申请/专利权人：南通大学

申请日：2024-05-09

公开（公告）日：2024-07-05

公开（公告）号：CN118297239A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0499;G06N3/08;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明提供了一种数据与模型融合驱动的冷水机组负荷预测方法，属于冷水机组负荷预测技术领域。解决了冷水机组传统负荷预测方法精度不高的技术问题。其技术方案为：该方法分为三个部分：分别完成CVs‑ELM模型部分和CVA状态空间模型部分后，根据各自预测结果的平均绝对百分比误差策略，输出融合驱动负荷预测结果，与真实数据对比，得出在可接受范围内的预测准确度。本发明的有益效果为：将规范变量分析和极限学习机融合，完成负荷预测，实现了多变量多模型的融合驱动预测，提高负荷预测的准确度，对负荷预测方法的一次有效的挖掘和补充。

主权项：1.一种数据与模型融合驱动的冷水机组负荷预测方法，其特征在于，包括以下步骤：步骤S1：对采集到的一段时间内的数据进行分割，将其划分为过去数据ypr和未来数据yfr，确定过去观测值长度p和未来观测值长度f，并设定预知系统模型的阶数n的初始值；步骤S2：构造过去和未来的组合矩阵Yp、Yf，计算过去和未来观测值的协方差矩阵∑pp、∑ff以及它们之间的互协方差矩阵∑fp；步骤S3：构造Hankel矩阵，对其进行奇异值分解，基于过去测量值得到规范变量Zr和转换矩阵J；步骤S4：将转换矩阵J投影到原始数据u，以获取降低维度后的输入数据u'；在步骤S4中，将转换矩阵J投影到原始数据u，以获取降低维度后的输入数据u'，u'＝uJ1；步骤S5：将数据x'分为训练数据p1、t1和测试数据p2、t2，并进行归一化处理，创建并训练极限学习机模型，设定输入层和隐含层数量N、L，随机初始化输入层与隐含层间的连接权值IW和隐含层偏置B1；步骤S6：计算隐含层的输出值tempH，利用映射函数得到隐含层对样本特征的映射值h，然后计算隐含层与输出层的连接权值LW；步骤S7：对训练好的模型，重复步骤S6，计算tempH1和h1，得到CVs-ELM模型的预测结果YELM；步骤S8：由步骤S3进一步将规范变量空间分成主空间和残差空间，得到规范变量Zr扩展成扩展矢量，再根据残差空间定义过去观测矢量的线性组合，从而得到状态矢量xr、xr-1，确定系统状态；步骤S9：通过线性最小二乘递归估计出模型系数矩阵A、B、C、D，搭建模型，得到CVA状态空间模型的预测结果YCVA；步骤S10：对于两个模型预测结果，采取平均绝对百分比误差选择策略，选取每一个样本间误差小的，得到融合驱动负荷预测的结果YParallel；在步骤S10中，对于两个模型预测结果，采取平均绝对百分比误差MAPE选择策略，其中是预测结果，yi是真实值，公式如下； 计算CVs-ELM模型的MAPE1、CVA状态空间模型的MAPE2，用condition条件语句选取两个模型间每一个样本间MAPE值小的，得到融合驱动负荷预测的结果YParallel；步骤S11：对比三类预测结果与真实数据，对比预测的性能指标：平均绝对误差、平均相对误差、均方根误差，得出结论。

全文数据：

权利要求：

百度查询： 南通大学 一种数据与模型融合驱动的冷水机组负荷预测方法

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