CN113449909B - 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 - Google Patents

一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 Download PDF

Info

Publication number
CN113449909B
CN113449909B CN202110693923.XA CN202110693923A CN113449909B CN 113449909 B CN113449909 B CN 113449909B CN 202110693923 A CN202110693923 A CN 202110693923A CN 113449909 B CN113449909 B CN 113449909B
Authority
CN
China
Prior art keywords
representing
input
short
time
term
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
CN202110693923.XA
Other languages
English (en)
Other versions
CN113449909A (zh
Inventor
李冬妮
崔梓华
李卓宇
梁洁平
杜凌岩
原志锋
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.)
Beijing Institute of Technology BIT
Guangdong Shenling Environmental Systems Co Ltd
Original Assignee
Beijing Institute of Technology BIT
Guangdong Shenling Environmental Systems Co Ltd
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 Beijing Institute of Technology BIT, Guangdong Shenling Environmental Systems Co Ltd filed Critical Beijing Institute of Technology BIT
Priority to CN202110693923.XA priority Critical patent/CN113449909B/zh
Publication of CN113449909A publication Critical patent/CN113449909A/zh
Application granted granted Critical
Publication of CN113449909B publication Critical patent/CN113449909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法，属于人工智能与自动控制技术领域。针对空调蓄冷系统控制过程中冷负荷预测方法无法捕捉数据时间特性、精度不高、扰动情况下不具有鲁棒性等问题，利用历史数据对未来时刻空调负荷进行预测，通过一维卷积神经网络捕捉多为时间序列输入之间的短期依赖，利用注意力机制，从而更好地捕捉时间序列中存在的长时间依赖。为避免神经网络输出对输入变化的不敏感，将神经网络最终输出结合自回归模型，得到最终预测结果。本方法能够对空调负荷的变化与特性进行精确预测，结合良好的优化控制策略，不仅能更加可靠合理地满足空调系统负荷要求，且有利于对系统运行进行更经济、更科学的控制调度。

Description

一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法
技术领域
本发明涉及一种基于改进长短期记忆网络(Long Short-Term Memory，LSTM)的蓄冷空调冷负荷预测方法，属于人工智能与自动控制技术领域。
背景技术
随着我国经济社会的发展，在生产与生活中对电能的需求迅速增长，另一方面由于负荷组成、季节变化等因素造成了电力系统负荷峰谷差。电峰值时电网压力大，尤其是在中国南方地区(如广东)夏季空调用电提升了高峰负荷，拉大了电网峰谷差，部分地区甚至不得不采取一定的限电措施，引发了深刻的供需矛盾。根据国家能源研究院数据，受第二产业用电比重稳步下降、第三产业和居民用电占比逐年提高影响，国家电网经营区域最大负荷增速将高于用电量，预测2025年达到13亿千瓦，年均增速5.5％左右，高于用电量增速约1个百分点。最大日峰谷差率预计将增至35％，最大日峰谷差达到4亿千瓦，电力系统调峰压力进一步增大。
国家为了压低高峰负荷，引导用户优化用电方式，实行分时电价，鼓励用户在负荷谷段用电。空调蓄冷技术正是从电力用户着手，参与电力调峰、平衡电网，充分利用谷段电力，“移峰填谷”削减供电量，减少电力建设投资，是改善电力供需矛盾最有效的技术措施之一。空调蓄冷技术利用夜间低谷的富余电力制冷并储存在蓄冷装置中，在白天高峰时段释冷，以减少在用电高峰时对制冷主机的使用，实现用电量时序转移，这对于改善电力建设的投资效益和生态环境都有重大意义。
对于用户来说，空调蓄冷技术带来的经济效益更为关键。与普通空调相比，蓄冷系统初期投资费用更高，但是在实际运行过出中，往往因为不当的控制策略，没法充分体现蓄冷空调的经济优势。因此，无论是从用户经济效益提升的角度，还是从电力系统整体效益和全社会综合能效的角度，蓄冷空调系统的优化运行控制意义重大。
然而，基于姜子炎等学者的调研，国内蓄冷空调实现完全自控的仅仅占3％。空调蓄冷系统运行以人为控制为主，主要依照工作人员根据近期空调运行状况，结合经验决定蓄冷量。这种不当的控制策略，或者没有充分利用蓄冷量，或者蓄冷量不足，这些情况都会导致空调系统低效率以及能源浪费。
蓄冷空调负荷预测结果可用于为空调系统运行人员确定合理的开、关制冷主机台数，提高调节的预见性和系统的稳定性。因此，负荷预测成了推动蓄冷空调应用的必要技术手段。负荷预测是指在整个建筑运行期间，对未来时刻冰蓄系统的运行所需要的冷量进行短期预测，其主要目的是为冰蓄冷空调系统的优化运行控制服务。
空调系统负荷的扰量可分为内扰和外扰两种。一般将存在于空调房间外部，通过围护结构作用于室内而造成空调系统负荷的扰量称为外扰，如室外空气温度、太阳辐射、空气渗透等的变化均属外扰。存在于空调房间内部，直接在室内造成空调系统负荷变化的那些因素则称为内扰，如人体散热散湿、设备散热散湿和照明灯具等的散热散湿的变化。
另一方面，空调冷负荷预测是典型的时间序列预测。时间序列是按照时间的先后顺序对观察的事物进行收集记录，其数据通常具有数据规模大、维度高、不断更新这三个性质。这些数据通常被视为一个整体而不是片面地去看单个数值。可以从不同角度分析空调冷负荷序列，首先，时间序列数据有平稳序列以及非平稳序列。空调冷负荷序列为非平稳序列，从序列的构成来看，空调冷负荷序列可分为如下部分：趋势部分，通常决定了序列的走势；季节性变化，即一些周期性的变化，夏天的空调冷负荷明显高于冬天；循环变化，常表现为摆动现象(如一周的空调冷负荷看视为一种摆动)；随机变化，即随机因素的干扰。
目前，负荷分布预测的方法，按照建模原理可以分为参数回归法、时间序列预测法、人工神经网络、支持向量机等。但是，存在精度不高、扰动情况下不具有鲁棒性，且无法捕捉数据的时间特性等缺点和不足。
发明内容
本发明的目的是针对现有的空调蓄冷系统控制过程中，冷负荷预测方法存在的无法捕捉数据时间特性、精度不高、扰动情况下不具有鲁棒性等技术问题，提出一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法。
本方法的创新性在于：利用历史数据对未来时刻空调负荷进行预测，神经网络结构图如图1所示，通过一维卷积神经网络(Convolutional Neural Networks，CNN)捕捉多为时间序列输入之间的短期依赖，利用注意力机制，从而更好地捕捉时间序列中存在的长时间依赖，为了避免神经网络输出对输入变化的不敏感，将神经网络最终输出结合自回归模型(Autoregressive model，AR)，得到最终预测结果。
本发明方法是采用以下技术方案实现的。
一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法，包括以下步骤：
步骤1：将空调历史运行数据和多维特征的输入，首先经过一个CNN卷积层，在时间维度上提取短期模式以及变量之间的局部依赖性。
所述CNN卷积层包括不少于2个卷积核；其中，每个卷积核的宽度为w，代表输入的时间长度；高度为n，代表输入变量个数。
hk＝RELU(Wk*X+bk) (1)
其中，hk表示卷积结果，Wk表示权重，X表示神经网络输入的矩阵，bk表示偏置，RELU()表示线性整流函数(Rectified Linear Unit，ReLU)。
步骤2：使用长短期记忆网络循环神经捕捉短期依赖，得到输出的隐变量：
ht，ct＝F(ht-1，ct-1，xt) (2)
其中，ht表示t时刻的隐状态，ht-1表示t-1时刻的隐状态，隐状态对应于短期记忆；ct表示t时刻的单元状态，ct-1表示t-1时刻的单元状态，单元状态对应于长期记忆；xt表示输入，F()表示长短期记忆网络函数，定义如下：
Figure BDA0003127658180000031
Figure BDA0003127658180000032
Figure BDA0003127658180000033
Figure BDA0003127658180000034
ht＝ot⊙tanh(ct) (7)
其中，sigmoid()函数是神经网络的激活函数，其输出范围控制在(0，1)，从而能够进行“门控”。it表示输入门，ft表示遗忘门，ot表示输出门，tanh()为双曲正切函数。
Figure BDA0003127658180000041
表示输入门的输入权重，
Figure BDA0003127658180000042
表示输入门的隐状态权重，
Figure BDA0003127658180000043
表示遗忘门的输入权重，
Figure BDA0003127658180000044
表示遗忘门的隐状态权重，
Figure BDA0003127658180000045
表示输出门的输入权重，
Figure BDA0003127658180000046
表示输出门的隐状态权重，
Figure BDA0003127658180000047
表示单元状态的输入权重，
Figure BDA0003127658180000048
表示单元状态的隐状态权重。
步骤3：使用注意力机制捕捉长期依赖。
考虑到长短期记忆网络对长依赖捕捉能力较弱，尤其是在周期未知或周期在动态变化，本发明创造性地提出一种注意力机制，即：
计算t-w时刻到t-1时刻所有的隐状态向量权重，w表示输入的时间长度，得到加权的上下文向量ct和t-1时刻的隐向量拼接后做线性投影得到t时刻的隐状态向量。如果想要预测当前时刻的空调冷负荷，则t-w时刻的空调冷负荷有很大参考价值。
Figure BDA0003127658180000049
其中，αt表示注意力权重，AttnScore()表示相似度计算函数，
Figure BDA00031276581800000410
表示输入的隐状态，
Figure BDA00031276581800000411
表示输出的隐状态。
Figure BDA00031276581800000412
其中，
Figure BDA00031276581800000413
表示长短期记忆网络t时刻输出，b表示偏置，W表示权重。
步骤4：结合自回归模型，获得最终预测值。
神经网络模型的一个缺点是输出尺度对输入尺度的变化不敏感，而自回归模型是一个很好的线性模型，可用于建模局部的尺度变化问题。
Figure BDA00031276581800000414
其中，
Figure BDA00031276581800000415
表示AR模型t时刻输出结果；qar表示q阶AR模型(自回归模型，Autoregressive model，简称AR模型)，k表示第k个时刻；
Figure BDA00031276581800000416
表示权重，yt-k表示t-k时刻的真实值；bar表示随机扰动。
最终预测值为：
Figure BDA00031276581800000417
其中，
Figure BDA00031276581800000418
表示最终预测结果，
Figure BDA00031276581800000419
表示长短期记忆网络t时刻输出，
Figure BDA00031276581800000420
表示AR模型t时刻输出结果。
则优化目标为：
Figure BDA0003127658180000051
其中，Θ是模型的参数，ΩTrain表示训练集，||·||F表示F-范数，h表示预测步长。Yt表示空调负荷真实值，
Figure BDA0003127658180000052
表示空调负荷预测值。
有益效果
本发明方法，对比现有技术，具有以下优点：
本方法针对蓄冷空调系统负荷大小与特性，提出了一种基于改进长短期记忆网络的预测方法，能够对空调负荷的变化与特性进行精确的预测。结合良好的优化控制策略，不仅能更加可靠而合理地满足空调系统负荷要求，而且有利于对系统运行进行更经济、更科学的控制调度，提高了整个系统运行方案的经济性、可靠性。
附图说明
图1是本发明所述的改进长短期记忆网络的深度神经网络结构图。
具体实施方式
下面结合实施例对本发明方法做进一步详细说明。
实施例
对实施例进行如下对比试验：
实验中所用的数据都来自于某大型办公场所空调蓄冷控制系统传感器采集数据。将数据按时间顺序分为训练(60％)，验证(20％)，测试(20％)三部分。
空调负荷预测模型的数据来自某企业总部大楼，位于北纬113.2212°，东经22.9858°，属于典型的亚热带气候，夏季空调冷负荷较高，并且以2020年4月至9月的空调运行以及气象数据作为实验数据集。空调运行数据通过传感器每分钟采集一次，然后通过传感器采集的数据计算得到逐时空调负荷。气象数据通过传感器每小时采集一次，包括：温度，湿度，云量，云态，风向，风速，太阳辐射强度，降雨量。
对于数据驱动的蓄冷空调负荷预测问题，假设有N-1个与负荷相关的外部气象参数和负荷值y。y＝[y1，…，yT]是目标序列而且
Figure BDA0003127658180000053
T是时间步，将向量定义为列形式。通过将外部气象向量和负荷值的叠加，定义了一个多变量输入序列XT＝{x1，…，xT}，而且
Figure BDA0003127658180000061
给定Xinput，本文的目标是学习一个函数来预测目标序列未来时刻的值，即
Figure BDA0003127658180000062
τ代表预测步长。对于t时刻预测，t时刻以前的数据{x0，...，xt}是已知的，同理对于时刻t+1，{x0，...，xt+1}是已知的。只使用{xt-w，xt-w+1，...，xt-1}去预测
Figure BDA0003127658180000066
w代表输入窗口大小。
为验证本发明方法的性能，在数据集上对空调负荷预测问题进行实验，并于常用的时间序列预测方法进行对比，分别是自回归(Autoregressive Model，AR)，多变量输入的差分整合移动平均自回归模型(Auto Regressive Integrated Moving AverageeXogenous，ARIMAX)，支持向量回归(Support Vector Regression，SVR)，长短期记忆网络(Long Short-Term Memory，LSTM)，长短时间序列网络(Long-and Short-term Time-series Network，LSTNet)。其中AR，ARIMAX，SVR，RNN-LSTM是经典模型，LSTNet是一种长期和短期时间序列网络，被认为是当前多元时间序列预测的先进解决方案。
为了能直观的进行对比，选用预测模型中常用的均方根误差(Root Mean SquareError，RMSE)以及平均绝对误差(Mean Absolute Error，MAE)作为负荷预测模型评价函数，RMSE和MAE的具体计算公式如下：
Figure BDA0003127658180000063
Figure BDA0003127658180000064
其中，
Figure BDA0003127658180000065
为预测值，yi为真实值，N为样本个数，RMSE是预测值与真实偏差的平方和与样本个数N比值的平方根，是用来衡量观测值同真值之间的偏差。
MAE是绝对误差的平均值能更好地反映预测值误差的实际情况，对于两个评价指标都是越小越好。相比于MAE，RMSE对异常值表现更敏感。
实验环境如下：
(1)操作系统：Microsoft Windows 1064位
(2)CPU：Intel Core i7-77003GHz
(3)GPU：NVIDIA GeForce RTX 3060Ti
(4)开发环境：PyCharm
(5)开发语言：Python
表3不同方法输出结果比较
Figure BDA0003127658180000071
通过RMSE和MAE评价函数展示了所有方法在测试集上的表现结果，设置预测步长为{3，6，12，24}，对于本发明考虑的空调负荷预测问题，时间步长对应于3小时到24小时。显然，预测步长越长，精准预测的难度越大。对于每个步长下最优RMSE和MAE，在表格中使用加粗表示。从表3中可以看出，本发明所提出的模型在所有步长和评价指标上都优于所有其他方法。
相较于次优的LSTNet模型，对于步长{3，6，12，24}预测结果的MAE相对分别减少了2.53％，6.30％，0.73％，3.72％，RMSE相对分别减少了8.66％，10.20％，8.02％，0.29％。从MAE来看，算法性能相对提升较小，MAE反应的是所有预测值与真实值相差的大小。在预测结果相对准确的情况下，预测精度的提升相对不明显。在MAE不变的情况下，对于真实值和预测值的差，RMSE越大，则误差的方差越大，RMSE越小，误差的方差越小，说明预测结果越为稳定。因此，本发明的预测结果稳定性明显优于LSTNet模型，预测结果稳定性在空调负荷预测问题中也要很重要。实验结果表明得益于CNN卷积模块、注意力机制模块、AR模块的共同作用，本发明相对于其他基线方法都取得了更为先进的结果。

Claims (1)

1.一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法，其特征在于，包括以下步骤：
步骤1：将空调历史运行数据和多维特征作为输入，首先经过一个CNN卷积层，在时间维度上提取短期模式以及变量之间的局部依赖性；
其中，多维特征包括气象数据，包括温度、湿度、云量、云态、风向、风速、太阳辐射强度、降雨量；
所述CNN卷积层包括不少于2个卷积核；其中，每个卷积核的宽度为w，代表输入的时间长度；高度为n，代表输入变量个数；
hk＝RELU(Wk*X+bk) (1)
其中，hk表示卷积结果，Wk表示权重，X表示神经网络输入的矩阵，bk表示偏置，RELU()表示线性整流函数；
步骤2：使用长短期记忆网络循环神经捕捉短期依赖，得到输出的隐变量：
ht,ct＝F(ht-1,ct-1,xt) (2)
其中，ht表示t时刻的隐状态，ht-1表示t-1时刻的隐状态，隐状态对应于短期记忆；ct表示t时刻的单元状态，ct-1表示t-1时刻的单元状态，单元状态对应于长期记忆；xt表示输入，F()表示长短期记忆网络函数，定义如下：
Figure FDA0003828440430000011
Figure FDA0003828440430000012
Figure FDA0003828440430000013
Figure FDA0003828440430000014
ht＝ot⊙tanh(ct) (7)
其中，sigmoid()函数是神经网络的激活函数，其输出范围控制在(0,1)，从而能够进行“门控”；it表示输入门，ft表示遗忘门，ot表示输出门，tanh()为双曲正切函数；
Figure FDA0003828440430000015
表示输入门的输入权重，
Figure FDA0003828440430000016
表示输入门的隐状态权重，
Figure FDA0003828440430000017
表示遗忘门的输入权重，
Figure FDA0003828440430000018
表示遗忘门的隐状态权重，
Figure FDA0003828440430000019
表示输出门的输入权重，
Figure FDA00038284404300000110
表示输出门的隐状态权重，
Figure FDA00038284404300000111
表示单元状态的输入权重，
Figure FDA00038284404300000112
表示单元状态的隐状态权重；
步骤3：使用注意力机制捕捉长期依赖；
计算t-w时刻到t-1时刻所有的隐状态向量权重，w表示输入的时间长度，得到加权的上下文向量ct和t-1时刻的隐向量拼接后做线性投影得到t时刻的隐状态向量；
Figure FDA0003828440430000021
其中，αt表示注意力权重，AttnScore()表示相似度计算函数，
Figure FDA0003828440430000022
表示输入的隐状态，
Figure FDA0003828440430000023
表示输出的隐状态；
Figure FDA0003828440430000024
其中，
Figure FDA0003828440430000025
表示长短期记忆网络t时刻输出，b表示偏置，W表示权重；
步骤4：结合自回归模型AR，获得最终预测值：
Figure FDA0003828440430000026
其中，
Figure FDA0003828440430000027
表示AR模型t时刻输出结果；qar表示q阶AR模型，k表示第k个时刻；
Figure FDA0003828440430000028
表示权重，yt-k表示t-k时刻的真实值；bar表示随机扰动；
最终预测值为：
Figure FDA0003828440430000029
其中，
Figure FDA00038284404300000210
表示最终预测结果，
Figure FDA00038284404300000211
表示长短期记忆网络t时刻输出，
Figure FDA00038284404300000212
表示AR模型t时刻输出结果；
则，最终优化为：
Figure FDA00038284404300000213
其中，Θ是模型的参数，ΩTrain表示训练集，||·||F表示F-范数，h表示预测步长；Yt表示空调负荷真实值，
Figure FDA00038284404300000214
表示空调负荷预测值。
CN202110693923.XA 2021-06-22 2021-06-22 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 Active CN113449909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110693923.XA CN113449909B (zh) 2021-06-22 2021-06-22 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110693923.XA CN113449909B (zh) 2021-06-22 2021-06-22 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法

Publications (2)

Publication Number Publication Date
CN113449909A CN113449909A (zh) 2021-09-28
CN113449909B true CN113449909B (zh) 2022-12-20

Family

ID=77812215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110693923.XA Active CN113449909B (zh) 2021-06-22 2021-06-22 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法

Country Status (1)

Country Link
CN (1) CN113449909B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587617A (zh) * 2022-10-17 2023-01-10 国网黑龙江省电力有限公司 长时间序列的序列信息捕捉方法及装置、短期用电量预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002022239A (ja) * 2000-07-11 2002-01-23 Mitsubishi Heavy Ind Ltd 負荷予測装置
CN106952181A (zh) * 2017-03-08 2017-07-14 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测系统
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
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002022239A (ja) * 2000-07-11 2002-01-23 Mitsubishi Heavy Ind Ltd 負荷予測装置
CN106952181A (zh) * 2017-03-08 2017-07-14 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测系统
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
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于CNN-LSTM的短期电力负荷预测研究;刘月峰 等;《科技创新与应用》;20200108(第01期);全文 *
基于多神经网络融合的短期负荷预测方法;庞昊 等;《电力自动化设备》;20200610;第40卷(第06期);全文 *

Also Published As

Publication number Publication date
CN113449909A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Sha et al. A simplified HVAC energy prediction method based on degree-day
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
CN102705957B (zh) 办公建筑中央空调逐时冷负荷在线预测方法及系统
Zhang et al. Development and evaluation of cooling load prediction models for a factory workshop
CN110110912A (zh) 一种光伏功率多模型区间预测方法
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
Ling et al. An improved input variable selection method of the data-driven model for building heating load prediction
CN113902582A (zh) 一种楼宇综合能源负荷预测方法及系统
CN105825002A (zh) 一种基于动态灰关联分析法的风电场动态等值建模方法
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
Lei et al. Prediction method of energy consumption for high building based on LMBP neural network
CN113449909B (zh) 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法
Jin et al. Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain
CN116307076A (zh) 一种基于物联网的工业园区能效管控方法
CN111735177A (zh) 一种基于svr算法的中央空调系统冷负荷预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
Zhao et al. A model predictive control regulation model for radiant air conditioning system based on delay time
Wang et al. Multi-task learning based multi-energy load prediction in integrated energy system
Kumar et al. Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach
Tian et al. Load extraction from actual operation data for data-driven ultra-short-term room air-conditioning load prediction
Fux et al. Short-term thermal and electric load forecasting in buildings
Zhu et al. Load Forecasting of the power system: an investigation based on the method of random forest regression
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network
Wang Application of deep learning model in building energy consumption prediction
Dehghan et al. Photovoltaic Power Forecasting With an Ensemble Multi-Input Deep Learning Approach

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