[发明专利]一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统

说明书

本发明公开了一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统，获取典型建筑物的负荷数据、天气参数以及建筑物数据并进行归一化处理；建立LSTM神经网络的电负荷预测模型，选择相似典型日的数据作为训练样本，训练数据包括训练日的天气因素、建筑物类型数据、负荷数据，在训练过程中以电负荷的误差最小为目标进行训练获得LSTM神经网络模型参数；输入待测建筑物的建筑物数据至训练好的LSTM神经网络的电负荷预测模型后，获得建筑物对应的典型日负荷曲线、月负荷曲线和年负荷曲线。基于LSTM神经网络的建筑负荷预测方法，综合考虑了建筑物的不同特点以及负荷波动变化情况实现楼宇建筑的高精度负荷预测，具有精度高、易实现的功能。

技术领域

本发明属于负荷预测技术领域，尤其涉及一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

综合智慧能源是一种分布式能源，其能否经济运行很大程度取决于系统配置是否优化，而电、热、冷负荷的计算是系统优化配置的基础，设计负荷与实际运行负荷的接近程度，直接决定了系统配置的合理性和运行的经济性。

建筑物电负荷预测根据同类建筑电负荷、气象、建筑信息等历史数据，探索建筑物电负荷变化规律对新建建筑负荷的影响，寻求电力负荷需求与各种因素之间的相关性，从而对新建建筑的电负荷进行科学的预测，并提供相应的典型日、月、年负荷曲线，为建筑物电负荷规划提供基础。

我国冷热电三联供系统的研究起步较早，发明人在研究中发现，对于建筑中配置相应设备容量未给出明确方法，对于建筑物电负荷预测主要集中方法有：

1)基于建筑结构的经典计算方法；

2)基于软件模拟的逐时负荷因子法；

3)基于历史数据的逐时能源负荷分摊比例法。

以上方法在建筑物负荷规划中起到一定的作用，但是针对复杂多变的建筑物类型和历史数据的不确定，难以提供比较准确的预测精度。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于LSTM神经网络的建筑物电负荷综合预测方法，综合考虑了建筑物的不同特点以及负荷波动变化情况实现楼宇建筑的高精度负荷预测，具有精度高、易实现的功能。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于LSTM神经网络的建筑物电负荷综合预测方法，包括：

获取典型建筑物的负荷数据、天气参数以及建筑物数据并进行归一化处理；

建立LSTM神经网络的电负荷预测模型，根据输入变量的个数确定神经网络模型的输入节点个数，同时确定隐含层的节点数量，神经网络的输出变量为电负荷数据；

选择相似典型日的数据作为训练样本，训练数据包括训练日的天气因素、建筑物类型数据、负荷数据，在训练过程中以电负荷的误差最小为目标进行训练获得LSTM神经网络模型参数；

输入待测建筑物的建筑物数据至训练好的LSTM神经网络的电负荷预测模型后，输出建筑物对应的典型日负荷曲线、月负荷曲线和年负荷曲线，用于建筑物电源装机规划。

另一方面，为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于LSTM神经网络的建筑物电负荷综合预测系统，包括：

数据采集模块，从历史建筑物的负荷数据库、历史气象数据库、建筑物数据数据库获取数据并发送至数据处理模块进行数据处理；

数据处理模块：获取典型建筑物的负荷数据、天气参数以及建筑物数据并进行归一化处理；