申请/专利权人：西安电力高等专科学校;西安科技大学

申请日：2024-01-24

公开（公告）日：2024-06-25

公开（公告）号：CN117709550B

主分类号：G06Q10/04

分类号：G06Q10/04;G06F18/214;G06F18/24;G06N3/0464;G06N3/08;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明提供了一种基于ARDL与卷积神经网络模型的能耗预测方法，包括：收集各个目标区域中的能耗数据、用电数据和补充变量数据，将能耗数据、用电数据和补充变量数据进行数据预处理以填充缺失值和剔除异常值；基于折标煤系数将能耗数据和用电数据统一单位；获取已知的真实能耗值，基于已知的真实能耗值和数据调整模型对能耗数据、用电数据和补充变量数据进行调整；将调整后的能耗数据、用电数据和补充变量数据输入基于ARDL的电能计算模型中进行预测以得到年度能耗预测值。本发明解决了现有技术无法实现能耗精准预测和能效对标评价的问题。

主权项：1.一种基于ARDL与卷积神经网络模型的能耗预测方法，其特征在于，包括：S102：收集各个目标区域中的能耗数据、用电数据和补充变量数据，将能耗数据、用电数据和补充变量数据进行数据预处理以填充缺失值和剔除异常值；S104：基于折标煤系数将能耗数据和用电数据统一单位；S106：获取已知的真实能耗值，基于已知的真实能耗值和数据调整模型对能耗数据、用电数据和补充变量数据进行调整；S108：将调整后的能耗数据、用电数据和补充变量数据输入基于ARDL的电能计算模型中进行预测以得到年度能耗预测值；在S104和S106之间还包括S105：对数据调整模型进行训练和优化，S105具体步骤包括：S1051：随机挑选能耗数据、用电数据和补充变量数据中的部分数据进行修改以获取各个月度能耗值的预测值，具体方法如下式所示： 其中，为各个月度能耗值的预测值，x为原始数据值，θ为超参数，范围在0至1之间；S1052：获取多个将多个输入ARDL模型以得到新的年度能耗值，不断重复以获取数据调整模型所需的训练集数据；S1053：将训练集数据输入到数据调整模型中进行训练以输出各个月度能耗值的实际值；S1054：通过计算MSE误差来对数据调整模型的参数进行优化，令数据调整模型输出的各个月度能耗值的实际值与输入ARDL模型的各个月度能耗值的预测值之间的MSE误差最小，MSE误差的具体计算方法如下式所示： 式中，n为月度能耗值的个数，为各个月度能耗值的预测值，y为各个月度能耗值的实际值，N为模型预测时间段；数据调整模型通过5层卷积神经网络构成，其激活函数采用ReLu函数，以对输入的各个能耗张量进行特征提取，数据调整模型在最后还设置有一个线性层，线性层用于将特征提取后的能耗张量的维度变为1，激活函数表示为：ReLux＝max0,x数据调整模型内部处理的具体过程为：数据调整模型接收维度为1,input_len,1的张量，分别经过5层卷积层对其通道值进行变化，除最后一个卷积层外，其余卷积层的结果皆通过ReLu层进行输出，最终得到一个多维张量；将多维张量传入线性层进行维度变化，最终得到维度为1,output_len,1的张量，将其变为1维、长度output_len的张量后输出，其中各个值即代表调整后的月度能耗值；S108具体步骤包括：对ARDL模型中的因变量滞后阶数p和解释变量滞后阶数q进行选优，采用AIC对p和q进行确定，设模型误差服从独立正态分布，则AIC具体表示为： 式中，k为参数数量，n为观察数量，RSS为残差平方和，选取AIC计算结果最小值对应的p、q值作为滞后阶数；选择好p和q后，对目标能源构建多元ARDL模型进行能耗预测，设目标能源的能耗值为yi，用电量数据xi，补充变量数据为zi，则目标能源的年度能耗预测值可表示为： 式中，s为补充变量的个数，ut,γ为随机偏差。

全文数据：

权利要求：

百度查询： 西安电力高等专科学校;西安科技大学 基于ARDL与卷积神经网络模型的能耗预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD