本發(fā)明屬于空調(diào)系統(tǒng)冷負(fù)荷預(yù)測(cè)，具體屬于一種公共建筑冷負(fù)荷預(yù)測(cè)的方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、全球變暖、環(huán)境惡化和能源短缺危機(jī)是全世界面臨的嚴(yán)峻挑戰(zhàn)。日益增長(zhǎng)的建筑能耗是能源消耗結(jié)構(gòu)的重要組成部分，大型公共建筑的面積規(guī)模和單位面積能耗也大幅度增加，公共建筑存在巨大的節(jié)能潛力。在大型公共建筑中，暖通空調(diào)系統(tǒng)能耗占建筑總能耗的40％-60％，因而空調(diào)系統(tǒng)節(jié)能成為建筑節(jié)能設(shè)計(jì)的重點(diǎn)問題和提高全社會(huì)能源使用效率的重要方向。許多大型公共建筑采用冰蓄冷空調(diào)系統(tǒng)達(dá)到節(jié)能降耗的目的。冰蓄冷空調(diào)系統(tǒng)充分運(yùn)用蓄能技術(shù)實(shí)現(xiàn)移峰填谷，在夜間用電低谷階段利用蓄冷裝置將冷量?jī)?chǔ)備，在白天用電高峰階段釋放冷量滿足建筑負(fù)荷需求，降低了高峰時(shí)段用電負(fù)擔(dān)，可以在很大程度上達(dá)到建筑節(jié)能的目的。針對(duì)建筑冷負(fù)荷進(jìn)行準(zhǔn)確預(yù)測(cè)可以優(yōu)化資源配置，提高綜合能效，同時(shí)合理地規(guī)劃空調(diào)設(shè)備運(yùn)行策略，有利于進(jìn)一步開發(fā)冰蓄冷空調(diào)系統(tǒng)的節(jié)能潛力。

2、在利用主流神經(jīng)網(wǎng)絡(luò)進(jìn)行建筑物的短期冷負(fù)荷預(yù)測(cè)時(shí)，除了借助于歷史冷負(fù)荷數(shù)據(jù)集外，仍需要各種類型的影響因素?cái)?shù)據(jù)，如建筑物自身用能特征、建筑物本體特征、氣象因素、社會(huì)因素、經(jīng)濟(jì)發(fā)展因素等，因此建筑冷負(fù)荷的變化受多種影響因素的干擾，數(shù)據(jù)集的數(shù)量規(guī)模較大，冷負(fù)荷預(yù)測(cè)模型的精度輸出降低。因此，在建筑冷負(fù)荷預(yù)測(cè)時(shí)如何有效地對(duì)大量數(shù)據(jù)進(jìn)行處理和選取成為負(fù)荷預(yù)測(cè)的前提和基礎(chǔ)，也是決定冷負(fù)荷預(yù)測(cè)精度的關(guān)鍵因素。冷負(fù)荷預(yù)測(cè)所使用的影響因素歷史數(shù)據(jù)集，采用合適的神經(jīng)網(wǎng)絡(luò)方法針對(duì)特定性的建筑構(gòu)成一個(gè)適用性強(qiáng)且預(yù)測(cè)效果好的冷負(fù)荷預(yù)測(cè)模型探究各影響因素之間的相關(guān)關(guān)系，對(duì)于建筑物冷負(fù)荷特征性能分析以及相應(yīng)負(fù)荷預(yù)測(cè)方法的改進(jìn)有著重要的意義。

3、而現(xiàn)有相關(guān)技術(shù)中存在無法準(zhǔn)確的預(yù)測(cè)公共建筑冷負(fù)荷的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種公共建筑冷負(fù)荷預(yù)測(cè)的方法、系統(tǒng)、設(shè)備及介質(zhì)，用以解決現(xiàn)有相關(guān)技術(shù)中存在無法準(zhǔn)確的預(yù)測(cè)公共建筑冷負(fù)荷的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種公共建筑冷負(fù)荷預(yù)測(cè)的方法，包括以下步驟：

4、采集冷負(fù)荷相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理，得到模型輸入數(shù)據(jù)集；

5、采用佳點(diǎn)集優(yōu)化ssa模型，并基于優(yōu)化后的ssa模型對(duì)lstm網(wǎng)格參數(shù)進(jìn)行優(yōu)化，得到rf-issa-lstm混合冷模型；

6、基于所述rf-issa-lstm混合冷模型，以及模型輸入數(shù)據(jù)集，得到冷負(fù)荷預(yù)測(cè)結(jié)果。

7、進(jìn)一步的，所述冷負(fù)荷相關(guān)數(shù)據(jù)包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，所述輸入數(shù)據(jù)包括：前一時(shí)刻冷負(fù)荷、干球溫度、二氧化碳、空氣溫度、露點(diǎn)溫度、風(fēng)速、前一時(shí)刻太陽輻射值、時(shí)間、當(dāng)前時(shí)刻太陽輻射值、相對(duì)濕度和風(fēng)向；

8、所述輸出數(shù)據(jù)為當(dāng)前時(shí)刻空調(diào)冷負(fù)荷。

9、進(jìn)一步的，所述采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理的過程為：

10、基于所述冷負(fù)荷相關(guān)數(shù)據(jù)在輸入數(shù)據(jù)和輸出數(shù)據(jù)中存在的耦合現(xiàn)象，預(yù)設(shè)影響系數(shù)大于0.2的特征，采用隨機(jī)森林法進(jìn)行特征選擇。

11、進(jìn)一步的，所述采用佳點(diǎn)集優(yōu)化ssa模型時(shí)，對(duì)所述ssa模型的搜索空間階段更新的公式優(yōu)化為：

12、

13、其中，ubj和lbj分別表示第j維的上邊界和下邊界，xi(j)為第j維第i個(gè)佳點(diǎn)的值，為表示第i個(gè)點(diǎn)在第j維的取值，k為迭代次數(shù)。

14、進(jìn)一步的，所述基于優(yōu)化后的ssa模型對(duì)lstm網(wǎng)格參數(shù)進(jìn)行優(yōu)化的過程為：

15、對(duì)所述ssa模型生產(chǎn)者位置更新引入自適應(yīng)慣性權(quán)重：

16、

17、式中，itermax表示最大迭代次數(shù)，itermin表示最大迭代次數(shù)，t表示當(dāng)前迭代次數(shù)，ω為自適應(yīng)慣性權(quán)重，exp為自然指數(shù)函數(shù)。

18、進(jìn)一步的，所述rf-issa-lstm混合冷模型為三層結(jié)構(gòu)，所述三層結(jié)構(gòu)包括輸入層、輸出層和隱層。

19、進(jìn)一步的，所述輸入層為10層，所述輸出層為1層，所述隱層為18層。

20、一種公共建筑冷負(fù)荷預(yù)測(cè)的系統(tǒng)，包括：

21、初始化單元，被配置為：

22、用于采集冷負(fù)荷相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理，得到模型輸入數(shù)據(jù)集；

23、模型優(yōu)化單元，被配置為：

24、用于采用佳點(diǎn)集優(yōu)化ssa模型，并基于優(yōu)化后的ssa模型對(duì)lstm網(wǎng)格參數(shù)進(jìn)行優(yōu)化，得到rf-issa-lstm混合冷模型；

25、輸出單元，被配置為：

26、用于基于所述rf-issa-lstm混合冷模型，以及模型輸入數(shù)據(jù)集，得到冷負(fù)荷預(yù)測(cè)結(jié)果。

27、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法的步驟。

28、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法的步驟。

29、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

30、本發(fā)明提供一種公共建筑冷負(fù)荷預(yù)測(cè)的方法、系統(tǒng)、設(shè)備及介質(zhì)，包括以下步驟：采集冷負(fù)荷相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理，得到模型輸入數(shù)據(jù)集；采用佳點(diǎn)集優(yōu)化ssa模型，并基于優(yōu)化后的ssa模型對(duì)lstm網(wǎng)格參數(shù)進(jìn)行優(yōu)化，得到rf-issa-lstm混合冷模型；基于所述rf-issa-lstm混合冷模型，以及模型輸入數(shù)據(jù)集，得到冷負(fù)荷預(yù)測(cè)結(jié)果；本申請(qǐng)基于隨機(jī)森林法對(duì)大型建筑冷負(fù)荷的相關(guān)影響變量進(jìn)行了數(shù)據(jù)集的評(píng)價(jià)指標(biāo)模型建立與特征值提取，選擇關(guān)聯(lián)度高的變量作為模型輸入數(shù)據(jù)集，所述rf-issa-lstm混合冷模型具有更好的全局搜索能力，尋優(yōu)結(jié)果更準(zhǔn)確，提高了算法的運(yùn)算速度和精度，經(jīng)實(shí)驗(yàn)驗(yàn)證，在實(shí)際的應(yīng)用中能夠更為準(zhǔn)確的反應(yīng)大型建筑的用能情況，對(duì)建筑的冷負(fù)荷預(yù)測(cè)起到了積極作用，解決了現(xiàn)有相關(guān)技術(shù)中存在無法準(zhǔn)確的預(yù)測(cè)公共建筑冷負(fù)荷的技術(shù)問題。

技術(shù)特征：

1.一種公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述冷負(fù)荷相關(guān)數(shù)據(jù)包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，所述輸入數(shù)據(jù)包括：前一時(shí)刻冷負(fù)荷、干球溫度、二氧化碳、空氣溫度、露點(diǎn)溫度、風(fēng)速、前一時(shí)刻太陽輻射值、時(shí)間、當(dāng)前時(shí)刻太陽輻射值、相對(duì)濕度和風(fēng)向；

3.根據(jù)權(quán)利要求1所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理的過程為：

4.根據(jù)權(quán)利要求1所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述采用佳點(diǎn)集優(yōu)化ssa模型時(shí)，對(duì)所述ssa模型的搜索空間階段更新的公式優(yōu)化為：

5.根據(jù)權(quán)利要求1所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述基于優(yōu)化后的ssa模型對(duì)lstm網(wǎng)格參數(shù)進(jìn)行優(yōu)化的過程為：

6.根據(jù)權(quán)利要求1所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述rf-issa-lstm混合冷模型為三層結(jié)構(gòu)，所述三層結(jié)構(gòu)包括輸入層、輸出層和隱層。

7.根據(jù)權(quán)利要求6所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，其特征在于，所述輸入層為10層，所述輸出層為1層，所述隱層為18層。

8.一種公共建筑冷負(fù)荷預(yù)測(cè)的系統(tǒng)，其特征在于，基于權(quán)利要求1-7任一項(xiàng)所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法，包括：

9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的公共建筑冷負(fù)荷預(yù)測(cè)的方法的步驟。

技術(shù)總結(jié)
本發(fā)明提供一種公共建筑冷負(fù)荷預(yù)測(cè)的方法、系統(tǒng)、設(shè)備及介質(zhì)，包括以下步驟：采集冷負(fù)荷相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理，采用隨機(jī)森林法對(duì)與處理后的相關(guān)數(shù)據(jù)進(jìn)行處理，得到模型輸入數(shù)據(jù)集；采用佳點(diǎn)集優(yōu)化SSA模型，并基于優(yōu)化后的SSA模型對(duì)LSTM網(wǎng)格參數(shù)進(jìn)行優(yōu)化，得到RF?I?SSA?LSTM混合冷模型；基于所述RF?I?SSA?LSTM混合冷模型，以及模型輸入數(shù)據(jù)集，得到冷負(fù)荷預(yù)測(cè)結(jié)果；本申請(qǐng)基于隨機(jī)森林法對(duì)大型建筑冷負(fù)荷的相關(guān)影響變量進(jìn)行了數(shù)據(jù)集的評(píng)價(jià)指標(biāo)模型建立與特征值提取，選擇關(guān)聯(lián)度高的變量作為模型輸入數(shù)據(jù)集，RF?I?SSA?LSTM混合冷模型具有更好的全局搜索能力，尋優(yōu)結(jié)果更準(zhǔn)確，解決了現(xiàn)有相關(guān)技術(shù)中存在無法準(zhǔn)確的預(yù)測(cè)公共建筑冷負(fù)荷的技術(shù)問題。

技術(shù)研發(fā)人員：于軍琪,陳博雅,王登甲,司軼芳,王萌,劉光宇
受保護(hù)的技術(shù)使用者：西安建筑科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19