一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CNN
‑
LSTM的中央空调需求响应测试方法及系统


[0001]本专利技术涉及电力需求响应
，特别涉及一种基于
CNN
‑
LSTM
的中央空调需求响应测试方法及系统
。

技术介绍

[0002]随着我国产业能源结构升级，能源互联网技术发展迎来新的阶段，目前空调作为我国电网负荷重要组成的部分，城市区域电网负荷在近几十年来急速增长，导致高峰期负荷压力和峰值增加以及能源急剧消耗
。
为了实现资源高效率运用，引入需求侧响应，充分挖掘用电高峰期大规模中央空调调峰潜力，并采用合理的方式进行负荷预测并且削峰填谷，优化电网负荷特性具有重要意义
。
[0003]为了实现中央空调负荷侧资源调控测试，传统方法上基于单个卷积神经网络
(Convolutional Neutral Network
，
CNN)
预测中央空调负荷可以做到局部权值共享，平移不变性可以更加好的提取特征以便处理多维数据，但是缺点为网络过深时其梯度回传变化相对于输入往往很小，会出现梯度消失或者崩溃的情况，导致预测数据缺失
。
由于所选取数据与时间有关，长短期记忆网络
(Long Short
‑
Term Memory
，
LSTM)
模型能很好的解决时序序列问题，经过全连接层设计好的遗忘门
、
输出门
、
输入门来过滤信息，使得长序信息处理较好，但是也会存在序列时间跨度非常大的数据中，会很大程度上导致计算量增加，耗时偏多
。
[0004]鉴于大部分现有神经网络模块预测只考虑单特征而忽略了选取数据相关联性，导致测试结果与实际差距过大，存在中央空调负荷预测精度低，预测结果与实际丢失局部和整体的关联性，以及程序冗杂计算量大耗时多的问题
。

技术实现思路

[0005]鉴于上述存在的问题，提出了本专利技术
。
[0006]因此，本专利技术解决的技术问题是：相关技术中中央空调负荷预测精度低，预测结果与实际丢失局部和整体的关联性，以及程序冗杂计算量大耗时多的技术问题
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于
CNN
‑
LSTM
的中央空调需求响应测试方法，包括：获取影响中央空调负荷的因素的数据和中央空调负荷作为原始数据；
[0008]对所述原始数据进行预处理，并将预处理后的数据划分为训练集和预测集；
[0009]根据所述影响中央空调负荷的因素和所述中央空调负荷值构建
CNN
‑
LSTM
‑
Attention
神经网络，将所述训练集输入所述
CNN
‑
LSTM
‑
Attention
神经网络进行训练，输出为调控日的中央空调负荷值；
[0010]将所述预测集输入训练后的
CNN
‑
LSTM
‑
Attention
神经网络，输出预测调控日的中央空调负荷值
。
[0011]作为本专利技术所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法的一种优选方案，
其中：对所述原始数据进行预处理包括，
[0012]利用3σ
法则对于缺失和异常的中央空调原始负荷数据进行一次处理；
[0013]分析不同因素对中央空调负荷之间的关联性，并根据关联性的结果选择关联度最高的至少一个因素计算加权指数，通过加权指数来判断负荷预测数据是否符合当天实际数据，或根据加权指数来排除差异大的天数的数据；
[0014]将原始数据进行归一化处理
。
[0015]作为本专利技术所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法的一种优选方案，其中：选择关联度最高的多个因素计算所述加权指数，包括，
[0016]结合影响中央空调负荷的因素的数据和处理后的中央空调负荷数据，利用皮尔森相关系数法和斯皮尔曼系数法计算不同因素对中央空调负荷之间的关联性；
[0017]对两个关联性进行分析，得到中央空调负荷各因素与中央空调负荷的相关性的强弱关系；
[0018]计算温度和湿度与中央空调的加权温湿度指数
。
[0019]作为本专利技术所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法的一种优选方案，其中：将所述训练集输入
CNN
‑
LSTM
‑
Attention
神经网络进行训练包括，
[0020]历史中央空调负荷数据进行预处理，预处理的数据表示为时间序列；
[0021]将时间序列输入
CNN
‑
LSTM
‑
Attention
神经网络的
CNN
层，
CNN
层进行特征提取；
[0022]将提取的特征输入
CNN
‑
LSTM
‑
Attention
神经网络的
LSTM
层，
LSTM
层对提取到的特征进行学习，并利用
Dropout
算法防止在训练过程中会出现的过拟合情况；
[0023]LSTM
层的输出连接
Attention
层，通过
Attention
层降低权重输出输出预测结果；
[0024]选择评价指标函数对
Attention
层输出的结果进行判断预测结果是否符合标准，若符合标准，直接输出预测结果，反之重新返回
LSTM
层训练
。
[0025]作为本专利技术所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法的一种优选方案，其中：所述
Attention
层降低权重输出，输出预测结果包括，所述
Attention
层将参与中央空调负荷预测的历史数据寻址操作处理，利用概率分配权重的方式计算权重矩阵，最后通过预测得到的预测结果是反归一化的数据结果，即得到调控日的中央空调负荷值
。
[0026]作为本专利技术所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法的一种优选方案，其中：利用概率分配权重的方式计算所述权重矩阵
K
i
的表达式为，
[0027][0028]其中，
v
i
为注意力机制的第
i
个
value
值，
i≤n
；
a...

【技术保护点】

【技术特征摘要】
1.
一种基于
CNN
‑
LSTM
的中央空调需求响应测试方法，其特征在于，包括，获取影响中央空调负荷的因素的数据和中央空调负荷作为原始数据；对所述原始数据进行预处理，并将预处理后的数据划分为训练集和预测集；根据所述影响中央空调负荷的因素和所述中央空调负荷值构建
CNN
‑
LSTM
‑
Attention
神经网络，将所述训练集输入所述
CNN
‑
LSTM
‑
Attention
神经网络进行训练，输出为调控日的中央空调负荷值；将所述预测集输入训练后的
CNN
‑
LSTM
‑
Attention
神经网络，输出预测调控日的中央空调负荷值
。2.
如权利要求1所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法，其特征在于：对所述原始数据进行预处理包括，利用3σ
法则对于缺失和异常的中央空调原始负荷数据进行一次处理；分析不同因素对中央空调负荷之间的关联性，并根据关联性的结果选择关联度最高的至少一个因素计算加权指数，通过加权指数来判断负荷预测数据是否符合当天实际数据，或根据加权指数来排除差异大的天数的数据；将原始数据进行归一化处理
。3.
如权利要求2所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法，其特征在于：选择关联度最高的多个因素计算所述加权指数，包括，结合影响中央空调负荷的因素的数据和处理后的中央空调负荷数据，利用皮尔森相关系数法和斯皮尔曼系数法计算不同因素对中央空调负荷之间的关联性；对两个关联性进行分析，得到中央空调负荷各因素与中央空调负荷的相关性的强弱关系；计算温度和湿度与中央空调的加权温湿度指数
。4.
如权利要求3所述的基于
CNN
‑
LSTM
的中央空调需求响应测试方法，其特征在于：将所述训练集输入
CNN
‑
LSTM
‑
Attention
神经网络进行训练包括，历史中央空调负荷数据进行预处理，预处理的数据表示为时间序列；将时间序列输入
CNN
‑
LSTM
‑
Attention
神经网络的
CNN
层，
CNN
层进行特征提取；将提取的特征输入
CNN
‑
LSTM
‑
Attention
神经网络的
LSTM
层，
LSTM
层对提取到的特征进行学习，并利用
Dropout
算法防止在训练过程中会出现的过拟合情况；
LSTM
层的输出连接
Attention
层，通过
Attention
层降低权重输出输出预测结果；选择评价指标函数对
Attention
层输出的结果进行判断预测结果是否符合标准，若符合标准，直接输出预测结果，反之重新返回
LSTM
层训练
。5.
如权利要求4所述的基于<...

【专利技术属性】
技术研发人员：卢健斌，韩帅，肖静，卓浩泽，胡志超，卓毅鑫，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：