[发明专利]一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统

说明书

本发明公开了一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统，该方法通过分布在不同区位的神经网络模型分别训练对应区位楼宇空间单元冷负荷预测模型权重并计算对应区位空调负荷预测值与单位空调负荷预测值；获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位模型，将归为一类的模型利用横向联邦学习方法聚合权值；利用纵向联邦学习方法将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；根据聚合的不同区位的模型权值更新对应区位的神经网络模型。本发明方法具有较强的泛化性，加速网络训练效率，降低实现空调负荷预测功能所需的通信成本。

技术领域

本发明涉及分布式空调负荷预测技术，尤其涉及一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统。

背景技术

近年来，随着国内环保意识的逐渐加强，环保节能一直是企业乃至社会大环境追求的目标。我国在建筑方面的总能耗占据社会总能耗的30％，而暖通设备产生的能耗占建筑能耗的60％以上，因此通过优化暖通设备的运行负荷曲线来降低不必要的能耗可以在可观的程度上节约资源。对于运用冰蓄冷技术空调设备的企业来说，通过在电价较低时蓄冷取代在电价峰值时从电网获取电能的方法可以为企业节约可观的成本。

但为实现空调机组的优化运行，控制机构及时响应优化策略，需要提前对负荷需求进行准确地预测，进而保障空调设备的安全平稳运行。近年来，常用的空调负荷预测方法有如下几种：时间序列分析法、多元回归分析法和人工神经网络。时间序列分析法对于平稳楼宇空间单元冷负荷的预测效果较好，且计算简单，但针对因非时间因素对负荷大小产生影响的情况时，预测效果下降。多元回归分析法虽然可以将非时间因素考虑进去，但是模型泛化性较低，不同类型建筑物适用效果不同。人工神经网络是一新兴的预测方法，其泛化性强，并且当给予充足的样本时可以达到很高的预测精度，不过该方法运行速度较前两者慢，容易出现因预测速度不足导致不能够满足实时控制的问题，因此还需根据硬件计算单元改进常规的人工神经网络预测方法。

现今，绝大多数的大型楼宇都通过中央暖通设备调节温度，因此在获取楼宇的负荷预测的源数据时需要尽可能分散且均匀地布置传感器，如果传感器采集到的数据都通过通信的方式向预测单元传输时会产生一定的通信压力，并且布置如此多的通信设施成本较大。为了解决通信的开销问题，需要采用云边协同技术，由一边缘计算设备收集周围传感器的数据并进行运算，再将运算结果传输到云端计算设备，通过联邦学习技术优化人工神经网络的预测方法。

现有的一些空调负荷预测的实施方案中，大多数倾向于利用神经网络或者支持向量机预测，但都为单机计算，在规模越来越大的建筑发展趋势下，通信成本越来越高，因此需要一种联邦学习与云边协同技术完成空调负荷的预测。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统。

本发明的目的是通过以下技术方案实现的：

第一方面，本发明提供一种基于联邦学习的楼宇空间单元冷负荷预测方法，包括：

步骤S1：获取楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；

步骤S2：根据S1获取的数据，通过分布在不同区位的神经网络模型分别训练出对应区位的楼宇空间单元冷负荷预测模型权重并计算出对应区位空调负荷预测值与对应区位单位空调负荷预测值；

步骤S3：获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；

步骤S4：利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；

步骤S5：根据聚合的不同区位的模型权值更新对应区位的神经网络模型。