CN111553465B - 一种基于vmd-gru网络的公共建筑冷负荷预测方法 - Google Patents

一种基于vmd-gru网络的公共建筑冷负荷预测方法 Download PDF

Info

Publication number
CN111553465B
CN111553465B CN202010346263.3A CN202010346263A CN111553465B CN 111553465 B CN111553465 B CN 111553465B CN 202010346263 A CN202010346263 A CN 202010346263A CN 111553465 B CN111553465 B CN 111553465B
Authority
CN
China
Prior art keywords
cold load
prediction
vmd
gru
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010346263.3A
Other languages
English (en)
Other versions
CN111553465A (zh
Inventor
于军琪
解云飞
赵安军
惠蕾蕾
冉彤
王佳丽
王福
田颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010346263.3A priority Critical patent/CN111553465B/zh
Publication of CN111553465A publication Critical patent/CN111553465A/zh
Application granted granted Critical
Publication of CN111553465B publication Critical patent/CN111553465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

一种基于VMD‑GRU网络的公共建筑冷负荷预测方法，包括以下步骤：步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测；步骤2，使用VMD分解原始冷负荷序列；步骤3，在GRU网络中对预测模型进行训练；步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU网络中进行预测，得到冷负荷的预测分量；步骤5，将分量预测结果相加得出冷负荷预测值。本发明提供了一种基于VMD‑GRU网络的大型公共建筑冷负荷预测模型。针对大型公共建筑冷负荷预测问题，文中提出VMD‑GRU预测模型，对变量进行相关性分析，避免人工经验选取输入变量的不足，缩短预测时间。

Description

一种基于VMD-GRU网络的公共建筑冷负荷预测方法
技术领域
本发明属于大型公共建筑系统中负荷预测技术领域，特别涉及一种基于VMD-GRU网络的公共建筑冷负荷预测方法。
背景技术
近年来，全球能源消耗量伴随经济的发展增长迅速，其中建筑能耗所占比可达40％。大型公共建筑由于舒适度要求高、人流量大、空调系统运行时间长等特点，已成为建筑能耗中的“巨无霸”，对其能耗进行准确可靠的预测成为各界人士关注的热点。要提高预测的精确度就要把握建筑冷负荷的变化规律：随机性、周期性、非线性和非平稳性。由于冷负荷时间序列固有的复杂性和不规则性，预测过程中容易出现梯度消失、模态混叠和过拟合等问题，预测大型公共建筑冷负荷仍然是一项艰巨的任务。
近年来，许多优化模型被用来解决建筑能耗预测问题。钱志使用改进型人工鱼群和 SVR混合模型对需求侧负荷进行预测，但是当输入过多时，精度和收敛速度明显降低。黄荣庚使用贝ARMA模型解决地铁站能耗预测问题，然而，该模型易出现震荡现象，导致收敛速度慢、易陷入局部极小值。江平引入日期框架策略(DFS)构建特征库后来预测电力负荷，虽然能够快速收敛，但是由于输入权值和阈值的随机性大，对预测精度影响大。李军在能耗预测，依靠经验获取SOM神经网络的隐层节点数和训练次数，虽然隐层数的增加可以适当降低误差，但同时使网络复杂化，导致网络训练时间的增加，甚至会出现“过拟合”情况。混合模型(也称为灰盒模型)是物理模型和数据驱动模型相结合的方法。众多研究者将多种组合的方法和单一的人工智能方法进行比较，发现组合后的方法性能优于单一的传统方法，并且适用于多种类型的建筑。王林使用FOA优化ESN算法建立电力需求与多种因素之间的非线性关系对工业用电量(IEC)进行预测,虽然FOA算法可以对ESN 的四个关键初始参数进行优化，但易陷入局部最优，并且它的搜索路径太粗糙。雷建文提出灰色关联分析和蝙蝠优化神经网络的预测模型对短期负荷进行预测，但是灰色模型对非平稳变化序列难以辨识，预测值与实际值存在较大的误差,成为提高预测模型精度的瓶颈。
发明内容
本发明的目的在于提供一种基于VMD-GRU网络的公共建筑冷负荷预测方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于VMD-GRU网络的公共建筑冷负荷预测方法，包括以下步骤：
步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测；
步骤2，使用VMD分解原始冷负荷序列，原始冷负荷序列序列共被分解为n条分量，各分量按照中心频率从低到高依次排列，选取不让其出现混叠的分量；
步骤3，选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分别进行训练；
步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU 网络中进行预测，得到冷负荷的预测分量；
步骤5，将分量预测结果相加得出冷负荷预测值。
进一步的，步骤1中，将大型公建冷负荷相关变量X＝[X1,X2,…,Xm]进行相关性分析，选取相关性高的数据重组为新的相关性序列Y＝[U1,U2,…,Un,O]。
进一步的，步骤2中，利用VMD进行分解及平稳化处理，分解为表示原始数据特征的多个分量；
VMD分解的具体步骤如下：
1)初始化各模态、中心频率和算子；
2)根据式(1)和(2)，更新参数uk和ω；
Figure BDA0002470267150000031
Figure BDA0002470267150000032
其中，f(t)为原始信号，uk是信号f(t)的第k个分量，
Figure BDA0002470267150000033
和/>
Figure BDA0002470267150000034
分别代表f(ω)、 ui(ω)、λ(ω)和/>
Figure BDA0002470267150000035
的傅里叶变换，n代表迭代次数；
3)根据式(3)更新参数λ；
Figure BDA0002470267150000036
4)对于给定的判别精度e>0,若
Figure BDA0002470267150000037
则停止迭代，否则返回2)。
进一步的，步骤3中，GRU网络包括更新门、重置门和输出门三个部分；它将LSTM 网络中的遗忘门和输入门合并成一个更新门zt，保留原有的重置门rt，并且学习LSTM门控网络的优点来更新细胞状态和隐藏状态；
更新门zt用于描述过去时刻特征信息对现在特征信息的影响程度，其阈值越大说明前时刻特征信息对现在影响越大；
重置门rt用于描述过去时刻的状态特征信息被丢弃的程度，其阈值越小说明对过去信息丢弃越多；GRU网络中的前向传播权重参数的更新公式如下：
zt＝sigm(wxzxt+whzxt-1+bz)
rt＝sigm(wxrxt+whrxt-1+br)
Figure BDA0002470267150000038
式中：rt表示重置门，zt表示更新门，xt为t时刻的输入，ht-1为t-1时刻的隐含状态输入，wrt表示权重参数，br表示偏移参数，ht为候选隐藏状态，⊙为Hadamard积，表示对应元素相乘；参数更新历程为：当rt趋于0时，重置和遗忘过去时刻ht-1的状态特征信息， ht重置为当前输入特征信息；而zt则可以组合控制过去时刻的ht-1和ht，同时更新和输出ht；
GRU网络使用反向误差传播算法来训练自身网络；假使其输出层的输入为：
Figure BDA0002470267150000039
输出为：/>
Figure BDA00024702671500000310
设其损失函数为/>
Figure BDA00024702671500000311
则样本的损失为/>
Figure BDA00024702671500000312
利用损失函数对四个参数求偏导，实现对参数的训练；
un1,un2,…,unk分别是系统n个不同的输入变量的观测值，o′k是模型输出的观测值；GRU 神经网络的输入向量，将历史数据依次通过多层GRU全连接层，并在接下来通过完全连接层合并特征，生成预测当前时刻之后m个采样周期的输出；将GRU神经网络的预测值与真实值之间的平均平方差定义为损失函数，随时间反向传播。
进一步的，步骤4中，首先使用VMD对冷负荷序列和相关变量进行相关性分析，舍弃相关性低的相关变量，然后对相关性高的变量和冷负荷序列进行VMD分解，将分解后得到的分量进行重组。选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分别进行训练。然后，输入冷负荷预测数据的相关性高的变量进行VMD分解，然后输入GRU网络中进行预测，得到冷负荷的预测分量，最后将分量预测值叠加得到最终的预测值并输出结果。
与现有技术相比，本发明有以下技术效果：
本发明提供了一种基于VMD-GRU网络的大型公共建筑冷负荷预测模型。针对大型公共建筑冷负荷预测问题，文中提出VMD-GRU预测模型，对变量进行相关性分析，避免人工经验选取输入变量的不足，缩短预测时间。
冷负荷时间序列往往是非平稳、非线性。VMD-GRU模型所提出的模型更容易掌握建筑冷负荷时间序列的特征，可以有效地解决梯度消失、模态混叠和过拟合等问题。同时，实现原始序列平稳化，大大提高了建筑冷负荷预测的精度，更适合工程实际的应用。
附图说明
图1是VMD-GRU预测方法流程图；
图2变量间相关性热点图；
图3冷负荷VMD分解图；
图4经过GRU预测后的子序列及冷负荷预测值；
图5四种模型的预测结果对比；
图6四种模型的预测相对误差的对比；
图7真实值与预测值的回归拟合曲线。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1至图7，本发明提供的一种基于VMD-GRU网络的大型公共建筑冷负荷预测模型，包括以下步骤：
步骤1：对输入变量进行相关性分析，从而选取出对负荷影响较大的输入变量；
步骤2：使用VMD分解原始冷负荷序列，原始冷负荷序列序列共被分解为n条分量，各分量按照中心频率从低到高依次排列，选取不让其出现混叠的分量；
步骤3：选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分别进行训练；
步骤4：输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU网络中进行预测，得到冷负荷的预测分量；
步骤5，将分量预测值叠加得到最终的预测值并输出结果；
所述步骤4中，如附图1所示，VMD-GRU预测方法流程图。
首先使用VMD对冷负荷序列和相关变量进行相关性分析，舍弃相关性低的相关变量，然后对相关性高的变量和冷负荷序列进行VMD分解，将分解后得到的分量进行重组。选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在 GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分别进行训练。然后，输入冷负荷预测数据的相关性高的变量进行VMD分解，然后输入GRU网络中进行预测，得到冷负荷的预测分量o′(n)，最后将分量预测值叠加得到最终的预测值并输出结果，见式6。
o′＝o′(1)+o′(2)+…+o′(n) (6)
以某大型公共建筑为例，对本发明提出的一种基于VMD-GRU网络的大型公共建筑冷负荷预测模型的部分步骤进行说明：
该建筑物高40.6m，总建筑面积25万m2，商业面积20万m2，分为地下两层，地上八层，建筑空调面积18.76万m2，夏季空调采用部分蓄冷的冰蓄冷空调系统。因为输入变量的选取对模型预测精度有很大影响。因此，首先对输入变量进行相关性分析，从而选取出对负荷影响较大的输入变量。
变量选择
相关性分析
大型公共建筑冷负荷预测训练样本的输入层节点通常为T时刻室外空气温度、湿度、太阳辐射强度、室外风速，考虑到太阳辐射、室外温度会导致建筑冷负荷存在滞后现象，因此，在预测模型中还加入了T-1h时刻室外空气温度、T-2h太阳辐射强度。考虑到冷负荷的时间序列性，相关研究还加入了T-1h时刻冷负荷以及T-2h时刻冷负荷作为模型输入变量。输出层节点为T时刻冷负荷预测。
实验以6月、7月六十天中前五十天每天早八点至晚上十点的运行数据做为训练数据，包括空调系统逐时冷负荷数据、室外干球温度数据、室外空气湿度以及太阳辐射强度等变量做为训练数据，采用7月份的25、26、27、28四天的数据作为验证分析数据对冷负荷预测模型进行验证分析。考虑到上述数据中存在部分输入数据与输出数据相关性较低，对其进行相关性分析。
如图2为变量之间的相关性热点图。其中，冷负荷与1小时前的太阳辐射强度的相关性R为0.47093，与相对湿度的相关性R为-0.21487，与室外风速的相关性R为-0.05391，相关性较低；在选取输入向量时，将这3个相关性低的舍弃，使用与冷负荷相关性高的变量进行冷负荷预测。结合前述分析，最终选取的输入变量为X1、X2、X3、X4和X5；输出变量为O，具体变量选取见表1。
冷负荷序列VMD分解
首先，使用VMD分解原始冷负荷序列，
分解结果如图3所示。从图3可以发现，原始冷负荷序列序列共被分解为5条分量，依次为u1，u2，…，u5，且各u分量按照中心频率从低到高依次排列。每条u分量反映出不同的信息，u1是频率最低的一条分量，其中含有原始序列的趋势信息，u5是频率最高的一条分量，其中包含着原始序列的震荡信息。
从图3中可以看出，模态函数u1也可以叫做趋势分量，平均振幅较大，变化平缓，规律性最易掌握，反映出检测样本中冷负荷的大体变化趋势。模态函数u2、u3也可以叫做细节分量，规律性较好，周期性明显，表明建筑冷负荷具有较强的周期特性，规律性较强，波动平缓。模态函数u4和u5平均振幅最小，波动较大，其规律性较差，受建筑人员活动影响较强，具有一定的随机性。使每一个分量分别进行GRU网络进行预测，最终将所有的冷负荷预测分量相加求和，得到冷负荷预测的最终结果。
对原始冷负荷序列进行VMD分解，选取部分结果如图3所示。VMD参数设置为：惩罚参数α＝1000；初始中心频率ω＝0；收敛判据r＝10-6。
在分解时出现相近模态时容易出现混叠现象。模态函数个数经过反复实验得出，可以看出在模态分量个数为6时，中心频率2288Hz和2336Hz相距较近，可能出现模态混叠[21]。为了将原始冷负荷序列分解，并且不让其出现模态混叠，因此，模态个数选为5 较适宜。
仿真实验
利用仿真实验检验提出模型的预测能力。为了验证所提出模型的有效性，本文将实验结果绘图并进行比较分析。
图4中u(1-5)为子序列预测结果，5个分量序列进行累加可得到VMD-GRU模型冷负荷预测序列，并且和原始冷负荷序列进行对比。通过将冷负荷预测分量累加之后获得的VMD-GRU模型的预测结果非常接近于冷负荷原始值。
图5展示四种模型的预测结果，通过比较分析可知，单一BP、GRU预测模型与其他两种预测模型相比较，预测结果不稳定，偏差较大。EMD-GRU预测模型虽然预测结果偏差有所降低，但是与VMD-GRU预测模型相比，预测精度不够好。采用VMD-GRU预测模型的预测精度高于其他三种模型，该模型得出的预测值与真实值更加接近。
为进一步研究和分析各模型预测误差分布的特性和预测效果，可以通过对各模型的冷负荷预测误差进行高斯混合分布检验和统计分析，图6作出了各模型误差高斯频率直方图以及拟合分布曲线图，图6为各模型预测误差评价指标直方图，便于更加直观的分析各模型的预测误差。
由图6可见四种预测模型误差对比，将四种模型的预测误差序列采用Kolmogorov-Smirnow检验，测试结果表明四个序列均服从正态分布。可以发现，BP和 GRU在高误差区的出现的次数较多，误差分布较分散。然而，通过EMD和VMD分解后，再进行预测得到的预测值误差较小。并且VMD分解后的预测值误差和VMD相比，更加集中，误差更小，优化效果更加明显。VMD-GRU预测模型的相对误差远小于其他预测模型。
在正态分布中值决定了曲线位置，越接近0，说明位置越靠近0，即大多数的预测相对误差值接近于0，模型预测效果越好。决定了曲线的尖峭程度，越小图形越尖峭，说明在该误差范围内的包含的值越多。通过四个模型的相对误差分布图形对比可知，VMD-GRU模型，最接近于0，并且最小，说明该预测模型的相对误差在0附近数量值最大，模型最精确。
通过观察四个模型的回归曲线，可以发现，VMD-GRU模型的预测冷负荷值集中在直线y＝x附近，优化效果更加明显，相比较其他的三种模型。
图7为四种预测模型预测值和真实值的线性回归曲线图，从图中可得出，VMD-GRU模型相对于GRU预测模型和EMD-GRU预测模型更加逼近真实值。
通过对四个模型比较可知，VMD-GRU模型线性回归拟合曲线拟合度最高，达到了0.992，残差和较小达到1.045。通过分析其截距和斜率可知，VMD-GRU模型预测值和真实值的拟合曲线更加接近直线y＝x，说明预测效果最好，并且该模型的截距标准误差最小，说明其截距误差范围最小，预测值更加接近真实值。
结论
针对大型公共建筑冷负荷预测问题，文中提出VMD-GRU预测模型；首先对输入输出数据间的相关性进行分析，利用VMD算法对冷负荷序列进行初步分解，利用GRU网络对分解序列分别进行预测。将预测模型应用于大型公共建筑，得出以下结论：
1)该大型公共建筑的T时刻输出冷负荷与T时刻室外空气温度、T-1时刻室外空气温度、T时刻太阳辐射量、T-1时刻冷负荷、T-2时刻冷负荷这5个输入量相关性较高。对变量进行相关性分析，避免人工经验选取输入变量的不足，缩短预测时间。
2)以MAE、MAPE和r作为三种预测模型评价标准，实验结果表明，BP、GRU、 EMD-GRU和VMD-GRU模型的MAE分别为1924.206、1813.956、1082.47和495.532； MAPE分别为0.1816、0.1718、0.0927和0.0419；r分别为0.51564、0.52522、0.78176和 0.9549。
3)冷负荷时间序列往往是非平稳、非线性。VMD-GRU模型更容易掌握建筑冷负荷时间序列的特征，实现原始序列平稳化，大大提高了建筑冷负荷预测的精度，更适合工程实际的应用。
Figure BDA0002470267150000091
表1选取的变量。

Claims (3)

1.一种基于VMD-GRU网络的公共建筑冷负荷预测方法，其特征在于，包括以下步骤：
步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测；
步骤2，使用VMD分解原始冷负荷序列，原始冷负荷序列序列共被分解为n条分量，各分量按照中心频率从低到高依次排列，选取不让其出现混叠的分量；
步骤3，选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量分别进行训练；
步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU网络中进行预测，得到冷负荷的预测分量；
步骤5，将分量预测结果相加得出冷负荷预测值；
步骤2中，利用VMD进行分解及平稳化处理，分解为表示原始数据特征的多个分量；
VMD分解的具体步骤如下：
1)初始化各模态、中心频率和算子；
2)根据式(1)和(2)，更新参数uk和ω；
Figure FDA0004179550440000011
Figure FDA0004179550440000012
其中，f(t)为原始信号，uk是信号f(t)的第k个分量，
Figure FDA0004179550440000013
Figure FDA0004179550440000014
和/>
Figure FDA0004179550440000015
分别代表f(ω)、ui(ω)、λ(ω)和/>
Figure FDA0004179550440000016
的傅里叶变换，n代表迭代次数；
3)根据式(3)更新参数λ；
Figure FDA0004179550440000017
4)对于给定的判别精度e>0,若
Figure FDA0004179550440000018
则停止迭代，否则返回2)；
步骤3中，GRU网络包括更新门、重置门和输出门三个部分；它将LSTM网络中的遗忘门和输入门合并成一个更新门zt，保留原有的重置门rt，并且学习LSTM门控网络的优点来更新细胞状态和隐藏状态；
更新门zt用于描述过去时刻特征信息对现在特征信息的影响程度，其阈值越大说明前时刻特征信息对现在影响越大；
重置门rt用于描述过去时刻的状态特征信息被丢弃的程度，其阈值越小说明对过去信息丢弃越多；GRU网络中的前向传播权重参数的更新公式如下：
Figure FDA0004179550440000021
式中：rt表示重置门，zt表示更新门，xt为t时刻的输入，ht-1为t-1时刻的隐含状态输入，wrt表示权重参数，br表示偏移参数，ht为候选隐藏状态，⊙为Hadamard积，表示对应元素相乘；参数更新历程为：当rt趋于0时，重置和遗忘过去时刻ht-1的状态特征信息，ht重置为当前输入特征信息；而zt则可以组合控制过去时刻的ht-1和ht，同时更新和输出ht；
GRU网络使用反向误差传播算法来训练自身网络；假使其输出层的输入为：
Figure FDA0004179550440000022
输出为：/>
Figure FDA0004179550440000023
设其损失函数为/>
Figure FDA0004179550440000024
则样本的损失为/>
Figure FDA0004179550440000025
利用损失函数对四个参数求偏导，实现对参数的训练；
un1,un2,…,unk分别是系统n个不同的输入变量的观测值，o′k是模型输出的观测值；GRU神经网络的输入向量，将历史数据依次通过多层GRU全连接层，并在接下来通过完全连接层合并特征，生成预测当前时刻之后m个采样周期的输出；将GRU神经网络的预测值与真实值之间的平均平方差定义为损失函数，随时间反向传播。
2.根据权利要求1所述的一种基于VMD-GRU网络的公共建筑冷负荷预测方法，其特征在于，步骤1中，将大型公建冷负荷相关变量X＝[X1,X2,…,Xm]进行相关性分析，选取相关性高的数据重组为新的相关性序列Y＝[U1,U2,…,Un,O]。
3.根据权利要求1所述的一种基于VMD-GRU网络的公共建筑冷负荷预测方法，其特征在于，步骤4中，首先使用VMD对冷负荷序列和相关变量进行相关性分析，舍弃相关性低的相关变量，然后对相关性高的变量和冷负荷序列进行VMD分解，将分解后得到的分量进行重组；选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量分别进行训练；然后，输入冷负荷预测数据的相关性高的变量进行VMD分解，然后输入GRU网络中进行预测，得到冷负荷的预测分量，最后将分量预测值叠加得到最终的预测值并输出结果。
CN202010346263.3A 2020-04-27 2020-04-27 一种基于vmd-gru网络的公共建筑冷负荷预测方法 Active CN111553465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010346263.3A CN111553465B (zh) 2020-04-27 2020-04-27 一种基于vmd-gru网络的公共建筑冷负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010346263.3A CN111553465B (zh) 2020-04-27 2020-04-27 一种基于vmd-gru网络的公共建筑冷负荷预测方法

Publications (2)

Publication Number Publication Date
CN111553465A CN111553465A (zh) 2020-08-18
CN111553465B true CN111553465B (zh) 2023-05-23

Family

ID=72003222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010346263.3A Active CN111553465B (zh) 2020-04-27 2020-04-27 一种基于vmd-gru网络的公共建筑冷负荷预测方法

Country Status (1)

Country Link
CN (1) CN111553465B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN112666483B (zh) * 2020-12-29 2022-06-21 长沙理工大学 一种改进arma的锂电池剩余寿命预测方法
CN112766078B (zh) * 2020-12-31 2024-04-16 辽宁工程技术大学 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN112990603B (zh) * 2021-04-16 2023-07-21 西安建筑科技大学 考虑频域分解后数据特征的空调冷负荷预测方法及系统
CN113285448B (zh) * 2021-05-25 2022-10-04 国网四川省电力公司电力科学研究院 一种电气化铁路非侵入式牵引负荷分解方法
CN113343470A (zh) * 2021-06-18 2021-09-03 西安建筑科技大学 一种公共钢结构建筑微应变预测方法及系统
CN117290939B (zh) * 2023-11-24 2024-03-22 中国铁路设计集团有限公司 一种适用于地铁车站的蓄冷设计计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN110414045A (zh) * 2019-06-18 2019-11-05 东华大学 基于vmd-gru的短期风速预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN109886498A (zh) * 2019-03-01 2019-06-14 北京邮电大学 一种基于特征选择的emd-gru短期电力负荷预测方法
CN110414045A (zh) * 2019-06-18 2019-11-05 东华大学 基于vmd-gru的短期风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于VMD与PSO优化深度信念网络的短期负荷预测;梁智等;《电网技术》(第02期);全文 *
基于变分模式分解和深度门控循环网络的风速短期预测模型;吴宇杭等;《电网与清洁能源》(第12期);全文 *

Also Published As

Publication number Publication date
CN111553465A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553465B (zh) 一种基于vmd-gru网络的公共建筑冷负荷预测方法
CN112348271B (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
Cheng et al. A hybrid remaining useful life prognostic method for proton exchange membrane fuel cell
Li et al. Application of a hybrid quantized Elman neural network in short-term load forecasting
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
Chuentawat et al. The comparison of PM2. 5 forecasting methods in the form of multivariate and univariate time series based on support vector machine and genetic algorithm
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
CN114492922A (zh) 一种中长期发电量预测方法
Almutairi et al. An intelligent deep learning based prediction model for wind power generation
Ghanbari et al. An intelligent load forecasting expert system by integration of ant colony optimization, genetic algorithms and fuzzy logic
Jitkongchuen et al. Prediction Heating and cooling loads of building using evolutionary grey wolf algorithms
Ismail et al. Optimizing the parameters of Sugeno based adaptive neuro fuzzy using artificial bee colony: A case study on predicting the wind speed
Lin et al. Hybrid RNN-LSTM deep learning model applied to a fuzzy based wind turbine data uncertainty quantization method
Poczeta et al. Application of fuzzy cognitive maps to multi-step ahead prediction of electricity consumption
CN114169251A (zh) 一种超短期风电功率预测方法
Haydari et al. Time-series load modelling and load forecasting using neuro-fuzzy techniques
Seyedzadeh et al. Multi-objective optimisation for tuning building heating and cooling loads forecasting models
Dan et al. Application of machine learning in forecasting energy usage of building design
Freire et al. Predicting building's corners hygrothermal behavior by using a Fuzzy inference system combined with clustering and Kalman filter
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN115796361A (zh) 一种架空线路工程可研阶段的风速区间预测方法和装置
Wang et al. Prediction of air pollution based on FCM-HMM Multi-model
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
Bin et al. A short-term power load forecasting method based on eemd-abgru
Hu et al. A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant