[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

说明书

一种基于长短期记忆循环神经网络的空调能耗预测方法，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，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。本发明简化了模型训练过程，提升了预测准确率。

技术领域

本发明涉及到一种基于长短期记忆循环神经网络的空调能耗预测方法。

背景技术

在我国，建筑的能耗逐年增加，已经占到全球能源需求的40％左右。同时，空调和供暖系统约占建筑总能耗的一半，并且近些年来所占比例不断增加。据统计,我国公共建筑节能达标率不足10％。所以针对空调系统做一定的调整，可以做到节能潜力的最大挖掘。现代建筑通常与各种技术相结合，做到一定程度的楼宇节能。

楼宇自动化系统(BAS)是集成了物联网技术，控制技术、网络技术等技术的系统。它通过对建筑(群)的各种设备实施综合自动化监控与管理，为业主和用户提供安全、舒适、便捷高效的工作与生活环境，并使整个系统和其中的各种设备处在最佳的工作状态，从而保证系统运行的经济性和管理的现代化、信息化和智能化。与此同时，在BAS系统中，大量的空调数据如温度、湿度、流量、功率等都被记录在数据库中。但是这些数据很少有效的被用在空调分析、建模当中。通过大量数据对空调系统进行分析、建模，能更好地预测空调能耗，反映大楼内空调工况并进行实时自动管理，实现自动化管理和节能，同时提高大楼内人员的舒适感。

发明内容

为了克服已有空调的能耗建模准确性较低、建模步骤繁杂的不足，本发明提供一种准确性较高的基于长短期记忆循环神经网络的空调能耗预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于长短期记忆循环神经网络的空调能耗预测方法，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。

进一步，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；

所述两个变量的Pearson相关系数计算如下：