本發(fā)明涉及空調負荷預測，尤其是涉及一種基于機器學習的空調負荷預測及節(jié)能方法。
背景技術：
1、隨著城市化進程的加快和建筑規(guī)模的不斷擴大，建筑能耗日益增長，其中空調系統(tǒng)作為建筑能耗的主要組成部分，其能耗占比持續(xù)上升。如何實現(xiàn)空調系統(tǒng)的高效運行，已成為提高建筑能源利用效率、降低運行成本和減少碳排放的關鍵課題。
2、目前，傳統(tǒng)的空調負荷預測方法多基于經(jīng)驗規(guī)則或靜態(tài)數(shù)學模型，難以應對現(xiàn)代建筑運行環(huán)境中負荷需求的高度波動性與復雜性。這些方法普遍存在模型適應性差、預測精度低的問題，難以滿足精細化節(jié)能調控的實際需求。同時，現(xiàn)有的節(jié)能控制策略多為預設規(guī)則驅動，缺乏對預測信息的響應機制，難以實現(xiàn)對機組出水溫度、水泵流量等關鍵運行參數(shù)的實時最優(yōu)調整，導致能耗浪費和運行效率低下。
3、空調負荷預測技術通過提前判斷負荷變化趨勢，為系統(tǒng)提供前饋調節(jié)依據(jù)，能夠有效克服傳統(tǒng)反饋控制在時間響應上的滯后性，不僅提升了室內環(huán)境的熱舒適性，也為節(jié)能控制提供了支撐。然而，現(xiàn)有研究在特征選擇、模型泛化能力及節(jié)能聯(lián)動控制方面仍存在顯著不足。
4、例如，專利cn114118571a提出了一種基于lstm的供暖熱負荷預測方法，雖然引入了lstm用于提升預測精度，但該方法未充分考慮不同地區(qū)氣象因素對建筑空調負荷的綜合影響，且缺乏與節(jié)能控制算法的聯(lián)動。
技術實現(xiàn)思路
1、本發(fā)明的目的是提供一種基于機器學習的空調負荷預測及節(jié)能方法，解決了現(xiàn)有技術中負荷預測精度低、缺乏區(qū)域適應性及節(jié)能控制響應滯后的問題。
2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：一種基于機器學習的空調負荷預測及節(jié)能方法，包括以下步驟：
3、s1.多源數(shù)據(jù)采集，所述多源數(shù)據(jù)采集包括采集建筑空調歷史負荷數(shù)據(jù)、多維度氣象數(shù)據(jù)及設備運行參數(shù)，并對多源數(shù)據(jù)進行預處理；
4、s2.將所述歷史負荷數(shù)據(jù)與氣象數(shù)據(jù)輸入梯度提升決策樹模型，計算各氣象特征的重要性得分，并篩選累計得分占比達到預設閾值的關鍵氣象特征；
5、s3.將篩選后的關鍵氣象特征與歷史負荷數(shù)據(jù)作為輸入，利用長短期記憶網(wǎng)絡構建負荷預測模型，輸出未來時段空調負荷預測值；
6、s4.基于粒子群優(yōu)化算法動態(tài)優(yōu)化空調系統(tǒng)運行參數(shù)；
7、s5.周期性或在預測誤差超過設定閾值時，更新梯度提升決策樹模型與長短期記憶網(wǎng)絡模型。
8、優(yōu)選的，所述步驟s1中，所述多維度氣象數(shù)據(jù)包括溫度、濕度、風速和日照強度；所述設備運行參數(shù)包括機組進水溫度、機組出水溫度、水泵流量和運行臺數(shù)。
9、優(yōu)選的，所述步驟s1中，所述數(shù)據(jù)預處理包括：
10、對所采集的多源數(shù)據(jù)進行數(shù)據(jù)清洗，以剔除重復數(shù)據(jù)和無效數(shù)據(jù)；
11、基于孤立森林算法檢測異常值并刪除；
12、采用時間序列插值法對缺失數(shù)據(jù)進行填補，其中所述時間序列插值法為三次樣條插值法。
13、優(yōu)選的，所述步驟s2中，所述預設閾值為80％。
14、優(yōu)選的，所述步驟s3中，將以小時為單位采樣的前24小時歷史負荷數(shù)據(jù)與篩選后的關鍵氣象特征作為輸入，輸出未來1小時的空調負荷預測值，并采用優(yōu)化算法自動調整長短期記憶網(wǎng)絡的超參數(shù)。
15、優(yōu)選的，所述超參數(shù)包括隱藏層數(shù)、學習率和dropout率，所述優(yōu)化算法為鯨魚優(yōu)化算法。
16、優(yōu)選的，所述步驟s4包括：
17、以負荷預測值為輸入，構建以最小化空調系統(tǒng)總能耗為目標函數(shù)；
18、在負荷需求滿足率≥95％的約束條件下，通過粒子群優(yōu)化算法搜索帕累托最優(yōu)解集；
19、對包括機組運行臺數(shù)、水泵運行臺數(shù)、出水溫度設定值和運行頻率在內的運行參數(shù)進行動態(tài)優(yōu)化；
20、并實時輸出滿足優(yōu)化目標的節(jié)能運行方案。
21、優(yōu)選的，所述步驟s5包括：
22、周期性地對梯度提升決策樹模型與長短期記憶網(wǎng)絡模型進行重新訓練，以適應氣象環(huán)境或季節(jié)性變化；
23、在預測誤差超過設定閾值時觸發(fā)更新，所述閾值為10％。
24、本發(fā)明還提供一種基于機器學習的空調負荷預測及節(jié)能系統(tǒng)，包括：
25、多源數(shù)據(jù)采集與預處理模塊，用于采集建筑空調歷史負荷數(shù)據(jù)、多維度氣象數(shù)據(jù)及設備運行參數(shù)，并對所述數(shù)據(jù)進行預處理；
26、特征選擇模塊，用于將所述歷史負荷數(shù)據(jù)與氣象數(shù)據(jù)輸入梯度提升決策樹模型，計算各氣象特征的重要性得分，并篩選累計得分占比達到預設閾值的關鍵氣象特征；
27、負荷預測模塊，用于將篩選后的關鍵氣象特征與歷史負荷數(shù)據(jù)作為輸入，利用長短期記憶網(wǎng)絡構建負荷預測模型，輸出未來時段的空調負荷預測值；
28、節(jié)能優(yōu)化模塊，用于基于粒子群優(yōu)化算法，動態(tài)優(yōu)化空調系統(tǒng)運行參數(shù)；
29、模型更新模塊，用于周期性地，或在預測誤差超過設定閾值時，更新所述梯度提升決策樹模型與長短期記憶網(wǎng)絡模型。
30、綜上所述，本發(fā)明包括以下至少一種有益技術效果：
31、1.本發(fā)明采用基于梯度提升決策樹的關鍵氣象特征篩選與長短期記憶網(wǎng)絡聯(lián)合建模技術方案，達到了在復雜氣候條件下顯著提升空調負荷預測精度的技術效果。相較于現(xiàn)有技術中對特征選擇不充分、預測模型單一的方案，解決了預測誤差較大、模型泛化能力弱的技術不足。
32、2.本發(fā)明通過引入多源數(shù)據(jù)與區(qū)域氣象特征差異化篩選機制，結合lstm模型訓練，達到了根據(jù)不同氣候區(qū)自適應構建預測模型的技術效果。相較于現(xiàn)有技術中缺乏針對性處理的方案，解決了模型在濕熱與干冷等區(qū)域推廣性差、適應性不足的問題。
33、3.本發(fā)明采用基于預測負荷的粒子群優(yōu)化算法動態(tài)調控運行參數(shù)的技術方案，達到了自動尋優(yōu)空調系統(tǒng)運行狀態(tài)、降低能耗的技術效果。相較于傳統(tǒng)固定策略或靜態(tài)參數(shù)設置的方式，解決了空調系統(tǒng)節(jié)能控制粗放、能效管理水平低的技術問題。
34、4.本發(fā)明引入基于誤差閾值與周期性的模型更新機制，達到了保持預測模型長期有效、適應外部變化的技術效果。相較于現(xiàn)有技術中模型長期未更新、預測能力衰減的方案，解決了負荷預測準確率隨時間降低、系統(tǒng)響應能力差的不足。
1.一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s1中，所述多維度氣象數(shù)據(jù)包括溫度、濕度、風速和日照強度；所述設備運行參數(shù)包括機組進水溫度、機組出水溫度、水泵流量和運行臺數(shù)。
3.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s1中，所述數(shù)據(jù)預處理包括：
4.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s2中，所述預設閾值為80%。
5.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s3中，將以小時為單位采樣的前24小時歷史負荷數(shù)據(jù)與篩選后的關鍵氣象特征作為輸入，輸出未來1小時的空調負荷預測值，并采用優(yōu)化算法自動調整長短期記憶網(wǎng)絡的超參數(shù)。
6.根據(jù)權利要求5所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述超參數(shù)包括隱藏層數(shù)、學習率和dropout率，所述優(yōu)化算法為鯨魚優(yōu)化算法。
7.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s4包括：
8.根據(jù)權利要求1所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，所述步驟s5包括：
9.一種基于機器學習的空調負荷預測及節(jié)能系統(tǒng)，應用于如權利要求1-8任一項所述的一種基于機器學習的空調負荷預測及節(jié)能方法，其特征在于，包括：