一种基于改进LSTM的建筑能耗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改进LSTM的建筑能耗预测方法及系统，方法包括如下过程：获取LSTM神经网络对应的最优参数；将最优参数引入LSTM变体神经网络，使用基于权重衰减的随机梯度优化算法对LSTM变体神经网络中的超参数进行优化，获得LSTM变体神经网络的最佳超参数，将最佳超参数对应的LSTM变体神经网络作为最优LSTM预测模型；利用最优LSTM预测模型对采集的影响建筑负荷的数据进行处理，预测建筑指定时间的负荷数据，实现建筑能耗预测。本发明专利技术方法预测精度更高，稳定性更好，更适应于商业建筑短期能耗预测。筑短期能耗预测。筑短期能耗预测。

A building energy consumption prediction method and system based on improved LSTM

【技术实现步骤摘要】
一种基于改进LSTM的建筑能耗预测方法及系统


[0001]本专利技术属于能耗预测
，具体涉及一种基于改进LSTM的建筑能耗预测方法及系统。

技术介绍

[0002]随着城市化步伐加快，城市建筑物数量增多，建筑能耗在整个能耗体系中的占比越来越大。全球建筑能源消耗已超过工业和交通运输业，占到总能耗的46％，建筑碳排放占比高达36％。人类90％的时间是在建筑中度过，人们对热舒适的不断追求，造成了建筑能耗、温室气体等的增加，这使能耗占比巨大的建筑行业进行能源需求管理成为一个重要研究领域。
[0003]在所有建筑类型中，商业建筑的能耗比住宅建筑高30％，其主要原因是商业建筑面积大、人流量多、作业时间长，对照明、空调的需求高所致。根据调查分析，在商业建筑中商场类公建能耗最高，单位建筑面积平均能耗为3.521GJ/(m2*a)，约为写字楼建筑的3倍和宾馆建筑的2倍。鉴于能耗预测是提高能源利用效率、降低高峰用电需求的关键，因此商业建筑能耗预测成全球广泛关注的问题。然而，室外温湿度、太阳辐射、人员流动等都会引起建筑内能耗变化，同时建筑内大部分设备运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进LSTM的建筑能耗预测方法，其特征在于，包括如下过程：获取LSTM神经网络对应的最优参数；将最优参数引入LSTM变体神经网络，使用基于权重衰减的随机梯度优化算法对LSTM变体神经网络中的超参数进行优化，获得LSTM变体神经网络的最佳超参数，将最佳超参数对应的LSTM变体神经网络作为最优LSTM预测模型；利用最优LSTM预测模型对采集的影响建筑负荷的数据进行处理，预测建筑指定时间的负荷数据，实现建筑能耗预测。2.根据权利要求1所述的一种基于改进LSTM的建筑能耗预测方法，其特征在于，所述LSTM神经网络对应最优参数的获取过程包括：将预测建筑能耗前预设时间段内的影响建筑负荷的数据转换成三维数组，将所述三维数组作为预测后一时间步的原始数据，采用网格搜索方法确定LSTM神经网络批次b、隐藏层个数d和隐藏单元数u，其中批次b、隐藏层个数d和隐藏单元数u构成三维搜索空间，stepb、stepd和stepu分别对应批次b、隐藏层个数d和隐藏单元数u搜索的网格步长，使用预建立的历史数据库中的训练数据集进行训练和测试，在参数的取值范围内进行预设次数的训练，采用平均绝对误差MAE值作为网格搜索方法的目标函数，得到LSTM神经网络对应的最优参数。3.根据权利要求2所述的一种基于改进LSTM的建筑能耗预测方法，其特征在于，所述LSTM神经网络对应最优参数包括批次数量、隐藏层个数和隐藏单元数，其中，批次范围为13
‑
18，隐藏层个数为1
‑
3，隐藏单元数为20
‑
80。4.根据权利要求1所述的一种基于改进LSTM的建筑能耗预测方法，其特征在于，通过改进LSTM神经网络的门结构，得到所述LSTM变体神经网络模型；改进LSTM神经网络门结构的过程包括：在计算遗忘数据时将前一时刻的细胞状态引入，将窥视孔连接添加到遗忘门的体系中；将遗忘门与输入门连接，在旧信息遗忘时引入新信息，将保留的旧信息与引入的新信息设为互补，同时不改变输入激活函数。5.根据权利要求4所述的一种基于改进LSTM的建筑能耗预测方法，其特征在于：所述遗忘门计算公式如下：f
t
＝sigmoid(W
f
[x
t
，h
t
‑1，C
t
‑1]+b
f
)输入门计算公式如下：i
t
＝sigmoid(W
i
[x
t
，h
t
‑1，(1
‑
f
t
)]+b
i
)式中，C
t
‑1是t
‑
1时间步细胞状态，1
‑
f
t
是保留的旧信息，W
f
为遗忘门的权重矩阵，W<...

【专利技术属性】
技术研发人员：于军琪，董芳楠，权炜，康智桓，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：