CN109373438A - 基于迁移学习算法的供热节能控制方法与系统 - Google Patents

Abstract

本发明提供了一种基于迁移学习算法的供热负荷预测装置和方法，包括数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。本发明所述的预测方法不仅仅利用目标建筑物的热负荷数据，而且可以提取其他附近建筑物的热负荷信息，并在建模过程中加入气象因素的影响，最大限度地提高目标建筑物的供热负荷预测精度。

Description

基于迁移学习算法的供热节能控制方法与系统

技术领域

本发明涉及一种基于迁移学习算法的供热负荷预测方法，可以实现对建筑物的供热负荷预测，属于供热预测研究技术邻域。

背景技术

集中供热系统各子系统的给定值都是由预报热负荷决定的，提供准确的热负荷预测是提高供热质量的基础。随着城市对节能环保要求的日益提高，能源供应结构逐渐变化，且人们对居住环境要求的提高，对集中供热系统控制要求也越来越高。因此，一个具有良好预测能力的负荷预测方法对整个供热系统的稳定性、安全性、环保性等性能的提高有着重要的意义。

早在20世纪80年代便有学者对个别地区的供热系统影响因素进行详细监测。研究发现，各种因素对供热负荷影响不同，供热负荷的大小主要受室外温度影响较大。随着计算机和机器学习研究的不断深入，各种预测方法随着出现，如神经网络、支持向量机、线性回归等。但是这些预测算法都只能针对同一地区或单一的供热站，而集中供热方式普遍存在供热不均匀的现象，同一供热系统中相同的建筑物，相互之间的供热能耗也会有差距，导致传统的供热预测方式效果变差或失去预测作用。迁移学习预测建模方法可以从与预处理问题相关的数据中找到对问题有用的信息，在供热负荷预测中不仅使用现有采集的数据，而且可以利用历史同期数据及与该地区地域相似的一些其他供热数据，为后续控制提供更准确更有效的决策。

发明内容

本发明的目的是提供一种基于迁移学习算法的供热负荷预测装置和方法，以实现对建筑物供热负荷的准确预测。

在本发明的一个技术方案中，提供了一种基于迁移学习算法的供热负荷预测装置，包括：数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。

其中，数据采集模块包括：

数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。

其中，数据预处理模块包括：

数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^{m ×n}；

预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

补充单元，用于采用中值补偿法对气象数据进行补充。

其中，数据匹配模块包括：

降维单元，用于对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

(1)式中M_c为条件分布的最大均值差异，C为匹配标签集中标签的类的个数，c∈{1,…,C}，X^T为X的转置，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1矩阵，Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；

匹配单元，用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t，n_s为源域样本个数，n_t为目标域样本个数；

其中，降维处理的方法为联合分布适配方法，其步骤包括：

设定边缘分布距离和条件分布距离的阈值t1和t2；

特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用 XHX^T计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，最优化问题用公式(2)表示

最优化问题通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m；

边缘分布适配；使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小；

条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类 c∈{1,…,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)；条件分布的 EMMD通过公式(5)计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别c的样本集，是x_j的(预测)伪标签，并且

通过公式(6)来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小；

最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数；

引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式 (7)的拉格朗日函数为：

令0，得到广义特征分解：

求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX；

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，返回步骤Ⅲ，进入迭代更新M₀和M_c，并计算特征Z。

其中，根据计算得到的特征Z建立预测模型进行预测，具体步骤如下：

重新划分特征表示Z；将新的特征表示Z划分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

模型建立；利用得到的源域特征Z_s及源域标签Y_s训练最小二乘支持向量机模型，假设样本集T＝{(x_k,y_k)|k＝1,2,3,...,N}，x_k输入数据，y_k为输出数据；其优化问题可以描述为：

约束条件为：其中为核空间映射函数，权向量w，误差向量e_k，偏差向量b。构造拉格朗日函数：

通过求偏导得到矩阵方程为：

LS-SVM最小二乘支持向量机的函数估计为：

模型校验；利用目标域的供热负荷数据对建立的模型进行验证；

标记其他建筑物供热数据为X_s，目标建筑物供热信息为X_t，其输出供热负荷为Y_sa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝A^TX∈R^k×n，且k＜m，其中A是正交变换矩阵；

设定边缘分布距离和条件分布距离的阈值t1和t2；通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝A^TX

按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M₀和M_c，计算特征Z；

将联合分布适配处理得到新的特征Z分为源建筑物特征数据Z_s和目标建筑物特征数据Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n)，将源目标建筑物的供热负荷标注数据Y_sa进行归一化得到以Z_s作为回归函数方程的输入数据X，Y_sa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ；

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。

在本发明的一个技术方案中，提供了一种基于迁移学习算法的供热负荷预测方法，包括：采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；对数据进行预处理，以保证供热负荷数据维度的一致性；对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；利用处理之后的数据建立回归预测模型。

其中，在采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息的步骤中，包括步骤：

确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

将采集到的不同建筑物的供热数据及气象信息存储。

其中，在对数据进行预处理的步骤中，包括步骤：

将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

采用中值补偿法对气象数据进行补充。

其中，在对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据的步骤中，包括步骤：

对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示 Z＝A^TX，其中A为正交变换矩阵；

用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

(1)式中M_c为条件分布的经验最大均值差异，X^T为X的转置， C为匹配标签集中标签的类的个数，c∈{1,...,C}，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1 矩阵，Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；

其中，降维处理的方法为联合分布适配方法，其步骤包括：

设定边缘分布距离和条件分布距离的阈值t1和t2；

特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHX^T计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，最优化问题用公式(2)表示

最优化问题通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m；

边缘分布适配；使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小；

条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类c∈{1,...,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)；条件分布的 EMMD通过公式(5)计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别 c的样本集，是x_j的(预测)伪标签，并且

通过公式(6)来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小；

最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数；

引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式(7)的拉格朗日函数为：

令得到广义特征分解：

求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX；

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，从新迭代更新M₀和M_c，并计算特征Z。

其中，根据计算得到的特征Z建立预测模型进行预测，具体步骤如下：

重新划分特征表示Z；将新的特征表示Z划分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

模型建立；利用得到的源域特征Z_s及源域标签Y_s训练最小二乘支持向量机模型，假设样本集T＝{(x_k,y_k)|k＝1,2,3,...,N}，x_k输入数据，y_k为输出数据；其优化问题可以描述为：

约束条件为：其中为核空间映射函数，权向量w，误差向量e_k，偏差向量b。构造拉格朗日函数：

通过求偏导得到矩阵方程为：

LS-SVM最小二乘支持向量机的函数估计为：

模型校验；利用目标域的供热负荷数据对建立的模型进行验证；

标记其他建筑物供热数据为X_s，目标建筑物供热信息为X_t，其输出供热负荷为Y_sa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝A^TX∈R^k×n，且k＜m，其中A是正交变换矩阵；

设定边缘分布距离和条件分布距离的阈值t1和t2；通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝A^TX

按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M₀和M_c，计算特征Z；

将联合分布适配处理得到新的特征Z分为源建筑物特征数据Z_s和目标建筑物特征数据Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n)，将源目标建筑物的供热负荷标注数据Y_sa进行归一化得到以Z_s作为回归函数方程的输入数据X，Y_sa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ；

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。

区别于现有技术，本发明的基于迁移学习算法的供热负荷预测装置包括数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。本发明所述的预测方法不仅仅利用目标建筑物的热负荷数据，而且可以提取其他附近建筑物的热负荷信息，并在建模过程中加入气象因素的影响，最大限度地提高目标建筑物的供热负荷预测精度。

附图说明

图1是本发明提供的一种迁移学习算法的供热负荷预测装置的结构示意图

图2是本发明提供的一种迁移学习算法的供热负荷预测方法的流程示意图。

图3是本发明提供的一种迁移学习算法的供热负荷预测方法的逻辑示意图。

图4是本发明提供的一种迁移学习算法的供热负荷预测装置的数据采集模块采集与存储的示意图。

图5是本发明提供的一种迁移学习算法的供热负荷预测装置的数据预处理模块进行数据处理的示意图。

图6是本发明提供的一种迁移学习算法的供热负荷预测装置的数据匹配模块进行联合概率适配算法的流程示意图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

参阅图1，图1是本发明提供的一种基于迁移学习算法的供热负荷预测装置的结构示意图。该装置包括：

数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；

数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；

数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；

建模预测模块，用于利用处理之后的数据建立回归预测模型。

本发明提出基于迁移学习算法的供热负荷预测装置，有效利用与目标建筑物相似的其他建筑物供热信息，提取有利建模的数据，并考虑实时室外温度与未来天气预报信息，丰富建模据的量，克服传统预测算法数据量不足导致的精度不高、预测不准的缺点。采用本发明的方法可以有效提升模型的预测性能，误差小，具备较好的结果，这一方法对于解决单一模型对不同建筑物供热负荷不适合的问题，具有重要的实用价值。

优选的，数据采集模块包括：

数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。数据采集流程如图4所示。

在本发明中，采集的数据包括与待测建筑物、相似建筑物的供热数据和气象数据，通过采集不同的数据为后续供热预测模型提供丰富的训练数据。

对建筑物的供热过程作为一个动态的热平衡过程，受到各种因素的影响，而实际上考虑的因素越多可能造成运算复杂度的增大，训练时间加长导致数值不稳定的情况。因此，首先的影响供热负荷预测主要因素进行选择，本发明利用相关性分析方法确定几组对建筑物供热负荷预测影响较大的因素，其中包括供热热水入口的水流量、热水温度、回水流量及温度、室外温度及未来天气预报。具体的，本发明选择最近一天的供热数据及室外气象数据作为建模输入数据。

在同一地区一般由一个供热系统进行集中供热，集中供热微机监控系统是一个大型的分布式系统，具有对不同本地建筑的供热控制及监测作用，完成运行参数的采集、存储、统计及报警等功能。本发明中将在获取目标建筑物供热信息的同时将与目标建筑物相似的其他建筑物的供热信息一并进行采集，采集主要影响供热负荷参数，如供水流量、供水温度、回水温度、锅炉运行指标。此外，由于外界温度对供热负荷有很大影响，利用Matlab软件平台编写程序访问中国天气网的API接口，获得实时天气信息及未来时刻的天气预报。将采集的各类数据存入临时数据库中，直观地描述如图3所示。

为了供热负荷预测更加准确，所用建模的训练数据应该越详细越好，但气象数据更新周期为1小时，从供热系统采集数据的周期一般为15分钟，不同数据以不同的采样频率进行采集，这样导致数据不能匹配，因此需要对数据进行预处理操作。为了满足更好地预测效果，以供热数据的维度为准，对气象数据进行中指匹配方法进行数据完善。

优选的，数据预处理模块包括：

数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^{m ×n}；

预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

补充单元，用于采用中值补偿法对气象数据进行补充。对采集的不同的数据进行预处理，为了数据的丰富选择较小的采样频率对供热数据进行采集，而气象数据的更新周期较长，本发明采用中值补偿的方法对气象数据进行补充。

优选的，数据匹配模块包括：

降维单元，用于对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

匹配单元，用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t。

匹配逻辑如图5所示。

在实际匹配过程中，本发明利用联合分布适配方法，将采集的供热数据共同进行降维处理，得到更有利于目标建筑物供热预测的特征信息，具体步骤如下：

设定边缘分布距离和条件分布距离的阈值t1和t2。

特征匹配。本发明使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHX^T计算。主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，其最优化问题可用公式(2)表示

该最优化问题可以通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征。由此将原数据降为k 维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m。

边缘分布适配。使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小。

条件分布适配。本发明通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，可以匹配标签集Y中每一类c∈{1,…,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)。条件分布的EMMD通过下式计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别 c的样本集，是x_j的(预测)伪标签，并且

通过下式来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小。

最优化问题。为了提高迁移模型的有效性和鲁棒性，需要同时最小化跨域边缘分布和条件分布。因此，将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数。

求解。引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式(7)的拉格朗日函数为：

令得到广义特征分解：

最后，求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX。

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，进入迭代更新M₀和M_c，并计算特征Z。

进一步，根据计算得到的特征Z建立预测模型进行预测，具体步骤如下：

重新划分特征表示Z。将新的特征表示Z划分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t。

模型建立。利用得到的源域特征Z_s及源域标签Y_s训练最小二乘支持向量机模型，假设样本集T＝{(x_k,y_k)|k＝1,2,3,...,N}，x_k输入数据，y_k为输出数据。其优化问题可以描述为：

约束条件为：其中为核空间映射函数，权向量w，误差向量e_k，偏差向量b。构造拉格朗日函数：

通过求偏导得到矩阵方程为：

LS-SVM最小二乘支持向量机的函数估计为：

模型校验。利用目标域的供热负荷数据对建立的模型进行验证。

具体的，标记其他建筑物供热数据为X_s，目标建筑物供热信息为X_t，其输出供热负荷为Y_sa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝A^TX∈R^k×n，且k＜m，其中A是正交变换矩阵。

设定边缘分布距离和条件分布距离的阈值t1和t2。通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝A^TX

按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M₀和M_c，计算特征Z。

将联合分布适配处理得到新的特征Z分为源建筑物特征数据Z_s和目标建筑物特征数据Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n)，将源目标建筑物的供热负荷标注数据Y_sa进行归一化得到以Z_s作为回归函数方程的输入数据X，Y_sa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ。

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。预测验证的逻辑示意图如图6所示。

参阅图2和图3，图2和图3是本发明提供的一种基于迁移学习算法的供热负荷预测方法的流程及逻辑示意图。包括：采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；对数据进行预处理，以保证供热负荷数据维度的一致性；对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；利用处理之后的数据建立回归预测模型。

优选的，在采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息的步骤中，包括步骤：

确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

将采集到的不同建筑物的供热数据及气象信息存储。

优选的，在对数据进行预处理的步骤中，包括步骤：

将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

采用中值补偿法对气象数据进行补充。

优选的，在对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据的步骤中，包括步骤：

对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t。

将数据预处理模块得到的数据和已知标记信息导入计算机中，采用合适的软件进行计算，完成模型迁移的操作。

软件编写程序来完成的操作包括如下步骤：

1、不同建筑物供热数据联合分布适配过程；

2、供热负荷预测模型建立；

3、目标建筑物供热负荷预测。

区别于现有技术，本发明的基于迁移学习算法的供热负荷预测装置包括数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；建模预测模块，用于利用处理之后的数据建立回归预测模型。本发明所述的预测方法不仅仅利用目标建筑物的热负荷数据，而且可以提取其他附近建筑物的热负荷信息，并在建模过程中加入气象因素的影响，最大限度地提高目标建筑物的供热负荷预测精度。

通过上述具体实施方式可以实现基于迁移学习算法的供热负荷预测方法。但本发明并不限于上述实施方式，在不脱离本发明精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于迁移学习算法的供热负荷预测装置，其特征在于，包括：

数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；

数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；

数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；

建模预测模块，用于利用处理之后的数据建立回归预测模型。

2.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，所述数据采集模块包括：

数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。

3.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据预处理模块包括：

数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

补充单元，用于采用中值补偿法对气象数据进行补充。

4.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据匹配模块包括：

降维单元，用于对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

(1)式中M_c为条件分布的最大均值差异，C为匹配标签集中标签的类的个数，c∈{1,…,C}，X^T为X的转置，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1矩阵，Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；

匹配单元，用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t，n_s为源域样本个数，n_t为目标域样本个数；

其中，降维处理的方法为联合分布适配方法，其步骤包括：

设定边缘分布距离和条件分布距离的阈值t1和t2；

特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHX^T计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，最优化问题用公式(2)表示

最优化问题通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m；

边缘分布适配；使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小；

条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类c∈{1,...,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)；条件分布的EMMD通过公式(5)计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别c的样本集，是x_j的(预测)伪标签，并且

通过公式(6)来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小；

最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数；

引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式(7)的拉格朗日函数为：

令得到广义特征分解：

求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX；

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，返回步骤Ⅲ，进入迭代更新M₀和M_c，并计算特征Z。

5.根据权利要求4所述的基于迁移学习算法的供热负荷预测装置，其特征在于，根据计算得到的特征Z建立预测模型进行预测，具体包括：

重新划分特征表示Z；将新的特征表示Z划分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

模型建立；利用得到的源域特征Z_s及源域标签Y_s训练最小二乘支持向量机模型，假设样本集T＝{(x_k,y_k)|k＝1,2,3,...,N}，x_k输入数据，y_k为输出数据；其优化问题可以描述为：

约束条件为：其中为核空间映射函数，权向量w，误差向量e_k，偏差向量b。构造拉格朗日函数：

通过求偏导得到矩阵方程为：

y＝(y₁,y₂,…,y_n),l＝(1,2,…,l),α＝(α₁,α₂,…,α_n)；

LS-SVM最小二乘支持向量机的函数估计为：

模型校验；利用目标域的供热负荷数据对建立的模型进行验证；

标记其他建筑物供热数据为X_s，目标建筑物供热信息为X_t，其输出供热负荷为Y_sa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝A^TX∈R^k×n，且k＜m，其中A是正交变换矩阵；

设定边缘分布距离和条件分布距离的阈值t1和t2；通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝A^TX

按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M₀和M_c，计算特征Z；

将联合分布适配处理得到新的特征Z分为源建筑物特征数据Z_s和目标建筑物特征数据Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n)，将源目标建筑物的供热负荷标注数据Y_sa进行归一化得到以Z_s作为回归函数方程的输入数据X，Y_sa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ；

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。

6.一种基于迁移学习算法的供热负荷预测方法，其特征在于，包括：

采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；

对数据进行预处理，以保证供热负荷数据维度的一致性；

对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；

利用处理之后的数据建立回归预测模型。

7.根据权利要求6所述的基于迁移学习算法的供热负荷预测方法，其特征在于，在采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息的步骤中，包括步骤：

确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

将采集到的不同建筑物的供热数据及气象信息存储。

8.根据权利要求6所述的基于迁移学习算法的供热负荷预测方法，其特征在于，在对数据进行预处理的步骤中，包括步骤：

将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

采用中值补偿法对气象数据进行补充。

9.根据权利要求6所述的基于迁移学习算法的供热负荷预测方法，其特征在于，在对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据的步骤中，包括步骤：

对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

(1)式中M_c为条件分布的经验最大均值差异，X^T为X的转置，C为匹配标签集中标签的类的个数，c∈{1,…,C}，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1 矩阵，Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；

其中，降维处理的方法为联合分布适配方法，其步骤包括：

设定边缘分布距离和条件分布距离的阈值t1和t2；

特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHX^T计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，最优化问题用公式(2)表示

最优化问题通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m；

边缘分布适配；使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小；

条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类c∈{1,…,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)；条件分布的EMMD通过公式(5)计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别c的样本集，是x_j的(预测)伪标签，并且

通过公式(6)来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小；

最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数；

引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式(7)的拉格朗日函数为：

令得到广义特征分解：

求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX；

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，从新迭代更新M₀和M_c，并计算特征Z。

10.根据权利要求9所述的基于迁移学习算法的供热负荷预测方法，其特征在于，根据计算得到的特征Z建立预测模型进行预测，具体步骤如下：

重新划分特征表示Z；将新的特征表示Z划分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t；

模型建立；利用得到的源域特征Z_s及源域标签Y_s训练最小二乘支持向量机模型，假设样本集T＝{(x_k,y_k)|k＝1,2,3,...,N}，x_k输入数据，y_k为输出数据；其优化问题可以描述为：

约束条件为：其中为核空间映射函数，权向量w，误差向量e_k，偏差向量b。构造拉格朗日函数：

通过求偏导得到矩阵方程为：

y＝(y₁,y₂,…,y_n),l＝(1,2,…,l),α＝(α₁,α₂,…,α_n)；

LS-SVM最小二乘支持向量机的函数估计为：

模型校验；利用目标域的供热负荷数据对建立的模型进行验证；

标记其他建筑物供热数据为X_s，目标建筑物供热信息为X_t，其输出供热负荷为Y_sa，利用联合分布适配方法进行降维处理，得到新的特征表示Z＝A^TX∈R^k×n，且k＜m，其中A是正交变换矩阵；

设定边缘分布距离和条件分布距离的阈值t1和t2；通过求解公式(14)的k个最小的特征向量，即得到新的特征表示Z＝A^TX

按照公式(4)和公式(6)计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，按照公式(3)和公式(5)迭代更新M₀和M_c，计算特征Z；

将联合分布适配处理得到新的特征Z分为源建筑物特征数据Z_s和目标建筑物特征数据Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n)，将源目标建筑物的供热负荷标注数据Y_sa进行归一化得到以Z_s作为回归函数方程的输入数据X，Y_sa作为多任务标签，建立最小二乘支持向量机模型，并优化参数λ和γ；

用建模阶段得到的目标域特征Z_t，输入最小二乘支持向量机软测量模型即可得到磨机负荷参数标签预测值。