空调负荷预测方法、系统、电子设备及计算机存储介质与流程

本发明涉及电力需求响应领域，特别是涉及一种空调负荷预测方法、系统、电子设备及计算机存储介质。

背景技术：

1、随着科学技术的不断进步和国民经济的不断发展，物联网技术在实现智能楼宇系统的各项功能方面发挥了重要作用，智慧城市建设如火如荼地开展，新建办公楼宇的数量也在逐年递增。而经济发展导致的能源短缺的问题也日益严重，如何有效地节约能源、提高能源的利用效率已成为当前需解决的公共问题。在新型电力系统中，需求侧和电网侧双向互动能力不断提升，需求侧资源逐步成为电网调度运行的重要资源。空调负荷作为重要的需求侧可调控资源，负荷耗能尤为突出。据不完全统计，夏季空调负荷占尖端负荷30％-40％，目前中国各地推行“需求响应管理平台”项目，充分调动用户侧主动参与电力需求响应业务，平台包括负荷预测、资源管理、负荷管理、响应监控、响应结算、响应效果分析等功能，为多场景楼宇参与需求响应提供便利，负荷聚合商通过楼宇量测系统中的温湿度传感器、新风系统计量装置及分项智能电表等终端设备对楼宇运行状态进行监控。通过历史天气、历史负荷等数据对接下来的一段短期时间进行负荷预测，获得空调负荷可调量，即虚拟发电资源发电量，通过预测结果向电力交易中心提交自己的发电量和报价策略。综上所述，基于传统电力负荷预测及多场景的楼宇空调冷负荷预测具有较大的应用价值和应用前景，然而现有的空调负荷预测方法的预测精度有待提高。

技术实现思路

1、本发明的目的是提供一种空调负荷预测方法、系统、电子设备及计算机存储介质，能够准确地预测负荷值，提高空调负荷预测的精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种空调负荷预测方法，包括：

4、获取历史空调负荷数据和历史影响因素数据；

5、对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，确定初始聚类中心和聚类数；

6、根据所述初始聚类中心和所述聚类数利用权熵法进行k-means聚类，得到加权欧氏距离和聚类结果；

7、根据所述加权欧氏距离和所述聚类结果确定训练样本集；

8、根据所述训练样本集利用金枪鱼群优化算法对lstm神经网络进行训练，得到空调负荷预测模型；

9、根据当前影响因素数据利用所述空调负荷预测模型进行预测，得到空调负荷预测结果。

10、可选地，所述对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，确定初始聚类中心和聚类数，具体包括：

11、对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，计算所述历史空调负荷数据和所述历史影响因素数据的密度指标；

12、选择所述密度指标中最大密度指标对应的历史空调负荷数据和所述历史影响因素数据作为初始聚类中心；

13、根据所述初始聚类中心确定类内空间距离和类间距离；

14、根据所述类内空间距离和所述类间距离确定聚类数。

15、可选地，所述加权欧氏距离的表达式为：

16、

17、其中，dik代表第i日日特征样本到第k个聚类中心的距离；ωm为经通径分析方法得到的第i日日特征样本中第m个特征的权值，m为经过因子分析后筛选出的空调负荷关键影响因素的数量；xi,m为第i日的第m个日特征样本；为在聚类过程中第m个样本的第k个聚类中心，c为聚类中心。

18、可选地，所述根据所述训练样本集利用金枪鱼群优化算法对lstm神经网络进行训练，得到空调负荷预测模型，具体包括：

19、以所述训练样本集中的影响因素训练数据为所述lstm神经网络的输入，以所述训练样本集中的空调负荷训练数据为所述lstm神经网络的输出，利用金枪鱼群优化算法对所述lstm神经网络中的超参数进行寻优计算，直至达到最大迭代次数，选择所述超参数中的最优解对应的lstm神经网络作为空调负荷预测模型。

20、本发明还提供一种空调负荷预测系统，包括：

21、获取模块，用于获取历史空调负荷数据和历史影响因素数据；

22、因子分析模块，用于对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，确定初始聚类中心和聚类数；

23、k-means聚类模块，用于根据所述初始聚类中心和所述聚类数利用权熵法进行k-means聚类，得到加权欧氏距离和聚类结果；

24、训练样本集确定模块，用于根据所述加权欧氏距离和所述聚类结果确定训练样本集；

25、训练模块，用于根据所述训练样本集利用金枪鱼群优化算法对lstm神经网络进行训练，得到空调负荷预测模型；

26、预测模块，用于根据当前影响因素数据利用所述空调负荷预测模型进行预测，得到空调负荷预测结果。

27、可选地，所述因子分析模块，具体包括：

28、计算单元，用于对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，计算所述历史空调负荷数据和所述历史影响因素数据的密度指标；

29、初始聚类中心确定单元，用于选择所述密度指标中最大密度指标对应的历史空调负荷数据和所述历史影响因素数据作为初始聚类中心；

30、类内空间距离和类间距离确定单元，用于根据所述初始聚类中心确定类内空间距离和类间距离；

31、聚类数确定单元，用于根据所述类内空间距离和所述类间距离确定聚类数。

32、可选地，所述加权欧氏距离的表达式为：

33、

34、其中，dik代表第i日日特征样本到第k个聚类中心的距离；ωm为经通径分析方法得到的第i日日特征样本中第m个特征的权值，m为经过因子分析后筛选出的空调负荷关键影响因素的数量；xi,m为第i日的第m个日特征样本；为在聚类过程中第m个样本的第k个聚类中心，c为聚类中心。

35、可选地，所述训练模块，具体包括：

36、训练单元，用于以所述训练样本集中的影响因素训练数据为所述lstm神经网络的输入，以所述训练样本集中的空调负荷训练数据为所述lstm神经网络的输出，利用金枪鱼群优化算法对所述lstm神经网络中的超参数进行寻优计算，直至达到最大迭代次数，选择所述超参数中的最优解对应的lstm神经网络作为空调负荷预测模型。

37、本发明还提供一种电子设备，包括：

38、一个或多个处理器；

39、存储装置，其上存储有一个或多个程序；

40、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述方法中任意一项所述的方法。

41、本发明还提供一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述方法中任意一项所述的方法。

42、根据本发明提供的具体实施例，本发明公开了以下技术效果：

43、本发明获取历史空调负荷数据和历史影响因素数据；对所述历史空调负荷数据和所述历史影响因素数据利用皮尔森相关系数法进行因子分析，确定初始聚类中心和聚类数；根据所述初始聚类中心和所述聚类数利用权熵法进行k-means聚类，得到加权欧氏距离和聚类结果；根据所述加权欧氏距离和所述聚类结果确定训练样本集；根据所述训练样本集利用金枪鱼群优化算法对lstm神经网络进行训练，得到空调负荷预测模型；根据当前影响因素数据利用所述空调负荷预测模型进行预测，得到空调负荷预测结果。利用初始聚类中心和聚类数对k-means聚类进行改进，利用金枪鱼群优化算法对lstm神经网络进行优化，提高全局收敛速度和寻优能力，从而准确地预测负荷值，提高空调负荷预测的精度。