CN112766596B - 建筑能耗预测模型的构建方法、能耗预测方法及装置 - Google Patents
建筑能耗预测模型的构建方法、能耗预测方法及装置 Download PDFInfo
- Publication number
- CN112766596B CN112766596B CN202110124827.3A CN202110124827A CN112766596B CN 112766596 B CN112766596 B CN 112766596B CN 202110124827 A CN202110124827 A CN 202110124827A CN 112766596 B CN112766596 B CN 112766596B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- building
- training
- consumption prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种建筑能耗预测模型的构建方法、能耗预测方法及装置，涉及计算机领域，包括：获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；采用预先构建的能耗预测模型，预测得到目标建筑在预测日日期内对应的逐时能耗。建筑能耗预测模型采用迁移学习的方法训练获得。可以解决传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。
Description
技术领域
本申请涉及建筑能耗预测模型的构建方法、能耗预测方法及装置，属于计算机技术领域。
背景技术
建筑能耗(即建筑的运行能耗)是建筑运行过程中各类设备(例如暖通空调、照明、办公设备)的用能总和，建筑能耗占社会总能耗的约四分之一，其中绝大部分能耗是在建筑运行过程中产生的，在建筑中更好的应用可再生能源将有助于“碳中和”目标的实现。然而，大多数可再生能源具有较为明显的不稳定性，不加以控制的使用方式有可能对电网造成冲击。在建筑领域采用分布式光伏储能***，可以更大程度的利用可再生能源，减少对电网的冲击。在分布式光伏储能***的基础上，需要对预测短期建筑能耗，以科学的制定储能、放能策略。
随着人工智能的发展，神经网络方法在建筑能耗预测上得到广泛应用。这种模型擅长解决非线性问题，大量研究结果表明，基于机器学习技术的建筑能耗预测方法在描述数据变量之间的复杂关系方面具有优势。在传统的基于深度学习的预测方法中，主要通过对建筑的实际运行数据拟合建立相应的预测模型。
传统的机器学习方法，建筑的实际运行数据之间的关系可能是非线性且复杂的，通常需要构建参数较多的复杂模型来提高预测的准确度。在数据量不足的情况下，容易出现模型的过拟合问题，从而导致预测模型不准确。其次，通过传统的机器学习方法得到的预测模型，由于只包含了训练集中的目标建筑，因此并不能很好的推广至其他项目中应用。
发明内容
本申请提供了一种建筑能耗预测模型的构建方法、能耗预测方法及装置，可以解决传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。
本申请提供如下技术方案：
第一方面，提供了一种建筑能耗预测模型的构建方法，所述方法包括：
获取预训练样本数据，所述预训练样本数据包括多种不同建筑的预测日日期数据、运行环境数据、历史能耗数据以及第一标签，所述第一标签指示不同建筑在预测日日期内对应的逐时能耗；
基于所述预训练样本数据，对构建的深度神经网络进行预训练，得到预训练模型；
获取训练样本数据，所述训练样本数据包括待研究建筑的预测日日期数据、运行环境数据和历史能耗数据以及第二标签，所述标签指示待研究建筑在预测日日期内对应的逐时能耗；
基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
第二方面，提供一种建筑能耗预测模型的构建装置，所述装置包括：
第一数据获取模块，用于获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗；
预训练模块，用于基于所述预训练样本数据，对所述深度神经网络进行预训练，得到预训练模型；
第二数据获取模块，用于获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗；
迁移学习模块，用于基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
第三方面，提供一种建筑能耗预测方法，所述方法包括：
获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据，所述基础数据包括目标建筑的建模类型及运行模式；
采用如第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。
第四方面，提供一种建筑能耗预测装置，所述装置包括：
第三数据获取模块，用于获取待预测目标建筑的实际运行数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；
能耗预测模块，用于采用第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。
第五方面，提供一种建筑能耗预测***，所述***包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现本申请第三方面所述的建筑能耗预测方法的步骤。
第六方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现本申请第一方面所述的建筑能耗预测模型的构建方法的步骤或者本申请第三方面所述的建筑能耗预测方法的步骤。
本申请的有益效果在于：本申请的预测模型构建方法采用迁移学习，首先将其他不同建筑的运行数据作为训练数据，预训练神经网络模型，然后再将待研究的建筑的实际运行数据作为训练数据，对得到的预训练神经网络模型进行优化训练，得到最终的能耗预测模型。由于预训练过程中采用了不同的建筑运行数据进行模型训练，训练数据更充足，从而提高预测的准确度，同时，因为是采用了不同建筑的运行数据进行预训练，因此学习到的模型参数适用范围更广，能很好的推广至其他项目中应用。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的实现能耗预测方法及装置的***构架示意图；
图2是本申请一个实施例提供的能耗预测模型的构建方法的流程图；
图3是本申请另一个实施例提供的建筑能耗预测方法的流程图；
图4是本申请另一个实施例提供的能耗预测模型的构建装置的结构图；
图5是本申请一个实施例提供的建筑能耗预测装置的结构图；
图6是本申请另一个实施例提供的建筑能耗预测***的结构图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
图1是本申请一个实施例提供的能够实现建筑能耗预测方法及预测装置的***构架示意图。如图1所示，该***构架包括：模型构建服务器、客户端计算机设备，其中，预训练服务器与客户端计算机设备建立网络连接，预训练服务器用于构建建筑能耗预测模型，客户端计算机设备用于根据构建的能耗预测模型，预测得到目标建筑在预设时段内的能耗。
该***构架还包括建筑能耗数据库、天气预报API和项目信息录入终端，其中，建筑能耗数据和天气预报API用于为预训练服务器或者客户端计算机设备提供建筑的运行数据信息，项目信息录入终端用于提供建筑的基础数据，以实现能耗预测模型的构建以及目标建筑的能耗预测。
所述天气预报API是一个提供未来天气预报数据的一个API调用接口，通过该API调用接口可以获取历史及未来天气数据。所述建筑能耗数据库用于提供建筑的历史能耗数据。所述项目信息录入终端主要用于录入项目的基本信息，例如建筑类型、建筑面积、建筑的运行模型(工作日、假期等)等基础数据。
图2是本申请一个实施例提供的建筑能耗预测模型的构建方法流程图，本实施例以该方法应用于图1所示的模型构建服务器中，且各个步骤的执行主体为该***中的模型构建服务器为例进行说明。该方法包括以下几个步骤：
S201：获取预训练样本数据。
本实施例所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗。
其中，运行数据包括不同建筑的历史能耗数据、预设时段内的气象预测数据和所处季节，基础数据包括建筑类型、建筑面积、预设时段内的运行模式(工作日、假期等)。
S202：基于所述预训练样本数据，对构建的深度神经网络进行预训练，得到预训练模型。
本实施例的深度神经网络采用双向循环神经网络，包含一维卷积层、循环层、嵌入层，一维卷积层用于提取时间特征；循环层用于捕捉时间特征之间的相互作用，其中循环单元为长短期记忆单元，并集成双向操作，即反向输入时间顺序和丢弃法，以此提高循环层的性能并防止过拟合；建筑类型、运行模式等语义输入数据通过嵌入层转为可用的数值格式。
通过网格搜索法确定网络的卷积层和滤波器数、卷积核大小和步幅、循环层和循环单元数、激活函数及丢弃率，以将网络结构调整至最佳。
S203：获取训练样本数据。
本实施例所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗。
S204：基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
在预训练中，已经确定了网络的结构，预训练模型参数反映了一定的建筑泛化特征，通过迁移学习对网络参数的微调，使得预测结果更能够反映目标建筑的真实特性。
可选地，对构建的深度神经网络进行预训练，包括：
将所述预训练样本数据输入构建的深度神经网络中，得到建筑能耗的第一预测结果；
根据第一损失函数，确定所述第一预测结果与所述第一标签之间的第一误差；
基于所述第一误差，对所述深度循环神经网络进行迭代训练；
当所述第一误差达到预设的误差范围时，得到预训练模型。
可选地，对所述预训练模型进行迁移学习优化，包括：
将所述训练样本数据输入预训练模型中，得到建筑能耗的第二预测结果；
根据第二损失函数，确定所述第二预测结果与所述第二标签之间的第二误差；
基于所述第二误差，对所述预训练模型进行迭代训练；
本实施例的迭代训练可使用两种策略进行网络参数的微调：第一种是利用预训练模型进行特征提取，除输出层外的整个预训练模型都直接使用相应的预训练参数，根据待研究建筑的训练样本数据学习输出层中的参数；第二种策略是使用预训练模型的权重用于初始化训练过程，并使用待研究建筑的训练样本数据进行微调。
当所述第二误差达到预设的误差范围时，得到能耗预测模型。
图3是本申请一个实施例提供的建筑能耗预测方法的流程图，本实施例以该方法应用于图1所示的客户端计算机设备中，且各个步骤的执行主体为该***中的客户端计算机设备为例进行说明。该方法包括以下几个步骤：
S301：获取待预测目标建筑的实际运行数据和基础数据。
具体地，所述实际运行数据包括：运行环境数据和历史能耗数据。基础数据包括：目标建筑的建筑类型和运行模式。
本申请实施例获得历史能耗数据可以是目标建筑的历史7天逐时能耗数据。假如想要预测未来24h～72h的建筑能耗，则需要获取的运行环境数据包括未来24h～72h的气象预测数据以及所处季节。获取的基础数据包括：目标建筑的建筑类型(例如，居住建筑，公共建筑，工业建筑和农业建筑等)，以及未来24h～72h的运行模式(工作日模式、假期模式等)。
S302：采用预先构建的能耗预测模型，预测得到目标建筑在预设时段内的能耗。
本实施例获得的是目标建筑在未来24h～72h的建筑能耗逐时预测值。能耗预测模型的构建请参见上述建筑能耗预测模型的构建方法实施例。
综上所述，本实施例提供的建筑能耗预测模型的构建方法，采用迁移学习，首先将其他不同建筑的运行数据作为训练数据，预训练神经网络模型，然后再将待研究的建筑的实际运行数据作为训练数据，对得到的预训练神经网络模型进行优化训练，得到最终的能耗预测模型。由于预训练过程中采用了不同的建筑运行数据进行模型训练，训练数据更充足，从而提高预测的准确度，同时，因为是采用了不同建筑的运行数据进行预训练，因此学习到的模型参数适用范围更广，能很好的推广至其他项目中应用。解决了传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。
图4是本申请一个实施例提供的建筑能耗预测模型的构建装置的框图，本实施例以该装置应用于图1所示的***构架的模型构建服务器为例进行说明。该装置至少包括以下几个模块：
第一数据获取模块，用于获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗；
预训练模块，用于基于所述预训练样本数据，对所述深度神经网络进行预训练，得到预训练模型；
第二数据获取模块，用于获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述标签指示待研究建筑在预设时段内对应的逐时能耗；
迁移学习模块，用于基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
相关细节参考上述建筑能耗模型的构建方法实施例。
图5是本申请另一个实施例提供的建筑能耗预测模型的构建装置的框图，本实施例以该装置应用于图1所示的***构架的客户端计算机设备为例进行说明。该装置至少包括以下几个模块：
第三数据获取模块，用于获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；基础数据包括目标建筑的建筑类型和运行模式。
能耗预测模块，用于采用本申请实施例第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。
相关细节参考上述建筑能耗预测方法实施例。
需要说明的是：上述实施例中提供的建筑能耗预测模型的构建装置和建筑能耗预测装置在进行模型构建和能耗预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将建筑能耗预测模型的构建装置和建筑能耗预测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的建筑能耗预测模型的构建装置、建筑能耗预测装置分别对应与建筑能耗预测模型的构建方法、建筑能耗预测方法的实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本申请一个实施例提供的建筑能耗预测***的框图，该***可以是：智能手机、平板电脑、笔记本电脑、台式电脑或服务器，建筑能耗预测***还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等，本实施例对此不作限定。该***至少包括处理器和存储器。
处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital SignalProcessing，数字信号处理)、FPGA(Field－ProgrammableGateArray，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics ProcessingUnit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的建筑能耗预测方法。
在一些实施例中，建筑能耗预测***可选包括有：***设备接口和至少一个***设备。处理器、存储器和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地，***设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然建筑能耗预测***还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的建筑能耗预测方法或者建筑能耗预测模型的构建方法。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的建筑能耗预测方法或者建筑能耗预测模型的构建方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种建筑能耗预测模型的构建方法，其特征在于，所述方法包括：
获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗，所述运行数据包括待预测目标建筑的运行环境数据和历史能耗数据，所述基础数据包括目标建筑的建模类型及运行模式；
基于所述预训练样本数据，对构建的深度神经网络进行预训练，得到预训练模型；其中，所述深度神经网络为双向循环神经网络，所述双向循环神经网络包含一维卷积层、循环层、嵌入层；所述循环层的循环单元为长短期记忆单元，所述循环单元集成双向操作，所述双向操作包括反向输入时间顺序和丢弃法；
获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗；
基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
2.根据权利要求1所述的方法，其特征在于，所述对构建的深度神经网络进行预训练，包括：
将所述预训练样本数据输入构建的深度神经网络中，得到建筑能耗的第一预测结果；
根据第一损失函数，确定所述第一预测结果与所述第一标签之间的第一误差；
基于所述第一误差，对所述深度神经网络进行迭代训练；
当所述第一误差达到预设的误差范围时，得到预训练模型。
3.根据权利要求1所述的方法，其特征在于，对所述预训练模型进行迁移学习优化，包括：
将所述训练样本数据输入预训练模型中，得到建筑能耗的第二预测结果；
根据第二损失函数，确定所述第二预测结果与所述第二标签之间的第二误差；
基于所述第二误差，对所述预训练模型进行迭代训练；
当所述第二误差达到预设的误差范围时，得到能耗预测模型。
4.根据权利要求2所述的方法，其特征在于，所述获取预训练样本数据之前，还包括：
构建深度神经网络。
5.根据权利要求3所述的方法，其特征在于，所述基于所述第二误差，对所述预训练模型进行迭代训练，包括：
利用预训练模型进行特征提取，得到特征序列；
在提取的所述特征序列的基础上，根据待研究建筑的训练样本数据，学习预训练模型输出层中的参数。
6.一种建筑能耗预测模型的构建装置，其特征在于，所述装置包括：
第一数据获取模块，用于获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗；
预训练模块，用于基于所述预训练样本数据，对深度神经网络进行预训练，得到预训练模型；其中，所述深度神经网络为双向循环神经网络，所述双向循环神经网络包含一维卷积层、循环层、嵌入层；所述循环层的循环单元为长短期记忆单元，所述循环单元集成双向操作，所述双向操作包括反向输入时间顺序和丢弃法；
第二数据获取模块，用于获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗；
迁移学习模块，用于基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。
7.一种建筑能耗预测方法，其特征在于，所述方法包括：
获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据，所述基础数据包括目标建筑的建模类型及运行模式；
采用如权利要求1-5任一项构建的能耗预测模型，预测得到目标建筑在预测日日期内对应的逐时能耗。
8.一种建筑能耗预测装置，其特征在于，所述装置包括：
第三数据获取模块，用于获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据，所述基础数据包括目标建筑的建模类型及运行模式；
能耗预测模块，用于采用如权利要求1-5任一项构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。
9.一种建筑能耗预测***，其特征在于，所述***包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求5所述的建筑能耗预测模型的构建方法或如权利要求7所述的建筑能耗预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如权利要求5所述的建筑能耗预测模型的构建方法或如权利要求7所述的建筑能耗预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110124827.3A CN112766596B (zh) | 2021-01-29 | 2021-01-29 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110124827.3A CN112766596B (zh) | 2021-01-29 | 2021-01-29 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766596A CN112766596A (zh) | 2021-05-07 |
| CN112766596B true CN112766596B (zh) | 2024-04-16 |
Family
ID=75706659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110124827.3A Active CN112766596B (zh) | 2021-01-29 | 2021-01-29 | 建筑能耗预测模型的构建方法、能耗预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766596B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538172B (zh) * | 2021-07-12 | 2023-04-18 | 中建西部建设贵州有限公司 | 一种智能获取混凝土针状石块含量的方法和装置 |
| CN113505537A (zh) * | 2021-07-27 | 2021-10-15 | 上海上实龙创智能科技股份有限公司 | 楼宇能耗检测方法、装置、计算机设备和存储介质 |
| CN113869580A (zh) * | 2021-09-27 | 2021-12-31 | 广州远正智能科技股份有限公司 | 一种能耗参数预测跟踪方法、***及计算机可读存储介质 |
| CN113869774A (zh) * | 2021-10-13 | 2021-12-31 | 北京自如信息科技有限公司 | 建筑对象的质量预测方法、装置、电子设备及存储介质 |
| CN115081763B (zh) * | 2022-08-24 | 2022-11-11 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测*** |
| CN117077854B (zh) * | 2023-08-15 | 2024-04-16 | 广州视声智能科技有限公司 | 基于传感器网络的楼宇能耗监控方法及*** |
| CN117333041B (zh) * | 2023-11-23 | 2024-02-20 | 南京科控奇智能科技有限公司 | 一种基于双碳目标的节能降耗方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8909564B1 (en) * | 2011-06-21 | 2014-12-09 | Google Inc. | Predictive model evaluation and training based on utility |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN108200006A (zh) * | 2017-11-21 | 2018-06-22 | 中国科学院声学研究所 | 一种基于层次化时空特征学习的网络流量分类方法及装置 |
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
| CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
| CN109376766A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技（深圳）有限公司 | 一种画像预测分类方法、装置及设备 |
| CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
| CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
| CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| CN111442476A (zh) * | 2020-03-06 | 2020-07-24 | 财拓云计算(上海)有限公司 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
| CN111753914A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 模型优化方法和装置、电子设备及存储介质 |
| CN111931826A (zh) * | 2020-07-20 | 2020-11-13 | 华南理工大学 | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120284212A1 (en) * | 2011-05-04 | 2012-11-08 | Google Inc. | Predictive Analytical Modeling Accuracy Assessment |
| US11461635B2 (en) * | 2017-10-09 | 2022-10-04 | Nec Corporation | Neural network transfer learning for quality of transmission prediction |
| CN109905271B (zh) * | 2018-05-18 | 2021-01-12 | 华为技术有限公司 | 一种预测方法、训练方法、装置及计算机存储介质 |
| CA3141144A1 (en) * | 2019-06-06 | 2020-12-10 | Home Depot International, Inc. | Optimizing training data for image classification |
-
2021
- 2021-01-29 CN CN202110124827.3A patent/CN112766596B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8909564B1 (en) * | 2011-06-21 | 2014-12-09 | Google Inc. | Predictive model evaluation and training based on utility |
| CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN108200006A (zh) * | 2017-11-21 | 2018-06-22 | 中国科学院声学研究所 | 一种基于层次化时空特征学习的网络流量分类方法及装置 |
| CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
| CN109376766A (zh) * | 2018-09-18 | 2019-02-22 | 平安科技（深圳）有限公司 | 一种画像预测分类方法、装置及设备 |
| CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
| CN110942228A (zh) * | 2019-10-25 | 2020-03-31 | 万翼科技有限公司 | 能耗控制方法、装置、计算机设备与存储介质 |
| CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| CN111442476A (zh) * | 2020-03-06 | 2020-07-24 | 财拓云计算(上海)有限公司 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
| CN111753914A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 模型优化方法和装置、电子设备及存储介质 |
| CN111931826A (zh) * | 2020-07-20 | 2020-11-13 | 华南理工大学 | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和*** |
Non-Patent Citations (9)
| Title |
|---|
| 一种基于迁移深度强化学***;吴宏杰;;计算机应用研究(第S1期);全文 * |
| 傅启明等.一种基于迁移深度强化学习的建筑能耗预测方法.计算机应用研究.2020,全文. * |
| 基于LSTM网络的建筑能耗预测方法;章挺飞等;苏州科技大学学报(自然科学版);20201231;全文 * |
| 基于参数迁移的节假日短期负荷预测方法;蔡秋娜;苏炳洪;闫斌杰;向明旭;温亚坤;;电气自动化;20200730(第04期);全文 * |
| 基于双向长短时神经网络的水量预测方法研究;郭冠呈;刘书明;李俊禹;周韧;朱晓耘;;给水排水;20180310(第03期);全文 * |
| 基于混合模型的中央空调冷源***运行能耗优化;周志豪;;建筑热能通风空调(第03期);全文 * |
| 基于迁移学习的LSTM互联网金融指数高精度预测方法;谢飞;潘北啸;;西南民族大学学报(人文社科版)(第07期);全文 * |
| 深度学习在计算机视觉领域的应用发展探究;高玉双;;电脑编程技巧与维护;20200918(第09期);全文 * |
| 能耗管理***不同数据预测模型的比较研究;黄世泽等;低压电器;20141231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766596A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| Blecic et al. | Cellular automata simulation of urban dynamics through GPGPU | |
| CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
| CN117131974A (zh) | 一种模型的训练方法、功率预测方法及设备 | |
| Bouguera et al. | A novel solar energy predictor for communicating sensors | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN113887821A (zh) | 一种用于风险预测的方法和装置 | |
| CN115688547A (zh) | 模拟天气情景和极端天气预测 | |
| CN117057935A (zh) | 基于领域设计的数据处理方法、装置、设备及其存储介质 | |
| Rosenberg | Shades of grey: a critical review of grey-number optimization | |
| CN115543428A (zh) | 一种基于策略模板的模拟数据生成方法和装置 | |
| Wang | [Retracted] Design of an Integrated System of Psychological Health Education Resources for Vocational Students Using Fuzzy Clustering Algorithm Analysis | |
| Heghedus et al. | Neural network architectures for electricity consumption forecasting | |
| CN113689108B (zh) | 基于生态银行***的多目标优化方法及装置 | |
| Fang et al. | Interval prediction of PV power based on double sample entropy framework and integrated bidomain decomposition deep learning | |
| CN117764746A (zh) | 网点成本管控方法、装置、计算机设备及存储介质 | |
| CN116760020A (zh) | 基于lstm的办公建筑能耗短期预测优化方法及*** | |
| Hossain et al. | S-Image (Situation Image): A New Technique for Data Aggregation in Cloud Server for IoT Based Smart City | |
| Uwiragiye et al. | Sequential attention deep learning architecture with unsupervised pre-training for interpretable and accurate building energy prediction with limited data | |
| CN117971215A (zh) | 页面生成方法、装置、计算机设备及存储介质 | |
| CN118171689A (zh) | 呼入量预测方法及装置 | |
| CN117313952A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN118035811A (zh) | 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质 | |
| Jin et al. | Short-term household electricity load forecasting based on nonintrusive load monitoring using long-short term memory | |
| CN117544966A (zh) | 蜂窝网络流量预测方法、***、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |