[發明專利]一種空調負荷預測方法及裝置

在審

• 申請號: 201910009088.6
• 申請日: 2019-01-04
• 公開（公告）號: CN109657878A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 許裕栗;王利民;周歡;周靜;李靜;白生瑋;康環
• 申請（專利權）人: 新奧能源動力科技（上海）有限公司;新奧科技發展有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/08;G06K9/62
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

1.一種空調負荷預測方法，其特征在于，包括：

以空調系統在一天內的負荷值為一個樣本，采集多個樣本形成訓練集；

針對所述訓練集中的每一個樣本，每隔設定的時間采集一次負荷值，多個所述樣本中的負荷值組合形成數據序列；

采用所述數據序列訓練ARMA(p、q)模型；

根據所述ARMA模型的階數p，依次以所述數據序列中的負荷值作為所述ARMA模型的輸入，輸出與輸入的負荷值相對應的下一時刻的負荷值的估計值；根據所述數據序列中的負荷值以及負荷值與對應的估計值的差值訓練SVR模型；

根據所述ARMA模型的階數p，以當前時間段內的負荷值作為所述ARMA模型的輸入，輸出與所述當前時間段相鄰的待預測時刻的初始預測值；以所述當前時間段內的負荷值作為SVR模型的輸入，輸出所述初始預測值的校正值，所述初始預測值與所述校正值的差值為所述待預測時刻的實際預測值。

2.如權利要求1所述的空調負荷預測方法，其特征在于，所述訓練集具體通過以下方式獲得：

采集多個樣本形成采樣集；

對所述采樣集進行多次隨機采樣，得到多個所述訓練集；

還包括：

針對多個所述訓練集，根據對應的實際預測值，采用結合策略，得到最終預測值。

3.如權利要求1所述的空調負荷預測方法，其特征在于，所述訓練集中的樣本均為工作日樣本，或所述訓練集中的樣本均為非工作日樣本。

4.如權利要求1所述的空調負荷預測方法，其特征在于，所述采用所述數據序列訓練ARMA(p、q)模型具體包括：

根據貝葉斯信息準則函數分別確定ARMA模型的階數p和q。

5.如權利要求2所述的空調負荷預測方法，其特征在于，所述針對多個所述訓練集，根據對應的實際預測值，采用結合策略，得到最終預測值具體為：

計算每個訓練集對應的權值；

根據所述每個訓練集對應的權值以及實際預測值，采用加權平均法得到所述最終預測值。

6.如權利要求5所述的空調負荷預測方法，其特征在于，所述計算每個訓練集對應的權值具體為：

針對所述每個訓練集對應的ARMA模型以及SVR模型，選取除自身以外的其它訓練集中的數據序列作為所述ARMA模型以及所述SVR模型的測試數據，計算所述每個訓練集對應的預測錯誤率e_t為：

其中，y_i為所選取的數據序列中所包含的負荷值；以所選取的數據序列為所述ARMA模型以及所述SVR模型的輸入，h_i為所述ARMA模型的輸出值與所述SVR模型的輸出值的差值；N為所選取的數據序列中所包含的數據個數；

根據所述每個訓練集對應的預測錯誤率e_t，權值λ_t為：

7.如權利要求2所述的空調負荷預測方法，其特征在于，所述對所述采樣集進行多次隨機采樣，得到多個所述訓練集具體為：

采用自助采樣法對所述采樣集進行多次采樣，得到多個所述訓練集。

8.如權利要求1～7任一項所述的空調負荷預測方法，其特征在于，采用所述數據序列訓練ARMA模型前還包括：

對所述數據序列進行平穩性檢驗，若滿足平穩性特征，則進入下一步；若不滿足平穩性特征，則對所述數據序列進行差分處理，直到滿足平穩性特征。