一种基于PCA-LSTM神经网络的空调负荷预测方法技术

本发明专利技术涉及一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
LSTM神经网络的空调负荷预测方法


[0001]本专利技术涉及一种基于PCA
‑
LSTM神经网络的空调负荷预测方法，属于空调负荷预测


技术介绍

[0002]全国建筑在寿命周期内能耗总量达到21.47亿tce，占全国能源消费总量的46.5％。在全国建筑能耗中，空调能耗占据了建筑总能耗的一半左右，准确的空调负荷预测对建筑空调系统的高效运行和减少能源消耗具有重要意义。
[0003]目前，国内外学者对空调负荷的预测的方法分为两类：线性方法和非线性方法。线性方法主要有回归分析、指数平滑法、灰色理论、时间序列等，由于空调负荷有很大的随机性和波动性，线性方法不能处理空调负荷与影响因素之间这种非线性关系。近年来，随着人工智能的兴起，人工智能算法凭借着强大的非线性映射能力，逐渐被应用于空调负荷预测，提高了预测的准确性。非线性方法主要包含了支持向量机、人工神经网络等智能算法。但是上述智能算法存在的问题是无法对数据的时序关系进行考虑，需要人为添加时间特征来保证预测的准确性。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
LSTM神经网络的空调负荷预测方法，其特征在于，包括以下步骤：步骤1、采用主成分分析法对影响空调负荷的气象因素进行分析，具体包括以下步骤：步骤101、对m个影响空调负荷的气象因素进行标椎化，每个气象因素进一步包括n个元素，得到标椎化的因素变量以及大小为n
×
m的标椎化的数据矩阵B；步骤102、根据标椎化的数据矩阵B求出相关系数矩阵R＝(r
ij
)
m
×
m
，则有：式中，r
ij
为相关系数矩阵R中第i行第j列的元素，b
ti
为数据矩阵B中第t行第i列的元素，b
tj
为数据矩阵B中第t行第j列的元素；步骤103、计算相关系数矩阵R的m个特征值λ1,λ2,
…
,λ
m
，且有λ1≥λ2≥
…
λ
m
，及对应的m个标准正交化特征矢量u1,u2,
…
,u
m
，其中第j个标准正交化特征矢量u
j
＝[u
1j
,u
2j
,
…
,u
mj
]
T
；步骤104、由m个标准正交化特征矢量u1,u2,
…
,u
m
组成m个新的因素向量，如下式所示：式中，F1至F
m
分别为第1个主成分至第m个主成分；步骤105、计算主成分贡献率，则有：式中，F
j
为第j个主成分的贡献率；步骤106、安装贡献率由大至小对m个主成分进行排序，分别计算前2个主成分、前3个主成分
……
前m个主成分的累计贡献率，有：式中，η
i
为前i个主成分的累计贡献率；步骤106、获得累计贡献率大于设定阈值的前k个主成分作为空调负荷预测模型的输入；步骤2、对空调负荷数据进行预处理；步骤3、建立基于长短记忆神经网络的空调负荷预测模型，具体包括以下步骤：步骤301、构造LSTM神经网络，该LSTM神经网络包含两个LSTM神经网络层、一个dropout层、一个全连接层以及一个回归层，回归层为输出层；步骤302、编译LSTM神经网络；步骤303、利用训练集对编译后的LSTM神经网络进行训练，训练集中的模型输入数据为
通过步骤1获得主成分...

【专利技术属性】
技术研发人员：赵建立，郑庆荣，盛明，汤卓凡，陆颖杰，向佳霓，王桂林，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：