导　　师： 彭新一

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 校园用电中,经常存在浪费和不当的地方,为了节约校园用电和提高校园的社会责任感,因此用电规划成为了一个研究重点。因为未来负荷预测的准确对校园能耗需求分析和用电规划决策提供了良好的依据,所以在用电规划中的关键问题是如何提高预测未来负荷的准确度。我们的目的是实现和改进一个精准预测的电力负荷模型。我们采用了LSTM(长期记忆网络模型)预测模型,因为其在预测准确性上表现较好,但是存在一个问题:模型训练时间较长,不能实时得到预测结果。本文的研究工作主要包括以下几个方面:1.概述能耗预测模型的发展现状;2.研究基于RNN(递归神经网络)和LSTM深度学习模型的能耗预测模型及优化;3.改进LSTM模型,结合CW-RNN(时钟驱动递归神经网络)模型,提出CW-LSTM(时钟驱动长期记忆网络模型)模型,降低了模型的训练时间,弥补了其缺点;4.以空调节能为目标,提出空调温度节能调节模型,依据预测曲线提出基于人均舒适度的空调调节决策建议;5.以错峰用电为目标,提出氢气能蓄电错峰调节模型,提出合理的错峰用电和电能储存的决策建议。本文以华南理工大学某校区楼栋历史能耗数据为实验数据,进行充分的实验。实验选取了几种能耗负荷预测模型进行对比,预测结果表明在能耗预测上CW-LSTM预测有更准确的表现,对比改进前的LSTM模型具有更短的训练时间;节能模型实验中,基于预测结果提出的节能建议能有效对校园课室的空调进行调控,在较低损害师生舒适度的前提下实现了较好的空调节能效果;错峰模型实验中,基于预测结果提出的错峰建议能有效在适当的时机开关氢气蓄电器,降低整体谷峰差,并低于额定功率。论文的整体工作能为校园有效预测未来的能耗数据,明确自身未来的能耗需求和合理分配能源使用。更多还原

关 键 词： 递归神经网络 长期记忆网络模型 时间序列预测 能耗预测 用电规划

领　　域： []