CN113435665A - 一种面向功能分区的商场冷负荷预测方法及系统 - Google Patents

一种面向功能分区的商场冷负荷预测方法及系统 Download PDF

Info

Publication number
CN113435665A
CN113435665A CN202110815667.7A CN202110815667A CN113435665A CN 113435665 A CN113435665 A CN 113435665A CN 202110815667 A CN202110815667 A CN 202110815667A CN 113435665 A CN113435665 A CN 113435665A
Authority
CN
China
Prior art keywords
cold load
data
lstm
attention
load prediction
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
Application number
CN202110815667.7A
Other languages
English (en)
Inventor
赵安军
杨航杰
张萌芝
席江涛
赵啸
王鹏柱
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 CN202110815667.7A priority Critical patent/CN113435665A/zh
Publication of CN113435665A publication Critical patent/CN113435665A/zh
Pending legal-status Critical Current

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
    • G06N3/04—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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向功能分区的商场冷负荷预测方法及系统，根据目标商场建筑平面图与业态空间布局完成功能分区划分，根据灰色关联度分析发完成各功能分区关键影响因素的筛选；建立基于注意力机制改进的Attention‑LSTM冷负荷预测模型。通过网格搜索和交叉验证法寻求冷负荷模型的最优参数；各功能分区独立完成区域冷负荷预测，最终经预测结果加和指令得到整个商场建筑的冷负荷预测结果。这种面向功能分区的商场冷负荷预测，高度提取建筑冷负荷波动特征，解决现有技术中商场冷负荷数据呈现高维性、非线性、高延迟性和强时变性的特点。使得空调系统能有效地跟踪负荷变化，为输配供冷多级泵系统能效研究提供有力控制依据，从而改善室内热环境和降低空调能耗。

Description

一种面向功能分区的商场冷负荷预测方法及系统
技术领域
本发明属于商场建筑区域冷负荷预测技术领域，具体涉及一种面向功能分区的商场冷负荷预测方法及系统。
背景技术
当前，能源问题日益严重，节能减排工作成为各国焦点，建筑能耗约占所有能耗的40％。空调是建筑中最普遍的耗能设备之一，约占总电力和能源消耗的60％，对社会造成了沉重的能源负担和严重的环境污染，已成为制约中国可持续发展的主要问题。
大型商场建筑结构特点是由若干专业商店组成的建筑群，商场中各商店有一定的独立性。经营成千上万种商品，规模大，顾客多，一般多设计为多层营业大厅，建筑面积可达上万平方米。现阶段商场建筑冷负荷预测通常是面向整体建筑层次，这种整体性的冷负荷预测往往忽略了实际冷负荷需求在空间上的不确定性和不均匀性，造成了输送过程中能源的浪费。因此，逐时区域冷负荷预测是实现大型商场空调系统的优化运行，按需分配的必要手段。
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，提供一种面向功能分区的商场冷负荷预测方法及系统，解决现有技术中商场冷负荷数据呈现高维性、非线性、高延迟性和强时变性的特点；面向建筑层次的冷负荷预测模型不能很好地提取建筑冷负荷特征，提高预测精度的问题；同时分区冷负荷预测的目的在于使空调系统能有效地跟踪负荷变化，为输配供冷多级泵系统能效研究提供有力控制依据，从而改善室内热环境和降低空调能耗。
本发明采用以下技术方案：
一种面向功能分区的商场冷负荷预测方法，包括以下步骤：
S1、结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
S2、对步骤S1划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；
S3、将步骤S2确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
S4、将步骤S3数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
S5、将影响各个区域的关键影响因素作为输入变量输入步骤S4训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
具体的，步骤S1中，功能分区划分原则如下：
建筑承重结构和围护结构作为边界进行初步划分；营业区，辅助区以及停车场进行单独划分；购物空间、娱乐空间、餐饮空间单独划分；电梯单独划分；防火分区优先级高于各类设备功能的分区。
具体的，步骤S2中，原始数据包括室外气象标准数据，历史冷负荷标准数据，电器设备功率密度，照明功率密度和人员密度。
具体的，步骤S2中，每个功能分区不同影响因素与空调冷负荷的关联度系数ξi(k)计算如下：
Figure BDA0003169942880000031
Figure BDA0003169942880000032
其中，ri为关联度，n为负荷数据总数，y(k)为归一化负荷序列；xi(k)为归一化的影响因素序列；ρ为分辨系数。
具体的，步骤S3具体为：
S301、针对每个输入变量，分别计算i时数据在数据集N的均值E(i)及方差V(i)；
S302、定义标准分数偏离率ξ(i.n)，设置最大允许偏移率ξmax；
S303、当|ξ(i.n)|≥ξmax，剔除异常数据，采用均值插补法进行修正；
S304、输入数据各个参数的数量级不相同，采用离差标准化对输入数据归一化处理。
具体的，步骤S4中，将预处理的数据集按照60％，20％，20％划分为训练集、验证集和测试集，建立的Attention-LSTM冷负荷预测模型包括多个LSTM算法和注意力机制算法，分为一个输入层，多个隐含层、注意力机制层和一个输出层。
具体的，步骤S4完成后，使用相关评价指标对步骤S4建立的Attention-LSTM冷负荷预测模型进行评估，使用均方根误差和平均绝对百分比误差衡量负荷预测模型的精确程度，使用拟合度R2表示预测结果和实际值的拟合程度。
进一步的，拟合度R2具体为：
Figure BDA0003169942880000033
平均绝对百分比误差MAPE为：
Figure BDA0003169942880000034
均方根误差RMSE为：
Figure BDA0003169942880000041
其中n为负荷数据总数，j为数据在时间上的指数，CLa,j为实际冷负荷，CLp,j为预测冷负荷，CLa,mean为实际冷负荷数据的平均值，CLa,max为实际冷负荷数据的最大值。
具体的，步骤S5中，实际预测冷负荷值yre为：
yre＝ymin+yp(ymax+ymin)
其中，ymax为原始样本最大输出值；ymin为原始样本最小输出值；yp为Attention-LSTM冷负荷预测模型输出的预测值。
本发明的另一个技术方案是，一种面向功能分区的商场冷负荷预测系统，包括：
划分模块，结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
采集模块，对划分模块划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；
预处理模块，将采集模块确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
训练模块，将预处理模块数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
预测模块，将影响各个区域的关键影响因素作为输入变量输入训练模块训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种面向功能分区的商场冷负荷预测方法，针对建筑冷负荷高维非线性、动态等特征导致预测模型不能充分提取冷负荷特征，预测精度低的问题，提出了面向功能分区的冷负荷预测方法。本方法提出功能分区的划分原则，依据业态布局和空间位置特征，完成目标建筑功能分区的划分。对各分区的影响因素进行关联度分析，从而建立整体商场建筑的负荷预测体系，为实现预测-控制奠定了良性循环基础。
进一步的，划分功能分区是实现区域按需供冷的基础，各分区划分太小会导致管网水泵成本增大且控制不便，分区划分太大可能会使影响因素不准确，本发明根据结合业态分布规律，提出功能分区划分原则。
进一步的，各区域冷负荷预测模型，应根据该区域数据分别独立训练模型，模型的输入变量依据灰色关联度分析法，选取关联度较大的影响因素作为模型的输入变量，完成训练和预测。
进一步的，如果各功能分区不进行关键影响变量的筛选，直接将原始数据作为预测模型的输入，就会导致部分与区域冷负荷关联性很弱甚至无关联性的物理量作为输入，这将很大程度的影响预测精度并且增加预测时间。灰色关联度分析法原理简单，是一种多因素统计分析的方法，它通过对样本数据的各因素为依据来描述输入因素对输出结果影响的强弱、大小和次序。根据关联度大小判断各功能分区空调冷负荷与多变量因素相关性强弱。
进一步的，对采集影响冷负荷因素的数据进行数据预处理和数据归一化。采集的数据通常是不完整、不一致的，甚至是错误或异常的，这种低质量的数据将导致低质量的挖掘结果。通过数据预处理改善数据挖掘工作，提高数据计算的效果和效率。由于不同影响因素具有不同的量纲和量纲单位，将会大大降低网络的训练速度，影响到数据分析结果。通过数据归一化处理，将原始数据转化为无量纲数据，使各种变量处于同一数量级，消除不良影响。
进一步的，改进的Attention-LSTM预测模型，LSTM可以自动学习和记忆复杂非线性时间序列数据的历史高级特征信息，可以减少由于存储长度的增加而引起的梯度爆炸和梯度消失的影响。引入注意力机制，利用特征注意力机制算法分析原始数据的信息，赋予输入变量不同的权重，优化输入特征，同时通过时序注意力机制结合历史信息分析负荷的时序特性，挖掘关键历史信息，优化模型的输出。通过整合两种模型的优势，提出了Attention-LSTM冷负荷预测模型。提高预测模型的收敛速度和预测精度。
进一步的，为了评估模型的效果，需要将模型的预测结果和真实结果进行比较，使用相关评价指标对步骤S4建立的Attention-LSTM冷负荷预测模型进行评估，本质上从预测模型结果出发度量模型性能优劣的。
进一步的，设置相关评价指标为拟合度、均方根误差和平均绝对百分比误差。拟合度R2表示预测结果和实际值的拟合程度，R2最大值是1，R2越接近1，说明回归直线对预测值的拟合程度越好；均方根误差RMSE是预测值与真实值偏差的平方和预测次数n比值的平方根，可以很好的反映出预测的精密度。RMSE越小，表示预测精度越高。平均绝对百分比误差MAPE是衡量预测准确值的统计指标，是百分比值，MAPE越小，预测精度越高。相比于RMSE侧重反映整体预测误差的特点，MAPE更侧重于反映预测值偏离真实值的程度，两者结合能够更加全面的评价预测模型的预测精度。
综上所述，本发明在传统的整体建筑冷负荷预测的基础上，细分功能分区且并行预测的方法，提高了冷负荷的精度，各分区的预测结果，可为各输配管网的水泵阀门控制提供依据。且改进的Attention-LSTM预测模型，挖掘冷负荷高维特征达到降维的目的，提高模型预测精度。
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ASHRAE区域划分法示意图；
图2为LSTM结构图；
图3为特征注意力机制结构图；
图4为时序注意力机制结构图；
图5双重注意力机制LSTM模型结构图；
图6工作日冷负荷预测曲线图；
图7周末冷负荷预测曲线图；
图8商场建筑总冷负荷预测结果图。
具体实施方式
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种面向功能分区的商场冷负荷预测方法，对商场建筑所需的日冷负荷进行了全面而精确的预测，以提高预测精度。本方法根据商场内部特点划分将商场划分为不同功能区，对各功能分区进行全面而精确的预测，以提高整个建筑的预测精度，实现商场建筑各区域按需供冷调控。首先是根据商场内部功能性、业态布局和空间位置划分为不同的功能分区；然后对各功能分区冷负荷的历史数据和气象数据以及室内扰量数据进行采集并进一步进行数据预处理；利用灰色关联度法筛选出各功能区的关键影响因素，使用网格搜索与交叉验证的方法对Attention-LSTM神经网络冷负荷预测模型中各个参数进行调整；最后完成各个功能分区冷负荷的预测，预测结果加和指令，得到整个商场建筑的冷负荷预测结果。该功能分区独立预测的方法，高度提取建筑冷负荷波动特征，一、解决了因冷负荷数据的高维、非线性动态等特征导致的预测精度不高的问题，二、解决了输配送时区域供冷负荷不明确造成的能源浪费。
本发明一种面向功能分区的商场冷负荷预测方法，包括以下步骤：
S1、结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
请参阅图1，根据《商业设施》规范和ASHRAE区域划分，结合商场建筑内部的使用功能，围护结构，提出商场功能分区的划分原则，完成目标商场建筑的共冷区域的划分。ASHRAE区域划分法通过朝向将建筑划分为周边区域和核心区域，其核心区域可根据建筑窗墙结构细分。参照建筑设计平面图，结合建筑自身承重和维护结构，承重结构向高度方向发展构成基本的空间网格单元，在此基础可采用增加、减少等操作，达到功能区划分要求。
功能分区划分原则如下：
建筑承重结构和围护结构作为边界进行初步划分；
营业区，辅助区以及停车场进行单独划分；
购物空间、娱乐空间、餐饮空间需要为单独划分；
电梯作为一种特殊的空间单元，应单独进行划分；
防火分区优先级应高于各类设备功能的分区，应保证不跨越防火分区。
S2、按照步骤S1所划分的功能分区，对各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；原始数据集包括室外气象数据，历史冷负荷数据，电器设备功率密度，照明功率密度，人员密度；
使用灰色关联度分析法分析各功能分区影响因素与冷负荷之间的关联度，确定各功能区的关键影响因素，并将各功能分区关键影响因素作为模型的输入变量，其中关联系数和关联度计算公式如下所示：
Figure BDA0003169942880000091
Figure BDA0003169942880000092
其中，y(k)为归一化负荷序列，n为负荷数据总数；xi(k)为归一化的影响因素序列；ρ∈(0,∞)，为分辨系数，通常取ρ＝0.5。
根据关联度ri大小判判断空调冷负荷与多变量因素相关性强弱。
计算各功能区影响因素与空调冷负荷的关联度，用关联度系数来确定它们之间相关性强弱。将各功能区关联度系数较大的影响因素作为关键影响因素。
S3、将步骤S2确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
输入变量的数据进行数据预处理和数据归一化，具体为：
结合标准分数和均值插补法对训练数据测试数据进行预处理，设输入变量数据集大小为N，其处理过程如下：
S301、针对每个输入变量，分别计算i时数据在数据集N的均值E(i)及方差V(i)如下：
Figure BDA0003169942880000101
Figure BDA0003169942880000102
S302、定义标准分数偏离率ξ(i.n)，设置最大允许偏移率ξmax；
Figure BDA0003169942880000103
S303、当|ξ(i.n)|≥ξmax，剔除异常数据，采用均值插补法修正如下：
Figure BDA0003169942880000104
S304、输入数据各个参数的数量级不相同，采用离差标准化对输入数据归一化处理如下：
Figure BDA0003169942880000105
其中，xi为样本原始值；xmin为原始样本最小值；xmax为原始样本最大值；x*为归一化处理值。
S4、将步骤S3数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
请参阅图2，Attention-LSTM冷负荷预测模型中LSTM网络包含记忆单元、输入门、输出门和遗忘门，通过控制三个门的输入状态，可以减少由于存储长度的增加而引起的梯度爆炸和梯度消失的影响。
请参阅图3，为特征注意力结构图，将变量的时间序列，前一时刻LSTM网络的隐藏状态ht-1和当前时刻输入特征
Figure BDA0003169942880000111
作为特征注意力机制的输入，通过公式1对当前时刻各变量进行注意权重计算，然后使用公式2进行归一化处理，最后将当前时刻的权重与对应特征变量相乘得到特征注意力输出Xt。
Figure BDA0003169942880000112
Figure BDA0003169942880000113
其中，
Figure BDA0003169942880000114
为各特征变量注意力权重，
Figure BDA0003169942880000115
为各特征变量注意力权重归一化，:Ve、We、Ue、be为待训练参数，
请参阅图4时序注意力结构图。时序注意力机制通过概率分配的方式对LSTM网络历史时刻进行重要性分析，分析各历史时刻的负荷对于预测时刻负荷的重要程度，从而提高预测精度。其中，xt表示LSTM网络的输入，ht对应LSTM模型隐含层输出，αt为attention机制对LSTM隐含层输出的注意力概率分布值，y为引入attention机制LSTM网络的输出值。
请参阅图5，Attention-LSTM预测模型图。模型主要由输入向量、特征注意力层、LSTM网络层、时序注意力机制层和输出层组成。输入向量结合前一时刻LSTM网络的隐藏状态ht-1，通过特征注意力机制层计算得到各特征变量当前时刻的权重并与对应特征变量相乘得到特征注意力输入Xt，特征变量输入Xt经过LSTM网络学习特征，然后通过时序注意力机制层计算各历史时刻输出冷负荷信息的影响权重并得到改进后的当前时刻隐含层状态输出，最后输入到全连接层得到最终预测结果。
引入注意力机制，特征注意力机制通过分析输入变量的注意力权重，来反映当前各输入变量对于预测信息的重要程度，用于提高预测模型的学习效果；时序注意力机制分析预测时刻的冷负荷对于各历史时刻冷负荷的依赖程度，通过概率分配方式突出关键时刻输出的比重，使得模型准确性更高。
使用相关评价指标评估步骤S4建立的Attention-LSTM冷负荷预测模型的效果；
预测模型中，评估模型的性能，使用均方根误差(RMSE)和平均绝对百分比误差(MAPE)衡量负荷预测模型的精确程度，使用拟合度R2表示预测结果和实际值的拟合程度，具体为：
Figure BDA0003169942880000121
Figure BDA0003169942880000122
Figure BDA0003169942880000123
其中n为负荷数据总数，j为数据在时间上的指数，CLa,j为实际冷负荷，CLp,j为预测冷负荷，CLa,mean为实际冷负荷数据的平均值，CLa,max为实际冷负荷数据的最大值。
S5、将影响各个区域的关键影响因素作为输入变量输入步骤S4训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
将影响各个区域的关键影响因素作为输入变量，通过Attention-LSTM冷负荷预测模型，得到各功能区的冷负荷预测值，经过预测结果加和指令，得到整个商场建筑的逐时冷负荷预测值。
实际预测冷负荷值yre为：
yre＝ymin+yp(ymax+ymin)
其中，ymax为原始样本最大输出值；ymin为原始样本最小输出值；yp为Attention-LSTM冷负荷预测模型输出的预测值。
按照整个建筑各功能区的冷负荷预测结果，制冷机组、并联水泵等冷冻站设备可根据末端需求量，提前规划制冷机组冷机开启台数和冷机的部分负荷率，保证在满足末端需求的条件下，使制冷机组工作在最优工况，降低制冷机组能耗；同理，根据末端需求建立区域空调冷冻水系统输配管网模型，从改变管网动力分布角度，实现冷冻水的按需供应，达到节能经济效益。因此整个建筑各功能区的冷负荷预测是冷冻站设备优化运行策略的重要依据。
本发明再一个实施例中，提供一种面向功能分区的商场冷负荷预测系统，该系统能够用于实现上述面向功能分区的商场冷负荷预测方法，具体的，该面向功能分区的商场冷负荷预测系统包括划分模块、采集模块、预处理模块、训练模块以及预测模块。
其中，划分模块，结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
采集模块，对划分模块划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；
预处理模块，将采集模块确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
训练模块，将预处理模块数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
预测模块，将影响各个区域的关键影响因素作为输入变量输入训练模块训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于面向功能分区的商场冷负荷预测方法的操作，包括：
结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；对划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；将各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；将数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；将影响各个区域的关键影响因素作为输入变量输入训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关面向功能分区的商场冷负荷预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；对划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；将各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；将数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；将影响各个区域的关键影响因素作为输入变量输入训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
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。
以西安某大型商场建筑为例，利用面向功能分区的商场冷负荷预测方法，包括以下步骤：
1、利用商场建筑功能分区的划分原则，完成该商场建筑功能分区的划分；
2、完成各功能分区标准数据集的采集和空调冷负荷和影响因素的灰色关联度分析；
标准数据集采集原则：影响空调冷负荷的重要因素的数据，主要包括建筑空间标准数据、室外气象标准数据和空调标准历史冷负荷数据集以及建筑空间人流量，照明功率密度，设备功率密度。部分标准数据集如表1所示：
表1标准数据集(部分)
Figure BDA0003169942880000161
Figure BDA0003169942880000171
根据需求确定各个区域模型的输入变量，关联系数和关联度计算公式如下所示：
Figure BDA0003169942880000172
Figure BDA0003169942880000173
其中：y(k)为归一化负荷序列；xi(k)为归一化的影响因素序列；ρ∈(0,∞)，为分辨系数，通常取ρ＝0.5。
根据关联度ri大小判判断空调冷负荷与多变量因素相关性强弱。
各功能区空调冷负荷预测模型中不同影响变量与空调冷负荷灰色关联度如表2所示。
通过表2灰色关联度的定量分析，确定各功能区的关键变量因素如表3。将关键影响因素与历史冷负荷数据共同构成本次预测模型的输入数据集。
表2各功能区影响变量与当前时刻冷负荷灰色关联度
Figure BDA0003169942880000181
表3各功能区关键影响变量
Figure BDA0003169942880000182
3、各功能分区原始数据预处理
训练数据的准确性是模型预测精度的基础保障，若数据出现异常值或丢失会直接影响模型的训练结果。各区域原始数据结合标准分数和均值插补法对训练数据测试数据进行预处理，设输入变量数据集大小为N，其处理过程如下：
Setp1、针对每个输入变量，分别计算i时数据在数据集N的均值E(i)及方差V(i)如下：
Figure BDA0003169942880000191
Figure BDA0003169942880000192
Setp2、定义标准分数偏离率ξ(i.n)，设置最大允许偏移率ξmax；
Figure BDA0003169942880000193
Setp3、当|ξ(i.n)|≥ξmax，剔除异常数据，采用均值插补法修正如下：
Figure BDA0003169942880000194
Setp4、输入数据各个参数的数量级不相同，采用离差标准化对输入数据归一化处理如下：
Figure BDA0003169942880000195
Attention-LSTM冷负荷预测模型输出值反归一化处理，得到实际预测值，具体为：
yre＝ymin+yp(ymax+ymin)
其中，xi为样本原始值；xmin为原始样本最小值；xmax为原始样本最大值；x*为归一化处理值；ymax为原始样本最大输出值；ymin为原始样本最小输出值；yp为模型输出的预测值；yre为模型输出还原值。
4、预测模型算法搭建与训练
建立的冷负荷预测模型为Attention-LSTM，LSTM网络可以自动学习和记忆复杂非线性时间序列数据的历史高级特征信息，时序注意力机制分析历史冷负荷对预测时刻负荷的重要程度，突出关键时刻的比重。
LSTM神经网络包含记忆单元、输入门、输出门和遗忘门，通过控制三个门的输入状态，可以减少由于存储长度的增加而引起的梯度爆炸和梯度消失的影响。
(1)遗忘门。遗忘门用来决定从神经单元状态中丢弃的那些信息，通过读取ht-1和Xt的值，由σ输出一个0到1之间的数值，数值越大，保留的信息越多。
ft＝σ(Wf*[ht-1,xt]+bf)
(2)输入门。输入门在神经单元中加入哪些新的信息，由σ来确定哪些信息需要得到更新，由tanh来确定备选更新值。
it＝σ(Wi*[ht-1,xt]+bi)
C′t＝tanh(Wc*[ht-1,xt]+bc)
Ct＝ft*Ct-1+it*C′t
式中：Wi为输入门权重矩阵；bi为输入门偏置项；C′t为备选更新结果；bc为备选偏置项。
(3)根据神经单元的状态来确定输出的值。
Ot＝σ(Wo*[ht-1,xt]+bo)
ht＝Ot*tanh(Ct)
其中，bo为输出门偏置项；
商场冷负荷影响的因素有很多且受历史状态影响较大，为了研究每一历史时刻状态信息对当前预测结果的影响程度，对LSTM网络输出结果引入注意力机制。特征注意力机制通过分析输入变量的注意力权重，来反映当前各输入变量对于预测信息的重要程度，用于提高预测模型的学习效果；时序注意力机制分析预测时刻的冷负荷对于各历史时刻冷负荷的依赖程度，通过概率分配方式突出关键时刻输出的比重，使得模型准确性更高。
特征注意力机制结构如图4所示，将变量的时间序列，前一时刻LSTM网络的隐藏状态ht-1和当前时刻输入特征
Figure BDA0003169942880000201
作为特征注意力机制的输入，通过下式对当前时刻各变量进行注意权重计算和归一化处理。最后将当前时刻的权重与对应特征变量相乘得到特征注意力输出Xt。
Figure BDA0003169942880000211
Figure BDA0003169942880000212
其中，
Figure BDA0003169942880000213
为各特征变量注意力权重，
Figure BDA0003169942880000214
为各特征变量注意力权重归一化，Ve、We、Ue、be为待训练参数。
时序注意力机制通过概率分配的方式对LSTM网络历史时刻进行重要性分析，分析各历史时刻的负荷对于预测时刻负荷的重要程度，从而提高预测精度。
时序注意力机制结构如图5所示。其中，xt表示LSTM网络的输入，ht对应LSTM模型隐含层输出，αt为attention机制对LSTM隐含层输出的注意力概率分布值，y为引入attention机制LSTM输出值。
时序注意力机制中注意力权重矩阵α和特征向量表示v计算公式如下：
et＝ustanh(wsht+bs)
Figure BDA0003169942880000215
Figure BDA0003169942880000216
其中：et指为归一化权重矩阵，αt为LSTM隐含层输出的注意力概率分布值；v为当前时刻隐含层状态值；ws、bs和us分别为随机初始化的注意力机制权重矩阵、偏置量和时间序列矩阵。
5、模型评估
Attention-LSTM预测模型中，预测模型的评价指标平均绝对百分比误差MAPE衡量模型的精确程度，MAPE越小模型误差越小；拟合度R2表示预测结果和实际值的拟合程度，R2越接近1，两条曲线拟合度越高，具体计算如下：
Figure BDA0003169942880000217
Figure BDA0003169942880000221
Figure BDA0003169942880000222
其中n为负荷数据总数，j为数据在时间上的指数，CLa,j为实际冷负荷，CLp,j为预测冷负荷，CLa,mean为实际冷负荷数据的平均值，CLa,max为实际冷负荷数据的最大值。
将输入数据按照6:2:2的比例划分为训练集、验证集和测试集。通过使用网格搜索与交叉验证的方法对LSTM网络进行参数调整。通过对模型相关参数进行多次调整最终确定LSTM预测模型的具体参数如表4所示。
表4 LSTM结构参数设置
Figure BDA0003169942880000223
6、模型预测
将采集的数据进行灰色关联度分析法分析之后，对输入变量的数据进行数据的预处理，使用滑动时间窗方法对数据集进行改造。将处理之后的输入变量输入到Attention-LSTM预测模型，对各功能分区的冷负荷进行结果加和，得到整个商场建筑的冷负荷预测值。
该为西安某大型商场，该建筑物高20.3m，地下2层，地上4层，总建筑面积12.5万㎡，商业面积10万㎡，建筑空调面积9.38万㎡。将商场供冷区域划分包括超市区、珠宝区、服饰区、餐饮区和娱乐区。采用西安某大型商场2020.6.1至2020.8.31的冷负荷数据集验证模型性能，8月27日作为夏季工作典型日，8月30日作为夏季周末典型日进行验证分析。数据包括：8:00-22:00冷负荷数据(kw)，温度(℃)，湿度(％)，太阳辐射量(kw/m2)，人员密度(kw/m2)，照明功率密度(W/m2)，设备功率密度(W/m2)。采集时间为8:00-22:00，周期为一小时。
图6为工作日各功能区冷负荷的预测曲线，将Attention-LSTM模型预测与LSTM预测模型和CNN-LSTM预测模型结果做试验对比分析。实验结果表明，Attention-LSTM预测曲线与真实值贴合最好，由表6具体数值可知，各功能区平均绝对百分误差MAPE分别为3.23％、3.41％、3.41％、3.39％和3.52％，低于其他模型；决定系数R2均大于0.99，高于其他模型；RMSE小于其他模型；这些评估指标结果表明，Attention-LSTM模型的预测更准确。
图7为周末各功能区冷负荷的预测曲线，实验结果表明，三种预测模型的变化趋势都接近于真是趋势，但Attention-LSTM预测模型贴合程度最高。表7结果可知，各功能区冷负荷周末平均绝对百分误差为3.12％、3.31％、2.34％、3.14％、2.57％，比LSTM模型和CNN-LSTM模型误差小，均定系数R2分别为0.998、0.990、0.991、0.990和0.998，在三个模型中数值最高，RMSE在三个模型中数值最小，这说明周末依旧是Attention-LSTM预测模型有更好的预测效果。
表6工作日冷负荷预测误差表
Figure BDA0003169942880000231
Figure BDA0003169942880000241
表7周末冷负荷预测误差表
Figure BDA0003169942880000242
本示例采用Attention-LSTM冷负荷预测模型，将面向功能分区的预测与传统的建筑整体预测对比。面向功能分区的预测，由各功能区预测结果加和，得到整个商场建筑的总冷负荷预测结果。图8为该商场建筑两种方法于测试日的总冷负荷预测结果。实验结果表明，面向功能分区的预测方法，比传统的建筑整体数据预测方法，预测精度更高，预测结果更稳定，其预测结果更接近于冷负荷实际值。
综上所述，本发明一种面向功能分区的商场冷负荷预测方法及系统，在传统的整体建筑冷负荷预测的基础上，细分功能分区并行预测的方法，提高了冷负荷的精度，各功能分区的预测结果，可为各输配管网水泵阀门控制提供依据。通过预测加和指令，可得到整个建筑的总冷负荷预测结果，该结果可为建筑空调工程冷机、冷冻水泵等冷冻站设备的优化运行策略提供建筑末端需求。且改进的Attention-LSTM预测模型，挖掘冷负荷高维特征达到降维的目的，提高模型预测精度。
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 (10)

1.一种面向功能分区的商场冷负荷预测方法，其特征在于，包括以下步骤：
S1、结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
S2、对步骤S1划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；
S3、将步骤S2确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
S4、将步骤S3数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
S5、将影响各个区域的关键影响因素作为输入变量输入步骤S4训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，将商场划分为不同的功能分区具体为：
建筑承重结构和围护结构作为边界进行初步划分；营业区，辅助区以及停车场进行单独划分；购物空间、娱乐空间、餐饮空间单独划分；电梯单独划分；防火分区优先级高于各类设备功能的分区。
3.根据权利要求1所述的方法，其特征在于，步骤S2中，原始数据包括室外气象标准数据，历史冷负荷标准数据，电器设备功率密度，照明功率密度和人员密度。
4.根据权利要求1所述的方法，其特征在于，步骤S2中，每个功能分区不同影响因素与空调冷负荷的关联度系数ξi(k)计算如下：
Figure FDA0003169942870000021
Figure FDA0003169942870000022
其中，ri为关联度，n为负荷数据总数，y(k)为归一化负荷序列；xi(k)为归一化的影响因素序列；ρ为分辨系数。
5.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
S301、针对每个输入变量，分别计算i时数据在数据集N的均值E(i)及方差V(i)；
S302、定义标准分数偏离率ξ(i.n)，设置最大允许偏移率ξmax；
S303、当|ξ(i.n)|≥ξmax，剔除异常数据，采用均值插补法进行修正；
S304、输入数据各个参数的数量级不相同，采用离差标准化对输入数据进行归一化处理。
6.根据权利要求1所述的方法，其特征在于，步骤S4中，将预处理的数据集按照60％，20％，20％划分为训练集、验证集和测试集，建立的Attention-LSTM冷负荷预测模型包括一个输入层，多个隐含层、注意力机制层和一个输出层。
7.根据权利要求1所述的方法，其特征在于，步骤S4完成后，使用相关评价指标对步骤S4建立的Attention-LSTM冷负荷预测模型进行评估，使用均方根误差和平均绝对百分比误差衡量负荷预测模型的精确程度，使用拟合度R2表示预测结果和实际值的拟合程度。
8.根据权利要求7所述的方法，其特征在于，拟合度R2具体为：
Figure FDA0003169942870000031
平均绝对百分比误差MAPE为：
Figure FDA0003169942870000032
均方根误差RMSE为：
Figure FDA0003169942870000033
其中n为负荷数据总数，j为数据在时间上的指数，CLa，j为实际冷负荷，CLp，j为预测冷负荷，CLa，mean为实际冷负荷数据的平均值，CLa，max为实际冷负荷数据的最大值。
9.根据权利要求1所述的方法，其特征在于，步骤S5中，实际预测冷负荷值yre为：
yre＝ymin+yp(ymax+Ymin)
其中，ymax为原始样本最大输出值；ymin为原始样本最小输出值；yp为Attention-LSTM冷负荷预测模型输出的预测值。
10.一种面向功能分区的商场冷负荷预测系统，其特征在于，包括：
划分模块，结合商场建筑特征因素、业态分布、围护结构热工参数和内热源参数，将商场划分为不同的功能分区；
采集模块，对划分模块划分的各功能分区进行影响冷负荷因素的原始数据采集，同时使用灰色关联度法分别计算每个功能分区不同影响因素与空调冷负荷的关联度系数，确定关键影响因素；
预处理模块，将采集模块确定的各功能分区关键影响因素作为冷负荷预测模型的输入变量，将采集影响冷负荷因素的数据进行数据预处理和数据归一化处理；
训练模块，将预处理模块数据预处理和数据归一化处理后的数据划分为训练集、验证集和测试集，建立Attention-LSTM冷负荷预测模型，使用训练集对Attention-LSTM冷负荷预测模型进行训练，使用验证集验证Attention-LSTM冷负荷预测模型的泛化能力；使用测试集测试Attention-LSTM冷负荷预测模型的性能，使用网格搜索与交叉验证的方法对Attention-LSTM冷负荷预测模型的LSTM网络超参数进行调整优化；
预测模块，将影响各个区域的关键影响因素作为输入变量输入训练模块训练后的Attention-LSTM冷负荷预测模型中进行区域预测，对Attention-LSTM冷负荷预测模型的输出值进行反归一化处理得到各功能分区的实际预测冷负荷值，经过预测结果加和指令得到整个商场建筑的逐时冷负荷预测结果。
CN202110815667.7A 2021-07-19 2021-07-19 一种面向功能分区的商场冷负荷预测方法及系统 Pending CN113435665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110815667.7A CN113435665A (zh) 2021-07-19 2021-07-19 一种面向功能分区的商场冷负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815667.7A CN113435665A (zh) 2021-07-19 2021-07-19 一种面向功能分区的商场冷负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN113435665A true CN113435665A (zh) 2021-09-24

Family

ID=77761030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815667.7A Pending CN113435665A (zh) 2021-07-19 2021-07-19 一种面向功能分区的商场冷负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN113435665A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114251753A (zh) * 2021-12-29 2022-03-29 西安建筑科技大学 一种冰蓄冷空调冷负荷需求预测分配方法及系统
CN114841427A (zh) * 2022-04-26 2022-08-02 东南大学 基于多目标回归的二次泵变流量系统分区域负荷预测方法
CN114857743A (zh) * 2022-01-25 2022-08-05 西安建筑科技大学 一种基于商场分区负荷预测的末端阀门优化控制方法及系统
CN115095962A (zh) * 2022-07-25 2022-09-23 蘑菇物联技术（深圳）有限公司 用于控制中央空调系统的冷水机组的方法、设备和介质
CN116227725A (zh) * 2023-03-17 2023-06-06 广东热矩智能科技有限公司 一种建筑物空调系统的负荷预测方法、装置及电子设备
TWI806611B (zh) * 2022-04-25 2023-06-21 緯創資通股份有限公司 適於空氣壓縮機群組的最佳化系統及其方法
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117937475A (zh) * 2024-03-21 2024-04-26 合肥工业大学 基于多模态时序学习的负荷预测模型、方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111076376A (zh) * 2019-12-18 2020-04-28 西安建筑科技大学 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统
CN111355230A (zh) * 2018-12-24 2020-06-30 中国电力科学研究院有限公司 一种综合能源系统优化调度方法与系统
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN112113316A (zh) * 2020-09-18 2020-12-22 国网辽宁省电力有限公司电力科学研究院 一种空调负荷提取的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355230A (zh) * 2018-12-24 2020-06-30 中国电力科学研究院有限公司 一种综合能源系统优化调度方法与系统
CN111076376A (zh) * 2019-12-18 2020-04-28 西安建筑科技大学 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统
CN111461463A (zh) * 2020-04-30 2020-07-28 南京工程学院 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN112113316A (zh) * 2020-09-18 2020-12-22 国网辽宁省电力有限公司电力科学研究院 一种空调负荷提取的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张旭 等: "城市地下空间通风与环境控制技术", 31 December 2018, 同济大学出版社, pages: 30 *
田浩含 等: "基于改进LSTM的区域综合能源系统多元负荷短期预测研究", HTTPS://KNS.CNKI.NET/KCMS/DETAIL/12.1251.TM.20210223.1646.001.HTML, pages 1 - 3 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114251753A (zh) * 2021-12-29 2022-03-29 西安建筑科技大学 一种冰蓄冷空调冷负荷需求预测分配方法及系统
CN114857743A (zh) * 2022-01-25 2022-08-05 西安建筑科技大学 一种基于商场分区负荷预测的末端阀门优化控制方法及系统
TWI806611B (zh) * 2022-04-25 2023-06-21 緯創資通股份有限公司 適於空氣壓縮機群組的最佳化系統及其方法
CN114841427A (zh) * 2022-04-26 2022-08-02 东南大学 基于多目标回归的二次泵变流量系统分区域负荷预测方法
CN114841427B (zh) * 2022-04-26 2024-05-07 东南大学 基于多目标回归的二次泵变流量系统分区域负荷预测方法
CN115095962A (zh) * 2022-07-25 2022-09-23 蘑菇物联技术（深圳）有限公司 用于控制中央空调系统的冷水机组的方法、设备和介质
CN116227725A (zh) * 2023-03-17 2023-06-06 广东热矩智能科技有限公司 一种建筑物空调系统的负荷预测方法、装置及电子设备
CN117272121A (zh) * 2023-11-21 2023-12-22 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117272121B (zh) * 2023-11-21 2024-03-12 江苏米特物联网科技有限公司 一种基于Deep SHAP的酒店负荷影响因素量化分析方法
CN117937475A (zh) * 2024-03-21 2024-04-26 合肥工业大学 基于多模态时序学习的负荷预测模型、方法和系统

Similar Documents

Publication Publication Date Title
CN113435665A (zh) 一种面向功能分区的商场冷负荷预测方法及系统
Shao et al. Prediction of energy consumption in hotel buildings via support vector machines
Liu et al. Energy consumption prediction and diagnosis of public buildings based on support vector machine learning: A case study in China
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN111860979B (zh) 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法
Pombeiro et al. Comparative assessment of low-complexity models to predict electricity consumption in an institutional building: Linear regression vs. fuzzy modeling vs. neural networks
Kuo et al. Analyze the energy consumption characteristics and affecting factors of Taiwan's convenience stores-using the big data mining approach
Zhu et al. Uncertainty calibration of building energy models by combining approximate Bayesian computation and machine learning algorithms
Li et al. Federated learning-based short-term building energy consumption prediction method for solving the data silos problem
Dordonnat et al. GEFCom2014 probabilistic electric load forecasting using time series and semi-parametric regression models
CN110046743A (zh) 基于ga-ann的公共建筑能耗预测方法和系统
Kim et al. Sequence-to-sequence deep learning model for building energy consumption prediction with dynamic simulation modeling
Zhang et al. Development and evaluation of cooling load prediction models for a factory workshop
Guo et al. Prediction of heating and cooling loads based on light gradient boosting machine algorithms
Hwang et al. Using deep learning approaches with variable selection process to predict the energy performance of a heating and cooling system
Chen et al. A multi-objective optimization strategy for building carbon emission from the whole life cycle perspective
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
Martínez-Comesaña et al. Optimisation of thermal comfort and indoor air quality estimations applied to in-use buildings combining NSGA-III and XGBoost
Shalabi et al. BIM-energy simulation approach for detecting building spaces with faults and problematic behavior.
Lei et al. Prediction method of energy consumption for high building based on LMBP neural network
Sha et al. Development of a key-variable-based parallel HVAC energy predictive model
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
Wang et al. Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing
Zhang et al. Analysis of energy consumption prediction for office buildings based on GA-BP and BP algorithm
Sun et al. Data-driven sensitivity analysis and electricity consumption prediction for water source heat pump system using limited information

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