CN116578844B - 暖通空调冷量预测方法、系统及相关设备 - Google Patents
暖通空调冷量预测方法、系统及相关设备 Download PDFInfo
- Publication number
- CN116578844B CN116578844B CN202310674947.XA CN202310674947A CN116578844B CN 116578844 B CN116578844 B CN 116578844B CN 202310674947 A CN202310674947 A CN 202310674947A CN 116578844 B CN116578844 B CN 116578844B
- Authority
- CN
- China
- Prior art keywords
- eigenmode
- noise reduction
- cold quantity
- original signal
- heating ventilation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010438 heat treatment Methods 0.000 title claims abstract description 69
- 238000009423 ventilation Methods 0.000 title claims abstract description 69
- 230000009467 reduction Effects 0.000 claims abstract description 73
- 238000004378 air conditioning Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000005265 energy consumption Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006403 short-term memory Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001364 causal effect Effects 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种暖通空调冷量预测方法、系统及相关设备。方法包括通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个本征模态组成本征模态函数；使用皮尔逊相关系数将本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；对第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；将第一本征模态和第三本征模态进行重构，最终得到降噪数据；将降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据冷量预测模型用于对暖通空调冷量进行预测，得到暖通空调冷量的预测结果。相对于现有技术，本发明解决了冷量预测过程中存在非线性、耦合性和长时依赖问题，提高了冷量预测模型的快速性和准确性。
Description
技术领域
本发明涉及空调领域，尤其涉及一种暖通空调冷量预测方法、系统及相关设备。
背景技术
世界碳排放主要来源于三大不同的产业，分别对应是工业、交通业以及建筑业。从联合国政府有关的气候变化评估报告进行分析，建筑业消耗的能源在全球整体能源消耗中的占比达到了三分之一，并排放了大约全球25％的温室气体；为了给人们创造一个舒适的工作和生活环境，暖通空调得到广泛的应用，而在建筑的全年能源消耗中，空调系统能耗所占比例最大，约占到全年总能耗的40-50％，甚至某些地区空调系统能耗可以占全年总能耗的70％以上。
现有空调系统中存在耗能高的问题，而降低公共建筑空调系统能耗是降低整个建筑能耗的重要途径，同时也具有重要现实意义。
因此，有必要研究出一种能准确和快速冷负荷预测的暖通空调冷量预测方法、系统及相关设备。
发明内容
本发明实施例提供了一种暖通空调冷量预测方法、系统及相关设备，旨在提供一种能准确和快速冷负荷预测的暖通空调冷量预测方法及系统。
第一方面，本发明提供一种暖通空调冷量预测方法，包括以下步骤：
S1、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；
S2、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；
S3、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；
S4、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；
S5、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。
优选的，所述步骤S1中，将所述原始信号分解包括以下步骤：
S11、获得所述原始信号的极小值点和极大值点，再使用三次样条包络线对所述极小值点和所述极大值点进行拟合，获取所述原始信号的上包络线和下包络线，然后根据所述上包络线和所述下包络线计算得到均值包络线；
S12、计算所述原始信号与所述均值包络线之间的差值函数，定义第一条件为所述原始信号的极值点个数与零点个数之差为0或1，定义第二条件为所述上包络线与所述下包络线关于时间轴对称，且信号域任意一点所述均值包络线为0；判断所述差值函数是否同时满足所述第一条件和所述第二条件：若是，则输出一阶本征模态函数；若否，则重复步骤S11-S12，直至所述差值函数同时满足所述第一条件和所述第二条件；
S13、计算所述原始信号与所述一阶本征模态函数之间的差值；
S14、重复上述步骤S11-S13，得到对应的所述本征模态函数以及分解的所述原始信号。
优选的，所述步骤S1中，所述原始信号满足下列关系式：
其中，IMFn表示第n阶本征模态信号，residual表示分解后的残差，k表示分解阶数，X(t)表示所述原始信号。
优选的，所述步骤S2中，所述皮尔逊相关系数r满足下列关系式：
其中，表示所述原始信号的均值，SX表示所述原始信号的方差，IMFi表示第i阶本征模态，/>表示所述本征模态的均值，SIMF表示所述本征模态函数的标准差。
优选的，所述步骤S3中，所述降噪算法基于CEEMDAN算法。
优选的，所述步骤S3中，对所述第二本征模态通过小波软阈值降噪法进行分解，具体包括以下子步骤：
将所述原始信号进行小波包分解，采用三或四层小波分解层数进行分解，将所述原始信号分解为高频系数以及低频系数；
设置阈值准则，将所述高频系数放入软阈值函数进行降噪处理；
进行小波逆转换，将经过处理的所述高频系数进行重构，得到所述第三本征模态。
优选的，所述预设神经网络包括时间卷积网络、双向长短期记忆神经网络以及稀疏概率自注意力机制网络，其中：
所述时间卷积网络用于对所述降噪数据进行特征提取，得到第一特征；
所述双向长短期记忆神经网络用于对所述第一特征的时间序列中时间特征、周期性模式和周期性变化进行处理，得到第二特征；
所述稀疏概率自注意力机制网络用于对所述第二特征的时间序列中长时依赖关系进行捕捉处理，得到第三特征，将所述第三特征作为所述预测结果。
第二方面，本发明还提供一种暖通空调冷量预测系统，包括以下模块：
信号分解模块、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；
分类模块、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；
小波软阈值分解模块、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；
重构模块、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；
预设神经网络模块、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。
第三方面，本发明还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的暖通空调冷量预测方法中的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任意一项所述的暖通空调冷量预测方法中的步骤。
与现有技术相比，本发明提供的一种暖通空调冷量预测方法、系统以及相关设备提供了一种混合降噪算法可以在保留原始信号有效信号的基础上最大程度的去除噪声；同时提供了一种冷量预测模型，解决了预测过程中存在非线性、耦合性和长时依赖问题，提高了预测模型的快速性和准确性；并且能够在利用更少硬件资源的情况下实现自适应数据降噪的高精度预测，以得到下一时刻更高精度的预测冷量，为后续冷水机组优化策略、故障诊断和需求侧管理提供一个准确的参考，从而在满足室内人员舒适性的情况下提高暖通空调运行效率、降低能源消耗以及碳排放量。
附图说明
图1为本发明实施例提供的一种暖通空调冷量预测方法的流程框图；
图2为本发明实施例提供的一种暖通空调冷量预测方法的子流程框图；
图3为本发明实施例提供的一种暖通空调冷量预测方法的时间卷积结构示意图；
图4为本发明实施例提供的一种暖通空调冷量预测方法的长短记忆神经网络单元结构示意图；
图5为本发明实施例提供的一种暖通空调冷量预测方法的稀疏概率自注意力机制示意图；
图6为本发明实施例提供的一种暖通空调冷量预测方法的各模型预测结果对比示意图；
图7为本发明实施例提供的一种暖通空调冷量预测系统示意图；
图8为本发明实施例提供的一种暖通空调冷量预测计算机设备示意图。
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，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
(实施例一)
请参照图1，图1为本发明实施例提供的一种暖通空调冷量预测方法的流程框图，本发明实施例提供的暖通空调冷量预测方法，包括以下步骤：
S1、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数。
在本实施方式中，对原始信号采用完全噪声辅助聚合经验模态分解CEEMD AN降噪算法进行分解，所述完全噪声辅助聚合经验模态分解CEEMDAN降噪算法是对经验模态分解EMD降噪算法、集合经验模态分解EEMD降噪算法的进一步改进，能将正负白噪声改为自适应噪声，每一个阶段求得的本征模态进行平均计算得到最终各本征模态序列。相较于经验模态分解EMD降噪算法、集合经验模态分解EEMD降噪算法，所述完全噪声辅助聚合经验模态分解CEEMD AN降噪算法解决了传统本征模态分解中都存在的模态混叠问题，也极大的减小了本征模态中残留白噪声的问题。
请参照图2，图2为本发明实施例提供的一种暖通空调冷量预测方法的子流程框图，具体步骤如下：
原始信号经过所述完全噪声辅助聚合经验模态分解CEEMDAN降噪算法分解的过程如下：
S11、获得所述原始信号的极小值点和极大值点，再使用三次样条包络线对所述极小值点和所述极大值点进行拟合，获取所述原始信号的上包络线和下包络线，然后根据所述上包络线和所述下包络线计算得到对应的均值包络线。
具体的，所述均值包络线A1(t)满足下列关系式：
其中，Emax(t)表示原始信号的上包络线，Emin(t)表示原始信号的下包络线。
S12、计算所述原始信号与所述均值包络线之间的差值函数，定义第一条件为所述原始信号的极值点个数与零点个数之差为0或1，第二条件为所述上包络线以及所述下包络线关于时间轴对称及信号域任意一点所述均值包络线为0时，判断所述差值函数是否同时满足所述第一条件和所述第二条件，若是，则输出一阶本征模态函数；若否，则重复步骤S11-S12，直至所述差值函数同时满足所述第一条件和所述第二条件。
S13、计算所述原始信号与所述一阶本征模态函数之间的差值。
具体的，所述原始信号与所述一阶本征模态函数之间的差值，满足下列关系式：
R(t)＝X(t)-IMF1；
其中，X(t)表示原始信号，IMF1表示一阶本征模态函数，R(t)表示差值。
S14、重复上述步骤，得到对应的所述本征模态函数，以及分解的所述原始信号。
具体的，所述原始信号满足下列关系式：
其中，IMFn第n阶本征模态信号，residual表示分解后的残差，k表示分解阶数。
S2、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态。
在本实施方式中，为了将完全噪声辅助聚合经验模态分解CEEMDAN降噪算法分解所得的本征模态分成以信号主导和噪声主导的两类，使用皮尔逊相关系数计算原始信号和所得的本征模态之间的相关性，所述皮尔逊相关系数满足下列关系式：
其中，r为所述皮尔逊相关系数，表示所述原始信号的均值，SX表示所述原始信号的方差，IMFi第i阶本征模态，/>表示所述本征模态的均值，SIMF表示所述本征模态函数的标准差。
S3、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态。
在本实施方式中，对第二本征模态进行小波软阈值分解的过程具体步骤如下：将所述原始信号进行小波包分解，采用三或四层小波分解层数进行分解，将所述原始信号分解为高频系数以及低频系数；设置阈值准则，将所述高频系数放入软阈值函数进行降噪处理，低频系数保持不变；进行小波逆转换，将经过处理的所述高频系数进行重构，得到第三本征模态。
S4、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据。
具体的，表【1】示出各降噪算法指标表现。
表【1】各降噪算法指标表现
表【1】中各符号的含义如下：
CEEMDAN表示完全噪声辅助聚合经验模态分解降噪算法；
EMD表示经验模态分解降噪算法；
EEMD表示集合经验模态分解降噪算法；
WaveLet表示小波软阈值降噪算法；
CEEMDAN-WaveLe表示完全噪声辅助聚合经验模态分解降噪算法和小波软阈值降噪算法结合的混合算法。
CL表示需进行降噪处理的冷量特征数据；
Tem表示需进行降噪处理的温度特征数据；
Rhum表示需进行降噪处理的湿度特征数据。
从表1可以看到，本发明所提出的混合降噪算法在信噪比、均方根误差和皮尔逊相关性系数等指标上相比其他降噪算法都取得了最优的结果，信噪比至少提高33.88％、均方根误差降低38％以上以及皮尔逊相关性系数降低0.2％以上。
本发明结合完全噪声辅助聚合经验模态分解CEEMDAN降噪算法以及小波软阈值降噪算法WaveLet，综合了两种降噪算法的优势。与现有技术相比，在保留原始信号的同时，更加有效的去除了噪声信号，解决了采集的工业数据具有高噪声的问题，降低了数据携带高噪声对后续输入预设神经网络的影响。
S5、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。
在本实施方式中，预设神经网络包括以下步骤：
请参照图3，图3是本发明实施例提供的一种暖通空调冷量预测方法的时间卷积结构示意图。
使用时间卷积网络对所述降噪数据进行特征提取，得到第一特征。
具体的，时间卷积神经网络是在一维卷积的基础上引入因果卷积、膨胀卷积和残差连接等结构，使得其在对相关特征进行特征提取时可以很好的捕捉到时间相关的信息，也在一定程度上解决了递归模型中梯度爆炸或消失问题，同还能进行并行化计算。
其中，因果卷积结构是由单个一维卷积层自下而上堆叠形成的层级结构，在因果卷积中，当前层的输出只和前一层中更早时刻的元素做运算。示例性的，有长度为T的时间序列数据xT，以此样本作为输入并根据此输入预测每一个时刻相对应的输出yT的值，则该建模过程可以表示为：
y0,…,yT＝f(x0,…,xT)；
要使得该模型的输出yT在仅依靠x0,…,xT的值的条件下，找到一个使实际值和预测输出误差最小的网络f，但是传统的卷积网络显然是做不到的。因此，对卷积操作进行一些限制之后，就形成了考虑时间先后顺序的因果卷积，相关操作如图3中第一层和第二层连接所示。
输入数据从下层进入，时间先后顺序自左往右，卷积过程中第二层t时刻的输出仅和第一层中t、t-1和t-2时刻的输入做卷积，从而实现了时间顺序的卷积。
虽然因果卷积能够很好地处理时序数据，解决了传统卷积运算导致的未来信息“泄露”到过去的问题。但是当时间序列数据过长，网络要记忆更加久远的信息时，必须很深的卷积层数，使得模型复杂度大大增加，导致训练困难。为了解决该问题，需要采用扩张卷积算法，并与膨胀卷积配合使用。
膨胀卷积的卷积核大小不变，需要更新的参数量不变。膨胀卷积多了一个扩张率参数，控制扩张大小。示例性的，原本一个3x3的核在扩张率为2时其感受野变为7x7。在不改变卷积核大小，增大扩张率参数，使感受野大小呈指数增长，可以让每层卷积的输出结果都包含更大范围的信息。
如下式所示，扩大感受野可以通过增大卷积核大小k和增大扩张率参数d来实现，第n层的感受野大小可以用下式计算。
式中kn为第n层卷积核大小，为每一个卷积核向外扩张的积累偏移量。
对序列元素进行卷积运算的定义如下：
同时，扩张率参数d随着网络深度加深以指数形式增加以保证在深度网络情况下还能记忆非常长远的信息，缓解因果卷积操作计算量大带来的训练困难问题。
通过上述步骤，所述时间卷积神经网络对所述降噪数据的相关特征进行提取，得到第一特征。
请参照图4，图4为本发明实施例提供的一种暖通空调冷量预测方法的长短记忆神经网络单元结构示意图；
构建双向长短期记忆神经网络对所述第一特征的时间序列中时间特征、周期性模式和周期性变化进行处理，得到第二特征；
具体的，长短期记忆神经网络LSTM(long short-term memory neural network)能够深入挖掘第一特征的时间序列中的固有规律，长短期记忆神经网络LSTM单元结构如图4所示。其中包括遗忘门ft、输入门it和输出门ot。Ct-1至Ct这条线被称为储存单元用于上一时刻和当前时刻历史数据信息，Ct-1是上一个时间步的状态信息，Ct是当前时间步的状态信息，表示单元状态更新值；ht-1为上一时间节点的隐藏状态，ht为当前节点的隐藏状态，xt为当前时间步的输入。
长短期记忆神经网络LSTM单元的运行过程分三个阶段，第一阶段：遗忘阶段，决定Ct-1被遗忘的程度，满足下列关系式：
ft＝σ(wf·[ht-1,xt]+bf)；
ft为Ct-1的一个系数，直接决定了上一时间步状态信息被遗忘了多少；第二阶段：输入门，确定需要记忆的信息xt和ht-1，用于储存单元更新上一个节点状态值Ct-1，而it用于控制的哪些特征用于更新/>且满足下列关系式：
it＝σ(wi·[ht-1,xt]+bi)；
最后更新当前时间步的状态信息，满足下列关系式：
第三阶段为输出门，计算预测值的同时生成下一个时间步的隐藏状态，满足下列关系式：
ot＝σ(wo·[ht-1,xt]+bo)；
ht＝ot*tanh(ct)；
式中：σ为Sigmoid激活函数，其函数形式满足下列关系式：
tanh为双曲正切函数，函数形式满足下列关系式：
上述关系式中，*为乘法操作，·为点乘，wf、wi和wo为xt的权重参数，bf、bi和bo表示ht的偏置项。
长短期记忆神经网络LSTM运用3个门结构控制信息的输入和输出，让信息有选择性的进行传播，长短期记忆神经网络LSTM正是利用其每个单元对信息的筛选功能，将长短期记忆神经网络LSTM单元串联起来，从而实现学习有具有时间特性和周期性特征数据的内在时间序列关系，实现未来时间内相关数据的预测。通过这种方式将第一特征处理，得到第二特征。
使用稀疏概率自注意力机制对所述第二特征的时间序列中长时依赖关系进行捕捉处理，得到第三特征，将所述第三特征作为预测结果输出。
请参照图5为本发明实施例提供的一种暖通空调冷量预测方法的稀疏概率自注意力机制示意图。
具体的，将第二特征通过线性变换得到查询矩阵Q、键值对矩阵K和值矩阵V，再进行拆分成多个头(子空间)进行不同权重的计算，最后拼接得到最终注意力分数，在加强注意力的同时提高了计算效率。
通过稀疏概率自注意力机制对注意力分数进行稀疏性指标评价并降序排序，然后确定出的采样个数在稀疏性降序排序结果中选出需采样个数，再进行注意力分数计算。其中，注意力机制指在计算能力有限的情况下，将计算资源分配给更重要的任务，同时解决信息超载的问题。
随后再进行点乘、放缩、归一化指数函数Softmax和最后的点乘得到第三特征，将所述第三特征作为预测结果输出。
现有技术中的多头自注意力机制存在长尾效应，使得注意力机制作用减弱，而稀疏概率自注意力机制将采样原理引入到注意力机制中，在一定程度解决了长尾效应同时在不影响模型的性能的情况下使得其计算复杂度从o(L2)降低到o(LlnL)，缩短了训练时间。
同时，使用稀疏概率自注意力机制对时间序列中的长时依赖关系进行捕捉，使得冷量预测模型更加关注更为重要的时间步。从而提高了所述冷量预测模型的精度，为暖通空调系统的最优控制、故障诊断和诊断策略、二氧化碳减排和需求侧管理等节能降碳提供参考。
请参照图6，图6是本发明实施例提供的一种暖通空调冷量预测方法的各模型预测结果对比示意图。
表2示出各预测模型指标表现
【表2】各预测模型指标表现
表【2】中各符号的含义如下：
ANN(Artificial Neural Network)表示人工神经网络模型；
BiLSTM(Bi-directional Long Short-Term Memory)表示双向长短期记忆模型；
BiLSTM-MHSA(Bi-directional Long Short-Term Memory+Multi-headed Self-attention)表示双向长短期记忆模型结合多头自注意力机制的模型；
BiLSTM-SPSA(Bi-directional Long Short-Term Memory+SparseProbabilistic Self-Attention Mechanism)表示双向长短期记忆模型结合稀疏概率自注意力机制；
CNN-BiLSTM-SPSA(Convolutional Neural Networks+Bi-directional LongShort-Term Memory+Sparse Probabilistic Self-Attention Mechanism)表示卷积神经网络、双向长短期记忆模型以及稀疏概率自注意力机制结合的模型；
TLS：表示本发明所提供的冷量预测模型。
RMSE表示均方根误差，用于衡量真实值和预测值之间差异的标准差；
MAE：表示平均绝对误差，用于评估真实值和预测值之间的绝对差值；
MAPE：表示绝对百分比误差，用于衡量真实值和预测值之间偏差百分比的指标；
R2：表示决定系数，用于衡量真实值曲线与预测值曲线之间的拟合程度。
对比了本发明实施例所提出的预测模型与常用算法的预测结果，相关指标值如表2所示，本发明实施例所提出的预测模型与常用算法相比，MAE、MAPE和RMSE三个指标分别降低了28.89％-62.48％不等，而R2提高了2％-18.70％不等，而引入稀疏概率自注意力机制后预测性能基本不变而训练时间缩短了3.5％；预测结果如图6所示，从图中可知所提出的TLS多变量预测模型预测效果最佳，无论在低点和高点都能实现有效的高精度预测；而CNN-BiLSTM-SPSA虽然在某些低点的预测效果略优于本发明所提出模型，但其高点预测效果与所提的TLS预测模型相比还是有较大差距；而其他预测模型都能预测出其基本趋势，但预测精度上有待提高。
与现有技术相比，本发明提供的一种暖通空调冷量预测方法、系统以及相关设备提供了一种混合降噪算法可以在保留原始信号有效信号的基础上最大程度的去除噪声；同时提供了一种冷量预测模型，解决了预测过程中存在非线性、耦合性和长时依赖问题，提供了预测模型的快速性和准确性；并且能够在利用更少硬件资源的情况下实现自适应数据降噪的高精度预测，以得到下一时刻更高精度的预测冷量，为后续冷水机组优化策略、故障诊断和需求侧管理提供一个准确的参考，从而在满足室内人员舒适性的情况下提高暖通空调运行效率、降低能源消耗以及碳排放量。
(实施例二)
本发明实施例还提供一种暖通空调冷量预测系统，请参照图7，图7是本发明实施例提供的暖通空调冷量预测系统200的结构示意图，其包括：
201、信号分解模块、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数。
202、分类模块、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态。
203、小波软阈值分解模块、对所述第二本征模态进行小波软阈值分解，得到第三本征模态。
204、重构模块、将所述第一本征模态和所述第三本征模态进行重构，最终得到降噪数据。
205、预设神经网络模块、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。
所述系统200能够实现如上述实施例中的暖通空调冷量预测方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
(实施例三)
本发明实施例还提供一种计算机设备，请参照图8，图8是本发明实施例提供的计算机设备的结构示意图，所述计算机设备300包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的计算机程序。
所述处理器301调用所述存储器302存储的计算机程序，执行本发明实施例提供的暖通空调冷量预测方法中的步骤，请结合图8，具体包括以下步骤：
S1、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；
S2、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；
S3、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；
S4、将所述第一本征模态和所述第三本征模态进行重构，最终得到降噪数据；
S5、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果。
本发明实施例提供的计算机设备300能够实现如上述实施例中的暖通空调冷量预测方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
(实施例四)
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的暖通空调冷量预测方法中的各个过程及步骤，且能实现相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。
Claims (8)
1.一种暖通空调冷量预测方法，其特征在于，包括以下步骤：
S1、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；
S2、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；
S3、对所述第二本征模态通过小波软阈值降噪法进行分解，得到第三本征模态；
S4、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；
S5、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果；其中，对所述第二本征模态通过小波软阈值降噪法进行分解，具体包括以下子步骤：
将所述原始信号进行小波包分解，采用三或四层小波分解层数进行分解，将所述原始信号分解为高频系数以及低频系数；
设置阈值准则，将所述高频系数放入软阈值函数进行降噪处理；
进行小波逆转换，将经过处理的所述高频系数进行重构，得到所述第三本征模态；
所述预设神经网络包括时间卷积网络、双向长短期记忆神经网络以及稀疏概率自注意力机制网络，其中：
所述时间卷积网络用于对所述降噪数据进行特征提取，得到第一特征；
所述双向长短期记忆神经网络用于对所述第一特征的时间序列中时间特征、周期性模式和周期性变化进行处理，得到第二特征；
所述稀疏概率自注意力机制网络用于对所述第二特征的时间序列中长时依赖关系进行捕捉处理，得到第三特征，将所述第三特征作为所述预测结果。
2.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述步骤S1中，将所述原始信号分解包括以下步骤：
S11、获得所述原始信号的极小值点和极大值点，再使用三次样条包络线对所述极小值点和所述极大值点进行拟合，获取所述原始信号的上包络线和下包络线，然后根据所述上包络线和所述下包络线计算得到均值包络线；
S12、计算所述原始信号与所述均值包络线之间的差值函数，定义第一条件为所述原始信号的极值点个数与零点个数之差为0或1，定义第二条件为所述上包络线与所述下包络线关于时间轴对称，且信号域任意一点所述均值包络线为0；判断所述差值函数是否同时满足所述第一条件和所述第二条件：若是，则输出一阶本征模态函数；若否，则返回步骤S11；
S13、计算所述原始信号与所述一阶本征模态函数之间的差值；
S14、重复上述步骤S11-S13，得到对应的所述本征模态函数以及分解的所述原始信号。
3.如权利要求2所述的暖通空调冷量预测方法，其特征在于，所述步骤S1中，所述原始信号满足下列关系式：
其中，IMFn表示第n阶本征模态信号，residual表示分解后的残差，k表示分解阶数，X(t)表示所述原始信号。
4.如权利要求3所述的暖通空调冷量预测方法，其特征在于，所述步骤S2中，所述皮尔逊相关系数r满足下列关系式：
其中，表示所述原始信号的均值，SX表示所述原始信号的方差，IMFi表示第i阶本征模态，/>表示所述本征模态的均值，SIMF表示所述本征模态函数的标准差。
5.如权利要求1所述的暖通空调冷量预测方法，其特征在于，所述降噪算法基于CEEMDAN算法。
6.一种暖通空调冷量预测系统，其特征在于，包括以下模块：
信号分解模块、通过降噪算法将原始信号分解成多个本征模态和残差的形式，多个所述本征模态组成本征模态函数；
分类模块、使用皮尔逊相关系数将所述本征模态分类成由有效信号主导的第一本征模态和由噪声主导的第二本征模态；
小波软阈值分解模块、对所述第二本征模态进行小波软阈值分解，得到第三本征模态；其中，对所述第二本征模态通过小波软阈值降噪法进行分解，具体包括以下子步骤：
将所述原始信号进行小波包分解，采用三或四层小波分解层数进行分解，将所述原始信号分解为高频系数以及低频系数；
设置阈值准则，将所述高频系数放入软阈值函数进行降噪处理；
进行小波逆转换，将经过处理的所述高频系数进行重构，得到所述第三本征模态；重构模块、将所述第一本征模态和所述第三本征模态进行重构，得到降噪数据；
预设神经网络模块、将所述降噪数据作为预设神经网络的输入，最终得到冷量预测模型，并根据所述冷量预测模型用于对暖通空调冷量进行预测，得到所述暖通空调冷量的预测结果所述预设神经网络包括时间卷积网络、双向长短期记忆神经网络以及稀疏概率自注意力机制网络，其中：
所述时间卷积网络用于对所述降噪数据进行特征提取，得到第一特征；
所述双向长短期记忆神经网络用于对所述第一特征的时间序列中时间特征、周期性模式和周期性变化进行处理，得到第二特征；
所述稀疏概率自注意力机制网络用于对所述第二特征的时间序列中长时依赖关系进行捕捉处理，得到第三特征，将所述第三特征作为所述预测结果。
7.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的暖通空调冷量预测程序，所述处理器执行所述暖通空调冷量预测程序时实现如权利要求1至5中任意一项所述的暖通空调冷量预测方法中的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有暖通空调冷量预测程序，所述暖通空调冷量预测程序被处理器执行时实现如权利要求1至5中任意一项所述的暖通空调冷量预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310674947.XA CN116578844B (zh) | 2023-06-07 | 2023-06-07 | 暖通空调冷量预测方法、系统及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310674947.XA CN116578844B (zh) | 2023-06-07 | 2023-06-07 | 暖通空调冷量预测方法、系统及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578844A CN116578844A (zh) | 2023-08-11 |
| CN116578844B true CN116578844B (zh) | 2024-01-26 |
Family
ID=87539678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310674947.XA Active CN116578844B (zh) | 2023-06-07 | 2023-06-07 | 暖通空调冷量预测方法、系统及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578844B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
| CN115438301A (zh) * | 2022-10-26 | 2022-12-06 | 北京建筑大学 | 一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法 |
| CN116070768A (zh) * | 2023-02-16 | 2023-05-05 | 重庆邮电大学 | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
-
2023
- 2023-06-07 CN CN202310674947.XA patent/CN116578844B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
| CN115438301A (zh) * | 2022-10-26 | 2022-12-06 | 北京建筑大学 | 一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法 |
| CN116070768A (zh) * | 2023-02-16 | 2023-05-05 | 重庆邮电大学 | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578844A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
| CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
| CN112434888A (zh) | 一种基于深度学习的双向长短期记忆网络的pm2.5预测方法 | |
| CN113435666A (zh) | 一种基于车辆运行状态的商用车油耗预测方法及系统 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
| CN116578844B (zh) | 暖通空调冷量预测方法、系统及相关设备 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN111144473B (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN117076851A (zh) | 一种基于ICEEMD-ICA-BiLSTM的风速预测方法 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN115481816A (zh) | 基于互补集成经验模分解的时空卷积短时交通流预测方法 | |
| CN113408183A (zh) | 基于预测模型的车辆基地短期复合预测方法 | |
| CN113569460A (zh) | 实车燃料电池系统状态多参数预测方法及装置 | |
| CN111179596B (zh) | 基于组归一化和网格化协同的交通流预测方法 | |
| CN113688774B (zh) | 基于深度学习的高层建筑风致响应预测、训练方法及装置 | |
| CN116388165A (zh) | 基于LSTM-ElasticNet模型的短期用电负荷预测方法 | |
| Li et al. | Forecasting of provincial tourist population based on grey neural network |
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 |