CN115800256A - 一种空调负荷的预测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种空调负荷的预测方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为采集待预测建筑的多个相关参数，多个相关参数包括多个人类活动参数和/或多个气象相关参数；将多个相关参数输入建筑空调负荷预测模型，得到待预测建筑在将来时间的负荷预测值。通过该负荷预测值可以有效提升建筑用电负荷预测的准确性，从而进一步保证区域配电网的电力供需平衡。

Description

一种空调负荷的预测方法、装置、电子设备和存储介质

技术领域

本申请涉及电力技术领域，更具体地说，涉及一种空调负荷的预测方法、装置、电子设备和存储介质。

背景技术

建筑的用电负荷中，空调负荷通常占据了一半左右的比重，同时，空调负荷受到人类活动和气象条件等因素的影响，呈现较强的不确定性，其变化往往会引起建筑用电负荷的明显波动。因此，准确地分析空调负荷的变化规律，对于提升建筑用电负荷预测的准确性，保证区域配电网的电力供需平衡有着关键性的作用。

发明内容

有鉴于此，本申请提供一种空调负荷的预测方法、装置、电子设备和存储介质，用于对建筑的空调负荷进行预测，以提升建筑用电负荷预测的准确性，保证区域配电网的电力供需平衡。

为了实现上述目的，现提出的方案如下：

一种空调负荷的预测方法，应用于电子设备，所述预测方法包括步骤：

采集待预测建筑的多个相关参数，所述多个相关参数包括多个人类活动参数和/或多个气象相关参数；

将所述多个相关参数输入建筑空调负荷预测模型，得到所述待预测建筑在将来时间的负荷预测值。

可选的，所述多个人类活动参数包括是否工作日、当日时刻和历史空调负荷中的部分或全部。

可选的，所述多个气象参数包括所述待预测建筑所处区域的温度、湿度和气压中的部分或全部。

可选的，所述建筑空调负荷预测模型包括影响因素注意力模块、LSTM神经网络和时间注意力模块。

一种空调负荷的预测装置，应用于电子设备，所述预测装置包括：

数据采集模块，被配置为采集待预测建筑的多个相关参数，所述多个相关参数包括多个人类活动参数和/或多个气象相关参数；

预测执行模块，被配置为将所述多个相关参数输入建筑空调负荷预测模型，得到所述待预测建筑在将来时间的负荷预测值。

可选的，所述多个人类活动参数包括是否工作日、当日时刻和历史空调负荷中的部分或全部。

可选的，所述多个气象参数包括所述待预测建筑所处区域的温度、湿度和气压中的部分或全部。

可选的，所述建筑空调负荷预测模型包括影响因素注意力模块、LSTM神经网络和时间注意力模块。

一种电子设备，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的空调负荷的预测方法。

一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序被所述电子设备执行时，能够使所述电子设备实现如上所述的空调负荷的预测方法。

从上述的技术方案可以看出，本申请公开了一种空调负荷的预测方法、装置、电子设备和存储介质，该方法和装置应用于电子设备，具体为采集待预测建筑的多个相关参数，多个相关参数包括多个人类活动参数和/或多个气象相关参数；将多个相关参数输入建筑空调负荷预测模型，得到待预测建筑在将来时间的负荷预测值。通过该负荷预测值可以有效提升建筑用电负荷预测的准确性，从而进一步保证区域配电网的电力供需平衡。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的一种空调负荷的预测方法的流程图；

图2a为本申请实施例的建筑空调负荷预测模型的总体结构图；

图2b为本申请实施例的建筑空调负荷预测模型的影响因素注意力模块的结构图；

图2c为本申请实施例的影响因素注意力模块的卷积层的结构图；

图2d为本申请杀伤力的建筑看空调负荷预测模型的时间注意力模块的结构图；

图3为本申请实施例的一种空调负荷的预测装置的框图；

图4为本申请实施例的一种电子设备的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例一

图1为本申请实施例的一种空调负荷的预测方法的流程图。

如图1所示，本实施例提供的预测方法应用于电子设备，用于对待预测的建筑、如楼宇、商超或体育场馆等的空调负荷进行预测，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，该预测方法包括如下步骤：

S1、采集待预测建筑的多个相关参数。

这里的多个相关参数包括多个人类活动相关参数和多个气象相关参数。鉴于建筑空调的负荷与人类活动和气象因素都有密切的关系，因此我们采集包括人类活动参数和气象相关参数的多个相关参数作为预测的基础。这里人类活动相关参数主要体现在日常作息规律和空调使用习惯上，相应地可以选择是否工作日、当日时刻(24小时制)和历史空调负荷中的部分或全部。

气象参数对建筑空调负荷的影响主要体现在对人体感受和空调制冷功率的影响，因此，这里的多个气象相关参数可选择与空调负荷相关性较强的温度、湿度和气压中的部分或全部。

上述6个相关参数在采集时需要进行数值化。例如，对于某一个采样时刻t，若该时刻所在当天是工作日，则“是否工作日”维度的值取1，否则取0；“当日时刻”维度表示时刻t处于一天中的哪一个整点时刻，取值范围为{0,1,…,23}；“历史空调负荷”、“温度”、“气压”维度分别以千瓦、摄氏度、百帕为单位取值；“湿度”维度取相对湿度值。

在采集到上述相关参数后，将每个参数进行归一化处理，得到预测模型实际使用的影响因素值。归一化采用Min-Max标准化方法，假设某个影响因素x的所有历史数据中最大值为x_max，最小值为x_min，则采样时刻t的数值x_t归一化后为：

后续预测模型采用的均为归一化的影响因素值。

预测某一时刻的建筑空调负荷时，考虑其前T小时内每个小时的影响因素值，可将上述6个相关参数构建为一个6行T列的初始影响因素矩阵I，矩阵的第t列(t＝1,2,…,T)表示第t个采样时刻的6个影响因素值。实际应用时，T可取值为12。

S2、基于多个相关参数并用于相应模型实施预测。

即将上述的多个相关参数输入到预先训练得到的建筑空调负荷预测模型进行处理，在实施预测时，将待预测时刻前T个时刻的是否工作日、当日时刻、历史空调负荷、温度、湿度、气压6类影响因素数据构建为初始影响因素矩阵I，输入建筑空调负荷预测模型，即可得到模型输出的待预测时刻建筑空调的负荷预测值。

本实施例中的建筑空调符合预测模型包括建筑空调符合预测模型包括影响因素注意力模块101、LSTM神经网络102和时间注意力模块103，如图2a所示。其中，影响因素注意力模块用于区分不同影响因素对于建筑空调负荷预测的重要性差异，以对不同的影响因素分配不同的注意力权重；LSTM神经网络用于提取每个采样时刻的影响因素信息，并对影响因素信息进行筛选与融合；时间注意力模块用于区分不同采样时刻对于建筑空调负荷预测的重要性差异，以对不同采样时刻的影响因素分配不同的注意力权重。

在对空调符合实施预测时，首先将6行T列的初始影响因素矩阵I输入影响因素注意力模块。影响因素注意力模块可以自动学习不同气象、时间等条件下各个影响因素对建筑空调负荷的影响程度差异，对输入矩阵I的元素值进行调整，得到含影响因素注意力的特征矩阵C，且矩阵C与矩阵I的行数和列数均相同。

接着，将含影响因素注意力的特征矩阵C按列拆分为T个特征矩阵列向量c_t(t＝1,2,…,T)，再依次输入LSTM网络的各个LSTM单元中，以提取每个时间步长的影响因素特征信息，提取后每个列向量c_t均得到对应的l维隐藏层向量h_t。

最后，将所有隐藏层向量h_t输入时间注意力模块，通过时间注意力模块区分不同时刻t的隐藏层向量h_t对于建筑空调负荷预测的重要性差异，得到含时间注意力的l维输出向量h₀，再通过SVR模型计算出最终的建筑空调的负荷预测值。

影响因素注意力模块的作用是通过注意力机制区分各种条件下不同影响因素对于建筑空调负荷的影响程度差异。例如，对于居民建筑而言，在凌晨时段，“温度”维度对于建筑空调负荷的影响程度通常大于“是否工作日”维度；而在早上或下午时段时，“是否工作日”维度对于建筑空调负荷的影响程度则更大。影响因素注意力模块结构如图2b所示。

影响因素注意力模块对数据的计算过程如下：

(1)初始影响因素矩阵I输入影响因素注意力模块后，按行拆分为6个影响因素行向量i_r(r＝1,2,…,6)。为了在影响因素注意力计算时充分考虑影响因素与建筑空调负荷之间的非线性和非单调性关系，本发明提出一种简单高效的卷积层结构，并将每个ir分别输入一个卷积层进行卷积运算。

卷积层结构如图2c所示，由k个单通道的1×1卷积核、激活函数以及1个k通道的1×1卷积核串接而成，其中激活函数采用修正线性单元(Rectified Linear Unit，ReLU)的形式。卷积层结构中，k个单通道的1×1卷积核有利于捕捉影响因素与建筑空调负荷之间的非单调性关系，例如随着温度由低温到高温变化，建筑空调负荷通常会呈现先下降后上升的非单调变化趋势；激活函数ReLU有利于更好地拟合影响因素与建筑空调负荷之间复杂的非线性关系；1个k通道的1×1卷积核则将k个T维行向量重新融合为1个T维的特征行向量。经过卷积层的计算后，每个i_r均得到对应的特征行向量c_r。实际应用时，k取值为4。

(2)引入T维的影响因素注意力向量u₁，并计算每个特征行向量c_r与u₁的内积，再使用softmax函数进行归一化，得到6维的影响因素注意力权重向量a₁，其中向量a₁第r维的值a₁(r)计算方法为：

(3)将每个特征行向量c_r与向量a₁第r维的值a₁(r)相乘，相乘后共得到6个行向量，按行拼接后得到含影响因素注意力的特征矩阵C。

上述计算过程中，卷积层的卷积核参数以及影响因素注意力向量u₁的值均可在模型训练过程中自动学习得到。

时间注意力模块的作用是通过注意力机制区分不同时刻的影响因素对于建筑空调负荷预测的影响程度差异。例如，对于“历史空调负荷”维度而言，由于建筑空调负荷变化具有连续性，往往越接近于当前时刻的采样时刻，其采样值对当前的空调负荷影响越大；而对于“温度”、“湿度”等气象因素而言，其对建筑空调负荷的影响往往具有延迟效应，因此距离当前时刻较远的采样时刻，其采样值也可能对当前的建筑空调负荷产生较大的影响。时间注意力模块的结构如图2d所示。

时间注意力模块的计算过程如下：

(1)将T个l维的隐藏层向量h_t输入时间注意力模块后，引入l维的影响因素注意力向量u₂，并计算每个隐藏层向量h_t与u₂的内积，再使用softmax函数进行归一化，得到T维的影响因素注意力权重向量a₂，其中向量a₂第t维的值a₂(t)计算方法为：

实际应用时，l取值为32。

(2)将每个隐藏层向量h_t与向量a₂第t维的值a₂(t)相乘，并对相乘后得到的T个列向量求和，求和后得到含时间注意力的输出向量h₀。

上述计算过程中，时间注意力向量u₂的值可在模型训练过程中自动学习得到。

完成时间注意力模块的计算后，将含时间注意力的输出向量h₀输入SVR模型，通过支持向量回归法计算最终的建筑空调负荷预测值。SVR模型的参数可在模型训练过程中自动学习得到。

本申请中上述建筑空调负荷预测模型通过如下方式训练得到：

用35000个采样间隔为1小时的空调实际用电负荷数据，以及对应的是否工作日、当日时刻、历史空调负荷、温度、湿度、气压共6类影响因素数据，构成训练样本集，以便对图2a所示的建筑空调负荷预测模型进行训练。将待预测时刻前T个时刻的是否工作日、当日时刻、历史空调负荷、温度、湿度、气压6类影响因素数据构建为初始影响因素矩阵I，输入建筑空调负荷预测模型，即可得到模型输出的待预测时刻建筑空调负荷预测值。

从上述技术方案可以看出，本实施例提供了一种空调负荷的预测方法，该方法应用于电子设备，具体为采集待预测建筑的多个相关参数，多个相关参数包括多个人类活动参数和/或多个气象相关参数；将多个相关参数输入建筑空调负荷预测模型，得到待预测建筑在将来时间的负荷预测值。通过该负荷预测值可以有效提升建筑用电负荷预测的准确性，从而进一步保证区域配电网的电力供需平衡。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机。

实施例二

图3为本申请实施例的一种空调负荷的预测装置的框图。

如图3所示，本实施例提供的预测装置应用于电子设备，用于对待预测的建筑、如楼宇、商超或体育场馆等的空调负荷进行预测，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，该预测装置包括数据采集模块10和预测执行模块20。

数据采集模块用于采集待预测建筑的多个相关参数。

这里的多个相关参数包括多个人类活动相关参数和多个气象相关参数。鉴于建筑空调的负荷与人类活动和气象因素都有密切的关系，因此我们采集包括人类活动参数和气象相关参数的多个相关参数作为预测的基础。这里人类活动相关参数主要体现在日常作息规律和空调使用习惯上，相应地可以选择是否工作日、当日时刻(24小时制)和历史空调负荷中的部分或全部。

气象参数对建筑空调负荷的影响主要体现在对人体感受和空调制冷功率的影响，因此，这里的多个气象相关参数可选择与空调负荷相关性较强的温度、湿度和气压中的部分或全部。

上述6个相关参数在采集时需要进行数值化。例如，对于某一个采样时刻t，若该时刻所在当天是工作日，则“是否工作日”维度的值取1，否则取0；“当日时刻”维度表示时刻t处于一天中的哪一个整点时刻，取值范围为{0,1,…,23}；“历史空调负荷”、“温度”、“气压”维度分别以千瓦、摄氏度、百帕为单位取值；“湿度”维度取相对湿度值。

在采集到上述相关参数后，将每个参数进行归一化处理，得到预测模型实际使用的影响因素值。归一化采用Min-Max标准化方法，假设某个影响因素x的所有历史数据中最大值为x_max，最小值为x_min，则采样时刻t的数值x_t归一化后为：

后续预测模型采用的均为归一化的影响因素值。

预测某一时刻的建筑空调负荷时，考虑其前T小时内每个小时的影响因素值，可将上述6个相关参数构建为一个6行T列的初始影响因素矩阵I，矩阵的第t列(t＝1,2,…,T)表示第t个采样时刻的6个影响因素值。实际应用时，T可取值为12。

预测执行模块用于基于多个相关参数并用于相应模型实施预测。

即将上述的多个相关参数输入到预先训练得到的建筑空调负荷预测模型进行处理，在实施预测时，将待预测时刻前T个时刻的是否工作日、当日时刻、历史空调负荷、温度、湿度、气压6类影响因素数据构建为初始影响因素矩阵I，输入建筑空调负荷预测模型，即可得到模型输出的待预测时刻建筑空调的负荷预测值。

从上述技术方案可以看出，本实施例提供了一种空调负荷的预测装置，该装置应用于电子设备，具体为采集待预测建筑的多个相关参数，多个相关参数包括多个人类活动参数和/或多个气象相关参数；将多个相关参数输入建筑空调负荷预测模型，得到待预测建筑在将来时间的负荷预测值。通过该负荷预测值可以有效提升建筑用电负荷预测的准确性，从而进一步保证区域配电网的电力供需平衡。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

实施例三

图4为本申请实施例的一种电子设备的框图。

参考图4所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器ROM中的程序或者从输入装置406加载到随机访问存储器RAM403中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

实施例四

本实施例提供了一种计算机可读的存储介质，该存储介质承载有一个或者多个计算机程序，当上述一个或者多个计算机程序被该电子设备执行时，使得该电子设备采集待预测建筑的多个相关参数，多个相关参数包括多个人类活动参数和/或多个气象相关参数；将多个相关参数输入建筑空调负荷预测模型，得到待预测建筑在将来时间的负荷预测值。通过该负荷预测值可以有效提升建筑用电负荷预测的准确性，从而进一步保证区域配电网的电力供需平衡。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种空调负荷的预测方法，应用于电子设备，其特征在于，所述预测方法包括步骤：

采集待预测建筑的多个相关参数，所述多个相关参数包括多个人类活动参数和/或多个气象相关参数；

将所述多个相关参数输入建筑空调负荷预测模型，得到所述待预测建筑在将来时间的负荷预测值。

2.如权利要求1所述的预测方法，其特征在于，所述多个人类活动参数包括是否工作日、当日时刻和历史空调负荷中的部分或全部。

3.如权利要求1所述的预测方法，其特征在于，所述多个气象参数包括所述待预测建筑所处区域的温度、湿度和气压中的部分或全部。

4.如权利要求1所述的预测方法，其特征在于，所述建筑空调负荷预测模型包括影响因素注意力模块、LSTM神经网络和时间注意力模块。

5.一种空调负荷的预测装置，应用于电子设备，其特征在于，所述预测装置包括：

数据采集模块，被配置为采集待预测建筑的多个相关参数，所述多个相关参数包括多个人类活动参数和/或多个气象相关参数；

预测执行模块，被配置为将所述多个相关参数输入建筑空调负荷预测模型，得到所述待预测建筑在将来时间的负荷预测值。

6.如权利要求5所述的预测装置，其特征在于，所述多个人类活动参数包括是否工作日、当日时刻和历史空调负荷中的部分或全部。

7.如权利要求5所述的预测装置，其特征在于，所述多个气象参数包括所述待预测建筑所处区域的温度、湿度和气压中的部分或全部。

8.如权利要求5所述的预测装置，其特征在于，所述建筑空调负荷预测模型包括影响因素注意力模块、LSTM神经网络和时间注意力模块。

9.一种电子设备，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序或指令；

所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～4任一项所述的空调负荷的预测方法。

10.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序被所述电子设备执行时，能够使所述电子设备实现如权利要求1～4任一项所述的空调负荷的预测方法。

Images