面向双碳环境下的LSTM商场商户电耗预测

OverlordDuke

已于 2024-02-21 09:31:52 修改

阅读量1.4k

点赞数 39

分类专栏：深度学习 LSTM 文章标签： lstm 人工智能 rnn

于 2024-02-19 09:16:54 首次发布

本文链接：https://blog.csdn.net/qq_36315683/article/details/136162289

版权

40 篇文章 5 订阅

订阅专栏

5 篇文章 0 订阅

订阅专栏

在当前环境中，应对碳排放和能耗成为了全球关注的焦点。某商圈积极响应国家“碳达峰碳中和”双碳战略，致力于提高建筑的能耗效率，以降低成本并减少排放。但要实现降本减排，需要一个最优的能耗估值。因此，本文将探讨如何利用LSTM模型对商场商户的电耗进行预测，以助力某商圈优化商业运营能耗。
在这里插入图片描述

传统能耗估算方法往往依赖于专业经验和历史数据，无法实现标准化，且受制于顾问个人能力和公司历史数据的限制。因此，本项目基于提供的真实业务场景数据，完成模型的开发与优化，支持标准化能耗数据预测工作，为降本减排提供技术支持与数据保障。

从 2021 年 8 月 1 日到 2022 年 3 月 31 日的商场能耗数据，其中包括商业体基础信息、时间数据、客流量、室外气象站数据以及室内环境监测系统数据等。选手还可以使用一些免费公开的数据，如天气信息等。

数据集中包含了多种数据表格，其中最重要的是 t_meter_info、t_research_energyitem 和 data_servicedata_1d。这些表格之间存在逻辑关系，通过建立逻辑链条，可以将每个传感器每天的能耗值汇总到每个具体的区域中，从而实现对能耗的预测和计算。

建立精确的能耗预测模型，预测未来一段时间（2022.4.1-2022.4.7 / 2022.4.18-2022.4.24）的商场能耗数据，具体包括公共用电和商户用电两项指标。评估指标采用平均百分比误差（MAPE），评分标准为能耗模型对应得分。

本文使用了LSTM（Long Short-Term Memory）模型进行能耗预测。在数据预处理过程中，将数据集切分为训练集和验证集，并进行归一化处理。通过循环迭代训练模型，不断优化参数，最终得到了预测结果。

在代码实现中，通过PaddlePaddle框架搭建了LSTM模型，并使用Adam优化器进行参数优化。模型训练过程中，采用了时间窗口、学习率等调优策略，以提高模型的预测精度。

在模型训练完成后，对预测结果进行了数据重构，并将预测数据导出为csv格式文件。通过根节点的重设和传感器能耗数据的重新添加，得到了各个区域的预测能耗数据，为最终的能耗预测结果提供了基础。
在这里插入图片描述

针对模型预测结果，可以进一步优化模型调参，考虑更换模型结构（如GRU、Transformer等），或者尝试其他训练配置。通过不断调整和

优化，提高模型的泛化能力和预测精度，为商场能耗的精准预测提供更好的技术支持。

通过本文得到了能耗预测模型的初步构建和实践经验。未来，可以结合更多领域专家的建议，进一步完善模型，并探索更多前沿技术的应用，为商业能耗的准确预测和降低碳排放提供更加可靠的技术保障。

🛠 博主提供一站式解决方案，让您的工作变得更加轻松、高效！以下是我们提供的服务：

关注