[发明专利]一种基于自适应深度置信网络的空调冷负荷预测方法

说明书

本发明公开了一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参数；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数；再采用Adam优化算法调节网络参数；最后选取预测模型的参数及结构，采用重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误差MAPE对结果进行评价，完成空调冷负荷预测。本发明具有较好的预测精度、通用性和适用性。

技术领域

本发明属于建筑空调冷负荷预测技术领域，具体涉及一种基于自适应深度置信网络的空调冷负荷预测方法。

背景技术

随着城市化的加快，工业的发展以及人口的增长，全球能源需求持续上升。据统计，建筑运行冷负荷约占全球冷负荷的40％，其温室气体排放占总排放的1/3，这表明建筑物已成为最大的能源消费者。对于建筑而言，暖通空调系统在建筑总冷负荷中所占的比例最大，其巨大的能源消耗增加了电网的压力。因此对建筑进行能源管理显得尤为重要。

建筑冷负荷预测是建筑能源管理过程中重要的一环，是实现建筑节能的一项关键性工作，对建筑冷负荷进行正确合理的预测，能够及时准确的发现建筑冷负荷中的一些异常情况或者潜在的设备故障，便于管理人员及时采取措施，进而避免能源的过度浪费。同时正确合理的建筑冷负荷预测还可以给管理人员合理分配能量提供一定的依据，使得能源被合理有效地使用。而且可以合理安排发电方案，实现电网的供需平衡，让电力系统稳定运行，这对电力系统来说也是非常重要的一环。

目前冷负荷预测方法中人工神经网络模型、支持向量机模型、决策树模型以及混合模型应用广泛。然而，这些模型却存因在各种问题使得预测精度不够理想。比如，人工神经网络算法的学习速度不够高，并易产生局部最优和过拟合现象；支持向量机难以在大量样本中使用，多分类问题解决困难；决策树模型的方案概率易受人为影响，决策准确性降低；混合模型计算量和计算难度较高等问题。以上预测算法只是注重考虑自身算法对冷负荷的预测，还未能充分考虑建筑冷负荷的复杂特征，从而导致预测效果不理想。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自适应深度置信网络的空调冷负荷预测方法，考虑影响建筑冷负荷的复杂因素，实现了有效预测建筑冷负荷情况，通过对影响条件的控制，达到节能降耗的技术效果，解决了现有技术中存在的问题。

本发明采用以下技术方案：

一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参数θ＝{w,a,b}；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数θ＝{w,a,b}；再采用Adam优化算法调节网络参数θ＝{w,a,b}；最后选取预测模型的参数及结构，采用重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误差MAPE对结果进行评价，完成空调冷负荷预测。

具体的，预测模型在线性单元中加入独立高斯分布的连续值来模拟真实的数据，能量函数E(v,h；θ)为：

其中，θ＝{w,a,b,σ}，σ_i为可视层v_i对应的高斯噪声的标准差；

更新可视层和隐藏层的激活概率为：