM模型的初始参数进行预测,计算其误差;
(3)更新参数并判断是否最优,满足则输出预测结果组并记录,否则跳回(2);
(4)将结果按种群分类(预测同一值的数据属于同类),选择最优种群中最优能耗值并输出;
(5)利用测试集数据对空调能耗进行单一ELM模型训练,输出预测结果;
综上,本发明提供的基于混合优化算法的空调能耗预测方法,通过采用优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型,与传统BP算法相比,由于优化后的极限学习机算法具有较高的学习率和泛化能力,避免了陷入局部最优解得问题,同时引入了遗传算法和布谷鸟搜索算法计算得出了ELM的权值和阈值,有效解决单一优化算法对ELM的局限性、提高空调能耗预测精度,减少算法运算时间。因此,本发明提供的基于混合优化算法的空调能耗预测方法可以有效精准的实现对空调能耗的预测。
作为本发明的另一实施例,提供一种云计算平台,其中,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现所述的基于混合优化算法的空调能耗预测方法。
作为本发明的另一实施例,提供一种基于混合优化算法的空调能耗预测***,其中,包括:数据采集与处理装置和前文所述的云计算平台,所述数据采集与处理装置与所述云计算平台通信连接;
所述数据采集与处理装置用于采集不同影响因素下的空调设备的历史能耗数据,并能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据;
所述云计算平台能够根据所述空调历史能耗预处理数据构建能耗预测模型,并能够实现能耗预测得到预测结果。
在本发明实施例中,所述基于混合优化算法的空调能耗预测***的结构具体如图2所示,具体工作原理可以参照前文的基于混合优化算法的空调能耗预测方法的描述,此处不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (9)
1.一种基于混合优化算法的空调能耗预测方法,其特征在于,包括:
获取数据采集与处理装置的空调历史能耗预处理数据;
根据优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型;
将所述空调历史能耗预处理数据中的预测集数据输入至所述能耗预测模型,得到预测结果;
所述根据优化后的极限学习机算法对所述空调历史能耗预处理数据中的训练集数据进行处理分析后构建能耗预测模型,包括:
将所述空调历史能耗预处理数据划分为训练数据集和预测数据集;
根据GA算法对所述极限学习机算法进行优化,得到GA-ELM模型;
根据CS算法对所述极限学习机算法进行优化,得到CS-ELM模型;
将所述训练数据集分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练,获得GA-ELM训练模型和CS-ELM训练模型;
分别计算所述GA-ELM训练模型和CS-ELM训练模型两者各自的个体适应度值,并选择两者中最优适应度个体对应的权值和阈值输入至ELM模型,得到能耗预测模型。
2.根据权利要求1所述的基于混合优化算法的空调能耗预测方法,其特征在于,所述数据采集与处理装置能够采集不同影响因素下的空调设备的历史能耗数据,并能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据,其中所述不同影响因素包括季节、天气和建筑特性。
3.根据权利要求2所述的基于混合优化算法的空调能耗预测方法,其特征在于,所述数据采集与处理装置能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据,包括:
对所述空调设备的历史能耗数据进行数据清洗,得到清洗后的数据信息;
对所述清洗后的数据信息进行异常值处理以及缺失值的填补;
将异常值处理以及缺失值填补后的数据进行归一化处理,得到所述空调历史能耗预处理数据。
4.根据权利要求1所述的基于混合优化算法的空调能耗预测方法,其特征在于,所述根据GA遗传算法对所述极限学习机算法进行优化,得到GA-ELM模型,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
根据所述GA遗传算法对所述ELM模型的初始值进行编码;
将ELM模型的训练误差作为适应度值;
对所述ELM模型进行选择、交叉和变异操作,直至得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到GA-ELM模型。
5.根据权利要求1所述的基于混合优化算法的空调能耗预测方法,其特征在于,所述根据CS算法对所述极限学习机算法进行优化,得到CS-ELM模型,包括:
将所述空调历史能耗预处理数据输入至ELM模型,并初始化ELM模型的权值和阈值;
设置CS算法参数,得到多个鸟巢初始位置,
将ELM模型的训练误差作为适应度值;
选取上一代最优鸟巢位置,通过多次迭代得到ELM模型最优的个体适应度值;
将最优的个体适应度值对应的权值和阈值赋值给ELM模型,得到CS-ELM模型。
6.根据权利要求1所述的基于混合优化算法的空调能耗预测方法,其特征在于,所述将所述空调历史能耗预处理数据中的预测集数据输入至所述能耗预测模型,得到预测结果,包括:
将所述训练集数据分别输入至所述GA-ELM模型和所述CS-ELM模型进行训练;
将训练后GA-ELM模型和CS-ELM模型两者各自最优的权值和阈值分别作为ELM模型的初始参数进行预测,并计算两者预测后的误差;
更新参数直至得到最优的预测结果组;
将最优的预测结果组按照种群分类,选择最优种群中最优能耗值并输出;
根据所述预测数据集对空调设备的能耗数据进行单一ELM模型训练,输出预测结果。
7.根据权利要求6所述的基于混合优化算法的空调能耗预测方法,其特征在于,还包括:
根据所述最优能耗值以及所述预测结果进行性能分析。
8.一种云计算平台,其特征在于,包括存储器和处理器,所述存储器和处理器通信连接,所述存储器用于存储计算机指令,所述处理器用于加载并执行所述计算机指令以实现权利要求1至7中任意一项所述的基于混合优化算法的空调能耗预测方法。
9.一种基于混合优化算法的空调能耗预测***,其特征在于,包括:数据采集与处理装置和权利要求8所述的云计算平台,所述数据采集与处理装置与所述云计算平台通信连接;
所述数据采集与处理装置用于采集不同影响因素下的空调设备的历史能耗数据,并能够将所述空调设备的历史能耗数据进行预处理得到所述空调历史能耗预处理数据;
所述云计算平台能够根据所述空调历史能耗预处理数据构建能耗预测模型,并能够实现能耗预测得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413005.3A CN114065646B (zh) | 2021-11-25 | 2021-11-25 | 基于混合优化算法的能耗预测方法、云计算平台及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413005.3A CN114065646B (zh) | 2021-11-25 | 2021-11-25 | 基于混合优化算法的能耗预测方法、云计算平台及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065646A CN114065646A (zh) | 2022-02-18 |
CN114065646B true CN114065646B (zh) | 2022-10-28 |
Family
ID=80276186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111413005.3A Active CN114065646B (zh) | 2021-11-25 | 2021-11-25 | 基于混合优化算法的能耗预测方法、云计算平台及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065646B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115962546B (zh) * | 2022-12-07 | 2024-07-23 | 南京天溯自动化控制***有限公司 | 基于布谷鸟算法和多***联动的中央空调机组综合管控方法、装置和*** |
CN115696533B (zh) * | 2023-01-03 | 2023-05-09 | 杭州纵横通信股份有限公司 | 一种基于5g的通信基站能耗优化方法与设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
WO2019136892A1 (zh) * | 2018-01-15 | 2019-07-18 | 大连民族大学 | 一种复杂网络社区检测的方法 |
WO2021009080A1 (en) * | 2019-07-12 | 2021-01-21 | Abb Power Grids Switzerland Ag | Data structure comprising an energy schedule and method for providing a data structure comprising an energy schedule |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8396671B2 (en) * | 2006-02-16 | 2013-03-12 | Microsoft Corporation | Cluster modeling, and learning cluster specific parameters of an adaptive double threading model |
US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
CN106874581B (zh) * | 2016-12-30 | 2021-03-30 | 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 |
CN108647824A (zh) * | 2018-05-10 | 2018-10-12 | 广东工业大学 | 一种电价超短期预测方法 |
CN108876054B (zh) * | 2018-07-06 | 2022-03-01 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
CN109034484A (zh) * | 2018-08-02 | 2018-12-18 | 广东工业大学 | 一种风速预测方法、装置及设备 |
CN110610275B (zh) * | 2019-09-18 | 2022-05-13 | 福州大学 | 一种基于acqpso-elm的变风量空调负荷预测方法及*** |
CN113103535A (zh) * | 2021-03-17 | 2021-07-13 | 贵州大学 | 一种基于ga-elm-ga的注塑件模具参数优化方法 |
CN113177673B (zh) * | 2021-05-28 | 2023-12-19 | 深圳市大元通机电设备有限公司 | 一种空调冷负荷预测优化方法、***及设备 |
-
2021
- 2021-11-25 CN CN202111413005.3A patent/CN114065646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
WO2019136892A1 (zh) * | 2018-01-15 | 2019-07-18 | 大连民族大学 | 一种复杂网络社区检测的方法 |
WO2021009080A1 (en) * | 2019-07-12 | 2021-01-21 | Abb Power Grids Switzerland Ag | Data structure comprising an energy schedule and method for providing a data structure comprising an energy schedule |
Non-Patent Citations (2)
Title |
---|
《基于混合元启发式算法优化神经网络的热舒适度预测模型》;朱婵;《微型电脑应用》;20201130;第36卷(第11期);66-69 * |
《风冷模块机组部分负荷性能的试验研究》;韩林俊等;《流体机械》;20190831;第47卷(第08期);66-70+31 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065646A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210383041A1 (en) | In-situ thermodynamic model training | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及*** | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及*** | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
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 | |
CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及*** | |
CN114692265A (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN113177673B (zh) | 一种空调冷负荷预测优化方法、***及设备 | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN113722980A (zh) | 海洋浪高预测方法、***、计算机设备、存储介质、终端 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
Sheng et al. | An optimized prediction algorithm based on XGBoost | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
CN114004152A (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及*** | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
Ma et al. | Research and application of second-hand housing price prediction model based on 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 |