技术摘要：
本发明公开了一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机 全部
背景技术：
随着城市化的加快，工业的发展以及人口的增长，全球能源需求持续上升。据统 计，建筑运行冷负荷约占全球冷负荷的40％，其温室气体排放占总排放的1/3，这表明建筑 物已成为最大的能源消费者。对于建筑而言，暖通空调系统在建筑总冷负荷中所占的比例 最大，其巨大的能源消耗增加了电网的压力。因此对建筑进行能源管理显得尤为重要。 建筑冷负荷预测是建筑能源管理过程中重要的一环，是实现建筑节能的一项关键 性工作，对建筑冷负荷进行正确合理的预测，能够及时准确的发现建筑冷负荷中的一些异 常情况或者潜在的设备故障，便于管理人员及时采取措施，进而避免能源的过度浪费。同时 正确合理的建筑冷负荷预测还可以给管理人员合理分配能量提供一定的依据，使得能源被 合理有效地使用。而且可以合理安排发电方案，实现电网的供需平衡，让电力系统稳定运 行，这对电力系统来说也是非常重要的一环。 目前冷负荷预测方法中人工神经网络模型、支持向量机模型、决策树模型以及混 合模型应用广泛。然而，这些模型却存因在各种问题使得预测精度不够理想。比如，人工神 经网络算法的学习速度不够高，并易产生局部最优和过拟合现象；支持向量机难以在大量 样本中使用，多分类问题解决困难；决策树模型的方案概率易受人为影响，决策准确性降 低；混合模型计算量和计算难度较高等问题。以上预测算法只是注重考虑自身算法对冷负 荷的预测，还未能充分考虑建筑冷负荷的复杂特征，从而导致预测效果不理想。
技术实现要素：
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自适 应深度置信网络的空调冷负荷预测方法，考虑影响建筑冷负荷的复杂因素，实现了有效预 测建筑冷负荷情况，通过对影响条件的控制，达到节能降耗的技术效果，解决了现有技术中 存在的问题。 本发明采用以下技术方案： 一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采 用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一 化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过 RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参 数θ＝{w,a ,b}；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数θ＝{w,a , b}；再采用Adam优化算法调节网络参数θ＝{w,a,b}；最后选取预测模型的参数及结构，采用 重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误 差MAPE对结果进行评价，完成空调冷负荷预测。 5 CN 111598225 A 说 明 书 2/11 页 具体的，预测模型在线性单元中加入独立高斯分布的连续值来模拟真实的数据， 能量函数E(v,h；θ)为： 其中，θ＝{w,a,b,σ}，σi为可视层vi对应的高斯噪声的标准差； 更新可视层和隐藏层的激活概率为： 其中，N(μ,σ2)代表高斯函数的均值μ和方差σ2，ai为可视层的偏移量，hj为隐藏单 元j的二进制状态，wij为两者之间的权重，n为可视层预测冷负荷的数量，vi为可视层输入i 的二进制状态，bj为隐藏层的偏移量。 具体的，RBM无监督机制训练中，RBM通过激活函数，将输入向量由可视层转换到隐 藏层，从隐藏层再到可视层，通过训练最小化内部能量函数，完成特征的提取，得到可视层 与隐藏层之间的联合组态能量函数E(v,h；θ)，以可视层和隐藏层的联合分布确保函数分布 标准化，根据确定的可视层和隐藏层计算得到条件概率分布，通过使用梯段上升法最大化 似然函数确定最佳模型，当给定一组训练样本集合S＝{v1,v2,...vn)时，计算得到目标函数 为最大化下对数似然函数Ls。 进一步的，最大化下对数似然函数Ls为： 其中，P(vn)为每一个输入样本的激活概率，N为训练样本个数。 进一步的，可视层和隐藏层之间的联合分布为： P(v,h|θ)＝exp(-E(v,h))/Z(θ) 其中，Z(θ)为配分函数，v为可视层单元，h为隐藏层单元，确定可视层以及隐藏层 后，条件概率分布计算如下： 其中，ai为可视层的偏移量，hj为隐藏单元j的二进制状态，n为可视层的预测冷负 6 CN 111598225 A 说 明 书 3/11 页 荷数量，wij为两者之间的权重，m为可视层对应的隐藏层数量，vi为可视层输入i的二进制状 态，bj为隐藏层的偏移量。 具体的，再次调节网络参数θ＝{w,a,b}具体为： 将包含时间、温度、湿度和太阳辐射的输入向量输入到网络模型中，通过无监督网 络训练，通过高斯分布CRBM处理成连续的数值，进行模型训练； 然后将训练样本划分为f组训练样本，对f组训练样本进行训练以调节预测模型的 网络参数θ＝{w,a,b}，达到预测模型训练层数后保存网络参数。 具体的，采用Adam优化算法调节网络参数θ＝{w,a,b}具体为： 对参数向量、一阶矩向量和二阶矩向量进行初始化，然后循环迭代地更新各个部 分，使参数θ收敛，即时间t加1，对应的更新偏差的各个参数，最后用计算的参数值更新预测 模型的参数θ。 具体的，使用均方根相对误差RMSPE和平均绝对百分误差MAPE进行评估，对比预测 模型的预测值与实际值之间的差值，对CRBM-DBN网络模型采用重构误差进行评估，真实值 与预测值之间的偏差构成重构误差，通过计算重构误差计算得出预测模型的深度，对于隐 含节点的数量，以MAPE和训练时间为评价标准，通过训练对冷负荷数据进行预测。 进一步的，均方根相对误差RMSPE和平均绝对百分误差MAPE具体为： 其中，yi和 分别为第i个时刻的实际负荷值和负荷预测值； 为空调冷负荷真实 值的平均值，k为所有测试集的样本个数；采用重构误差进行评估如下： 其中，RE为重构误差，X代表min-batch矩阵，aVi表示当前预测可视单元的状态值。 进一步的，预测模型的深度为2，隐层节的点数为20，预测步长为1h。 与现有技术相比，本发明至少具有以下有益效果： 本发明一种基于自适应深度置信网络的空调冷负荷预测方法，针对建筑冷负荷数 据往往具有非线性以及动态特征导致冷负荷数据无法可靠、准确的进行预测的问题，提出 了基于自适应深度置信网络的空调冷负荷预测方法。该算法结合了监督学习以及非监督学 习的优点，挖掘高维特征，自下而上抽取特征值，有效解决了传统神经网络参数随机初始化 导致的一系列问题。除了具有好的初始点，对于神经网络经常出现的过拟合和欠拟合问题， 通过预训练也得到了有效的解决。 进一步的，对所选取的数据进行缺失和异常数据的弥补处理，可以有效解决数据 可靠性的问题，为避免输入层参数数量级不同所带来的预测误差，对输入数据进行归一化 处理，可以有效解决由于数据误差所带来的网络模型的预测误差。 进一步的，采用高斯分布处理过玻尔兹曼机，可以有效解决RBM只能接受二进制输 7 CN 111598225 A 说 明 书 4/11 页 入容易导致数据丢失的问题。 进一步的，采用Adam算法优化的深度置信网络由于考虑到目标函数的二阶导数， 因此使模型具有强大的自适应性，且在处理非线性问题上具有很好的性能，并且有效解决 了训练网络模型参数时收敛速度缓慢的问题。 进一步的，采用重构误差对网络模型进行的评估，可以清楚的看到不同结构选取 所产生的重构误差的大小，以更好的选取模型的参数以及结构。 综上所述，本发明方法准确地预测建筑冷负荷，预测精度高于BP神经网络预测模 型的精度，具有较好的预测精度、通用性和适用性，特别适用于冷负荷周期性变化的大型公 共建筑，提供的冷负荷预测数据对节能规划和节能规划更为有用。 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。 附图说明 图1为异常数据处理图； 图2为RBM原理图； 图3为CRBM-DBN网络预测原理图； 图4为CRBM-DBN算法流程图； 图5为模型重构误差图，其中，(a)为网络深度为1时的重构误差，(b)为网络深度为 2时的重构误差，(c)为网络深度为3时的重构误差，(d)为网络深度为4时的重构误差； 图6为预测结果图，其中，(a)为休息日和工作日的冷负荷预测图，(b)为7～13h放 大效果，(c)为22～28h放大效果。
本发明公开了一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机 全部
背景技术：
随着城市化的加快，工业的发展以及人口的增长，全球能源需求持续上升。据统 计，建筑运行冷负荷约占全球冷负荷的40％，其温室气体排放占总排放的1/3，这表明建筑 物已成为最大的能源消费者。对于建筑而言，暖通空调系统在建筑总冷负荷中所占的比例 最大，其巨大的能源消耗增加了电网的压力。因此对建筑进行能源管理显得尤为重要。 建筑冷负荷预测是建筑能源管理过程中重要的一环，是实现建筑节能的一项关键 性工作，对建筑冷负荷进行正确合理的预测，能够及时准确的发现建筑冷负荷中的一些异 常情况或者潜在的设备故障，便于管理人员及时采取措施，进而避免能源的过度浪费。同时 正确合理的建筑冷负荷预测还可以给管理人员合理分配能量提供一定的依据，使得能源被 合理有效地使用。而且可以合理安排发电方案，实现电网的供需平衡，让电力系统稳定运 行，这对电力系统来说也是非常重要的一环。 目前冷负荷预测方法中人工神经网络模型、支持向量机模型、决策树模型以及混 合模型应用广泛。然而，这些模型却存因在各种问题使得预测精度不够理想。比如，人工神 经网络算法的学习速度不够高，并易产生局部最优和过拟合现象；支持向量机难以在大量 样本中使用，多分类问题解决困难；决策树模型的方案概率易受人为影响，决策准确性降 低；混合模型计算量和计算难度较高等问题。以上预测算法只是注重考虑自身算法对冷负 荷的预测，还未能充分考虑建筑冷负荷的复杂特征，从而导致预测效果不理想。
技术实现要素：
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于自适 应深度置信网络的空调冷负荷预测方法，考虑影响建筑冷负荷的复杂因素，实现了有效预 测建筑冷负荷情况，通过对影响条件的控制，达到节能降耗的技术效果，解决了现有技术中 存在的问题。 本发明采用以下技术方案： 一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采 用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一 化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过 RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参 数θ＝{w,a ,b}；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数θ＝{w,a , b}；再采用Adam优化算法调节网络参数θ＝{w,a,b}；最后选取预测模型的参数及结构，采用 重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误 差MAPE对结果进行评价，完成空调冷负荷预测。 5 CN 111598225 A 说 明 书 2/11 页 具体的，预测模型在线性单元中加入独立高斯分布的连续值来模拟真实的数据， 能量函数E(v,h；θ)为： 其中，θ＝{w,a,b,σ}，σi为可视层vi对应的高斯噪声的标准差； 更新可视层和隐藏层的激活概率为： 其中，N(μ,σ2)代表高斯函数的均值μ和方差σ2，ai为可视层的偏移量，hj为隐藏单 元j的二进制状态，wij为两者之间的权重，n为可视层预测冷负荷的数量，vi为可视层输入i 的二进制状态，bj为隐藏层的偏移量。 具体的，RBM无监督机制训练中，RBM通过激活函数，将输入向量由可视层转换到隐 藏层，从隐藏层再到可视层，通过训练最小化内部能量函数，完成特征的提取，得到可视层 与隐藏层之间的联合组态能量函数E(v,h；θ)，以可视层和隐藏层的联合分布确保函数分布 标准化，根据确定的可视层和隐藏层计算得到条件概率分布，通过使用梯段上升法最大化 似然函数确定最佳模型，当给定一组训练样本集合S＝{v1,v2,...vn)时，计算得到目标函数 为最大化下对数似然函数Ls。 进一步的，最大化下对数似然函数Ls为： 其中，P(vn)为每一个输入样本的激活概率，N为训练样本个数。 进一步的，可视层和隐藏层之间的联合分布为： P(v,h|θ)＝exp(-E(v,h))/Z(θ) 其中，Z(θ)为配分函数，v为可视层单元，h为隐藏层单元，确定可视层以及隐藏层 后，条件概率分布计算如下： 其中，ai为可视层的偏移量，hj为隐藏单元j的二进制状态，n为可视层的预测冷负 6 CN 111598225 A 说 明 书 3/11 页 荷数量，wij为两者之间的权重，m为可视层对应的隐藏层数量，vi为可视层输入i的二进制状 态，bj为隐藏层的偏移量。 具体的，再次调节网络参数θ＝{w,a,b}具体为： 将包含时间、温度、湿度和太阳辐射的输入向量输入到网络模型中，通过无监督网 络训练，通过高斯分布CRBM处理成连续的数值，进行模型训练； 然后将训练样本划分为f组训练样本，对f组训练样本进行训练以调节预测模型的 网络参数θ＝{w,a,b}，达到预测模型训练层数后保存网络参数。 具体的，采用Adam优化算法调节网络参数θ＝{w,a,b}具体为： 对参数向量、一阶矩向量和二阶矩向量进行初始化，然后循环迭代地更新各个部 分，使参数θ收敛，即时间t加1，对应的更新偏差的各个参数，最后用计算的参数值更新预测 模型的参数θ。 具体的，使用均方根相对误差RMSPE和平均绝对百分误差MAPE进行评估，对比预测 模型的预测值与实际值之间的差值，对CRBM-DBN网络模型采用重构误差进行评估，真实值 与预测值之间的偏差构成重构误差，通过计算重构误差计算得出预测模型的深度，对于隐 含节点的数量，以MAPE和训练时间为评价标准，通过训练对冷负荷数据进行预测。 进一步的，均方根相对误差RMSPE和平均绝对百分误差MAPE具体为： 其中，yi和 分别为第i个时刻的实际负荷值和负荷预测值； 为空调冷负荷真实 值的平均值，k为所有测试集的样本个数；采用重构误差进行评估如下： 其中，RE为重构误差，X代表min-batch矩阵，aVi表示当前预测可视单元的状态值。 进一步的，预测模型的深度为2，隐层节的点数为20，预测步长为1h。 与现有技术相比，本发明至少具有以下有益效果： 本发明一种基于自适应深度置信网络的空调冷负荷预测方法，针对建筑冷负荷数 据往往具有非线性以及动态特征导致冷负荷数据无法可靠、准确的进行预测的问题，提出 了基于自适应深度置信网络的空调冷负荷预测方法。该算法结合了监督学习以及非监督学 习的优点，挖掘高维特征，自下而上抽取特征值，有效解决了传统神经网络参数随机初始化 导致的一系列问题。除了具有好的初始点，对于神经网络经常出现的过拟合和欠拟合问题， 通过预训练也得到了有效的解决。 进一步的，对所选取的数据进行缺失和异常数据的弥补处理，可以有效解决数据 可靠性的问题，为避免输入层参数数量级不同所带来的预测误差，对输入数据进行归一化 处理，可以有效解决由于数据误差所带来的网络模型的预测误差。 进一步的，采用高斯分布处理过玻尔兹曼机，可以有效解决RBM只能接受二进制输 7 CN 111598225 A 说 明 书 4/11 页 入容易导致数据丢失的问题。 进一步的，采用Adam算法优化的深度置信网络由于考虑到目标函数的二阶导数， 因此使模型具有强大的自适应性，且在处理非线性问题上具有很好的性能，并且有效解决 了训练网络模型参数时收敛速度缓慢的问题。 进一步的，采用重构误差对网络模型进行的评估，可以清楚的看到不同结构选取 所产生的重构误差的大小，以更好的选取模型的参数以及结构。 综上所述，本发明方法准确地预测建筑冷负荷，预测精度高于BP神经网络预测模 型的精度，具有较好的预测精度、通用性和适用性，特别适用于冷负荷周期性变化的大型公 共建筑，提供的冷负荷预测数据对节能规划和节能规划更为有用。 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。 附图说明 图1为异常数据处理图； 图2为RBM原理图； 图3为CRBM-DBN网络预测原理图； 图4为CRBM-DBN算法流程图； 图5为模型重构误差图，其中，(a)为网络深度为1时的重构误差，(b)为网络深度为 2时的重构误差，(c)为网络深度为3时的重构误差，(d)为网络深度为4时的重构误差； 图6为预测结果图，其中，(a)为休息日和工作日的冷负荷预测图，(b)为7～13h放 大效果，(c)为22～28h放大效果。
