[发明专利]一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法

权利要求书

1.一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，其特征在于，包括以下步骤：

采集历史用能数据；收集楼宇中每一用户每日的历史用能数据，获得每一用户的历史日负荷曲线；

用能行为分类；采用K-Means聚类算法对所有用户的历史日负荷曲线进行聚类，通过计算轮廓系数和DBI指数确定聚类的最佳簇个数K，得到K个聚类结果，并分别对每个聚类结果中的数据添加用户用能行为标签；

训练预测模型；根据聚类结果，构建K个LSTM神经网络，以各聚类结果中用户的历史日负荷曲线作为训练样本分别对各LSTM神经网络进行训练，得到K个用能行为预测模型；

利用训练好的K个用能行为预测模型对未来楼宇中任一用户的用能行为进行预测。

2.根据权利要求1所述的一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，其特征在于：在收集用户每日的历史用能数据时，对所述历史用能数据进行归一化处理，获得所述日负荷曲线。

3.根据权利要求1所述的一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，其特征在于，所述通过计算轮廓系数和DBI指数确定聚类的最佳簇个数K的步骤具体如下：

随机选取一K值，将n个样本划分为K类；

对于第i个样本，定义其轮廓值为：

其中，a是第i个点与同类中其他点之间的平均距离；b为一个向量，其元素是第i个点与不同类的类内各点之间的平均距离；

计算出所有样本点的轮廓系数的均值即为根据当前K值进行聚类的聚类结果的轮廓系数；

计算DBI指数：

其中，Ri为根据当前K值进行聚类后，第i个类与其他类的最大相似度：为每个类的最大相似度的均值；

重复选取K值，结合轮廓系数和DBI指数，获取一个使轮廓系数最大，DBI指数最小的K值，确定为所述最佳簇个数K。

4.根据权利要求1所述的一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，其特征在于，所述分别对每个聚类结果中的数据添加用户用能行为标签的步骤具体为：

将K个聚类中心的日负荷曲线作为每个聚类结果的特征曲线；根据特征曲线的波峰大小、波峰频率以及波峰位置，确定特征曲线的用能行为类型；

根据各特征曲线的用能行为类型，为对应聚类结果中所有的历史日负荷曲线添加对应的用户用能行为标签。

5.根据权利要求1所述的一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，其特征在于，所述训练预测模型的步骤具体为：

构建LSTM神经网络；

根据聚类结果，选取有相同用户用能行为标签的历史日负荷曲线作为训练样本集，作为LSTM神经网络训练的输入；

按时间序列重构历史日负荷曲线为行向量，序列前90％用于训练，后10％用于测试；

设置LSTM神经网络的时间序列，指定训练选项，采用上一时刻的观测值来预测下一时刻的预测值；

计算预测值与真实值之间的均方根误差RMSE来判断网络性能，当网络性能满足期望的精度后，输出为对应用户用能行为标签类型的用能行为预测模型；

重复上述步骤，得到K个用能行为预测模型。

6.一种基于LSTM神经网络的智慧楼宇用户用能行为预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的预测方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的预测方法。