一种能源消耗预测方法及装置制造方法及图纸

技术编号:24578231 阅读:40 留言:0更新日期:2020-06-21 00:41
本发明专利技术公开了一种能源消耗预测方法及装置,包括:将获取的第一数据输入预先训练完成的ARIMA模型,将获取的第二数据输入预先训练完成的SVM模型;基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值;根据第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。由于在进行能源消耗预测时,基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值。结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值,确定出目标能源消耗预测值。利用ARIMA模型和SVM模型的优点,使确定的目标能源消耗预测值更准确。

An energy consumption prediction method and device

【技术实现步骤摘要】
一种能源消耗预测方法及装置
本专利技术涉及能源消耗预测
,尤其涉及一种能源消耗预测方法及装置。
技术介绍
随着我国城镇化的快速推进,总建筑量必定持续增长,建筑能源消耗用能比例增加是发展的必然趋势。我国建筑每平方米能源消耗约是气候相近的发达国家耗能的3倍,随着经济的持续快速增长,我国的建筑能源消耗也日益攀升,我国已成为三大能源消耗国之一,能源紧张的问题日益明显。如何准确预测建筑能源消耗已成为我国急需解决的问题。现在的建筑能源消耗预测技术,一般是基于SVM模型进行能源消耗预测,或者基于改进的SVM模型进行能源消耗预测。但是,现有技术中在进行能源消耗预测时,并未考虑时间序列问题,因此现有技术中能源消耗预测的准确性较低。
技术实现思路
本专利技术实施例提供了一种能源消耗预测方法及装置,用以解决现有技术中能源消耗预测不准确的问题。本专利技术实施例提供了一种能源消耗预测方法,所述方法包括:将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据本文档来自技高网...

【技术保护点】
1.一种能源消耗预测方法,其特征在于,所述方法包括:/n将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;/n基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;/n根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。/n

【技术特征摘要】
1.一种能源消耗预测方法,其特征在于,所述方法包括:
将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。


2.如权利要求1所述的方法,其特征在于,所述根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值包括:
确定最新获取的能源消耗真实值;
根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;
根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;
根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。


3.如权利要求1所述的方法,其特征在于,所述ARIMA模型的训练过程包括:
针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。


4.如权利要求1所述的方法,其特征在于,所述SVM模型的训练过程包括:
针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。


5.如权利要求3所述的方法,其特征在于,所述第一数据和第三数据包括能源消...

【专利技术属性】
技术研发人员:刘鹏刘松马亚泽俞石洪横山隆一
申请(专利权)人:华北电力大学扬中智能电气研究中心
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 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。

1