一种基于智能楼宇的用电数据预测方法与流程

1.本发明涉及智能楼宇用电领域，尤其是一种基于智能楼宇的用电数据预测方法。


背景技术：

2.智能楼宇的核心是5a系统，智能楼宇就是通过通信网络系统将此5个系统进行有机的综合，集结构、系统、服务、管理及它们之间的最优化组合，使建筑物具有了安全、便利、高效、节能的特点。
3.智能楼宇伴随着用电量的增加，智能楼宇中的用电量随时段变化较大，且智能楼宇中各楼层之间的用电量亦有差距；按照现有的预测手段往往不能对智能楼宇的用电数据或者用电量进行可靠预测。
4.在中国专利文献上公开的“一种商业楼宇用电量预测方法及系统”，其公开号为cn113469419a，涉及一种商业楼宇用电量预测方法及系统，方法包括：利用第二回归预测模型预测商业楼宇用电量；其中，所述的第二回归预测模型的获取过程包括：采集商业楼宇用电器的历史用电数据，并进行预处理；根据历史用电数据，通过回归分析建立第一回归预测模型，通过剔除步骤剔除第一回归预测模型中不显著的自变量，获得第二回归预测模型。但是公开号为cn113469419a的专利的用电量预测涉及整个商业楼宇，且预测准确度不高。


技术实现要素：

5.本发明解决了智能楼宇内部用电数据缺乏有效的预测手段的问题，提出一种基于智能楼宇的用电数据预测方法，通过建立lstm区间预测模型，以及用电数据预测区间进行修正，确定最终的预测值，本发明能够灵活预测智能楼宇内各个楼层的用电数据情况，预测准确度高，能够为智能楼宇供电提供参考。
6.为了实现上述目的，本发明采用以下技术方案：一种基于智能楼宇的用电数据预测方法，包括以下步骤：s1，采集智能楼宇内楼层历史日的环境变量数据以及历史日的用电数据；s2，对环境变量数据进行预处理，并建立lstm区间预测模型；s3，利用数据训练集对lstm区间预测模型进行训练，得到预测用电数据区间；s4，对预测用电数据区间进行修正，确定用电数据趋向预测值。
7.本发明中，首先，利用采集设备和电网平台对智能楼宇内各个楼层历史日的环境变量数据和用电数据进行采集，并且根据时段进行存储；随后对采集得到的数据进行预处理，根据预处理的数据创建lstm区间预测模型；创建完成后，对lstm区间预测模型进行训练，训练完成后，即可输入环境变量数据且输出预测用电数据区间；最后利用影响权重对预测区间调整和修正，得到最终的用电数据趋向预测值；本发明的方法，lstm区间预测模型最终能够输出预测用电数据区间，随后对预测区间的范围进行放大或者缩小，最终得到用电数据趋向预测值，预测结果更加准确。
8.作为优选，所述环境变量数据包括温度、风速、湿度和气压以及对应的时间信息；
所述用电数据为智能楼宇或者智能楼宇的某一楼层的用电数据。本发明中，具体的环境变量数据中，温度、风速、湿度和气压的采集均带有相对应的时段，方便后续的处理和建模；温度的采集使用精确的温度采集设施。
9.作为优选，所述步骤s2包括以下步骤：s21，对采集得到的具体的环境变量进行预处理，包括剔除明显异常值和增加缺失值；s22，提取温度区间、风速、湿度、气压以及时间的特征，并对各类数据进行无量纲化处理；s23，建立lstm区间预测模型，所述lstm区间预测模型包括有输入门、输出门和遗忘门。本发明中，环境变量数据预处理的过程中，首先对环境变量数据进行巡检，巡检过程中不断配合相似历史日的环境变量数据，在发现明显与相似历史日数据相差超过10％时，将该环境变量数据定为明显异常值，能够进行直接的剔除，在剔除完成之后，会留下缺位，对于与相似历史日数据相差超过20％的环境变量数据，将进行待定标记处理，需用下一个相似日的环境变量数据进行填补；对于与相似历史日数据相差超过10％但不超过20％的环境变量数据，直接选用历史日的相似数据填补即可；对各类数据进行无量纲化处理后，根据方便后续的模型建立。
10.作为优选，所述步骤s3具体为：以无量纲化处理后的数据，即智能楼宇的某一楼层的环境变量数据作为输入，以智能楼宇的某一楼层的预测用电数据区间作为期望输出，对lstm区间预测模型进行训练。本发明中，在无量纲处理后，温度区间、风速、湿度、气压以及时间的特征作为数据训练集进行输入，某一楼层的预测用电数据区间为输出对模型进行训练。
11.作为优选，所述步骤s3包括以下步骤：s31，所述lstm区间预测模型中，在环境变量数据输入后，首先输出初始预测用电数据结果；s32，根据初始预测用电数据结果，计算初始预测用电数据结果的平均值和初始预测用电数据结果的方差σ2(x)，具体如下：其中，hk(x)为经过lstm区间预测模型的初始预测用电数据结果，为初始预测用电数据结果的平均值，σ2(x)为初始预测用电数据结果的方差；s33，计算出最终的预测用电数据区间为其中，α为置信度，z
α
为置信度为α对应的临界值。本发明中，在步骤s3过程中，利用lstm得到初始的预测用电数据结果，进行求平均值以及方差，并利用平均值以及方差求出预测用电数据区间范围。
12.作为优选，所述步骤4包括以下步骤：
s41，根据采集到的智能楼宇层的某一楼层的光照强度数据，将光照强度数据进行预处理后，分析历史日的用电数据与光照强度数据，得到光照强度对历史日的用电数据的影响权重；s42，根据影响权重得到最终的影响误差，利用影响误差对预测用电数据区间进行调整和修正，修正完成得到修正用电数据区间；s43，提取智能楼宇相同楼层接近的历史日的用电数据，接近的标准为环境变量中各项数据误差率均低于5％，进一步在提取的用电数据筛选出最相近的用电数据，根据最相近的用电数据，确定用电数据趋向预测区间，对用电数据趋向预测区间最大值和最小值进行平均化后得到用电数据趋向预测值。本发明中，在对用电数据区间进行修正的过程中，光照强度数据为最大影响因素，故根据光照强度的影响权重得出影响误差，由影响误差对预测用电数据区间进行放大和缩小；并用相同楼层接近的历史日的用电数据进行最后的区间调整，调整在实际情况均为对区间进行缩小调整，使用电数据趋向预测值更加的精确。
13.作为优选，所述影响误差包括正影响误差和负影响误差，根据具体时段的光照强度对用电数据产生的正或者负影响决定。本发明中，对于影响误差，存在正负，当光照强度利于用电数据，即不占用照明用电时，影响误差为负，当光照强度不利于用电数据时，即需占用空调或者风扇用电时，影响误差为正。
14.本发明的有益效果是：本发明的一种基于智能楼宇的用电数据预测方法，通过建立lstm区间预测模型，以及预测用电数据区间进行修正，确定最终的预测值，本发明能够灵活预测智能楼宇内各个楼层的用电数据情况，预测准确度高，能够为智能楼宇供电提供参考。
附图说明
15.图1是本发明一种基于智能楼宇的用电数据预测方法的流程图；图2是本发明一种基于智能楼宇的用电数据预测方法lstm区间预测模型的部分模型图。
具体实施方式
16.实施例：本实施例提出一种基于智能楼宇的用电数据预测方法，参考图1，具体包括以下多个步骤，步骤s1，对智能楼宇内楼层历史日的环境变量数据以及历史日的用电数据进行采集；其中，环境变量数据由采集设备采集得到，用电数据从电网平台获取。更加具体的，本发明中的环境变量数据包括温度、风速、湿度和气压以及对应的时间信息，用电数据具体是智能楼宇或者智能楼宇某一楼层的用电数据。
17.随后进行步骤s2，把环境变量数据进行预处理，并创建lstm区间预测模型；具体的，该步骤包括以下多个子步骤，步骤s21，将采集得到的环境变量数据预处理，预处理主要包含有剔除明显异常值以及增加缺失值的操作；具体的，明显异常值分为两类，后续会展开详述。
18.步骤s22，提取温度区间、风速、湿度、气压以及时间的特征，对提取的特征进行无量纲化处理；具体的，还包括提取单独的时间特征，时间特征包括日历以及节假日信息；对
于温度，可提取时间段内的温度区间，也能够提取时段内的温度数据后进行归一化处理；无量纲化处理后的特征具备作为模型输入的条件。
19.步骤s23，根据前述的数据建立lstm区间预测模型，lstm区间预测模型包括有输入门、输出门和遗忘门；具体的，参考图2，为本发明所使用的lstm的模型示意图，图中，x
t
为t时刻的输入序列；h
t-1
、h
t
分别为t-1和t时刻的隐层状态；c
t-1
、c
t
分别为t-1和t时刻记忆单元的状态；为t时刻记忆单元的临时状态；i
t
为t时刻门控单元中输入门1状态；o
t
为t时刻输出门2状态；f
t
为t时刻遗忘门3状态；模型的公式如下：f
t
＝σ(w
xf
x
t
+w
hfht-1
+bf)i
t
＝σ(w
xi
x
t
+w
hiht-1
+bi))o
t
＝σ(w
xo
x
t
+w
hoht-1
+bo)h
t
＝o
t
×
tanh(c
t
)其中，σ和tanh分别是双极性sigmoid激活函数和双曲正切激活函数；w
xi
、w
hi
、bi分别是输入层和隐层到输入门的权值向量以及输入门的偏移量；w
xf
、w
hf
和bf分别是输入层和隐层到遗忘门的权值向量以及遗忘门的偏移量；w
xo
、w
ho
和bo分别是输入层和隐层到输出层的权值向量以及输出层的偏移量；w
xc
、w
hc
和bc分别是输入层和隐层到记忆单元的权值向量以及记忆单元的偏移量。
20.步骤s3，利用数据训练集对lstm区间预测模型进行训练；具体的，在此步骤中，具体过程为以无量纲化处理后的数据，即智能楼宇的某一楼层的环境变量数据作为输入，以智能楼宇的某一楼层的预测用电数据区间作为期望输出，对lstm区间预测模型进行训练。
21.步骤s3分为以下三个步骤，步骤s31，在lstm区间预测模型之中，环境变量数据输入后，优先输出初始预测用电数据结果并进行存储；该步骤利用的如图2所示的模型。
22.步骤s32，由初始预测用电数据结果，求出初始预测用电数据结果的平均值以及初始预测用电数据结果的方差σ2(x)，计算过程参考下式：上式中，hk(x)表示经过lstm区间预测模型的初始预测用电数据结果，表示初始预测用电数据结果的平均值，σ2(x)表示初始预测用电数据结果的方差。
23.步骤s32，求出最终的预测用电数据区间，具体为上式中，α表示置信度，z
α
表示置信度为α对应的临界值。
24.最后进行步骤s4，对预测用电数据区间进行修正，确定最终的用电数据趋向预测值。包括以下多个步骤，步骤s41，由采集到的智能楼宇层的某一楼层的光照强度数据，把光照强度数据进行预处理后，分析并记录历史日的用电数据与光照强度数据，求出光照强度对历史日的用电数据的影响权重。
25.步骤s42，由影响权重得到最终的影响误差，利用影响误差对预测用电数据区间进行调整和修正，修正完成，即得到修正用电数据区间。
26.步骤s43，最后，提取智能楼宇相同楼层接近的历史日的用电数据，接近标准是环境变量数据当中各项数据误差率均低于5％，随后在提取的用电数据筛选出最相近的用电数据，由最相近的用电数据，确定用电数据趋向预测区间，对用电数据趋向预测区间最大值和最小值求取平均值后得到用电数据趋向预测值。
27.本发明中，首先，利用采集设备和电网平台对智能楼宇内各个楼层历史日的环境变量数据和用电数据进行采集，并且根据时段进行存储；随后对采集得到的数据进行预处理，根据预处理的数据创建lstm区间预测模型；创建完成后，对lstm区间预测模型进行训练，训练完成后，即可输入环境变量数据且输出预测用电数据区间；最后利用影响权重对预测区间调整和修正，得到最终的用电数据趋向预测值；本发明的方法，lstm区间预测模型最终能够输出预测用电数据区间，随后对预测区间的范围进行放大或者缩小，最终得到用电数据趋向预测值，预测结果更加准确。
28.本发明中，具体的环境变量数据中，温度、风速、湿度和气压的采集均带有相对应的时段，方便后续的处理和建模；温度的采集使用精确的温度采集设施。
29.本发明中，环境变量数据预处理的过程中，首先对环境变量数据进行巡检，巡检过程中不断配合相似历史日的环境变量数据，在发现明显与相似历史日数据相差超过10％时，将该环境变量数据定为明显异常值，能够进行直接的剔除，在剔除完成之后，会留下缺位，对于与相似历史日数据相差超过20％的环境变量数据，将进行待定标记处理，需用下一个相似日的环境变量数据进行填补；对于与相似历史日数据相差超过10％但不超过20％的环境变量数据，直接选用历史日的相似数据填补即可；对各类数据进行无量纲化处理后，根据方便后续的模型建立。
30.本发明中，在无量纲处理后，温度区间、风速、湿度、气压以及时间的特征作为数据训练集进行输入，某一楼层的预测用电数据区间为输出对模型进行训练。
31.本发明中，在步骤s3过程中，利用lstm得到初始的预测用电数据结果，进行求平均值以及方差，并利用平均值以及方差求出预测用电数据区间范围。
32.本发明中，在对用电数据区间进行修正的过程中，光照强度数据为最大影响因素，故根据光照强度的影响权重得出影响误差，由影响误差对预测用电数据区间进行放大和缩小；并用相同楼层接近的历史日的用电数据进行最后的区间调整，调整在实际情况均为对区间进行缩小调整，使用电数据趋向预测值更加的精确。
33.本发明中，对于影响误差，存在正负，当光照强度利于用电数据，即不占用照明用电时，影响误差为负，当光照强度不利于用电数据时，即需占用空调或者风扇用电时，影响误差为正。
34.上述实施例是对本发明的进一步阐述和说明，以便于理解，并不是对本发明的任何限制，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。