CN116822672A - 一种空调冷负荷预测优化方法、*** - Google Patents
一种空调冷负荷预测优化方法、*** Download PDFInfo
- Publication number
- CN116822672A CN116822672A CN202210262469.7A CN202210262469A CN116822672A CN 116822672 A CN116822672 A CN 116822672A CN 202210262469 A CN202210262469 A CN 202210262469A CN 116822672 A CN116822672 A CN 116822672A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- cold load
- learning machine
- conditioner cold
- extreme learning
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 241000283153 Cetacea Species 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000000470 constituent Substances 0.000 claims abstract description 7
- 238000001816 cooling Methods 0.000 claims description 25
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调冷负荷预测优化方法、***及设备,包括获取空调冷负荷的影响构成要素数据,确定空调冷负荷的主要影响指标数据;采用空调冷负荷的主要影响指标数据,对极限学习机网络进行训练优化;其中,训练优化过程,采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优,得到优化后的极限学习机;采集空调冷负荷主要影响指标数据,输入至优化后的极限学习机中,输出得到空调冷负荷预测优化结果;本发明采用主要影响指标数据对极限学习机进行训练优化,降低了改进极限学习机输入变量的维度,提高了收敛速度,节约了运算成本;将鲸鱼优化算法与极限学习机结合,降低了极限学习机空调冷负荷预测的均方误差,有效提升了预测性能。
Description
技术领域
本发明属于空调技术领域,特别涉及一种空调冷负荷预测优化方法、***及设备。
背景技术
近年来,随着城市化建设的崛起,伴随着建筑能耗的迅速上升,降低建筑能耗对于缓解电网压力发挥着举足轻重的作用;空调的供热***和供冷***的能耗占到建筑能耗的30%-40%;提高空调的能源利用率,减少资源的浪费是响应绿色节能发展的重要环节;由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑,因此研究建筑能耗机理和规律,建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义;负荷预测在学术和实际应用方面有着十分广泛的应用价值,吸引了许多研究人员目光,尤其是中短期负荷预测;空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征,同时它也是非常敏感的,易受到其他随机因素的影响,如日光辐射、室外空气温度及室外风速等。
目前,神经网络预测模型已经能够有效的应用于空调负荷预测中,能够满足实际应用需求;但之前的研究主要是强调室外气相参数对空调负荷的影响,缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析,导致预测模型输入变量与输出之间相关性差,冗余度高,并不能很好的适用于大型商业建筑冷负荷预测;极限学习机在模型训练时,由于输入层及隐含层的输入权重和隐含层阈值是随机生成的,网络性能会受到影响,从而会使预测模型泛化能力差,预测结果不稳定。
发明内容
近年来,随着城市化建设的崛起,伴随着建筑能耗的迅速上升,降低建筑能耗对于缓解电网压力发挥着举足轻重的作用;空调的供热***和供冷***的能耗占到建筑能耗的30%-40%;提高空调的能源利用率,减少资源的浪费是响应绿色节能发展的重要环节;由于空调冷负荷预测的研究为优化空调的运行效率提供了有效的数据支撑,因此研究建筑能耗机理和规律,建立准确、有效的空调冷负荷预测模型便具有十分重要的现实意义;负荷预测在学术和实际应用方面有着十分广泛的应用价值,吸引了许多研究人员目光,尤其是中短期负荷预测;空调负荷数据在全生命周期中具有弱平稳序列和线性自相关较强的特征,同时它也是非常敏感的,易受到其他随机因素的影响,如日光辐射、室外空气温度及室外风速等。
目前,神经网络预测模型已经能够有效的应用于空调负荷预测中,能够满足实际应用需求;但之前的研究主要是强调室外气相参数对空调负荷的影响,缺乏建筑本体特征、人员流动、用电设备以及历史负荷等对建筑冷负荷的综合影响性分析,导致预测模型输入变量与输出之间相关性差,冗余度高,并不能很好的适用于大型商业建筑冷负荷预测;极限学习机在模型训练时,由于输入层及隐含层的输入权重和隐含层阈值是随机生成的,网络性能会受到影响,从而会使预测模型泛化能力差,预测结果不稳定。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种空调冷负荷预测优化方法,包括以下步骤:
步骤1、获取空调冷负荷的影响构成要素数据;其中,空调冷负荷的影响构成要素数据包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速;采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理,得到空调冷负荷的主要影响指标数据。
采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程,具体如下:
采用单变量选择方式,对空调冷负荷的影响构成要素数据进行选取;将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型;以决定系数作为随机森林模型的评价指标;其中,决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度;采用5折交叉验证的模型训练方式对随机森林模型进行训练,筛选得到空调冷负荷的主要影响指标数据。
步骤2、采用空调冷负荷的主要影响指标数据,对极限学习机网络进行训练优化;其中,训练优化过程,采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优,得到优化后的极限学习机;具体过程如下:
设置极限学习机预测精度参数,并确定极限学习机预测精度参数范围;其中,极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数;其中,将输入权值参数设置为-1到1范围内的随机数;隐藏层阈值参数设置为0到1范围内的随机数。
根据极限学习机预测精度参数范围,设置鲸鱼优化算法影响参数的寻优范围;鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限;鲸鱼优化算法的适应度函数为均方误差。
利用空调冷负荷的主要影响指标数据及鲸鱼种群信息,得到极限学习机的预测值;并根据极限学习机的预测值,计算所有个体的适应度值,选择当前最优适应度个体,并设置该个体的位置为当前最优;
利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制,对个***置进行迭代更新;
每次迭代更新后,将优化后的预测精度参数传递至极限学习机;
判断迭代循环次数是否达到预设值,若是,则停止对预测精度参数的寻优,得到极限学习机的最优权重参数及阈值参数;若非,则继续迭代更新;本发明中,利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制,对个***置进行迭代更新过程,若t<Tmax,则对输入权值与隐藏层阈值进行更新;当随机变量p<0 .5时,若系数向量|A|≥1,鲸鱼将会放弃猎物并重新进行搜寻;若系数向量|A|<1,鲸鱼将进攻猎物;当随机变量p≥0 .5时,对个***置进行螺旋更新。
步骤3、采集空调冷负荷主要影响指标数据,输入至优化后的极限学习机中,输出得到空调冷负荷预测优化结果。
本发明还提供了一种空调冷负荷预测优化***,包括影响指标数据模块、模型优化模块及输出模块;影响指标数据模块,用于获取空调冷负荷的影响构成要素数据,确定空调冷负荷的主要影响指标数据;模型优化模块,用于采用空调冷负荷的主要影响指标数据,对极限学习机网络进行训练优化;其中,训练优化过程,采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优,得到优化后的极限学习机;输出模块,用于采集空调冷负荷主要影响指标数据,输入至优化后的极限学习机中,输出得到空调冷负荷预测优化结果。
本发明还提供了一种空调冷负荷预测优化设备,包括处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化方法中的步骤。或者,所述处理器执行所述计算机程序时实现上述空调冷负荷预测优化设备中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述空调冷负荷预测优化设备中的执行过程。例如,所述计算机程序可以被分割成影响指标数据模块、模型优化模块及输出模块,各模块具体功能如下:影响指标数据模块,用于获取空调冷负荷的影响构成要素数据,确定空调冷负荷的主要影响指标数据;
模型优化模块,用于采用空调冷负荷的主要影响指标数据,对极限学习机网络进行训练优化;其中,训练优化过程,采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优,得到优化后的极限学习机;
输出模块,用于采集空调冷负荷主要影响指标数据,输入至优化后的极限学习机中,输出得到空调冷负荷预测优化结果。
所述的空调冷负荷预测优化设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述空调冷负荷预测优化设备可包括,但不仅限于,处理器、存储器。
本领域技术人员可以理解,上述为空调冷负荷预测优化设备的示例,并不构成对空调冷负荷预测优化设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述空调冷负荷预测优化设备还可以包括输入输出设备、网络接入设备及总线等。
所称处理器可以是中央处理单元、还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述空调冷负荷预测优化设备的控制中心,利用各种接口和线路连接整个空调冷负荷预测优化设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述空调冷负荷预测优化设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard ,SMC),安全数字(SecureDigital ,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述空调冷负荷预测优化设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明实现上述空调冷负荷预测优化方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述空调冷负荷预测优化方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
实施例
以某市两个大型商业建筑为研究对象,本实施例提供了一种空调冷负荷预测优化方法,包括以下步骤:
步骤1、获取空调冷负荷的构成要素数据;其中,空调冷负荷的构成要素包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。
步骤2、采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理,得到空调冷负荷的主要影响指标数据;其中,采用随机森林算法对空调冷负荷的影响构成要求进行预处理过程,采用单变量选择的方式,对空调冷负荷影响因素数据进行选取,将每种空调冷负荷影响因素数据与空调冷负荷值建立随机森林模型;以决定系数作为随机森林模型的评价指标;其中,决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度;采用5折交叉验证的模型训练方式,筛选预测的特征数据,得到空调冷负荷的主要影响指标数据。
采用随机森林算法对空调冷负荷的构成要素进行预处理过程,具体包括以下步骤:
步骤21、获取空调冷负荷的影响构成要素数据,构建初始训练集;从初始训练集中运用boostrap方法,随机且有放回的抽取N个新的子样本集;并根据该N个子样本集建立N棵分类回归树。
步骤22、设每个子样本集的特征维数为M,并设定一个常数m,且m≤M;在每棵分类回归树的每个节点选取m个特征;计算每个特征包含的信息量,从m个特征中选择最有分类能力的一个特征进行节点***。
步骤23、使每棵分类回归树在最大程度上进行声场,且无剪枝过程。
步骤24、将所有分类回归树整合成为一个随机森林;当处理分类问题时,会根据某种分类结果数最多决定最终输出;当使用随机森林建立回归预测时,最终结果由所有树输出的平均值确定。
随机森林能够很好的对冷负荷相关参数进行降维处理,其选择的输入参数能够更好地建立预测模型,有效地增加模型预测精度。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (8)
1.一种空调冷负荷预测优化方法,其特征在于,包括以下步骤:
获取空调冷负荷的影响构成要素数据,确定空调冷负荷的主要影响指标数据;采用空调冷负荷的主要影响指标数据,对极限学习机网络进行训练优化;其中,训练优化过程,采用鲸鱼优化算法对极限学习机的权重参数及阈值参数进行寻优,得到优化后的极限学习机;采集空调冷负荷主要影响指标数据,输入至优化后的极限学习机中,输出得到空调冷负荷预测优化结果。
2.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,空调冷负荷的影响构成要素数据包括建筑物室内温度、CO2浓度、水平面总辐射、室外空气温度、相对湿度、湿球温度和风速。
3.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,确定空调冷负荷的主要影响指标数据的过程,具体为:采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理,得到空调冷负荷的主要影响指标数据。
4.根据权利要求3所述的一种空调冷负荷预测优化方法,其特征在于,采用随机森林算法对空调冷负荷的影响构成要素数据进行预处理过程,具体如下:采用单变量选择方式,对空调冷负荷的影响构成要素数据进行选取;将每种空调冷负荷的影响构成要素数据分别与空调冷负荷值建立随机森林模型;以决定系数作为随机森林模型的评价指标;其中,决定系数为空调冷负荷影响因素对于空调冷负荷值的影响程度;采用5折交叉验证的模型训练方式对随机森林模型进行训练,筛选得到空调冷负荷的主要影响指标数据。
5.根据权利要求1所述的一种空调冷负荷预测优化方法,其特征在于,采用鲸鱼算法对极限学习机的权重参数及阈值参数进行寻优,具体如下:
设置极限学习机预测精度参数,并确定极限学习机预测精度参数范围;根据极限学习机预测精度参数范围,设置鲸鱼优化算法影响参数的寻优范围;利用空调冷负荷的主要影响指标数据及鲸鱼种群信息,得到极限学习机的预测值;并根据极限学习机的预测值,计算所有个体的适应度值,选择当前最优适应度个体,并设置该个体的位置为当前最优;利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制,对个***置进行迭代更新;
每次迭代更新后,将优化后的预测精度参数传递至极限学习机;判断迭代循环次数是否达到预设值,若是,则停止对预测精度参数的寻优,得到极限学习机的最优权重参数及阈值参数;若非,则继续迭代更新。
6.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,极限学习机预测精度参数包括输入权值参数及隐藏层阈值参数;其中,将输入权值参数设置为[-1 ,1]范围内的随机数;隐藏层阈值参数设置为[0 ,1]范围内的随机数。
7.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,鲸鱼优化算法影响参数包括种群规模、最大迭代次数及鲸鱼种群位置的上限与下限;鲸鱼优化算法的适应度函数为均方误差。
8.根据权利要求5所述的一种空调冷负荷预测优化方法,其特征在于,利用鲸鱼优化算法的收缩包围机制、螺旋更新位置机制及探索机制,对个***置进行迭代更新过程;
若当前迭代次数t<最大迭代次数Tmax,则对输入权值与隐藏层阈值进行更新;
当随机变量p<0 .5时,若系数向量|A|≥1,鲸鱼将会放弃猎物并重新进行搜寻;若系数
向量|A|<1,鲸鱼将进攻猎物;
当随机变量p≥0 .5时,对个***置进行螺旋更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262469.7A CN116822672A (zh) | 2022-03-17 | 2022-03-17 | 一种空调冷负荷预测优化方法、*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262469.7A CN116822672A (zh) | 2022-03-17 | 2022-03-17 | 一种空调冷负荷预测优化方法、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822672A true CN116822672A (zh) | 2023-09-29 |
Family
ID=88124460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262469.7A Pending CN116822672A (zh) | 2022-03-17 | 2022-03-17 | 一种空调冷负荷预测优化方法、*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822672A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232110A (zh) * | 2023-11-14 | 2023-12-15 | 博纳环境设备(太仓)有限公司 | 用于工业空调分仓控制的多源数据处理方法及*** |
CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调***控制方法和装置 |
-
2022
- 2022-03-17 CN CN202210262469.7A patent/CN116822672A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117366810A (zh) * | 2023-10-26 | 2024-01-09 | 中国建筑科学研究院有限公司 | 一种空调***控制方法和装置 |
CN117366810B (zh) * | 2023-10-26 | 2024-06-07 | 中国建筑科学研究院有限公司 | 一种空调***控制方法和装置 |
CN117232110A (zh) * | 2023-11-14 | 2023-12-15 | 博纳环境设备(太仓)有限公司 | 用于工业空调分仓控制的多源数据处理方法及*** |
CN117232110B (zh) * | 2023-11-14 | 2024-04-09 | 博纳环境设备(太仓)有限公司 | 用于工业空调分仓控制的多源数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177673B (zh) | 一种空调冷负荷预测优化方法、***及设备 | |
CN116822672A (zh) | 一种空调冷负荷预测优化方法、*** | |
CN114004424A (zh) | 一种光伏功率预测方法、***、设备及存储介质 | |
CN113887801A (zh) | 建筑冷负荷预测方法、***、设备及可读存储介质 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN114282730A (zh) | 一种用于建筑负荷预测的数据完备性检验与特征学习方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN113239503B (zh) | 基于改进k-means聚类算法的新能源出力场景分析方法及*** | |
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*** | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN117875481A (zh) | 碳排放预测方法、电子设备和计算机可读介质 | |
CN116595895A (zh) | 短时电量预测模型的训练方法及短时电量预测方法 | |
CN116054144A (zh) | 分布式光伏接入的配电网重构方法、***及存储介质 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
CN116027829A (zh) | 机房温度控制方法、装置、设备及存储介质 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
CN113255223A (zh) | 一种空调负荷短期预测方法及*** | |
CN111046321A (zh) | 光伏电站运维策略优化方法和装置 | |
CN115409266A (zh) | 一种商业建筑冷负荷预测方法、***、设备及介质 | |
CN111639799B (zh) | 基于卷积轻量级梯度提升树的负荷总功率预测方法及*** | |
CN116384570A (zh) | 基于改进fenn的建筑冷负荷预测方法及相关装置 | |
CN117829623A (zh) | 一种基于rf-igoa-lstm模型的机场航站楼的冷负荷预测方法及*** | |
CN116304762A (zh) | 负荷的分解方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |