[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

说明书

本发明公开了一种基于LSTM网络的空调开关状态预测方法及装置，属于空调开关状态预测技术领域，方法包括：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；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；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。本发明中LSTM网络，可以解决传统神经网络不能持续记忆的问题，预测准确率更高。考虑到单户空调每日的运行特性，将单户空调实际的负荷序列转化为开关状态序列，进而建立LSTM分类网络，同时考虑到室外温度等因素的影响，可以进一步提高空调次日开关状态的预测精度。

技术领域

本发明属于空调开关状态预测技术领域，更具体地，涉及一种基于LSTM网络的空调开关状态预测方法及装置。

背景技术

需求响应作为电力体制改革下的电网与用户主要互动手段在我国近年来得到广泛开展。对于电网方面，需求响应可改善负荷曲线、降低峰谷差，同时还可缓解因负荷增加而带来的电网建设投资问题。对于用户方面，需求响应可以优化用户的用电行为，减少用电成本。在需求侧资源中，以空调为代表的居民用户的柔性设备，可以通过柔性负荷控制技术灵活参与需求响应。在不影响居民舒适度的条件下，适当改变空调的设定温度，可以一定程度上改变空调的运行功率。其中需求响应实施的前提是必须对空调负荷的次日需求响应潜力进行准确的分析与预估，进而为次日需求响应方案的制定以及电力系统灵活调度提供指导。然而各个居民空调的次日开关状态直接影响潜力的大小，若在次日的需求响应时段内，居民没有使用空调，则该居民的需求响应潜力为零。因此准确预估居民用户空调负荷的日前需求响应潜力必须要对空调的开关状态进行预测，进而筛选出客观条件上满足需求响应要求的用户。对于空调的开关状态预测，由于一方面，不同居民用户对空调设备的使用时间和习惯存在随机性和差异性；另一方面，空调的使用存在明显的季节性。因此如何考虑空调使用行为的不确定性，建立一个精度高、鲁棒性强的空调负荷日前开关状态预测模型是必须要考虑的问题。

人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多，如BP神经网络、ELMAN神经网络、RBF神经网络等等。其中，长短期记忆网络(LSTM)是一种循环神经网络，可以解决传统神经网络不能持续记忆的问题，在学习序列数据的非线性特征方面具有优势，更适用于短期预测问题。然而相比于传统的聚合负荷预测问题，单个空调的开关状态预测更具有挑战性。空调开启后，其功率曲线是周期性变化的，精确的预测空调的开启和关闭时间存在困难。同时，空调开启或关闭后会保持当前状态一段时间，即用户不会频繁的开启和关闭空调。因此考虑到空调的上述运行特性，如何提取空调开关状态的关键特征量作为LSTM预测网络的输入和输出是急需解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于LSTM网络的空调开关状态预测方法及装置，其目的在于考虑不同居民用户使用空调的随机性和差异性，精准预测每户居民次日空调的开关状态，进而为需求响应目标用户的筛选和需求响应潜力的预估提供基础支撑。

为实现上述目的，本发明提供了一种基于LSTM网络的空调开关状态预测方法，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。

进一步地，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：