一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置，根据历史数据，构建蓄冷量数据集，并将蓄冷量数据集分为训练集和测试集；将训练集作为输入数据，输入到蓄冷量预测模型，对蓄冷量预测模型进行训练；以测试集为输入数据，对训练好的蓄冷量预测模型进行评估，得到评估分数；响应于评估分数大于等于阈值，采用训练好的蓄冷量预测模型预测蓄冷日的蓄冷量；本发明专利技术采用随机森林回归算法作为蓄冷量预测模型，通过将历史蓄冷量、最高温度和最低温度作为输入数据，可以实现对蓄冷量的预测，并且对蓄冷量预测模型进行评估，可以进一步提升蓄冷量预测准确度。一步提升蓄冷量预测准确度。一步提升蓄冷量预测准确度。

【技术实现步骤摘要】
一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置


[0001]本专利技术属于冰蓄冷空调蓄冷量预测方法及装置，尤其涉及一种基于机器学习的冰蓄冷空调蓄冷量预测方法及装置。

技术介绍

[0002]由于工业发展和人民物质文化生活水平的提高，空调的普及率逐年增长，电力消耗增长迅速，高峰电力紧张，离峰电力又得不到充分应用。因此，如何转移高峰电力需求“移峰填谷”平衡电力供应，提高电能的有效利用，就成为当前许多国家重视解决的问题。
[0003]采用“分时电价”政策以及某些鼓励性政策，进一步推动了使用离峰电力的积极性。这就使离峰蓄冷技术得到重视和发展。冰蓄冷空调是利用夜间低谷负荷电力制冰储存在蓄冰装置中，白天融冰将所储存冷量释放出来，以减少电网高峰时段空调用电负荷及空调系统装机容量。由于冰蓄冷空调是先制冰后使用，所以需要再制冰过程中进行蓄冷量的预测。
[0004]在蓄冷量预测方面，通常是前一天预估后一天的蓄冷量，冰蓄冷空调的工作人员根据具体使用需求进行主观地预估，进而确定后一天的蓄冷量。但是，这种方式极度依赖有经验的工作人员的个人能力，一旦出现工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的冰蓄冷空调蓄冷量预测方法，其特征在于，包括以下步骤：根据历史数据，构建蓄冷量数据集，并将所述蓄冷量数据集分为训练集和测试集；其中，所述训练集和测试集均包括若干组蓄冷数据组，每组所述蓄冷数据组均包括蓄冷日之前的历史蓄冷量、蓄冷日的最高温度和最低温度、以及蓄冷日的蓄冷量；将所述训练集作为输入数据，输入到蓄冷量预测模型，对所述蓄冷量预测模型进行训练；其中，所述蓄冷量预测模型选择为随机森林回归算法；以所述测试集为输入数据，对训练好的蓄冷量预测模型进行评估，得到评估分数；响应于所述评估分数大于等于阈值，以蓄冷日之前的历史蓄冷量、蓄冷日的最高温度和最低温度为输入数据，采用训练好的所述蓄冷量预测模型预测蓄冷日的蓄冷量。2.如权利要求1所述的一种基于机器学习的冰蓄冷空调蓄冷量预测方法，其特征在于，响应于所述评估分数小于所述阈值，调整所述蓄冷量预测模型的超参数，继续使用所述训练集对所述蓄冷量预测模型进行训练，直至其评估分数大于等于所述阈值。3.如权利要求1或2所述的一种基于机器学习的冰蓄冷空调蓄冷量预测方法，其特征在于，对训练好的蓄冷量预测模型进行评估包括：分别对蓄冷数组中的蓄冷量真实值和蓄冷量预测模型的蓄冷量预测值进行修正，得到真实修正值和预测修正值；计算所述真实修正值和预测修正值的比值；求和所述测试集中每组蓄冷数据组对应的比值和；根据所述比值和确定评估分数。4.如权利要求3所述的一种基于机器学习的冰蓄冷空调蓄冷量预测方法，其特征在于，通过评估模型对训练好的蓄冷量预测模型进行评估；所述评估模型具体为：其中，f(x)为评估分数，n为测试集中所述蓄冷数据组的数量，y
i
为第i个蓄冷数组中的蓄冷量真实值，为以第i个蓄冷数组中蓄冷日之前的历史蓄冷量、蓄冷日的最高温度和最低温度为输入蓄冷量预测模型的蓄冷量预测值，λ为测试集的修正系数。5.如权利要求4所述的一种基于机器学习的冰蓄冷空调蓄冷量预测方法，其特征在于，根据所述测试集中的所述蓄...

【专利技术属性】
技术研发人员：王安倩，马钰，邢敬创，乔匡华，
申请(专利权)人：西安思安云创科技有限公司，
类型：发明
国别省市：