基于门控循环单元的家庭热水用量预测模型研究.pdf
《基于门控循环单元的家庭热水用量预测模型研究.pdf》由会员分享,可在线阅读,更多相关《基于门控循环单元的家庭热水用量预测模型研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、48日用电器/Electrical Appliances技术创新/Technology and Innovation基于门控循环单元的家庭热水用量预测模型研究孙颖楷1 陈庆明2 钟益明1(1.广东万和新电气股份有限公司 佛山 528000;2.中山火炬职业技术学院 中山 528400)摘要:为了降低家庭生活热水和采暖热水的能源消耗,本文采用基于门控循环单元(GRU)的神经网络模型,以储水式热水器为研究对象。在综合考虑热水器加热功率的基础上,对数据进行预处理,旨在保持数据的整体结构,同时降低计算量。据此,建立了家用热水量用能序列的中长期依赖关系预测模型。与传统的 BP 神经网络和长短时记忆(LS
2、TM)模型的预测结果相比,基于 GRU 算法模型的用户热水用量预测结果在均方根误差和平均绝对误差方面表现更优,且所需训练时间较短。结果表明,GRU 预测模型能更好地满足热水供应等用能方面的预测需求。关键词:门控循环单元;循环神经网络;热水用量;预测Abstract:In order to reduce the energy consumption of domestic hot water and heating hot water in households,this paper uses a neural network model based on gated recirculation
3、 units(GRU)with storage water heaters as the object of study.Based on a comprehensive consideration of the heating power of the water heater,the data are pre-processed with the aim of maintaining the overall structure of the data while reducing the computational effort.Accordingly,a medium-and long-
4、term dependence prediction model for the energy use series of domestic hot water quantity was established.Compared with the prediction results of traditional BP neural network and Long and Short Term Memory models,the prediction results of customer hot water usage based on the GRU algorithm model pe
5、rform better in terms of root mean square error and mean absolute error,and require shorter training time.The results show that the GRU prediction model can better meet the prediction needs in energy use such as hot water supply.Key words:gated recurrent unit;recurrent neural network;hot water usage
6、;predictionResearch on the Prediction Model of Domestic Hot Water Usage Based on GRU前言随着人们生活水平的提高,居住面积的增大,对家用热水装置以及热水系统的舒适性要求也越来越高,如何确保家庭热水使用及时性和舒适性的同时,制定有效的能源管理策略,降低家庭生活热水、采暖热水等方面的能源消耗,对家庭热水量进行预测研究就具有了一定的实用价值。研究者一直致力于寻找能够减少能源浪费的策略,主要应用的方法包括基于统计学的方法和基于机器学习的方法,通过对家庭热水等使用数据的分析,可以得到使用时的规律、周期、趋势等信息,同时,还
7、可以通过聚类、关联规则挖掘等技术,发现使用时的行为模式和相应的影响因素等,从而为制定组合能源管理策略提供参考。基于统计学的方法中,ARIMA 模型和季节性分解法是比较常用的两种方法,王平等使用 ARIMA 模型来对能源生产和使用进行预测1,海文龙等则提出了一种基2023 年 7 月/Jul.2023 49技术创新/于 ARIMA 与卷积长短时神经网络联合使用的燃气负荷预测模型2。由于家庭用能使用习惯通常具有周期性和季节性的特征,相比传统方法,机器学习方法具有端到端学习能力,可以处理非线性关系,以及处理包括多个传感器、多个变量在内的多维数据,能更好地挖掘其中的信息。在基于机器学习的方法中,主要包
8、括神经网络、支持向量回归、随机森林等算法。支持向量回归(SVR)模型可以用于建模用能数据的非线性关系3;随机森林(RF)模型可以通过对历史数据进行特征选择和集成学习来提高预测准确性。近年来,循环神经网络(RNNs)在家庭用能方面的研究逐渐增多4,5,它的主要思想是在网络的内部维护一种称为“状态”的信息,使网络能够记忆过去的输入,进而影响后续的输出。由此,RNN 可以在处理用能等时间序列数据时保留更多的历史信息,从而在此类预测任务中具有一定的优势。其中,最常见的 RNN 是长短时记忆网络(Long Short-Term Memory,LSTM)6。这种网络结构通过引入门控机制,可以有效地控制历史
9、信息的保留和遗忘,那幸仪等基于小波和 LSTM 开展城市天然气负荷方面的研究,结果表明该模型有较高的准确性7。相比于 LSTM 模型,门控循环单元(Gated Recurrent Unit,GRU)模型是一种更简单的 RNN 模型8,只包含重置门和更新门两个门。GRU 模型在保持长期依赖能力的同时,减少了模型参数,提高了模型的训练速度。因此,本文引入 GRU 模型来开展研究,提高家庭热水量预测方面的准确性,希望提升能源利用效率同时,能够为家庭用户提供更加智能和舒适的生活热水使用方式。1 家庭热水用量分析家庭热水用量有一定的短、中、长期规律性。一般来说,热水使用在一天之中会呈现出早晚高峰的态势。
10、例如,早晨人们起床洗漱和晚上洗澡时段的热水需求较高。热水用量在四季之间等长期趋势上也会呈现明显的差异,如冬季气温较低时,热水使用量会增加等。虽然家庭热水用量也会具有波动,如家庭成员可能会因为度假、出差或参加聚会等情况可能导致热水用量的增加或减少,这给预测带来了相应的难度。考虑到家庭成员的生活有一定的习惯性,因此本文以家庭成员的热水用量,并将环境温度也作为影响热水用量预测的主要参数,在此基础上建立用水趋势的预测模型。热水用量的大小,与用户使用的时长,冷水端温度,出水温度等有关,本质上是热量消耗问题,因此就可以将家庭热水用量转化为热量值来进行表征9。一般家庭用热水量主要会集中在某几个时间段,其余时
11、间零星用水,本文以储水式热水器为研究对象,综合考虑热水器加热功率,选取 2 h 为时间间隔进行数据聚合,在保持数据的整体结构同时,降低计算量,以此建立起时序预测模型。2 门控循环单元门控循环单元 GRU 是一种改进的 RNN 结构,其在处理序列数据时,可以将前面的输入与当前的输入进行联合处理,并将上一个时间步的输出作为下一个时间步的输入。通过引入门内部机制来调节信息流,从而使模型能更加稳定且能捕捉长期依赖,提高模型的学习效果。2.1 GRU 模型结构GRU 主 要 包 括 两 个 门 控 单 元,更 新 门(Update Gate)和重置门(Reset Gate)。相较于 LSTM,GRU 的
12、张量操作较少,因此,训练速度要比 LSTM 快一些。2.2 更新门(Update Gate)更新门负责控制隐藏状态的更新程度,通过更新门,GRU 可以学习在不同时间步决定保留或丢弃哪些信息。更新门的计算公式如下:(1)式中:zt 更新门的激活值;Sigmoid 激活函数,取值范围为 0,1;Wz、Uz权值矩阵;xt 输入序列的当前时间步的输入;50日用电器/Electrical Appliances技术创新/Technology and Innovationht-1 上一个时间步的隐藏状态。当 zt接近 0 时,表示保留过去的隐藏状态;当 zt接近 1 时,表示更新当前的隐藏状态。2.3 重置
13、门(Reset Gate)重置门负责控制过去隐藏状态对当前隐藏状态的影响。通过重置门,GRU 可以在更新隐藏状态时,选择性地保留或丢弃之前的信息。重置门的计算公式如下:(2)式中:rt 重置门的激活值;Sigmoid 激活函数,取值范围为 0,1;Wr、Ur 权值矩阵;xt 输入序列的当前时间步的输入;ht-1 上一个时间步的隐藏状态。当 rt接近 0 时,表示忽略过去的隐藏状态;当 rt接近 1 时,表示保留过去的隐藏状态。2.4 候选隐藏状态(Candidate Hidden State)候选隐藏状态是基于当前输入 xt和重置门激活值rt调整后的过去隐藏状态ht-1计算得到的。计算公式如下
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 门控 循环 单元 家庭 热水 用量 预测 模型 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。