[发明专利]一种基于长短期记忆循环神经网络的空调能耗预测方法

权利要求书

1.一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于，所述方法包括以下步骤：

步骤1，采集数据，采集大冲能源公司提供的水冷中央空调项目正常运行的水冷中央空调数据、对应的环境数据；

步骤2，进行数据集的预处理，对得到正常运行的水冷中央空调数据、对应的环境数据进行数据预处理；

步骤3、对数据集进行训练，实现空调能耗预测，采用LSTM-RNN长短期记忆循环神经网络，将预处理后的数据集和对应的功耗作为LSTM-RNN长短期记忆循环神经网络的输入，进行网络训练后，得到最终的预测模型；

步骤4、将测试数据输入预测模型，得到空调当前工况下的能耗值。

2.根据权利要求1所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤2中，所述数据预处理的实现过程为：

(2.1)对于缺失数据、异常的处理：若该条空调数据有属性缺失或异常，但临近数据不缺失，使用上下平均值法，使用上下数据计算平均值并填充，若该条空调数据有属性缺失或异常，且临近数据也有较多缺失或异常，直接批量删除缺失数据；

(2.2)对于数据特征的增加：由于人流量对空调能耗有影响，且节假日、工作时间等对人流量有影响，对月份、工作时间进行标签分类，作为特征数据的加入，冷却供水温度和冷却回水温度的差值能直观体现冷却塔散热能力，冷冻回水温差和冷冻供水温差的差值能直观体现出空调制冷能力，故加入冷却供回水温差、冷却供回水温差两个特征项；

(2.3)对整合后的数据表进行特征选择：对于特征对应特征值为连续型变量的情况，计算pearson积距相关系数，筛选出相关系数大于10％的特征；对于定序变量或不满足正态分布假设的等间隔数据，计算Spearman秩相关系数，筛选出相关系数大于10％的特征；

(2.4)对筛选出来的所有特征进行合并，并且归一化，得到最终用于训练的数据。

3.根据权利要求2所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤2中，所得到的最终用于训练的数据为：

(1)输入变量：其中所述输入量至少包括室外温度、室外湿度、冷却供水温度、冷却回水温度、冷冻供水温度、冷冻回水温度、总管流量、月份标签和时间标签；

(2)预测变量：预测变量为当前工况下的空调能耗；

(3)数据归一化：输入变量的样本数据按下述公式进行归一化

其中x'是归一化后的数据，x为输入数据，μ为数据的均值，σ为数据的标准差。

4.根据权利要求1～3之一所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤3中，LSTM-RNN长短期记忆循环神经网络预测模型网络结构如下：

(1)输入层：先将输入的空调数据转化为一个二维数组，横坐标为一共数据条数n，纵坐标为输入的数据属性属性input_size，经过一次权重和偏执的转化，再进入激活函数tanh，再将数据转化为一个三维数组，作为进入隐藏层的输入，x坐标为进入此次训练批次数batch_size，y坐标为一个batch的数据条数，也就是一次进入rnn训练的数据数量，z坐标为cell_size，即隐藏层单元个数；

(2)隐藏层：将处理好的数据，以及上一次rnn得到的隐藏层状态输入lstm单元，若第一次训练，则隐藏层状态初始化为0，经过输入门、遗忘门、输出门，得到隐藏层输出数据以及此时的隐藏层状态；

(3)输出层：将隐藏层得到的输出进行再变形，并经过输出层权重和偏执的转化，得到最终输入的空调功耗；

(4)其他：期间的反向传播中，权重、偏执、隐藏层状态的调整都由loss损失函数来确定，通过构造损失函数并进行梯度下降处理，反向传播修正各个参数。

5.根据权利要求1～3之一所述的一种基于长短期记忆循环神经网络的空调能耗预测方法，其特征在于：所述步骤3中，LSTM-RNN长短期记忆循环神经网络预测模型参数如下：

(1)Timesteps：其值代表RNN能够利用的时间序列长度，通常设为一个周期或者半个周期，由于数据集为乱序，且需要更具有通用性的模型，直接采用timesteps为1；

(2)激活函数：RNN中选择tanh作为激活函数，它能够把输入的连续实值“压缩”到-1和1之间，如果是非常大的负数，那么输出就是-1；如果是非常大的正数，输出就是1；

(3)神经元选择：长短期记忆LSTM网络是RNN中的一种特定的神经元，隐藏层中，通过输入门，遗忘门，输出门的结构来控制信息的存留，可以筛选出信息流中对于结果来说重要与不重要的信息；

(4)损失函数：对均方误差MSE进行了修改，当算出预测值predicted_t和实际值observer_t差的平方后，再除以实际值observer_t，得出误差平方对于实际值的比例，再进行平均；

(5)其他参数：模型采用10层LSTM节点构成的隐藏层，每层有50个节点，自适应梯度下降法，训练轮数为5000轮，batch_size为30，学习率为0.00005。