CN115936236A - 一种卷烟厂能耗预测方法、***、设备及介质 - Google Patents
一种卷烟厂能耗预测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN115936236A CN115936236A CN202211660108.4A CN202211660108A CN115936236A CN 115936236 A CN115936236 A CN 115936236A CN 202211660108 A CN202211660108 A CN 202211660108A CN 115936236 A CN115936236 A CN 115936236A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- processed
- data
- cigarette factory
- current
- 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
Images
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种卷烟厂能耗预测方法、***。设备及介质,属于卷烟厂能耗预测领域。该方法包括:获取卷烟厂的当前能耗数据和当前环境数据;对当前能耗数据和当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据;利用皮尔逊相关分析法对处理后的能耗数据和处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据;根据相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;本发明提高了能耗预测精度。
Description
技术领域
本发明涉及卷烟厂能耗预测领域,特别是涉及一种卷烟厂能耗预测方法、***、设备及介质。
背景技术
烟草行业是中国能源消耗的主要行业之一。近几年,越来越多的研究开始关注卷烟厂控制与调度,而超前准确的卷烟厂能耗预测是卷烟厂内控制调度的前提,因此卷烟厂的能耗预测也成为一个研究热点。迄今为止,卷烟厂采用***能耗、天气等历史数据,结合能效比等评价指标进行能耗预测。传统的能耗预测方法主要是基于物理关系的指标预测方法,选用能耗指标或指标等构建评价体系,局限性在于无法挖掘海量数据间的关联关系,同时也无法利用一段时间以前的数据。同时在控制上主要基于人工经验与手动控制的朴素控制方法。而深度学习具有非线性、自适应、结构简单等特点,能够很好的完善传统预测方式的不足,采用深度学习对卷烟厂开展能耗预测,对研究卷烟厂负荷规律、扩展深度学习方法在卷烟厂能耗预测研究中有着重要的意义。
近几年随着卷烟厂能耗方面的广泛研究,在时间序列数据预测的研究方面有很大提升。
公开号为CN114861555A的中国发明专利申请公开了一种基于Copula理论的区域综合能源***短期负荷预测方法,利用Copula理论对数据进行相关性分析,采用粒子群算法与长短期记忆网络对综合能源***进行负荷预测;此种方法的对象为综合能源***负荷预测,但鉴于长短期记忆网络的结构限制,无法提取较长时间序列中的特征,预测精度不高。
由此可知,采用上述综合能源***短期负荷预测方法对卷烟厂能耗进行预测,存在预测精度低的问题。
发明内容
本发明的目的是提供一种卷烟厂能耗预测方法、***、设备及介质,以解决采用综合能源***短期负荷预测方法对卷烟厂能耗进行预测,存在预测精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种卷烟厂能耗预测方法,包括:
获取卷烟厂的当前能耗数据和当前环境数据;
对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据;
利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据;
根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
可选地,所述当前能耗数据包括制冷能耗值、制热能耗值和电能耗值;所述当前环境数据包括当前温度、当前湿度和当前太阳辐射强度值;
所述处理后的能耗数据包括处理后的制冷能耗值、处理后的制热能耗值和处理后的电能耗值;所述处理后的环境数据包括处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
可选地,所述根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据之后,还包括:
利用公式xreal=(xmax-xmin)·xp,norm+xmin对所述预测能耗数据进行反归一化处理;其中,xreal表示预测能耗数据经过反归一化后的真实量纲数据;xp,norm为预测能耗数据;xmin表示当前能耗数据和当前环境数据中的最小值;xmax表示当前能耗数据和当前环境数据中的最大值。
可选地,所述训练好的卷烟厂能耗预测模型的训练过程,具体包括:
获取卷烟厂的历史能耗数据和历史环境数据,构建卷烟厂能耗预测数据集;
对所述卷烟厂能耗预测数据集进行归一化处理,得到处理后的能耗预测数据集;
利用滑动时间窗口法对所述处理后的能耗预测数据集进行时间步划分,得到划分时间步后的能耗预测数据集;
利用留出法将所述划分时间步后的能耗预测数据集划分为训练集和验证集;
利用皮尔逊相关分析法对所述训练集和所述验证集中的历史能耗数据和历史环境数据进行相关性分析,分别提取所述训练集和所述验证集中相关性最小的历史能耗数据和历史环境数据;
利用在所述训练集中提取出的相关性最小的历史能耗数据和历史环境数据,对卷烟厂能耗预测模型进行训练,得到训练好的卷烟厂能耗预测模型。
可选地,所述利用在所述训练集中提取出的相关性最小的历史能耗数据和历史环境数据,对卷烟厂能耗预测模型进行训练,得到训练好的卷烟厂能耗预测模型之后,还包括:
根据评价指标对所述训练好的卷烟厂能耗预测模型的预测精度进行评价,得到模型预测精度;所述评价指标包括均方根误差、平均误差和平均绝对百分比误差;
根据所述模型预测精度,采用试错法,利用所述验证集对所述训练后的卷烟厂能耗预测模型的超参数进行调整,得到调整后的卷烟厂能耗预测模型。
可选地,所述卷烟厂能耗预测模型包括时域卷积神经网络和双向门控循环单元;所述时域卷积神经网络的输出作为所述双向门控循环单元的输入;所述时域卷积神经网络包括膨胀卷积层、因果卷积层和残差链接层。
可选地,所述利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据,具体包括:
利用公式计算处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据的相关系数;其中,X与Y为处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据;ρX,Y为X和Y的相关系数;cov(X,Y)为X与Y的协方差;σX表示X的标准差;σY表示Y的标准差;
根据所述相关系数,利用关联性热力图,将处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值之间的相关关系进行可视化展示;
选取相关性最小的处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
一种卷烟厂能耗预测***,包括:
数据获取模块,用于获取卷烟厂的当前能耗数据和当前环境数据;
数据处理模块,用于对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据;
相关性分析模块,用于利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据;
预测模块,用于根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的卷烟厂能耗预测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的卷烟厂能耗预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的的卷烟厂能耗预测方法,通过获取卷烟厂的当前能耗数据和当前环境数据,首先对获取的数据进行预处理与皮尔逊相关分析,提取主要特征,即相关性最小的能耗数据和环境数据,利用训练好的卷烟厂能耗预测模型(即结合了时域卷积神经网络与双向门控循环单元的模型)对卷烟厂设定时间后的能耗数据进行预测,提高了卷烟厂能耗预测的精度。训练好的卷烟厂能耗预测模型提高了运算速度,降低了时间成本,进一步提高了预测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的卷烟厂能耗预测方法流程图;
图2为本发明的方法在实际应用中的流程图;
图3为本发明实施例中时域卷积神经网络的结构原理图;
图4为本发明实施例中双向门控循环单元内部计算图;
图5为本发明实施例中卷烟厂能耗预测模型结构图;
图6为本发明提供的卷烟厂能耗预测***结构图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种卷烟厂能耗预测方法、***、设备及介质,以解决采用综合能源***短期负荷预测方法对卷烟厂能耗进行预测,存在预测精度低的问题。
针对上述问题,本发明提供了一种基于TCN-BiGRU的卷烟厂能耗预测方法(即卷烟厂能耗预测方法),以实现对卷烟厂的能耗预测,克服了上述现有技术存在的特征负荷预测中的鲁棒性较差和预测精度不高的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本发明提供的一种卷烟厂能耗预测方法,包括:
步骤101:获取卷烟厂的当前能耗数据和当前环境数据。
所述当前能耗数据包括制冷能耗值、制热能耗值和电能耗值;所述当前环境数据包括当前温度、当前湿度和当前太阳辐射强度值。
步骤102:对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据。
所述处理后的能耗数据包括处理后的制冷能耗值、处理后的制热能耗值和处理后的电能耗值;所述处理后的环境数据包括处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
步骤103:利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据。
进一步地,所述步骤103,具体包括:
利用公式计算处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据的相关系数;其中,X与Y为处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据;ρX,Y为X和Y的相关系数;cov(X,Y)为X与Y的协方差;σX表示X的标准差;σY表示Y的标准差。
根据所述相关系数,利用关联性热力图,将处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值之间的相关关系进行可视化展示。
选取相关性最小的处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
步骤104:根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
进一步地,所述步骤104之后,还包括:
利用公式xreal=(xmax-xmin)·xp,norm+xmin对所述预测能耗数据进行反归一化处理;其中,xreal表示预测能耗数据经过反归一化后的真实量纲数据;xp,norm为预测能耗数据;xmin表示当前能耗数据和当前环境数据中的最小值;xmax表示当前能耗数据和当前环境数据中的最大值。
具体地,所述训练好的卷烟厂能耗预测模型的训练过程,如图2所示,具体包括:
1)获取卷烟厂的历史能耗数据和历史环境数据,构建卷烟厂能耗预测数据集。在实际应用中,从卷烟厂负荷数据集中抽取一定时间内的历史能耗数据,结合对应的历史环境数据形成输入输出数据集,输入数据是指某个时间段内的卷烟厂每小时能耗数据,输出数据是滞后于输入数据1~2个小时的卷烟厂能耗目标数据。具体地,对于本实施例,输入数据每小时为一个时间步,每小时采集一次数据。输入数据包括卷烟厂的能耗数据与环境数据,环境数据包含当地每小时的温度、湿度与太阳辐照强度值。输出数据为需要进行预测的电能耗、制冷能耗、制热能耗负荷值。这里采用168个时间步(即7天)内的数据,预测未来24个时间步(即1天)的数据。
2)对输入输出数据进行可视化操作,剔除明显离群值。具体地,使用Python将数据可视化,对于明显离群值,采用拉格朗日插值法,利用离群值前后的数据对离群点处数据进行拟合插值。
3)对所述卷烟厂能耗预测数据集进行归一化处理,得到处理后的能耗预测数据集。在实际应用中,对输入输出数据集使用Min-Max归一化方法进行标准化处理。
具体地,由于各种负荷的数量级与数量变化范围不同,为了保证神经网络训练过程中的快速收敛与精度,需要对每个时间序列特征(卷烟厂能耗预测数据集中的每个数据)进行标准化处理。在预处理过程中,具体地是采用最小值-最大值归一化方法,将时间序列归一化到[0,1]。最小值-最大值归一化的计算公式如下所示:
其中,x指当前需要归一化的特征序列(卷烟厂能耗预测数据集中的某数据),xnorm指归一化后的数据(处理后的能耗预测数据集中的某数据,与卷烟厂能耗预测数据集中的某数据对应)。
4)利用滑动时间窗口法对所述处理后的能耗预测数据集进行时间步划分,得到划分时间步后的能耗预测数据集。
5)利用留出法将所述划分时间步后的能耗预测数据集划分为训练集和验证集。
在实际应用中,对标准化后的数据(处理后的能耗预测数据集)采用滑动时间窗口法处理数据,并采用留出法划分训练集和验证集。
具体地,归一化处理好的数据,采用滑动时间窗口法,把整个数据集内的数据,划分切割成对应的168个时间步的输入与24个时间步的输出,以加速深度神经网络的拟合速度,提高预测精度。规定好输入输出数据后,采用留出法对整个数据集进行训练集和验证集的划分。训练集为整个数据集的70%,验证集为整个数据集的20%,测试集为整个数据集的10%。
6)利用皮尔逊相关分析法对所述训练集、所述验证集和所述测试集中的历史能耗数据和历史环境数据进行相关性分析,分别提取所述训练集、所述验证集和所述测试集中相关性最小的历史能耗数据和历史环境数据。
7)利用在所述训练集中提取出的相关性最小的历史能耗数据和历史环境数据,对卷烟厂能耗预测模型进行训练,得到训练好的卷烟厂能耗预测模型。
所述卷烟厂能耗预测模型包括时域卷积神经网络和双向门控循环单元;所述时域卷积神经网络的输出作为所述双向门控循环单元的输入;所述时域卷积神经网络包括膨胀卷积层、因果卷积层和残差链接层。
8)根据评价指标对所述训练好的卷烟厂能耗预测模型的预测精度进行评价,得到模型预测精度;所述评价指标包括均方根误差、平均误差和平均绝对百分比误差。
9)根据模型预测精度,采用试错法,利用所述验证集对所述训练好的卷烟厂能耗预测模型的超参数进行调整,得到调整后的卷烟厂能耗预测模型。
在实际应用中,卷烟厂能耗预测模型的搭建与超参数调整主要包括以下步骤:
S1、使用TensorFlow神经网络平台搭建深度学习框架。
S2、搭建基于TCN与BiGRU的深度神经网络(卷烟厂能耗预测模型),卷烟厂能耗预测模型如图5所示,对时域卷积神经网络(Temporal convolutional network,TCN)的卷积核数、卷积层数、扩张卷积结构及双向门控循环单元(Bidirectional GatedRecurrentUnit,BiGRU)的模型结构、隐藏单元数量与层数进行设置,设定TCN的输出为BiGRU的输入,完成对TCN-BiGRU模型的初步建立。
具体地,训练集首先经过TCN处理,如图3所示,时域卷积神经网络采用因果卷积层(Causal Convolution)、膨胀卷积层(Dilated Convolution)和残差链接层(ResidualConnections)。通过膨胀卷积层从训练集中的长时间序列中提出一部分特征,然后使用因果卷积层与残差链接层对提取出的部分特征作一维卷积计算,生成一个输出向量。时域卷积的计算公式为:
其中,k为卷积核的大小,y为输入的一维时间序列(即为利用皮尔逊相关分析法进行相关性分析之后的能耗数据或者环境数据),s为y在滤波器f中所对应的元素,F(s)为扩张卷积函数,d为空洞卷积参数。
时域卷积神经网络中滤波器的数量为256,内核大小为5,膨胀结构为[1,2,4,8,16,32,64,128],进入时域卷积神经网络的训练集将会被解耦并且特征重构。假定原始数据(训练集)的大小为n,则由大小为5的卷积核进行卷积操作后,数据大小将变为(n-5+1)。激活函数为线性整流函数(Linearrectification function,ReLU),这是一个线性分段函数,可以有效减小梯度消失与梯度***。线性整流函数的神经元输出公式为:
f(x)=max(0,wTm+b)
其中,m为上一层神经网络的输入向量,wTm+b为该神经元在线性变换后的非线性输出结果。
如图4所示,GRU是循环神经网络的一种,属于长短期记忆网络的一种变体,是为了解决反向传播中的长期记忆与梯度问题而提出的。与长短期记忆相比,门控循环单元的参数更少,但计算精度几乎没有差别。本发明采用一种具有前向通路和后向通路的双向门控循环单元来构成能耗预测模块,BiGRU能够叠加前向与后向输入,能够有效提高预测精度。门控循环单元一次传播中重置门rt、更新门zt和输出ht的计算过程如下式所示:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
其中,xt为时刻t时的输入,ht-1为t-1时刻隐藏单元的状态,ht表示输出以及传递给下一个GRU单元的隐藏状态,σ表示Sigmoid函数,充当激活函数的门控信号,tanh是另一个激活函数。主要表示当前输入xt的数据,W、Wr、Wz表示神经网络的参数。
S3、根据训练集的大小与结构,初步设定模型训练次数、批次数和学习率等模型训练参数,设定模型激活函数。
具体地,TCN-BiGRU采用Adam优化器,训练次数为1000次,批次数为128,模型学习率为10-4。
S4、将6)中提取出的主要特征训练集作为输入数据,对初步建立的TCN-BiGRU模型(卷烟厂能耗预测模型)进行训练,得到训练后的卷烟厂能耗预测模型。
S5、根据所述训练后的卷烟厂能耗预测模型的评价指标对所述训练后的卷烟厂能耗预测模型的预测精度进行评价,得到模型预测精度。预测指标包括均方根误差(RootMeanSquare Error,RMSE)、平均误差(Average loss)以及平均绝对百分比误差(MeanAbsolutePercentage Error,MAPE),通过计算三种评价指标,对模型的预测精确度进行评价。
均方根误差RMSE是预测值与真实值yi偏差的平方与观测次数n比值的平方根,表示两者间的样本标准偏差。RMSE能够较为精确地反映预测值与真实值之间的误差情况。RMSE值越小,预测精度越大。RMSE的计算公式如下式所示:
其中,n为测试集的样本个数,与yi表示第i个样本的预测值与真实值。
平均误差表示预测值与真实值之间距离绝对值的和,主要表示同一量纲下实际物理值的预测值与真实值之间的差距。平均误差值越大,则预测精度越低。平均误差的计算公式如下式所示:
平均绝对百分比误差MAPE是一种相对度量,使用绝对值来避免正误差与负误差的相互抵消,主要表示为真实值与预测值之间偏差的百分比程度。MAPE值越大,表明预测值整体偏离真实值越多,即预测精度越差。MAPE的计算公式如下式所示:
S6、根据步骤S5中的模型预测精度,采用试错法重复上述步骤中的S2与S3,对训练后的卷烟厂能耗预测模型中超参数进行调整,在兼顾效率的前提下,求得更高的模型预测精确度,最终得到训练好的卷烟厂能耗预测模型。
具体地,本模型中超参数调整主要涉及时序卷积神经网络中卷积核的大小、个数以及膨胀结构;双向门控循环单元的层数以及每层的单元数;训练的次数、批次数与学习率。
本发明建立了一种基于TCN-BiGRU的卷烟厂能耗预测方法。首先对获取的数据进行预处理与皮尔逊相关分析,提取主要特征,通过结合时域卷积神经网络与双向门控循环单元,本模型提高了运算速度,降低了时间成本,且能捕获更长时间更大范围时间维度内的时序特征信息,进而提高了卷烟厂能耗预测的准确性。本发明提出的模型为卷烟厂能耗预测提供了一种新的思路,可满足实际应用的需要。
本发明突破了传统方法在时间上与特征关联间的局限,使用深度神经网络模型可以大规模提取特征间的关联关系,而时域卷积神经网络可以保留长时间内时序数据内的特征。通过结合TCN与BiGRU两种深度神经网络,构建了面向卷烟厂的TCN-BiGRU能耗预测模型,对卷烟厂的能耗情况开展预测。本发明对扩展深度学习在卷烟厂能耗预测中的应用具有技术支撑作用。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种卷烟厂能耗预测***,如图6所示,所述***包括:
数据获取模块601,用于获取卷烟厂的当前能耗数据和当前环境数据。
数据处理模块602,用于对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据。
相关性分析模块603,用于利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据。
预测模块604,用于根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
实施例三
本发明还提供了一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行实施例一的卷烟厂能耗预测方法。
实施例四
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例一的卷烟厂能耗预测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种卷烟厂能耗预测方法,其特征在于,包括:
获取卷烟厂的当前能耗数据和当前环境数据;
对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据;
利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据;
根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
2.根据权利要求1所述的卷烟厂能耗预测方法,其特征在于,所述当前能耗数据包括制冷能耗值、制热能耗值和电能耗值;所述当前环境数据包括当前温度、当前湿度和当前太阳辐射强度值;
所述处理后的能耗数据包括处理后的制冷能耗值、处理后的制热能耗值和处理后的电能耗值;所述处理后的环境数据包括处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
3.根据权利要求1所述的卷烟厂能耗预测方法,其特征在于,所述根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据之后,还包括:
利用公式xreal=(xmax-xmin)·xp,norm+xmin对所述预测能耗数据进行反归一化处理;其中,xreal表示预测能耗数据经过反归一化后的真实量纲数据;xp,norm为预测能耗数据;xmin表示当前能耗数据和当前环境数据中的最小值;xmax表示当前能耗数据和当前环境数据中的最大值。
4.根据权利要求1所述的卷烟厂能耗预测方法,其特征在于,所述训练好的卷烟厂能耗预测模型的训练过程,具体包括:
获取卷烟厂的历史能耗数据和历史环境数据,构建卷烟厂能耗预测数据集;
对所述卷烟厂能耗预测数据集进行归一化处理,得到处理后的能耗预测数据集;
利用滑动时间窗口法对所述处理后的能耗预测数据集进行时间步划分,得到划分时间步后的能耗预测数据集;
利用留出法将所述划分时间步后的能耗预测数据集划分为训练集和验证集;
利用皮尔逊相关分析法对所述训练集和所述验证集中的历史能耗数据和历史环境数据进行相关性分析,分别提取所述训练集和所述验证集中相关性最小的历史能耗数据和历史环境数据;
利用在所述训练集中提取出的相关性最小的历史能耗数据和历史环境数据,对卷烟厂能耗预测模型进行训练,得到训练好的卷烟厂能耗预测模型。
5.根据权利要求4所述的卷烟厂能耗预测方法,其特征在于,所述利用在所述训练集中提取出的相关性最小的历史能耗数据和历史环境数据,对卷烟厂能耗预测模型进行训练,得到训练好的卷烟厂能耗预测模型之后,还包括:
根据评价指标对所述训练好的卷烟厂能耗预测模型的预测精度进行评价,得到模型预测精度;所述评价指标包括均方根误差、平均误差和平均绝对百分比误差;
根据所述模型预测精度,采用试错法,利用所述验证集对所述训练后的卷烟厂能耗预测模型的超参数进行调整,得到调整后的卷烟厂能耗预测模型。
6.根据权利要求4所述的卷烟厂能耗预测方法,其特征在于,所述卷烟厂能耗预测模型包括时域卷积神经网络和双向门控循环单元;所述时域卷积神经网络的输出作为所述双向门控循环单元的输入;所述时域卷积神经网络包括膨胀卷积层、因果卷积层和残差链接层。
7.根据权利要求2所述的卷烟厂能耗预测方法,其特征在于,所述利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据,具体包括:
利用公式计算处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据的相关系数;其中,X与Y为处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值中任意两个数据;ρX,Y为X和Y的相关系数;cov(X,Y)为X与Y的协方差;σX表示X的标准差;σY表示Y的标准差;
根据所述相关系数,利用关联性热力图,将处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值之间的相关关系进行可视化展示;
选取相关性最小的处理后的制冷能耗值、处理后的制热能耗值、处理后的电能耗值、处理后的当前温度、处理后的当前湿度和处理后的当前太阳辐射强度值。
8.一种卷烟厂能耗预测***,其特征在于,包括:
数据获取模块,用于获取卷烟厂的当前能耗数据和当前环境数据;
数据处理模块,用于对所述当前能耗数据和所述当前环境数据进行归一化处理和滑动时间窗口处理,得到处理后的能耗数据和处理后的环境数据;
相关性分析模块,用于利用皮尔逊相关分析法对所述处理后的能耗数据和所述处理后的环境数据进行相关性分析,确定相关性最小的处理后的能耗数据和处理后的环境数据;
预测模块,用于根据所述相关性最小的处理后的能耗数据和处理后的环境数据,利用训练好的卷烟厂能耗预测模型对所述卷烟厂设定时间后的能耗数据进行预测,得到预测能耗数据,以进行卷烟厂内的控制调度;所述训练好的卷烟厂能耗预测模型包括训练好的时域卷积神经网络和训练好的双向门控循环单元。
9.一种电子设备,其特征在于,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-7任一项所述的卷烟厂能耗预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的卷烟厂能耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660108.4A CN115936236A (zh) | 2022-12-23 | 2022-12-23 | 一种卷烟厂能耗预测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660108.4A CN115936236A (zh) | 2022-12-23 | 2022-12-23 | 一种卷烟厂能耗预测方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936236A true CN115936236A (zh) | 2023-04-07 |
Family
ID=86551953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660108.4A Pending CN115936236A (zh) | 2022-12-23 | 2022-12-23 | 一种卷烟厂能耗预测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132006A (zh) * | 2023-10-27 | 2023-11-28 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理***的能耗预测方法及*** |
-
2022
- 2022-12-23 CN CN202211660108.4A patent/CN115936236A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132006A (zh) * | 2023-10-27 | 2023-11-28 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理***的能耗预测方法及*** |
CN117132006B (zh) * | 2023-10-27 | 2024-01-30 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理***的能耗预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源***多元负荷预测方法 | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、***、设备及介质 | |
CN110084403B (zh) | 架空导线载流量的多时段联合概率密度预测方法及*** | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
CN114330642A (zh) | 一种用于多采样时间的建筑电力负荷预测方法 | |
CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及*** | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源***短期负荷预测方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及*** | |
Zhou et al. | A short-term wind speed prediction method utilizing rolling decomposition and time-series extension to avoid information leakage | |
Harish et al. | A Comparative Study of Forecasting Problems on Electrical Load Timeseries Data using Deep Learning Techniques | |
Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief 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 |