[發明專利]基于深度學習的建筑用電負荷多步預測方法及系統

在審

• 申請號: 201911255627.0
• 申請日: 2019-12-10
• 公開（公告）號: CN111080002A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 周璇;雷尚鵬;閆軍威
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于深度學習的建筑用電負荷多步預測方法及系統，其目的在于利用深度學習算法對復雜數據的非線性學習能力以達到對建筑用電負荷的良好表征。本發明包括以下步驟：提取建筑能耗監測平臺中對應分項的用電負荷歷史數據；檢測并插補用電負荷時間序列異常值；歸一化一維時間序列用電負荷數據并將其轉化為多步預測所需的多輸入?多輸出格式；調試并優化LSTM模型超參數，進行模型訓練與多步預測，得到所述建筑用電負荷的預測結果。本發明建立的建筑用電負荷預測模型預測數據可靠性高、預測時段長，可用于預測單棟或多棟建筑的多步逐時用電負荷、建筑能耗的節能控制、建筑用電量變化趨勢判定等方面。

技術領域

本發明涉及建筑用電負荷預測的研究領域，特別涉及一種基于深度學習的建筑用電負荷多步預測方法及系統。

背景技術

隨著近年來經濟轉型與社會發展，各類辦公建筑的數量與規模不斷增加，作為現代人類工作與生活的主要場所，其存在著巨大的節能潛力。國家機關辦公建筑、大型公共建筑能耗監測平臺的建設為數據驅動的建筑節能研究提供了大量的分類分項能耗運行數據。如何通過建筑實際運行數據挖掘，設置合理的節能目標，為建筑用能評價、節能潛力估算、精細化節能管理等提供理論依據，是目前建筑節能的關鍵問題。建筑用電負荷與建筑內部人員活動關聯性強，具有隨機性與不確定性的特征，其理預測在建筑節能、預測控制等領域均為有效技術手段，對建筑管理智能化具有重要意義。

目前建筑用電負荷預測方法以單步預測為主，包括單變量時間序列法、人工神經網絡、支持向量機等多種方法。然而，單步預測方法僅能預測下一時刻電力負荷，無法用于判斷時間序列未來的變化趨勢。比較而言，多步預測方法在預估時間序列變化趨勢方面具有較好的優勢，但在實際應用過程中，多步預測由于時間序列的隨機性與非線性，長時間序列的預測精度難以保證。

深度學習作為一種特殊的人工神經網絡，其本質是通過增加神經網絡結構中非線性映射層的數量，達到對輸入數據中抽象特征更優異的學習效果。長短期記憶模型(Long-short term memory，LSTM)作為深度學習中對數據時序性與學習能力兼顧的已有成熟模型，彌補了傳統循環神經網絡在長序列數據學習訓練過程中的梯度消失與梯度爆炸的缺點，并且通過設立了“門”模塊，保留并強化了自身對于序列信息的記憶能力。鑒于深度學習模型對復雜問題的表征能力較強，采用LSTM模型來實現對建筑用電負荷的多步預測是可行的。

發明內容

本發明的主要目的在于克服現有技術的缺點與不足，提供一種基于深度學習的建筑用電負荷多步預測方法，該方法能有效利用建筑用電負荷的歷史能耗數據進行未來多個時刻的電量消耗預測，從而為建筑能源精細化管理等工作提供技術支持。

本發明的另一目的在于，提供一種基于深度學習的建筑用電負荷多步預測系統。

為了達到上述第一目的，本發明采用以下技術方案：

基于深度學習的建筑用電負荷多步預測方法，包括下述步驟：

S1：數據提取：導出建筑能耗監測平臺中采集與儲存的對應分項的用電負荷歷史數據；

S2：數據預處理：對S1中所提取用電負荷歷史數據進行數據清洗和數據轉化，數據清洗是對異常值進行處理，數據轉換是將經過數據清洗的數據進行歸一化與多輸入-多輸出結構轉化；

S3：建立具有多輸入-多輸出結構的LSTM模型；

S4：利用S2中處理后的數據，對S3中建立的LSTM模型進行迭代訓練，對超參數進行調優；

S5：根據S4超參數調優結果所確定的LSTM模型對建筑用電負荷進行多步預測。

作為優選的技術方案，步驟S1中，所述用電負荷歷史數據為建筑能耗監測平臺采集的工作日用電分項的逐時一維時間序列數據。

作為優選的技術方案，步驟S2中，所述異常值的判斷標準為非正常零值與四分位法；