本发明涉及空调机房能源消耗技术领域空调机房构成，特别是一种基于深度学习的空调机房能源消耗量预测方法。

背景技术：

空调机房能源消耗量是指包含了制冷机组、冷冻水泵、冷却水泵和冷却塔在内的能源消耗量，其中鉴于制冷机组包含了电制冷式水机组、溴化锂冷水机组等，

其能源消耗形式可分为电、天然气或者市政蒸汽，鉴于天然气和市政蒸汽也可以折算为等价电，且基于深度学习的方法不局限于能源消耗形式，本专利重点针对电的能源消耗量进行分析。

深度学习是一种特殊的机器学习的实现方法，其基本理论基础来源于早期的人工神经网络基本理论。深度学习神经网络的模型训练，优化结果最终归结为寻找最优的参数，使得模型损失函数最小。训练的算法比较多，本专利采用深度学习模型的长短时记忆网络模型(lstm模型)进行预测，lstm模型通过过去一段时间内耗电量的变化趋势，可预测在任何时间跨度上有规律的能源消耗量，比较适合于空调机房能源消耗量的预测需求，随着未来建筑能效提升工作的推进，用深度学习高精度模型预测空调机房用电量，对能效提升效果会起到非常重要的指导作用。

目前采用基于深度学习方法来预测空调机房能源消耗量的研究极少，刘涛《深度强化学习在办公建筑空调系统能耗预测方面的应用》的硕士论文与廖文强等的《基于长短期记忆神经网络的暖通空调系统能耗预测》，均为对某北方办公建筑地源热泵系统进行了预测分析，但对应分析实际上为空调系统的冷热量(即空调负荷)进行了预测分析。与直接采用用电量的直接能源消耗方式存在差别空调机房构成，另外现有对空调系统冷热量的计量，特别是流量的计量精准性方面还是存在较多争议。

为此我们研发了一种基于深度学习的空调机房能源消耗量预测方法，用以解决以上问题。

技术实现要素：

本发明目的是为了克服现有技术的不足而提供一种基于深度学习的空调机房能源消耗量预测方法，具有提高预测数据的关联性与精准性，提高训练速度以及提高使用的广泛性等优点。

为达到上述目的，本发明采用的技术方案是：一种基于深度学习的空调机房能源消耗量预测方法，包括以下步骤：

1.1采集不同时间点的空调机房数据和空调机房室外侧的数据；

1.2将记忆信息从序列的初始位置传递到序列的末端位置，通过lstm网络记忆模型来控制每一时刻对记忆信息值的修改；

1.3将数据进行降噪处理；

1.4在时间点t，采集到长度为n的历史数据集合，输入参数矩阵x(n)进行预测，x(n)＝{x1,x2,...xt1,xt2,...xn-1,xn}。

优选的，步骤1.1中，空调机房数据包括空调冷水主机、冷冻水泵、冷却水泵与冷却塔的能源消耗量，以及空调机房室内典型区域的温湿度，空调机房室外侧的数据包括空调机房室外的温湿度以及酒店入住率、企业产品产量、医院住院人次与门诊人次的建筑经营业务量化参数。

优选的，步骤1.3中，采集的数据作为训练样本集，对训练数据xi进行归一化处理，

优选的，步骤1.2中，记忆信息通过遗忘门、输入门、隐藏层和输出门交互沟通，lstm网络记忆模型的初始化方法使用高斯分布的随机初始化方法，根据随机得到的初始权重，采用时间反向传播算法计算最小化损失函数，更新神经网络权重值，最终反复计算后得到最佳的网络权重参数集合，得到最优化的模型。

优选的，损失函数采用平均绝对值误差mae进行计算，即目标值与预测值之差的绝对值之和，

优选的，输入xt、ht-1经函数sig(x)＝1/(1+e-x)处理后，与细胞状态st-1进行合并计算ft遗忘门，ft＝σ(wxfxt+whfht-1+wcfst-1+bf)，s′t-1＝ftst-1。

优选的，输入xt、ht-1经函数、tanh函数tanh(x)＝(1-e-2x)/(1+e-2x)处理后，同细胞状态s′t-1合并计算决定状态保留量，输入门it＝σ(wxixt+whiht-1+wcist-1+bi)，sct＝tanh(wxcxt+whcht-1+bc)，s″t-1＝itsct+s′t-1。

优选的，输入xt、ht-1经函数处理后，同时经tanh函数细胞状态s″t-1合并计算来决定隐含层序列输出ht，输出门ot＝σ(wxoxt+whoht-1+wcost-1+bo)，s″′t-1＝tanh(s″t-1)，由此计算出隐含层序列h(n)＝{h1,h2,......hn-1,hn}，其中ht＝ots″′t-1，最终经过计算转化得到输出值yt＝whyht+by。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

1.本发明通过利用一空调机房未来能源消耗量与其近期历史消耗量具有较强的关联性，采用深度学习方法中的lstm网络记忆模型进行预测，提高了空调机房的能源消耗量预测精准度；

2.本发明应用影响机房能源消耗量的多影响因素预测其未来用量，可广泛应用于公共建筑和工业企业内的空调机房的能效提升、电力需求侧供电调配等；

3.提高了空调机房的能源消耗量预测精准度的同时，提高训练速度。

附图说明

附图1为本发明基于长短时记忆网络模型的示意图；

附图2为本发明所述基于深度学习的空调机房能源消耗量预测模型的结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

附图1至附图2中，一种基于深度学习的空调机房能源消耗量预测方法，包括以下步骤：

1.1采集不同时间点的空调机房数据和空调机房室外侧的数据，空调机房数据包括空调冷水主机、冷冻水泵、冷却水泵与冷却塔的能源消耗量，以及空调机房室内典型区域的温湿度，空调机房室外侧的数据包括空调机房室外的温湿度和建筑经营业务量化参数，涉及不同建筑类型的经营业务参数，如宾馆的入住率、医院的手术量与住院人次、工业企业的产品产量等。随着未来建筑能源计量标准要求执行力度与能效计量工作的提升，对应监测记录数据会越来越全面。

1.2lstm网络记忆模型是通过一种叫做“记忆体”的信息流，将记忆信息从序列的初始位置传递到序列的末端位置，模型里的遗忘门、输入门(输入层)和输出门(输出层)交互沟通，来控制每一时刻对记忆信息值的修改，lstm网络记忆模型的初始化方法使用高斯分布的随机初始化方法，根据随机得到的初始权重，采用时间反向传播算法计算最小化损失函数，更新神经网络权重值，最终反复计算后得到最佳的网络权重参数集合，得到最优化的模型，损失函数采用平均绝对值误差mae进行计算，即目标值与预测值之差的绝对值之和，式中：yt为预测期内t时刻的真实值；为预测期内t时刻的预测值；n为预测期长度。

1.3将数据进行降噪处理，采集的数据作为训练样本集，对训练数据xi进行归一化处理，

1.4在时间点t，采集到长度为n的历史数据集合，输入参数矩阵x(n)进行预测，x(n)＝{x1,x2,...xt1,xt2,...xn-1,xn}。

输入xt、ht-1经函数sig(x)＝1/(1+e-x)处理后，与细胞状态st-1进行合并计算ft遗忘门，计算公式为：ft＝σ(wxfxt+whfht-1+wcfst-1+bf)，s′t-1＝ftst-1，。

输入xt、ht-1经函数、tanh函数tanh(x)＝(1-e-2x)/(1+e-2x)处理后，同细胞状态s′t-1合并计算决定状态保留量，输入门it＝σ(wxixt+whiht-1+wcist-1+bi)，sct＝tanh(wxcxt+whcht-1+bc)，s″t-1＝itsct+s′t-1。

输入xt、ht-1经函数处理后，同时经tanh函数细胞状态s″t-1合并计算来决定隐含层序列输出ht，输出门ot＝σ(wxoxt+whoht-1+wcost-1+bo)，s″′t-1＝tanh(s″t-1)，由此计算出隐含层序列h(n)＝{h1,h2,......hn-1,hn}，其中ht＝ots″′t-1，最终经过计算转化得到输出值yt＝whyht+by；其中w为网络权重系数矩阵，b为偏置项，sct为当前细胞状态；s′t-1、s″t-1、s″′t-1分别为细胞状态在单位内传递的不同阶段，σ为激活函数，tanh为双曲正切激活函数。

以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。