CN116050579A - 基于深度特征融合网络的建筑能耗预测方法及*** - Google Patents

Abstract

本发明涉及能耗预测技术领域，公开了一种基于深度特征融合网络的建筑能耗预测方法及***。本发明基于深度特征融合网络的建筑能耗预测方法根据设置的时间跨度将一维序列转换为二维空间的图，强化了建筑能耗序列的周期信息，且模块中嵌入了改造的多尺度卷积，有利于进一步挖掘输入序列的空间信息和时间特征。同时，将时间因素、气象因素和历史能耗序列的嵌入特征进行融合，有利于捕获各种异构因素之间的关联和它们对未来能耗的影响，从而提取影响因素中的有用信息，避免大量冗余信息对预测任务的干扰。

Description

基于深度特征融合网络的建筑能耗预测方法及***

技术领域

本发明涉及能耗预测技术领域，尤其是指一种基于深度特征融合网络的建筑能耗预测方法及***。

背景技术

准确的能耗预测对电力***的设计规划和电力分配等政策的制定具有重要意义，同时也可为用户画像、异常检测等提供辅助。随着智慧城市的发展，大数据成为时代的重要特征，建筑能耗预测方法的研究已不再受到数据量的约束，这推动了数据驱动模型在该领域的发展应用。近些年，基于神经网络的方法得到了大量研究者的关注，这受益于其对复杂场景的建模能力和对各种异构数据的适应性。人工神经网络ANN作为经典模型，在建筑能耗预测领域的表现明显优于传统的基于统计回归的方法，已经得到了广泛的应用。近些年，该领域的研究者们进行了深度网络模型应用的探索，代表性的有卷积神经网络CNN、长短期记忆循环神经网络LSTM和其变体Bi-LSTM等，也有研究构建了CNN-LSTM，借助CNN的局部感知能力和LSTM的时序建模能力，利用深层网络结构捕获输入序列中更多的信息。

此外，考虑到建筑能耗的趋势受到居住者行为的显著影响呈现出规律性变化，一些研究引入影响居住者行为的相关因素(如时间因素和气象因素)作为模型输入的一部分。然而，现有的方法忽略了这些影响因素与能耗潜在相关的特性，在丰富输入特征的同时引入了大量的干扰信息，限制了预测精度的提升。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术在能耗预测中特征提取不充分和易受冗余信息干扰的问题。

为解决上述技术问题，本发明提供了一种基于深度特征融合网络的建筑能耗预测方法，其包括以下步骤：

S1、对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

S2、对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和c_d分别表示连续气象特征数量和离散气象特征数量；

S3、将T^h、T^f、W^s、W^d分别输入特征嵌入网络，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

S4、对历史能耗序列数据进行归一化处理，生成历史能耗序列E；

S5、根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；

S6、连接特征f^th、f^tf、f^ws、f^wd、f^e，并使用神经网络的线性层进行特征融合，得到特征F；

S7、设置可训练权重参数，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果。

在本发明的一个实施例中，所述特征嵌入网络由卷积核大小为a×a的一维卷积层和全连接层FC构成，且每个卷积层后面有ReLU激活函数；其中，a≥3。

在本发明的一个实施例中，步骤S5包括：

根据不同的时间跨度k和预设图高H，对历史能耗序列E进行二维转换生成图G；然后，将基于不同时间跨度生成的G分别送入由1×1卷积层、3×3卷积层和池化层构成的多尺度卷积网络，其中池化层由平均池化层和最大池化层组成。

在本发明的一个实施例中，所述对历史能耗序列E进行二维转换生成图G，如下：

G[i，：]＝E[(i×k)：(i×k+W)]

其中，W＝l_i-H+1为二维图的宽度，且i×k+W≤l_i；转换过程中使用滑动窗口对序列进行遍历，时间跨度决定了二维图中每行数据之间的间隔，也即相隔的时间差。

在本发明的一个实施例中，所述归一化处理的公式如下：

其中，x_t表示t时刻的输入变量，max和min分别表示预设的最大值和最小值。

在本发明的一个实施例中，所述时间因素包括月、小时、星期、日类型；所述气象因素数据中的离散型变量包括天气、室外温度、相对湿度、相对湿度、大气压强。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。

本发明还提供了一种基于深度特征融合网络的建筑能耗预测***，其包括以下模块：

时间因素模块，用于对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

气象因素模块，用于对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和cx分别表示连续气象特征数量和离散气象特征数量；

时间和气象嵌入特征生成模块，用于将T^h、T^f、W^s、W^d分别输入特征嵌入网络，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

历史能耗模块，用于对历史能耗序列数据进行归一化处理，生成历史能耗序列E；

多跨度时间融合模块，用于根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；

特征融合模块，用于连接特征f^th、t^ft、f^ws、f^wd、f^e，并使用神经网络的线性层进行特征融合，得到特征F；

预测模块，用于设置可训练权重参数，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果。

本发明的上述技术方案相比现有技术具有以下优点：

本发明基于深度特征融合网络的建筑能耗预测方法根据设置的时间跨度将一维序列转换为二维空间的图，强化了建筑能耗序列的周期信息，且模块中嵌入了改造的多尺度卷积，有利于进一步挖掘输入序列的空间信息和时间特征。

同时，将时间因素、气象因素和历史能耗序列的嵌入特征进行融合，有利于捕获各种异构因素之间的关联和它们对未来能耗的影响，从而提取影响因素中的有用信息，避免大量冗余信息对预测任务的干扰。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明实施例中基于深度特征融合网络的建筑能耗预测方法的流程图；

图2是本发明实施例中基于深度特征融合网络的建筑能耗预测方法的原理图；

图3是本发明实施例中特征嵌入网络的结构图；

图4是本发明实施例中多跨度时间融合模块的结构图；

图5是本发明实施例中池化操作的示意图；

图6是本发明实施例中序列转换过程示意图；

图7是本发明实施例中实验样本的历史电力消耗数据；

图8是本发明实施例中基于深度特征融合网络的建筑能耗预测方法在样本上的测试结果的可视化图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

参照图1-2所示，本实施例公开了一种基于深度特征融合网络的建筑能耗预测方法，其包括以下步骤：

步骤S1、对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

其中，one-hot编码的具体方法如下：

为了将类别变量转换为算法模型易于利用的形式，采用one-hot编码对离散变量进行二进制化处理，具体来说，对于一个有n个状态的特征，将其转换为长度为n的一维向量，每个样本中该向量只有一位为1，其它位都为0，代表该特征的一个状态。例如日类型可定义为两个状态，工作日和非工作日，分别编码为(1，0)和(0，1)。

步骤S2、对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和c_d分别表示连续气象特征数量和离散气象特征数量；

可选地，所述归一化处理的公式如下：

其中，x_t表示t时刻的输入变量，max和min分别表示预设的最大值和最小值。

可选地，参照表1，所述时间因素包括月、小时、星期、日类型等；所述气象因素数据中的离散型变量包括天气、室外温度、相对湿度、相对湿度、大气压强等。

表1输入变量汇总

步骤S3、将T^h、T^f、W^s、W^d分别输入特征嵌入网络EN，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

参照图3，可选地，所述特征嵌入网络由卷积核大小为a×a的一维卷积层和全连接层FC构成，且每个卷积层后面有ReLU激活函数；其中，a≥3。

步骤S4、对历史能耗序列数据进行归一化处理，生成历史能耗序列

其中，归一化处理的公式可如上述步骤S2中所示。

步骤S5、根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；

在其中一实施例中，执行步骤S5的多跨度时间融合模块的结构图参照图4。步骤S5具体包括：根据不同的时间跨度k和预设图高H，对历史能耗序列E进行二维转换生成图G；然后，将基于不同时间跨度生成的G分别送入由1×1卷积层、3×3卷积层和池化层构成的多尺度卷积网络，其中池化层由平均池化层(average pooling)和最大池化层(max pooling)组成，用于执行池化操作，参照图5。

步骤S6、连接特征f^th、f^tf、f^ws、f^wd、f^e，生成(f^th,f^tf,f^ws,f^wd,f^e)，并使用神经网络的线性层进行特征融合，得到特征

在本发明的一个实施例中，所述对历史能耗序列E进行二维转换生成图G，如下：

G[i，：]＝E[(i×k)：(i×k+W)]

其中，W＝l_i-H+1为二维图的宽度，且i×k+W≤l_i；转换过程如图6所示，以时间跨度k₁＝1和k₂＝2为例，转换过程中使用滑动窗口对序列进行遍历，时间跨度决定了二维图中每行数据之间的间隔，也即相隔的时间差。

步骤S7、设置可训练权重参数α，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果

本发明基于深度特征融合网络的建筑能耗预测方法根据设置的时间跨度将一维序列转换为二维空间的图，强化了建筑能耗序列的周期信息，且模块中嵌入了改造的多尺度卷积，有利于进一步挖掘输入序列的空间信息和时间特征。

同时，将时间因素、气象因素和历史能耗序列的嵌入特征进行融合，有利于捕获各种异构因素之间的关联和它们对未来能耗的影响，从而提取影响因素中的有用信息，避免大量冗余信息对预测任务的干扰。

为验证本发明的准确性和鲁棒性，基于公开数据集HUE(https://dataverse.harvard.edu/dataset.xhtml？persistentId＝doi:10.7910/DVN/N3HGRN)进行实验。

HUE数据集包含温哥华地区22栋建筑的电力数据和最近气象站的天气数据，我们选择Resident_2中2018-11-01至2019-11-20的电力数据和温哥华对应气象站的天气数据作为实验样本，以验证模型。该期间的电力负荷曲线如图7所示。其中，室外温度的最大值max_T＝29.20℃、最小值min_T＝-8.60℃，相对湿度的最大值max_RH＝100％、最小值min_RH＝18％，大气压强的最大值max_P＝103.94kPa、最小值min_P＝98.15kPa；历史能耗的最大值max_E＝1.09kWh、最小值min_T＝0.09kWh；a＝3；l_i＝168，k＝(k₁，k₂，k₃)＝(1，12，24)，H＝72。

训练中，使用一小时为滑动步长的滑动窗口重构数据集，滑动窗口大小为168+24，使输入的历史序列的时间跨度为168个小时，待预测时间跨度为24小时，实验参数设置如表2所示。训练过程中初始学习率为0.001，最后10轮降低为0.0001。

表2实验参数设置

训练样本数	测试样本数	学习率	迭代次数
				8124	732	0.001	40

表3为本发明为了验证本发明的方法优势，进行的比较实验，比较对象为流行的基于ANN、LSTM、CNN-LSTM和CNN-BiLSTM的能耗预测方法。选择平均绝对误差MAE和均方根误差RMSE作为评估指标。本发明提出的方法在两个指标上均达到了最优的性能。

表3本发明与其他流行方法的对比

方法	MAE	RMSE
			本发明	0.076	0.091
ANN	0.095	0.137
			LSTM	0.099	0.147
CNN-LSTM	0.099	0.140
			CNN-BiLSTM	0.103	0.142

参照图8，为本发明实施例中基于深度特征融合网络的建筑能耗预测方法在样本上的测试结果的可视化图，可见，本发明的方法预测得到的能耗值与真实值误差非常小，预测的准确性很高。

实施例二

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述方法的步骤。

实施例三

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一中所述方法的步骤。

实施例四

本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行实施例一中所述的方法。

实施例五

本实施例提供了一种基于深度特征融合网络的建筑能耗预测***，其包括以下模块：

时间因素模块，用于对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

气象因素模块，用于对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和c_d分别表示连续气象特征数量和离散气象特征数量；

时间和气象嵌入特征生成模块，用于将T^h、T^f、W^s、W^d分别输入特征嵌入网络，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

历史能耗模块，用于对历史能耗序列数据进行归一化处理，生成历史能耗序列E；

多跨度时间融合模块，用于根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；参照图4。

特征融合模块，用于连接特征f^th、f^tf、f^ws、f^wd、f^e，并使用神经网络的线性层进行特征融合，得到特征F；

预测模块，用于设置可训练权重参数，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果。

本发明实施例中的于深度特征融合网络的建筑能耗预测***用于实现前述的基于深度特征融合网络的建筑能耗预测方法，因此该***的具体实施方式可见前文中的基于深度特征融合网络的建筑能耗预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的基于深度特征融合网络的建筑能耗预测***用于实现前述的基于深度特征融合网络的建筑能耗预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.基于深度特征融合网络的建筑能耗预测方法，其特征在于，包括以下步骤：

S1、对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

S2、对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和c_d分别表示连续气象特征数量和离散气象特征数量；

S3、将T^h、T^f、W^s、W^d分别输入特征嵌入网络，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

S4、对历史能耗序列数据进行归一化处理，生成历史能耗序列E；

S5、根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；

S6、连接特征f^th、f^tf、f^ws、f^wd、f^e，并使用神经网络的线性层进行特征融合，得到特征F；

S7、设置可训练权重参数，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果。

2.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述特征嵌入网络由卷积核大小为a×a的一维卷积层和全连接层FC构成，且每个卷积层后面有ReLU激活函数；其中，a≥3。

3.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，步骤S5包括：

根据不同的时间跨度k和预设图高H，对历史能耗序列E进行二维转换生成图G；然后，将基于不同时间跨度生成的G分别送入由1×1卷积层、3×3卷积层和池化层构成的多尺度卷积网络，其中池化层由平均池化层和最大池化层组成。

4.根据权利要求3所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述对历史能耗序列E进行二维转换生成图G，如下：

G[i，：]＝E[(i×k)：(i×k+W)]

其中，W＝l_i-H+1为二维图的宽度，且i×k+W≤l_i；转换过程中使用滑动窗口对序列进行遍历，时间跨度决定了二维图中每行数据之间的间隔，也即相隔的时间差。

5.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述归一化处理的公式如下：

其中，x_t表示t时刻的输入变量，max和min分别表示预设的最大值和最小值。

6.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述时间因素包括月、小时、星期、日类型；所述气象因素数据中的离散型变量包括天气、室外温度、相对湿度、相对湿度、大气压强。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到6任一项所述的方法。

10.基于深度特征融合网络的建筑能耗预测***，其特征在于，包括以下模块：

时间因素模块，用于对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成

和

其中，c_t表示编码后时间特征数量，l_i表示输入序列长度，l_o表示预测序列长度；

气象因素模块，用于对气象因素数据中的连续型变量进行归一化处理，生成

对所述气象因素数据中的离散型变量进行one-hot编码，生成

其中，c_s和c_d分别表示连续气象特征数量和离散气象特征数量；

时间和气象嵌入特征生成模块，用于将T^h、T^f、W^s、W^d分别输入特征嵌入网络，并分别生成时间嵌入特征f^th、时间嵌入特征f^tf、气象嵌入特征f^ws和气象嵌入特征f^wd；

历史能耗模块，用于对历史能耗序列数据进行归一化处理，生成历史能耗序列E；

多跨度时间融合模块，用于根据不同的时间跨度k，将历史能耗序列E转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征f^e；

特征融合模块，用于连接特征f^th、f^tf、f^ws、f^wd、f^e，并使用神经网络的线性层进行特征融合，得到特征F；

预测模块，用于设置可训练权重参数，将历史能耗序列E与特征F进行加权相加，然后输入多层感知机，得到最终的预测结果。

Images