CN113868954A - 一种空调负荷预测方法及系统 - Google Patents

一种空调负荷预测方法及系统 Download PDF

Info

Publication number
CN113868954A
CN113868954A CN202111159203.1A CN202111159203A CN113868954A CN 113868954 A CN113868954 A CN 113868954A CN 202111159203 A CN202111159203 A CN 202111159203A CN 113868954 A CN113868954 A CN 113868954A
Authority
CN
China
Prior art keywords
model
prediction
data
load
gate
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
CN202111159203.1A
Other languages
English (en)
Inventor
朱其新
庄梦祥
刘红俐
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science 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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202111159203.1A priority Critical patent/CN113868954A/zh
Publication of CN113868954A publication Critical patent/CN113868954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—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
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种空调负荷预测方法及系统，该方法包括获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。本发明采用灰色关联分析对大量的数据进行了有效的降维，配合选用的基础模型，能够提高预测精度，缩短训练时间。

Description

一种空调负荷预测方法及系统
技术领域
本发明涉及建筑节能技术领域，尤其涉及一种空调负荷预测方法及系统。
背景技术
在整个社会的能耗中，建筑能耗已经成为了主要的组成部分，而暖通空调的能耗则占据了建筑能耗的68％。暖通空调的优化控制在减少空调能耗方面提供了很大的帮助，在众多的优化控制中，基于空调负荷预测的优化方法已经成为了一个十分重要的领域。举一个例子，对于冷水机组的启动控制时，可以对建筑物的负荷进行预测，以提前知道下一时刻所需的冷量，控制冷水机组运行的数量和运行时间，达到节能的效果。
对于空调负荷的预测，国内外的专家已经做了很多的研究，提出了很多空调负荷的预测方法，其中包括两大类，第一类：线性回归预测法、时间序列预测法等，但是由于负荷预测的本质是非线性的，所以线性预测方法虽然简单，但效果并不好；又由于影响负荷的因素除了负荷本身的变化外，还有室外条件等因素，所以时间序列预测法也不够全面和准确。第二类：基于人工神经网络的模型进行预测，由于人工神经网络能很好地模拟非线性问题，在预测中得到了广泛的应用，例如，采用神经网络建立空调负荷预测模型，但这种方法收敛速度慢，算法效率低，在面对大量数据时容易出现过拟合，训练能力差，预测能力差等现象。
因此，如何提供一种能够提高预测精度、加快模型的预测时间的空调负荷预测方法及系统是本领域技术人员亟待解决的一个技术问题。
发明内容
本发明提供一种空调负荷预测方法及系统，以解决上述技术问题。
本发明的第一方面，提供了一种空调负荷预测方法，包括：
获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；
提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；
获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；
将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；
将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。
较佳地，所述采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列的方法包括：至少基于所述影响因素与负荷之间的灰色关联度选取所述特征指标，
计算所述影响因素与负荷之间的灰色关联度的方法包括：
假定负荷的参考序列为y(k)(k＝1,2,…,n)(k是时刻)，负荷的特征指标为xi(k)(i＝1,2,…m)(i是特征指标数)，对特征指标的数据进行归一化处理，公式如下：
Figure BDA0003289478180000021
式中：x是特征指标的值；xmin是该特征指标在时间序列上的最小值；xmax是该特征指标在时间序列上的最大值；
计算差值：
Δi(k)＝|y'(k)-x'i(k)|
求第i个影响因素xi对于负荷y在k时刻的影响，公式如下：
Figure BDA0003289478180000022
式中：
Figure BDA0003289478180000023
是两级极差的最小值；
Figure BDA0003289478180000024
是两级极差的最大值；ρ是分辨系数，
负荷y与影响因素xi的灰色关联度为：
Figure BDA0003289478180000031
较佳地，LSTM模型包括遗忘门、输入门和输出门，其中：
遗忘门的公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
输入门的公式为：
it＝σ(Wf·[ht-1,xt]+bi)
Figure BDA0003289478180000032
Figure BDA0003289478180000033
输出门的公式为：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ottanh(Ct)
式中x为输入，h为输出，i为输入门的输出，f为遗忘门的输出，c为当前的细胞状态，o为输出门的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
较佳地，GRU模型包括更新门、重置门、候选隐藏层和隐藏层，其中：
更新门的公式为：
zt＝σ(Wz·[ht-1,xt]+bz)
重置门的公式为：
rt＝σ(Wr·[ht-1,xt]+br)
候选隐藏层的公式为：
Figure BDA0003289478180000034
隐藏层的公式为：
Figure BDA0003289478180000041
其中x为输入，h为输出，z为更新门的输出，r为重置门的输出，
Figure BDA0003289478180000042
为候选隐藏层的输出，h为隐藏层的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
较佳地，所述双向LSTM模型和双向GRU模型中的双向是指当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出，所述双向LSTM模型和双向GRU模型的输出结果是由两个方向的输出结果拼接而成。
较佳地，得到空调负荷的预测值后，还包括：
对所述预测值进行反归一化处理；
将所述预测值与所述标签数据中的空调负荷的实际值进行对比，计算评价指标；以及
基于所述评价指标判断所述预测模型的准确性。
较佳地，所述评价指标采用平均绝对误差MAE和均方根误差RMSE，计算公式分别为：
Figure BDA0003289478180000043
Figure BDA0003289478180000044
式中：yi为实际值；
Figure BDA0003289478180000045
为预测值；N为预测值的总个数。
本发明的第二方面，提供了一种空调负荷预测系统，包括：
样本获取单元，用于获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；
特征筛选单元，用于提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；
模型获取单元，用于获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；
模型训练单元，用于将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；以及
负荷预测单元，用于将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。
本发明的第三方面，提供了一种空调负荷预测装置，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上所述的操作。
本发明的第四方面，提供了一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如上所述的操作。
与现有技术相比，本发明提供的空调负荷预测方法及系统具有如下优点：
1、本发明采用灰色关联分析对影响空调负荷的影响因素进行筛选，从大量的数据中提取主要的影响因素，进而对数据进行了有效的降维，方法方便快捷，且降低了模型的训练时间，很适合用到空调负荷的数据处理上来；
2、采用双向LSTM模型和双向GRU模型相结合的方式，从两个方向对输入数据进行处理，而且BILSTM层对数据进行深度解析，BIGRU加快收敛速度，充分结合了LSTM和GRU的优点，因此该模型结构复杂程度较低，不易出现过拟合现象，有很大的应用潜力。
附图说明
图1为本发明一具体实施方式中空调负荷预测方法的流程图；
图2为本发明一具体实施方式中LSTM的结构图；
图3为本发明一具体实施方式中双向LSTM的结构框图；
图4为本发明一具体实施方式中GRU的结构图；
图5为本发明一具体实施方式中双向GRU的结构框图；
图6为本发明一具体实施方式中DBILG的结构框图；
图7为本发明一具体实施方式中灰色关联分析的计算结果示意图；
图8为LSTM+GRU和GRU+LSTM的仿真结果比较示意图；
图9为各模型第一天的负荷预测结果仿真图；
图10为各模型第二天的负荷预测结果仿真图。
具体实施方式
为了更详尽的表述上述发明的技术方案，以下列举出具体的实施例来证明技术效果；需要强调的是，这些实施例用于说明本发明而不限于限制本发明的范围。
本发明提供的空调负荷预测方法，如图1所示，包括：
步骤101：获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据，此处的标签数据可以是空调负荷的实际值。所述训练数据集用于训练基础模型，所述预测数据集用于检验模型训练的成果。在一些实施例中，该步骤可以由空调负荷预测系统中的样本获取单元执行。
步骤103：提取所述样本数据中的影响因素，采用灰色关联分析(以下简称GCA)从所述影响因素中筛选若干特征指标作为输入序列。具体地，所述影响因素可以包括建筑物的环境因素，例如当前时刻的前四个小时的负荷、温度、湿度等，还可以包括建筑物的结构信息，例如外墙传热系数、屋顶传热系数、墙窗比等，还可以包括人员的影响，例如室内人员密度、室内人员状态(工作、睡眠)等。另外，为了顺利地将筛选得到的特征指标转化为能够输入至深度学习模型中的输入形式，本申请将特征指标转化为输入序列，即把特征指标写成样本数量、步长、特征数的形式。在一些实施例中，该步骤可以由空调负荷预测系统中的特征筛选单元执行。
步骤105：获取基础模型，所述基础模型包括依次设置的双向LSTM模型(以下简称BILSTM)和双向GRU模型(以下简称BIGRU)，两种模型堆叠组合后形成新的模型(以下简称DBILG)，DBILG能够解决LSTM收敛速度慢，GRU对大数据处理能力不够的问题。在一些实施例中，该步骤可以由空调负荷预测系统中的模型获取单元执行。
步骤107：将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型。在一些实施例中，该步骤可以由空调负荷预测系统中的模型训练单元执行。
以及步骤109：将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。在一些实施例中，该步骤可以由空调负荷预测系统中的负荷预测单元执行。
本发明采用灰色关联分析对影响空调负荷的影响因素进行筛选，从大量的数据中提取主要的影响因素，进而对数据进行了有效的降维，方法方便快捷，且降低了模型的训练时间；采用双向LSTM模型和双向GRU模型相结合的方式，从两个方向对输入数据进行处理，而且BILSTM层对数据进行深度解析，BIGRU加快收敛速度，充分结合了LSTM和GRU的优点，因此该模型结构复杂程度较低，不易出现过拟合现象，有很大的应用潜力。
较佳地，所述采用灰色关联分析(GCA)从所述影响因素中筛选若干特征指标作为输入序列的方法包括：至少基于所述影响因素与负荷之间的灰色关联度选取所述特征指标，
计算所述影响因素与负荷之间的灰色关联度的方法包括：
假定负荷的参考序列为y(k)(k＝1,2,…,n)(k是时刻)，负荷的特征指标为xi(k)(i＝1,2,…m)(i是特征指标数)，由于数据的单位不同，需对特征指标的数据进行归一化处理，公式如下：
Figure BDA0003289478180000071
式中：x是特征指标的值；xmin是该特征指标在时间序列上的最小值；xmax是该特征指标在时间序列上的最大值；
计算差值：
Δi(k)＝|y'(k)-x'i(k)| (2)
求第i个影响因素xi对于负荷y在k时刻的影响，公式如下：
Figure BDA0003289478180000072
式中：
Figure BDA0003289478180000073
是两级极差的最小值；
Figure BDA0003289478180000074
是两级极差的最大值；ρ是分辨系数，通常取0.5。
则负荷y与影响因素xi的灰色关联度为：
Figure BDA0003289478180000081
使用GCA来对众多的影响因素进行分析，能够选取出关联度较高的影响因素作为特征指标，这样就减少了输入序列的长度，提升了预测速度。
长短期记忆(LSTM)是一种特殊的循环神经网络(以下简称RNN)，即LSTM是RNN的一个变体。RNN在训练中，随着训练时间的加长以及网络层数的增多，很容易出现梯度爆炸或者梯度消失的问题，导致RNN无法处理较长序列数据，从而无法获取长距离数据的信息。
较佳地，LSTM模型包括遗忘门、输入门和输出门，具体地，LSTM结构如图2所示。图2中tanh、σ为激活函数；x为输入；h为输出。LSTM之所以能够记住长期的信息，在于设计的“门”结构，在LSTM神经元中一共有三个门结构，遗忘门决定哪些信息需要从细胞状态中被遗忘，输入门确定哪些新信息能够被存放到细胞状态中，输出门确定输出什么值。LSTM的三个门结构，可以对数据进行有效的筛选，达到记忆的效果，保存有效的信息，抛弃无效的信息，让预测结果更加准确。
本实施例中，遗忘门的公式为：
ft＝σ(Wf·[ht-1,xt]+bf) (5)
输入门的公式为：
it＝σ(Wf·[ht-1,xt]+bi) (6)
Figure BDA0003289478180000082
Figure BDA0003289478180000083
输出门的公式为：
ot＝σ(Wo·[ht-1,xt]+bo) (9)
ht＝ottanh(Ct) (10)
式中x为输入，h为输出，i为输入门的输出，f为遗忘门的输出，c为当前的细胞状态，o为输出门的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
而双向LSTM(BILSTM)的结构如图3所示。当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出。最后的输出结果也是由两个方向的输出结果拼接而成。这样做的优点是可以对数据进行深度挖掘，使预测结果更加准确。
较佳地，GRU模型包括更新门、重置门、候选隐藏层和隐藏层，具体地，GRU结构如图4所示。图4中tanh、σ为激活函数；x为输入；h为输出。门控循环单元(GRU)是从LSTM演变过来的，是LSTM的一个变体。与LSTM不同的是，GRU只有两个门，即更新门和重置门。相比于LSTM，GRU的参数少了三分之一，更容易收敛，不容易过拟合。
本实施例中，更新门的公式为：
zt＝σ(Wz·[ht-1,xt]+bz) (11)
重置门的公式为：
rt＝σ(Wr·[ht-1,xt]+br) (12)
候选隐藏层的公式为：
Figure BDA0003289478180000091
隐藏层的公式为：
Figure BDA0003289478180000092
其中x为输入，h为输出，z为更新门的输出，r为重置门的输出，
Figure BDA0003289478180000093
为候选隐藏层的输出，h为隐藏层的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
而双向GRU(BIGRU)的结构如5所示。同样的，双向GRU模型中当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出，双向GRU模型的输出结果是由两个方向的输出结果拼接而成。
虽然GRU在结构上比LSTM简单，但是在处理较大的数据集的时候，LSTM处理性能更好。本申请结合了LSTM和GRU的优点，建立好BILSTM和BIGRU之后，将BILSTM和BIGRU进行堆叠与组合得到DBILG。由于LSTM处理大数据的性能好，将经过GCA处理的数据先经过BILSTM层，对数据进行更加的全面深度的分析，然后经过BIGRU层，加快收敛速度。DBILG模型的结构如图6所示。上述方法解决了现有模型预测不能满足空调负荷预测的精度，以及LSTM收敛速度慢，GRU对大数据处理能力不够的问题。
较佳地，得到空调负荷的预测值后，还包括：
对所述预测值进行反归一化处理；将所述预测值与所述标签数据中的空调负荷的实际值进行对比，计算评价指标；以及基于所述评价指标判断所述预测模型的准确性。从而确保投入使用时的预测模型的准确性。
较佳地，所述评价指标采用平均绝对误差MAE和均方根误差RMSE，其中MAE可以更好的反应预测误差的实际情况，RMSE可以很好的反应预测的精密度，二者的计算公式分别为：
Figure BDA0003289478180000101
Figure BDA0003289478180000102
式中：yi为实际值；
Figure BDA0003289478180000103
为预测值；N为预测值的总个数。
本申请将提取出的多项影响因素按照公式(1)-(4)来计算灰色关联度的值，根据值的大小将影响因素从大到小进行排序。本实施例选取的影响因素为当前时刻前四个小时的负荷、温度、湿度的影响，其灰色关联度计算结果如图7所示。从灰色关联度的分析排序可以看到前四个小时的负荷与负荷之间的灰色关联度比较大，达到了0.8以上，而其他影响因素的关联度则较低。所以本实施例选用前四个小时的负荷作为特征指标，作为输入模型的输入序列。
为了验证LSTM在前，GRU在后的观点，本申请对LSTM+GRU和GRU+LSTM，即两种模型变换前后顺序的结果进行了比较。仿真结果如图8所示。得到的评价指标的结果如表1所示。
表1评价指标
Figure BDA0003289478180000111
从表1中MAE和RMSE两个评价指标来看，LSTM+GRU的预测效果要比GRU+LSTM的预测效果要好，所以本申请采用了将数据先经过LSTM单元，再经过GRU单元的方法。
本申请中DBILG模型的参数值由试凑的方法决定。本实施例中，网络层由1层BILSTM和1层BIGRU组成，每层有200个神经元，每轮的训练批次为16，一共训练100轮。优化器使用Adam优化器，损失函数使用均方误差。为了与本申请提出的模型进行比较，本文还建立了BP神经网络模型、DBILSTM模型和DBIGRU模型；为了反映GCA的效果，还建立了没有GCA的DBILG模型，即共建立了4种对比例。
本申请与对比例的仿真结果如图9和图10所示。评价指标的值如表2和表3所示。
表2第一天负荷预测的评价指标
Figure BDA0003289478180000112
表3第二天负荷预测的评价指标
Figure BDA0003289478180000113
由图9和图10可知，各模型的预测趋势大致相同，但预测值仍有差异。从表2和表3的评价指标来看，传统BP神经网络虽然训练时间很短，但预测精度最差。本申请提出的模型在MAE和RMSE的评价指标上优于其他模型，预测效果最好。
本申请使用GCA对输入数据进行降维，提取主要影响因素，因此训练速度也比不使用GCA的DBILG模型更快，预测精度也更高。这也证明了GCA可以提高模型的预测精度，加快模型的训练速度。
本发明的第二方面，提供了一种空调负荷预测系统，包括：
样本获取单元，用于执行步骤101，包括：获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；
特征筛选单元，用于执行步骤103，包括：提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；
模型获取单元，用于执行步骤105，包括：获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；
模型训练单元，用于执行步骤107，包括：将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；以及
负荷预测单元，用于执行步骤109，包括：将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。
本发明的第三方面，提供了一种空调负荷预测装置，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上所述的操作。
本发明的第四方面，提供了一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如上所述的操作。
综上所述，本发明提供的空调负荷预测方法及系统，所述方法包括获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。本发明采用灰色关联分析对大量的数据进行了有效的降维，配合选用的基础模型，能够提高预测精度，缩短训练时间。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种空调负荷预测方法，其特征在于，包括：
获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；
提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；
获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；
将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；
将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。
2.如权利要求1所述的空调负荷预测方法，其特征在于，所述采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列的方法包括：至少基于所述影响因素与负荷之间的灰色关联度选取所述特征指标，
计算所述影响因素与负荷之间的灰色关联度的方法包括：
假定负荷的参考序列为y(k)(k＝1,2,…,n)(k是时刻)，负荷的特征指标为xi(k)(i＝1,2,…m)(i是特征指标数)，对特征指标的数据进行归一化处理，公式如下：
Figure FDA0003289478170000011
式中：x是特征指标的值；xmin是该特征指标在时间序列上的最小值；xmax是该特征指标在时间序列上的最大值；
计算差值：
Δi(k)＝|y'(k)-x′i(k)|
求第i个影响因素xi对于负荷y在k时刻的影响，公式如下：
Figure FDA0003289478170000012
式中：
Figure FDA0003289478170000013
是两级极差的最小值；
Figure FDA0003289478170000014
是两级极差的最大值；ρ是分辨系数，
负荷y与影响因素xi的灰色关联度为：
Figure FDA0003289478170000021
3.如权利要求1所述的空调负荷预测方法，其特征在于，LSTM模型包括遗忘门、输入门和输出门，其中：
遗忘门的公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
输入门的公式为：
it＝σ(Wf·[ht-1,xt]+bi)
Figure FDA0003289478170000022
Figure FDA0003289478170000023
输出门的公式为：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ottanh(Ct)
式中x为输入，h为输出，i为输入门的输出，f为遗忘门的输出，c为当前的细胞状态，o为输出门的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
4.如权利要求1所述的空调负荷预测方法，其特征在于，GRU模型包括更新门、重置门、候选隐藏层和隐藏层，其中：
更新门的公式为：
zt＝σ(Wz·[ht-1,xt]+bz)
重置门的公式为：
rt＝σ(Wr·[ht-1,xt]+br)
候选隐藏层的公式为：
Figure FDA0003289478170000031
隐藏层的公式为：
Figure FDA0003289478170000032
其中x为输入，h为输出，z为更新门的输出，r为重置门的输出，
Figure FDA0003289478170000033
为候选隐藏层的输出，h为隐藏层的输出，W为权重矩阵，b为偏差矩阵，tanh、σ为激活函数。
5.如权利要求3或4所述的空调负荷预测方法，其特征在于，所述双向LSTM模型和双向GRU模型中的双向是指当前时刻的输入通过两个方向的单元进行信息传输，每个方向都会产生自己的输出，所述双向LSTM模型和双向GRU模型的输出结果是由两个方向的输出结果拼接而成。
6.如权利要求1所述的空调负荷预测方法，其特征在于，得到空调负荷的预测值后，还包括：
对所述预测值进行反归一化处理；
将所述预测值与所述标签数据中的空调负荷的实际值进行对比，计算评价指标；以及
基于所述评价指标判断所述预测模型的准确性。
7.如权利要求6所述的空调负荷预测方法，其特征在于，
所述评价指标采用平均绝对误差MAE和均方根误差RMSE，计算公式分别为：
Figure FDA0003289478170000034
Figure FDA0003289478170000035
式中：yi为实际值；
Figure FDA0003289478170000036
为预测值；N为预测值的总个数。
8.一种空调负荷预测系统，其特征在于，包括：
样本获取单元，用于获取样本集，并将所述样本集的数据划分为训练数据集和预测数据集，所述样本集中至少包括样本数据及其对应的标签数据；
特征筛选单元，用于提取所述样本数据中的影响因素，采用灰色关联分析从所述影响因素中筛选若干特征指标作为输入序列；
模型获取单元，用于获取基础模型，所述基础模型包括依次设置的双向LSTM模型和双向GRU模型；
模型训练单元，用于将所述训练数据集中对应的输入序列输入到所述基础模型进行训练，得到预测模型；以及
负荷预测单元，用于将所述预测数据集中对应的输入序列输入到训练好的所述预测模型中进行负荷预测，得到空调负荷的预测值。
9.一种空调负荷预测装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至7中任意一项所述的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1至7中任意一项所述的操作。
CN202111159203.1A 2021-09-30 2021-09-30 一种空调负荷预测方法及系统 Pending CN113868954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111159203.1A CN113868954A (zh) 2021-09-30 2021-09-30 一种空调负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111159203.1A CN113868954A (zh) 2021-09-30 2021-09-30 一种空调负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN113868954A true CN113868954A (zh) 2021-12-31

Family

ID=79001110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111159203.1A Pending CN113868954A (zh) 2021-09-30 2021-09-30 一种空调负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN113868954A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580722A (zh) * 2022-02-24 2022-06-03 广东职业技术学院 一种建筑物冷负荷需求预测方法、系统、设备及存储介质
CN115358157A (zh) * 2022-10-20 2022-11-18 正大农业科学研究有限公司 个体窝产活仔数的预测分析方法、装置及电子设备
CN115834310A (zh) * 2023-02-15 2023-03-21 四川轻化工大学 一种基于LGTransformer的通信信号调制识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580722A (zh) * 2022-02-24 2022-06-03 广东职业技术学院 一种建筑物冷负荷需求预测方法、系统、设备及存储介质
CN115358157A (zh) * 2022-10-20 2022-11-18 正大农业科学研究有限公司 个体窝产活仔数的预测分析方法、装置及电子设备
CN115358157B (zh) * 2022-10-20 2023-02-28 正大农业科学研究有限公司 个体窝产活仔数的预测分析方法、装置及电子设备
CN115834310A (zh) * 2023-02-15 2023-03-21 四川轻化工大学 一种基于LGTransformer的通信信号调制识别方法

Similar Documents

Publication Publication Date Title
CN113868954A (zh) 一种空调负荷预测方法及系统
CN110046743A (zh) 基于ga-ann的公共建筑能耗预测方法和系统
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN107480815A (zh) 一种电力系统台区负荷预测方法
CN111598224B (zh) 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
CN110321361A (zh) 基于改进的lstm神经网络模型的试题推荐判定方法
Arciszewski et al. A methodology of design knowledge acquisition for use in learning expert systems
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN112232561A (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
CN113743538A (zh) 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质
CN114065635A (zh) 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
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN116818325A (zh) 一种滚动轴承故障诊断方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN109543914B (zh) 基于ap聚类算法的rbf建筑运行能耗的预测方法
CN116663744A (zh) 一种用于近零能耗建筑的能耗预测方法及系统
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN116415713A (zh) 一种基于e+和人工智能的建筑能耗预测方法
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN111626465B (zh) 一种新能源功率短期区间预测方法及系统
CN111753470B (zh) 一种基于粗糙集和深度置信神经网络的建筑能耗预测方法
Zhang et al. Demand Estimation of Water Resources based on Coupling Algorithm

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