一种基于长短期记忆循环神经网络的空调能耗预测方法技术

一种基于长短期记忆循环神经网络的空调能耗预测方法，包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM‑RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM‑RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。本发明专利技术简化了模型训练过程，提升了预测准确率。

A Prediction Method of Air-conditioning Energy Consumption Based on Long-term and Short-term Memory Cycle Neural Network

【技术实现步骤摘要】
一种基于长短期记忆循环神经网络的空调能耗预测方法
本专利技术涉及到一种基于长短期记忆循环神经网络的空调能耗预测方法。
技术介绍
在我国，建筑的能耗逐年增加，已经占到全球能源需求的40％左右。同时，空调和供暖系统约占建筑总能耗的一半，并且近些年来所占比例不断增加。据统计,我国公共建筑节能达标率不足10％。所以针对空调系统做一定的调整，可以做到节能潜力的最大挖掘。现代建筑通常与各种技术相结合，做到一定程度的楼宇节能。楼宇自动化系统(BAS)是集成了物联网技术，控制技术、网络技术等技术的系统。它通过对建筑(群)的各种设备实施综合自动化监控与管理，为业主和用户提供安全、舒适、便捷高效的工作与生活环境，并使整个系统和其中的各种设备处在最佳的工作状态，从而保证系统运行的经济性和管理的现代化、信息化和智能化。与此同时，在BAS系统中，大量的空调数据如温度、湿度、流量、功率等都被记录在数据库中。但是这些数据很少有效的被用在空调分析、建模当中。通过大量数据对空调系统进行分析、建模，能更好地预测空调能耗，反映大楼内空调工况并进行实时自动管理，实现自动化管理和节能，同时提高大楼内人员的舒适感。
技术实现思路
为了克服已有空调的能耗建模准确性较低、建模步骤繁杂的不足，本专利技术提供一种准确性较高的基于长短期记忆循环神经网络的空调能耗预测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于长短期记忆循环神经网络的空调能耗预测方法，包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，进行数据集的预处理，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM-RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM-RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。进一步，所述步骤2中，所述数据预处理的实现过程为：(2.1)对于缺失数据、异常的处理：若该条空调数据有属性缺失或异常，但临近数据不缺失，使用上下平均值法，使用上下数据计算平均值并填充，若该条空调数据有属性缺失或异常，且临近数据也有较多缺失或异常，直接批量删除缺失数据；(2.2)对于数据特征的增加：由于人流量对空调能耗有影响，且节假日、工作时间等对人流量有影响，对月份、工作时间进行标签分类，作为特征数据的加入。冷却供水温度和冷却回水温度的差值能直观体现冷却塔散热能力，冷冻回水温差和冷冻供水温差的差值能直观体现出空调制冷能力，故加入冷却供回水温差、冷却供回水温差两个特征项；(2.3)对整合后的数据表进行特征选择：对于特征对应特征值为连续型变量的情况，计算pearson积距相关系数，筛选出相关系数大于10％的特征；对于定序变量或不满足正态分布假设的等间隔数据，计算Spearman秩相关系数，筛选出相关系数大于10％的特征；所述两个变量的Pearson相关系数计算如下：所述的Spearman相关系数被定义成等级变量之间的Pearson相关系数，原始数据依据其在总体数据中平均的降序位置，被分配了一个相应的等级；(2.4)对筛选出来的所有特征进行合并，并且归一化，得到最终用于训练的数据。再进一步，所述步骤2中，得到的最终用于训练的数据为：(1)输入变量：其中所述输入量至少包括室外温度、室外湿度、冷却供水温度、冷却供水温度、冷冻供水温度、冷冻回水温度、总管流量、月份标签和时间标签；(2)预测变量：预测变量为当前工况下的空调能耗；(3)数据归一化：输入变量的样本数据按下述公式进行归一化其中x'是归一化后的数据，x为输入数据，μ为数据的均值，σ为数据的标准差。再进一步，所述步骤3中，LSTM-RNN长短期记忆循环神经网络预测模型网络结构如下：(1)Timesteps：Timesteps即时间步长，RNN中表示记忆历史信息长度的参数，其值代表RNN能够利用的时间序列长度，.由于需要更具有通用性的模型，直接采用Timesteps为1；(2)激活函数：RNN中选择tanh作为激活函数，它能够把输入的连续实值“压缩”到-1和1之间，如果是非常大的负数，那么输出就是-1；如果是非常大的正数，输出就是1；(3)神经元选择：长短期记忆(long-shorttermmemory，LSTM)网络是RNN中的一种特定的神经元，在隐藏层中通过3个门的结构来控制信息的存留，可以筛选出信息流中重要与不重要的信息，使结果更加精确；(4)损失函数：对均方误差(meansquarederror，MSE)进行了修改，当算出预测值predictedt和实际值observert差的平方后，再除以实际值observert，得出误差平方对于实际值的比例，再进行平均；(5)其他参数：模型采用10层LSTM节点构成的隐藏层，每层有50个节点；自适应梯度下降法，训练轮数为5000轮。batch_size为30，学习率为0.00005。本专利技术的技术构思为：在大冲能源科技公司提供的部分空调项目数据，以及外界环境数据的基础上，进行一定的数据预处理，特征筛选，得到与空调能耗关联度较高的一些特征数据，通过特定的算法对特征数据以及能耗数据进行训练，生成能耗预测模型，再根据空调数据和环境数据数据，并使用该模型进行预测，得到当前工况下的空调能耗。本专利技术的有益效果主要表现在：在对空调数据进行处理的时候，运用统计学中的相关系数等方法排除一些无关特征，并根据时间等信息增加一些相关特征；在此基础上，使用LSTM-RNN来训练模型，在一定程度上简化了模型训练过程，提升了预测准确率。附图说明图1为本专利技术所述基于长短期记忆循环神经网络的空调能耗预测方法的流程图；图2为本专利技术所属LSTM-RNN基本结构图；图3为LSTM单元基本结构图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1、图2、图3，一种基于长短期记忆循环神经网络的空调能耗预测方法，所述方法包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；表1为对数据集的描述，表2为项目7对空调数据和环境数据的描述：表1表2步骤2，进行数据集的预处理，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；所述数据预处理的实现过程为：(2.1)对于缺失数据、异常的处理：表3为项目7部分空调以及外界环境数据样本。可以看到，第二条数据除日期外，其余均为空值。此数据缺失了60％以上的信息，可以将其删除，由于其数据上下条齐全，且差距不大，也可以使用上下平均值法，对数据进行填充；表3(2.2)对于数据特征的增加：由于人流量对空调能耗有影响，且节假日、工作时间等对人流量有影响，对月份、工作时间进行标签分类，作为特征数据的加入。冷却供水温度和冷却回水温度的差值能直观体现冷却塔散热能力，冷冻回水温差和冷冻供水温差的差值能直观体现出空调制冷能力，故加入冷却供回水温差、冷却供回水温差两个特征项；表4为项目7增加属性描述。表4(2.3)对整合后的数据表进行特征选择：对于特征对应特征值为连续型变量的情况，计算pearson积距相关系本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于，所述方法包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，进行数据集的预处理，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM‑RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM‑RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。

【技术特征摘要】
1.一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于，所述方法包括以下步骤：步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；步骤2，进行数据集的预处理，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM-RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM-RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。2.根据权利要求1所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤2中，所述数据预处理的实现过程为：(2.1)对于缺失数据、异常的处理：若该条空调数据有属性缺失或异常，但临近数据不缺失，使用上下平均值法，使用上下数据计算平均值并填充，若该条空调数据有属性缺失或异常，且临近数据也有较多缺失或异常，直接批量删除缺失数据；(2.2)对于数据特征的增加：由于人流量对空调能耗有影响，且节假日、工作时间等对人流量有影响，对月份、工作时间进行标签分类，作为特征数据的加入，冷却供水温度和冷却回水温度的差值能直观体现冷却塔散热能力，冷冻回水温差和冷冻供水温差的差值能直观体现出空调制冷能力，故加入冷却供回水温差、冷却供回水温差两个特征项；(2.3)对整合后的数据表进行特征选择：对于特征对应特征值为连续型变量的情况，计算pearson积距相关系数，筛选出相关系数大于10％的特征；对于定序变量或不满足正态分布假设的等间隔数据，计算Spearman秩相关系数，筛选出相关系数大于10％的特征；(2.4)对筛选出来的所有特征进行合并，并且归一化，得到最终用于训练的数据。3.根据权利要求2所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤2中，所得到的最终用于训练的数据为：(1)输入变量：其中所述输入量至少包括室外温度、室外湿度、冷却供水温度、冷却回水温度、冷冻供水温度、冷冻回水温度、总管流量、月份标签和时间标签；(2)预测变量：预测变量为当前工况下的空调能耗；(3)数据归一化：输入变量的样本数据按下述公式进行归一化其中x'是归一化后的数据，x为输入数据，μ为数据的均值，σ为数据的标准差。4.根据权利要求1～...

【专利技术属性】
技术研发人员：胡海根，洪天佑，李伟，肖杰，管秋，周乾伟，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33