21、时间序列AI建模的实践与软件应用

时间序列AI建模的实践与软件应用

1. 时间序列AI训练数据的区域选择

在时间序列AI训练中，所有从阶跃响应时间序列数据获取的数据都被用作训练数据。为了研究$D_{ZD}$与$D_{ZD}^{(F)}$的比值和响应预测误差之间的关系，定义了相对相似度$R_D$。

1.1 时间序列数据选择的实用方法

模型响应预测误差是功率限制命令阶跃变化后五分钟内，以一分钟为增量的预测功耗和测量功耗之间的误差。预测误差$E_{W_{5R}}(n)$和均方误差$RMSE$（$E_{RMSE}$）的计算公式如下：
- 预测误差：
$E_{W_{5R}}(n)=\left{\frac{W_5^ (n)-W_5(n)}{W_{5R}}\right}\times100\%$
- 均方误差：
$E_{RMSE}=\sqrt{\frac{\sum_{n = 1}^{N_D}(W_5^ (n)-W_5(n))^2}{N_D}}\ (kWh)$

其中，$W_5(n)$是功率限制改变后第$n$个评估样本5分钟内的测量功耗（$kWh$），$W_5^*(n)$是其预测功耗（$kWh$），$W_{5R}$是5分钟的额定功耗（$kWh$），$N_D$是评估数据样本的总数。

通过根据评估数据的区域分布选择训练数据，并改变每个区域的样本数量以使$R_D$增加，可以得到区域分布相似度与模型预测误差之间的关系。具体关系如图7.11所示：
- 图7.11a显示了$R_D$与$E_{RMSE}$之间的关系，几乎没有相关性，只有案例4的预测误差$E_{RMSE}$与其他空调系统相比有明显偏差。
- 图7.11b显示