一种基于深度学习的制冷系统能耗预测方法及系统

本发明涉及一种基于深度学习的制冷系统能耗预测方法及系统，属于机器学习算法。

背景技术：

1、作为全程冷链的关键节点，冷库制冷系统在冷链商品贮藏和保质方面具有不可替代的作用。随着以冷库制冷系统为代表的冷链仓储的快速发展，其通过直接和间接方式消耗能源所产生的温室气体排放量日益增加，已经约占全世界温室气体排放总量的2.5%。如以改善室内空气品质为目标的建筑供冷能耗超过建筑总能耗的 60%；以提升人们生活品质为目的的冷链制冷全年能耗 约为全球总能耗的 11%。而且能耗与成本直接相关，冷库制冷系统高能耗及带来的高成本问题，已经成为制约冷库行业快速发展的瓶颈问题。因此，研究冷库制冷系统能源消耗预测方法，为冷库制冷系统的设计和节能运行操作提供指导和建议，对节约能源、降低冷库企业生产成本，提高经济效益具有重要的现实意义。

2、近年来，为了解决冷库制冷系统能耗预测的问题，学术界开展了大量的研究工作。目前大多数学者对冷库制冷系统能耗预测的研究主要集中在构建基于热力学计算的物理模型和基于机器学习的数据模型两类。

3、关于基于注意力机制的深度学习方法，haixue wu等（具体参见：wu h, xu j,wang j, et al. autoformer: decomposition transformers with auto-correlationfor long-termseries forecasting[j]. advances in neural information processingsystems, 2021,34: 22419-22430.）提出了一种分解结构，通过嵌入序列分解块作为内部算子，逐步聚合中期预测的长期趋势部分，构建了autoformer预测模型，能够较好的完成能耗长时间序列的预测；haoyi zhou等（具体参见：zhou h, zhang s, peng j, et al.informer: beyond efficient transformer for long sequence time-seriesforecasting[c]//proceedings of the aaai conference on artificialintelligence. 2021, 35(12): 11106-11115.）设计了一种高效的基于变换的lstf模型informer，能有效地处理超长输入序列，并大大提高了长序列预测的推理速度；tian zhou等（具体参见：zhou t, ma z, wen q, et al.fedformer: frequency enhanceddecomposed transformer for long-term series forecasting[c]//internationalconference on machine learning. pmlr, 2022: 27268-27286.）提出了将transformer和季节性趋势分解方法相结合，其中分解方法捕捉时间序列的全局轮廓，而transformers捕捉更详细的结构。其效率比标准transformer更高，其序列长度的复杂度是线性的。

4、机器学习和深度学习方法广泛应用于能耗预测中，该方法优点是模型构建简单、泛化性好。但是人工智能预测模型也存在如下几个缺点。首先，单一模型在处理复杂问题时，可能存在预测精度较差的问题；其次，预测结果不具备可解释性，对冷库节能设计和控制的优化帮助有限；最后，目前基于lstm、rnn和transformer等模型和优化模型，都很难捕获长时间序列的特征，而且训练过程的误差积累严重，导致预测长时间序列的能耗数据精度不高等问题。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于深度学习的制冷系统能耗预测方法及系统；

2、本发明提出了一种基于多头注意力机制和生成式对抗网络的能耗预测模型。本发明在2个冷库制冷系统的数据上进行了验证实验，测试了该能耗预测模型对制冷系统能耗预测场景的有效性。本发明提出了一种生成式对抗性反馈机制，来规范能耗预测模型。通过实验表明，该方法减少了误差积累，提高了模型的泛化性和稳健性。本发明解决了现有模型精度不高、稳定性不强、泛化性不够等问题。最终使用高温和低温冷库两组数据，验证了本发明能耗预测模型的有效性。

3、本发明还提出了一种基于深度学习的制冷系统能耗预测系统。

4、本发明的技术方案为：

5、一种基于深度学习的制冷系统能耗预测方法，包括：

6、构建并训练能耗预测模型；

7、将待预测时间序列预处理后，通过训练好的能耗预测模型实现制冷系统能耗预测；

8、其中，能耗预测模型中，将包括原始时间序列数据和目标时间序列数据的序列数据作为输入序列，处理转换为隐藏表示，以捕捉序列中的模式和特征；捕捉相关信息，获得对能耗的预测值。

9、根据本发明优选的，对于一个包含时序信息和相应观测值的数据集，时序信息为一个观测/数据点大小为t的时间戳序列： ；其中，每个时间戳t对应的数据点为 ，并且∀t有 ,r表示实数域，m表示向量 中实数值的个数；当m=1时，该时间戳序列为单变量时间序列；

10、定义制冷系统能耗预测问题为：给定一个训练时间戳序列x，对于任何一个长度为 且与训练时间戳序列模态相同的未知测试时间序列 ，预测未来若干时间步内能耗y的走向及具体的值；即预测 ，其中，  表示第t-1时刻到第t时刻之间的能耗。

11、根据本发明优选的，预处理，包括：归一化、缺失值填充操作。

12、进一步优选的，归一化处理的公式如下所示：

13、 ；

14、其中， 为某一节点某一属性的当前值，min（x）为所有节点该属性的最小值，max（x）为所有节点该属性的最大值， 是一个常量。

15、根据本发明优选的，能耗预测模型即anformer模型包括两个window encoder模型、两个encoder、三个decoder；

16、两个window encoder模型包括第一window encoder、第二window encoder；两个encoder包括第一encoder及第二encoder；三个decoder包括第一decoder、第二decoder及第三decoder；

17、window encoder模型用于将输入的序列数据转换为隐藏表示，通过将输入的序列数据经过transformer编码器进行处理，来捕获数据中的重要信息和特征；encoder负责对完整的源序列进行编码来捕获输入序列内的相关信息，encoder的编码输出进入windowencoder，使得window encoder更易学习到高质量的特征信息；在训练期间，decoder在生成目标序列的同时负责计算生成序列与真实目标序列之间的损失，并通过反向传播调整模型参数，以最小化损失；在测试阶段编码器输出的隐藏表示输入到decoder中经过转化得到目标预测序列。

18、进一步优选的，window encoder模型使用自注意力机制来处理时间窗口内的数据；在输入数据中添加位置编码；

19、window encoder模型的输入数据是一个包括多个特征的时间序列数据，包括历史电能能耗数据、冷库状态情况和时间戳信息；输入数据首先被划分成一系列固定长度的时间窗口；每个时间窗口包括连续的数据片段，在窗口划分后，每个时间窗口的数据通过嵌入层进行编码；

20、接下来，经过嵌入层处理后的向量序列被传递到transformer编码器即windowencoder中；对于window encoder，对输入窗口input window应用位置编码，得到i2；

21、window encoder将执行以下操作：

22、 ；

23、 ；

24、  ；

25、  ；

26、其中，ii代表第i个编码器的输入，multiheadatt（i2，i2，i2）表示输入矩阵i2的多头自注意操作，+表示矩阵加法；window encoder将全序列  的编码作为值和键，以编码的输入窗口作为查询矩阵进行注意操作；接下来经过一个layer norm层进行标准化操作；其后所跟的多头注意力层表示对第一window encoder的输出  和经layer norm层所得的 进行的多头自注意力操作，得到 ；最后，  和  经过一个layer norm层进行标准化操作，得到 。

27、根据本发明优选的，通过训练好的能耗预测模型实现制冷系统能耗预测；包括：

28、初步能耗预测阶段：第一window encoder使用基于上下文的注意力将输入窗口w通过转换得到压缩表示 ，将压缩表示 通过第一decoder中 得到一个输出，第一decoder的输出再作为第二window encoder和第二decoder的输入，得到输出为初步能耗预测结果output1；

29、最终能耗预测阶段：将输出output1与输入的偏差连接输入窗口w一并输入到第一window encoder和第三decoder当中，得到最终的时间戳t+1的预测数据即最终的能耗预测结果output2。

30、根据本发明优选的，第二decoder的目标是缩小预测数据与真实数据的差异，第三decoder的目标是放大预测数据与真实数据的差异，所以，能耗预测模型的训练目标为：

31、 ；

32、其中，decoder2是第二decoder，decoder 3是第三decoder；

33、能耗预测模型的损失函数l为：

34、 ；

35、其中，output1是初步能耗预测，output2是最终的能耗预测结果，n表示训练过程中的第n次迭代， 是一个右逼近于1的超参数。

36、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于深度学习的制冷系统能耗预测方法的步骤。

37、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于深度学习的制冷系统能耗预测方法的步骤。

38、一种基于深度学习的制冷系统能耗预测系统，包括：

39、能耗预测模型构建及训练模块，被配置为：构建并训练能耗预测模型；

40、能耗预测模块，被配置为：将待预测时间序列预处理后，通过训练好的能耗预测模型实现制冷系统能耗预测；其中，能耗预测模型中，将包括原始时间序列数据和目标时间序列数据的序列数据作为输入序列，处理转换为隐藏表示，以捕捉序列中的模式和特征；捕捉相关信息，获得对能耗的预测值。

41、本发明的有益效果为：

42、1、本发明能耗预测模型对于制冷系统能耗预测精度高，可以有效的指导系统运行，避免能源的浪费和不必要的能耗。

43、2、本发明能耗预测模型泛化性强，适用于高温库和低温库能耗预测，能够更好地应用于实际场景中，为决策提供可靠的支持。