[发明专利]一种建筑物冷负荷需求预测方法、系统、设备及存储介质

说明书

本发明公开了一种建筑物冷负荷需求预测方法、系统、设备及存储介质，包括以下步骤:采集影响目标建筑物冷负荷的特征变量数据，组成总数据集，根据总数据集构建训练数据集和测试数据集；将训练数据集分批次训练，构建双向循环神经网络冷负荷预测模型；通过测试数据集测试双向循环神经网络冷负荷预测模型，得到预测值；通过预测值与总数据集计算双向循环神经网络冷负荷预测模型的均方根误差；根据均方根误差选取最优的双向循环神经网络冷负荷预测模型，并将待预测的所述特征变量数据输入，输出建筑物冷负荷预测结果。根据建筑物冷负荷预测结果，有计划的开启目标建筑物的冷冻机组，解决开启过多冷冻机组造成能源浪费的问题。

技术领域

本发明涉及建筑冷负荷预测技术领域，特别涉及一种建筑物冷负荷需求预测方法、系统、设备及存储介质。

背景技术

随着科学技术的发展，人类对能源需求的增加带来了能源消耗的快速上升，在所有的能源的消耗中，建筑工程所消耗的能源占整个能源消耗的30％左右，其中采暖、通风和空调系统在整个建筑物中所占的比例最大。在建筑物中，能源供应与实际的冷负荷需求需要相适应，如果能源供应小于实际的冷负荷数，则会减弱环境的舒适度，如果能源供应大于实际的冷负荷数，则会造成能源的浪费。

在大型建筑中，设备管理人员在决定哪些冷却器应该开启或关闭，以及它们的运行参数时，需要做出诸如即将到来的冷负荷需求和外部环境因素等假设。然而，这些假设并不能反映实际情况，当冷负荷过高时，可能会浪费电能，当冷负荷过低时，可能影响环境的舒适度。如果能够准确地预测目标建筑物在未来一段时间的冷负荷，设备管理人员将能够确定的开启最佳冷却机组运行策略，以提高能源效率。目标建筑的冷负荷需求受到温度、湿度、紫外线指数和降雨量的影响。随着时间的变化，一年中的各个季度的温度、湿度、紫外线指数和降雨量的差异较大，目前在目标建筑物冷负荷需求预测中，较多的研究并没有考虑温度、湿度、紫外线指数和降雨量和时间有关的变量，或者有的只是单一考虑温度、湿度、紫外线指数和降雨量中的某一个因素对目标建筑物冷负荷需求的影响。

发明内容

本发明的目的是提供一种建筑物冷负荷需求预测方法、系统、设备及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明解决其技术问题的解决方案是：提供一种建筑物冷负荷需求预测方法、系统、设备及存储介质。

根据本发明的第一方面实施例的一种建筑物冷负荷需求预测方法，包括：

采集影响目标建筑物冷负荷的特征变量数据，组成总数据集，根据所述总数据集构建训练数据集和测试数据集；

将所述训练数据集分批次训练，构建双向循环神经网络冷负荷预测模型；

通过所述测试数据集测试所述双向循环神经网络冷负荷预测模型，得到预测值；

通过所述预测值与所述总数据集计算所述双向循环神经网络冷负荷预测模型的均方根误差；

根据所述均方根误差选取最优的所述双向循环神经网络冷负荷预测模型，并将待预测的所述特征变量数据输入，输出建筑物冷负荷预测结果。

进一步，所述采集影响目标建筑物冷负荷的特征变量数据，组成总数据集，根据所述总数据集构建训练数据集和测试数据集具体包括：

采集每一个影响目标建筑物冷负荷的特征变量的数据，组成若干个特征变量数据集；

将每一个所述特征变量数据集按照时间序列划分为四个季度，并根据每个季度的特征变量均值数据对特征变量缺失数据进行填充；

对填充后的每一个所述特征变量数据集进行特征提取，并将提取之后特征数据进行特征融合，组成总数据集；

按照预设的比例将总数据集分为训练数据集和测试数据集。