一种基于深度学习的空调系统负荷预测方法与流程

1.本发明涉及空调系统负荷预测领域，特别是一种基于深度学习的空调系统负荷预测方法。


背景技术：

2.在过去的几十年里，由于经济的快速增长，世界能源消耗和相关的二氧化碳排放急剧增加。建筑业作为一个重要的消费者，约占世界总能源消耗的40％，其中暖通空调系统占建筑能耗的40％～50％，具有很大的节能潜力。能耗预测作为暖通空调系统节能工作的重要组成部分，可以为系统人员提供能耗波动信息，帮助其提前调整制冷系统中冷水机组、水泵、冷却塔设备的运行策略，避免由于反馈信号传输的迟滞所带来的空调系统能耗损失。
3.在电子设备还不发达的年代，负荷预测主要依靠人们基于原始数据手工绘制负荷预测曲线，这其中加入了诸多的主观因素，在准确度上很难达到一个较高的层次。近年来随着计算机行业的发展，尤其是人工智能技术的飞快进步，将支持向量机、神经网络技术等机器学习算法应用于空调负荷预测成为了许多研究者关注的课题，并且也取得了一定的效果。
4.然而在实际工程中，基于传统的机器学习算法进行空调负荷预测方法时，往往只利用了数据中存在的浅层信息，不能够充分挖掘影响空调系统负荷的多源信息特征，如太阳辐照强度、风速、季节、周末、节假日等，同时传统的模型在复杂度、计算量、以及预测结果的精度上均有待于提高。


技术实现要素：

5.本发明要解决的技术问题是针对上述现有技术的不足，而提供一种基于深度学习的空调系统负荷预测方法，该基于深度学习的空调系统负荷预测方法充分挖掘了影响空调系统能耗的多源特征信息。另外，本发明还在深度神经网络模型中结合了高斯函数的分布特性，对反向传播过程权重更新做出了进一步优化，有助于解决深度神经网络模型计算复杂，计算过程容易出现的梯度消失问题。该方法简化了负荷预测模型，提高了负荷预测精度。
6.为解决上述技术问题，本发明采用的技术方案是：
7.一种基于深度学习的空调系统负荷预测方法，包括以下几个步骤。
8.步骤1、选择影响空调系统负荷的特征元素：通过对待预测空调系统进行分析，选择出影响空调系统负荷的特征元素m个。
9.步骤2、收集空调系统负荷原始数据：在设定时间周期内，按照设定时间间隔，对待预测空调系统的负荷原始数据进行收集，收集的每个空调系统负荷原始数据均需包括m个特征元素。
10.步骤3、负荷数据处理：将步骤2收集的每个空调系统负荷原始数据均进行去量纲处理，使每个空调系统负荷原始数据所包括的m个特征元素，均形成为无量纲数据；然后，将
去量纲后收集的80％空调系统负荷原始数据作为训练集；将去量纲后收集的20％空调系统负荷原始数据作为测试集。
11.步骤4、搭建基于神经网络的深度学习模型：深度学习模型包括一个输入层、y个隐藏层和一个输出层；其中，输入层具有p个神经元，分别对应p个特征元素；p和y均为待确定的未知变量，且p≤m，y≤m；层与层之间采用sigmoid激活函数作为连接函数；输出层具有一个神经元，对应下一时刻的空调系统负荷预测值。
12.步骤5、确定深度学习最优模型：通过选择不同的p和y值，得到不同的深度学习模型；采用步骤3中的训练集数据对每个深度学习模型均进行训练，进而确定每个深度学习模型中的连接权重值；接着，采用步骤3中的测试集数据进行模型验证，得到不同的空调系统负荷预测值；通过对得到的不同空调系统负荷预测值进行比较或评价，进而确定深度学习最优模型；深度学习最优模型中的输入层神经元数量为p＝p1个。
13.步骤6、空调系统负荷预测：获取待预测空调系统在当前时刻的p1个特征元素并进行去量纲处理，将去量纲后的p1个特征元素代入步骤5确定的深度学习最优模型中，进行空调系统负荷预测，输出层结果即为下一时刻空调系统负荷预测值。
14.步骤1中，m＝9，9个特征元素分别为历史负荷值、温度、湿度、气压、风速、季节、太阳辐照强度、周末和节假日。
15.步骤3中，去量纲处理的方法为：先对每个特征元素均进行分档，每个档位对应一个无量纲数字；再将获取的每个特征元素与对应档位进行匹配，进而得到对应的无量纲数据。
16.步骤4中，sigmoid激活函数的表达式为：
[0017][0018]
式中，x为神经元的预输出值，s(x)为该神经元经非线性转化后的输出值。
[0019]
步骤5中，深度学习最优模型确定的具体方法，包括如下步骤。
[0020]
步骤5a、确定关键特征元素：先将步骤1中选择的m个特征元素按照对空调系统的负荷影响，从大至小进行排序；接着，将前p0个特征元素作为关键特征元素；其中，p0的计算公式为：
[0021]
步骤5b、建立深度学习模型：选择不同的p和y值，得到不同的深度学习模型；其中，p∈[p0，m]，y∈[y0，m]，且y0＝2；此时，深度学习模型中输入层的p个神经元，至少包括步骤5a确定的p0个关键特征元素。
[0022]
步骤5c、计算连接权重值：采用步骤3中的训练集数据对步骤5b建立的每个深度学习模型均进行训练，进而确定每个深度学习模型中的连接权重值。
[0023]
步骤5d、验证深度学习模型：采用步骤3中的测试集数据进对具有确定连接权重值的每个深度学习模型进行验证，得到不同的空调系统负荷预测值。
[0024]
步骤5e、确定深度学习最优模型：对步骤5d得到的不同空调系统负荷预测值进行比较或评价，进而得到深度学习最优模型。
[0025]
步骤5e中，采用mae指标对步骤5d得到的不同空调系统负荷预测值进行评价，当mae小于1％所对应的深度学习模型，即为深度学习最优模型。
[0026]
mae的计算公式为：
[0027][0028]
式中，n为步骤5d中从测试集数据中选择的空调系统负荷原始数据数量；i为从测试集数据中选择的第i个空调系统负荷原始数据；yi为测试集数据中下一时刻的空调系统负荷原始实测值；pi为步骤5d中针对第i个空调系统负荷原始数据采用深度学习模型预测得到的空调系统负荷预测值。
[0029]
步骤5c中，采用步骤3中的训练集数据对步骤5b建立的每个深度学习模型均进行训练的过程中，基于梯度下降法对每层的连接权重值进行更新。
[0030]
步骤5c中，基于梯度下降法对每层连接权重值进行更新时，梯度下降法中的学习率α(t)，根据高斯函数的分布特性进行设计，具体计算公式为：
[0031][0032]
式中，t代表学习的迭代次数，h、q是常数。
[0033]
本发明具有如下有益效果：
[0034]
1、本发明能全面获取空调系统负荷的影响因素，包括历史负荷值、温度、湿度、气压、风速、季节、太阳辐照强度、周末和节假日等，并对变量进行量纲的统一。
[0035]
2、本发明建立的深度学习最优模型中隐藏层有多个，形成深层神经网络，以增加模型的表达能力，通过在训练中选择不同的神经元数，比较预测结果来最终确定隐藏层的神经元数和隐藏层数。
[0036]
3、本发明通过引入高斯函数对学习率α进行优化，对于复杂度较高、需要循环迭代多次的深度神经网络，算法执行效率得到了很大的提升，同时该方法有助于解决深度神经网络模型计算过程中容易出现的梯度消失问题，且简化了负荷预测模型，提高了负荷预测精度。
[0037]
4、本发明为系统运维人员提供能耗波动信息，帮助其提前调整制冷系统中各设备运行策略，避免由于反馈信号传输的迟滞所带来的空调系统能耗损失。
附图说明
[0038]
图1为本发明一种基于深度学习的空调系统负荷预测方法的流程图。
[0039]
图2为本发明构建的基于神经网络的深度学习模型示意图。
[0040]
图3为神经网络单层感知器计算原理流程图。
具体实施方式
[0041]
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
[0042]
如图1所示，一种基于深度学习的空调系统负荷预测方法，包括如下步骤。
[0043]
步骤1、选择影响空调系统负荷的特征元素
[0044]
通过对待预测空调系统进行分析，选择出影响空调系统负荷的特征元素m个。本实施例中，优选m＝9。9个特征元素分别为历史负荷值、温度、湿度、气压、风速、季节、太阳辐照强度、周末和节假日等。当然，由于待预测空调系统所处环境不同，特征元素可以根据需要进行调整变化，也均在本技术的保护范围之内。
[0045]
步骤2、收集空调系统负荷原始数据
[0046]
在设定时间周期内(如不少于三年等)，按照设定时间间隔(如1小时或1天等)，对待预测空调系统的负荷原始数据进行收集，收集的每个空调系统负荷原始数据均需包括m个特征元素。
[0047]
步骤3、负荷数据处理
[0048]
将步骤2收集的每个空调系统负荷原始数据均进行去量纲处理，使每个空调系统负荷原始数据所包括的m个特征元素，均形成为无量纲数据。
[0049]
去量纲处理的优选方法为：先对每个特征元素均进行分档，每个档位对应一个无量纲数字；再将获取的每个特征元素与对应档位进行匹配，进而得到对应的无量纲数据。
[0050]
具体为：当特征元素为季节时，则分档方法为：
[0051]
春节或秋季时，无量纲数字为0；夏季或冬季是，无量纲数字为1。
[0052]
同理，周末或节假日时，无量纲数字为1；否则，无量纲数字为0。
[0053]
当然，根据待预测空调系统所处环境，也可以对每个特征元素分更多档位，也在本技术的保护范围之内。
[0054]
然后，将去量纲后收集的80％空调系统负荷原始数据作为训练集；将去量纲后收集的20％空调系统负荷原始数据作为测试集。
[0055]
步骤4、搭建基于神经网络的深度学习模型
[0056]
深度学习模型包括一个输入层、y个隐藏层和一个输出层；其中，输入层具有p个神经元，分别对应p个特征元素；p和y均为待确定的未知变量，且p≤m，y≤m；层与层之间采用sigmoid激活函数作为连接函数；输出层具有一个神经元，对应下一时刻的空调系统负荷预测值。
[0057]
上述sigmoid激活函数的表达式优选为：
[0058][0059]
式中，x为神经元的预输出值，s(x)为该神经元非线性转化后的输出值(以下简称输出值)。
[0060]
如图2和3所示，通过前向传播得到深度学习模型的输出层的激活值和输出层向量，利用反向传播算法重新计算深度学习模型的连接权重值和偏置值，对深度学习模型进行迭代更新，具体计算过程如下：
[0061]
ij＝∑w
ij
oi θj[0062]
式中，ij代表节点(即神经元)j的预输出值，w
ij
代表节点i到节点j的连接权重值，oi代表计算层上一层的节点i的输出值(对于输入层来说指的是输入值)，θj代表节点j的偏向。
[0063][0064]
oj代表节点j的输出值，并作为下一层的输入值。
[0065]
利用反向传播算法重新计算预测模型的连接权重值和偏置值，首先：
[0066]
对于输出层：
[0067]errk
＝ok(1-ok)(t
k-ok)
[0068]
上式中，e
rrk
代表计算节点k产生的误差大小，tk代表预测值，ok代表节点k的输出值。
[0069]
对于隐藏层：
[0070]errj
＝oj(1-oj)∑
kerrkwjk
[0071]
上式中，e
rrj
代表计算节点j产生的误差大小，w
jk
表示节点j到节点k的连接权重值。
[0072]
基于梯度下降法的原理对每层连接权重值进行更新：
[0073]
δw
ij
＝(α)e
rrj
oi[0074]
上式中，α代表学习率，δw
ij
表示节点i到节点j的连接权重误差值。
[0075]
故而，节点i到节点j的连接权重值按照如下公式进行更新：
[0076]wij
＝w
ij
δw
ij
[0077]
偏向更新：
[0078]
δθj＝(α)e
rrj
[0079]
故而，θj按照如下公式进行更新：
[0080]
θj＝θj δθj[0081]
上式中，δθj表示节点j的偏向差值。
[0082]
当α取值过小时，如α取0.01时，经过n次迭代后，αn越来越小，当迭代次数较多，即n取值较大时，αn取值将趋近于零，此时反向传播过程容易出现梯度消失现象，连接权重值及偏向更新将陷入局部最优解。
[0083]
步骤5、确定深度学习最优模型，确定的具体方法，优选包括如下步骤。
[0084]
步骤5a、确定关键特征元素
[0085]
先将步骤1中选择的m个特征元素按照对空调系统的负荷影响，从大至小进行排序。本实施例中，9个特征元素从大至小排序为：历史负荷值、温度、湿度、气压、风速、季节、太阳辐照强度、周末和节假日。
[0086]
接着，将前p0个特征元素作为关键特征元素；其中，p0的计算公式为：
[0087]
步骤5b、建立深度学习模型：选择不同的p和y值，得到不同的深度学习模型；其中，p∈[p0，m]，y∈[y0，m]，且y0＝2；此时，深度学习模型中输入层的p个神经元，至少包括步骤5a确定的p0个关键特征元素。
[0088]
p0、y0对应的深度学习模型，也称为深度学习初始模型。
[0089]
步骤5c、计算连接权重值：采用步骤3中的训练集数据对步骤5b建立的每个深度学习模型均进行训练，进而确定每个深度学习模型中的连接权重值。
[0090]
上述训练过程中，优选基于梯度下降法对每层的连接权重值进行更新，在更新时，梯度下降法中的学习率α，优选根据高斯函数的分布特性进行设计，具体计算公式为：
[0091][0092]
式中，t代表学习的迭代次数，h、q是常数。
[0093]
本发明通过引入高斯函数对学习率α进行优化，对于复杂度较高、需要循环迭代多次的深度神经网络，算法执行效率得到了很大的提升，同时该方法有助于解决深度神经网
络模型计算过程中容易出现的梯度消失问题。
[0094]
步骤5d、验证深度学习模型：采用步骤3中的测试集数据进对具有确定连接权重值的每个深度学习模型进行验证，得到不同的空调系统负荷预测值，也称1级负荷预测值。
[0095]
步骤5e、确定深度学习最优模型：对步骤5d得到的不同空调系统负荷预测值进行比较或评价，进而得到深度学习最优模型。
[0096]
本发明中，有采用mae指标对步骤5d得到的不同空调系统负荷预测值进行评价，当mae小于1％所对应的深度学习模型，即为深度学习最优模型。
[0097]
上述mae的计算公式优选为：
[0098][0099]
式中，n为步骤5d中从测试集数据中选择的空调系统负荷原始数据数量；i为从测试集数据中选择的第i个空调系统负荷原始数据；yi为测试集数据中下一时刻的空调系统负荷原始实测值；pi为步骤5d中针对第i个空调系统负荷原始数据采用深度学习模型预测得到的空调系统负荷预测。
[0100]
上述深度学习最优模型中的输入层神经元数量优选为p＝p1个。
[0101]
步骤6、空调系统负荷预测：获取待预测空调系统在当前时刻的p1个特征元素并进行去量纲处理，将去量纲后的p1个特征元素代入步骤5确定的深度学习最优模型中，进行空调系统负荷预测，输出层结果即为下一时刻空调系统负荷预测值或2级负荷预测值。
[0102]
本发明得到的上述空调系统负荷预测值，能用来提前调整制冷系统中冷水机组、水泵、冷却塔设备的运行策略，避免由于反馈信号传输的迟滞所带来的空调系统能耗损失。
[0103]
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。