【技术实现步骤摘要】
一种基于数字孪生技术的智慧园区能源管理方法及系统
[0001]本专利技术涉及数字孪生
，具体是指一种基于数字孪生技术的智慧园区能源管理方法及系统
。
技术介绍
[0002]智慧园区能源管理是利用信息技术和智能化手段对园区内的能源系统进行监控
、
控制和优化管理的方法，用以提高能源利用效率，实现可持续发展
。
现有的基于数字孪生技术的智慧园区能源管理方法及系统存在着采集数据中包含异常值，致使后续数据处理失真的问题；存在着采集的数据特征冗余
、
复杂性高且不利于模型构建的问题；存在着单一模型结构复杂，训练容易陷入局部最优解，导致预测模型的准确性和可扩展性较差的问题；反向传播神经网络预测模型存在着模型权重过高，导致模型过拟合的问题
。
技术实现思路
[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供一种基于数字孪生技术的智慧园区能源管理方法及系统，针对采集数据中包含异常值，致使后续数据处理失真的问题，本专利技术采用异常值检测算法，准确识别园区管理原始数据中与其他数据相距较远的异常值，去除异常值，提高分析效率；针对采集的数据特征冗余
、
复杂性高且不利于模型构建的问题，本专利技术采用主成分分析算法计算协方差矩阵的特征值和特征向量，找到数据集中最重要的特征，将高维数据集映射到低维空间，减少冗余并保留关键性和有区分度的特征，方便构建模型；针对单一模型结构复杂，训练容易陷入局部最优解，导致预测模型的准确性和可扩展性较差...
【技术保护点】
【技术特征摘要】
1.
一种基于数字孪生技术的智慧园区能源管理方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集；步骤
S2
：数据预处理；步骤
S3
：主成分分析；步骤
S4
：构建随机森林预测模型；步骤
S5
：构建反向传播神经网络预测模型；步骤
S6
：组合模型预测分析；步骤
S7
：构建数字孪生模型；在步骤
S6
中，所述组合模型预测分析，包括以下步骤：步骤
S61
：计算随机森林预测模型的方差
θ1和反向传播神经网络预测模型的方差
θ2；步骤
S62
：计算随机森林预测模型的动态权重
ω1；步骤
S63
：计算反向传播神经网络预测模型的动态权重
ω2；步骤
S64
：组合随机森林预测模型和反向传播神经网络预测模型的能耗预测结果，得到组合模型能耗预测结果
p。2.
根据权利要求1所述的一种基于数字孪生技术的智慧园区能源管理方法，其特征在于：在步骤
S6
中，所述组合模型预测分析，具体为通过计算随机森林预测模型和反向传播神经网络预测模型的权重，进行组合操作，得到组合能耗预测结果，具体包括以下步骤：步骤
S61
：计算随机森林预测模型和反向传播神经网络预测模型的方差，所用公式如下：；式中，
θ
i
表示预测模型的样本方差，
e1，
e2，
…
，
e
n
表示每个训练样本的绝对百分比误差，表示所有训练样本的平均绝对百分比误差；步骤
S62
：计算随机森林预测模型的动态权重，所用公式如下：；式中，
ω1表示随机森林预测模型的动态权重，
θ1表示随机森林预测模型的方差，
θ2表示反向传播神经网络预测模型的方差；步骤
S63
：计算反向传播神经网络预测模型的动态权重，所用公式如下：；式中，
ω2表示反向传播神经网络预测模型的动态权重，
θ1表示随机森林预测模型的方差，
θ2表示反向传播神经网络预测模型的方差；步骤
S64
：组合随机森林预测模型和反向传播神经网络预测模型的能耗预测结果，所用公式如下：；式中，
p
表示组合随机森林预测模型和反向传播神经网络预测模型的能耗预测结果，
p1表示随机森林预测模型的能耗预测结果，
p2表示反向传播神经网络预测模型的能耗预测结
果，
ω1表示随机森林预测模型的动态权重，
ω2表示反向传播神经网络预测模型的动态权重；步骤
S65
：组合模型预测分析，具体为通过组合模型的预测结果，对智慧园区内的各类能源使用情况进行智能调节，使能源得到充分利用
。3.
根据权利要求1所述的一种基于数字孪生技术的智慧园区能源管理方法，其特征在于：在步骤
S5
中，所述构建反向传播神经网络预测模型，具体为通过对所述低维数据集
T
C
进行数据集划分操作，划分训练数据集进行模型训练，测试数据集进行模型能耗预测，得到反向传播神经网络预测模型的能耗预测结果
p2，具体包括以下步骤：步骤
S51
：将低维数据集
T
C
作为样本数据集，随机划分
70%
的样本数据作为训练数据集，其余
30%
数据作为测试数据集；步骤
S52
：构建训练数据集
T={x1，
x2，
…
，
x
i
}
，计算输入层的输入，具体为设置输入信号为
i
，设置隐藏层中神经元的数量为
k
，并将输入变量分配给隐藏层的第
n
个神经元，得到输入层的输入，所用公式如下；；式中，
x
n
表示输入层的输入，
ω
in
表示输入层神经元
i
和隐藏层神经元
n
的权重，
x
i
表示输入变量；步骤
S53
：采用
sigmoid
激活函数进行激活，所用公式如下：；式中，
f
（
x
）表示激活函数，
e
表示指数运算；步骤
S54
：计算隐藏层神经元
n
的输出，所用公式如下：；式中，
O
n
表示隐藏层神经元
n
的输出，
e
表示指数运算，
i
表示输入信号；步骤
S55
：计算隐藏层的残余误差，所用公式如下：；式中，
E
表示隐藏层的残余误差，
O
a
表示实际输出，表示预测样本输出；步骤
S56
：通过反向传播算法的梯度法来实现权重和阈值的更新，得到最优权重和阈值，具体包括以下步骤：步骤
S561
：计算输入层到隐藏层的连接权重，所用公式如下：；式中，
ω
ki
表示从输入层到隐藏层的连接权重，
t
表示迭代更新的时间，
b
k
表示隐藏层的神经元阈值，
E
表示隐藏层的残余误差，
η
表示学习率；步骤
S562
：计算
L1
正则化后的权重，具体为向目标函数添加权重的绝对值来惩罚较大权重，所用公式如下：
；式中，表示
L1
正则化后的权重，
ω
ki
表示从输入层到隐藏层的连接权重，
E
表示隐藏层的残余误差，
η
表示学习率，
sign
表示权重的符号，权重为正，
sign
为1，反之为
‑1，
λ
表示
L1
正则化的惩罚项；步骤
S563
：计算
L2
正则化后的权重，具体为向目标函数添加权重的平方来惩罚较大权重，所用公式如下：；式中，表示
L2
正则化后的权重，
ω
ki
表示从输入层到隐藏层的连接权重，
E
表示隐藏层的残余误差，
η
表示学习率，
λ
表示
L1
正则化的惩罚项；步骤
S564
：更新隐藏层的神经元阈值，所用公式如下：；式中，
t
表示迭代更新的时间，
b
k
表示隐藏层的神经元阈值，表示学习率，
E
表示隐藏层的残余误差，
ω
ki
表示从输入层到隐藏层的连接权重；步骤
S565
：计算隐藏层到输出层的连接权重，所用公式如下：；式中，
c
k
表示从隐藏层到输出层的连接权重，表示学习率，
t
表示迭代更新的时间，
E
表示隐藏层的残余误差；步骤
S566
：更新输出层的神经元阈值，所用公式如下：；式中，
b
o
表示输出层的神经元阈值，
t
表示迭代更新的时间，表示学习率，
E
表示隐藏层的残余误差；步骤
S57
：构建反向传播神经网络预测模型，具体为通过训练数据集输出最优权重和阈值，测试数据集遍历反向传播神经网络预测模型，得到反向传播神经网络预测模型的能耗预测结果
p2。4.
根据权利要求1所述的一种基于数字孪生技术的智慧园区能源管理方法，其特征在于：在步骤
S3
中，所述主成分分析，具体为通过对所述高维数据集
T
B
进行主成分分析操作，得到低维数据集
T
C
，具体包括以下步骤：步骤
S31
：通过构造高维数据集
T
B
=[x1，
x2，
…
，
x
n
]
T
，计算协方差矩阵，所用公式如下：；式中，
R
表示协方差矩阵，
n
表示样本数量，表示第
i
个数据样本的转置样本，
x
i
表示第
i
个数据样本；
步骤
S32
：计算特征值和特征向量，具体为通过对协方差矩阵
R
进行奇异值矩阵分解操作，得到特征值
λ
i
和特征向量
w
i
，具体包括以下步骤：步骤
S321
：对协方差矩阵进行奇异值矩阵分解，所用公式如下：；式中，
U
表示
R
的左奇异向量矩阵，
S
表示对角矩阵，
V
T
表示
R
的右奇异向量矩阵，
R
表示协方差矩阵；步骤
S322
：计算协方差矩阵的特征值，所用公式如下：；式中，
λ
i
表示协方差矩阵的特征值，
S
表示对角矩阵，
i
表示样本数据；步骤
S323
：计算协方差矩阵的特征向量，所用公式如下：；式中，
w
i
表示协方差矩阵的特征向量，
U
表示
R
的左奇异向量矩阵，
i
表示样本数据；步骤
S33
：根据特征值大小进行排序，通过选择前
z
个最大特征值，进行对角矩阵截断，使其余特征值置0，得到截断对角矩阵；步骤
S34
：通过将高维数据集中的特征值和特征向量映射到低维数据集，得到低维数据集
T
C
=[y...
【专利技术属性】
技术研发人员：赵玲，李柏军，
申请(专利权)人：神州龙空间技术深圳有限公司，
类型：发明
国别省市：
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。