基于LSTM模型的温度预测方法及装置与流程

本发明涉及智慧能源技术领域，尤其涉及一种基于lstm模型的温度预测方法及装置。

背景技术：

暖通空调系统的出现创造了良好的室内热环境，然而在为室内持续提供热舒适环境的同时，也带来了巨大的能耗问题。传统的空调系统使用的是固定阈值控制法，即设定舒适温度范围，一旦室内温度超过该范围，即开启加热或制冷进行调节。该调节方法虽然程序简单，但考虑到建筑物理环境的滞后性，室内温度往往会在开启调节后继续上升(或下降)超过舒适范围一段时间。固定阀值这种方法具有严重的滞后性，高寒地区的秋季室外温差变换，固定阀值应对温度变化较为迟。

技术实现要素：

对固定阀值控制暖通空调系统存在的不足，本发明提供一种基于lstm模型的温度预测方法及装置。

第一方面，本发明提供了一种基于lstm模型的温度预测方法，包括：

获取预设目标建筑内部的第一组物理环境数据以及预设目标建筑外部的预设位置的第二组物理环境数据；

确定所述第一组物理环境数据的第一环境均值与所述第二组物理环境数据的第二环境均值；

通过lstm模型、所述第一环境均值和所述第二环境均值，预测所述预设目标建筑内部需要调整的温度值。

所述第一组物理环境数据以及第二组物理环境数据均包括温度和湿度。

优选地，所述获取预设目标建筑内部的第一组物理环境数据以及预设目标建筑外部的预设位置的第二组物理环境数据，包括：

通过所述预设目标建筑内部布置的第一设定数量的温度传感器以及第一设定数量的湿度传感器，获取第一组物理环境数据；

通过所述预设目标建筑部布置的第二设定数量的温度传感器以及第二设定数量的湿度传感器，获取第二组物理环境数据。

优选地，所述确定所述第一组物理环境数据的第一环境均值与所述第二组物理环境数据的第二环境均值，包括：

分别按照如下公式对所述第一组物理环境数据和所述第二组物理环境数据进行归一化处理，将所述第一组物理环境数据和所述第二组物理环境数据转换为均值为0，标准差为1的服从正态分布的随机变量：

式中，xi为所述第一组物理环境数据和所述第二组物理环境数据，xi^*为归一化后的数据；mean(x)为所述第一组物理环境数据和所述第二组物理环境数据的平均值，sd(x)为所述第一组物理环境数据和所述第二组物理环境数据的标准差。

优选地，所述通过lstm模型、所述第一环境均值和所述第二环境均值，预测所述预设目标建筑内部需要调整的温度值，包括：

在当前时刻t，通过lstm的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为所述第一环境均值和所述第二环境均值；

通过lstm的sigmoid函数确定一个遗忘状态值ft，所述遗忘状态值介于0～1之间，0表示完全遗忘，1表示完全保留；

通过lstm的输入门生成输入状态值，所述输入状态值样介于0～1之间；

通过lstm的tanh函数和输入值、上一时刻的输出值，预测所述预设目标建筑内部需要调整的温度值。

第二方面，本发明提供了一种基于lstm模型的温度预测装置，包括：

获取模块，用于获取预设目标建筑内部的第一组物理环境数据以及预设目标建筑外部的预设位置的第二组物理环境数据；

确定模块，用于确定所述第一组物理环境数据的第一环境均值与所述第二组物理环境数据的第二环境均值；

预测模块，用于通过lstm模型、所述第一环境均值和所述第二环境均值，预测所述预设目标建筑内部需要调整的温度值。

优选地，所述获取模块具体用于：

通过所述预设目标建筑内部布置的第一设定数量的温度传感器以及第一设定数量的湿度传感器，获取第一组物理环境数据；

通过所述预设目标建筑部布置的第二设定数量的温度传感器以及第二设定数量的湿度传感器，获取第二组物理环境数据。

优选地，所述确定模块具体用于：

分别按照如下公式对所述第一组物理环境数据和所述第二组物理环境数据进行归一化处理，将所述第一组物理环境数据和所述第二组物理环境数据转换为均值为0，标准差为1的服从正态分布的随机变量：

式中，xi为所述第一组物理环境数据和所述第二组物理环境数据，xi^*为归一化后的数据；mean(x)为所述第一组物理环境数据和所述第二组物理环境数据的平均值，sd(x)为所述第一组物理环境数据和所述第二组物理环境数据的标准差。

优选地，所述预测模块具体用于：

在当前时刻t，通过lstm的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为所述第一环境均值和所述第二环境均值；

通过lstm的sigmoid函数确定一个遗忘状态值ft，所述遗忘状态值介于0～1之间，0表示完全遗忘，1表示完全保留；

通过lstm的输入门生成输入状态值，所述输入状态值样介于0～1之间；

通过lstm的tanh函数和输入值、上一时刻的输出值，预测所述预设目标建筑内部需要调整的温度值。

本发明提供了一种基于lstm模型的温度预测方法及装置，通过长短期记忆网络(longshort-termmemory，lstm)预测下一时刻室内温度在当前室内温度和室外温度的影响下如何变化，从而提前开启调节，便能够将室内温度更好地控制在舒适范围内，同时也充分利用了室外温度变化对室内温度的有利影响，对不利影响提前进行热补偿，从而有效地降低空调系统能耗。

附图说明

为了更清楚地说明本说明书实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种基于lstm模型的温度预测方法的流程示意图；

图2为本发明一实施例提供的一种基于lstm模型的温度预测装置的结构示意图；

图3为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

图1为本发明一实施例提供的一种基于lstm模型的温度预测方法的流程示意图。

如图1所示，本发明实施例提供了一种基于lstm模型的温度预测方法，该方法可以包括如下步骤：

步骤110，获取预设目标建筑内部的第一组物理环境数据以及预设目标建筑外部的预设位置的第二组物理环境数据。

根据本发明实施例，通过所述预设目标建筑内部布置的第一设定数量的温度传感器以及第一设定数量的湿度传感器，获取第一组物理环境数据；通过所述预设目标建筑部布置的第二设定数量的温度传感器以及第二设定数量的湿度传感器，获取第二组物理环境数据。

例如，可以在预设目标建筑内部布置6个测试点，每个测试点均布置1个温湿度传感器，通过这6个测试点的温湿度传感器得到第一组物理环境数据。预设目标建筑内部布置6个圆周等分测试点，每个测试点均布置1个温湿度传感器，测试点距离建筑外5m，通过这6个测试点的温湿度传感器得到第二组物理环境数据。第一组物理环境数据以及第二组物理环境数据均包括温度和湿度。

步骤120，确定所述第一组物理环境数据的第一环境均值与所述第二组物理环境数据的第二环境均值；

根据本发明实施例，可以分别按照如下公式对所述第一组物理环境数据和所述第二组物理环境数据进行归一化处理，将所述第一组物理环境数据和所述第二组物理环境数据转换为均值为0，标准差为1的服从正态分布的随机变量：

式中，xi为所述第一组物理环境数据和所述第二组物理环境数据，xi^*为归一化后的数据；mean(x)为所述第一组物理环境数据和所述第二组物理环境数据的平均值，sd(x)为所述第一组物理环境数据和所述第二组物理环境数据的标准差。

步骤130，通过lstm模型、所述第一环境均值和所述第二环境均值，预测所述预设目标建筑内部需要调整的温度值。

根据本发明实施例，在当前时刻t，通过lstm的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为所述第一环境均值和所述第二环境均值；通过lstm的sigmoid函数确定一个遗忘状态值ft，所述遗忘状态值介于0～1之间，0表示完全遗忘，1表示完全保留；通过lstm的输入门生成输入状态值，所述输入状态值样介于0～1之间；通过lstm的tanh函数和输入值、上一时刻的输出值，预测所述预设目标建筑内部需要调整的温度值。

其中，lstm网络的结构与传统循环神经网络的结构相同，均由输入层、隐藏层和输出层组成。在隐藏层中，lstm神经元增加了能够进行选择性学习的结构。相比于传统的激活函数，lstm神经元包含了一个储存单位，该单位由遗忘门、输入门和输出门这3个“门”结构和1个循环连接单元组成。门结构的“状态”由一个通过sigmoid函数生成的状态值决定，该状态值处于0～1之间，0代表完全关闭，1代表完全通过。通过这种方式，lstm网络可以进行有选择地学习，决定是否学习长期存储的信息。在t时刻，lstm神经元的输入值为xt，输出值为ht，单元状态为ct，w为对应的权重矩阵，b为对应的偏移向量。当前时刻遗忘门读取上一时刻输出ht-1和当前时刻输入xt，通过sigmoid函数(σ)返回一个遗忘状态值ft。该状态值介于0～1之间，0表示完全遗忘，1表示完全保留。

遗忘状态值ft计算公式如下：

ft＝σ(wf[ht1，xt]+bi)(1)

输入门包含一个σ函数生成的输入状态值it，该值同样介于0～1之间。σ为经验值，根据预测模型精准度，人为的修改，调大或者调小。

it＝σ(wi[ht1，xt]+bi)(2)

此时单元状态ct由两部分组成。首先通过tanh函数和输入值xt、上一时刻输出值ht生成一个输入的信息值ct。而单元状态ct包括上一时刻的状态ct1与遗忘状态值ft的乘积(决定遗忘或保留多少上一时刻的状态)，以及输入信息值ct与输入状态值it的乘积。

根据本发明实施例，通过lstm预测下一时刻室内温度在当前室内温度和室外温度的影响下如何变化，从而提前开启调节，便能够将室内温度更好地控制在舒适范围内，同时也充分利用了室外温度变化对室内温度的有利影响，对不利影响提前进行热补偿，从而有效地降低空调系统能耗。

此外，可事先通过大量的数据训练lstm模型中的各个参数。

前述详细描述了一种基于lstm模型的温度预测方法，下面将结合附图对本发明一种基于lstm模型的温度预测装置进行详细描述。

图2为本发明一实施例提供的一基于lstm模型的温度预测装置的结构示意图。

如图2所示，一种基于lstm模型的温度预测装置200可以包括：获取模块210、确定模块220、预测模块230。

获取模块210，用于获取预设目标建筑内部的第一组物理环境数据以及预设目标建筑外部的预设位置的第二组物理环境数据；

确定模块220，用于确定所述第一组物理环境数据的第一环境均值与所述第二组物理环境数据的第二环境均值；

预测模块230，用于通过lstm模型、所述第一环境均值和所述第二环境均值，预测所述预设目标建筑内部需要调整的温度值。

优选地，所述获取模块210具体用于：

通过所述预设目标建筑内部布置的第一设定数量的温度传感器以及第一设定数量的湿度传感器，获取第一组物理环境数据；

通过所述预设目标建筑部布置的第二设定数量的温度传感器以及第二设定数量的湿度传感器，获取第二组物理环境数据。

优选地，所述确定模块220具体用于：

分别按照如下公式对所述第一组物理环境数据和所述第二组物理环境数据进行归一化处理，将所述第一组物理环境数据和所述第二组物理环境数据转换为均值为0，标准差为1的服从正态分布的随机变量：

式中，xi为所述第一组物理环境数据和所述第二组物理环境数据，xi^*为归一化后的数据；mean(x)为所述第一组物理环境数据和所述第二组物理环境数据的平均值，sd(x)为所述第一组物理环境数据和所述第二组物理环境数据的标准差。

优选地，所述预测模块230具体用于：

在当前时刻t，通过lstm的遗忘门读取上一时刻的输出值与当前时刻输入值，其中所述当前时刻输入值为所述第一环境均值和所述第二环境均值；

通过lstm的sigmoid函数确定一个遗忘状态值ft，所述遗忘状态值介于0～1之间，0表示完全遗忘，1表示完全保留；

通过lstm的输入门生成输入状态值，所述输入状态值样介于0～1之间；

通过lstm的tanh函数和输入值、上一时刻的输出值，预测所述预设目标建筑内部需要调整的温度值。

图3是本说明书的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成一种基于lstm模型的温度预测装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的基于lstm模型的温度预测方法。

上述如本说明书所示实施例提供的一种基于lstm模型的温度预测方法执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的一种基于lstm模型的温度预测置方法，并具体用于执行如图1所示的方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本说明书时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。