[發明專利]一種基于自適應深度置信網絡的空調冷負荷預測方法

有效

• 申請號: 202010415187.7
• 申請日: 2020-05-15
• 公開（公告）號: CN111598225B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 于軍琪;冉彤;趙安軍;任延歡;周昕瑋;張萬虎;席江濤
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06N3/047
• 分類號: G06N3/047;G06N3/0499;G06N3/09;G06N3/084;G06N3/088
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

本發明公開了一種基于自適應深度置信網絡的空調冷負荷預測方法，首先收集冷負荷數據，采用拉格朗日插值法對缺失和異常的能耗數據進行彌補處理，對處理后的能耗數據進行歸一化處理；將處理后的數據通過獨立的高斯分布處理，處理后的CRBM輸入給預測模型；通過RBM無監督機制進行訓練，以前一層的RBM隱藏層作為下一層RBM的可視層輸入，調節網絡參數；然后通過有監督的BP神經網絡進行反向訓練，再次調節網絡參數；再采用Adam優化算法調節網絡參數；最后選取預測模型的參數及結構，采用重構誤差RE對預測模型進行結構評估選?。徊捎镁礁鄬φ`差RMSPE和平均絕對百分誤差MAPE對結果進行評價，完成空調冷負荷預測。本發明具有較好的預測精度、通用性和適用性。

技術領域

本發明屬于建筑空調冷負荷預測技術領域，具體涉及一種基于自適應深度置信網絡的空調冷負荷預測方法。

背景技術

隨著城市化的加快，工業的發展以及人口的增長，全球能源需求持續上升。據統計，建筑運行冷負荷約占全球冷負荷的40％，其溫室氣體排放占總排放的1/3，這表明建筑物已成為最大的能源消費者。對于建筑而言，暖通空調系統在建筑總冷負荷中所占的比例最大，其巨大的能源消耗增加了電網的壓力。因此對建筑進行能源管理顯得尤為重要。

建筑冷負荷預測是建筑能源管理過程中重要的一環，是實現建筑節能的一項關鍵性工作，對建筑冷負荷進行正確合理的預測，能夠及時準確的發現建筑冷負荷中的一些異常情況或者潛在的設備故障，便于管理人員及時采取措施，進而避免能源的過度浪費。同時正確合理的建筑冷負荷預測還可以給管理人員合理分配能量提供一定的依據，使得能源被合理有效地使用。而且可以合理安排發電方案，實現電網的供需平衡，讓電力系統穩定運行，這對電力系統來說也是非常重要的一環。

目前冷負荷預測方法中人工神經網絡模型、支持向量機模型、決策樹模型以及混合模型應用廣泛。然而，這些模型卻存因在各種問題使得預測精度不夠理想。比如，人工神經網絡算法的學習速度不夠高，并易產生局部最優和過擬合現象；支持向量機難以在大量樣本中使用，多分類問題解決困難；決策樹模型的方案概率易受人為影響，決策準確性降低；混合模型計算量和計算難度較高等問題。以上預測算法只是注重考慮自身算法對冷負荷的預測，還未能充分考慮建筑冷負荷的復雜特征，從而導致預測效果不理想。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于自適應深度置信網絡的空調冷負荷預測方法，考慮影響建筑冷負荷的復雜因素，實現了有效預測建筑冷負荷情況，通過對影響條件的控制，達到節能降耗的技術效果，解決了現有技術中存在的問題。

本發明采用以下技術方案：

一種基于自適應深度置信網絡的空調冷負荷預測方法，首先收集冷負荷數據，采用拉格朗日插值法對缺失和異常的能耗數據進行彌補處理，對處理后的能耗數據進行歸一化處理；將處理后的數據通過獨立的高斯分布處理，處理后的CRBM輸入給預測模型；通過RBM無監督機制進行訓練，以前一層的RBM隱藏層作為下一層RBM的可視層輸入，調節網絡參數θ＝{w,a,b}；然后通過有監督的BP神經網絡進行反向訓練，再次調節網絡參數θ＝{w,a,b}；再采用Adam優化算法調節網絡參數θ＝{w,a,b}；最后選取預測模型的參數及結構，采用重構誤差RE對預測模型進行結構評估選??；采用均方根相對誤差RMSPE和平均絕對百分誤差MAPE對結果進行評價，完成空調冷負荷預測。

具體的，預測模型在線性單元中加入獨立高斯分布的連續值來模擬真實的數據，能量函數E(v,h；θ)為：

其中，θ＝{w,a,b,σ}，σ_i為可視層v_i對應的高斯噪聲的標準差；

更新可視層和隱藏層的激活概率為：