一种基于改进LSTM网络的空调能耗预测方法、系统及存储介质与流程
- 国知局
- 2024-11-06 14:49:24
本发明一种基于改进lstm网络的空调能耗预测方法、系统及存储介质涉及公共楼宇空调节能,具体涉及一种基于ccde-lstm-attention网络模型(基于混沌约束差分进化算法优化含注意力机制的长短时记忆神经网络模型)的公共楼宇空调能耗优化方法。
背景技术:
1、在当前全球气候变化和能源资源日益紧张的背景下,建筑能耗的管理和优化成为了当今社会亟待解决的重要问题。特别是在建筑能耗中,空调系统所占比例巨大,因此对其能耗进行准确预测和有效控制具有重要意义。传统的空调能耗预测方法往往受限于模型的复杂性和准确性,因此迫切需要一种更加精准、实时的预测方法来应对日益增长的能源需求和环境保护压力。
2、建筑空调系统受到诸多因素影响,如建筑结构、气候条件、人员活动等,使得能耗预测具有一定的复杂性。空调系统的能耗随着时间和环境条件的变化而变化,需要考虑时间序列和动态变化。预测过程需要依赖大量的历史能耗数据以及与能耗相关的数据,如温度、湿度、人流量等。此外,由于空调能耗直接影响到建筑的运行成本和环境保护,因此预测的准确性要求较高。
3、在过去的几十年里,针对空调系统能耗预测的研究取得了一定的进展。早期的研究主要集中在统计方法和物理模型上,例如基于回归分析、时间序列分析等方法进行能耗预测。然而,这些方法往往需要大量的数据和对系统的复杂理解,且在处理非线性关系和动态变化方面存在一定的局限性。
4、空调系统大多包含多个机组,机组的负荷分配并不均匀,运行工况较为复杂,传统算法在空调能耗优化中难以收敛,且易陷入局部最优,从而不能快速、准确地优化机组负荷分配,无法保证有效节约能耗。而且这些算法对于时间序列数据的处理能力有限,长期依赖关系的建模效果不佳,无法充分考虑到系统在不同时间尺度上的动态变化。
5、随着人工智能和深度学习技术的发展,神经网络模型成为了一种强大的工具,在各个领域取得了显著的成果。因此,将神经网络模型应用于空调能耗预测成为了一个备受关注的方向。尽管神经网络模型在空调能耗预测中展现出了一定的优势,但传统的前馈神经网络模型仍然存在一些问题。例如,对于时间序列数据的处理能力有限,长期依赖关系的建模效果不佳,无法充分考虑到系统在不同时间尺度上的动态变化。因此,有必要探索一种更加适合于空调系统能耗预测的神经网络模型。
技术实现思路
1、本发明的目的是针对上述不足之处,提供一种基于改进lstm网络的空调能耗预测方法、系统及存储介质,采用混沌约束de算法优化lstm神经网络的权值和阈值,并引入注意力(attention)机制提取lstm神经网络预测的重要特征信息;不仅可以对空调系统的长期能耗进行预测,还能够预测其在若干个短期控制步长的能耗,实现了能耗的实时预测与控制。
2、为了实现上述目的,本发明提供了一种基于改进lstm网络的空调能耗预测方法,方法包括:
3、步骤1、空调能耗预测模型的数据收集与处理;
4、步骤2、通过斯皮尔曼相关系数对步骤1收集到的数据进行相关性分析;
5、步骤3、将步骤2分析处理后的数据分为训练集、验证集和测试集;
6、将训练集的数据输入用于训练模型参数,采用混沌约束de算法优化lstm神经网络的权值和阈值;获得优化后的空调能耗预测模型;
7、步骤4、将步骤3所述的测试集数据作为输入,利用优化后的空调能耗预测模型进行空调能耗预测,生成预测结果;引入attention机制提取lstm神经网络预测输出的重要特征信息,所述重要特征信息即空调负荷影响因素。
8、步骤5、通过验证指标来判断模型的预测性能;具体的是将预测结果与验证集相比较,判断预测结果与实际结果误差大小。
9、进一步的,步骤1对可能影响空调系统能耗的数据进行监测、收集和处理;所述的数据包括建筑物室内环境参数、室外环境参数、空调系统运行参数和空调系统的历史能耗数据。
10、进一步的,室内环境参数包括室内温度设定值、室内空气温度和室内co2浓度;室外环境参数包括室外温度、室外相对湿度和室外co2浓度;
11、空调系统的历史能耗数据包括设置在空调系统内的空调设备的历史能耗数据;所述空调设备的运行参数包括蒸发器、冷凝器、冷却水泵、冷冻水泵进出口温度值和冷却塔风机频率;空调系统的历史能耗数据包括冷水机组能耗、冷却水泵能耗、冷冻水泵能耗和冷却塔能耗。
12、所述空调系统的历史能耗数据为每分钟采集一次。
13、进一步的,通过在冷冻机、冷冻水泵、冷却水泵、冷却塔、送风机和回风风机安装电能表,测量上述每台设备的耗电量;建筑物室内环境参数和室外环境参数通过设置的传感器采集得到;所述传感器包括温度检测、湿度检测、co2浓度检测设备。
14、进一步的,步骤1中的数据处理包括:
15、步骤1-1、采用局部离群因子算法消除所收集数据中的局部离群值,用以筛选所收集数据中的离群值;计算公式如下:
16、
17、其中:t表示缺失或异常数据的索引值,i表示缺失或异常数据附近数据的索引值,表示处理后的填充数据,xt表示缺失或异常数据,xi表示正常数据;
18、在步骤1-1中,数据中的所有缺失值和删除的离群值由以该数据点为中心的相邻15分钟数据的平均值补充,从而进一步降低填充值的存在对模型预测结果精度的影响;
19、步骤1-2、对经步骤1-1处理后的数据进一步进行归一化处理,使数据的原始范围转换为0-1范围,以消除变量的主导效应和维度影响;归一化的过程如下:
20、
21、为了得到原始维单元中的数据,使用逆归一化来恢复预测结果中的数据;逆归一化的过程如下:
22、
23、上述归一化和逆归一化公式中,表示归一化后的数据,xi表示原始数据(即正常数据),xmax和xmin分别描述原始数据的最大值和最小值,表示逆归一化后的预测实际值。
24、进一步的,步骤2中采用斯皮尔曼相关系数筛选与空调系统能耗相关性较强的单变量,以获得最优的输入变量组合;具体的是从室内环境参数、室外环境参数和机组运行参数三个主要方面进行相关性分析;通过以下公式计算斯皮尔曼相关系数:
25、
26、其中,原始数据xi和yi按照从小到大的顺序排列,和分别表示原始数据在得到的对齐数据中的位置,n为数据个数。
27、进一步的,用于相关性分析的输入数据即原始数据包括:
28、δe,表示从当前时刻开始的接下来15分钟内空调系统的能耗;
29、to,为当前时刻的室外空气温度;
30、ti,为当前时刻的室内空气温度;
31、tdio,表示当前时刻的室内空气温度与室外空气温度之间的温差;
32、tdis,表示当前时刻的室内空气温度与下一时刻的室内温度设定点之间的差;
33、cco2,为描述co2浓度;
34、rhi,为室内空气相对湿度;
35、rho,是室外空气相对湿度;
36、tei,表示蒸发器入口温度;
37、teo,表示蒸发器出口温度;
38、tci,表示冷凝器入口温度;
39、tco,表示冷凝器出口温度;
40、fchwp,表示冷冻水泵工作频率;
41、fcwp,表示冷却水泵工作频率;
42、fct,表示冷却塔风扇频率。
43、进一步的,经过相关性分析,得出空调系统的能耗与ti、tdis和to有很强的相关性,与tci和tco有极强的相关性;进而筛选出上述5个变量组合作为预测模型的输入变量,以获得最优的输入变量组合。
44、进一步的,步骤3中将步骤2分析处理后的数据以0.6:0.2:0.2比例任意分配训练集、验证集和测试集;
45、将训练集的数据输入用于训练模型参数;
46、将测试集数据作为输入用于预测;
47、将验证集用于与预测结果相比较,看预测结果与实际结果误差;本发明方法利用标准均方根误差,即rmse来进行比较判别。
48、进一步的,步骤3中采用混沌约束de算法优化lstm神经网络的权值和阈值,具体的是在预设范围内随机选取神经网络初始权值和阈值,然后通过混沌约束de算法不断调整网络权值和阈值,使得神经网络的目标函数值越来越少,表明优化效果越来越好;所述预设范围通常是[-1,1]。
49、所述混沌约束de算法是结合tent映射和差分进化算法而提出的基于tent混沌系列的混沌约束差分进化算法;在该算法中,交叉因子cr更新公式如下:
50、
51、crn和crn+1分别表示当前交叉因子和更新后交叉因子;
52、收缩因子f更新公式如下:
53、
54、fn+1=fc+(1-fc)fn
55、式中,fn和fn+1分别表示介于[0,0.5]之间的当前任意值和更新后的任意值;fc为收缩因子f的约束因子,其约束了收缩因子的最小值,从而保证了算法的全局收敛能力;fc表示如下:
56、
57、式中n表示种群数。
58、釆用混沌约束的差分进化算法使用tent混纯序列自动的产生收缩因子f和交叉因子cr参数值,避免了传统de算法中关于算法参数的设置;同时混沌的振荡性促使了微分进化算法在计算的过程中能够跳出局部极值,极大的避免了算法的早熟现象;但是混纯的振荡性也使得算法在寻优的过程中尤其是后期无法稳定收敛,因此加入了约束因子来限制收缩因子的最小值,从而保证算法的收敛性。
59、进一步的,步骤4中,引入attention机制(注意力机制)对lstm网络输出的不同层次的数据进行偏向性选择,以大权重聚焦关联性大且重要的信息,以低权重分配给特征平淡的信息,从而对数据进行更深层次的特征提取,减少因不确定性和波动性带来的误差,提高底层反演结果的稳定性和可靠性;
60、具体的是在lstm层之后,添加了attention网络层,对lstm输出数据进行特征选择,从而确定重要特征信息;
61、注意力机制主要分为编码层和解码层,假设共有t个时间步的输入,encoder(编码器)第t时间步的输出表示为ht;decoder(解码器)第i时间步的输出为si,则第i时间步的控制向量contextvector(ci)计算过程及公式如下:
62、eti=v tanh(wht+usi+b)
63、
64、
65、si=f(ci,si-1,xi)
66、式中:v、w、u、b为模型学习参数;eti为lstm隐藏层输出值对当前输入值的临时权重;softmax是归一化指数函数;αti为eti经softmax转换为网络使用的注意力权重;ci表征为提取的重要特征信息;[h1,h2,…,ht]为对应输入序列的隐藏层状态值;eti、αti和ci参数随模型训练过程不断更新;
67、根据上述得到的注意力机制权重,有选择地从lstm输入信息中提取关键信息,对这些关键信息进行整合相加,得到模型当前应该关注的内容。
68、进一步的,在上述提取关键信息步骤中,所采用的特征重要性评估规则如下:
69、首先,计算lstm网络输出的每个特征的注意力权重值,权重值越大,说明该特征对神经网络空调能耗模型预测的效果越好;
70、然后,将这些特征(每个特征中注意力权重值最大的特征信息)相加就可以得到经过特征重要性评估后的特征向量;
71、在进行空调能耗预测时,通过利用特征重要性评估规则,对权重值越高的特征向量,给予更高的关注度,对于权重值越小的特征向量,给予较低的关注度,有效地解决了空调能耗数据特征之间相似性而产生较高的误报率,在一定程度上提高了预测准确度。
72、本发明提供了一种基于改进lstm网络的空调能耗预测系统,系统包括:
73、预测模型的数据收集、处理模块,用于对影响空调系统能耗的数据进行监测、收集和处理;
74、数据相关性分析模块,用于通过斯皮尔曼相关系数对预测模型的数据收集、处理模块收集到的数据进行相关性分析,筛选与空调系统能耗相关性较强的单变量,以获得最优的输入变量组合;
75、模型预测性能判断模块,用于对数据相关性分析模块输出的参数数据进行分类和模型的预测性能判断;
76、混沌约束de算法优化lstm神经网络模块,用于对lstm神经网络的权值和阈值进行优化;
77、attention机制提取模块,用于提取经混沌约束de算法优化lstm神经网络模块的预测输出的重要特征信息,所述重要特征信息即空调负荷影响因素,增强网络对重要时间点特征的学习权重,降低公共楼宇空调能耗预测的误差。
78、本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述基于改进lstm网络的空调能耗预测方法。
79、与现有技术相比,本发明的有益效果为:
80、本发明方法基于lstm神经网络模型的预测方法,采用混沌约束de算法优化lstm神经网络的权值和阈值,并引入attention机制提取神经网络预测的关键空调负荷影响因素,通过斯皮尔曼相关系数筛选合适的能耗指标作为模型的输入参数,以提高预测的准确性和实用性。在不同环境条件下均具有较高的预测精度和稳健性,能够为公共建筑提供合理的能耗区间,并优化空调系统的运行策略,从而降低能耗。
本文地址:https://www.jishuxx.com/zhuanli/20241106/324316.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表