[发明专利]一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法

权利要求书

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

步骤1、获取数据集，数据集由大冲能源公司提供，包含多个正常运行的水冷中央空调项目的数据、对应的环境数据；

步骤2、数据预处理，将步骤1得到的多个项目数据进行数据预处理，包括数据清洗、数据变换、特征选择、数据规范化；

步骤3、获得最终数据集，对预处理完的多个数据集进行合并，并打乱拆分为训练集和测试集，得到最终用于训练和测试的数据集；

步骤4、建立空调能耗预测模型，预测模型采用LSTM-RNN长短期记忆循环神经网络训练，将步骤3得到的最终数据集中的训练集作为LSTM-RNN长短期记忆循环神经网络的输入，进行网络训练；使用最终数据集中的测试集对空调预测模型进行评估，得到最终的空调能耗预测模型；

步骤5、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通用水冷中央空调能耗预测方法，其特征在于：所述步骤2中，数据预处理步骤为：

2.1)数据清洗：对于数据有属性缺失或异常，但临近数据不缺失，使用均值插补法对该缺失或异常填充；若数据有属性缺失或异常，且临近数据也有较多缺失或异常，可直接批量删除缺失数据；

2.2)数据变换：构造新的属性到属性集中去，帮助准确预测空调能耗。时间、日期对人流量有较大影响，建筑群中的供冷需求也随着人流量的变化而变化，间接影响着空调总能耗，故对月份、工作时间打上分类标签，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，且与总能耗相关；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，且与总能耗相关，故加入冷却供回水温差、冷却供回水温差两个特征项；

2.3)特征选择：若特征对应特征值为连续型变量，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)数据规范化：对数据进行合并，并且归一化，得到多个可用的项目数据集。

3.根据权利要求1或2所述的一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法，其特征在于：所述步骤3中，得到最终训练集和测试集的步骤如下：

3.1)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；

3.2)预测变量：预测变量为当前工况下的空调能耗；

3.3)数据归一化：使用均值方差归一化，公式为：

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；

3.4)数据合并：由于相似的水冷空调项目数据中具有相同的特征，且步骤2中属性筛选时已经剔除大部分无用属性，可直接将相同特征的属性进行合并；

3.5)数据打乱并拆分：直接使用sklearn包中的train_test_split方法，将合并好的数据集输入，设置随机因子，并设置拆分比例，得到最终用于训练的训练集和用于测试的测试集。

4.根据权利要求1或2所述的一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法，其特征在于：所述步骤4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)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中的一种的神经元，在隐藏层中通过3个门的结构来控制信息的存留，可以筛选出信息流中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。