技术摘要：
一种基于VMD‑GRU网络的公共建筑冷负荷预测方法，包括以下步骤：步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测；步骤2，使用VMD分解原始冷负荷序列；步骤3，在GRU网络中对预测模型进行训练；步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而  全部
背景技术：
近年来，全球能源消耗量伴随经济的发展增长迅速，其中建筑能耗所占比可达 40％。大型公共建筑由于舒适度要求高、人流量大、空调系统运行时间长等特点，已成为建 筑能耗中的“巨无霸”，对其能耗进行准确可靠的预测成为各界人士关注的热点。要提高预 测的精确度就要把握建筑冷负荷的变化规律：随机性、周期性、非线性和非平稳性。由于冷 负荷时间序列固有的复杂性和不规则性，预测过程中容易出现梯度消失、模态混叠和过拟 合等问题，预测大型公共建筑冷负荷仍然是一项艰巨的任务。 近年来，许多优化模型被用来解决建筑能耗预测问题。钱志使用改进型人工鱼群 和  SVR混合模型对需求侧负荷进行预测，但是当输入过多时，精度和收敛速度明显降低。黄 荣庚使用贝ARMA模型解决地铁站能耗预测问题，然而，该模型易出现震荡现象，导致收敛速 度慢、易陷入局部极小值。江平引入日期框架策略(DFS)构建特征库后来预测电力负荷，虽 然能够快速收敛，但是由于输入权值和阈值的随机性大，对预测精度影响大。李军在能耗预 测，依靠经验获取SOM神经网络的隐层节点数和训练次数，虽然隐层数的增加可以适当降低 误差，但同时使网络复杂化，导致网络训练时间的增加，甚至会出现“过拟合”情况。混合模 型(也称为灰盒模型)是物理模型和数据驱动模型相结合的方法。众多研究者将多种组合的 方法和单一的人工智能方法进行比较，发现组合后的方法性能优于单一的传统方法，并且 适用于多种类型的建筑。王林使用FOA优化ESN算法建立电力需求与多种因素之间的非线性 关系对工业用电量(IEC)进行预测,虽然FOA算法可以对ESN  的四个关键初始参数进行优 化，但易陷入局部最优，并且它的搜索路径太粗糙。雷建文提出灰色关联分析和蝙蝠优化神 经网络的预测模型对短期负荷进行预测，但是灰色模型对非平稳变化序列难以辨识，预测 值与实际值存在较大的误差,成为提高预测模型精度的瓶颈。
技术实现要素：
本发明的目的在于提供一种基于VMD-GRU网络的公共建筑冷负荷预测方法，以解 决上述问题。 为实现上述目的，本发明采用以下技术方案： 一种基于VMD-GRU网络的公共建筑冷负荷预测方法，包括以下步骤： 步骤1，对原始数据进行相关性分析，挑选出相关性高的进行预测； 步骤2，使用VMD分解原始冷负荷序列，原始冷负荷序列序列共被分解为n条分量， 各分量按照中心频率从低到高依次排列，选取不让其出现混叠的分量； 步骤3，选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分 量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分 4 CN 111553465 A 说　明　书 2/6 页 别进行训练； 步骤4，输入冷负荷预测数据的相关性高的变量进行VMD分解，进而输入到GRU  网 络中进行预测，得到冷负荷的预测分量； 步骤5，将分量预测结果相加得出冷负荷预测值。 进一步的，步骤1中，将大型公建冷负荷相关变量X＝[X1 ,X2,…,Xm]进行相关性分 析，选取相关性高的数据重组为新的相关性序列Y＝[U1,U2,…,Un,O]。 进一步的，步骤2中，利用VMD进行分解及平稳化处理，分解为表示原始数据特征的 多个分量； VMD分解的具体步骤如下： 1)初始化各模态、中心频率和算子； 2)根据式(1)和(2)，更新参数uk和ω； 其中，f(t)为原始信号，uk是信号f(t)的第k个分量， 和 分别代表 f(ω)、  ui(ω)、λ(ω)和 的傅里叶变换，n代表迭代次数； 3)根据式(3)更新参数λ； 4)对于给定的判别精度e>0,若 则停止迭代，否则返回2)。 进一步的，步骤3中，GRU网络包括更新门、重置门和输出门三个部分；它将LSTM 网 络中的遗忘门和输入门合并成一个更新门zt，保留原有的重置门rt，并且学习LSTM门控网络 的优点来更新细胞状态和隐藏状态； 更新门zt用于描述过去时刻特征信息对现在特征信息的影响程度，其阈值越大说 明前时刻特征信息对现在影响越大； 重置门rt用于描述过去时刻的状态特征信息被丢弃的程度，其阈值越小说明对过 去信息丢弃越多；GRU网络中的前向传播权重参数的更新公式如下： zt＝sigm(wxzxt whzxt-1 bz) rt＝sigm(wxrxt whrxt-1 br) 式中：rt表示重置门，zt表示更新门，xt为t时刻的输入，ht-1为t-1时刻的隐含状态 输入，wrt表示权重参数，br表示偏移参数，ht为候选隐藏状态，⊙ 为Hadamard积，表示对应元 素相乘；参数更新历程为：当rt趋于0时，重置和遗忘过去时刻ht-1的状态特征信息，  ht重置 为当前输入特征信息；而zt则可以组合控制过去时刻的ht-1和ht，同时更新和输出ht； 5 CN 111553465 A 说　明　书 3/6 页 GRU网络使用反向误差传播算法来训练自身网络；假使其输出层的输入为： 输出为： 设其损失函数为 则样本的损失为 利用损失函数对四个 参数求偏导，实现对参数的训练； un1 ,un2 ,… ,unk分别是系统n个不同的输入变量的观测值，o′k是模型输出的观测 值；GRU  神经网络的输入向量，将历史数据依次通过多层GRU全连接层，并在接下来通过完 全连接层合并特征，生成预测当前时刻之后m个采样周期的输出；将GRU神经网络的预测值 与真实值之间的平均平方差定义为损失函数，随时间反向传播。 进一步的，步骤4中，首先使用VMD对冷负荷序列和相关变量进行相关性分析，舍弃 相关性低的相关变量，然后对相关性高的变量和冷负荷序列进行VMD分解，将分解后得到的 分量进行重组。选取所有相关性高的变量的第一个分量作为输入，冷负荷分解后的第一分 量作为输出，然后在GRU网络中对预测模型进行训练，依次类推，对第二分量、第三分量等分 别进行训练。然后，输入冷负荷预测数据的相关性高的变量进行VMD分解，然后输入GRU网络 中进行预测，得到冷负荷的预测分量，最后将分量预测值叠加得到最终的预测值并输出结 果。 与现有技术相比，本发明有以下技术效果： 本发明提供了一种基于VMD-GRU网络的大型公共建筑冷负荷预测模型。针对大型 公共建筑冷负荷预测问题，文中提出VMD-GRU预测模型，对变量进行相关性分析，避免人工 经验选取输入变量的不足，缩短预测时间。 冷负荷时间序列往往是非平稳、非线性。VMD-GRU模型所提出的模型更容易掌握建 筑冷负荷时间序列的特征，可以有效地解决梯度消失、模态混叠和过拟合等问题。同时，实 现原始序列平稳化，大大提高了建筑冷负荷预测的精度，更适合工程实际的应用。 附图说明 图1是VMD-GRU预测方法流程图； 图2变量间相关性热点图； 图3冷负荷VMD分解图； 图4经过GRU预测后的子序列及冷负荷预测值； 图5四种模型的预测结果对比； 图6四种模型的预测相对误差的对比； 图7真实值与预测值的回归拟合曲线。