CN116989442A - 一种中央空调负荷预测方法及系统 - Google Patents
一种中央空调负荷预测方法及系统 Download PDFInfo
- Publication number
- CN116989442A CN116989442A CN202310894051.2A CN202310894051A CN116989442A CN 116989442 A CN116989442 A CN 116989442A CN 202310894051 A CN202310894051 A CN 202310894051A CN 116989442 A CN116989442 A CN 116989442A
- Authority
- CN
- China
- Prior art keywords
- central air
- air conditioner
- load
- representing
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000005265 energy consumption Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 34
- 238000004378 air conditioning Methods 0.000 claims description 32
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- RDJLIBMVLWBMKX-UHFFFAOYSA-N 1-(3,4-dihydro-2h-chromen-2-ylmethyl)piperidine Chemical compound C1CC2=CC=CC=C2OC1CN1CCCCC1 RDJLIBMVLWBMKX-UHFFFAOYSA-N 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种中央空调负荷预测方法及系统，该方法包括：获取中央空调工作时影响负荷状态的自然变量数据集，基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；然后构建中央空调负荷的损失函数，利用预设的能耗优化算法对初始预测结果进行处理，得到中央空调负荷数据的目标预测结果，其中，预测模型基于预设的神经网络模型训练得到。本发明利用神经网络模型对中央空调的负荷进行预测，得到冷水机组预先调节所需调节参数，并利用梯度下降算法对中央空调的能耗进行优化，能够对中央空调的负荷进行预调节，避免参数调节缓慢导致的能耗浪费。
Description
技术领域
本发明涉及建筑节能技术领域，具体涉及一种中央空调负荷预测方法及系统。
背景技术
中央空调系统利用水源热泵技术，以水作为冷热源为建筑物集中供冷供热，是清洁可再生能源在建筑节能领域的重要应用方向。中央空调系统夏季以一定温度的水作为空调系统的冷却水，利用水源热泵系统制取空调冷水；冬季利用水源热泵系统提取恒温水来制取空调热水，满足供冷供热需求。
但是现有的中央空调系统具有时滞长，延迟大的特点，导致中央空调的负荷无法根据现场使用环境进行对应调整，使得中央空调系统无法尽快的达到最优的负荷设定。
因此，如何利用现有负荷数据对中央空调负荷进行预测，以提升中央空调系统的运行效率成为当前技术领域工作人员急需解决的问题。
发明内容
有鉴于此，有必要提供一种中央空调负荷预测方法及系统，以提升中央空调系统的运行效率。
为了实现上述目的，本发明提供了一种中央空调负荷预测方法，包括：
获取中央空调工作时影响负荷状态的自然变量数据集；
基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
在一种可能的实现方式中，所述自然变量数据集包括温度、湿度、相对湿度、太阳天顶角、地表反射、地面温度、太阳方位角和空调负荷中的至少两者。
在一种可能的实现方式中，在所述获取中央空调工作时影响负荷状态的自然变量数据集后，还包括：
对所述自然变量数据集进行预处理，所述预处理包括采样清理、弥补、光滑、合并和标准化处理。
在一种可能的实现方式中，所述神经网络模型包括AM-LSTM神经网络模型。
在一种可能的实现方式中，所述AM-LSTM神经网络模型包括遗忘门、输入门、新记忆单元和输出门；
所述遗忘门的计算表达式为：
ft＝σ(U(f)xt+W(f) t-1+bf)；
所述输入门的计算表达式为：
it＝σ(U(i)xt+W(i) t-1+bi)；
所述新记忆单元的计算表达式为：
所述输出门的计算表达式为：
ot＝σ(U(o)xt+W(o) t-1+bo)；
隐藏状态的计算表达式为：
t＝ot·tan(st)；
记忆状态的计算表达式为：
st＝ft·st-1+it·st；
其中，ft表示遗忘门，it表示输入门，表示新记忆单元，ot表示输出门，t表示隐藏状态，st表示记忆状态，xt表示当前时刻的输入，t-1表示上一时刻的输出，tan表示激活函数，σ表示隐藏状态的激活函数，U(f)、U(i)、U(c)和U(o)表示当前时刻输入的权重矩阵，W(f)、W(i)、W(c)和W(o)表示前一时刻输出的权重矩阵，bf、bi、bc和bo表示偏置向量，st-1表示上一时刻的记忆状态。
在一种可能的实现方式中，所述AM-LSTM神经网络模型的表达式为：
其中，表示上一个时刻输出值注意力的中间量，/>表示权重，ct-1表示上一时刻的细胞状态，Wq和Ul表示模型的系数矩阵，Bl表示神经网络模型的偏置向量，/>表示/>的归一化指数函数。
在一种可能的实现方式中，所述中央空调负荷的损失函数的表达式为：
f(θt)＝pi-pn；
θt+1＝θt-αf′(θt)；
Pi＝C水·ΔT·Qd；
其中，f(θt)表示中央空调负荷的损失函数，Pi表示中央空调初始化的负荷数据，Pn表示中央空调负荷数据的初始预测结果，θt表示当前时刻损失函数的变量，θt+1表示下一时刻损失函数的变量，α表示梯度下降的步长，C水表示水的比热容，ΔT表示冷冻水回水与出水的温差，Qd表示冷冻水的流量。
在一种可能的实现方式中，所述能耗优化算法为梯度下降法。
在一种可能的实现方式中，所述梯度下降法表达式为：
其中，mt表示梯度第一时刻平均值，表示第一时刻的上一时刻的权重，vt表示第二时刻的方差，/>表示第二时刻的上一时刻的权重，η表示学习率，ε表示预设常数。
为了实现上述目的，本发明还提供了一种中央空调负荷预测系统，包括：
数据获取模块，用于获取中央空调工作时影响负荷状态的自然变量数据集；
初始预测模块，用于基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
目标预测模块，用于构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
采用上述实施例的有益效果是：在获取中央空调工作时影响负荷状态的自然变量数据集后，基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；然后构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果，其中，预测模型基于预设的神经网络模型训练得到。本发明利用神经网络模型对中央空调的负荷得到冷水机组预先调节所需调节参数，并利用能耗优化算法对中央空调的能耗进行优化，能够对中央空调的负荷进行预调节，避免参数调节缓慢导致的能耗浪费。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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为本发明提供的一种中央空调负荷预测方法的一个实施例的流程示意图；
图2为本发明提供的一种中央空调负荷预测方法的一个实施例中影响负荷的自然变量因素的热力图；
图3为本发明提供的一种中央空调负荷预测方法的一个实施例中AM-LSTM模型的结构示意图；
图4为本发明提供的一种中央空调负荷预测方法的一个实施例中训练结果和测试结果的对比图；
图5为本发明提供的一种中央空调负荷预测系统的一个实施例的结构示意图。
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，所描述的实施例仅仅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。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
本发明实施例提供了一种中央空调负荷预测方法及系统以下分别进行说明。
目前在北京，东北等地区的供热领域已有公司开始研究和推广基于人工智能的智慧供热/冷技术，并取得了较好的节能效果。但利用过去的数据预测未来负荷从而作为制冷制热多少的依据流程更加繁琐，本发明利用AM-LSTM预测得到调节参数数据使冷水机组预先调节其所需调节参数，使系统尽快达到最优化状态运行。利用本发明提供中央空调负荷预测方法及系统能够使中央空调系统效率更高,达到节能减排的效果。将其推广至全国大型中央空调系统,不仅能够节约能源，而且能更早达到碳中和的目标。
图1为本发明提供的一种中央空调负荷预测方法的一个实施例的流程示意图。
参照图1，本发明提供了一种中央空调负荷预测方法，包括：
S101、获取中央空调工作时影响负荷状态的自然变量数据集；
S102、基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
S103、构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
采用上述实施例的有益效果是：在获取中央空调工作时影响负荷状态的自然变量数据集后，基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；然后构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果，其中，预测模型基于预设的神经网络模型训练得到。本发明利用神经网络模型对中央空调的负荷得到冷水机组预先调节所需调节参数，并利用梯度下降算法对中央空调的能耗进行优化，能够对中央空调的负荷进行预调节，避免参数调节缓慢导致的能耗浪费。
在一种实施例中，所述自然变量数据集包括温度、湿度、相对湿度、太阳天顶角、地表反射、地面温度、太阳方位角和空调负荷中的至少两者。
进一步地，在获取中央空调工作时影响负荷状态的自然变量数据集后，还包括：利用皮尔逊相关系数对自然变量数据和中央空调负荷进行相关性评估。
具体地，采用TRNSY仿真软件，通过对其房间的相关构造以及温度(T)、湿度(H)、相对湿度(R-H)、太阳天顶角(Z-A)、地表反射(S-F)、地面温度(S-T)、太阳方位角(S-Z)、空调负荷(L)等自然变量数据作为特征变量对空调负荷进行预测,得到负荷数据，并采用皮尔逊相关系数分析各个变量之间的相关性。
皮尔逊相关系数(Pearson product moment correlation coefficient，简称PPMCC)通常用于判断两组数据间的线性相关程度，PPMCC是两个变量之间的协方差与其标准差之比，其结果为处于-1和1之间的值。且PPMCC大于0时，代表这两组数据具备线性正相关的关系，且PPMCC的绝对值越接近于1，代表正相关性越强，越接近于0，代表正相关性越弱；反之，PPMCC小于0时，代表这两个变量线性负相关的关系。
PPMCC的计算公式为：
其中，xi表示其他自然因素在时刻i的值，表示该自然因素序列的均值，yi表示目标空调负荷序列在时刻i处的值，n表示自然因素序列的长度。
图2为本发明提供的一种中央空调负荷预测方法的一个实施例中影响负荷的自然变量因素的热力图。
参数图2，可以得到对中央空调的负荷影响因素较大的自然变量为温度、相对湿度和地表温度。
在一种实施例中，在所述获取中央空调工作时影响负荷状态的自然变量数据集后，还包括：
对所述自然变量数据集进行预处理，所述预处理包括采样清理、弥补、光滑、合并和标准化处理。
图3为本发明提供的一种中央空调负荷预测方法的一个实施例中AM-LSTM模型的结构示意图。
参照图3，在一种实施例中，所述神经网络模型包括AM-LSTM神经网络模型。
由于不同自然变量数据在时间序列上对负荷数据的影响不一样，注意力模型(AM模型)可以对输入至长短期记忆神经网络(LSTM模型)中的不同自然变量数据赋予不同的权重，从而增强负荷对不同天气数据影响的关注度,提高预测负荷数据的精度。AM-LSTM模型结构由LSTM模型和AM模型组成。AM模型的输入序列是影响负荷数据不同的自然因素数据，注意力层提取的是上一个LSTM层输出的时序天气负荷数据的权重信息，并对上一个LSTM层的输出结果进行平均加权，然后用当前的输入序列与权重系数模拟形变效果，输出到全连接层输出结果，最后通过反归一化得到其结果。
具体地，所述AM-LSTM神经网络模型包括遗忘门、输入门、新记忆单元和输出门；
所述遗忘门的计算表达式为：
ft＝σ(U(f)xt+W(f) t-1+bf)；
所述输入门的计算表达式为：
it＝σ*U(i)xt+W(i) t-1+bi)；
所述新记忆单元的计算表达式为：
所述输出门的计算表达式为：
ot＝σ(U(o)xt+W(o) t-1+bo)；
隐藏状态的计算表达式为：
t＝ot·tan(st)；
记忆状态的计算表达式为：
st＝ft·st-1+it·st；
其中，ft表示遗忘门，it表示输入门，表示新记忆单元，ot表示输出门，t表示隐藏状态，st表示记忆状态，xt表示当前时刻的输入，t-1表示上一时刻的输出，tan表示激活函数，σ表示隐藏状态的激活函数，U(f)、U(i)、U(c)和U(o)表示当前时刻输入的权重矩阵，W(f)、W(i)、W(c)和W(o)表示前一时刻输出的权重矩阵，bf、bi、bc和bo表示偏置向量，st-1表示上一时刻的记忆状态。
具体地，所述AM-LSTM神经网络模型的表达式为：
其中，表示上一个时刻输出值注意力的中间量，/>表示权重，ct-1表示上一时刻的细胞状态，Wq和Ul表示模型的系数矩阵，Bl表示神经网络模型的偏置向量，/>表示/>的归一化指数函数。
softmax函数用于对进行标准化处理，以保证/>的权重之和为1，并将重新赋予权重后的序列输入到LSTM模型中进行训练。
具体地，所述能耗优化算法为梯度下降法。
需要解释地是，首先我们要引入LSTM神经网络模型,进行模块化的网络构造，其次将LSTM神经网络模型中的LSTM层作为一个输入,使上一个LSTM结构的输出输入到注意力层(AM)中使其对上一个输出的数据进行加权分配,能够使新输入的特征更好的将其分配给系统进行学习预测,加强重要特征，削弱无用特征。在构造的时候，我们可以选择多层LSTM层,但是这样对增加网络的饱和度，会使得预测出来的曲线过度饱和，因此，在一种实施例中我们可以选取为两层LSTM层的结构，最后选择全连接层(dense层)作为输出。在进行参数的选择的过程中，当预测的步数不一样，dense输出层的输出结果也要进行更改，因此需要通过设定达到输入和输出的步长可调的目的。最后对预测的数据，按照预处理过程中的数据的变化进行反归一化以得到相匹配的曲线对中央空调负荷数据进行预测处理。
在一种实施例中，在获取中央空调工作时影响负荷状态的自然变量数据集后，还包括：
将处理好的自然变量数据集按照预设比例划分为训练集和测试集。
在进行AM-LSTM神经网络模型的训练过程中，采用超参数网格搜索法进行最优超参数寻找，并且在尝试完不同的超参数后得到一组最优参数。例如：将两层神经元节点数分别设置为30和30，模型优化器使用Adam，单次用以训练的数据(样本)个数设置为256，模型均训练80个轮次，使用MISO(多输入单输出)策略进行多步预测。
图4为本发明提供的一种中央空调负荷预测方法的一个实施例中训练结果和测试结果的对比图。
参照图4，可以看出，随着AM-LSTM神经网络模型训练次数的增加，训练误差和测试误差之间的区别是整体减小的，两者在后期几乎平稳,接近于0，体现出AM-LSTM神经网络模型的收敛性。
在一种可能的实现方式中，所述中央空调负荷的损失函数的表达式为：
f(θt)＝pi-pn；
θt+1＝θt-αf′(θt)；
Pi＝C水·ΔT·Qd；
其中，f(θt)表示中央空调负荷的损失函数，Pi表示中央空调初始化的负荷数据，Pn表示中央空调负荷数据的初始预测结果，θt表示当前时刻损失函数的变量，θt+1表示下一时刻损失函数的变量，α表示梯度下降的步长，C水表示水的比热容，ΔT表示冷冻水回水与出水的温差，Qd表示冷冻水的流量。
需要解释的是，本发明将预测出的数据作为输入，与当前冷水机组的能耗方程建立起联系，构建起损失函数，并利用梯度下降法作为能耗优化的算法，达到优化模型的目的。
进一步地，所述梯度下降法表达式为：
其中，mt表示梯度第一时刻平均值，表示第一时刻的上一时刻的权重，vt表示第二时刻的方差，/>表示第二时刻的上一时刻的权重，η表示学习率，ε表示预设常数。
需要解释的是，所以我们将采取梯度下降法来作为其能耗优化的算法。梯度下降法即自适应时刻估计方法(Adaptive Moment Estimation)，梯度下降法能够计算每个参数的自适应学习率。通过梯度下降法能够存储先前平方梯度的指数衰减平均值，而且保持了先前梯度mt的指数衰减平均值。
利用梯度下降法优化的基本原理为：通过建立误差函数，对其误差函数的导数不断进行减少，当其值减小到一个极小值时，便是我们空调机组所制得到得负荷与预测到的负荷相等的时候，或者存在一个可以接受的误差，以达到能效最高的状态运行。
图5为本发明提供的一种中央空调负荷预测系统的一个实施例的结构示意图。
参照图5，本发明还提供了一种中央空调负荷预测系统，包括：
数据获取模块501，用于获取中央空调工作时影响负荷状态的自然变量数据集；
初始预测模块502，用于基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
目标预测模块503，用于构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
采用上述实施例的有益效果是：数据获取模块501在获取中央空调工作时影响负荷状态的自然变量数据集后，初始预测模块502基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；目标预测模块503构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果，其中，预测模型基于预设的神经网络模型训练得到。本发明利用神经网络模型对中央空调的负荷得到冷水机组预先调节所需调节参数，并利用梯度下降算法对中央空调的能耗进行优化，能够对中央空调的负荷进行预调节，避免参数调节缓慢导致的能耗浪费。
上述实施例提供的是一种中央空调负荷预测系统可实现上述一种中央空调负荷预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可一种中央空调负荷预测方法实施例中的相应内容，此处不再赘述。
以上对本发明所提供的一种中央空调负荷预测方法及系统进行了详细介绍，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，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种中央空调负荷预测方法，其特征在于，包括：
获取中央空调工作时影响负荷状态的自然变量数据集；
基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
2.根据权利要求1所述的中央空调负荷预测方法，其特征在于，所述自然变量数据集包括温度、湿度、相对湿度、太阳天顶角、地表反射、地面温度、太阳方位角和空调负荷中的至少两者。
3.根据权利要求1所述的中央空调负荷预测方法，其特征在于，在所述获取中央空调工作时影响负荷状态的自然变量数据集后，还包括：
对所述自然变量数据集进行预处理，所述预处理包括采样清理、弥补、光滑、合并和标准化处理。
4.根据权利要求1所述的中央空调负荷预测方法，其特征在于，所述神经网络模型包括AM-LSTM神经网络模型。
5.根据权利要求4所述的中央空调负荷预测方法，其特征在于，所述AM-LSTM神经网络模型包括遗忘门、输入门、新记忆单元和输出门；
所述遗忘门的计算表达式为：
ft＝σ(U(f)xt+W(f) t-1+bf)；
所述输入门的计算表达式为：
it＝σ(U(i)xt+W(i) t-1+bi)；
所述新记忆单元的计算表达式为：
所述输出门的计算表达式为：
ot＝σ(U(o)xt+W(o) t-1+bo)；
隐藏状态的计算表达式为：
t＝ot·tan(st)；
记忆状态的计算表达式为：
st＝ft·st-1+it·st；
其中，ft表示遗忘门，it表示输入门，表示新记忆单元，ot表示输出门，t表示隐藏状态，st表示记忆状态，xt表示当前时刻的输入，t-1表示上一时刻的输出，tan表示激活函数，σ表示隐藏状态的激活函数，U(f)、U(i)、U(c)和U(o)表示当前时刻输入的权重矩阵，W(f)、W(i)、W(c)和W(o)表示前一时刻输出的权重矩阵，bf、bi、bc和bo表示偏置向量，st-1表示上一时刻的记忆状态。
6.根据权利要求5所述的中央空调负荷预测方法，其特征在于，所述AM-LSTM神经网络模型的表达式为：
其中，表示上一个时刻输出值注意力的中间量，/>表示权重，ct-1表示上一时刻的细胞状态，Wq和Ul表示模型的系数矩阵，Bl表示神经网络模型的偏置向量，/>表示/>的归一化指数函数。
7.根据权利要求1所述的中央空调负荷预测方法，其特征在于，所述中央空调负荷的损失函数的表达式为：
f(θt)＝Pi-Pn；
θt+1＝θt-αf′(θt)；
Pi＝C水·ΔT·Qd；
其中，f(θt)表示中央空调负荷的损失函数，Pi表示中央空调初始化的负荷数据，Pn表示中央空调负荷数据的初始预测结果，θt表示当前时刻损失函数的变量，θt+1表示下一时刻损失函数的变量，α表示梯度下降的步长，C水表示水的比热容，ΔT表示冷冻水回水与出水的温差，Qd表示冷冻水的流量。
8.根据权利要求7所述的中央空调负荷预测方法，其特征在于，所述能耗优化算法为梯度下降法。
9.根据权利要求8所述的中央空调负荷预测方法，其特征在于，所述梯度下降法表达式为：
其中，mt表示梯度第一时刻平均值，表示第一时刻的上一时刻的权重，vt表示第二时刻的方差，/>表示第二时刻的上一时刻的权重，η表示学习率，ε表示预设常数。
10.一种中央空调负荷预测系统，其特征在于，包括：
数据获取模块，用于获取中央空调工作时影响负荷状态的自然变量数据集；
初始预测模块，用于基于预测模型对所述自然变量数据集进行分析，得到中央空调负荷数据的初始预测结果；
目标预测模块，用于构建所述中央空调负荷的损失函数，利用预设的能耗优化算法对所述初始预测结果进行处理，得到所述中央空调负荷数据的目标预测结果；
其中，所述预测模型基于预设的神经网络模型训练得到，所述神经网络模型包括依次堆叠的至少一个LSTM层、全连接层和注意力层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894051.2A CN116989442A (zh) | 2023-07-19 | 2023-07-19 | 一种中央空调负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310894051.2A CN116989442A (zh) | 2023-07-19 | 2023-07-19 | 一种中央空调负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116989442A true CN116989442A (zh) | 2023-11-03 |
Family
ID=88525867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310894051.2A Pending CN116989442A (zh) | 2023-07-19 | 2023-07-19 | 一种中央空调负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116989442A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
| CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
| CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
-
2023
- 2023-07-19 CN CN202310894051.2A patent/CN116989442A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
| CN117450688B (zh) * | 2023-12-26 | 2024-03-29 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
| CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
| CN117743974B (zh) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
| CN117909928A (zh) * | 2024-03-19 | 2024-04-19 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
| CN117909928B (zh) * | 2024-03-19 | 2024-05-28 | 国网四川省电力公司成都供电公司 | 基于大数据分析的空调负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Using long short-term memory networks to predict energy consumption of air-conditioning systems | |
| Afram et al. | Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system | |
| Kumar et al. | Energy analysis of a building using artificial neural network: A review | |
| CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
| Kalogirou | Applications of artificial neural-networks for energy systems | |
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| US20190360711A1 (en) | Method and device for controlling power supply to heating, ventilating, and air-conditioning (hvac) system for building based on target temperature | |
| CN111932015B (zh) | 一种区域供冷供热冷热量负荷的预测方法及系统 | |
| CN111795484A (zh) | 一种智慧空调控制方法和系统 | |
| Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
| CN111561734B (zh) | 基于人工智能的供暖户阀调节方法、系统及设备 | |
| CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
| CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
| CN111461466B (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| Homod et al. | Dynamics analysis of a novel hybrid deep clustering for unsupervised learning by reinforcement of multi-agent to energy saving in intelligent buildings | |
| CN104636800A (zh) | 基于最小二乘加权的冷冻站系统神经网络优化单元及其方法 | |
| Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
| Li et al. | A clustering-based approach for “cross-scale” load prediction on building level in HVAC systems | |
| Cui | District heating load prediction algorithm based on bidirectional long short-term memory network model | |
| Zhao et al. | Heating load prediction of residential district using hybrid model based on CNN | |
| CN111598225A (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
| Zhang et al. | High spatial granularity residential heating load forecast based on Dendrite net model | |
| 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 | |
| Zhou et al. | Elastic weight consolidation-based adaptive neural networks for dynamic building energy load prediction modeling | |
| Sretenović et al. | Support vector machine for the prediction of heating energy use |
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 |