CN113361744A - 一种基于lstm算法的室内温度预测方法 - Google Patents
一种基于lstm算法的室内温度预测方法 Download PDFInfo
- Publication number
- CN113361744A CN113361744A CN202110452019.XA CN202110452019A CN113361744A CN 113361744 A CN113361744 A CN 113361744A CN 202110452019 A CN202110452019 A CN 202110452019A CN 113361744 A CN113361744 A CN 113361744A
- Authority
- CN
- China
- Prior art keywords
- lstm
- indoor temperature
- neural network
- network model
- temperature
- 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.)
- Pending
Links
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提出了一种基于LSTM算法的室内温度预测方法,步骤1:获取一段时间内每间隔15分钟的室内温度,室外温度,风速,室外湿度,天气数据(晴,多云,雨,雪),太阳辐射强度(用温度等效),空气源热泵的启停状态及供水温度等数据,并对所得到的数据集进行预处理;步骤2:将数据集转化为有监督学习数据集,同时将除当前时刻需要预测的室内温度外所有因素移除;步骤3:将数据集划分为训练集和验证集两部分;步骤4:搭建LSTM神经网络模型,利用训练集训练LSTM神经网络模型并调整LSTM参数,返回每一代的损失值,根据建立好的LSTM神经网络模型预测后一时段内每间隔15分钟的室内温度。本发明考虑了太阳辐射因素的影响,所使用的LSTM算法用时短,大大提高了室温预测的准确性。
Description
技术领域
本发明涉及建筑室温预测技术领域,具体涉及一种基于LSTM算法的室内温度预测方法。
背景技术
居住建筑作为建筑的一个重要部分和人类生存的四大要素之一,与人们的生活息息相关。暖通空调系统的出现创造了良好的室内热环境,却在为建筑室内持续提供舒适环境的同时,也带来了巨大的能耗问题。而建立一个准确度高的室内温度预测模型,有助于优化现有空调系统对室内温度的调控,在保证人员热舒适的基础上,最大程度地平衡暖通系统带来的重大能耗,对于建筑节能和室内热舒适改善都具有重要意义。
考虑到建筑物理环境的滞后性,若使用预测控制的方法,通过预测下一时刻室内温度在当前室内温度和室外温度的影响下的变化,从而提前开启调节,便能更好地控制在舒适范围内。目前,针对室内温度预测的方法一般分为白盒模型,灰盒模型和黑盒模型三种。其中白盒模型是通过建筑自身的物理参数建立;灰盒模型是在已有建筑参数的基础上,结合实验数据建立的模型;黑盒模型也称数据驱动模型,通过统计学方法,对大量的实测数据进行分析,以此构建数学模型,例如长短时记忆网络(LSTM)模型,这一模型能有效处理具有滞后性,时序性的物理量关系,且不依赖准确的建筑物理参数,适用于既建成的,无法获得准确围护结构参数的办公建筑,具有用时短,预测准确度高等优点。
发明内容
本发明的目的在于提供一种基于LSTM算法的室内温度预测方法,有效处理室温控制大惯性,大滞后性的特点,更好实现节能的同时,提高供暖品质和热舒适度。
为了实现上述任务,本发明采用以下技术方案:
一种基于LSTM算法的室内温度预测方法,包括以下步骤:
步骤1:获取一段时间内的室内外数据,并对所得到的数据集进行预处理;
步骤2:将数据集转化为有监督学习数据集;
步骤3:将数据集划分为训练集和验证集两部分;
步骤4:搭建LSTM神经网络模型,利用训练集训练LSTM神经网络模型并调整LSTM参数;
步骤5:根据建立好的LSTM神经网络模型获得预测时段的室内温度并与真实值对比。
进一步的,步骤1包括如下子步骤:
根据实测及网站爬虫获取每间隔15分钟的室内温度,室外温度,风速,室外湿度,天气数据(晴,多云,雨,雪),太阳辐射强度(用温度等效),空气源热泵的启停状态及供水温度等数据,并采用MinMaxScaler的方法对数据进行处理。
进一步的,步骤4中搭建LSTM神经网络模型包括如下子步骤:
在LSTM神经网络模型中设置隐藏层和输出层,损失函数采用MSE,优化算法采用Adam,经过多次迭代后,得到最优的LSTM参数。
与现有技术相比,本发明的技术方案具有以下特点:
1.本发明所使用的LSTM算法为黑箱模型,模型建立依靠算法对实测数据的学习,不依赖准确的建筑物理参数,适用于既建成的,无法获得准确围护结构参数的办公建筑,对所需条件较低;且基于深度学习的LSTM算法用时短,预测准确度高。
2.本发明考虑了太阳辐射对室内温度预测的影响,在不同天气状况均有较高的适用性,能得到较满意的预测效果。
附图说明
为了更清楚地说明本发明的技术方案,下面将对附图作简单地介绍。
图1为本发明中实现室温预测的程序流程图。
图2为实施例一的LSTM模型参数设置。
图3为实施例一完成LSTM训练后得到的损失图。
图4为实施例一预测结果与真实值的对比图。
具体实施方式
下面结合附图对本发明作进一步的说明。
图1中具体包括以下步骤:
步骤1:获取一段时间内的室内外数据,并对所得到的数据集进行预处理;
步骤2:将数据集转化为有监督学习数据集;
步骤3:将数据集划分为训练集和验证集两部分;
步骤4:搭建LSTM神经网络模型,利用训练集训练LSTM神经网络模型并调整LSTM参数;
步骤5:根据建立好的LSTM神经网络模型获得预测时段的室内温度并与真实值对比。
进一步的,步骤1包括如下子步骤:
根据实测及网站爬虫获取每间隔15分钟的室内温度,室外温度,风速,室外湿度,天气数据(晴,多云,雨,雪),太阳辐射强度(用温度等效),空气源热泵的启停状态及供水温度等数据,并采用MinMaxScaler的方法对数据进行处理。
进一步的,步骤4中搭建LSTM神经网络模型包括如下子步骤:
在LSTM神经网络模型中设置隐藏层和输出层,损失函数采用均方误差MSE,优化算法采用Adam,经过多次迭代后,得到最优的LSTM参数。
实施例一:
在本实例中,所有数据均由实测及网站爬虫获得,基于每15分钟统计一次,设置隐藏层有50个神经元,输出层有1个神经元,按7:3划分训练集和测试集,训练效果如图3所示,预测后两日的室内温度情况,横坐标代表预测时刻,预测效果如图4所示,可以看出,太阳辐射强度的突变会对室内温度预测产生影响。
Claims (3)
1.一种基于LSTM算法的室内温度预测方法,其特征在于,包括以下步骤:
步骤1:获取一段时间内的室内外数据,并对所得到的数据集进行预处理;
步骤2:将数据集转化为有监督学习数据集;
步骤3:将数据集划分为训练集和验证集两部分;
步骤4:搭建LSTM神经网络模型,利用训练集训练LSTM神经网络模型并调整LSTM参数;
步骤5:根据建立好的LSTM神经网络模型获得预测时段的室内温度并与真实值对比。
2.如权利要求1所述的一种基于LSTM算法的室内温度预测方法,其特征在于,步骤1包括如下子步骤:
根据实测及网站爬虫获取每间隔15分钟的室内温度,室外温度,风速,室外湿度,天气数据(晴,多云,雨,雪),太阳辐射强度(用温度等效),空气源热泵的启停状态及供水温度等数据,并采用MinMaxScaler的方法对数据进行处理。
3.根据权利要求1所述的一种基于LSTM算法的室内温度预测方法,其特征在于,步骤4包括如下子步骤:
在LSTM神经网络模型中设置隐藏层和输出层,损失函数采用MSE,优化算法采用Adam,经过多次迭代后,得到最优的LSTM参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452019.XA CN113361744A (zh) | 2021-04-26 | 2021-04-26 | 一种基于lstm算法的室内温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452019.XA CN113361744A (zh) | 2021-04-26 | 2021-04-26 | 一种基于lstm算法的室内温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361744A true CN113361744A (zh) | 2021-09-07 |
Family
ID=77525531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452019.XA Pending CN113361744A (zh) | 2021-04-26 | 2021-04-26 | 一种基于lstm算法的室内温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361744A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489200A (zh) * | 2022-04-01 | 2022-05-13 | 科大天工智能装备技术(天津)有限公司 | 一种温室大棚环境控制系统 |
CN115142160A (zh) * | 2022-08-22 | 2022-10-04 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN115220506A (zh) * | 2022-09-16 | 2022-10-21 | 同方德诚(山东)科技股份公司 | 一种基于物联网终端的多点源冷暖控制系统 |
-
2021
- 2021-04-26 CN CN202110452019.XA patent/CN113361744A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489200A (zh) * | 2022-04-01 | 2022-05-13 | 科大天工智能装备技术(天津)有限公司 | 一种温室大棚环境控制系统 |
CN115142160A (zh) * | 2022-08-22 | 2022-10-04 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN115142160B (zh) * | 2022-08-22 | 2023-12-19 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN115220506A (zh) * | 2022-09-16 | 2022-10-21 | 同方德诚(山东)科技股份公司 | 一种基于物联网终端的多点源冷暖控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361744A (zh) | 一种基于lstm算法的室内温度预测方法 | |
CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN110131843B (zh) | 基于大数据的空调的智能调控方法及系统 | |
CN107730006B (zh) | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
JP6104235B2 (ja) | 建物のエネルギー消費の予測方法 | |
CN111735178A (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 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN111598225B (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
Kunwar et al. | Dynamic shading in buildings: a review of testing methods and recent research findings | |
CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
CN114370698A (zh) | 基于强化学习的室内热环境学习效率提升的优化控制方法 | |
CN115689068B (zh) | 一种基于室温修正和CNN-BiLSTM的热负荷预测方法 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN116976500A (zh) | 一种机理数据融合的建筑负荷预测方法 | |
CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
Weng et al. | RNN-based forecasting of indoor temperature in a naturally ventilated residential building | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN113606650B (zh) | 基于机器学习算法的智慧供热室温调控系统 | |
CN114489200A (zh) | 一种温室大棚环境控制系统 | |
Li et al. | Research on the generation method of missing hourly solar radiation data based on multiple neural network algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |