基于改進長短期記憶網絡的空調負荷預測方法

孫春艷

（中煤科工集團北京華宇工程有限公司平頂山分公司 平頂山 467000）

0 引言

準確地獲得分析空調運行負荷數據，能夠為空調后期維護、電力資源分配以及運行參量控制提供有力依據。因此在需要利用負荷預測方法，對其空調運行過程中，負荷相關參量進行非線性向量分析[1,2]，對輸出參量變化趨勢加以預測，獲得下一時間點的負荷數值。現有研究成果中，文獻[3]提出一種基于長短期記憶神經網絡的短期負荷預測模型。選取并量化電力負荷變化影響因素；采用皮爾遜相關系數分析相關性較強的主要影響因素；利用主成分分析法進行特征降維，簡化長短期記憶網絡模型的輸入，分析輸入數據的時間序列，構建預測相空間，通過模型訓練實現短期電力負荷預測。該方法使用的長短期記憶網絡受到網絡結構能量負荷個體誤差偏大的影響，預測精準度不高；文獻[4]方法基于日周期性特點設計了ARMA 模型和SVR模型相結合的預測方法。分析原始能耗數據的日周期性特點，利用ARMA 模型進行線性預測；利用SVR 模型進行非線性部分的預測，修正ARMA 模型的預測結果。該方法整體預測量的加權系數偏大，導致輸出的預測結果與實際負荷系數相比誤差較大，可參考價值不高。

為了解決上述成果的不足，本文提出基于改進長短期記憶網絡的空調負荷預測方法。創新性地對長短期記憶網絡加以改進，結合空調負荷周期變化特征，優化了長短期記憶網絡隱藏層的分布結構，并將改進后的長短期記憶網絡應用于實際預測當中，解決誤差偏大問題。

1 基于改進長短期記憶網絡的空調負荷預測方法實現

1.1 空調負荷的長短期記憶網絡改進

長短期記憶網絡是一種具有時間周期記憶的特殊屬性的神經網絡。通過長短期記憶網絡可以對不同時間周期范圍內的數據特征進行學習訓練，進而實現不同時間周期下的不同參量數據的分析處理。提出方法中引入長短期記憶網絡，同時結合空調負荷周期變化特征，對其進行相應改進，改進前后的長短期記憶網絡結構圖如圖1 所示。

圖1（a）所示為改進前的長短期記憶網絡結構，其結構分為三部分，其中隱藏層中包含接收門、導出門與遺忘門，一般情況下，改進前的長短期記憶網絡隱藏層會對導入信息特征進行數據比對[5,6]，通過根據比對結果選擇訓練樣本特征是學習還是遺忘，以此實現網絡學習功能，同時能夠避免訓練特征梯度消失導致的傳播爆炸問題，其傳播屬性可以通過正向傳播函數進行描述[7,8]。

圖1 改進前后的長短期記憶網絡結構Fig.1 Long-term and short-term memory network structure before and after improvement

式中：it、ft、ot分別對應t時間點下長短期記憶網絡的接收門、遺忘門與導出門的即時參量；X t、C t、H t代表t時間點下長短期記憶網絡的導入空間符合參量、網絡負荷神經元細胞參量與導出系數；Ct1-、Ht1-代表t-1時間點下網絡負荷神經元細胞狀態與導出參量；Wi、Wf、Wc、Wo代表負荷記憶網絡長短記憶的加權矩陣；bi、b f、bc、ob代表網絡信息量的即時偏差系數；tanh 代表觸發閾值函數；·代表哈達瑪積運算[9]。

與上述傳統長短期記憶網絡不同，改進的長短期記憶網絡主要對隱藏層分布結構進行了三方面優化，具體如下：

（1）將記憶網絡前一時間點導入的負荷記憶量Ht1-與即時導入的空調負荷信息量Xt進行記憶卷積[10,11]，經過卷積計算后的空調負荷記憶細胞與即時導入的符合信息時序進行特征系數的關聯。

（2）根據歷史經驗可知，導出速率對輸出參量誤差有著影響作用，因此在優化處理上，將前一時間點對應符合記憶細胞狀態系數Ct1-加入原有導入信息量中，充分激發訓練細胞中歷史記憶細胞對其特征信息的遺忘選擇，加強記憶網絡對個體數據特征細胞的挖掘能力。

（3）利用耦合門替換原有接收門、遺忘門、導出門的記憶訓練模式，提升隱藏層固有變量的訓練速度，快速輸出負荷特征模型。

具體改進方法的對應函數如下：

t時間點下改進的長短期記憶網絡接收門參量ti更新為：

式中：*代表記憶卷積函數。

t時間點下負荷記憶細胞參量Ct更新：

t時間點下接收門即時信息ot更新：

t時間點下關于空調負荷的改進長短期記憶網絡模型輸出函數為：

1.2 空調負荷的加權灰色關聯計算

在優化的記憶網絡輸出模型中，由于存在不同負荷擾動因素，因此在負荷預測計算結果上無法做到系數的量的統一，將具備影響能力的擾動因素系數稱之為灰色系數。為了避免灰色系統對預測結果的影響，利用加權關聯的辦法，將記憶細胞特征以負荷模型中每一個特征權值進行關聯，增強樣本個體的預測能力，提出預測特征能力弱的灰色細胞權值量，進而完成對空調負荷的加權灰色關聯，提升預測能力。具體步驟如下：

（1）初始化全局記憶網絡數據，利用歸一計算消除量綱擾動。

（2）將模型輸出的空調負荷長短期記憶樣本定義為初始樣本，記作序列X0，在初始樣本序列中，前個原始負荷信息樣本X定義為從屬序列，xij代表第i個原始樣本中的第j個負荷細胞信息量，m代表對應樣本負荷細胞量的總數。X0、X對應灰度參量的分布結構，可以通過序列關系分別描述為[12]：

（3）計算初始樣本序列與從屬系列之間的灰色關聯值ξik后，將計算值與記憶網絡相結合，獲得灰色關聯矩陣ξ，其函數關系表達如下：

式中：ξik代表第i個樣本的第k個擾動因素對應的灰色系數值；ρ代表灰色細胞的關聯指數，對計算結果具有決定性作用，根據歷史經驗一般情況下將其對應值設定為0.3。

式中：ξ代表從屬序列與初始序列之間的灰色關聯矩陣。

（4）對關聯系數進行權重計算，并將計算所得加權值整理為加權向量，其計算過程分別對應如下公式：

式中：rij代表第i個樣本中的第j個負荷細胞記憶特征的灰色權重值；Ej代表第j個負荷細胞記憶特征的信息熵；γj代表第j個負荷細胞記憶特征的加權系數；γ代表輸出關聯量的記憶狀態。

1.3 基于改進后長短期記憶網絡預測量確定

基于上述計算參量，對其展開長短期記憶網絡下的預測量計算，通過計算確定空調負荷預測量，具體計算如下：

利用均值計算方法，對加權向量進行加權均值計算，得到[13]：

時變自適應參量的函數關系式如式（16）所示，其中采用待預測負荷信息點前k個負荷節點個體修正系數的計算公式為[14]：

式中：ei,t代表第i個負荷預測個體在t時間點下的預測量與空調負荷實際值之間的差值；Pt代表t時間點下空調負荷的實際值。為了避免預測量與實際值之間誤差過大，將前k個原始負荷個體與實際值之間的差值作為補償系數，融合到預測值當中，達到預測值的平衡修正，獲得高精度預測量。

1.4 空調負荷預測結果輸出

完成預測量精度優化計算后，對其進行輸出操作，為了防止輸出融合器對輸出量擾動，利用損失函數對其輸出預測量進行誤差控制，損失函數以優化器Adam Optimizer 的形式引入[15]，其計算結構如圖2 所示。具體控制輸出過程如下所示：

圖2 Adam Optimizer 優化器計算結構Fig.2 Calculation structure of Adam optimizer

步驟1 將帶輸出預測量進行初始化整理，其中控制量優化閾值精度設定為0.001；

步驟2 將待輸出預測結果總量閾值設定為7700，并按照優化規模劃分成大小為385 的batch；

步驟3 抽取一個batch 載入優化器Adam Optimizer 進行差量輸出補償；

步驟4 通過改進的長短期記憶網絡對預測量batch 系數值的特征提取，獲得Adam Optimizer 優化器權值誤差補償值，通過與網絡導出層的連接，生成輸出預測結果補償分類器softmax，并輸出補償后的預測結果。

2 仿真測試

對提出的預測方法進行仿真數據對比測試，目的在于驗證提出預測方法的有效性。測試在仿真場景下完成。仿真數據來源于某空調房的中央空調系統七月份連續七天的逐時負荷數據。該中央空調系統由三臺型號為19XL5151455CQ 型離心式冷水機組成，系統的設備參數如表1 所示。

表1 中央空調系統設備參數Table 1 Equipment parameters of central air-conditioning system

為了更好地展現測試結果，測試過程中引入兩種預測模型作為對比，分別為文獻[3]方法與文獻[4]方法，與提出預測方法一同進行實驗測試。通過對比相同環境下空調負荷預測值精準度，獲得提出方法有效性結論。

2.1 空調負荷參量獲取測試

按照上述設定的實驗條件，在仿真測試環境下分別通過文獻[3]方法、文獻[4]方法與預測方法對測試空調運行負荷數據進行數據采集，獲得數據如圖3 所示。

圖3 空調運行負荷數據獲取測試結果Fig.3 Air conditioning operating load data obtain test results

由圖3 負荷曲線可知，文獻[3]方法獲得負荷數據波動較為平緩，負荷值上升幅值與下降幅值之間的差量很小，說明該方法在數據獲取上具有較好的精度控制能力，但是其獲取精度上可控范圍較小，文獻[4]方法獲得負荷數據波動相較文獻[3]方法數值有所增大，但整體模型基本與文獻[3]方法曲線保持一致，說明文獻[4]方法在數據導入層精度上有所提升，且整體控制性不變。本文提出的預測方法獲取的空調運行負荷數據整體波動較大，但在大波動數據獲取控制上具有較好的控制性，曲線起伏過程中沒有抖動，說明數據具有連續性，且沒有受到第三方因素的干擾。

2.2 預測精準度測試

將上述3 組獲取數據導入Attention 機制的測試工具中進行數據泛化處理，處理后的數據結果iL與測試空調運行負荷實際值Mi進行對比，計算預測精準度：

通過以上計算公式得到時間分別為5min、10min、15min、20min、25min、30min、35min、40min 的預測精準度結果，具體數據如表2 所示。

表2 空調負荷預測結果精準度對比Table 2 Comparison of accuracy of air conditioning load forecasting results

由表2 中的數據對比可以看出，參測的三種預測方法。提出的預測方法與測試空調實際運行負荷數據最為接近，且數值波動相較文獻[3]方法與文獻[4]方法差量幾乎保持一致，在此基礎上整體準確率數值提升明顯，說明提出的預測方法在長短期記憶網絡構建中，負荷個體特征量對應系數較高且與實際值誤差在可控范圍內，比歷史預測方法誤差控制范圍小。基于以上幾點，足以證明提出方法的有效性。

3 結束語

通過對現有預測方法存在問題的分析，結合空調負荷預測網絡結構特點，針對性的對長短期記憶網絡進行了改進，并將改進后的長短期記憶網絡應用于空調負荷預測的計算當中，實驗數據表明，此方法取得的預測結果達到了預期效果，預測精準度提升明顯且穩定。設計方法的提出，為空調負荷預測研究與長短期記憶網絡的融合應用，提供了有力的數據支持。但是，不能否認提出的預測方法仍然存在不足，通過對負荷變化曲線的分析，發現，當負荷波動較為頻繁且劇烈時，個體特征細胞的收斂性隨之變弱，預測精度會有所降低，雖然差值在可控范圍內，但仍然需要在后期不斷修正網絡耦合門個體特征量，不斷優化個體細胞記憶學習能力，使預測效果達到最佳。