[发明专利]一种基于LSTM网络的空调开关状态预测方法及装置

权利要求书

1.一种基于LSTM网络的空调开关状态预测方法，其特征在于，包括以下步骤：

S1，采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；

S2，以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；

S3，利用S2中训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。

2.根据权利要求1所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S1中，采集不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：

S11，以每天M个采样点的采样率对空调N天历史负荷数据进行采样，以得到空调的N天历史负荷数据矩阵L：

S12，以每天G个采样点的采样率进行采样，获得N天中每一天的历史室外温度数据矩阵W：

3.根据权利要求2所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S1中，处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，包括：

S11＇，将每天M个采样点的空调负荷数据划分为n个时段，计算每天每个时段里空调运行总时间T_N(n)，并与阈值λ比较；若T_N(n)大于λ，则认为用户在第N天第n时段使用空调，记空调的开关状态S_N(n)＝1，若T_N(n)小于λ，则认为用户在第N天第n时段没有使用空调，记空调的开关状态S_N(n)＝0；

空调的N天历史负荷数据矩阵L转化为空调的开关状态序列矩阵S：

S12＇，通过以下方式对历史室外温度数据矩阵W进行线性归一化处理：

D_min＝W_min-α|W_max-W_min|

D_max＝W_max+α|W_max-W_min|

其中，W_N(G)是第N天中第G个采样点的室外温度值，是归一化后的室外温度值；W_max和W_min是历史室外温度数据矩阵W中的最大值和最小值，α为比例因子。

4.根据权利要求3所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S2具体包括：以第d天j时段的室外温度数据T_o,j,d、第d-1天、d-2天以及d-7天j时段对应的空调开关状态数据作为输入，以第d天j时段对应的空调开关状态数据作为输出，训练和验证基于LSTM网络的空调开关状态预测模型。

5.根据权利要求1至4任一项所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，所述S2中，采用多模型单变量的预测方法进行每户空调开关状态的预测，具体为：采用多个基于LSTM网络的空调开关状态预测子模型，每一所述基于LSTM网络的空调开关状态预测子模型预测某一用户次日一个时段的空调开关状态。

6.根据权利要求1至4任一项所述的一种基于LSTM网络的空调开关状态预测方法，其特征在于，采用对数似然损失作为LSTM网络的损失函数，通过使损失函数最小得到第d天j时段对应的空调开关状态的最优预测值。

7.一种基于LSTM网络的空调开关状态预测装置，其特征在于，包括：

数据采集及处理模块，用于采集并处理不同用户空调的历史负荷数据和相应时段的历史室外温度数据，得到特征矩阵；

训练和验证模块，用于以所述特征矩阵作为输入，以实际的空调开关状态作为输出，训练和验证基于LSTM网络的空调开关状态预测模型；

空调开关状态预测模块，用于利用训练好的基于LSTM网络的空调开关状态预测模型，预测待预测日各个时段的空调开关状态。