本发明专利技术实施例涉及基础设施技术领域，公开了一种中央空调系统能耗预测方法、装置及计算设备，该方法包括：获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据；根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，其中，所述神经网络模型由输入层、包括全连接层、第一标准化层和激活层的隐藏层以及输出层构成；调整所述神经网络模型的模型参数使所述预测能耗数据与所述历史能耗数据误差满足预设精度，并输出所述神经网络模型；采用所述神经网络模型对所述中央空调系统能耗进行预测。通过上述方式，本发明专利技术实施例能够提升神经网络模型的训练效率，提高神经网络模型的预测准确性和泛化能力。高神经网络模型的预测准确性和泛化能力。高神经网络模型的预测准确性和泛化能力。
【技术实现步骤摘要】
中央空调系统能耗预测方法、装置及计算设备
[0001]本专利技术实施例涉及基础设施
，具体涉及一种中央空调系统能耗预测方法、装置及计算设备。
技术介绍
[0002]空调是一种常见的制冷设备，应用于各行各业。以数据中心为例，空调系统为服务器提供适应的温度、湿度及清洁度环境。但作为数据中心辅助设备，空调系统能耗占到总能耗30％以上，具有巨大的节能潜力。欲采取精确有效的空调系统节能优化调整，必须建立准确的空调系统能耗预测模型。由于空调系统架构复杂、设备种类繁多、设备性能不一等原因，导致中央空调系统的能耗模型建立难度极大。
[0003]目前，在设计阶段常采用热物理理论公式或经验公式进行能耗建模。一方面，该方法公式中不同设备的相关性能系数难以确定；另一方面，空调系统设备的在使用过程中会产生一定的性能衰减、设备更换等操作。导致应用公式建模方法得到的预测模型的准确性、时效性都偏低。
[0004]随着人工智能技术发展，得益于神经网络算法的万能逼近定理，采用神经网络算法对空调系统可大大降低空调系统能耗建模难度，以运行数据作为训练集，可在一定程度上解决空调系统准确性、时效性偏低的问题。神经网络模型的能耗预测算法逐步发展，常规的神经网络模型仍存在大量的特征工程、模型训练效率低、泛化能力差等问题。
技术实现思路
[0005]鉴于上述问题，本专利技术实施例提供了一种中央空调系统能耗预测方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
[0006]根据本专利技术实施例的一个方面，提供了一种中央空调系统能耗预测方法，所述方法包括：获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据；根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，其中，所述神经网络模型由输入层、包括全连接层、第一标准化层和激活层的隐藏层以及输出层构成；调整所述神经网络模型的模型参数使所述预测能耗数据与所述历史能耗数据误差满足预设精度，并输出所述神经网络模型；采用所述神经网络模型对所述中央空调系统能耗进行预测。
[0007]在一种可选的方式中，所述获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据，包括：获取所述中央空调系统的历史设置参数、历史室外环境以及历史室内需求因素；分别从所述历史设置参数、所述历史室外环境因素以及所述历史室内需求因素中选取部分或全部因素作为所述历史影响因素；获取与所述历史影响因素对应的所述历史能耗数据。
[0008]在一种可选的方式中，所述获取所述中央空调系统的包括历史设置参数、历史室外环境因素以及历史室内需求因素，包括：获取所述中央空调系统的空调主机的设置参数、冷冻水泵的设置参数、空调末端的设置参数、冷却水泵的设置参数以及冷却塔的设置参数；
获取所述中央空调系统的包括但不限于室外温度、室外相对湿度、风速、太阳辐射的历史室外环境因素；获取所述中央空调系统的包括但不限于室内散热量、室内环境温度控制值，室内环境湿度控制值的所述历史室内需求因素。
[0009]在一种可选的方式中，所述根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，包括：将所述历史影响因素输入至神经网络模型的所述输入层；通过所述隐藏层的所述全连接层对所述历史影响因素进行全连接处理；通过所述隐藏层的所述第一标准化层对所述全连接层的输出数据进行标准化处理；通过所述隐藏层的所述激活层对标准化处理后的所述输出数据进行激活处理；通过输出层输出对应的预测能耗数据。
[0010]在一种可选的方式中，所述将所述历史影响因素输入至神经网络模型的所述输入层，还包括：在所述输入层之后增加第二标准化层，通过所述第二标准化层对输入的所述历史影响因素进行标准化处理；所述通过输出层输出对应的预测能耗数据之前，还包括：在所述输出层之前增加第三标准化层，通过所述第三标准化层对所述隐藏层输出的数据进行标准化处理。
[0011]在一种可选的方式中，所述通过所述隐藏层的所述第一标准化层对所述全连接层的输出数据进行标准化处理，包括：应用以下关系式对所述输出数据进行标准化处理，将大部分所述输出数据集中在预设范围内：y＝(x
–
x
mean
)/(δ+ε)，其中，y为经标准化处理后的结果，x
mean
为输入的所述历史影响因素的平均值，δ为输入的所述历史影响因素的标准差，ε为一极小的值。
[0012]在一种可选的方式中，所述通过所述隐藏层的所述激活层对标准化处理后的所述输出数据进行激活处理，包括：通过所述激活层对所述预设范围内的所述输出数据进行激活处理；将所述预设范围外的所述输出数据视为错误数据。
[0013]根据本专利技术实施例的另一个方面，提供了一种中央空调系统能耗预测装置，所述装置包括：训练数据获取单元，用于获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据；训练单元，用于根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，其中，所述神经网络模型由输入层、包括全连接层、标准化层和激活层的隐藏层以及输出层构成；模型输出单元，用于调整所述神经网络模型的模型参数使所述预测能耗数据与所述历史能耗数据误差满足预设精度，并输出所述神经网络模型；能耗预测单元，用于采用所述神经网络模型对所述中央空调系统能耗进行预测。
[0014]根据本专利技术实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0015]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述中央空调系统能耗预测方法的步骤。
[0016]根据本专利技术实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述中央空调系统能耗预测方法的步骤。
[0017]本专利技术实施例通过获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据；根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，其中，所述神经网络模型由输入层、包括全连接层、第一标准化层和激活层的隐藏层以及输
出层构成；调整所述神经网络模型的模型参数使所述预测能耗数据与所述历史能耗数据误差满足预设精度，并输出所述神经网络模型；采用所述神经网络模型对所述中央空调系统能耗进行预测，能够提升神经网络模型的训练效率，提高神经网络模型的预测准确性和泛化能力。
[0018]上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0019]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种中央空调系统能耗预测方法，其特征在于，所述方法包括：获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据；根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，其中，所述神经网络模型由输入层、包括全连接层、第一标准化层和激活层的隐藏层以及输出层构成；调整所述神经网络模型的模型参数使所述预测能耗数据与所述历史能耗数据误差满足预设精度，并输出所述神经网络模型；采用所述神经网络模型对所述中央空调系统能耗进行预测。2.根据权利要求1所述的方法，其特征在于，所述获取与中央空调系统能耗相关的历史影响因素以及对应的历史能耗数据，包括：获取所述中央空调系统的历史设置参数、历史室外环境以及历史室内需求因素；分别从所述历史设置参数、所述历史室外环境因素以及所述历史室内需求因素中选取部分或全部因素作为所述历史影响因素；获取与所述历史影响因素对应的所述历史能耗数据。3.根据权利要求2所述的方法，其特征在于，所述获取所述中央空调系统的包括历史设置参数、历史室外环境因素以及历史室内需求因素，包括：获取所述中央空调系统的空调主机的设置参数、冷冻水泵的设置参数、空调末端的设置参数、冷却水泵的设置参数以及冷却塔的设置参数；获取所述中央空调系统的包括但不限于室外温度、室外相对湿度、风速、太阳辐射的历史室外环境因素；获取所述中央空调系统的包括但不限于室内散热量、室内环境温度控制值，室内环境湿度控制值的所述历史室内需求因素。4.根据权利要求1所述的方法，其特征在于，所述根据所述历史影响因素对神经网络模型进行训练，输出对应的预测能耗数据，包括：将所述历史影响因素输入至神经网络模型的所述输入层；通过所述隐藏层的所述全连接层对所述历史影响因素进行全连接处理；通过所述隐藏层的所述第一标准化层对所述全连接层的输出数据进行标准化处理；通过所述隐藏层的所述激活层对标准化处理后的所述输出数据进行激活处理；通过输出层输出对应的预测能耗数据。5.根据权利要求4所述的方法，其特征在于，所述将所述历史影响因素输入至神经网络模型的所述输入层，还包括：在所述输入层之后增加第二标准化层，通过所述第二标准化层...
【专利技术属性】
技术研发人员：邹凯凯，张建风，赵晨雪，王邦勤，曹国水，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。