CN114239991B 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 （西安交通大学）

一种基于数据驱动的楼宇供热负荷预测方本发明公开了一种基于数据驱动的楼宇供入样本与楼宇建筑供热功率的楼宇供热预测模2S2，使用双向长短期记忆网络分别提取数据样本中多个不同时间尺度的深层数据特基于输入样本与楼宇建筑供热功率的楼宇供S3，采用不同时间尺度的数据样本中历史样本数据对楼宇供热预测模型进行参数更新，具体以均方误差为损失函数优化楼宇供热预测模型，均方差损失函数L的具体计算式式中，X为N个训练样本构成的输入矩阵，N为输入的训练样本总数，然后采用动态生成的楼宇供热实际功率数据流，使用LS4，采集对应楼宇的特征集合对优化更新的楼宇供的楼宇供热预测模型，以楼宇供热实际功率的动态数据流为基础实现楼宇供热负荷预测；照强度、相对湿度和平均风速,基于用户行为和环境天气的用户-环境联合等效热损失系35.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法，其特征在于，L1-RDA在线学习算法是一个在线求解神经网络最优参数的方法，L1-RDA算法在第t个时间楼宇供热预测模块，基于双向长短期记忆网络分别提取数据样本中预测模块，根据对应楼宇的特征集合对优化更新的楼宇供热预测模型进行7.一种终端设备，包括存储器、处理器以及4[0003]楼宇供热短期预测的准确性与可靠性是楼宇建筑运行调度策略制定与优化的基[0005]本发明的目的在于提供一种基于数据驱动的楼宇供热负荷预测方法、装置与设5立基于输入样本与楼宇建筑供热功率的楼宇供内部空气温度r"和外部环境温度r"得到当前时刻的热损失系数，并平6[0025]进一步的，L1-RDA在线学习算法是一个在线求解神经网络最优参数的方法，L1-[0032]预测模块，根据对应楼宇的特征集合对优化更新的楼宇数和用户-环境联合等效热损失系数分别刻画楼宇建筑的物理结构，以及用户行为和环境7用户-环境联合等效热损失系数，并根据楼宇建筑同一时刻下的时间属性、外部环境的温个角度出发描述与楼宇建筑供热功率相关的影响因素。考虑到历史数据时间上的自相关[0047]步骤2，使用双向长短期记忆网络(bidirectionallongshorttermmemory,Bi-LSTM)分别提取历史6小时和历史一周内相同时刻两个时间尺度的深层数据特征，并将提取的深层数据特征与当前时刻的深层数据特征共同输入至多层感知机(multi-layer用L1-RDA在线学习方法对楼宇供热预测模型进行[0050]离线训练完成后进入在线应用阶段，以楼宇供热实际功8加入了用户-环境联合等效热损失系数作为特征。下面分别对楼宇建筑等效热损失系数和[0055]楼宇建筑自身的围护结构一定程度上阻碍了楼宇内部空气与外部环境空气的热楼宇建筑结构的差异性，本发明使用楼宇建筑等效热损失系数衡量楼宇自身的热存储能空气温度和外部环境温度r"得到当前时刻的热损失系数，并平均得到最终的楼宇建筑[0059]为了避免用户行为和外部环境对楼宇建筑等效热损失系数求解带来的误差与干""综合衡量两9时刻对应的楼宇供热功率和用户-环境联合等效热损失系数，构造了两个不同时间尺度的[0067]针对历史6个小时和历史一周内相同时刻的序列数据，本发明使用Bi-LSTM分别出的短期记忆得到遗忘门、输入门和输出门三种门结构在时刻t的输出ftfor、"和",u"和u分别是当前时间步输入与三种门结构的连接权重，"、Wifor和n,"分别是相邻时间步隐藏层输出的短期记忆与三种门结构的连接权重，bf"[0076]Bi-LSTM神经网络的前向层单元结构中，遗忘门的输出控制相邻时间步长期记忆中保留至短期记忆为10-8；[0094](3)对Adam算法中的有偏一阶矩估计值mj-1和有偏二阶矩估计值vj-1进行更新，计[0103]L1-RDA在线学习算法本质上是一个在线求解神经网络最优参数的方法。L1-RDA[0106]将式(15)按照每个特征维度将其分解为多个独立的优化问题。第i个维度的优化[0111]对式(16)中的优化目标求次导数并令其为0，接着以式(17)为基准判断式(16)是得到的深层特征与当前时刻的特征共同输入至MLP网络中，预测时间间隔为15分钟的楼宇实现相应方法流程或相应功能；本发明实施例所述的处理器可用于灾后电-路协同修复方[0129]预测模块，根据对应楼宇的特征集合对优化更新的楼宇于基于数据驱动的楼宇供热负荷预测方法的用户-环境联合等效热损失系数分别刻画楼宇建筑的物理结构，以及用户行为和环境变化[0132]