本发明涉及信息，特别是涉及一种基于气象因素的空调用电负荷预测方法和系统。
背景技术：
1、随着机器学习技术的不断发展，通过机器学习技术形成的各种预测模型被应用于大量的电力设备的负荷预测场景中。
2、在现有技术中，对空调的用电负荷测的预测，大多采用由机器学习技术所构建的预测模型针对空调用电负荷的历史数据进行分析，常常忽略空调所处区域气象因素及建筑对其用电负荷所造成的影响，导致预测结果不准确。
3、由此可见，如何提高对空调用电负荷预测结果的准确率，已经成为本领域技术人员所要亟待解决的技术问题。
技术实现思路
1、本发明提供一种基于气象因素的空调用电负荷预测方法和系统，解决如何提高对空调用电负荷预测结果的准确率的问题。
2、为解决上述技术问题，本发明第一方面提供一种基于气象因素的空调用电负荷预测方法，应用于用户侧的空调中，所述空调由水电站供电，所述方法包括：
3、获取用户侧目标区域的历史气象数据、空调基础配置数据、建筑配置数据和空调历史运行数据；所述空调历史运行数据包括空调历史运行模式、空调历史运行温度、空调历史故障数据和空调历史维修数据；
4、将所述历史气象数据、所述建筑配置数据、所述空调历史运行模式和所述空调历史运行温度作为训练数据，以对循环神经网络进行训练，得到训练后的建筑负荷预测模型；所述建筑负荷预测模型反映了所述用户侧目标区域的建筑散热量；
5、根据所述空调基础配置数据、所述空调历史故障数据和所述空调历史维修数据确定所述空调的关键影响因子，并通过所述关键影响因子对所述建筑负荷预测模型进行调节，得到所述用户侧目标区域的空调运行负荷预测模型；
6、构建水电站所处供电侧的河流气象预测模型，并获取所述河流气象预测模型输出的所述用户侧目标区域在未来预设时段的气象预测数据；
7、将所述气象预测数据输入至所述空调运行负荷预测模型中进行处理，输出空调运行负荷预测数据，并结合所述空调基础配置数据，量化所述用户侧目标区域在所述未来预设时段的空调用电负荷。
8、作为其中一种优选方案，所述将所述历史气象数据、所述建筑配置数据、所述空调历史运行模式和所述空调历史运行温度作为训练数据，以对循环神经网络进行训练，得到训练后的建筑负荷预测模型，包括：
9、根据所述建筑配置数据、所述空调历史运行模式和所述空调历史运行温度，量化所述用户侧目标区域内各建筑空间在不同空调运行模式下达到对应空调运行最佳温度时的建筑散热量；
10、通过所述历史气象数据和所述建筑散热量所构建的训练数据对所述循环神经网络进行训练，得到训练后的建筑负荷预测模型。
11、作为其中一种优选方案，所述通过所述历史气象数据和所述建筑散热量所构建的训练数据对所述循环神经网络进行训练，得到训练后的建筑负荷预测模型，包括：
12、通过时间序列分解法将所述历史气象数据分解为趋势项、季节项和随机项，对各个项进行单独建模，并结合所述建筑散热量构建建筑负荷特征矩阵；
13、通过滑动时间窗口法对所述建筑负荷特征矩阵进行处理，得到训练输入序列数据；
14、基于所述训练输入序列数据，通过长短期记忆网络构建所述建筑负荷预测模型，并将所述历史气象数据作为额外特征，以对所述建筑负荷预测模型进行训练，得到训练后的建筑负荷预测模型。
15、作为其中一种优选方案，所述根据所述空调基础配置数据、所述空调历史故障数据和所述空调历史维修数据确定所述空调的关键影响因子，包括：
16、对所述空调基础配置数据、所述空调历史故障数据和所述空调历史维修数据进行标准化处理，得到具有统一格式的影响特征序列；
17、通过皮尔逊相关系数法计算所述影响特征序列与其对应的建筑散热量之间的关联关系，生成相关系数矩阵；
18、基于所述相关系数矩阵，通过主成分分析法对所述影响特征序列进行降维和筛选，并选取累计贡献率达到贡献阈值的影响特征序列以作为候选因子；
19、以所述候选因子为自变量，以所述建筑散热量为因变量，建立多元线性回归模型，并通过逐步回归方法对所述多元线性回归模型进行筛选，得到所述关键影响因子。
20、作为其中一种优选方案，所述通过所述关键影响因子对所述建筑负荷预测模型进行调节，得到所述用户侧目标区域的空调运行负荷预测模型，包括：
21、初始化粒子群，并将所述建筑负荷预测模型的均方误差作为适应度函数；其中，所述粒子群中的每个粒子的位置为所述建筑负荷预测模型的模型参数的初始值与所述关键影响因子通过编码形成；
22、基于所述适应度函数，通过标准粒子群算法对所述粒子群中粒子的位置和速度进行更新，得到最佳模型参数；
23、基于所述最佳模型参数，通过合作粒子群算法对所述粒子群中粒子的位置和速度进行更新，得到更新后的最佳模型参数，重复所述合作粒子群算法的更新步骤，直至达到预设迭代次数并输出最终的最佳模型参数；
24、基于所述最终的最佳模型参数对所述建筑负荷预测模型进行更新，得到所述用户侧目标区域的空调运行负荷预测模型。
25、作为其中一种优选方案，所述构建水电站所处供电侧的河流气象预测模型，包括：
26、获取所述水电站所处供电侧的实时水位数据，并根据所述实时水位数据预测所述水电站所处供电侧在所述未来预设时段的来水预测数据；
27、获取所述用户侧目标区域的实时气象数据，并根据所述来水预测数据和所述实时气象数据构建河流气象预测模型。
28、作为其中一种优选方案，所述获取所述水电站所处供电侧的实时水位数据，并根据所述实时水位数据预测所述水电站所处供电侧在所述未来预设时段的来水预测数据，包括：
29、获取设置于所述水电站所处供电侧的多个水文站所采集的实时水位数据，并根据所述实时水位数据从预先建立的水位与流量关系数据库中查询对应的流量值；
30、通过自回归积分滑动平均模型对查询到的流量值进行拟合，得到所述水电站所处供电侧在所述未来预设时段的来水预测数据；
31、获取所述水电站所处供电侧的历史来水数据，并根据所述历史来水数据和所述历史气象数据构建气象回归模型；
32、将所述来水预测数据输入至所述气象回归模型中进行预测，输出所述用户侧目标区域在所述未来预设时段的气象变化数据；
33、在所述气象变化数据超过变化阈值时，重新获取所述水电站所处供电侧的实时水位数据，以重复所述水电站所处供电侧在未来预设时段的来水预测数据的计算步骤，直至重新计算得到的气象变化数据不超过所述变化阈值时，输出最终得到的来水预测数据。
34、作为其中一种优选方案，所述获取所述用户侧目标区域的实时气象数据，并根据所述来水预测数据和所述实时气象数据构建河流气象预测模型，包括：
35、获取所述用户侧目标区域的实时气象数据，并通过中值滤波算法对所述来水预测数据和所述实时气象数据进行处理，得到具有统一格式的输入数据集；
36、基于所述输入数据集，通过长短期记忆网络构建河流气象预测模型；
37、设置滑动时间窗口对所述输入数据集进行更新，并通过更新后的所述输入数据集对所述河流气象预测模型中进行训练，得到完成训练的所述河流气象预测模型。
38、作为其中一种优选方案，所述空调基础配置数据包括空调能效比；
39、所述将所述气象预测数据输入至所述空调运行负荷预测模型中进行处理，输出空调运行负荷预测数据，并结合所述空调基础配置数据，量化所述用户侧目标区域在所述未来预设时段的空调用电负荷，包括：
40、将所述气象预测数据输入至所述空调运行负荷预测模型中进行预测，输出空调运行负荷预测数据；
41、根据所述空调运行负荷预测数据与对应空调的空调能效比，量化对应空调所属建筑空间在所述未来预设时段的空调用电负荷；
42、将各个建筑空间在所述未来预设时段的空调用电负荷进行加权处理，得到所述用户侧目标区域在所述未来预设时段的空调用电负荷。
43、本发明第二方面提供了一种基于气象因素的空调用电负荷预测系统，应用于用户侧的空调中，所述空调由水电站供电，所述系统包括：
44、数据获取模块，用于获取用户侧目标区域的历史气象数据、空调基础配置数据、建筑配置数据和空调历史运行数据；所述空调历史运行数据包括空调历史运行模式、空调历史运行温度、空调历史故障数据和空调历史维修数据；
45、第一模型构建模块，用于将所述历史气象数据、所述建筑配置数据、所述空调历史运行模式和所述空调历史运行温度作为训练数据，以对循环神经网络进行训练，得到训练后的建筑负荷预测模型；所述建筑负荷预测模型反映了所述用户侧目标区域的建筑散热量；
46、第二模型构建模块，用于根据所述空调基础配置数据、所述空调历史故障数据和所述空调历史维修数据确定所述空调的关键影响因子，并通过所述关键影响因子对所述建筑负荷预测模型进行调节，得到所述用户侧目标区域的空调运行负荷预测模型；
47、第三模型构建模块，用于构建水电站所处供电侧的河流气象预测模型，并获取所述河流气象预测模型输出的所述用户侧目标区域在未来预设时段的气象预测数据；
48、用电负荷预测模块，用于将所述气象预测数据输入至所述空调运行负荷预测模型中进行处理，输出空调运行负荷预测数据，并结合所述空调基础配置数据，量化所述用户侧目标区域在所述未来预设时段的空调用电负荷。
49、相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：
50、（1）通过综合考虑多种数据源（历史气象、建筑配置、空调运行等）所构建的模型能够更准确地反映用户侧目标区域的实际情况，从而提高空调用电负荷的预测准确性；
51、（2）通过循环神经网络（rnn）对获取到的数据进行训练，得到建筑负荷预测模型，并利用空调的关键影响因子对该模型进行调节，进一步得到空调运行负荷预测模型，在训练与优化过程确保了模型能够准确反映实际负荷变化；
52、（3）构建水电站所处供电侧的河流气象预测模型，并将其输出的气象预测数据作为输入，通过考虑供电侧因素使得预测结果更加贴近实际供电条件，提高了预测的实用性和准确性；
53、（4）结合空调基础配置数据以精准量化用户侧目标区域在未来预设时段的空调用电负荷，为水电站供电调度、空调能耗管理提供有力支持；
54、（5）本发明特别适用于由水电站供电的用户侧空调用电负荷预测，对于提高能源利用效率、优化电网调度具有积极意义，同时也为其他类型能源供电系统的负荷预测提供了借鉴。
1.一种基于气象因素的空调用电负荷预测方法，其特征在于，应用于用户侧的空调中，所述空调由水电站供电，所述方法包括：
2.根据权利要求1所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述将所述历史气象数据、所述建筑配置数据、所述空调历史运行模式和所述空调历史运行温度作为训练数据，以对循环神经网络进行训练，得到训练后的建筑负荷预测模型，包括：
3.根据权利要求2所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述通过所述历史气象数据和所述建筑散热量所构建的训练数据对所述循环神经网络进行训练，得到训练后的建筑负荷预测模型，包括：
4.根据权利要求1所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述根据所述空调基础配置数据、所述空调历史故障数据和所述空调历史维修数据确定所述空调的关键影响因子，包括：
5.根据权利要求1所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述通过所述关键影响因子对所述建筑负荷预测模型进行调节，得到所述用户侧目标区域的空调运行负荷预测模型，包括：
6.根据权利要求1所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述构建水电站所处供电侧的河流气象预测模型，包括：
7.根据权利要求6所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述获取所述水电站所处供电侧的实时水位数据，并根据所述实时水位数据预测所述水电站所处供电侧在所述未来预设时段的来水预测数据，包括：
8.根据权利要求6所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述获取所述用户侧目标区域的实时气象数据，并根据所述来水预测数据和所述实时气象数据构建河流气象预测模型，包括：
9.根据权利要求1所述的一种基于气象因素的空调用电负荷预测方法，其特征在于，所述空调基础配置数据包括空调能效比；
10.一种基于气象因素的空调用电负荷预测系统，其特征在于，应用于用户侧的空调中，所述空调由水电站供电，所述系统包括：
