【技术实现步骤摘要】
本专利技术涉及计算机
,尤其涉及一种基于神经网络的负荷预测方法及装置。
技术介绍
负荷预测指的是基于负荷历史数据,对未来的负荷能力做一个预测,以建筑负荷预测为例,指的是基于建筑负荷的历史数据,对建筑未来的负荷能力做预测,如预测建筑的承载能力等。目前负荷预测方法主要分为两种,一种是数学统计方法(也称经典负荷预测方法),另一种是人工智能方法(也称现代负荷预测方法),目前人工智能预测方法取得了较大突破,已经成功应用到建筑负荷的预测中。目前在使用神经网络模型来做负荷预测时,一般是先根据历史数据训练神经网络模型,在训练结束后,后续直接使用该神经网络模型来进行负荷预测。该方法存在的主要问题是:在做负荷预测时,预测结果与选择的数据关系比较大,具有一定的波动性,从而导致预测结果不是非常准确。综上所述,现有技术在使用神经网络模型做负荷预测时,预测结果不够准确。
技术实现思路
本专利技术提供一种基于神经网络的负荷预测方法及装置,用以解决现有技术中存在的使用神经网络模型做负荷预测时,预测结果不够准确的技术问题。一方面,本专利技术实施例提供一种基于神经网络的负荷预测方法,包括:根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预 ...
【技术保护点】
一种基于神经网络的负荷预测方法,其特征在于,包括:根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。
【技术特征摘要】
1.一种基于神经网络的负荷预测方法,其特征在于,包括:根据当前时刻之前M个历史时刻的实测输入参数和预测输入参数,确定输入参数修正误差,M为正整数;根据所述输入参数修正误差,修正所述当前时刻之后N个预测时刻的预测输入参数,得到修正后的N个预测输入参数,N为正整数;根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷;根据负荷修正误差,修正所述N个预测负荷,得到修正后的N个预测负荷,所述负荷修正误差是根据所述当前时刻之前的L个历史时刻的实测负荷和预测负荷得到的,L为正整数。2.如权利要求1所述的方法,其特征在于,根据下列公式确定所述输入参数修正误差: ϵ = 1 M Σ i = 1 M ( T r ( i ) - T p ( i ) ) , ]]>其中,ε为所述输入参数修正误差,Tr(i)为所述当前时刻之前M个历史时刻中第i历史时刻的实测输入参数,Tp(i)为所述当前时刻之前M个历史时刻中第i历史时刻的的预测输入参数。3.如权利要求1所述的方法,其特征在于,根据下列公式确定所述负荷修正误差: δ = 1 L Σ i = 1 L ( Q r ( i ) - Q p ( i ) ) , ]]>其中,δ为所述负荷修正误差,Qr(i)为所述当前时刻之前L个历史时刻中第i历史时刻的的实测负荷,Qp(i)所述当前时刻之前L个历史时刻中第i历史时刻的的预测负荷。4.如权利要求1-3中任一项所述的方法,其特征在于,所述神经网络模型为反向传播BP神经网络模型,所述实测输入参数为实测气象输入参数,所述预测输入参数为预测气象输入参数,所述实测负荷为实测建筑负荷,所述预测负荷为预测建筑负荷。5.如权利要求1-3中任一项所述的方法,其特征在于,所述神经网络模型为BP神经网络模型,所述神经网络模型输入层神经元为时刻,温度,湿度和辐照度,所述神经网络模型输出层神经元数为建筑负荷;所述根据所述修正后的N个预测输入参数及神经网络模型,得到N个预测负荷,包括:针对所述修正后的N个预测输入参数中的每个输入参数,将所述输入参数中的时刻,温度,湿度和辐照度作为所述神经网络模型的输入,通过所述神经网络模型得到所述输入参数对应的建筑负荷。6.一种基于神经网络的负荷预测装置,其特征在于,包括:...
【专利技术属性】
技术研发人员:王亚静,聂志华,宋志春,
申请(专利权)人:新奥泛能网络科技股份有限公司,
类型:发明
国别省市:河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。