CN112561728B - 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 - Google Patents
基于注意力机制lstm的综合能耗费用优化方法、介质及设备 Download PDFInfo
- Publication number
- CN112561728B CN112561728B CN202011173807.7A CN202011173807A CN112561728B CN 112561728 B CN112561728 B CN 112561728B CN 202011173807 A CN202011173807 A CN 202011173807A CN 112561728 B CN112561728 B CN 112561728B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- energy
- comprehensive energy
- saving strategy
- building
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 192
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 230000007246 mechanism Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 15
- 238000009423 ventilation Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000002737 fuel gas Substances 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004146 energy storage Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004134 energy conservation Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于注意力机制LSTM的综合能耗费用优化方法、介质及设备，将环境数据，以及末端控制器设定值和机房设备工作状态构成的节能策略矩阵送入加入注意力机制的LSTM网络中，对楼宇综合能耗预测模型进行训练，得到楼宇综合能耗预测模型；结合综合能源分时价格标准及节能策略矩阵取值约束条件建立针对商用楼宇的综合能耗费用优化模型；采用遗传算法对商用建筑的综合能源费用优化模型进行求解，计算未来k个时段能耗费用最少对应的节能策略矩阵，根据节能策略矩阵的值调整未来k个时段各末端控制器设定值及冷冻机房设备工作状态，使未来k个时段综合能耗费用降至最低。通过求解模型为楼宇未来k个时段制定费用最低的能源使用方案。
Description
技术领域
本发明属于暖通及人工智能技术领域，具体涉及一种基于注意力机制LSTM的综合能耗费用优化方法、介质及设备。
背景技术
目前我国正大力推动智慧城市建设，推进公共楼宇智能化升级，国家为实现节能降耗、缓解电力系统负荷及燃气管网的供应压力，正全面推行工商业能源峰谷分时定价。节能降耗可以缓解能源供应日趋紧张的形势，减少污染排放，改进城市与生态环境，提升人们生活与工作品质。与此同时，能源的大量消耗，随之产生的是昂贵的能源费用，尤其对于办公楼宇，如写字楼，在能源方面的开销在总运营开销中占较大比重。因而以降低综合能耗费用为目的的楼宇能耗优化研究具有重要意义。
在楼宇集中控制系统中，根据楼宇自身的能量储存(墙体、管道和其它储能设备)能力和峰谷分时能源价格指标，结合天气和人流变化以及环境质量要求，动态地调整楼宇机房设备的工作状态和末端空间环境控制器的参数可实现错峰用电，减少能耗费用。北京国奥村就利用管道的储能能力，采取适当的储能方案，有效降低了能耗及能源开支。
据统计，我国电网峰谷用电的比例通常会高达10：0.7，而当今世界一般发展中国家用电峰谷比例为1：0.63，如此可见，我国的电力调峰任务远未实现。我国采用峰谷分时能源价格，对峰谷时段分别制定不同的能源价格水平。因此根据峰谷分时能源价格制定能耗费用优化方案，不仅可以鼓励用户移峰填谷、同时可以优化用能方式，为用户寻求更低的能耗费用，具有重大经济效益。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于注意力机制LSTM的综合能耗费用优化方法、介质及设备，根据楼宇内外的环境变化，结合峰谷分时能源价格标准为用户制定能耗费用最低的节能策略；通过对历史数据进行学习建立基于注意力机制LSTM的楼宇综合能耗预测模型，将预测模型和能源价格指标作为目标函数，节能策略作为输入参数建立能耗费用优化模型，求解费用最低时的节能策略。
本发明采用以下技术方案：
基于注意力机制LSTM的综合能耗费用优化方法，包括以下步骤：
S1、采集楼宇运作系统中的数据并进行预处理，得到环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵；
S2、将步骤S1预处理后的环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵送入加入注意力机制的LSTM网络中，对楼宇综合能耗预测模型进行训练；
S3、基于楼宇综合能耗预测模型、峰谷分时能源价格标准以及用户需求建立针对商用楼宇的综合能耗费用优化模型；
S4、采用遗传算法对商用楼宇综合能耗费用优化模型进行求解，计算未来k个时段能耗费用最少对应的节能策略矩阵，根据节能策略矩阵的值调整未来k个时段各末端控制器设定值及冷冻机房设备工作状态，使未来k个时段楼宇综合能耗费用降至最低。
具体的，步骤S1中，通过互联网天气数据及楼宇的室内外传感器、冷冻站系统、空调系统、配电系统、给排水系统的传感设备和控制设备采集室内外环境数据、各类设备的运行状态和能耗数据；预处理包括残缺补齐、类型转换和归一化处理，使预处理后的数据满足楼宇综合能耗预测模型的输入要求。
具体的，步骤S2中，训练过程中，输入数据，通过带有卷积核的注意力机制层捕获各变量在不同时间段对预测结果的不同影响；
将经过信息提取后的新变量分别与上一时刻隐状态向量ht-1采用乘法注意力机制计算相关性f(Hi,ht-1)，得到各输入变量权重αi；为各特征变量赋以权重，得到LSTM网络最终输入变量
送入网络进行能耗预测；
样本数据通过注意力机制层后，通过LSTM网络前向计算与反向传播训练模型，损失函数选择均方误差MSE；
楼宇综合能耗预测模型通过迭代循环进行参数学习；当网络收敛时训练结束，得到楼宇综合能耗预测模型。
进一步的，第j个卷积核提取第i个特征随时间变化的结果Hi,j为：
Hi,j＝xi*Cj
其中，Cj表示第j个卷积核，卷积核Cj∈R1×k，k表示楼宇综合能耗预测模型一次输入k个时间步数据，*表示卷积操作，xi表示输入样本中第i个特征在t到t+k时刻的值，共有M个卷积核。
具体的，步骤S3中，楼宇综合能耗预测模型根据输入的节能策略矩阵和通过互联网天气数据获得的未来k个时段的环境数据，预测出未来k个时段对应的能耗需求矩阵E，结合分时能源价格矩阵C得到总能耗费用，加入节能策略带来的约束条件，得到基于注意力机制LSTM预测网络的综合能耗费用优化模型如下：
Subject to E＝f(D,A)，D∈Rn×k，A∈Rw×k
ai,jmin≤ai,j≤ai,jmax
其中，f表示加入注意力机制层的LSTM网络，A∈Rw×k表示末端控制器设定值以及机房设备工作状态等组成的节能策略矩阵，w表示节能策略所涵盖的变量个数；D∈Rd×k表示除节能策略所包含的输入参数之外的天气因素、房屋结构、人流密度等其它不可控输入变量；⊙表示Hadamard乘积，E∈R3×k，3表示水、电、燃气三种能源；Q表示综合能源分时价格矩阵，Q∈R3×k，ai,jmin和ai,jmax分别表示节能策略矩阵A的元素可以取值的上界与下界。
进一步的，约束条件为机组数量、各机组工作额定功率、以及用户对楼宇内部环境质量的要求带来的末端控制器的设定范围，包括房间温控器的设定温度范围、房间加/除湿器的设定湿度范围、房间空气净化器的PM2.5设定范围、房间换气设备的二氧化碳浓度设定范围、冷却水泵启用个数、冷却水泵额定功率、冷水机组启用个数、冷水机组额定功率、一次冷冻水泵启用个数和一次冷冻水泵额定功率。
具体的，步骤S4中，使用遗传算法求解模型具体为：
S401、产生初始种群，包括X组节能策略矩阵；
S402、通过楼宇综合能耗预测模型得到X组节能策略矩阵对应的综合能耗需求，根据分时能源价格计算对应综合能耗费用；
S403、依据综合能耗费用最低及选择概率θ选择个体，将前θ·X组节能策略矩阵遗传到下一代；
S404、对前θ·X组节能策略矩阵在约束条件范围内，两两随机对矩阵元素进行交换产生新的节能策略矩阵；
S405、在变异概率γ控制下，对经过步骤S403选择和步骤S404交叉后的节能策略矩阵在约束条件范围内对某些元素进行随机调整；
S406、通过步骤S403选择、步骤S404交叉和步骤S405变异得到一组新的节能策略矩阵，返回步骤S402，直到达到终止条件遗传代数T，以当前种群中使综合能耗费用最低的节能策略矩阵作为最优解输出。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于注意力机制LSTM的综合能耗费用优化方法，提出的综合能耗费用优化方法的目标函数包含楼宇综合能耗预测模型，使用基于注意力机制的LSTM神经网络提高时间序列预测准确率，根据楼宇动态环境及所使用的节能策略对未来多个时间段楼宇多种类能源使用情况进行预测。相比于直接基于用户用能习惯静态制定未来节能策略，本发明基于预测模型建立能耗费用最优化目标函数，所得到针对未来k个时段的节能策略具有较高实时性。实际中为鼓励用户错峰用能，一天中能源价格也是分时段的；同时，大型楼宇往往配备有一定储能能力，将峰谷分时能源价格矩阵加入最优化模型目标函数中，充分考虑综合能耗需求与分时能源价格相结合制定节能策略，提高能耗费用优化策略的实用性。此外，本发明还涉及综合能源的管理，综合考虑水、电、燃气三种能源，如现有电动式制冷机组通常加装冰(水)蓄冷机组，在电力供应紧张的情况下可通过冰水使制冷机组运行，更贴近现有实际需求。
进一步的，通过互联网天气数据及楼宇的室内外传感器、冷冻站系统、空调系统、配电系统、给排水系统的传感设备和控制设备采集室内外环境数据、各类设备的运行状态和能耗数据，并对采集所得数据进行预处理，用于训练楼宇综合能耗预测模型，避免在模型训练过程中出现梯度消失与梯度爆炸问题。
进一步的，在模型结构设计上，通过带有卷积核的注意力机制处理输入数据，用一维卷积核提取各特征变量随时间变化的特征，捕捉其在不同时间段对预测结果的不同影响，提取输入数据空间相关性；对经过进一步信息提取后的新变量采用注意力机制赋予权重，为当前时刻样本数据中对楼宇综合能耗预测影响较大的变量赋予更高权重，聚焦对预测结果影响更大的关键变量，提高预测结果准确率。对于楼宇综合能耗预测，样本数据中异常点对预测结果的影响需要被考虑，因此模型采用均方误差MSE作为损失函数，使模型训练过程更加稳定和准确。
进一步的，由于不同卷积核作用于同一变量序列数据时所关注的不同时间步的变量间关系不同，因此提取的结果意义也不同。当有M个卷积核时，对每个变量在k个时间步的序列会提取到M个结果，这M个结果组成对应变量的新输入向量。采用基于卷积及注意力机制的LSTM预测模型在通过LSTM网络提取输入序列时间维度相关性的同时，利用多个卷积核充分获取变量序列所提供的潜在信息。
进一步的，为得到使楼宇在未来k个时段综合能耗费用较低的节能策略，用基于注意力机制LSTM预测网络及综合能源分时价格矩阵构建综合能耗费用优化模型。
进一步的，用综合能耗费用优化模型输入数据中的可操作变量，包括末端控制器设定值以及机房设备工作状态等组成节能策略矩阵，作为优化模型的求解变量。用户对楼宇内部环境质量的要求、机房设备的数量及其额定功率作为优化模型中节能策略矩阵元素取值约束条件，构成综合能耗费用优化模型解的可行域。
进一步的，由于基于注意力机制LSTM的综合能耗费用优化方法求解变量个数多，采用传统优化方法存在求解困难，求解慢的问题。采用启发式算法，如遗传算法，可以在可接受范围内得到近似最优解，平衡了求解效率与较优解的矛盾。
综上所述，本发明首先建立基于注意力机制的LSTM综合能耗预测网络，进而结合综合能源分时价格矩阵构建楼宇综合能耗费用优化模型，通过启发式算法在末端控制器设定以及机房设备工作状态可取值范围内快速求解使得未来k个时段综合能耗费用较低的节能策略。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于注意力机制LSTM的楼宇能耗费用优化方法结构图；
图2为楼宇综合能耗预测模型示意图；
图3为注意力机制层示意图；
图4为遗传算法求解步骤示意图。
具体实施方式
本发明提供了一种基于注意力机制LSTM的综合能耗费用优化方法、介质及设备，包括输入参数、目标函数和约束条件三部分。针对办公楼宇，环境因素和末端控制器设定值以及机房设备的工作状态作为综合能耗费用最优化模型输入；目标函数包含综合楼宇能耗预测模型以及峰谷分时能源价格矩阵，楼宇综合能耗预测模型采用加入注意力机制的LSTM网络，通过楼宇环境因素以及节能策略设置预测楼宇未来若干时段水、电、燃气综合能耗，进一步，结合峰谷分时能源价格计算出综合能耗费用；用户对楼宇内部环境质量的要求以及机房设备的额定功率提供模型约束条件，对模型输入参数中涉及节能策略部分的变量进行一定限制；可采用启发式算法求解综合能耗费用优化模型，求解算法以目标函数值最小为方向，调整节能策略矩阵最终得到综合能耗费用最低的节能策略。本发明考虑到楼宇自身的储能能力，结合能耗预测模型以及峰谷分时能源价格提出综合能耗费用最优化方法，与实际情况紧密结合为用户制定节能策略，对办公楼宇用能具有较高指导意义。
本发明一种基于注意力机制LSTM的综合能耗费用优化方法，包括以下步骤：
S1、采集楼宇运作系统中的数据及预处理
通过互联网天气数据及楼宇的室内外传感器、冷冻站系统、空调系统、配电系统、给排水系统的传感设备和控制设备等采集室内外环境数据、各类设备的运行状态、能耗数据。对采集得到的样本数据进行预处理，包括残缺补齐、类型转换、归一化，使其满足楼宇综合能耗预测模型的输入要求。
所需主要样本数据的详细内容以及数据来源如表1所示，其中节能策略部分为人为控制的参数，是能耗费用优化模型需要求解的内容。
表1楼宇综合能耗预测模型样本
S2、对楼宇综合能耗预测模型进行训练
将经过预处理的数据，包括环境数据以及末端控制器设定值和机房设备工作状态构成的节能策略矩阵送入加入注意力机制的LSTM网络。
在训练过程中，由于各变量在不同时间对能耗的影响大小不同，输入数据，通过带有卷积核的注意力机制层捕获各变量在不同时间段对预测结果的不同影响。
第j个卷积核提取第i个特征随时间变化的结果Hi,j为：
Hi,j＝xi*Cj
其中，Cj表示第j个卷积核，卷积核Cj∈R1×k，k表示楼宇综合能耗预测模型一次输入k个时间步数据，*表示卷积操作，xi表示输入样本中第i个特征在t到t+k时刻的值，共有M个卷积核。
将经过信息提取后的新变量分别与上一时刻隐状态向量ht-1采用乘法注意力机制计算相关性f(Hi,ht-1)，得到各输入变量权重αi；为各特征变量赋以权重，得到LSTM网络最终输入变量
送入网络进行能耗预测。
f(Hi,ht-1)＝(Hi)TWaht-1
αi＝sigmoid(f(Hi,ht-1))
样本数据通过注意力机制层后，通过LSTM网络前向计算与反向传播训练模型，其中，损失函数可选择均方误差MSE，具体为：
MSE在计算损失值时对目标值和输出值的差取平方，对异常点敏感，因此使用MSE考虑样本中异常点对预测结果的影响，符合楼宇综合能耗预测实际情况。
楼宇综合能耗预测模型通过不断地迭代循环执行上述步骤进行参数学习，其中参数学习包括LSTM层参数以及注意力机制层的参数更新。当网络收敛时训练结束，得到楼宇综合能耗预测模型。
S3、基于楼宇综合能耗预测模型、峰谷分时能源价格标准以及用户需求建立针对商用楼宇的综合能耗费用优化模型；
在楼宇控制系统中，根据天气和人流量的变化调整末端控制器的设定参数以及冷冻机房设备的工作频率会产生不同的能耗需求。综合能耗费用优化模型为约束优化问题，模型输入为楼宇环境因素及节能策略，优化目标为综合能耗费用最小化，模型的目标函数由楼宇综合能耗预测模型和水、电、燃气三种能源的分时价格构成。楼宇综合能耗预测模型根据输入的节能策略矩阵和通过互联网天气数据获得的未来k个时段的环境数据，预测出未来k个时段对应的能耗需求矩阵E，结合分时能源价格矩阵C，可计算出总能耗费用，构建综合能耗费用最优化模型目标函数式如下：
其中，E＝f(D,A)，f表示加入注意力机制层的LSTM网络，A∈Rw×k表示末端控制器设定值以及机房设备工作状态等组成的节能策略矩阵，w表示节能策略所涵盖的变量个数；D∈Rd×k表示除节能策略所包含的输入参数之外的天气因素、房屋结构、人流密度等其它不可控输入变量；☉表示Hadamard乘积，E∈R3×k，3表示水、电、燃气三种能源；Q表示综合能源分时价格矩阵，Q∈R3×k。
模型的约束条件为机组数量、各机组工作额定功率、以及用户对楼宇内部环境质量的要求带来的末端控制器的设定范围，涉及以下几个内容：
(1)房间温控器的设定温度范围
(2)房间加/除湿器的设定湿度范围
(3)房间空气净化器的PM2.5设定范围
(4)房间换气设备的二氧化碳浓度设定范围
(5)冷却水泵启用个数
(6)冷却水泵额定功率
(7)冷水机组启用个数
(8)冷水机组额定功率
(9)一次冷冻水泵启用个数
(10)一次冷冻水泵额定功率
不同的节能策略组合对应不同的节能策略矩阵，通过楼宇综合能耗预测模型可以得到各节能策略矩阵对应的综合能耗需求，不同的时段-能耗需求会产生不同的能耗费用。因此，加入节能策略带来的约束条件，得到基于注意力机制LSTM预测网络的综合能耗费用优化模型如下：
Subject to E＝f(D,A)，D∈Rn×k，A∈Rw×k
ai,jmin≤ai,j≤ai,jmax
其中，ai,jmin和ai,jmax分别表示节能策略矩阵A的元素可以取值的上界与下界。
S4、采用遗传算法对楼宇综合能耗费用优化模型进行求解，找出最少能耗费用所对应的节能策略矩阵。
请参阅图4，综合能耗费用优化模型属于约束优化问题，其目标是通过优化算法找到最低综合能耗费用所对应的模型输入，即节能策略矩阵。智能算法往往不能保证得到问题的最优解，但能够在可接受范围内得到近似最优解，是在近似解与求解效率中的一种平衡算法。使用遗传算法求解基于注意力机制LSTM的综合能耗费用优化模型，求解算法以目标函数值最小为方向，调整节能策略矩阵，通过算法迭代找到使综合能耗费用在可接受范围内的节能策略矩阵。用遗传算法求解该模型。
S401、产生一个初始种群
按照经验给出遗传算法参数，包括种群大小X，选择概率θ，0＜θ＜1，变异概率γ以及遗传代数T，0＜γ＜1，根据历史数据给出X个初始节能策略矩阵；
S402、计算种群适应度
通过楼宇综合能耗预测模型得到X个节能策略矩阵对应的综合能耗需求，根据能源价格可计算出对应能耗费用；
S403、选择
依据适应度及选择概率θ选择使能耗费用前θ·X组节能策略矩阵直接遗传到下一代；
S404、交叉
对前θ·X组节能策略矩阵在约束条件范围内，两两随机对矩阵元素进行交换产生新的节能策略矩阵；
S405、变异
在变异概率γ控制下，对经过选择、交叉后的节能策略矩阵在约束条件范围内对某些元素进行随机调整；
S406、得到新种群
通过选择、交叉、变异得到X个新的节能策略矩阵，回到步骤S402，直到达到终止条件遗传代数T，以当前种群中使综合能耗费用最低的节能策略矩阵作为最优解输出。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，通过最优化方法寻求最低综合能耗费用。模型主要包含输入参数、目标函数以及约束条件3个部分。其中，输入参数主要包括未来k个时段的环境因素和预置的节能策略，节能策略代表末端空间环境控制器参数以及机房设备的工作状态；目标函数分为楼宇综合能耗预测模型和峰谷分时能源费用表，楼宇综合能耗预测模型可根据输入参数预测出对应未来k个时间段的能耗需求，结合分时能源费用表得到未来k个时段可能产生的能耗费用；约束条件为用户对楼宇内部环境质量的要求以及机房设备的额定功率，对输入参数的大小进行一定的限制。综合能耗费用优化模型目的在于综合能耗费用的最小化，即求解在满足约束条件的情况下使目标函数最小的节能策略。
请参阅图2，模型可根据未来k个时段楼宇环境因素以及预置楼宇节能策略预测楼宇未来k个时段水、电、燃气综合能耗。预测模型采用基于注意力机制的LSTM网络，注意力机制层用于提取时序样本序列在空间维度上的相关性，LSTM网络用于捕获样本序列在时间维度上的相关性。最终，通过大量历史数据训练得到楼宇综合能耗预测模型，用节能策略预测楼宇未来k个时段综合能耗，为构建楼宇综合能耗费用优化模型提供能耗数据。
数据采集及预处理：收集一段时间内楼宇系统运作过程各项实测数据作为楼宇综合能耗预测模型的训练样本，并对采集得到的样本数据进行预处理，包括残缺补齐、类型转换、归一化，使其满足楼宇综合能耗预测模型的输入条件。
每条样本主要包括以下几类：
(1)天气因素：室外气温、室外湿度、风速、降雨情况、降雪情况、紫外线强度
(2)建筑结构：建筑空间总体积、外墙面积、外墙传热系数、窗墙面积比
(3)人流密度：办公人数
(4)电器及照明耗电：房间用电量
(5)室内环境：室内风速、室内辐射温度
(6)节能策略：压缩机开启个数、房间温控器设定温度、房间设定湿度、房间空气净化器PM2.5浓度设定值、房间换气设备二氧化碳浓度设定、冷水泵启用个数、冷水泵工作频率、冷水机组启用个数、冷水机组工作频率、一次冷冻水泵启用个数、一次冷冻水泵工作频率。
(7)模型输出能耗：冷冻机房设备总耗电量、总用水量、总燃气消耗量。
模型输出多种类能耗预测值，实现多种类能源的能耗预测，以得到综合能耗费用最低的节能策略。
综合能耗预测模型：由于楼宇暖通系统、墙体等具有一定的冷/热量储备能力，使室内环境以及综合能耗受到前若干个时段的状态影响，因此要进行楼宇能耗预测，需使用循环神经网络(RNN)类可以学习样本序列前后依赖关系的深度学习模型，使模型能够感知能耗影响因素在时间上的关联。使用加入注意力机制层的LSTM网络预测楼宇未来k个时段综合能源使用情况，一方面通过注意力机制提取变量序列间空间相关性；另一方面用LSTM网络提取序列时间相关性，提高楼宇综合能耗预测模型对时间序列数据预测准确性。
在模型训练过程中，首先将经过预处理的样本数据用卷积核提取各变量在时间段上的影响，得到含有变量随时间变化信息的新输入变量。
请参阅图3，不同卷积核作用在同一变量上时所关注的时间信息不同，因此提取到的结果意义也不同。当有M个卷积核时，对每个变量会提取到M个结果，这M个结果组成对应变量的新输入向量。
进一步，用得到的含有各变量随时间变化信息的新输入变量分别与上一时刻隐状态向量ht-1计算相关性，将计算结果通过sigmoid函数缩放到0～1之间，根据相关性为各输入变量赋以权重得到LSTM网络新的输入
将
作为新输入送入LSTM网络，经过LSTM网络处理，损失函数根据具体需求选取不同函数；
楼宇综合能耗预测模型通过学习大量历史数据完成网络训练，最终实现对用户未来水、电、燃气综合能耗需求的精准预测。
综合能耗费用优化方法实现与求解
针对国家对商用建筑采取峰谷分时能源价格收费标准以及楼宇自身具备一定储能能力的特点，综合能耗费用优化方法建立楼宇暖通系统在一段时间内运行情况与能耗费用的关系模型。
综合能耗费用优化方法包括建立目标函数与约束条件。根据环境因素及不同节能策略结合楼宇综合能耗预测模型预测得到的能耗需求，以及峰谷分时能源价格标准，计算综合能耗费用最优化目标函数；用户对楼宇内部环境质量的要求以及机房设备的额定功率影响模型输入参数，对节能策略部分的变量大小进行一定的限制，提供综合能耗费用最优化方法的约束条件。
综合能耗费用优化模型：
一方面，在不同的环境因素下，不通的室内环境组合会产生不同的能耗需求，适当地调整末端控制器的设定可以实现节能；另一方面，由于峰谷分时能源价格标准的存在以及楼宇自身的储能能力，在不同时段调整机房设备的工作状态能够降低综合能耗费用。综合能耗费用优化模型的任务是从末端控制器设定和机房设备工作状态的多种组合中找到使得综合能耗费用最低的节能策略组合，是一个约束优化模型。
用末端控制器设定值以及机房设备工作状态构建节能策略矩阵，如表2所示。输入不同的节能策略矩阵会得到不同的能耗费用。
表2节能策略矩阵
矩阵A中的元素ai,j代表第j个时刻第i个设备的启用个数或者工作频率。不同的节能策略矩阵A对应着不同的能耗费用。
用楼宇综合能耗预测模型以及峰谷分时能源价格构建目标函数。通过基于注意力机制LSTM的楼宇能耗预测算法预测得到未来k个时段的能耗预测值，即得到未来k个时段综合能耗矩阵E如下：
E＝f(D,A)，D∈Rd×k，A∈Rw×k
如表3所示，E∈R3×k，其中，3表示水、电、燃气三种能源；f表示加入注意力机制层的LSTM网络，A∈Rw×k表示末端控制器设定值以及机房设备工作状态等组成的节能策略矩阵，w表示节能策略所涵盖的变量个数；D∈Rd×k表示除节能策略所包含的输入参数之外的天气因素、房屋结构、人流密度等其它不可控输入变量。
表3综合能耗预测矩阵E
构建综合能源分时价格矩阵Q，如表4所示，Q∈R3×k。
表4综合能源分时价格矩阵Q
楼宇综合能耗预测模型结合峰谷分时能源价格表组成综合能耗费用最优模型目标函数，具体为：
其中，☉表示Hadamard乘积。
用户对楼宇内部环境质量的要求以及机房设备的额定功率、启用个数限制等提供优化模型约束条件，对模型输入参数的大小进行一定的限制。
综合能耗费用优化模型求解：此约束优化模型的目标是找出最少能耗费用所对应的节能策略矩阵，多种优化算法均可用来求解该模型。优化算法从初始可行的节能策略矩阵出发，以目标函数值最小为方向，调整节能策略矩阵最终得到综合能耗费用最低的节能策略。求解方法可以使用传统优化算法，如障碍函数法、内点法等；也可以使用智能算法，例如元启发式算法中的遗传算法、蚁群算法等；另外可以用Ipopt(an Interior PointOptimizer)优化算法包求解。最终，楼宇综合能耗费用优化模型可给出未来k个时段的节能策略。
综上所述，本发明一种基于注意力机制LSTM的综合能耗费用优化方法，针对办公楼宇的暖通系统能够实现集中控制和统一管理，以及其能源费用遵循国家实施的峰谷分时价格标准的特点，通过建立楼宇综合能耗费用优化模型，寻求综合能耗费用最低的节能策略。综合能耗费用优化模型主要包括，基于注意力机制的长短时记忆网络(LSTM)楼宇综合能耗预测模型和水、电、燃气峰谷分时能源价格标准组成的目标函数，节能策略构成的输入参数。通过求解模型为楼宇未来k个时段制定费用最低的能源使用方案。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (5)
1.基于注意力机制LSTM的综合能耗费用优化方法，其特征在于，包括以下步骤：
S1、采集楼宇运作系统中的数据并进行预处理，得到环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵；
S2、将步骤S1预处理后的环境数据，末端控制器设定值和机房设备工作状态构成的节能策略矩阵送入加入注意力机制的LSTM网络中，对楼宇综合能耗预测模型进行训练，训练过程中，输入数据，通过带有卷积核的注意力机制层捕获各变量在不同时间段对预测结果的不同影响；将经过信息提取后的新变量分别与上一时刻隐状态向量ht-1采用乘法注意力机制计算相关性f(Hi,ht-1)，得到各输入变量权重αi；为各特征变量赋以权重，得到LSTM网络最终输入变量
送入网络进行能耗预测；样本数据通过注意力机制层后，通过LSTM网络前向计算与反向传播训练模型，损失函数选择均方误差MSE；楼宇综合能耗预测模型通过迭代循环进行参数学习；当网络收敛时训练结束，得到楼宇综合能耗预测模型；
第j个卷积核提取第i个特征随时间变化的结果Hi,j为：
Hi,j＝xi*Cj
其中，Cj表示第j个卷积核，卷积核Cj∈R1×k，k表示楼宇综合能耗预测模型一次输入k个时间步数据，*表示卷积操作，xi表示输入样本中第i个特征在t到t+k时刻的值，共有M个卷积核；
S3、基于楼宇综合能耗预测模型、峰谷分时能源价格标准以及用户需求建立针对商用建筑的综合能耗费用优化模型，楼宇综合能耗预测模型根据输入的节能策略矩阵和通过互联网天气数据获得的未来k个时段的环境数据，预测出未来k个时段对应的能耗需求矩阵E，结合分时能源价格矩阵C得到总能耗费用，加入节能策略带来的约束条件，得到基于注意力机制LSTM预测网络的综合能耗费用优化模型如下：
Subject to E＝f(D,A)，D∈Rn×k，A∈Rw×k
ai,jmin≤ai,j≤ai,jmax
其中，f表示加入注意力机制层的LSTM网络，A∈Rw×k表示末端控制器设定值以及机房设备工作状态等组成的节能策略矩阵，w表示节能策略所涵盖的变量个数；D∈Rd×k表示除节能策略所包含的输入参数之外的天气因素、房屋结构、人流密度等其它不可控输入变量；⊙表示Hadamard乘积，E∈R3×k，3表示水、电、燃气三种能源；Q表示综合能源分时价格矩阵，Q∈R3 ×k，ai,jmin和ai,jmax分别表示节能策略矩阵A的元素可以取值的上界与下界；
S4、采用遗传算法对商用建筑综合能耗费用优化模型进行求解，计算未来k个时段能耗费用最少对应的节能策略矩阵，根据节能策略矩阵的值调整未来k个时段各末端控制器设定值及冷冻机房设备工作状态，使未来k个时段综合能耗费用降至最低；
使用遗传算法求解模型具体为：
S401、产生初始种群，包括X组节能策略矩阵；
S402、通过楼宇综合能耗预测模型得到X组节能策略矩阵对应的综合能耗需求，根据分时能源价格计算对应综合能耗费用；
S403、依据综合能耗费用最低及选择概率θ选择个体，将前θ·X组节能策略矩阵遗传到下一代；
S404、对前θ·X组节能策略矩阵在约束条件范围内，两两随机对矩阵元素进行交换产生新的节能策略矩阵；
S405、在变异概率γ控制下，对经过步骤S403选择和步骤S404交叉后的节能策略矩阵在约束条件范围内对某些元素进行随机调整；
S406、通过步骤S403选择、步骤S404交叉和步骤S405变异得到一组新的节能策略矩阵，返回步骤S402，直到达到终止条件遗传代数T，以当前种群中使综合能耗费用最低的节能策略矩阵作为最优解输出。
2.根据权利要求1所述的基于注意力机制LSTM的综合能耗费用优化方法，其特征在于，步骤S1中，通过互联网天气数据及建筑的室内外传感器、冷冻站系统、空调系统、配电系统、给排水系统的传感设备和控制设备采集室内外环境数据、各类设备的运行状态和能耗数据；预处理包括残缺补齐、类型转换和归一化处理，使预处理后的数据满足楼宇综合能耗预测模型的输入要求。
3.根据权利要求1所述的基于注意力机制LSTM的综合能耗费用优化方法，其特征在于，步骤S3中，约束条件为机组数量、各机组工作额定功率、以及用户对楼宇内部环境质量的要求带来的末端控制器的设定范围，包括房间温控器的设定温度范围、房间加/除湿器的设定湿度范围、房间空气净化器的PM2.5设定范围、房间换气设备的二氧化碳浓度设定范围、冷却水泵启用个数、冷却水泵额定功率、冷水机组启用个数、冷水机组额定功率、一次冷冻水泵启用个数和一次冷冻水泵额定功率。
4.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1或2或3所述的方法中的任一方法。
5.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1或2或3所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011173807.7A CN112561728B (zh) | 2020-10-28 | 2020-10-28 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011173807.7A CN112561728B (zh) | 2020-10-28 | 2020-10-28 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561728A CN112561728A (zh) | 2021-03-26 |
| CN112561728B true CN112561728B (zh) | 2023-07-11 |
Family
ID=75042630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011173807.7A Active CN112561728B (zh) | 2020-10-28 | 2020-10-28 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561728B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112077B (zh) * | 2021-04-14 | 2022-06-10 | 太原理工大学 | 基于多步预测深度强化学习算法的hvac控制系统 |
| CN113569380B (zh) * | 2021-06-22 | 2024-07-30 | 国网北京市电力公司 | 建筑综合用能的调节能力的修正方法及装置 |
| CN113960925A (zh) * | 2021-08-30 | 2022-01-21 | 中科苏州微电子产业技术研究院 | 基于人工智能的楼宇能耗控制方法及装置 |
| CN114065635B (zh) * | 2021-11-22 | 2024-09-13 | 中国民航大学 | 基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法及存储介质 |
| CN115236985A (zh) * | 2022-07-29 | 2022-10-25 | 安徽海行云物联科技有限公司 | 一种基于深度学习的办公楼控电系统 |
| CN116070881B (zh) * | 2023-03-13 | 2023-09-29 | 淮阴工学院 | 一种现代工业产区智能能耗调度方法及装置 |
| CN116579506B (zh) * | 2023-07-13 | 2023-09-19 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
| CN117474713A (zh) * | 2023-09-30 | 2024-01-30 | 国网江苏省电力有限公司信息通信分公司 | 电力能耗预测模型优化方法及系统 |
| CN117494910B (zh) * | 2024-01-02 | 2024-03-22 | 国网山东省电力公司电力科学研究院 | 一种基于碳减排的多能源协调优化控制系统及方法 |
| CN117520998B (zh) * | 2024-01-05 | 2024-03-26 | 深圳市光明顶技术有限公司 | 照明灯塔设备的能耗分析方法、装置、设备及存储介质 |
| CN118469201A (zh) * | 2024-05-16 | 2024-08-09 | 梅泰克诺(嘉兴)新材料有限公司 | 基于人工智能的预制金属面板复合墙体生产线节能调度方法 |
| CN118446384B (zh) * | 2024-07-05 | 2024-10-01 | 深圳市微筑科技有限公司 | 基于lstm的楼宇暖通系统节能优化方法、系统和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334843A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 |
| CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
| CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190354644A1 (en) * | 2018-05-18 | 2019-11-21 | Honeywell International Inc. | Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications |
-
2020
- 2020-10-28 CN CN202011173807.7A patent/CN112561728B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110334843A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 |
| CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
| CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Production capacity analysis and energy saving of complex chemical processes using LSTM based on attention mechanism;Yongming Han;《Applied Thermal Engineering 》;第110472页 * |
| 基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究;李鹏辉;崔承刚;杨宁;陈辉;;上海电力学院学报(第06期);第67-73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561728A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
| Liu et al. | Study on deep reinforcement learning techniques for building energy consumption forecasting | |
| Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
| Sha et al. | Overview of computational intelligence for building energy system design | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN111735178B (zh) | 基于精英主义和svr回归算法的空调节能系统及优化方法 | |
| Xie et al. | A hybrid short-term load forecasting model and its application in ground source heat pump with cooling storage system | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| CN109345005A (zh) | 一种基于改进鲸鱼算法的综合能源系统多维寻优方法 | |
| Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
| CN105303247A (zh) | 一种园区型冷热能源混合应用的能源网络调控方法及系统 | |
| CN114418249A (zh) | 一种光储柔系统运行控制方法及装置 | |
| CN111626487A (zh) | 一种综合能源系统多评价指标优化规划技术方法和系统 | |
| CN115081902B (zh) | 基于源网荷储协同的综合规划方法、装置、设备及介质 | |
| CN112413762A (zh) | 一种制冷机房冷却水系统参数优化方法和系统 | |
| Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
| CN113191086A (zh) | 一种基于遗传算法的电采暖热负荷需求优化方法及系统 | |
| Liu et al. | Optimization of intelligent heating ventilation air conditioning system in urban building based on BIM and artificial intelligence technology | |
| CN114066264A (zh) | 计及综合需求响应的综合能源系统运行优化方法及系统 | |
| Irshad et al. | Novel optimized hybrid neuro-fuzzy approach for analysis of cold thermal storage system-assisted air conditioning system performance | |
| CN111523697A (zh) | 一种综合能源服务成本分摊与定价计算方法 | |
| Sun et al. | Research on prediction of housing prices based on GA-PSO-BP neural network model: evidence from Chongqing, China | |
| Constantinou et al. | An iot data system for solar self-consumption | |
| CN109343461A (zh) | 一种楼宇自动化控制系统的节能控制方法 | |
| Gong et al. | Intelligent control of district heating system based on RDPG |
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 |