面向安全的高校宿舍空调用电预测方法研究

张云雷,李子昂,马骧尧,李冬艳

(1.华北科技学院 计算机学院,北京 东燕郊 065201 2.河北省物联网监控技术创新中心,北京 东燕郊 065201)

0 引言

由于高校宿舍的特殊性,其用电安全是高校安全管理工作的关键部分。而空调用电在高校宿舍用电占比较大。因此,准确预测空调用电量对于用电安全防范、预防电路过载导致安全隐患变得尤为重要。对于高校宿舍而言,如何短期预测空调用电并合理规划用电计划,避免用电安全隐患,具有极为重要的经济价值。在实际运行中,预测准确度和稳定性往往是决定预测方法好坏的重要因素。

随着深度学习的发展,循环神经网络(Recurrent Neural Networks,RNN)[1]在时间序列数据预测方面已经展现出卓越的性能。RNN是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的神经网络,其在时间维度上进行展开,处理的是序列结构信息。RNN处理时序信息,若信息之间的依赖关系时间跨度过长,则造成学习能力下降,从而造成梯度消失或梯度爆炸[2]问题。

为了解决由于信息之间的依赖关系时间跨度过长造成的梯度消失或梯度爆炸问题,长短时记忆网络(Long Short-Term Memory,LSTM)[3]对循环神经网络的隐藏层做了改进,使其能处理长期依赖关系信息,LSTM在序列预测任务中表现出优异的效果[4]。该网络通过使用门结构控制记忆单元的读写操作,可以有效地捕捉时间序列数据中的长程依赖关系,具有良好的建模能力。然而,由于LSTM网络结构本身的限制,传统的单向LSTM网络在处理时间序列数据时,只能考虑到历史信息或者未来的信息。……