[發(fā)明專利]一種空調(diào)負(fù)荷預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010562945.8
• 申請(qǐng)日: 2020-06-19
• 公開（公告）號(hào): CN111709585A
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 金鋒;葛海華;莊健;高文忠
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)上海市電力公司;上海海事大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06F17/14
• 代理公司: 上海互順專利代理事務(wù)所(普通合伙) 31332
• 代理人: 成秋麗

本發(fā)明公開了一種空調(diào)負(fù)荷預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)，包括：構(gòu)建空調(diào)系統(tǒng)運(yùn)行和負(fù)荷的數(shù)據(jù)庫(kù)，獲得多個(gè)IMF分量和趨勢(shì)項(xiàng)序列；并獲得訓(xùn)練集數(shù)據(jù)和預(yù)測(cè)集數(shù)據(jù)；獲得歸一化后的多個(gè)IMF分量、歸一化后的趨勢(shì)項(xiàng)序列；根據(jù)所述訓(xùn)練集數(shù)據(jù)，構(gòu)建空調(diào)負(fù)荷預(yù)測(cè)LSTM模型；對(duì)歸一化處理后的測(cè)試樣本的各IFM分量和趨勢(shì)項(xiàng)序列數(shù)據(jù)輸入至所構(gòu)建的LSTM模型，并將LSTM模型的個(gè)輸出結(jié)果進(jìn)行反歸一化處理，得到各IMF分量和趨勢(shì)項(xiàng)序列的預(yù)測(cè)結(jié)果；根據(jù)所述預(yù)測(cè)結(jié)果，獲得空調(diào)負(fù)荷預(yù)測(cè)值，旨在采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不同的分量序列進(jìn)行預(yù)測(cè)建模，挖掘空調(diào)負(fù)荷時(shí)間序列所蘊(yùn)含的信息，進(jìn)一步提高負(fù)荷預(yù)測(cè)模型預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明涉及空調(diào)符合預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種加空調(diào)負(fù)荷預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

我國(guó)建筑能耗占社會(huì)整體能耗的20％，而供暖、通風(fēng)和空調(diào)系統(tǒng)能耗約是建筑總能耗的主要組成部分。而當(dāng)前大多數(shù)空調(diào)系統(tǒng)運(yùn)行采用反饋控制系統(tǒng)，根據(jù)用戶側(cè)回水溫度調(diào)節(jié)系統(tǒng)，存在調(diào)節(jié)延遲造成能源浪費(fèi)或供能不均衡等問(wèn)題。因此，提前制定合適的運(yùn)行策略十分重要。因此，通過(guò)收集和分析空調(diào)系統(tǒng)運(yùn)行數(shù)據(jù)，準(zhǔn)確預(yù)測(cè)一段時(shí)間的空調(diào)負(fù)荷，以指導(dǎo)操作人員提前制定系統(tǒng)運(yùn)行策略及優(yōu)化運(yùn)行策略提供依據(jù)，能夠保障空調(diào)系統(tǒng)高效安全運(yùn)行。

目前，常用的空調(diào)負(fù)荷預(yù)測(cè)算法有時(shí)間序列預(yù)測(cè)法、參數(shù)回歸法和人工神經(jīng)網(wǎng)絡(luò)法。這些方法存在各自的優(yōu)缺點(diǎn)及特點(diǎn)。時(shí)間序列分析預(yù)測(cè)法突出了時(shí)間因素在預(yù)測(cè)中的作用，暫不考慮外界具體因素的影響，易存在誤差較大的缺陷。參數(shù)回歸法雖然簡(jiǎn)單明確、預(yù)測(cè)速度快，但是工作量大、精度不高及通用性不高。關(guān)于人工神經(jīng)網(wǎng)絡(luò)(ANN)在空調(diào)負(fù)荷預(yù)測(cè)中的應(yīng)用表明，該技術(shù)是預(yù)測(cè)領(lǐng)域中最成功的技術(shù)之一。與其他模型相比，ANN的優(yōu)勢(shì)在于它能夠?qū)ψ兞恐g復(fù)雜關(guān)系給出的多變量問(wèn)題進(jìn)行建模，并通過(guò)訓(xùn)練數(shù)據(jù)的“學(xué)習(xí)”來(lái)提取這些變量之間的隱含非線性關(guān)系。

由于空調(diào)負(fù)荷受到眾多內(nèi)部和外部影響，使空調(diào)負(fù)荷呈現(xiàn)隨機(jī)性和非線性特征。針對(duì)空調(diào)負(fù)荷存在以上特征，僅使用上述空調(diào)負(fù)荷預(yù)測(cè)單一算法難以滿足預(yù)測(cè)準(zhǔn)確度。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種空調(diào)負(fù)荷預(yù)測(cè)方法、裝置及存儲(chǔ)介質(zhì)，旨在采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不同的分量序列進(jìn)行預(yù)測(cè)建模，挖掘空調(diào)負(fù)荷時(shí)間序列所蘊(yùn)含的信息，進(jìn)一步提高負(fù)荷預(yù)測(cè)模型預(yù)測(cè)精度。

為了實(shí)現(xiàn)上述目的，一種空調(diào)負(fù)荷預(yù)測(cè)方法，所述方法包括：

構(gòu)建空調(diào)系統(tǒng)運(yùn)行和負(fù)荷的數(shù)據(jù)庫(kù)，并確定空調(diào)負(fù)荷預(yù)測(cè)模型的輸入和輸出參數(shù)；

對(duì)所述數(shù)據(jù)庫(kù)中的原始時(shí)間序列數(shù)據(jù)進(jìn)行EMD分解，獲得多個(gè)IMF分量和趨勢(shì)項(xiàng)序列；

對(duì)所述多個(gè)IMF分量、一個(gè)趨勢(shì)項(xiàng)序列、依據(jù)空調(diào)負(fù)荷預(yù)測(cè)模型的輸入?yún)?shù)和輸出參數(shù)，獲取到多份樣本集，可按照時(shí)間將每一份樣本集進(jìn)行劃分為訓(xùn)練集與預(yù)測(cè)集；

對(duì)所述多份訓(xùn)練集與預(yù)測(cè)集進(jìn)行歸一化處理，獲得歸一化后的訓(xùn)練集與預(yù)測(cè)集；

根據(jù)所述訓(xùn)練集數(shù)據(jù)，分別構(gòu)建空調(diào)負(fù)荷預(yù)測(cè)LSTM模型；

對(duì)歸一化處理后的測(cè)試樣本的數(shù)據(jù)輸入至所構(gòu)建的LSTM模型，并將LSTM模型的各輸出結(jié)果進(jìn)行反歸一化處理，得到利用各IMF分量和趨勢(shì)項(xiàng)序列的數(shù)據(jù)構(gòu)造模型的預(yù)測(cè)結(jié)果；

根據(jù)所述預(yù)測(cè)結(jié)果，獲得空調(diào)負(fù)荷預(yù)測(cè)值。

一種實(shí)現(xiàn)方式中，所述對(duì)所述數(shù)據(jù)庫(kù)中的原始時(shí)間序列數(shù)據(jù)進(jìn)行EMD分解，獲得多個(gè)IMF分量和趨勢(shì)項(xiàng)序列的步驟包括：