一种空调负荷预测方法、装置及存储介质与流程

本发明涉及空调符合预测技术领域，尤其涉及一种加空调负荷预测方法、装置及存储介质。

背景技术：

我国建筑能耗占社会整体能耗的20％，而供暖、通风和空调系统能耗约是建筑总能耗的主要组成部分。而当前大多数空调系统运行采用反馈控制系统，根据用户侧回水温度调节系统，存在调节延迟造成能源浪费或供能不均衡等问题。因此，提前制定合适的运行策略十分重要。因此，通过收集和分析空调系统运行数据，准确预测一段时间的空调负荷，以指导操作人员提前制定系统运行策略及优化运行策略提供依据，能够保障空调系统高效安全运行。

目前，常用的空调负荷预测算法有时间序列预测法、参数回归法和人工神经网络法。这些方法存在各自的优缺点及特点。时间序列分析预测法突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响，易存在误差较大的缺陷。参数回归法虽然简单明确、预测速度快，但是工作量大、精度不高及通用性不高。关于人工神经网络(ann)在空调负荷预测中的应用表明，该技术是预测领域中最成功的技术之一。与其他模型相比，ann的优势在于它能够对变量之间复杂关系给出的多变量问题进行建模，并通过训练数据的“学习”来提取这些变量之间的隐含非线性关系。

由于空调负荷受到众多内部和外部影响，使空调负荷呈现随机性和非线性特征。针对空调负荷存在以上特征，仅使用上述空调负荷预测单一算法难以满足预测准确度。

技术实现要素：

本发明的目的在于提供一种空调负荷预测方法、装置及存储介质，旨在采用长短期记忆神经网络对不同的分量序列进行预测建模，挖掘空调负荷时间序列所蕴含的信息，进一步提高负荷预测模型预测精度。

为了实现上述目的，一种空调负荷预测方法，所述方法包括：

构建空调系统运行和负荷的数据库，并确定空调负荷预测模型的输入和输出参数；

对所述数据库中的原始时间序列数据进行emd分解，获得多个imf分量和趋势项序列；

对所述多个imf分量、一个趋势项序列、依据空调负荷预测模型的输入参数和输出参数，获取到多份样本集，可按照时间将每一份样本集进行划分为训练集与预测集；

对所述多份训练集与预测集进行归一化处理，获得归一化后的训练集与预测集；

根据所述训练集数据，分别构建空调负荷预测lstm模型；

对归一化处理后的测试样本的数据输入至所构建的lstm模型，并将lstm模型的各输出结果进行反归一化处理，得到利用各imf分量和趋势项序列的数据构造模型的预测结果；

根据所述预测结果，获得空调负荷预测值。

一种实现方式中，所述对所述数据库中的原始时间序列数据进行emd分解，获得多个imf分量和趋势项序列的步骤包括：

(1)设原始时间序列st；确定原始时间序列st的极大值和极小值点；采用样条插值法拟合，设极大值形成上第一包络线ut，极小值形成的第二包络线lt；获得所述第一包络线和所述第二包络线的均值将所述原始时间序列与所述均值m1(t)相减得到差值h1(t)；如果h1(t)满足imf的条件，则作为第一个分解得到的imf分量，否则以h1(t)作为信号，继续寻找其上下包络线并求出平均包络m2(t)，得到新信号h2(t)＝h1(t)-m2(t)，迭代k次后直至hk(t)满足imf的条件，将其作为第一个imf分量imf1(t)；

(2)计算残余分量r(t)＝st-imf1(t)，将r(t)作为信号，重复第一步的分解，得到第二个imf分量imf2(t)；

(3)重复(1)、(2)步，直至残余分量满足分解中止的条件：即残余分量为单调变化的残差序列不能再分解出imf分量为止。

一种实现方式中，所述反归一化处理公式为：

其中，μ代表空调负荷的均值，σ代表空调负荷的标准差，为反归一化处理后的预测结果，yi为反归一化处理前的结果。

一种实现方式中，所述根据所述预测结果，获得空调负荷预测值的步骤，包括：

根据利用所得到的各imf分量和趋势项序列的数据建模，对预测集进行预测，获得预测结果并进行求和叠加，获得空调负荷预测值。

此外，本发明还公开了一种空调负荷预测装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储空调负荷预测程序；

所述处理器，用于执行所述空调负荷预测程序，以实现任一项所述的空调负荷预测步骤。

以及公开了一种存储装置，所述存储装置为计算机存储装置，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的空调负荷预测步骤。

应用本发明实施例提供的空调负荷预测方法，具备的有益效果如下：

(1)利用经验模态分解具有较强随机性和非线性的负荷特征信号，然后采用长短期记忆神经网络对不同的分量序列进行预测建模，挖掘空调负荷时间序列所蕴含的信息，进一步提高负荷预测模型预测精度。

(2)建模量小，预测速度快。

(3)获取参数较简单，且无需大量参数，减少原始数据采集的准备量和准备时间。

附图说明

图1是本发明实施例空调负荷预测方法的一种流程示意图。

图2是本发明实施例空调负荷预测方法的一个具体实施例

图3是本发明实施例空调负荷预测方法的另一个具体实施例。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1-3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1本发明提供一种空调负荷预测方法，所述方法包括：

s101，构建空调系统运行和负荷的数据库，并确定空调负荷预测模型的输入和输出参数。

具体的，根据空调系统实时运行数据及负荷影响因素建立数据库，数据记录时间间隔为1h。其中，数据库中至少包括空调负荷、室外干球温度、室外相对湿度和太阳辐射强度。

空调负荷预测模型的输入参数为：确定t时刻，历史负荷数据为t时刻之前的负荷值，例如t-1h负荷值，t-2h负荷值，t-3h负荷值；输出参数为：t时刻负荷值。

举例来说，空调负荷预测模型的输入参数有16个，则模型的输入参数为t时刻的前16个时刻的负荷值，用t时刻的前16个时刻的负荷值预测t时刻负荷。

s102，对所述数据库中的原始时间序列数据进行emd分解，获得多个imf分量和趋势项序列。

本发明的具体实现方式中，如图2所示，emd分解信号步骤如下：

(1)设原始时间序列st；确定原始时间序列st的极大值和极小值点；采用样条插值法拟合，设极大值形成上第一包络线ut，极小值形成的第二包络线lt；获得所述第一包络线和所述第二包络线的均值将所述原始时间序列与所述均值m1(t)相减得到差值h1(t)；如果h1(t)满足imf的条件，则作为第一个分解得到的imf分量，否则以h1(t)作为信号，继续寻找其上下包络线并求出平均包络m2(t)，得到新信号h2(t)＝h1(t)-m2(t)，迭代k次后直至hk(t)满足imf的条件，将其作为第一个imf分量imf1(t)；

(2)计算残余分量r(t)＝st-imf1(t)，将r(t)作为信号，重复第一步的分解，得到第二个imf分量imf2(t)。

(3)重复(1)、(2)步，直至残余分量满足分解中止的条件：即残余分量为单调变化的残差序列不能再分解出imf分量为止。

需要说明的是，经验模式分解(empiricalmodedecomposition,简称emd)是新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理，其中，本质模式函数(intrisicmodefunc-tion,简称imf)为筛选停止条件。

s103，对所述多个imf分量、一个趋势项序列、依据空调负荷预测模型的输入参数和输出参数，获取到多份样本集，可按照时间将每一份样本集进行划分为训练集与预测集。

将得到的imf分量和1个趋势项序列根据空调负荷预测模型的输入和输出参数构造数据集；随后可以将每一份数据集按照时间进行划分，分为训练集数据和预测集数据。

举例来说，模型的输出为t时刻负荷，输入参数为t时刻的前16个时刻的负荷；将经过emd分解后得到的各imf分量和趋势项序列，依据输入、输出参数一一对应重新构造数据集，获得对应各imf分量和1个趋势项序列组成的样本集。例如，有3个imf分量和1个趋势项序列，则可对应组成3+1份样本集；最后可以将每一份6月份-9月份的每天24小时的数据作为训练集数据，10月份作为预测集数据。

s104，对所述多份训练集与预测集进行归一化处理，获得归一化后的训练集与预测集。

进行归一化处理的公式为：

其中，代表归一化处理后的数据，xm(i)代表处理前的数据，minxm(i)代表处理数据中的最小值，maxxm(i)代表处理数据中的最大值，i＝0,1,2.....n。

s105，根据所述训练集数据，分别构建空调负荷预测lstm模型。

具体的，通过选取归一化处理后的各imf分量和趋势项序列对应的训练集数据，分别构建空调负荷预测lstm模型。

首先将训练集的经过归一化处理的负荷数据及经过emd分解的各分量，分别构建lstm神经网络预测模型。如图3所示，通过emd分解后获得趋势项序列res，n个imf分量，也即imf-1至imf-n，然后构建lstm模型，例如res构建lstm-(n+1)模型，imf-n构建lstm-n模型，依次类推，imf-2构建lstm-2模型，imf-1构建lstm-1模型，共计n+1个空调负荷预测lstm模型。

需要说明的是，在建立lstm模型前，需要确定输入单元数、隐含层层数、隐含层神经元个数、输出单元数、学习率以及训练次数6个参数。可根据所确定的输入与输出参数，从而得到lstm神经网络的输入单元数以及输出单元数。通过交叉实验确定隐含层层数和隐含层神经元个数。学习率的大小，可通过观察loss的变化确定学习率量级后微调。

s106，对归一化处理后的测试样本的数据输入至所构建的lstm模型，并将lstm模型的各输出结果进行反归一化处理，得到利用各imf分量和趋势项序列的数据构造模型的预测结果。

利用训练集数据建模，得到各分量的lstm神经网络模型，最后将测试样本集的数据输入对应分量的lstm模型。例如，构建模型的输入参数为t时刻的前16个时刻的负荷值分量，则步骤7中同样利用emd分解的对应的t时刻的前16个时刻的负荷值分量输入相应的lstm模型，最终得到该分量的预测结果。最后将预测结果进行反归一化处理。处理公式为：

其中，μ代表空调负荷的均值，σ代表空调负荷的标准差，为反归一化处理后的预测结果。

如图3所示，lstm-(n+1)模型的预测结果为预测值-(n+1)，依次类推，lstm-n模型的预测结果为预测值-n……lstm-2模型的预测结果为预测值-2、lstm-1模型的预测结果为预测值-1。

s107，根据所述预测结果，获得空调负荷预测值。

如图3所示，根据n+1个模型所对应的n+1个预测值进行求和处理，得到总预测值。

此外，本发明还公开了一种空调负荷预测装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储空调负荷预测程序；

所述处理器，用于执行所述空调负荷预测程序，以实现任一项所述的空调负荷预测步骤。

以及公开了一种存储装置，所述存储装置为计算机存储装置，其上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的空调负荷预测步骤。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。