(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111663213.9 (22)申请日 2021.12.31 (71)申请人 广东铭鸿数据有限公司 地址 510000 广东省广州市越秀区五 羊新 城寺右新马路174 号5楼B (72)发明人 邓虎　 (74)专利代理 机构 广州君咨知识产权代理有限 公司 44437 代理人 王玺建 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) (54)发明名称 基于人工智能LSTM神经网络的集中供冷的 冷负荷预测方法及系统 (57)摘要 本发明公开了一种基于人工智能LSTM神经 网络的集中供冷的冷负荷预测方法及系统， 所述 方法包括以下步骤： 采集与公共建筑物集中供冷 相关的各项因子的历史数据， 并对 各项因子的历 史数据进行归一化处理； 通过LS TM神经网络算法 计算出上述各项因子的权重值； 利用上述各项因 子与其对应的权重值相乘， 然后累加计算获得所 述公共建筑物 集中供冷的冷负荷预测值。 本发明 所述冷负荷预测方法可以针对不同建筑类型进 行分类管理， 相比区域性预测更加精准。 采用的 多因子预测模型LS TM神经网络算法， 结合暖通行 业、 外部因素、 内部因素、 气象、 人为、 地利等多方 面， 全面而又科学的收集各种因子， 有效提升了 最终模型的准确性。 权利要求书2页 说明书4页 附图1页 CN 114298430 A 2022.04.08 CN 114298430 A 1.一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法， 其特征在于， 包括 以下步骤： 采集与公共建筑物集中供冷相关的各项因子的历史数据， 并对各项因子的历史数据进 行归一化处理； 通过LSTM神经网络算法计算出 上述各项因子的权 重值； 利用上述各项因子与其对应的权重值相乘， 然后累加计算获得所述公共建筑物集中供 冷的冷负荷预测值。 2.根据权利要求1所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法， 其 特征在于， 所述与公共建筑物集中供冷相关的各项因子包括以下任意一项或两项以上的组 合： a——演出日期； b ——演出会场开放情况； c——人流量； d——室外空气温度； e——室 内温度； f——室内湿度； g——风 向； h——风速； i——太阳辐射； j——壁面反射； k——地 面辐射； l——地面反射； m——新风量； n——电设备开启、 停止； o——电设备使用数量； p——遮阳系数。 3.根据权利要求2所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法， 其 特征在于， 所述各项因子的历史数据进行归一 化处理后的数据范围为[ ‑1， 1]。 4.根据权利要求2所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法， 其 特征在于， 所述公共建筑物集中供冷的冷负荷预测值的计算公式为： M＝a*Waa+b*Wab+c*Wac+d*Wad+e*Wae+f*Waf+g*Wag+h*Wah+i*Wai+j*Waj+k*Wak+l*Wal+m*Wam+ n*Wan+o*Wao+p*Wap 其中， M为 最终模型的冷负荷预测值， W 为各项因子的权 重， 下标代表对应的因子 。 5.根据权利要求1或4所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测方法， 其特征在于， 所述 LSTM神经网络算法的计算方式如下： it＝σ(Wi·[ht‑1， xt]+bi) ft＝σ(Wf·[ht‑1， xt]+bf) ot＝σ(Wo·[ht‑1， xt]+bo) ht＝ot*tanh(ct) 其中， it为输入门， ft为遗忘门， ot为输出门， 为候选值向量， σ 为激活函数， ct是单元状 态， xt为当前时刻的输入， ht‑1为上一时刻的外部状态， ht为LSTM神经网络算法最终的输出， 由输出门ot和单元状态ct共同确定 。 6.一种基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统， 其特 征在于， 包括： 数据采集模块， 用于采集与公共建筑物集中供冷相关的各项因子的历史数据， 并对各 项因子的历史数据进行归一 化处理； 权重计算模块， 通过LSTM神经网络算法计算出 上述各项因子的权 重值； 冷负荷预测模块， 利用上述各项因子与其对应的权重值相乘， 然后累加计算获得所述 公共建筑物集中供冷的冷负荷预测值。 7.根据权利要求6所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统， 其权　利　要　求　书 1/2 页 2 CN 114298430 A 2特征在于， 所述数据采集模块采集的各项因子包括以下任意 一项或两项以上的组合： a——演出日期； b——演出会场开放情况； c——人流量； d——室外空气温度； e——室 内温度； f——室内湿度； g——风 向； h——风速； i——太阳辐射； j——壁面反射； k——地 面辐射； l——地面反射； m——新风量； n——电设备开启、 停止； o——电设备使用数量； p——遮阳系数； 所述采集的各项因子的历史数据进行归一 化处理后的数据范围为[ ‑1， 1]。 8.根据权利要求7所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统， 其 特征在于， 所述公共建筑物集中供冷的冷负荷预测值的计算公式为： M＝a*Waa+b*Wab+c*Wac+d*Wad+e*Wae+f*Waf+g*Wag+h*Wah+i*Wai+j*Waj+k*Wak+l*Wal+m*Wam+ n*Wan+o*Wao+p*Wap 其中， M为 最终模型的冷负荷预测值， W 为各项因子的权 重， 下标代表对应的因子 。 9.根据权利要求6或8所述基于人工智能LSTM神经网络的集中供冷的冷负荷预测系统， 其特征在于， 所述 LSTM神经网络算法的计算方式如下： it＝σ(Wi·[ht‑1， xt]+bi) ft＝σ(Wf·[ht‑1， xt]+bf) ot＝σ(Wo·[ht‑1， xt]+bo) ht＝ot*tanh(ct) 其中， it为输入门， ft为遗忘门， ot为输出门， 为候选值向量， σ 为激活函数， ct是单元状 态， xt为当前时刻的输入， ht‑1为上一时刻的外部状态， ht为LSTM神经网络算法最终的输出， 由输出门ot和单元状态ct共同确定 。权　利　要　求　书 2/2 页 3 CN 114298430 A 3