基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法及系统技术方案

本发明专利技术公开了一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法及系统，所述方法包括以下步骤：采集与公共建筑物集中供冷相关的各项因子的历史数据，并对各项因子的历史数据进行归一化处理；通过LSTM神经网络算法计算出上述各项因子的权重值；利用上述各项因子与其对应的权重值相乘，然后累加计算获得所述公共建筑物集中供冷的冷负荷预测值。本发明专利技术所述冷负荷预测方法可以针对不同建筑类型进行分类管理，相比区域性预测更加精准。采用的多因子预测模型LSTM神经网络算法，结合暖通行业、外部因素、内部因素、气象、人为、地利等多方面，全面而又科学的收集各种因子，有效提升了最终模型的准确性。最终模型的准确性。最终模型的准确性。

【技术实现步骤摘要】
基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法及系统


[0001]本专利技术涉及城市集中供冷控制
，特别涉及一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法及系统。

技术介绍

[0002]目前，中大城市常年空调用冷需求量大。特别是在一些园区和城市的CBD区域内，国际高端酒店和配套商业设施集中，大型公共建筑使用的传统分散制冷模式存在能耗大、噪音杂、成本高等弊端。为了响应国家低碳环保节能减排，采用多能互补、集成优化的方式，可优化和解决传统分散制冷产生的设计过量、负荷控制、设备老化等多方面问题。
[0003]同时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。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。
[0004]采用冰蓄冷技术的区域集中供冷，可以显著提高现有电网的利用率，降低峰值用电总量，避免建设只针对高峰需求的大容量电厂，同时提高谷期用电效率，这就是节能。所以说，冰蓄冷空调的节能、社会效益以及对社会节能减碳的作用十分明显。但是，目前在冰蓄冷技术中，对于冷负荷还无法进行准确的计算或预测，不能有效地指导生产、降低制冷成本，从而造成能源的浪费，不利于降低碳排放等。另外，现有的建筑物用冷量负荷预测尚未实现对不同类型建筑的精准预测，不利于精细化管理。

技术实现思路

[0005]基于现有技术存在的不足，本专利技术的主要目的是提供一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法及系统，以实现对用户侧的建筑物用冷量负荷预测，更加精准的对单体建筑进行分析，有利于精细化管理。
[0006]为了达到上述技术效果，本专利技术的技术方案是：一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，包括以下步骤：采集与公共建筑物集中供冷相关的各项因子的历史数据，并对各项因子的历史数据进行归一化处理；通过LSTM神经网络算法计算出上述各项因子的权重值；利用上述各项因子与其对应的权重值相乘，然后累加计算获得所述公共建筑物集中供冷的冷负荷预测值。
[0007]基于上述方法，本专利技术还提供了一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统，包括：数据采集模块，用于采集与公共建筑物集中供冷相关的各项因子的历史数据，并对各项因子的历史数据进行归一化处理；权重计算模块，通过LSTM神经网络算法
计算出上述各项因子的权重值；冷负荷预测模块，利用上述各项因子与其对应的权重值相乘，然后累加计算获得所述公共建筑物集中供冷的冷负荷预测值。
[0008]进一步地，所述与公共建筑物集中供冷相关的各项因子包括以下任意一项或两项以上的组合：a——演出日期；b——演出会场开放情况；c——人流量；d——室外空气温度；e——室内温度；f——室内湿度；g——风向；h——风速；i——太阳辐射；i——壁面反射；k——地面辐射；l——地面反射；m——新风量；n——电设备开启、停止；o——电设备使用数量；p——遮阳系数。其中，所述各项因子的历史数据进行归一化处理后的数据范围为[
‑
1，1]。
[0009]进一步地，所述公共建筑物集中供冷的冷负荷预测值的计算公式为：
[0010]M＝a*W
aa
+b*W
ab
+c*W
ac
+d*W
ad
+e*W
ae
+f*W
af
+g*W
ag
+h*W
ah
+i*W
ai
+j*W
aj
+k*W
ak
+l*W
al
+m*W
am
+n*W
an
+o*W
ao
+p*W
ap
[0011]其中，M为最终模型的冷负荷预测值，W为各项因子的权重，下标代表对应的因子。
[0012]进一步地，所述LSTM神经网络算法的计算方式如下：
[0013]i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)
[0014]f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)
[0015]o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)
[0016][0017][0018]h
t
＝o
t
*tanh(c
t
)
[0019]其中，i
t
为输入门，f
t
为遗忘门，o
t
为输出门，为候选值向量，σ为激活函数，c
t
是单元状态，x
t
为当前时刻的输入，h
t
‑1为上一时刻的外部状态，h
t
为LSTM神经网络算法最终的输出，由输出门o
t
和单元状态c
t
共同确定。
[0020]与现有技术相比，本专利技术的技术方案提出了基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法和系统，建立了一套典型的冷负荷预测计算模型，具有以下特点：
[0021]一、可以针对不同建筑类型进行分类管理，相比区域性预测更加精准。
[0022]二、采用的多因子预测模型LSTM神经网络算法，结合暖通行业、外部因素、内部因素、气象、人为、地利等多方面，全面而又科学的收集各种因子，有效提升了最终模型的准确性。
[0023]三、通过预测分析指导公共建筑的集中供冷服务，可以有效减少碳排放，助力城市低碳城市建设。
附图说明
[0024]为了更清楚地说明本专利技术的技术方案，下面将对具体的实施例和附图进行描述和介绍。
[0025]图1为本专利技术的实施例所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法的流程图。
[0026]图2为本专利技术的实施例所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统的原理框图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于以下实施例，本领域普通技术人员在无需作出创造性劳动的前提下所获得的其他实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，其特征在于，包括以下步骤：采集与公共建筑物集中供冷相关的各项因子的历史数据，并对各项因子的历史数据进行归一化处理；通过LSTM神经网络算法计算出上述各项因子的权重值；利用上述各项因子与其对应的权重值相乘，然后累加计算获得所述公共建筑物集中供冷的冷负荷预测值。2.根据权利要求1所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，其特征在于，所述与公共建筑物集中供冷相关的各项因子包括以下任意一项或两项以上的组合：a——演出日期；b——演出会场开放情况；c——人流量；d——室外空气温度；e——室内温度；f——室内湿度；g——风向；h——风速；i——太阳辐射；j——壁面反射；k——地面辐射；l——地面反射；m——新风量；n——电设备开启、停止；o——电设备使用数量；p——遮阳系数。3.根据权利要求2所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，其特征在于，所述各项因子的历史数据进行归一化处理后的数据范围为[
‑
1，1]。4.根据权利要求2所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，其特征在于，所述公共建筑物集中供冷的冷负荷预测值的计算公式为：M＝a*W
aa
+b*W
ab
+c*W
ac
+d*W
ad
+e*W
ae
+f*W
af
+g*W
ag
+h*W
ah
+i*W
ai
+j*W
aj
+k*W
ak
+l*W
al
+m*W
am
+n*W
an
+o*W
ao
+p*W
ap
其中，M为最终模型的冷负荷预测值，W为各项因子的权重，下标代表对应的因子。5.根据权利要求1或4所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法，其特征在于，所述LSTM神经网络算法的计算方式如下：i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
))h
t
＝o
t
*tanh(c
t
)其中，i
t
为输入门，f
t
为遗忘门，o
t
为输出门，为候选值向量，σ为激活函数，c
t
是单元状态，x
t
为当前时刻的输入，h
t
‑1为上一时刻的外部状态，h
t
为LSTM神经网络算法最终的输出，由输出门o
t
和单元状态c
t
...

【专利技术属性】
技术研发人员：邓虎，
申请(专利权)人：广东铭鸿数据有限公司，
类型：发明
国别省市：