CN117742135A - 一种用于通信机房的光伏节能控制方法及*** - Google Patents
一种用于通信机房的光伏节能控制方法及*** Download PDFInfo
- Publication number
- CN117742135A CN117742135A CN202410178507.XA CN202410178507A CN117742135A CN 117742135 A CN117742135 A CN 117742135A CN 202410178507 A CN202410178507 A CN 202410178507A CN 117742135 A CN117742135 A CN 117742135A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- illuminance
- battery state
- user
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004891 communication Methods 0.000 title claims abstract description 31
- 238000009499 grossing Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 26
- 230000001932 seasonal effect Effects 0.000 claims description 22
- 238000005311 autocorrelation function Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 239000004278 EU approved seasoning Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000011194 food seasoning agent Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于通信机房的光伏节能控制方法及***,属于机器学***滑法进行预测,确定光照度变化的重复周期L,进行训练、评估和调优;电池状态优化模块:使用PID控制器进行电池状态优化,不断调整PID参数进行实时控制;设备远程控制模块:允许用户设定定时任务或触发事件,远程查看设备参数,进行手动远程操作。
Description
技术领域
本发明涉及机器学习技术领域,具体为一种用于通信机房的光伏节能控制方法及***。
背景技术
光伏能源是一种清洁、可再生的能源形式,其在通信机房中的应用有助于减少对传统能源的依赖,推动环保和可持续发展。通过优化光伏能源的智能利用,本发明旨在提高通信机房的能源效率,更准确的能源需求预测和光照度预测,有助于实现光伏能源的最大化利用,减少能源浪费。
现有技术在光伏能源的智能利用方面存在局限,未能充分优化能源利用效率,受到能源之间复杂关系的限制。部分***在光照度预测方面使用的方法相对传统,未能很好地适应不同季节和天气的变化,导致对光伏能源产生的光照度进行不准确的预测,影响能源管理的精确性。有些***的电池状态优化过于简单,未能很好地考虑根据环境数据动态变化,导致电池的寿命减短或未能充分发挥其储能潜力。
发明内容
本发明的目的在于提供一种用于通信机房的光伏节能控制方法及***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种用于通信机房的光伏节能控制***,包括:
数据采集模块:集成各类传感器,实时采集传感器产生的数据,对数据进行预处理后存储进***数据库中,允许用户配置采集频率和传感器阈值;
能源需求预测模块:对数据采集模块采集到的数据进行特征工程和时间序列处理,选择支持向量机算法进行训练,并使用验证集进行模型的调优,使用测试集对训练好的模型进行评估,应用于实时数据,进行可视化展示;
光照度预测模块:使用Holt-Winters指数平滑法进行预测,确定光照度变化的重复周期L,选择平滑参数并初始化初始值,进行训练、评估和调优;
电池状态优化模块:使用PID控制器进行电池状态优化,确定比例项、积分项和微分项后进行结合,得到PID控制器的数学表示,不断调整PID参数进行实时控制;
设备远程控制模块:提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
所述数据采集模块集成各类传感器,包括:光照传感器、温度传感器、湿度传感器、电流传感器、电压传感器、电池状态传感器,允许用户对传感器配置采集频率;对每个传感器,允许用户设定上限和下限阈值,当传感器测量的参数超出设定范围时,***将触发相应的报警机制;提供保存配置信息功能,在***重启后用户仍然能选择历史使用过的配置信息,并相应提供默认的采集频率和阈值配置。
所述能源需求预测模块从数据采集模块中获取数据,包括:光照强度、温度、湿度、电流、电压和电池状态;对所述数据进行特征工程的步骤如下:
S3-1、对偏斜的特征进行对数变换,对需要调整尺度的特征进行标准化或归一化;由于某些特征呈现右偏或左偏的分布,对数变换能够使特征更接近正态分布,操作将特征值取对数;通过标准化或归一化,保证特征具有相似的尺度;
S3-2、对特征进行时间序列处理,提取时间戳和季节特征;提取时间戳通过提取年、月、日和具体时间点完成,提取季节特征通过提取月份、小时的正弦和余弦分量完成;
S3-3、对包含分类信息的特征进行标签编码或独热编码;标签编码用于将分类信息映射为整数,独热编码用于处理多类别的分类信息,防止模型误解为有序关系;
S3-4、创建交叉特征,结合两个及以上特征,引入特征之间的关联;
S3-5、利用交叉特征验证特征工程的效果,使用均方根误差对比包含交叉特征和不包含交叉特征的模型性能。
所述能源需求预测模块使用支持向量机算法进行模型训练,进行特征工程后获得以下特征:光照强度、温度/>、湿度/>、电流/>、电压/>、电池状态/>,则非线性核的能源需求预测公式如下:
;
其中,G表示预测的能源需求,N是支持向量的数量,i表示支持向量的索引,是支持向量的系数;/>是支持向量对应的类别标签,表示该支持向量所属的类别,所述类别包括正类别和负类别,对于正类别的支持向量,/>,对于负类别的支持向量,/>;是新样本的特征向量,/>是支持向量的特征向量,/>是径向基函数的宽度参数,b是偏置项。
所述光照度预测模块使用Holt-Winters指数平滑法进行预测,Holt-Winters指数平滑法不仅考虑数据的趋势,还考虑到季节性的周期性变化。对于光照度这样具有明显季节性变化的数据,有助于更准确地捕捉数据的周期性波动。Holt-Winters方法适用于既有趋势又有季节性的非平稳时间序列,对于光照度这样同时存在趋势和季节性的数据,Holt-Winters方法能够更好地适应数据的复杂变化。Holt-Winters方法具有自适应调整权重的机制,可以根据历史数据的变化情况来调整预测模型的权重,这种机制使得模型更具灵活性,能够适应不同程度的数据波动。步骤如下:
S5-1、使用自相关函数确定季节性周期L;
S5-2、初始化组件参数为0:水平、趋势/>、季节性/>;
S5-3、使用公式更新水平、趋势和季节性;
S5-4、预测未来的光照度值;
S5-5、使用验证集调整平滑系数;
S5-6、使用测试集评估模型的预测性能,计算均方误差MSE。
根据步骤S5-1,光照度预测模块使用下述公式计算光照度的自相关函数ACF值:
;
其中,k是滞后值,表示观察的两个光照度值之间的时间间隔;ACF(k)是滞后k处的自相关函数值;是时间序列在时刻t处的光照度值;/>是时间序列的均值;T是时间序列的长度,表示光照度值的个数;/>的计算公式如下:
;
表示光照度在时刻t处的偏离均值的量,/>表示光照度在时刻t+k处的偏离均值的量;通过计算/>值,将/>赋值给季节性周期L。
根据步骤S5-3,使用以下公式更新水平、趋势/>和季节性/>:
;
其中,表示在时刻t处的水平,/>表示在时刻t处的光照度值,/>是在时刻t处的观测值,/>是水平平滑参数,/>是在时刻t-1处的水平,/>是在时刻t-1处的趋势;
表示在时刻t处的趋势,/>是趋势平滑参数;
表示在时刻t处的季节性,/>是季节性平滑参数。
根据步骤S5-4,根据更新后的水平、趋势和季节性,预测未来值的公式如下:
;
其中,表示在未来h个时间点后的光照度预测值,h表示预测光照度的未来时间点数值,/>表示在时刻t处的季节性,通过/>以确保h在周期内。
所述电池状态优化模块使用PID控制器进行电池状态优化,得到如下数学公式:
;
其中,u(t)是在时刻t处的PID控制器输出,表示对电池充电或放电的控制信号;是在时刻t处的电池状态误差,表示期望的电池状态与实际电池状态之间的差异;/>是比例项,控制电池状态与目标状态的直接关系,增大/>能够增强对实时电池状态误差的调整能力;/>是积分项,用于控制积分误差,用于消除***长期电池状态的偏差,增大/>能够增强对长期电池状态误差的调整能力;/>是微分项,用于控制电池状态误差的变化率,减小***的振荡。
设备远程控制模块提供了虚拟专用网络VPN,用于建立安全的网络连接。VPN通过加密通信,确保用户与通信机房***之间的数据传输是安全的,有助于防范潜在的网络攻击和数据泄露。实施强化的用户身份验证机制,采用多因素身份验证,包括用户名、密码、手机号和验证码,以提高***的安全性。
用户可以设定定时任务或触发事件,以实现设备的自动化操作。这包括定时开关机、调整设备参数、执行特定任务等。通过设定这些任务,用户能够优化设备的运行和能源利用。允许用户远程查看设备的运行状态、性能参数和实时数据。这些数据包括设备的能源消耗、温度、湿度、电流、电压等参数。用户可以通过远程监视了解设备的运行情况。提供手动远程操作的功能,使用户能够对机房设备进行远程控制。这包括开关机、调整设备参数、执行特定命令等。设备远程控制模块通过界面提供对设备的控制和监视,包括图形化的仪表板、图表展示等,以便用户更直观地理解设备的运行状态和性能。
一种用于通信机房的光伏节能控制方法,包括以下步骤:
S100、实时采集传感器产生的数据,对数据进行预处理,将预处理后的数据存储进***数据库中;
S200、允许用户配置采集频率和传感器阈值;
S300、对采集到的数据进行特征工程和时间序列处理;
S400、使用支持向量机算法进行训练,通过验证集进行模型的调优,使用测试集评估训练好的模型;
S500、使用Holt-Winters指数平滑法进行光照度的预测;
S600、使用PID控制器进行电池状态优化;
S700、提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;
S800、允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
与现有技术相比,本发明所达到的有益效果是:
本发明采用机器学习算法进行能源需求预测,通过特征工程和时间序列处理提高了预测的准确性。相较于传统的简单预测方法,能够更精准地预测通信机房的能源需求,有效避免过度或不足的能源供应。
本发明使用Holt-Winters指数平滑法进行光照度预测,考虑了数据的趋势和季节性,更好地适应光照度的周期性变化。这有助于提高对光伏能源产生的光照度的准确性,优化光伏***的能源利用效率。
本发明采用PID控制器进行电池状态优化,能够自动调整比例项、积分项和微分项,相较于简单的状态优化方法,提供了更灵活、稳定的电池管理,延长电池寿命。
附图说明
附图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,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种用于通信机房的光伏节能控制***的***结构图;
图2是本发明一种用于通信机房的光伏节能控制方法的步骤示意图。
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。
请参阅图1和图2,本发明提供技术方案:
根据本发明的一个实施例,如图1一种用于通信机房的光伏节能控制***的***结构图所示,一种用于通信机房的光伏节能控制***,包括:
数据采集模块:集成各类传感器,实时采集传感器产生的数据,对数据进行预处理后存储进***数据库中,允许用户配置采集频率和传感器阈值;
能源需求预测模块:对数据采集模块采集到的数据进行特征工程和时间序列处理,选择支持向量机算法进行训练,并使用验证集进行模型的调优,使用测试集对训练好的模型进行评估,应用于实时数据,进行可视化展示;
光照度预测模块:使用Holt-Winters指数平滑法进行预测,确定光照度变化的重复周期L,选择平滑参数并初始化初始值,进行训练、评估和调优;
电池状态优化模块:使用PID控制器进行电池状态优化,确定比例项、积分项和微分项后进行结合,得到PID控制器的数学表示,不断调整PID参数进行实时控制;
设备远程控制模块:提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
所述数据采集模块集成各类传感器,包括:光照传感器、温度传感器、湿度传感器、电流传感器、电压传感器、电池状态传感器,允许用户对传感器配置采集频率;对每个传感器,允许用户设定上限和下限阈值,当传感器测量的参数超出设定范围时,***将触发相应的报警机制;提供保存配置信息功能,在***重启后用户仍然能选择历史使用过的配置信息,并相应提供默认的采集频率和阈值配置。
所述能源需求预测模块从数据采集模块中获取数据,包括:光照强度、温度、湿度、电流、电压和电池状态;对所述数据进行特征工程的步骤如下:
S3-1、对偏斜的特征进行对数变换,对需要调整尺度的特征进行标准化或归一化;由于某些特征呈现右偏或左偏的分布,对数变换能够使特征更接近正态分布,操作将特征值取对数;通过标准化或归一化,保证特征具有相似的尺度;
S3-2、对特征进行时间序列处理,提取时间戳和季节特征;提取时间戳通过提取年、月、日和具体时间点完成,提取季节特征通过提取月份、小时的正弦和余弦分量完成;
S3-3、对包含分类信息的特征进行标签编码或独热编码;标签编码用于将分类信息映射为整数,独热编码用于处理多类别的分类信息,防止模型误解为有序关系;
S3-4、创建交叉特征,结合两个及以上特征,引入特征之间的关联;
S3-5、利用交叉特征验证特征工程的效果,使用均方根误差对比包含交叉特征和不包含交叉特征的模型性能。
所述能源需求预测模块使用支持向量机算法进行模型训练,进行特征工程后获得以下特征:光照强度、温度/>、湿度/>、电流/>、电压/>、电池状态/>,则非线性核的能源需求预测公式如下:
;
其中,G表示预测的能源需求,N是支持向量的数量,i表示支持向量的索引;是支持向量的系数,/>是支持向量对应的类别标签,表示该支持向量所属的类别,所述类别包括正类别和负类别,对于正类别的支持向量,/>,对于负类别的支持向量,/>;是新样本的特征向量,/>是支持向量的特征向量,/>是径向基函数的宽度参数,b是偏置项。
所述光照度预测模块使用Holt-Winters指数平滑法进行预测,Holt-Winters指数平滑法不仅考虑数据的趋势,还考虑到季节性的周期性变化。对于光照度这样具有明显季节性变化的数据,有助于更准确地捕捉数据的周期性波动。Holt-Winters方法适用于既有趋势又有季节性的非平稳时间序列,对于光照度这样同时存在趋势和季节性的数据,Holt-Winters方法能够更好地适应数据的复杂变化。Holt-Winters方法具有自适应调整权重的机制,可以根据历史数据的变化情况来调整预测模型的权重,这种机制使得模型更具灵活性,能够适应不同程度的数据波动。步骤如下:
S5-1、使用自相关函数确定季节性周期L;
S5-2、初始化组件参数为0:水平、趋势/>、季节性/>;
S5-3、使用公式更新水平、趋势和季节性;
S5-4、预测未来的光照度值;
S5-5、使用验证集调整平滑系数;
S5-6、使用测试集评估模型的预测性能,计算均方误差MSE。
根据步骤S5-1,光照度预测模块使用下述公式计算光照度的自相关函数ACF值:
;
其中,k是滞后值,表示观察的两个光照度值之间的时间间隔;ACF(k)是滞后k处的自相关函数值;是时间序列在时刻t处的光照度值;/>是时间序列的均值;T是时间序列的长度,表示光照度值的个数;/>的计算公式如下:
;
表示光照度在时刻t处的偏离均值的量,/>表示光照度在时刻t+k处的偏离均值的量;通过计算/>值,将/>赋值给季节性周期L。
根据步骤S5-3,使用以下公式更新水平、趋势/>和季节性/>:
;
其中,表示在时刻t处的水平,/>表示在时刻t处的光照度值,/>是在时刻t处的观测值,/>是水平平滑参数,/>是在时刻t-1处的水平,/>是在时刻t-1处的趋势;
表示在时刻t处的趋势,/>是趋势平滑参数;
表示在时刻t处的季节性,/>是季节性平滑参数。
根据步骤S5-4,根据更新后的水平、趋势和季节性,预测未来值的公式如下:
;
其中,表示在未来h个时间点后的光照度预测值,h表示预测光照度的未来时间点数值,/>表示在时刻t处的季节性,通过/>以确保h在周期内。
所述电池状态优化模块使用PID控制器进行电池状态优化,得到如下数学公式:
;
其中,u(t)是在时刻t处的PID控制器输出,表示对电池充电或放电的控制信号;是在时刻t处的电池状态误差,表示期望的电池状态与实际电池状态之间的差异;/>是比例项,控制电池状态与目标状态的直接关系,增大/>能够增强对实时电池状态误差的调整能力;/>是积分项,用于控制积分误差,用于消除***长期电池状态的偏差,增大/>能够增强对长期电池状态误差的调整能力;/>是微分项,用于控制电池状态误差的变化率,减小***的振荡。
设备远程控制模块提供了虚拟专用网络VPN,用于建立安全的网络连接。VPN通过加密通信,确保用户与通信机房***之间的数据传输是安全的,有助于防范潜在的网络攻击和数据泄露。实施强化的用户身份验证机制,采用多因素身份验证,包括用户名、密码、手机号和验证码,以提高***的安全性。
用户可以设定定时任务或触发事件,以实现设备的自动化操作。这包括定时开关机、调整设备参数、执行特定任务等。通过设定这些任务,用户能够优化设备的运行和能源利用。允许用户远程查看设备的运行状态、性能参数和实时数据。这些数据包括设备的能源消耗、温度、湿度、电流、电压等参数。用户可以通过远程监视了解设备的运行情况。提供手动远程操作的功能,使用户能够对机房设备进行远程控制。这包括开关机、调整设备参数、执行特定命令等。设备远程控制模块通过界面提供对设备的控制和监视,包括图形化的仪表板、图表展示等,以便用户更直观地理解设备的运行状态和性能。
根据本发明的另一个实施例,如图2一种用于通信机房的光伏节能控制方法的步骤示意图所示,一种用于通信机房的光伏节能控制方法,包括以下步骤:
S100、实时采集传感器产生的数据,对数据进行预处理,将预处理后的数据存储进***数据库中;
S200、允许用户配置采集频率和传感器阈值;
S300、对采集到的数据进行特征工程和时间序列处理;
S400、使用支持向量机算法进行训练,通过验证集进行模型的调优,使用测试集评估训练好的模型;
S500、使用Holt-Winters指数平滑法进行光照度的预测;
S600、使用PID控制器进行电池状态优化;
S700、提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;
S800、允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于通信机房的光伏节能控制***,其特征在于:包括:
数据采集模块:集成各类传感器,实时采集传感器产生的数据,对数据进行预处理后存储进***数据库中,允许用户配置采集频率和传感器阈值;
能源需求预测模块:对数据采集模块采集到的数据进行特征工程和时间序列处理,选择支持向量机算法进行训练,并使用验证集进行模型的调优,使用测试集对训练好的模型进行评估,应用于实时数据,进行可视化展示;
光照度预测模块:使用Holt-Winters指数平滑法进行预测,确定光照度变化的重复周期L,选择平滑参数并初始化初始值,进行训练、评估和调优;
电池状态优化模块:使用PID控制器进行电池状态优化,确定比例项、积分项和微分项后进行结合,得到PID控制器的数学表示,不断调整PID参数进行实时控制;
设备远程控制模块:提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
2.根据权利要求1所述的一种用于通信机房的光伏节能控制***,其特征在于:所述数据采集模块集成各类传感器,包括:光照传感器、温度传感器、湿度传感器、电流传感器、电压传感器、电池状态传感器,允许用户对传感器配置采集频率;对每个传感器,允许用户设定上限和下限阈值,当传感器测量的参数超出设定范围时,***将触发相应的报警机制;提供保存配置信息功能,在***重启后用户仍然能选择历史使用过的配置信息,并相应提供默认的采集频率和阈值配置。
3.根据权利要求1所述的一种用于通信机房的光伏节能控制***,其特征在于:所述能源需求预测模块从数据采集模块中获取数据,包括:光照强度、温度、湿度、电流、电压和电池状态;对所述数据进行特征工程的步骤如下:
S3-1、对偏斜的特征进行对数变换,对需要调整尺度的特征进行标准化或归一化;由于某些特征呈现右偏或左偏的分布,对数变换能够使特征更接近正态分布,操作将特征值取对数;通过标准化或归一化,保证特征具有相似的尺度;
S3-2、对特征进行时间序列处理,提取时间戳和季节特征;提取时间戳通过提取年、月、日和具体时间点完成,提取季节特征通过提取月份、小时的正弦和余弦分量完成;
S3-3、对包含分类信息的特征进行标签编码或独热编码;标签编码用于将分类信息映射为整数,独热编码用于处理多类别的分类信息,防止模型误解为有序关系;
S3-4、创建交叉特征,结合两个及以上特征,引入特征之间的关联;
S3-5、利用交叉特征验证特征工程的效果,使用均方根误差对比包含交叉特征和不包含交叉特征的模型性能。
4.根据权利要求1所述的一种用于通信机房的光伏节能控制***,其特征在于:所述能源需求预测模块使用支持向量机算法进行模型训练,进行特征工程后获得以下特征:光照强度、温度/>、湿度/>、电流/>、电压/>、电池状态/>,则非线性核的能源需求预测公式如下:
;
其中,G表示预测的能源需求,N是支持向量的数量,i表示支持向量的索引,是支持向量的系数;/>是支持向量对应的类别标签,表示该支持向量所属的类别,所述类别包括正类别和负类别,对于正类别的支持向量,/>,对于负类别的支持向量,/>;是新样本的特征向量,/>是支持向量的特征向量,/>是径向基函数的宽度参数,b是偏置项。
5.根据权利要求1所述的一种用于通信机房的光伏节能控制***,其特征在于:所述光照度预测模块使用Holt-Winters指数平滑法进行预测的步骤如下:
S5-1、使用自相关函数确定季节性周期L;
S5-2、初始化组件参数为0:水平、趋势/>、季节性/>;
S5-3、使用公式更新水平、趋势和季节性;
S5-4、预测未来的光照度值;
S5-5、使用验证集调整平滑系数;
S5-6、使用测试集评估模型的预测性能,计算均方误差MSE。
6.根据权利要求5所述的一种用于通信机房的光伏节能控制***,其特征在于:根据步骤S5-1,光照度预测模块使用下述公式计算光照度的自相关函数ACF值:
;
其中,k是滞后值,表示观察的两个光照度值之间的时间间隔;ACF(k)是滞后k处的自相关函数值;是时间序列在时刻t处的光照度值;/>是时间序列的均值;T是时间序列的长度,表示光照度值的个数;/>的计算公式如下:
;
表示光照度在时刻t处的偏离均值的量,/>表示光照度在时刻t+k处的偏离均值的量;通过计算/>值,将/>赋值给季节性周期L。
7.根据权利要求5所述的一种用于通信机房的光伏节能控制***,其特征在于:根据步骤S5-3,使用以下公式更新水平、趋势/>和季节性/>:
;
其中,表示在时刻t处的水平,/>表示在时刻t处的光照度值,/>是在时刻t处的观测值,/>是水平平滑参数,/>是在时刻t-1处的水平,/>是在时刻t-1处的趋势;
表示在时刻t处的趋势,/>是趋势平滑参数;
表示在时刻t处的季节性,/>是季节性平滑参数。
8.根据权利要求5所述的一种用于通信机房的光伏节能控制***,其特征在于:根据步骤S5-4,根据更新后的水平、趋势和季节性,预测未来值的公式如下:
;
其中,表示在未来h个时间点后的光照度预测值,h表示预测光照度的未来时间点数值,/>表示在时刻t处的季节性,通过/>以确保h在周期内。
9.根据权利要求1所述的一种用于通信机房的光伏节能控制***,其特征在于:所述电池状态优化模块使用PID控制器进行电池状态优化,得到如下数学公式:
;
其中,u(t)是在时刻t处的PID控制器输出,表示对电池充电或放电的控制信号;是在时刻t处的电池状态误差,表示期望的电池状态与实际电池状态之间的差异;/>是比例项,控制电池状态与目标状态的直接关系,增大/>能够增强对实时电池状态误差的调整能力;/>是积分项,用于控制积分误差,用于消除***长期电池状态的偏差,增大/>能够增强对长期电池状态误差的调整能力;/>是微分项,用于控制电池状态误差的变化率,减小***的振荡。
10.一种用于通信机房的光伏节能控制方法,应用于权利要求1-9中任一项所述的一种用于通信机房的光伏节能控制***,其特征在于,包括以下步骤:
S100、实时采集传感器产生的数据,对数据进行预处理,将预处理后的数据存储进***数据库中;
S200、允许用户配置采集频率和传感器阈值;
S300、对采集到的数据进行特征工程和时间序列处理;
S400、使用支持向量机算法进行训练,通过验证集进行模型的调优,使用测试集评估训练好的模型;
S500、使用Holt-Winters指数平滑法进行光照度的预测;
S600、使用PID控制器进行电池状态优化;
S700、提供虚拟专用网络VPN,实施用户身份验证机制,允许用户设定定时任务或触发事件,实现设备的自动化操作;
S800、允许用户远程查看设备运行状态、性能参数和实时数据,对机房设备进行手动远程操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178507.XA CN117742135A (zh) | 2024-02-09 | 2024-02-09 | 一种用于通信机房的光伏节能控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178507.XA CN117742135A (zh) | 2024-02-09 | 2024-02-09 | 一种用于通信机房的光伏节能控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117742135A true CN117742135A (zh) | 2024-03-22 |
Family
ID=90256766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410178507.XA Withdrawn CN117742135A (zh) | 2024-02-09 | 2024-02-09 | 一种用于通信机房的光伏节能控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117742135A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
CN107423852A (zh) * | 2017-07-24 | 2017-12-01 | 华北电力大学(保定) | 一种计及典型场景的光储联合电站优化运营方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测*** |
CN111680398A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 一种基于Holt-Winters模型的单机性能退化预测方法 |
CN113705817A (zh) * | 2021-08-10 | 2021-11-26 | 石家庄学院 | 基于高阶高斯混合模型的远程实时监控数据处理方法 |
CN114936640A (zh) * | 2022-07-04 | 2022-08-23 | 中北大学 | 一种新能源发电智能预测模型的在线训练方法 |
CN115271198A (zh) * | 2022-07-22 | 2022-11-01 | 中国电力科学研究院有限公司 | 一种光伏设备的净负荷预测方法及装置 |
CN116384588A (zh) * | 2023-04-26 | 2023-07-04 | 华能山东发电有限公司众泰电厂 | 基于全年情景树和双立体魔方的光伏发电预测方法及*** |
CN116717440A (zh) * | 2023-07-13 | 2023-09-08 | 武昌理工学院 | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 |
CN117013527A (zh) * | 2023-08-08 | 2023-11-07 | 河北汉尧碳科新能科技股份有限公司 | 一种分布式光伏发电功率预测方法 |
-
2024
- 2024-02-09 CN CN202410178507.XA patent/CN117742135A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
CN107423852A (zh) * | 2017-07-24 | 2017-12-01 | 华北电力大学(保定) | 一种计及典型场景的光储联合电站优化运营方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
CN110647979A (zh) * | 2019-09-10 | 2020-01-03 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测*** |
CN111680398A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 一种基于Holt-Winters模型的单机性能退化预测方法 |
CN113705817A (zh) * | 2021-08-10 | 2021-11-26 | 石家庄学院 | 基于高阶高斯混合模型的远程实时监控数据处理方法 |
CN114936640A (zh) * | 2022-07-04 | 2022-08-23 | 中北大学 | 一种新能源发电智能预测模型的在线训练方法 |
CN115271198A (zh) * | 2022-07-22 | 2022-11-01 | 中国电力科学研究院有限公司 | 一种光伏设备的净负荷预测方法及装置 |
CN116384588A (zh) * | 2023-04-26 | 2023-07-04 | 华能山东发电有限公司众泰电厂 | 基于全年情景树和双立体魔方的光伏发电预测方法及*** |
CN116717440A (zh) * | 2023-07-13 | 2023-09-08 | 武昌理工学院 | 一种基于XGBoost和PID-DHDP的风机叶片覆冰检测方法 |
CN117013527A (zh) * | 2023-08-08 | 2023-11-07 | 河北汉尧碳科新能科技股份有限公司 | 一种分布式光伏发电功率预测方法 |
Non-Patent Citations (5)
Title |
---|
K.SANGEETHA,等: "INTEGRATING MACHINE LEARNING ALGORITHMS FOR PREDICTING SOLAR POWER GENERATION", E3S WEB OF CONFERENCES, 31 December 2023 (2023-12-31), pages 1 - 9 * |
WINSTONGARCIA-GABIN,等: "Sliding mode predictive control of a solar air conditioning plant", CONTROL ENGINEERINGPRACTICE, 31 December 2009 (2009-12-31), pages 652 * |
刘罗曼: "时间序列分析中指数平滑法的应用", 沈阳师范大学学报(自然科学版), vol. 27, no. 4, 31 October 2009 (2009-10-31), pages 416 - 418 * |
杨国华,等: "基于Holt-Winters 指数平滑和时间卷积网络的短期负荷预测", 电力***自动化, vol. 46, no. 6, 25 March 2022 (2022-03-25), pages 73 - 81 * |
林立忠,等: "基于免疫SVM 的机械产品寿命预测", 现代制造工程, no. 6, 31 December 2012 (2012-12-31), pages 104 - 107 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测*** | |
CN117176560B (zh) | 一种基于物联网的监测设备监管***及其方法 | |
CN115512520A (zh) | 基于智慧燃气的用气安全预警方法及物联网*** | |
CN110705772A (zh) | 区域电网风力发电功率预测优化方法和装置 | |
CN114626643A (zh) | 智慧城市政府供电调控方法、物联网***、装置及介质 | |
CN115962551B (zh) | 用于楼宇自动控制的智能空调控制***和方法 | |
US20240223661A1 (en) | Methods and smart gas internet of things (iot) systems for smart control of smart gas pipeline network data collection terminals | |
CN111754029A (zh) | 一种社区负荷预测*** | |
KR20210026447A (ko) | 심층 신경망 기반 전력 수요 예측 장치 및 방법 | |
CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 | |
CN117878979A (zh) | 基于电储能的功率平衡及动态补偿*** | |
Siswipraptini et al. | Automated Smart Home Controller Based on Adaptive Linear Neural Network | |
CN113869809A (zh) | 一种集中供热的用户行为节能评价方法、装置及终端 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN117318051A (zh) | 一种基于物联网技术的智慧能源储能管控***及方法 | |
CN116505556B (zh) | 基于一次调频的风电场功率控制***及方法 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN117742135A (zh) | 一种用于通信机房的光伏节能控制方法及*** | |
CN113111419A (zh) | 办公建筑内空调负荷预测模型建立、预测方法及*** | |
CN116345677A (zh) | 一种基于人工智能的低功耗电源监控方法及*** | |
CN116184851A (zh) | 一种睡眠模式调节方法、装置、终端及存储介质 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及*** | |
CN118336930B (zh) | 电力碳排放预警与响应*** | |
CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 | |
AU2021103181A4 (en) | Air Conditioning Load Forecasting Method Based on Artificial Intelligence |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240322 |