本發(fā)明涉及空調(diào)負(fù)荷預(yù)測(cè)，尤其是涉及一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法。
背景技術(shù)：
1、隨著城市化進(jìn)程的加快和建筑規(guī)模的不斷擴(kuò)大，建筑能耗日益增長(zhǎng)，其中空調(diào)系統(tǒng)作為建筑能耗的主要組成部分，其能耗占比持續(xù)上升。如何實(shí)現(xiàn)空調(diào)系統(tǒng)的高效運(yùn)行，已成為提高建筑能源利用效率、降低運(yùn)行成本和減少碳排放的關(guān)鍵課題。
2、目前，傳統(tǒng)的空調(diào)負(fù)荷預(yù)測(cè)方法多基于經(jīng)驗(yàn)規(guī)則或靜態(tài)數(shù)學(xué)模型，難以應(yīng)對(duì)現(xiàn)代建筑運(yùn)行環(huán)境中負(fù)荷需求的高度波動(dòng)性與復(fù)雜性。這些方法普遍存在模型適應(yīng)性差、預(yù)測(cè)精度低的問(wèn)題，難以滿足精細(xì)化節(jié)能調(diào)控的實(shí)際需求。同時(shí)，現(xiàn)有的節(jié)能控制策略多為預(yù)設(shè)規(guī)則驅(qū)動(dòng)，缺乏對(duì)預(yù)測(cè)信息的響應(yīng)機(jī)制，難以實(shí)現(xiàn)對(duì)機(jī)組出水溫度、水泵流量等關(guān)鍵運(yùn)行參數(shù)的實(shí)時(shí)最優(yōu)調(diào)整，導(dǎo)致能耗浪費(fèi)和運(yùn)行效率低下。
3、空調(diào)負(fù)荷預(yù)測(cè)技術(shù)通過(guò)提前判斷負(fù)荷變化趨勢(shì)，為系統(tǒng)提供前饋調(diào)節(jié)依據(jù)，能夠有效克服傳統(tǒng)反饋控制在時(shí)間響應(yīng)上的滯后性，不僅提升了室內(nèi)環(huán)境的熱舒適性，也為節(jié)能控制提供了支撐。然而，現(xiàn)有研究在特征選擇、模型泛化能力及節(jié)能聯(lián)動(dòng)控制方面仍存在顯著不足。
4、例如，專利cn114118571a提出了一種基于lstm的供暖熱負(fù)荷預(yù)測(cè)方法，雖然引入了lstm用于提升預(yù)測(cè)精度，但該方法未充分考慮不同地區(qū)氣象因素對(duì)建筑空調(diào)負(fù)荷的綜合影響，且缺乏與節(jié)能控制算法的聯(lián)動(dòng)。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的是提供一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，解決了現(xiàn)有技術(shù)中負(fù)荷預(yù)測(cè)精度低、缺乏區(qū)域適應(yīng)性及節(jié)能控制響應(yīng)滯后的問(wèn)題。
2、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，包括以下步驟：
3、s1.多源數(shù)據(jù)采集，所述多源數(shù)據(jù)采集包括采集建筑空調(diào)歷史負(fù)荷數(shù)據(jù)、多維度氣象數(shù)據(jù)及設(shè)備運(yùn)行參數(shù)，并對(duì)多源數(shù)據(jù)進(jìn)行預(yù)處理；
4、s2.將所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)輸入梯度提升決策樹模型，計(jì)算各氣象特征的重要性得分，并篩選累計(jì)得分占比達(dá)到預(yù)設(shè)閾值的關(guān)鍵氣象特征；
5、s3.將篩選后的關(guān)鍵氣象特征與歷史負(fù)荷數(shù)據(jù)作為輸入，利用長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建負(fù)荷預(yù)測(cè)模型，輸出未來(lái)時(shí)段空調(diào)負(fù)荷預(yù)測(cè)值；
6、s4.基于粒子群優(yōu)化算法動(dòng)態(tài)優(yōu)化空調(diào)系統(tǒng)運(yùn)行參數(shù)；
7、s5.周期性或在預(yù)測(cè)誤差超過(guò)設(shè)定閾值時(shí)，更新梯度提升決策樹模型與長(zhǎng)短期記憶網(wǎng)絡(luò)模型。
8、優(yōu)選的，所述步驟s1中，所述多維度氣象數(shù)據(jù)包括溫度、濕度、風(fēng)速和日照強(qiáng)度；所述設(shè)備運(yùn)行參數(shù)包括機(jī)組進(jìn)水溫度、機(jī)組出水溫度、水泵流量和運(yùn)行臺(tái)數(shù)。
9、優(yōu)選的，所述步驟s1中，所述數(shù)據(jù)預(yù)處理包括：
10、對(duì)所采集的多源數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，以剔除重復(fù)數(shù)據(jù)和無(wú)效數(shù)據(jù)；
11、基于孤立森林算法檢測(cè)異常值并刪除；
12、采用時(shí)間序列插值法對(duì)缺失數(shù)據(jù)進(jìn)行填補(bǔ)，其中所述時(shí)間序列插值法為三次樣條插值法。
13、優(yōu)選的，所述步驟s2中，所述預(yù)設(shè)閾值為80％。
14、優(yōu)選的，所述步驟s3中，將以小時(shí)為單位采樣的前24小時(shí)歷史負(fù)荷數(shù)據(jù)與篩選后的關(guān)鍵氣象特征作為輸入，輸出未來(lái)1小時(shí)的空調(diào)負(fù)荷預(yù)測(cè)值，并采用優(yōu)化算法自動(dòng)調(diào)整長(zhǎng)短期記憶網(wǎng)絡(luò)的超參數(shù)。
15、優(yōu)選的，所述超參數(shù)包括隱藏層數(shù)、學(xué)習(xí)率和dropout率，所述優(yōu)化算法為鯨魚優(yōu)化算法。
16、優(yōu)選的，所述步驟s4包括：
17、以負(fù)荷預(yù)測(cè)值為輸入，構(gòu)建以最小化空調(diào)系統(tǒng)總能耗為目標(biāo)函數(shù)；
18、在負(fù)荷需求滿足率≥95％的約束條件下，通過(guò)粒子群優(yōu)化算法搜索帕累托最優(yōu)解集；
19、對(duì)包括機(jī)組運(yùn)行臺(tái)數(shù)、水泵運(yùn)行臺(tái)數(shù)、出水溫度設(shè)定值和運(yùn)行頻率在內(nèi)的運(yùn)行參數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化；
20、并實(shí)時(shí)輸出滿足優(yōu)化目標(biāo)的節(jié)能運(yùn)行方案。
21、優(yōu)選的，所述步驟s5包括：
22、周期性地對(duì)梯度提升決策樹模型與長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練，以適應(yīng)氣象環(huán)境或季節(jié)性變化；
23、在預(yù)測(cè)誤差超過(guò)設(shè)定閾值時(shí)觸發(fā)更新，所述閾值為10％。
24、本發(fā)明還提供一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能系統(tǒng)，包括：
25、多源數(shù)據(jù)采集與預(yù)處理模塊，用于采集建筑空調(diào)歷史負(fù)荷數(shù)據(jù)、多維度氣象數(shù)據(jù)及設(shè)備運(yùn)行參數(shù)，并對(duì)所述數(shù)據(jù)進(jìn)行預(yù)處理；
26、特征選擇模塊，用于將所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)輸入梯度提升決策樹模型，計(jì)算各氣象特征的重要性得分，并篩選累計(jì)得分占比達(dá)到預(yù)設(shè)閾值的關(guān)鍵氣象特征；
27、負(fù)荷預(yù)測(cè)模塊，用于將篩選后的關(guān)鍵氣象特征與歷史負(fù)荷數(shù)據(jù)作為輸入，利用長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建負(fù)荷預(yù)測(cè)模型，輸出未來(lái)時(shí)段的空調(diào)負(fù)荷預(yù)測(cè)值；
28、節(jié)能優(yōu)化模塊，用于基于粒子群優(yōu)化算法，動(dòng)態(tài)優(yōu)化空調(diào)系統(tǒng)運(yùn)行參數(shù)；
29、模型更新模塊，用于周期性地，或在預(yù)測(cè)誤差超過(guò)設(shè)定閾值時(shí)，更新所述梯度提升決策樹模型與長(zhǎng)短期記憶網(wǎng)絡(luò)模型。
30、綜上所述，本發(fā)明包括以下至少一種有益技術(shù)效果：
31、1.本發(fā)明采用基于梯度提升決策樹的關(guān)鍵氣象特征篩選與長(zhǎng)短期記憶網(wǎng)絡(luò)聯(lián)合建模技術(shù)方案，達(dá)到了在復(fù)雜氣候條件下顯著提升空調(diào)負(fù)荷預(yù)測(cè)精度的技術(shù)效果。相較于現(xiàn)有技術(shù)中對(duì)特征選擇不充分、預(yù)測(cè)模型單一的方案，解決了預(yù)測(cè)誤差較大、模型泛化能力弱的技術(shù)不足。
32、2.本發(fā)明通過(guò)引入多源數(shù)據(jù)與區(qū)域氣象特征差異化篩選機(jī)制，結(jié)合lstm模型訓(xùn)練，達(dá)到了根據(jù)不同氣候區(qū)自適應(yīng)構(gòu)建預(yù)測(cè)模型的技術(shù)效果。相較于現(xiàn)有技術(shù)中缺乏針對(duì)性處理的方案，解決了模型在濕熱與干冷等區(qū)域推廣性差、適應(yīng)性不足的問(wèn)題。
33、3.本發(fā)明采用基于預(yù)測(cè)負(fù)荷的粒子群優(yōu)化算法動(dòng)態(tài)調(diào)控運(yùn)行參數(shù)的技術(shù)方案，達(dá)到了自動(dòng)尋優(yōu)空調(diào)系統(tǒng)運(yùn)行狀態(tài)、降低能耗的技術(shù)效果。相較于傳統(tǒng)固定策略或靜態(tài)參數(shù)設(shè)置的方式，解決了空調(diào)系統(tǒng)節(jié)能控制粗放、能效管理水平低的技術(shù)問(wèn)題。
34、4.本發(fā)明引入基于誤差閾值與周期性的模型更新機(jī)制，達(dá)到了保持預(yù)測(cè)模型長(zhǎng)期有效、適應(yīng)外部變化的技術(shù)效果。相較于現(xiàn)有技術(shù)中模型長(zhǎng)期未更新、預(yù)測(cè)能力衰減的方案，解決了負(fù)荷預(yù)測(cè)準(zhǔn)確率隨時(shí)間降低、系統(tǒng)響應(yīng)能力差的不足。
1.一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s1中，所述多維度氣象數(shù)據(jù)包括溫度、濕度、風(fēng)速和日照強(qiáng)度；所述設(shè)備運(yùn)行參數(shù)包括機(jī)組進(jìn)水溫度、機(jī)組出水溫度、水泵流量和運(yùn)行臺(tái)數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s1中，所述數(shù)據(jù)預(yù)處理包括：
4.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s2中，所述預(yù)設(shè)閾值為80%。
5.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s3中，將以小時(shí)為單位采樣的前24小時(shí)歷史負(fù)荷數(shù)據(jù)與篩選后的關(guān)鍵氣象特征作為輸入，輸出未來(lái)1小時(shí)的空調(diào)負(fù)荷預(yù)測(cè)值，并采用優(yōu)化算法自動(dòng)調(diào)整長(zhǎng)短期記憶網(wǎng)絡(luò)的超參數(shù)。
6.根據(jù)權(quán)利要求5所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述超參數(shù)包括隱藏層數(shù)、學(xué)習(xí)率和dropout率，所述優(yōu)化算法為鯨魚優(yōu)化算法。
7.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s4包括：
8.根據(jù)權(quán)利要求1所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，所述步驟s5包括：
9.一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能系統(tǒng)，應(yīng)用于如權(quán)利要求1-8任一項(xiàng)所述的一種基于機(jī)器學(xué)習(xí)的空調(diào)負(fù)荷預(yù)測(cè)及節(jié)能方法，其特征在于，包括：