[发明专利]一种空调负荷聚合功率预测方法及系统

权利要求书

1.一种空调负荷聚合功率预测方法，其特征在于，包括以下步骤，

第一步，获取空调负荷聚合数据；

第二步，将所述空调负荷聚合数据分为输入序列和输出序列两部分，对多分支卷积长短时记忆神经网络模型的训练，获得训练好的权值矩阵W；

第三步，使用训练好的权值矩阵W初始化多分支卷积长短时记忆神经网络模块；输入前A个温度值下的负荷聚合数据，经过训练的权重提取特征后，在最后使用第A个数据的隐层输出并映射出第A+1个数据的特征矩阵；特征矩阵的通道维度通过卷积操作降维到1通道，长和宽不变，此时输出的就是第A+1个数据；再将第A+1个数据输入回所述多分支卷积长短时记忆神经网络模块；重复上述操作输出全部的预测数据。

2.如权利要求1所述的空调负荷聚合功率预测方法，其特征在于，第二步中，通过多分支卷积长短时记忆神经网络模型学习输入数据序列X_i＝{x₁,x₂......x₈}的特征变化规律，循环输出的预测，再与真实的输出Y_i＝{y₁,y₂......y₄}计算均方差损失值；再利用优化算法减少损失值，反向传播更新学习的权值矩阵W。

3.如权利要求1所述的空调负荷聚合功率预测方法，其特征在于，第一步中，空调负荷聚合数据为序列两维向量形式；一个两维向量表示在当前温度下的空调数量和不同时刻的负荷聚合值，其中向量第一列为负荷聚合值，第二列为空调数量。

4.如权利要求1所述的空调负荷聚合功率预测方法，其特征在于，第二步中，多分支卷的积长短时记忆神经网络模型的结构为“编码-解码”模型，编码部分用来学习序列图的变化特征，解码部分利用编码学到的变化特征结合最后温度下输入数据来预测下一温度的数据。

5.如权利要求1所述的空调负荷聚合功率预测方法，其特征在于，

第二步中，多分支卷积长短时记忆神经网络模型的结构包括：

卷积层，从单层卷积操作增加到5层卷积操作，用于提取更抽象的图像特征；

激活函数，在前四层卷积后接ReLU激活函数；

门控单元，接收第五层卷积后的权值，并通过不同的所述激活函数激活；遗忘门，通过sigmoid函数映射到0和1，利用权值遗忘记忆细胞部分内容，更新方式使用矩阵对应元素相乘的方法，使待保留的所述权值遗忘记忆细胞部分内容与1相乘不变，待遗忘的所述权值遗忘记忆细胞部分内容与0相乘消失；输入门，将学习到的新特征加入到记忆细胞，在经过所述激活函数激活后，采用对应元素相加的方法，使新特征被加入到记忆细胞中；输出门，结合记忆细胞将当前的预测特征输出，采用tanh激活函数将记忆细胞中待保留的部分映射到1，待遗忘的部分映射为-1，之后与当前的隐藏层特征相乘，获得当前隐藏层输出特征图。

6.如权利要求5所述的空调负荷聚合功率预测方法，其特征在于，

第二步中，控制门和记忆细胞的更新规则如下：

所述遗忘门：f_t＝δ(W_xf*x_t+W_hf*h_t-1+b_f)

所述输入门：i_t＝δ(W_xi*x_t+W_hi*h_t-1+b_i)

所述记忆细胞：

所述输出门：

7.如权利要求5所述的空调负荷聚合功率预测方法，其特征在于，

第二步中，对所述遗忘门判断是否遗忘像素，选用将输出限制在0到1之间的sigmoid激活函数，输入门单元由特征输入和记忆细胞输入两个部分组成，均采用sigmoid激活函数；隐藏层输出先对记忆细胞进行tanh函数激活，再和由sigmoid激活的隐藏层特征相乘，输出最终的特征图。