System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智慧供暖,具体涉及一种基于稀疏动态图神经网络的区域热负荷预测方法和装置。
技术介绍
1、区域供暖是一个集中的能源分配系统,从一个共同的热源为住宅和商业建筑提供热量。作为满足供暖需求的一种可持续和高效的解决方案,它在世界各地的城市地区被广泛采用。
2、然而,区域供热系统的优化运行和管理依赖于对热负荷的准确预测,热负荷是指用户在给定时间内所需的热量。由于区域供热网络的复杂性和动态性,热负荷预测是一项具有挑战性的任务,涉及多种因素和不确定性。传统区域热负荷预测方法采用各种统计和机器学习方法。面对区域热需求的复杂性和动态性,这些方法往往会预测准确性不佳。
技术实现思路
1、本申请的目的是提供一种基于稀疏动态图神经网络的区域热负荷预测方法、装置、电子设备及存储介质,从而提高区域内的热负荷预测的精准性。
2、第一方面,本申请实施例提供了一种基于稀疏动态图神经网络的区域热负荷预测方法,包括:
3、获取目标区域在历史时间段内的热负荷时序数据和外部气象因子时序数据;
4、对所述热负荷时序数据和外部气象因子时序数据进行预处理后,输入预先训练的热负荷预测模型,得到所述目标区域在未来设定时间段内的预测热负荷数据;
5、其中,所述热负荷预测模型是基于多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本对稀疏动态图神经网络进行训练得到的。
6、在本申请的一些实施方式中,按照以下方式预先训练所述热负荷预测模型:
< ...【技术保护点】
1.一种基于稀疏动态图神经网络的区域热负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,按照以下方式预先训练所述热负荷预测模型:
3.根据权利要求1所述的方法,其特征在于,所述预处理为将时序数据划分为多个批数据。
4.根据权利要求2所述的方法,其特征在于,所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块;
5.根据权利要求2所述的方法,其特征在于,所述目标函数设置为均方误差损失函数,并采用L2正则化项来防止过拟合。
6.一种基于稀疏动态图神经网络的区域热负荷预测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
8.根据权利要求6所述的装置,其特征在于,所述预处理为将时序数据划分为多个批数据。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时以实现如权利要求1至5任一项所述的方法。
10.一种
...【技术特征摘要】
1.一种基于稀疏动态图神经网络的区域热负荷预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,按照以下方式预先训练所述热负荷预测模型:
3.根据权利要求1所述的方法,其特征在于,所述预处理为将时序数据划分为多个批数据。
4.根据权利要求2所述的方法,其特征在于,所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块;
5.根据权利要求2所述的方法,其特征在于,所述目标函数设置为均方误差损失函数,并采用l2正则化项来防止过拟合。
6.一种基于稀疏动态...
【专利技术属性】
技术研发人员:王智谨,吴森镇,黄耀辉,陈志荣,付永钢,胡樾,
申请(专利权)人:集美大学,
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。