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】
本专利技术涉及节能设备控制,尤其涉及一种节能设备远程控制系统。
技术介绍
1、随着信息技术的迅猛发展,特别是物联网(i ot)技术的广泛应用,使得设备间的信息交换与远程控制成为现实,传感器技术、大数据分析、云计算平台以及人工智能算法的集成,为实现能源使用的智能管理和优化创造了条件;
2、其中,深度学习模型结合卷积神经网络(cnn)和长短时记忆网络(lstm)的混合模型,能够在大量历史数据中捕捉到复杂的局部特征和长期依赖关系,有效预测未来能源需求,为节能策略的制定提供精准依据。
3、经检索,中国专利号为cn107478902a的专利技术专利,公开了一种用电设备的节能控制系统,与现有技术相比,该中国专利号为cn107478902a的专利技术专利通过在电价低的时间段内蓄能系统进行蓄电处理,蓄能系统通过查找前一天电量使用状态表找出高电价时间段的时刻值,在当天时刻值通过蓄能系统对用电设备进行供电处理,蓄能系统的设定通过合理利用阶梯电价政策能够有效的减少用户电费消耗;
4、但是,用户的用电模式会因工作模式改变,如在家远程办公,远程办公使得家庭在白天的用电量增加,特别是在以往上班时间,因为家庭办公室的电脑、照明、网络设备如路由器、调制解调器以及空调或暖气在工作时间内持续使用,这与传统上下班模式下白天家中用电量较低的情况形成对比,系统会难以快速适应这些变化,导致无法达到预期的节能效果,所以,在此提出了一种节能设备远程控制系统。
技术实现思路
1、本专利技术的目的
2、为了实现上述目的,本专利技术采用了如下技术方案:
3、一种节能设备远程控制系统,用于节能远程控制的模块包括:
4、数据接入模块:从节能设备来源收集实时和历史能源消耗数据以及相关环境变量;
5、特征工程模块:基于原始数据提取用于决策的特征,用于后续的机器学习和优化算法;
6、ai预测模块:利用深度学习技术cnn-lstm模型基于历史数据和当前条件预测未来的能源需求或消耗模式;
7、决策优化模块:基于ai预测模块的输出,采用数学规划、动态规划,制定最高效的节能控制策略;
8、控制执行模块:将优化模块产生的控制策略转化为实际行动指令,通过网络远程控制节能设备,执行开关、调节操作。
9、数据接入模块智能电表数据:利用物联网技术从智能电表收集实时和历史用电数据;
10、订阅电力公司提供的api,定期获取当前电价或预测电价信息;
11、通过气象api获取温度、湿度、风速数据;
12、将收集的数据存储在数据库中,激活特征工程模块。
13、特征工程模块处理获取数据中缺失值;
14、对于时间序列数据,使用相邻两个已知点进行线性插值估计缺失值,找到在时间点ti的用电量xi并且已知在时间点ti-1和ti+1的用电量分别为xi-1和xi+1:
15、
16、在两点间ti-1,xi-1和ti+1,xi+1构造一条直线,计算时间点ti在这条直线上对应的x值,填补缺失的用电量数据;
17、处理完成后,提取时、日、周、月、季节周期性特征,以及温度、湿度作为直接影响用电的因素的气象特征,提取峰谷电价差异,作为用电决策依据,对特征进行归一化处理,激活ai预测模块。
18、ai预测模块中包括时间序列预测模型;
19、时间序列预测模型对家庭或办公场所的用电量随时间的变化的时间序列数据进行处理,基于:
20、ht=σ(whxxt+whhht-1+bh)
21、ht包含了到这个时间点为止的序列信息;
22、σ是激活函数,添加非线性并限制输出范围在(0,1)之间;
23、whx是输入门权重矩阵,当前时间步的输入xt与上一时间步的隐藏状态相结合;
24、xt是在时间步t的输入向量,过去的用电量数据;
25、whh是隐藏状态到隐藏状态的权重矩阵传递上一时间步的信息到当前时间步;
26、ht-1是前一时间步的隐藏状态;
27、bh是偏置项,调整隐藏状态的输出;
28、基于特征工程模块,对时间序列数据切片成输入输出对,前n个时间步作为输入,预测第n+1个时间步的用电量;
29、使用框架提供的api定义lstm层,定义一个的单层lstm模型或者多层lstm;
30、使用历史用电数据对模型进行训练;
31、训练完成后,利用模型对新的输入序列进行预测,获得未来用电量的估计值。
32、ai预测模块中包括混合预测模型;
33、混合预测模型结合结合ai预测模块中时间序列预测模型;
34、混合预测模型使用cnn,基于一维卷积层对输入序列进行特征提取。这一步可以识别时间序列中的局部模式和趋势,通过不同的卷积核大小,捕获不同尺度的特征;
35、加入最大池化层降低维度;
36、将cnn处理后的特征序列输入到lstm层,lstm处理特征数据的时间序列特性,学习长期依赖关系,并产生新的隐藏状态;
37、使用一到多个全连接层将lstm的输出转化为最终预测值。
38、决策优化模块中包括数学规划单元;
39、数学规划单元定义目标为能源效率最大化:
40、收集能源消耗数据、环境数据温度、湿度、设备状态数据;
41、使用cnn捕捉数据中的局部特征,每日或每周的用电模式,lstm处理时间序列数据,捕捉长期依赖,预测未来的能源需求模式;
42、基于ai预测模块,预测未来的能源消耗量euseful,t和在特定策略下的有效能源使用量etotal,t:
43、
44、euseful,t是有用能源消费,etotal,t是总能源消耗。
45、决策优化模块中包括动态规划单元;
46、定义系统在每个时间点的状态,当前能源储备、累积成本、设备状态;
47、在每个时间点上,考虑决策,调整设备使用强度、切换能源供应源;
48、建立状态转移方程,描述从当前状态转移到下一个状态,以及相应的成本或收益:
49、vt(s)=minxt{ct(xt)+γvt+1(s′)}
50、vt(s)表示在时间t处于状态s的最优价值;
51、xt是决策,γ是折现因子,s′是采取决策xt后的新状态;
52、从初始状态开始,计算达到每个状态的最优策略:πt(st)=argamaxq(st,a)
53、在所有的策略中,选择使q(st,a)最大的那个动作a作为当前状态下的最优选择;
54、找出从初始状态到目标状态的最优决策序列,在满足所有约本文档来自技高网...
【技术保护点】
1.一种节能设备远程控制系统,其特征在于,用于节能远程控制的模块包括:
2.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,数据接入模块智能电表数据:利用物联网技术从智能电表收集实时和历史用电数据;
3.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,特征工程模块处理获取数据中缺失值;
4.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,AI预测模块中包括时间序列预测模型;
5.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,AI预测模块中包括混合预测模型;
6.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,决策优化模块中包括数学规划单元;
7.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,决策优化模块中包括动态规划单元;
8.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,执行控制模块基于未来时段的能源消耗预测数据,包括有效和总能源消耗的预测值;
【技术特征摘要】
1.一种节能设备远程控制系统,其特征在于,用于节能远程控制的模块包括:
2.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,数据接入模块智能电表数据:利用物联网技术从智能电表收集实时和历史用电数据;
3.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,特征工程模块处理获取数据中缺失值;
4.根据权利要求1所述的一种节能设备远程控制系统,其特征在于,ai预测模块中包括时间序列预测模型;
5...
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。