CN113591926A - 一种基于lstm网络的空调开关状态预测方法及装置 - Google Patents

一种基于lstm网络的空调开关状态预测方法及装置 Download PDF

Info

Publication number
CN113591926A
CN113591926A CN202110749959.5A CN202110749959A CN113591926A CN 113591926 A CN113591926 A CN 113591926A CN 202110749959 A CN202110749959 A CN 202110749959A CN 113591926 A CN113591926 A CN 113591926A
Authority
CN
China
Prior art keywords
air conditioner
state
day
lstm network
outdoor temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110749959.5A
Other languages
English (en)
Inventor
石晶
宋赵芳
任丽
徐颖
陈泽旭
李书剑
张紫桐
杨王旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110749959.5A priority Critical patent/CN113591926A/zh
Publication of CN113591926A publication Critical patent/CN113591926A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于LSTM网络的空调开关状态预测方法及装置，属于空调开关状态预测技术领域，方法包括：采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；利用训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。本发明中LSTM网络，可以解决传统神经网络不能持续记忆的问题，预测准确率更高。考虑到单户空调每日的运行特性，将单户空调实际的负荷序列转化为开关状态序列，进而建立LSTM分类网络，同时考虑到室外温度等因素的影响，可以进一步提高空调次日开关状态的预测精度。

Description

一种基于LSTM网络的空调开关状态预测方法及装置
技术领域
本发明属于空调开关状态预测技术领域，更具体地，涉及一种基于LSTM网络的空调开关状态预测方法及装置。
背景技术
需求响应作为电力体制改革下的电网与用户主要互动手段在我国近年来得到广泛开展。对于电网方面，需求响应可改善负荷曲线、降低峰谷差，同时还可缓解因负荷增加而带来的电网建设投资问题。对于用户方面，需求响应可以优化用户的用电行为，减少用电成本。在需求侧资源中，以空调为代表的居民用户的柔性设备，可以通过柔性负荷控制技术灵活参与需求响应。在不影响居民舒适度的条件下，适当改变空调的设定温度，可以一定程度上改变空调的运行功率。其中需求响应实施的前提是必须对空调负荷的次日需求响应潜力进行准确的分析与预估，进而为次日需求响应方案的制定以及电力***灵活调度提供指导。然而各个居民空调的次日开关状态直接影响潜力的大小，若在次日的需求响应时段内，居民没有使用空调，则该居民的需求响应潜力为零。因此准确预估居民用户空调负荷的日前需求响应潜力必须要对空调的开关状态进行预测，进而筛选出客观条件上满足需求响应要求的用户。对于空调的开关状态预测，由于一方面，不同居民用户对空调设备的使用时间和习惯存在随机性和差异性；另一方面，空调的使用存在明显的季节性。因此如何考虑空调使用行为的不确定性，建立一个精度高、鲁棒性强的空调负荷日前开关状态预测模型是必须要考虑的问题。
人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多，如BP神经网络、ELMAN神经网络、RBF神经网络等等。其中，长短期记忆网络(LSTM)是一种循环神经网络，可以解决传统神经网络不能持续记忆的问题，在学习序列数据的非线性特征方面具有优势，更适用于短期预测问题。然而相比于传统的聚合负荷预测问题，单个空调的开关状态预测更具有挑战性。空调开启后，其功率曲线是周期性变化的，精确的预测空调的开启和关闭时间存在困难。同时，空调开启或关闭后会保持当前状态一段时间，即用户不会频繁的开启和关闭空调。因此考虑到空调的上述运行特性，如何提取空调开关状态的关键特征量作为LSTM预测网络的输入和输出是急需解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于LSTM网络的空调开关状态预测方法及装置，其目的在于考虑不同居民用户使用空调的随机性和差异性，精准预测每户居民次日空调的开关状态，进而为需求响应目标用户的筛选和需求响应潜力的预估提供基础支撑。
为实现上述目的，本发明提供了一种基于LSTM网络的空调开关状态预测方法，包括以下步骤：
S1，采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；
S2，以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；
S3，利用S2中训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
进一步地，所述S1中，采集不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11，以每天M个采样点的采样率对空调N天历史负荷数据进行采样，以得到空调的N天历史负荷数据矩阵L：
Figure BDA0003145762730000031
S12，以每天G个采样点的采样率进行采样，获得N天中每一天的历史室外温度数据矩阵W：
Figure BDA0003145762730000032
进一步地，所述S1中，处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11＇，将每天M个采样点的空调负荷数据划分为n个时段，计算每天每个时段里空调运行总时间TN(n)，并与阈值λ比较；若TN(n)大于λ，则认为用户在第N天第n时段使用空调，记空调的开关状态SN(n)＝1，若TN(n)小于λ，则认为用户在第N天第n时段没有使用空调，记空调的开关状态SN(n)＝0；
空调的N天历史负荷数据矩阵L转化为空调的开关状态序列矩阵S：
Figure BDA0003145762730000033
S12＇，通过以下方式对历史室外温度数据矩阵W进行线性归一化处理：
Figure BDA0003145762730000034
Dmin＝Wmin-α|Wmax-Wmin|
Dmax＝Wmax+α|Wmax-Wmin|
其中，WN(G)是第N天中第G个采样点的室外温度值，
Figure BDA0003145762730000041
是归一化后的室外温度值；Wmax和Wmin是历史室外温度数据矩阵W中的最大值和最小值，α为比例因子。
进一步地，所述S2具体包括：以第d天j时段的室外温度数据To,j,d、第d-1天、d-2天以及d-7天j时段对应的空调开关状态数据作为输入，以第d天j时段对应的空调开关状态数据作为输出，训练和验证基于LSTM网络的空调开关状态预测模型。
进一步地，所述S2中，采用多模型单变量的预测方法进行每户空调开关状态的预测，具体为：采用多个基于LSTM网络的空调开关状态预测子模型，每一所述基于LSTM网络的空调开关状态预测子模型预测某一用户次日一个时段的空调开关状态。
进一步地，采用对数似然损失作为LSTM网络的损失函数，通过使损失函数最小得到第d天j时段对应的空调开关状态的最优预测值。
为实现上述目的，本发明还提供了一种基于LSTM网络的空调开关状态预测装置，包括：
数据采集及处理模块，用于采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；
训练和验证模块，用于以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；
空调开关状态预测模块，用于利用训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明中LSTM作为一种循环神经网络，可以解决传统神经网络不能持续记忆的问题，在学习序列数据的非线性特征方面具有优势，更适用于超短期预测问题，预测准确率更高。考虑到单户空调每日的运行特性，将单户空调实际的负荷序列转化为开关状态序列，进而建立LSTM分类网络，同时考虑到室外温度等因素的影响，可以进一步提高空调次日开关状态的预测精度。这对空调负荷的次日需求响应潜力的分析与预估提供参考，同时为次日需求响应方案的制定以及电力***灵活调度提供指导，因而具有重要的现实意义和良好的应用前景。
(2)本发明考虑到在时间维度上，第d-1天和第d-2天与第d天相隔较近，这两天的空调负荷数据与第d天的空调负荷数据存在较大的关联性，在预测第d天的空调开关状态时，考虑第d-1天和第d-2天的负荷数据；同时考虑到电力***中，负荷数据除了日周期性以外，还呈现出较为明显的周周期性，因此在预测第d天中某一时刻的空调开关状态时，考虑第d-7天的空调负荷数据。如此，能够有效提高预测精度。
(3)本发明采用多模型单变量的预测方法进行每户空调开关状态的预测，即一个LSTM预测模型预测某一用户次日一个时段的空调开关状态，每个预测模型彼此独立，进一步提高空调次日开关状态的预测精度。
附图说明
图1为本发明实施例提供的一种基于LSTM网络的空调开关状态预测方法的流程图；
图2为本发明实施例提供的一天24小时的时段划分示意图；
图3为本发明实施例提供的基于LSTM网络的空调开关状态预测模型结构图；
图4为本发明实施例提供的随机的10户空调四个月的开关状态预测准确率柱状图；
图5为本发明实施例提供的80户空调不同月份开关预测准确率的箱型图；
图6为本发明实施例提供的一种基于LSTM网络的空调开关状态预测装置的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
参阅图1，结合图2至图5，对本发明进行进一步详细说明。图1本发明实施例提供的一种基于LSTM网络的空调开关状态预测方法的流程图，该预测方法包括操作S1-操作S3。
操作S1，采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵。具体地：
采集不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11，以每天M个采样点的采样率对空调N天历史负荷数据进行采样，以得到空调的N天历史负荷数据矩阵L：
Figure BDA0003145762730000061
S12，以每天G个采样点的采样率进行采样，获得N天中每一天的历史室外温度数据矩阵W：
Figure BDA0003145762730000071
处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11＇，将每天M个采样点的空调负荷数据划分为n个时段，计算每天每个时段里空调运行总时间TN(n)，并与阈值λ比较；若TN(n)大于λ，则认为用户在第N天第n时段使用空调，记空调的开关状态SN(n)＝1，若TN(n)小于λ，则认为用户在第N天第n时段没有使用空调，记空调的开关状态SN(n)＝0；
空调的N天历史负荷数据矩阵L转化为空调的开关状态序列矩阵S：
Figure BDA0003145762730000072
S12＇，获得室外温度数据矩阵以后，需要对数据进行预处理。LSTM预测模型中的激活函数具有易于饱和的特性，如果直接将原始数据导入LSTM预测模型，LSTM预测模型将会趋于饱和而导致预测结果出现较大的偏差，因此，数据预处理的主要作用是将原始数据等效变化为满足LSTM预测模型输入的数据，即归一化。通过以下方式对历史室外温度数据矩阵W进行线性归一化处理：
Figure BDA0003145762730000073
Dmin＝Wmin-α|Wmax-Wmin|
Dmax＝Wmax+α|Wmax-Wmin|
其中，WN(G)是第N天中第G个采样点的室外温度值，
Figure BDA0003145762730000081
是归一化后的室外温度值；Wmax和Wmin是历史室外温度数据矩阵W中的最大值和最小值，Dmax和Dmin将归一化的上下范围扩大到Wmax和Wmin之外，α为比例因子。
操作S2，以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型。具体地：
以第d天j时段的室外温度数据To,j,d、第d-1天、d-2天以及d-7天j时段对应的空调开关状态数据作为输入，以第d天j时段对应的空调开关状态数据作为输出，训练和验证基于LSTM网络的空调开关状态预测模型。
进一步地，采用多模型单变量的预测方法进行每户空调开关状态的预测，具体为：采用多个基于LSTM网络的空调开关状态预测子模型，每一所述基于LSTM网络的空调开关状态预测子模型预测某一用户次日一个时段的空调开关状态。
进一步地，采用对数似然损失作为LSTM网络的损失函数，通过使损失函数最小得到第d天j时段对应的空调开关状态的最优预测值。
Figure BDA0003145762730000082
其中，Si,j,d是用户i第d天j时段空调状态的真实类别，pi是预测Si,j,d属于类别1的概率。
进一步地，利用训练组的数据对基于LSTM网络的空调开关状态预测模型进行训练，用测试集的数据对训练完成的预测模型进行预测精度检验。提出预测精度的量化指标Ai对每个用户空调开关状态的预测准确度进行计算，Ai＝ni/N其中，ni为用户i在多日里预测结果正确时段的数量和，N为多日里所有时段的数量和。
操作S3，利用S2中训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
下面结合具体的实施例，对本发明进行进一步详细说明。
已知某地区从2018年1月1日至2018年12月31日期间的80户居民用户每户的空调负荷数据，负荷采样频率为1min，即每天有1440个负荷数据采样点，除此以外，还有该地区2018年每天的气象因素数据，包括室外温度。
在本实施例中，负荷采样频率为1分钟，即M＝1440；室外温度由于变化过程缓慢，室外温度采样频率为60分钟，即G＝24。
在本实例中，n取值为6，即一天24按照每4个小时划分为6个时段。阈值λ取值为20分钟，即在某一段时间内，空调制冷或制热过程中空调压缩机的实际运行时间大于20分钟，则认为空调在该段时间内处于开启的状态，为1；否则处于关闭的状态，为0。经过以上处理，空调N天的实际负荷序列可转换为取值仅为0和1的状态序列矩阵S。图2是一天24小时的时段划分示意图。
在本实例中，比例因子α取值为0.2，避免了LSTM激活函数在数据映射时带来的精确度不高等问题。
在本实例中，选择2018年3月到7月共5个月的80户居民用户空调负荷数据，按照8:2的比例划分为训练组和测试组对预测模型进行训练和训练结果进行测试。选择2018年8月到11月共4个月的数据，对预测模型的预测效果进行***验证。若空调开关状态的预测结果选取为2018年8月8日12点到18点，则选取LSTM预测模型的输入为2018年8月7日，2018年8月6日以及2018年8月1日三日中对应12点到18点空调的开关状态作为三个输入，此外也选取2018年8月8日12点到18点时段内的室外温度数据作为预测模型的输入。图3是本实例提供的某日不同时段空调状态预测的模型结构图。
在本实施例中，基于2018年3月到7月共5个月的80户居民用户空调负荷数据对每户居民空调状态预测模型进行训练。用2018年8月到11月每天的数据对每户居民空调状态预测模型的预测精度进行***测试。图4为在80户居民中随机选择的10户居民，在8到11月每个月的整体预测精度。可以看出，每户用户在不同的月份里预测精度也是不同的。
图5为不同月份里所有用户预测精度结果的箱型图，箱型图可以更好的分析每户预测结果的数据分布情况。所有月份中，大部分的用户空调开关状态预测精度都在80％以上，这进一步证明了预测模型的有效性。此外8月份用户的整体的预测精度较高，这是由于8月份天气炎热，大部分空调长时间处以开启的状态，预测相对容易。11月份用户的预测结果分布性较大，这是由于11月份，空调开关状态的随机性较大，因此预测相对困难。
图6为本发明实施例提供的一种基于LSTM网络的空调开关状态预测装置的框图。参阅图6，该基于LSTM网络的空调开关状态预测装置600包括数据采集及处理模块610、训练和验证模块620以及空调开关状态预测模块630。
采集及处理模块610例如执行操作S1，用于采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；
训练和验证模块620例如执行操作S2，用于以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；
空调开关状态预测模块630例如执行操作S3，用于利用训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
基于LSTM网络的空调开关状态预测装置600用于执行上述图1所示实施例中的基于LSTM网络的空调开关状态预测方法。本实施例未尽之细节，请参阅前述图1所示实施例中的基于LSTM网络的空调开关状态预测方法，此处不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于LSTM网络的空调开关状态预测方法，其特征在于，包括以下步骤：
S1，采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；
S2，以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；
S3，利用S2中训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
2.根据权利要求1所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S1中，采集不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11，以每天M个采样点的采样率对空调N天历史负荷数据进行采样，以得到空调的N天历史负荷数据矩阵L：
Figure FDA0003145762720000011
S12，以每天G个采样点的采样率进行采样，获得N天中每一天的历史室外温度数据矩阵W：
Figure FDA0003145762720000012
3.根据权利要求2所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S1中，处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：
S11＇，将每天M个采样点的空调负荷数据划分为n个时段，计算每天每个时段里空调运行总时间TN(n)，并与阈值λ比较；若TN(n)大于λ，则认为用户在第N天第n时段使用空调，记空调的开关状态SN(n)＝1，若TN(n)小于λ，则认为用户在第N天第n时段没有使用空调，记空调的开关状态SN(n)＝0；
空调的N天历史负荷数据矩阵L转化为空调的开关状态序列矩阵S：
Figure FDA0003145762720000021
S12＇，通过以下方式对历史室外温度数据矩阵W进行线性归一化处理：
Figure FDA0003145762720000022
Dmin＝Wmin-α|Wmax-Wmin|
Dmax＝Wmax+α|Wmax-Wmin|
其中，WN(G)是第N天中第G个采样点的室外温度值，
Figure FDA0003145762720000023
是归一化后的室外温度值；Wmax和Wmin是历史室外温度数据矩阵W中的最大值和最小值，α为比例因子。
4.根据权利要求3所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S2具体包括：以第d天j时段的室外温度数据To,j,d、第d-1天、d-2天以及d-7天j时段对应的空调开关状态数据作为输入，以第d天j时段对应的空调开关状态数据作为输出，训练和验证基于LSTM网络的空调开关状态预测模型。
5.根据权利要求1至4任一项所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S2中，采用多模型单变量的预测方法进行每户空调开关状态的预测，具体为：采用多个基于LSTM网络的空调开关状态预测子模型，每一所述基于LSTM网络的空调开关状态预测子模型预测某一用户次日一个时段的空调开关状态。
6.根据权利要求1至4任一项所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，采用对数似然损失作为LSTM网络的损失函数，通过使损失函数最小得到第d天j时段对应的空调开关状态的最优预测值。
7.一种基于LSTM网络的空调开关状态预测装置，其特征在于，包括：
数据采集及处理模块，用于采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；
训练和验证模块，用于以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；
空调开关状态预测模块，用于利用训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。
CN202110749959.5A 2021-07-02 2021-07-02 一种基于lstm网络的空调开关状态预测方法及装置 Pending CN113591926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110749959.5A CN113591926A (zh) 2021-07-02 2021-07-02 一种基于lstm网络的空调开关状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110749959.5A CN113591926A (zh) 2021-07-02 2021-07-02 一种基于lstm网络的空调开关状态预测方法及装置

Publications (1)

Publication Number Publication Date
CN113591926A true CN113591926A (zh) 2021-11-02

Family

ID=78245460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110749959.5A Pending CN113591926A (zh) 2021-07-02 2021-07-02 一种基于lstm网络的空调开关状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN113591926A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123460A (zh) * 2014-07-22 2014-10-29 上海申瑞继保电气有限公司 公共建筑的制冷空调度日数计算方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN110009140A (zh) * 2019-03-20 2019-07-12 华中科技大学 一种日电力负荷预测方法及预测装置
CN111489036A (zh) * 2020-04-14 2020-08-04 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN112348287A (zh) * 2020-11-26 2021-02-09 南方电网能源发展研究院有限责任公司 基于lstm分位数回归的电力***短期负荷概率密度预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123460A (zh) * 2014-07-22 2014-10-29 上海申瑞继保电气有限公司 公共建筑的制冷空调度日数计算方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN110009140A (zh) * 2019-03-20 2019-07-12 华中科技大学 一种日电力负荷预测方法及预测装置
CN111489036A (zh) * 2020-04-14 2020-08-04 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN112348287A (zh) * 2020-11-26 2021-02-09 南方电网能源发展研究院有限责任公司 基于lstm分位数回归的电力***短期负荷概率密度预测方法

Similar Documents

Publication Publication Date Title
CN116646933A (zh) 一种基于大数据的电力负荷调度方法及***
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN109193630B (zh) 一种柔性负荷可调区间预测方法及装置
CN113822481A (zh) 基于多任务学习策略和深度学习的综合能源负荷预测方法
CN113139711A (zh) 一种基于数据整合的智慧能源数据中心管理***
Xiao et al. Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN111179108A (zh) 用电能耗的预测方法和装置
CN115660225A (zh) 一种基于电表通信模块的用电负荷预测管理方法及***
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
Atanasovski et al. K-nearest neighbor regression for forecasting electricity demand
Baesmat et al. A new hybrid method for electrical load forecasting based on deviation correction and MRMRMS
Wang et al. Data-driven assessment of room air conditioner efficiency for saving energy
CN114862023A (zh) 基于四维逐点气象预报的分布式光伏功率预测方法及***
Ghassemi et al. Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings
CN112307675B (zh) 一种基于神经网络的温度敏感型负荷分离辨识方法及***
CN116862129B (zh) 一种零耗能建筑数据分析方法及***
CN116951780A (zh) 一种智能中央热水器管理方法和***
CN116646917A (zh) 一种校园多步概率电力负荷预测方法及***
CN113591926A (zh) 一种基于lstm网络的空调开关状态预测方法及装置
Nguyen et al. A machine learning-based approach for the prediction of electricity consumption
Casella et al. Dissecting the problem of individual home power consumption prediction using machine learning
Zandi et al. An automatic learning framework for smart residential communities
CN112036713A (zh) 一种基于主成分分析的煤改电综合效益评价方法和***
Ali et al. Deep learning networks for short term load forecasting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination