【技术实现步骤摘要】
本专利技术属于空调负荷预测，具体涉及一种基于fcm-ddqn优化模型的空调负荷预测方法、设备及介质。
技术介绍
1、由于全球气候变暖，同时随着社会经济的不断发展，空调的使用日渐增多，导致空调负荷占比逐年增加。在夏季高峰时段，我国大中城市的空调负荷占比高达30-50％。为加强楼宇空调系统的运行能耗管理，降低能耗水平，首先需要对公共楼宇空调系统的用电负荷进行负荷预测。
2、空调负荷预测发展至今，机器学习中的神经网络技术一直是主流算法，以循环神经网络为基础形成各类分支，被广泛应用。传统机器学习算法的缺陷在于：一方面，在单机上处理大规模数据的时候，为了保证速率往往会导致精度的丢失：另一方面，在分布式处理时，各机器之间存在通信损失，在一定程度上降低了数据的处理效率。
3、cn106682764a-一种基于并行预测策略的公共楼宇日前空调负荷预测方法的方案，根据公共楼宇空调负荷的时序性特点，基于大样本采样数据建立采用并行预测策略，以减少累积误差的影响。在历史数据预处理过程中采用主成份分析方法与模糊c均值聚类方法相结合的模式，综合利用pca的特征提取能力和模糊c均值聚类选取相似日的能力，同时降低输入变量的维度和样本数据的规模，从而改善了预测模型的精度和泛化能力。但是，前述专利申请方案由于采用了svm(支持向量机)，需要调节的参数较多，计算复杂度高，需要大量时间来处理。
技术实现思路
1、本专利技术针对现有空调负荷预测方法难以兼顾处理效率和精度的不足，提供一种基于fcm-dd
2、为实现上述目的，本专利技术采用如下技术方案：一种基于fcm-ddqn优化模型的空调负荷预测方法，所述基于fcm-ddqn优化模型的空调负荷预测方法包括：
3、步骤s1、选择与空调负荷有关的相关参数，对相关参数数据进行预处理；
4、步骤s2、采用fcm算法对预处理后数据进行聚类；
5、步骤s3、根据聚类结果，构建ddqn模型组；
6、步骤s4、对待预测数据进行归类，根据归类结果采用相应的ddqn模型进行空调负荷预测。
7、本专利技术的基于fcm-ddqn优化模型的空调负荷预测方法，对空调负荷有关的相关参数进行预处理，然后采用fcm算法对预处理后数据进行聚类，最后采用ddqn模型组进行空调负荷预测，经过fcm算法聚类后的样本输入预测模型具有更强的代表性，ddqn具有强大的决策能力与优异的算法性能，通过fcm聚类和优化ddqn的结合，使得空调负荷预测的精度更高，同时能够保证较高的速度。
8、作为改进，步骤s1中，相关参数包括室外温度、室外湿度、历史1时刻空调负荷、历史2时刻空调负荷、历史3时刻空调负荷。
9、作为改进，步骤s1中，对相关参数数据进行归一化处理，归一化处理的公式为：
10、室外温度
11、室外湿度
12、空调负荷
13、式中，tmin、tmax分别为室外温度的最小值、最大值；wmin、wmax分别为室外湿度的最小值、最大值；qmin、qmax分别为室外负荷的最小值、最大值。
14、作为改进，步骤s2中，采用fcm算法对预处理后的数据进行聚类，包括：
15、建立fcm隶属函数公式，表示为：
16、
17、式中，xi是空调历史负荷；c为类别数；mj(j＝1,2,3…c)是各聚类中心；xi-mj为xi到mj的距离；uj(xi)是第i个样本关于第j类的隶属度；j为模糊加权幂指数；m为xi的模糊c划分矩阵，v为xi的聚类中心集合；
18、fcm聚类算法的目的即得到最小的m和v；
19、隶属度之和是1，用公式表示为：
20、
21、在上式条件下求极小值，令j(m,v)对mj和uj(xi)偏导数为0，得到极小值的成立条件，表示为：
22、
23、
24、作为改进，步骤s2中，fcm算法的具体过程包括：
25、(1)初始化聚类数c、参数b、迭代的次数t＝1、最大迭代次数、终止阈值ε，b是常数；
26、(2)初始化每一个聚类中心；
27、(3)通过公式(7)来算出每一个聚类中心的隶属度；
28、(4)通过公式(6)来更新每一个聚类中心；
29、(5)选择恰当的矩阵范数，当v(i+1)-vi≤ε或t≥tmax，运算暂停；反之，t＝t+1，回到步骤(3)。
30、作为改进，步骤s2中，聚类数c的最优取值通过信息熵来得到，采用公式：
31、
32、式中,p(x)是x在聚类过程中发生的概率；
33、数据在某一类的中心确定性越高时，数据集对于属于该类和非属该类的信息熵和越小，归类越合理，即下式值最小：
34、
35、式中，数据的原始隶属度为1，隶属信息熵为0，非隶属则为∞，两者之和也为∞，因此c取值范围为
36、作为改进，步骤s3中，ddqn有两个值函数和两组网络权重：θ和θ-，权重为θ的值函数用于基于贪心策略确定要执行的动作，并且使用权重为θ-的另一个函数评估q值，ddqn目标值采用公式：
37、qddqn＝r+γq(st+1,argmaxq(st+1,a∣θ)；θ-)(10)
38、式中，目标q网络是一个单独的网，输出值为q(s,a；θ-)，用以在训练期间生成q值；r是在时间t+1的固定奖赏；γ为折扣因子；st+1为时间t+1的空调负荷；a为采取的动作。
39、作为改进，步骤s3中，还包括：选用变异系数cv作为衡量空调负荷预测模型的精确度指标，采用公式：
40、
41、式中，n2为待预测样本数；yi为第i个样本的空调负荷预测值；为第i个样本的空调实际负荷值；为样本空调实际负荷值求得的平均值。
42、一种电子设备，包括和存储装置，存储装置存储有程序，当程序被处理器执行时，实现前述的一种基于fcm-ddqn优化模型的空调负荷预测方法。
43、一种计算机可读存储介质，其上存储有计算机程序，当程序被执行时实现前述的一种基于fcm-ddqn优化模型的空调负荷预测方法。
44、本专利技术的基于fcm-ddqn优化模型的空调负荷预测方法的有益效果是：通过fcm聚类和优化ddqn的结合，经过fcm算法聚类后的样本输入预测模型具有更强的代表性，ddqn具有强大的决策能力与优异的算法性能，使得空调负荷预测的精度更高，同时能够保证较本文档来自技高网...
【技术保护点】
1.一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：所述基于FCM-DDQN优化模型的空调负荷预测方法包括：
2.根据权利要求1所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S1中，相关参数包括室外温度、室外湿度、历史1时刻空调负荷、历史2时刻空调负荷、历史3时刻空调负荷。
3.根据权利要求2所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S1中，对相关参数数据进行归一化处理，归一化处理的公式为：
4.根据权利要求1所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S2中，采用FCM算法对预处理后的数据进行聚类，包括：
5.根据权利要求4所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S2中，FCM算法的具体过程包括：
6.根据权利要求4所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S2中，聚类数C的最优取值通过信息熵来得到，采用公式：
7.根据权利要求1所述的一
8.根据权利要求7所述的一种基于FCM-DDQN优化模型的空调负荷预测方法，其特征在于：步骤S3中，还包括：选用变异系数CV作为衡量空调负荷预测模型的精确度指标，采用公式：
9.一种电子设备，其特征在于：包括和存储装置，存储装置存储有程序，当程序被处理器执行时，实现如权利要求1至8任一所述的一种基于FCM-DDQN优化模型的空调负荷预测方法。
10.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，当程序被执行时实现如权利要求1至8任一所述的一种基于FCM-DDQN优化模型的空调负荷预测方法。
...【技术特征摘要】
1.一种基于fcm-ddqn优化模型的空调负荷预测方法，其特征在于：所述基于fcm-ddqn优化模型的空调负荷预测方法包括：
2.根据权利要求1所述的一种基于fcm-ddqn优化模型的空调负荷预测方法，其特征在于：步骤s1中，相关参数包括室外温度、室外湿度、历史1时刻空调负荷、历史2时刻空调负荷、历史3时刻空调负荷。
3.根据权利要求2所述的一种基于fcm-ddqn优化模型的空调负荷预测方法，其特征在于：步骤s1中，对相关参数数据进行归一化处理，归一化处理的公式为：
4.根据权利要求1所述的一种基于fcm-ddqn优化模型的空调负荷预测方法，其特征在于：步骤s2中，采用fcm算法对预处理后的数据进行聚类，包括：
5.根据权利要求4所述的一种基于fcm-ddqn优化模型的空调负荷预测方法，其特征在于：步骤s2中，fcm算法的具体过程包括：
6.根据权利要求4所述的一种基于fcm-ddqn优化模型的空调负荷预测方法，其...
【专利技术属性】
技术研发人员：黄荣国，钟炜豪，王峰，严华江，沈百强，李磊，芦鹏飞，陆春光，俞佳莉，王佳颖，谢志铎，麻吕斌，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
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。