一种基于CNN-LSTM的中央空调需求响应测试方法及系统与流程

本发明涉及电力需求响应，特别涉及一种基于cnn-lstm的中央空调需求响应测试方法及系统。

背景技术：

1、随着我国产业能源结构升级，能源互联网技术发展迎来新的阶段，目前空调作为我国电网负荷重要组成的部分，城市区域电网负荷在近几十年来急速增长，导致高峰期负荷压力和峰值增加以及能源急剧消耗。为了实现资源高效率运用，引入需求侧响应，充分挖掘用电高峰期大规模中央空调调峰潜力，并采用合理的方式进行负荷预测并且削峰填谷，优化电网负荷特性具有重要意义。

2、为了实现中央空调负荷侧资源调控测试，传统方法上基于单个卷积神经网络(convolutional neutral network，cnn)预测中央空调负荷可以做到局部权值共享，平移不变性可以更加好的提取特征以便处理多维数据，但是缺点为网络过深时其梯度回传变化相对于输入往往很小，会出现梯度消失或者崩溃的情况，导致预测数据缺失。由于所选取数据与时间有关，长短期记忆网络(long short-term memory，lstm)模型能很好的解决时序序列问题，经过全连接层设计好的遗忘门、输出门、输入门来过滤信息，使得长序信息处理较好，但是也会存在序列时间跨度非常大的数据中，会很大程度上导致计算量增加，耗时偏多。

3、鉴于大部分现有神经网络模块预测只考虑单特征而忽略了选取数据相关联性，导致测试结果与实际差距过大，存在中央空调负荷预测精度低，预测结果与实际丢失局部和整体的关联性，以及程序冗杂计算量大耗时多的问题。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：相关技术中中央空调负荷预测精度低，预测结果与实际丢失局部和整体的关联性，以及程序冗杂计算量大耗时多的技术问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于cnn-lstm的中央空调需求响应测试方法，包括：获取影响中央空调负荷的因素的数据和中央空调负荷作为原始数据；

4、对所述原始数据进行预处理，并将预处理后的数据划分为训练集和预测集；

5、根据所述影响中央空调负荷的因素和所述中央空调负荷值构建cnn-lstm-attention神经网络，将所述训练集输入所述cnn-lstm-attention神经网络进行训练，输出为调控日的中央空调负荷值；

6、将所述预测集输入训练后的cnn-lstm-attention神经网络，输出预测调控日的中央空调负荷值。

7、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：对所述原始数据进行预处理包括，

8、利用3σ法则对于缺失和异常的中央空调原始负荷数据进行一次处理；

9、分析不同因素对中央空调负荷之间的关联性，并根据关联性的结果选择关联度最高的至少一个因素计算加权指数，通过加权指数来判断负荷预测数据是否符合当天实际数据，或根据加权指数来排除差异大的天数的数据；

10、将原始数据进行归一化处理。

11、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：选择关联度最高的多个因素计算所述加权指数，包括，

12、结合影响中央空调负荷的因素的数据和处理后的中央空调负荷数据，利用皮尔森相关系数法和斯皮尔曼系数法计算不同因素对中央空调负荷之间的关联性；

13、对两个关联性进行分析，得到中央空调负荷各因素与中央空调负荷的相关性的强弱关系；

14、计算温度和湿度与中央空调的加权温湿度指数。

15、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：将所述训练集输入cnn-lstm-attention神经网络进行训练包括，

16、历史中央空调负荷数据进行预处理，预处理的数据表示为时间序列；

17、将时间序列输入cnn-lstm-attention神经网络的cnn层，cnn层进行特征提取；

18、将提取的特征输入cnn-lstm-attention神经网络的lstm层，lstm层对提取到的特征进行学习，并利用dropout算法防止在训练过程中会出现的过拟合情况；

19、lstm层的输出连接attention层，通过attention层降低权重输出输出预测结果；

20、选择评价指标函数对attention层输出的结果进行判断预测结果是否符合标准，若符合标准，直接输出预测结果，反之重新返回lstm层训练。

21、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：所述attention层降低权重输出，输出预测结果包括，所述attention层将参与中央空调负荷预测的历史数据寻址操作处理，利用概率分配权重的方式计算权重矩阵，最后通过预测得到的预测结果是反归一化的数据结果，即得到调控日的中央空调负荷值。

22、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：利用概率分配权重的方式计算所述权重矩阵ki的表达式为，

23、

24、其中，vi为注意力机制的第i个value值，i≤n；ai为权值系数，ai的计算公式为：sim代表i个数据的余弦相似特性：

25、

26、上式中，key代表数据地址，k为当时刻值。

27、作为本发明所述的基于cnn-lstm的中央空调需求响应测试方法的一种优选方案，其中：所述评价指标函数包括，绝对平均误差和相对平均误差以及均方根误差，若评价函数的值过大，则重新返回lstm层训练。

28、一种基于cnn-lstm的中央空调需求响应测试系统，其特征在于，包括：

29、原始数据获取模块，用于获取影响中央空调负荷的因素的数据和中央空调负荷作为原始数据，其中，影响中央空调负荷的因素包括：气候因素、日期因素、电价因素以及人群密集度因素；

30、预处理模块，对所述原始数据进行预处理，并将预处理后的数据划分为训练集和预测集；

31、cnn-lstm-attention神经网络模块，用于根据影响中央空调负荷的因素和中央空调负荷值构建cnn-lstm-attention神经网络，将所述训练集输入cnn-lstm-attention神经网络进行训练，使cnn-lstm-attention神经网络输入中央空调原始数据，输出为调控日的中央空调负荷值；将所述预测集输入训练后的cnn-lstm-attention神经网络，输出预测调控日的中央空调负荷值。

32、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本发明所述的方法的步骤。

33、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明所述的方法的步骤。

34、本发明的有益效果：本发明提供的基于cnn-lstm的中央空调需求响应测试方法中cnn-lstm网络模型可以预测中央空调负荷并局部权值共享，更加好的提取特征以便处理多维数据，还能很好的解决时序序列问题，因此本发明在短时间内考虑中央空调负荷侧各种资源调控需求，同时为了实际应用，通过对cnn和lstm神经网络组合，并且加入注意力机制，实现高精度的电力负荷预测，进一步证明了cnn-lstm-attention特征选择后再输入网络可以减少相关性较小的冗余信息，提高预测精度。