CN109740787A - 训练建筑物空调负荷预测模型及用其预测的方法和装置 - Google Patents

Abstract

公开了一种训练建筑物空调负荷预测模型及用其预测的方法和装置。该训练建筑物空调负荷预测模型的方法包括：获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。由此，通过获取精准预测所需的历史数据信息，并基于机器学习高效找出上述信息的内在联系，以较小代价实现对建筑物空调负载的准确预测，实现对能源的高效利用。

Description

训练建筑物空调负荷预测模型及用其预测的方法和装置

技术领域

本发明涉及建筑节能领域，尤其涉及一种训练建筑物空调负荷预测模型及用其进行预测的方法和装置。

背景技术

在建筑节能工作中，对建筑能耗进行科学分析和合理预测十分重要。建筑能耗预测可以为建筑供能系统的运行策略优化和建筑节能评估提供依据。空调系统是商业建筑中能耗最大的部分，也是可自由调节的部分。在空调系统能耗与夏季高峰负荷逐年上升的大背景下，空调系统(尤其是大型商用建筑物的空调系统)节能成为当今社会实现可持续发展的关注热点之一。

建筑能耗受诸多因素影响，其复杂的非线性关系使得建筑能耗难以被精确地预测。

为此，需要一种能以较小代价准确预测建筑物空调负荷的方案。

发明内容

本发明提出了一种使用机器学习算法训练建筑物空调负荷预测模型以及使用上述模型进行预测的方案。通过获取随时间变化的建筑物环境变量，预测模型能够从历史数据中习得空调负载的变化规律。进一步地，通过采集涵盖各类建筑和空调系统和/或各个变化方面且相对容易取得的数据以进行特征提取，能够获取准确预测所需的足够数据信息；同时，通过引入合理的机器学习模型，能够通过训练准确找出上述信息的内在联系，从而以较小代价实现对空调负载的准确预测，实现对能源的高效利用。

根据本发明的一个方面，提出了一种训练建筑物空调负荷预测模型的方法，包括：获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。随着建筑能耗管理系统的普及，楼宇监测数据获取不再困难。基于机器学习的预测模型则能够有效利用这些数据并通过迭代训练准确找出历史数据的内在联系，从而以较低的数据获取代价(即，更高的可行性)得到能够进行准确预测的空调负载预测模型。

优选地，获取训练样本数据集以及对应的标签数据可以包括：获取来自不同建筑物的样本数据及对应的标签数据，所述样本数据进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。由此，通过广泛的样本来源，获取能够应对各类建筑的预测模型。进一步地，获取的样本数据及对应提取的特征数据包括针对同一建筑物的不同时刻的状态的多个样本。由此，通过海量数据进一步提升模型的通用性，并且通过时序样本的引入使得模型能够通过训练习得建筑能耗与时间变化的内在联系。

优选地，对所述训练样本数据集中的样本数据进行特征提取处理还可以包括：对所述样本数据进行处理以获取衍生变量；以及构造包括衍生变量的样本特征数据。由此，通过对原始数据的处理和内在特征的提起提取(例如，获取变化趋势)，能够提升预测模型的训练效率和预测精度。

在一个方面，获取所述建筑物环境信息及其采集时间信息可以包括获取建筑物外部环境信息以及采集外部环境信息的时间信息，所述建筑物外部环境信息包括建筑物所处的气象信息和/或天气预报信息。

在另一个方面，获取所述建筑物环境信息及其采集时间信息包括获取建筑物内部环境信息以及采集内部环境信息的时间信息，所述建筑物内部环境信息包括人员信息。

在本发明中，样本数据中的人员信息的获取优选是建筑物信息系统自动采集的基于时刻的该建筑物内的人员数量和/或分布信息。由此，通过对建筑耗能有大幅影响(且灵活影响)的人员信息的自动且准确的采集，提升模型构建的方便性和模型训练的准确性。优选地，基于时刻的该建筑物内的人员数量和/或分布信息经由如下至少一项获取：计算机视觉技术；人员计数系统；门禁系统；以及打卡系统。

优选地，获取的内部环境样本数据还可以包括如下基于时间的信息，例如，建筑物内的细类用电信息；非用电装置使用信息；以及空调末端使用信息，由此进一步丰富预测模型所涵盖的数据内容并提升针对时间变化的敏感性。

优选地，细类用电信息可以包括如下至少一项：按用途细分的用电信息；主要设备的用电信息；区域和/或功能房间的用电信息。由此，以极低的信息采集代价进一步提升预测模型的预测精度，并能够为该区域预测和调节提供前提。

优选地，可以使用空调系统供冷/供热量作为标签数据的所述空调负荷相关信息。上述信息例如可以从热量表和冷量表中直接读取，从而方便标签的构建。

优选地，上述标签可以是建筑物内按区域的空调系统供冷/供热量。由此，结合逐区域采集的样本数据，可以训练出能够逐区域(例如，按楼层)预测空调供冷/供热量的模型，从而为空调系统的精细调节提供支持。

本发明的建筑物空调负荷预测模型可以基于各种机器学习算法实现，包括但不限于：梯度渐进回归树(GBRT)算法；人工神经网络(ANN)算法；多元线性回归算法；支持向量回归(SVR)算法；差分整合移动平均自回归(ARIMA)算法；以及上述算法的任意结合。在这其中，GBRT算法作为一种集成学习算法，有着适用广泛、预测精度高、鲁棒性强且不易过拟合的特点，特别适于作为本发明的预测模型。

根据本发明的另一个方面，提出了一种建筑物空调负荷预测方法，包括：针对指定建筑物，获取与训练根据如上任一项所述得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

优选地，该建筑物空调负荷预测方法还可以包括：基于预测出的空调负荷预测值，调整所述指定建筑物的空调系统的运行。

优选地，基于预测出的空调负荷预测值，调整所述指定建筑物的空调系统的运行可以包括：基于按区域预测的所述建筑物空调负荷预测模型针对所述指定建筑物预测出的按区域的空调负荷预测值，按区域调整所述指定建筑物的空调系统的运行。

优选地，该建筑物空调负荷预测方法还可以包括：获取所述指定建筑物的空调系统在调整运行下的实际空调负荷相关信息；汇总单位时间新增的所述预测样本特征集作为重训样本特征集，所述实际空调负荷相关信息作为重训标签数据，重训所述建筑物空调负荷预测模型的经训练参数。

根据本发明的再一个方面，还提供了一种训练建筑物空调负荷预测模型的装置，包括：数据获取单元，用于获取训练样本数据集以及对应的标签数据，其中，所述样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；特征提取单元，用于对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及模型训练单元，用于基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

优选地，所述数据获取单元可以用于获取来自不同建筑物的样本数据以及对应的标签数据，所述样本数据进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。

优选地，所述数据获取单元可以用于获取对应同一建筑物的不同时刻的状态的样本数据以及对应的标签数据，并且特征提取单元可以进一步用于构造针对特定建筑物的基于时刻的训练样本特征数据及其对应标签数据。

优选地，特征提取单元还可以包括：样本数据处理单元，用于对所述样本数据进行处理以获取衍生变量；所述特征提取单元还可以用于构造包括衍生变量的样本特征数据。

在一个方面，所述数据获取单元获取所述建筑物环境信息及其采集时间信息可以包括获取建筑物外部环境信息以及采集外部环境信息的时间信息，所述建筑物外部环境信息包括建筑物所处的气象信息和/或天气预报信息。

在另一个方面，所述数据获取单元获取所述建筑物环境信息及其采集时间信息可以包括获取建筑物内部环境信息以及采集内部环境信息的时间信息，所述建筑物内部环境信息包括人员信息。

优选地，所述数据获取单元所获取的建筑物内部环境信息还可以包括基于时间采集的如下至少一项：建筑物内的细类用电信息；非用电装置使用情况；以及空调末端使用信息。

根据本发明的又一个方面，还提供了一种建筑物空调负荷预测装置，包括：数据获取单元，用于针对指定建筑物，获取与训练根据如上任一项所述得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；特征提取单元，用于对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；预测单元，用于将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

优选地，该建筑物空调负荷预测装置还可以包括：运行调整单元，用于基于预测出的空调负荷预测值，调整所述指定建筑物的空调系统的运行。

优选地，所述运行调整单元可以基于按区域预测的所述建筑物空调负荷预测模型针对所述指定建筑物预测出的按区域的空调负荷预测值，按区域调整所述指定建筑物的空调系统的运行。

优选地，该建筑物空调负荷预测装置还可以包括：负荷信息获取单元，用于获取所述指定建筑物的空调系统在调整运行下的实际空调负荷相关信息；重训单元，用于汇总单位时间新增的所述预测样本特征集作为重训样本特征集，所述实际空调负荷相关信息作为重训标签数据，重训所述建筑物空调负荷预测模型的经训练参数。

根据本发明的再一个方面，提供了一种建筑物空调负荷预测系统，包括数据获取单元、特征提取单元、模型训练单元和预测单元，所述建筑物空调负荷预测系统利用数据获取单元、特征提取单元和模型训练单元训练建筑物空调负荷预测模型，并使用数据获取单元、特征提取单元和和预测单元基于所述模型进行预测。

优选地，该建筑物空调负荷预测系统还可以汇总所述模型进行预测期间收集到的实际数据，并使用数据获取单元、特征提取单元和模型训练单元对建筑物空调负荷预测模型进行重新训练。

根据本发明的另一个方面，还提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上任一项所述的方法。

根据本发明的又一个方法，还提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上任一项所述的方法。

由此，本发明的训练建筑物空调负荷预测模型及用其预测的方案，通过引入合理的机器学习模型，通过训练准确找出上述信息的内在联系，以较小代价实现对空调负载的准确预测，实现对能源的高效利用。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了根据本发明一个实施例的训练建筑物空调负荷预测模型的方法的流程示意图。

图2示出了本发明特征提取步骤的一个例子。

图3示出了本发明预测模型训练步骤的一个例子。

图4示出了根据本发明一个实施例的建筑物空调负荷预测方法的流程示意图。

图5示出了本发明的建筑物空调负荷预测系统的一个组成例。

图6示出了根据本发明一个实施例的训练建筑物空调负荷预测模型的装置的结构示意图。

图7示出了根据本发明一个实施例的建筑物空调负荷预测装置的结构示意图。

图8示出了根据本发明一个实施例的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

如上所述，建筑能耗受诸多因素影响，其复杂的非线性关系使得建筑能耗难以被精确地预测。现有的预测方案，要么因为过于复杂或数据获取困难而导致可行性不高，要么预测不够准确。

而随着建筑能耗管理系统的普及，楼宇监测数据获取不再困难。为此，本发明提出了一种基于机器学习的空调负载预测模型，该模型能够有效利用获取到的这些数据并通过迭代训练准确找出数据的内在联系，从而以较低的数据获取代价(即，更高的可行性)得到能够进行准确预测的空调负荷预测模型。在此，应该理解的是，本发明的“空调负荷预测模型”是基于建筑物能耗来预测空调负载以使得例如建筑物内保持设定温度的模型，因此可以看作是能耗模型的一个实现。

如下将结合附图及实施例详细说明本发明的训练建筑物空调负荷预测模型及用其预测的方案。

图1示出了根据本发明一个实施例的训练建筑物空调负荷预测模型的方法的流程示意图。

在步骤S110，获取训练样本数据集以及对应的标签数据。在此，样本数据是与建筑物能耗相关的信息。在一个实施例中可以包括建筑物环境信息及其采集时间信息。对应的标签数据则可包括空调负荷相关信息。在步骤S120，对训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集。随后，在步骤S130，基于训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

在机器学习领域，尤其是针对有监督的深度学习，学习器(深度学习模型)通过对大量有标签的(labeled)训练例进行学习，从而建立模型用于预测未见示例的标签。本发明通过将深度学习应用于建筑物能耗与相应的空调供能预测领域，能够借助大量相对容易获得的数据以及合适的模型来找出数据间的相关性。

由此，本发明的模型训练方法首先需要采集数据和标签，随后进行特征集构造及机器训练。如步骤S110所述，样本数据是能够从不同层面影响建筑物能耗的信息，至少可以包括建筑物环境信息及其采集时间信息。在此，建筑物环境信息可以指代广义的“环境”信息，即，该建筑物所处的物理空间对该建筑物能耗的影响。由于“环境”信息通常处于变化之中，因此采集的环境信息通常需要带有时间戳，以便模型对历史数据的变化趋势加以学习。

标签数据是训练所要得到的结果。相比于难以量化的建筑物能耗本身，可以使用空调负荷相关信息作为代替，并且空调负荷本身也将作为后续模型所需预测的目标。在一个实施例中，标签数据可以是空调系统的供冷/供热量。这些数据可以量化读取，例如可以从冷量表读取或从制冷机制冷量来获取供冷量，可以从热量表获取供热量。在另一个实施例中，可以持续读取上述供冷/供热量，并使用一段时间(例如，15分钟)内的平均值作为标签数据，以获取对空调负载更为确切的反映。

另外，如下文将详述的，上述供热/供冷量还可以按区域分别读取，以得到更精细的预测模型，并用于例如分区域的预测。

如上所述，建筑物相关物理空间(环境)的变化会导致空调负荷的变化。为此需要在步骤S110中获取能够量化建筑物环境变化的样本数据。由于环境信息是基于时间变化的，因此在此是基于时间采集的，换句话说，采集到的环境信息除了自身的读数本身，还包括获取读数的时间戳。在此，“基于时间”中的“时间”可以做广义解释，即可以是一天中的特定时刻，也可以是一段时间，或是与季节、月份和年份相关的时间。由此，通过时序性环境样本数据(历史数据)的学习，获取能够对未来进行预测的负载预测模型。

在一个实施例中，在步骤S110获取的建筑物环境信息及其采集时间信息可以包括获取建筑物外部环境信息以及采集外部环境信息的时间信息。顾名思义，建筑物外部环境指代建筑物所位于的外部物理环境，相关信息则可以包括建筑物所处的气象信息和/或天气预报信息。采集的建筑物所处气象信息例如可以包括室外气象参数，例如温湿度、辐射强度、风向、风速等参数，该气象信息例如可以通过(在建筑物外安装的)传感器获取，也可以通过天气预报网站发布的实时气象信息获取。建筑物所处的天气预报信息例如可以包括实时天气预报数据，例如温湿度、辐射强度、风向、风速等参数，该天气预报数据也可从天气预报网站获取。在信息化程度较高的建筑物中，楼宇管理/监控系统可以设法获取上述气象和天气预报信息，于是本发明也可以从上述管理系统中直接获取(例如，获取历史记录)。由于气象信息和天气预报信息反映了外部环境的当前状况和未来变化，因此在一个实施例中，优选同时使用上述两类信息用于预测系统的训练以及后续的预测。在一个实施例中，上述变化信息可以是基于时刻采集的，例如，定期获取气象和天气预报信息读数及其时间戳。

在另一个实施例中，在步骤S110获取的建筑物环境信息及其采集时间信息包括获取建筑物内部环境信息以及采集内部环境信息的时间信息。在此，建筑物内部环境信息指代建筑物物理空间内的变动对建筑物能耗的影响。在一个实施例中，建筑物内部环境信息包括人员信息。

人员信息是影响空调负荷的一个非常重要的因素。在此，人员信息可以包括建筑物内的人员数量信息，抑或是更为精确的人员分布信息。人员信息不仅决定室内人员负荷，还会影响新风量的大小，而新风量本身会占据空调负荷很大一个部分。

随着楼宇信息化系统的普及，可以通过多种方式方便地获取建筑物内的人员数量信息和/或分布信息。在本发明中，可以获取由建筑物信息系统基于时刻自动采集的建筑物内的人员数量和/或分布信息。

在一个实施例中，可以通过门禁系统或打卡系统来对进入建筑物或是建筑物各区域的人员数量进行统计，这尤其适用于出入人员较为固定的商用写字楼或是酒店式公寓的场景。例如，设置在写字楼大堂的门禁系统可以对工作人员(包括使用访客卡进入的外来人员)的进入和离开加以统计，上述信息可由本发明的模型训练方案获取，用以知晓该建筑物随时间变化的人员信息。进一步地，写字楼内的各个实体(例如，公司或部门)可以布置自己的门禁和/或打卡系统。在此，打卡系统可以是利用门禁卡的打卡，网络签到，也可以利用更为严格的生物识别技术(例如，指纹、虹膜、面部识别等)实现。获取上述系统收集的信息能够进一步知晓建筑物内按区域的人员数量信息(也可理解为大粒度的人员分布信息)，例如，位于10楼的A公司当前出勤人数为100人。

在另一个实施例中，例如，对于大型图书馆或商场之类通常可以自由出入的公共建筑物，则通常会利用人员计数系统对人流进行统计。例如，位于商场入口的安检和红外计数装置。上述信息同样可被用于获取作为训练模型的人员数量样本信息。

在更为先进的建筑物信息系统中，则可基于计算机视觉技术来进行人员数量，甚至是人员类型和人员分布的信息获取。上述计算机视觉技术可以是人脸识别技术，也可以是包括深度识别的三维视觉技术。可以理解的是，在使用人脸识别技术时，可以将其作为上述门禁系统或是打卡系统的一个具体实现。另外，在使用具有人脸识别功能的监控摄像头时，则可以根据摄像头自身的分布以及其对人脸的识别，来进行确定人员的实时分布情况。

在使用三维视觉技术时，同样可以获得更为细化的人员信息。例如，设置在建筑物出入口的三维相机可以对出入人员身高加以判断，从而大致对成人与儿童进行分类。而三维监控摄像头同样则可以根据摄像头自身的分布以及其对人轮廓的识别，来确定人员的实时分布情况。

在其他实施例中，还可以对上述及其他人员信息获取途径进行综合考虑，以获取更为精确的人员信息。

建筑物内的人员信息是对空调系统负荷有着显著影响的重要变量，在本发明中由建筑物信息系统获取的上述人员信息能够准确反映建筑物内的人员数量，甚至人员类型和分布，从而使得获取精确预测模型成为可能。如下在模型使用阶段所详述的，上述人员数量和分布信息还可以用于控制空调末端和其他用电设备的自动停启，从而满足人员的电器使用需要。空调末端的停启还可以作为后续经训练的空调负荷预测模型的输入参数，以提高预测精度。

除了通常内部环境中处于变化中的人员数量会对空调负荷产生影响之外，建筑物内的其他变量也会影响空调负荷。因此，为了进一步提升训练模型的预测精度，可以在步骤S110中进一步获取能够量化建筑物所处内部环境变化的其他样本数据。同样地，由于上述内部环境信息也是基于时间变化的，因此采集到的其他内部环境信息除了自身的读数本身，还包括获取读数的时间戳。

在一个实施例中，获取建筑物内部环境信息及其采集时间信息还可以包括基于时间采集如下至少一项：建筑物内的细类用电信息；非用电装置使用情况；以及空调末端使用信息。在一个实施例中，上述变化信息可以是基于时刻采集的，例如，记录建筑内各设备和终端的使用变化信息及其时间戳等。

获取的建筑物内的细类用电信息可以包括多个方面，例如按用途细分的用电信息；主要设备的用电信息；以及按区域和/或功能房间的用电信息。按用途细分的用电信息例如可以包括照明用电量、电梯用电量、办公设备用电量、数据机房用电量、景观用电量等。由于不同用途的用电所导致发热量(尤其是建筑物内的发热量)不同，因此获取按用途细分的用电信息有助于准确体现室内温度的变化，从而提升预测模型的精度。在实际使用中，该细类用电信息可以通过读取相关电表获取，或是通过整合了上述信息的楼宇管理/监控系统直接进行数字化获取。针对具有特殊大型设备的建筑物，例如室内冰场、水景、大型电子屏幕等，可以额外获取这些对建筑负荷影响较大的设备或设施的用电信息，以便对这些特殊且重要影响因素加以考虑。另外，还可以对诸如会议室、宴会厅、展厅、客房、运动场馆之类的功能房间或是特定层数或是区域(办公区还是商场区)的用电信息进行细分获取。由于这些区域/功能房间有着相对独立的使用时段和用电需求，因此相关信息的获取有助于预测模型的进一步精细化。大型设备的相关信息例如可以通过问卷调查或是工程图纸查询来获得，其他实时数据则可以通过电表或是楼宇管理/监控系统进行读取。

建筑物内的一些非用电装置也会对建筑物的整体能耗产生影响。例如，对于玻璃外墙的建筑物，建筑物内的遮光帘的使用状况以及窗户的开闭状态都会影响能量消耗。为此，可以例如通过安装传感器、集中控制、或是计算机视觉识别来获取上述非用户装置的信息。

对建筑物内部环境存在影响的还包括空调末端的使用状况。空调末端的使用会直接影响建筑能耗和室内温度，并且其相关信息例如可以包括末端停启、新风量、风速和温度设定等。该空调末端使用信息可以从相关空调监控系统获取，或是从楼宇管理/监控系统直接进行数字化读取。

一个能够进行准确预测的机器学习模型通常需要大量的样本以供训练。对于一个特定建筑物，可以基于上述环境数据构造大量时序性特征样本数据来训练用于预测该建筑物本身空调负载的模型。换句话说，可以仅从某一特定建筑物的历史环境数据中习得上述环境数据的变化对该建筑物能耗的影响规律，从而训练出能够对其未来能耗(以及对应的空调系统负载)加以预测的模型。在本发明中，为了获取适用更为广泛的预测模型，可以在模型训练阶段获取具有广泛来源的样本数据及对应标签数据。

在一个实施例中，可以在步骤S110获取来自不同建筑物的样本数据以及对应的标签数据。由于不同的建筑物具有不同的建筑特性并且配备的空调系统通常不同，因此上述样本数据可以进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。例如，可以获取来自具有不同建筑面积、不同建筑样式、不同建筑年代、位于不同地域、不同功用(商场、写字楼或商业综合体等)、不同类型的空调系统(例如，带不带有蓄能机构)的建筑物的样本数据，以便训练得到的预测模型可以预测各种类型的建筑物。

进一步地，对于多个建筑物中的每一个建筑物，构造多个时序样本，以反映该建筑物能耗随时间变化的特性。为此，步骤S110可以进一步包括获取对应同一建筑物的不同时刻的状态的样本数据以及对应的标签数据，并相应地在步骤S120构造针对特定建筑物的基于时刻的训练样本特征数据及其对应标签数据。由此能够得到针对不同建筑物的，针对每个建筑物的不同时间的大量样本。下文将对样本的时序性进行更为详细的描述。

建筑物基本信息例如可以包括建筑的类别、朝向、建成时间、地理位置、面积、高度、层数、主要功能、使用时段、结构、体形系数、窗墙比等信息。对于建成较早或是尚未完成信息化改造的建筑，上述基础信息例如可以通过问卷调查或是查询工程图纸来获取。而对于新建成的建筑或是信息化程度较好的建筑，上述信息均可以方便地从建筑管理/监测系统、信息化城市数据中心等直接进行数字化获取。在此需要强调的是，不同于模拟计算(建筑建模)所需的诸如围护结构面积、传热系数、外窗构造修正系数、遮挡系数等精确参数值(实际应用中通常难以精确获得)，本发明所需的建筑基本信息均是最为基础且通常能够被准确获知的信息，并且由于主要从历史数据中学习围护结构负荷的变化规律，因而能够避免围护结构参数误差带来的预测误差。

空调系统基本信息例如可以包括类型、开启时段、冷机数量及额定负荷、末端数量及额定负荷、室内设计温湿度等信息。类似地，对于建成较早或是尚未完成信息化改造的建筑，上述基础信息例如可以通过问卷调查或是使用说明查询来获取。而对于新建成的建筑或是信息化程度较好的建筑，上述信息则可以方便地从建筑管理/监测系统、建筑开发商或空调系统供货商的数据中心等直接进行数字化获取。同样地，空调系统的上述基础信息也是易于获得且通常能够被准确获知的信息。

为此，由于建筑物基本信息和空调系统基本信息都是相对易于获取，且通常能被准确获取的信息，因此在样本数据获取阶段就能够保障本发明模型训练方案的可行性和准确性。

如上在步骤S110及其优选实施例中获取了所需的样本数据及其对应的标签数据。在此，“对应的”标签数据可以指代与特定建筑物的特定状态(例如，某一时刻)相对应的空调负载，例如上述经由冷量或热量表测得的制冷或热量。随后，就可以在步骤S120中对获取的这些数据进行处理以获取模型训练所需的特征集。

在步骤S120中，针对获取的样本特征集，可以基于特定建筑物的历史环境数据进行特征提取，以训练该建筑物(或该类建筑物，即，建筑构造与空调系统相同或相似的建筑物，例如，同一建筑工程中多幢配置相同的楼宇)专用的预测模型；也可以基于不同建筑物的不同状态(例如，对应于不同时刻)来进行特征提取并构造训练样本特征集。例如，对于1#建筑物(例如，酒店)，可以从连续30天(例如，春季)的样本数据中以15分钟为间隔构造每一时刻的样本特征及其对应的标签。对于2#建筑物(例如，商场)，可以从连续20天(例如，夏季)的空调系统工作时间(例如，每天9AM到10PM)样本数据中以5分钟为间隔构造每一时刻的样本特征及其对应的标签。对于3#建筑物(例如，写字楼)，可以从连续30天(例如，秋季)的空调系统工作时间(例如，工作日的8AM到8PM)样本数据中以10分钟为间隔构造每一时刻的样本特征及其对应的标签。对于4#建筑物(例如，大型图书馆)，可以从连续30天(例如，冬季)的空调系统工作时间(例如，闭馆日之外的7AM到8PM)样本数据中以5分钟为间隔构造每一时刻的样本特征及其对应的标签。来自不同建筑物的不同样本特征集都可以输入预测模型以供训练。应该理解的是，可以选择更多的建筑物，或是其他的持续或间隔时间来进行训练样本的构造。

在一个实施例中，还可以对样本数据进行处理以获取衍生变量，并构造包括衍生变量的样本特征数据。例如，可以对获取的一段时间内的样本数据进行时序处理以刻画其变化趋势，由此免除模型在训练中找寻上述潜在变化趋势的需要，使得训练更为简单，预测更为准确。

图2示出了本发明特征提取步骤的一个例子。如图2右侧流程图所示，可以基于时间对在步骤S110中获取的原始数据进行特征提取以构建时序样本，之后，计算样本时间未来某段时间(例如半小时)内的平均供冷/供热量，作为预测目标值(即，标签数据)，最后，经过数据整合，得到一系列的训练样本。

如上所述，每栋建筑物在每个时刻的状态均可构成一条训练样本。每条训练样本均可由训练样本特征数据及其对应的标签数据组成，训练样本特征数据可以作为模型做出预测所依赖的一系列变量，标签数据可以作为预测目标值，是空调系统在未来某时间段内的空调负荷相关信息。其中，为了提高计算效率，在对样本数据进行特征提取时，也可以按照预定的时间间隔(例如5分钟)来采样。

具体参见图2的流程图，可以对在步骤S110中采集到的原始数据进行清洗、去除异常值；并按照预定的时间间隔采样；对于无法直接使用的数据进行预处理以从中提取可以直接使用的数据(例如，多个末端数据的统计和整合)。之后，通过对原始变量进行特殊处理而计算得到丰富的衍生变量。同时，可以对每个样本分配一个编号和存储空间(时序样本构建)并进行预测值(标签)的计算。最后，经过数据整合使得样本特征数据与预测目标值一一对应，从而得到一系列训练样本。

在步骤S130，为了得到建筑物空调负荷预测模型，可以采用各种预设的机器学习算法对训练样本特征集以及对应的标签进行训练，以得到建筑物空调负荷预测模型。在这其中，预设的机器学习算法例如可以是梯度渐进回归树(GBRT)算法、人工神经网络(ANN)算法、多元线性回归算法、支持向量回归(SVR)算法、差分整合移动平均自回归(ARIMA)算法中的任一种，还可以是ARIMA算法与上述算法的结合。

GBRT算法是一种集成学习算法，而集成学习是众多机器学习方法中的一种，主要是通过构建多个不同的预测模型，以每个预测模型作为基学习器，结合各模型预测结果得到最终的模型输出。计算学习理论的研究结果证明只要基学习器的预测效果比随机猜测的效果稍好，集成学习便可达到相当好的预测精度。在这其中，GBRT算法有着适用广泛、预测精度高、鲁棒性强且不易过拟合的特点，尤其适用于需要构建各种预测模型的本发明的应用场景。

图3示出了本发明预测模型训练步骤的一个例子。如图3所示，可以首先将训练样本特征集按时间拆分成两部分，时间相对较早的一部分训练样本可以作为训练集样本，时间相对较晚的一部分作为测试集样本；随后采用GBRT算法，使用训练集样本进行模型训练，得到空调负荷预测模型；上述训练得到空调负荷预测模型对测试集样本进行预测；将模型预测结果与真实值进行对比，计算预测的平均绝对误差，用来评估模型效果；经过一系列特征实验和调参实验，将预测平均绝对误差最小的模型作为最终的空调负荷预测模型。

由此，本发明基于较易取得的楼宇监测数据和机器学习预测模型，能够通过迭代训练准确找出数据的内在联系，从而以较低的数据获取和模型训练代价(即，更高的可行性)得到能够进行准确预测的空调负载预测模型。

如上所述，作为标签数据的空调负荷相关信息也可以包括建筑物内按区域的空调系统供冷/供热量。这样，结合如前所述按区域采集的样本数据，可以优选训练出能够逐区域(例如按楼层)预测空调供冷/供热的模型。由此，能够进一步提升预测模型的预测精度，并能够为该区域的后续预测和调节提供前提。

至此，已经结合附图1-3及实施例详细说明了本发明的训练建筑物空调负荷预测模型的方法。通过该方法得到的建筑物空调负荷预测模型可以用于本发明如下所示的建筑物空调负荷预测。

在训练得到上述建筑物空调负荷预测模型之后，可以在指定建筑物或线上部署上述预测模型部署。在线上部署的情况下，可以提供模型预估服务的API，以便通过该空调负荷预测模型实现空调负荷的实时预测，由此优化空调运行策略或确定蓄能空调蓄能量，从而达到节能的目的。

图4示出了根据本发明一个实施例的建筑物空调负荷预测方法的流程示意图。

如图4所示，在步骤S410，针对指定建筑物，获取与上述模型训练方法得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集。换句话说，可以获取与模型训练阶段所需相同类型(或至少部分相同)的样本数据。例如，在模型训练阶段，可以使用各自包括5项建筑物基本数据、5项空调系统基本数据、1项人员数量数据、10项细类用电数据、4项天气数据以及5项空调末端数据(或上述数据的子集)的1000条训练样本来进行模型训练。在模型预测阶段，针对需要进行预测的特定建筑物，同样可以使用包括上述数据或其子集的预测样本来进行预测。对样本数据的获取可以参见上文结合图1-3的相关描述，在此不再赘述。

在步骤S420，对预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集。这里的特征提取处理也大致可以采用基于步骤S120的方法，详细参见上述结合图1-3的相关描述，在此不再赘述。

在步骤S430，将预测样本特征输入建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

在此需要强调的是，在模型使用阶段，针对时变数据(例如，除建筑物和空调基本数据之外，会随时间变化的其他数据)的获取、特征提取与模型计算通常需要实时进行，以便将预测出的值用于空调系统的实时调节。

如前所述，可以基于预测出的空调负荷预测值，调整所述指定建筑物的空调系统的运行，以使得指定建筑物内保持按照该空调负荷预测值供冷/供热，以达到节能的目标。或者，还可以基于按区域预测的所述建筑物空调负荷预测模型针对所述指定建筑物预测出的按区域的空调负荷预测值，按区域调整所述指定建筑物的空调系统的运行，以使得指定建筑物内相应区域可以按区域的空调负荷预测值供冷/供热，以达到节能的目的。在此，调整空调系统的运行可以包括调整制冷、制热系统的运行，还可以包括调整蓄能设备(如果有的话)的运行。

另外，在基于预测出的空调负荷预测值调整所述指定建筑物的空调系统的运行之后，本发明还可以获取所述指定建筑物的空调系统在调整运行下的实际空调负荷相关信息，进而，汇总单位时间新增的所述预测样本特征集作为重训样本特征集，所述实际空调负荷相关信息作为重训标签数据，重训所述建筑物空调负荷预测模型的经训练参数。由此，通过将实际空调负荷相关信息作为本发明的空调负荷预测模型的输入特征，以进一步提高该空调负荷预测模型的预测精度。例如，可以采用滚动预测的方式，可以每间隔预定时间(例如1天)即重新训练该建筑物空调负荷预测模型，并在训练过程中加入之前训练建筑物空调负荷预测模型所积累的历史数据，并使用新的建筑物空调负荷预测模型执行预测，以不断对建筑物空调负荷预测模型进行修正以提高空调负荷预测模型的精度。

在诸如训练得到的预测模型在线上部署并基于模型预估服务API进行线上实时样本数据获取与预测的集中式管理或是其他涉及预测数据汇总的情况下，如上所述的模型训练及预测可由一个建筑物空调负荷预测系统实现。

在一个实施例中，一种建筑物空调负荷预测系统，包括数据获取单元、特征提取单元、模型训练单元和预测单元，所述建筑物空调负荷预测系统训练建筑物空调负荷预测模型，并使用所述模型进行预测。

在模型训练阶段：数据获取单元可以用于获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；特征提取单元用于对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；并且模型训练单元用于基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

在模型预测阶段：数据获取单元用于针对指定建筑物，获取与训练所述建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；特征提取单元用于对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；并且预测单元用于将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

进一步地，该建筑物空调负荷预测系统可以汇总所述模型进行预测期间收集到的实际数据，使用所述数据获取单元、所述特征提取单元和所述模型训练单元对所述建筑物空调负荷预测模型进行重新训练。

图5示出了本发明的建筑物空调负荷预测系统的一个组成例。如图5所示，用于实现训练建筑物空调负荷预测模型及用其预测的系统可以包括数据采集模块、特征提取处理模块、模型训练模块和实时预测模块。

数据采集模块可以采集与训练建筑物空调负荷预测模型所需的各类原始数据作为训练样本数据，例如可以包括建筑物基本信息、空调系统基本信息、由建筑物信息系统自动采集的人员信息、建筑物所处的气象信息和/或天气预报信息、建筑物内的细类用电信息、空调末端使用信息等。应当理解的是，图5中仅示出了数据采集模块能够采集到的多种来源或类型数据的一个应用例，而非对本发明的数据采集加以任何限制。数据采集模块也可以采集实时预测所需的各类原始数据作为预测样本数据，预测样本数据可以与训练样本数据属性相同或是部分相同。在一个实施例中，数据采集模块可以与楼宇管理系统对接，以实现样本数据的数字化读取。

特征提取处理模块可以对数据采集模块采集到的训练样本数据进行一系列的处理，得到训练样本特征集。

模型训练模块优选采用GBRT算法，通过特征提取处理模块得到的训练样本特征集进行模型训练，得到该建筑物空调负荷预测模型。

实时预测模块，使用模型训练模块训练得到的建筑物空调负荷预测模型进行实时预测。具体地，可以将数据采集模块采集到的实时数据传入空调负荷预测模型进行实时空调负荷预测，得到相应的预测结果。该系统的功能具体实现同样可参见结合附图1-4的相关描述，在此不再赘述。

图6示出了根据本发明一个实施例的训练建筑物空调负荷预测模型的装置(如下简称模型训练装置600)的结构示意图。图7示出了根据本发明一个实施例的建筑物空调负荷预测装置(如下简称预测装置700)的结构示意图。其中，模型训练装置600和/或预测装置700的功能模块可以由实现本发明原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图6和图7所描述的功能模块可以组合起来或者划分成子模块，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能模块的任何可能的组合、或者划分、或者更进一步的限定。

图6所示的模型训练装置600可以用来实现图1所示的训练方法，图7所示的预测装置700可以用来实现图4所示的预测方法，下面仅就模型训练装置600和预测装置700可以具有的功能模块以及各功能模块可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文结合图1或4的描述，这里不再赘述。

如图6所示，本发明的模型训练装置600可以包括数据获取单元610、特征提取单元620和模型训练单元630。

数据获取单元610可以用于获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息。其中，数据获取单元610可以用于获取来自不同建筑物的样本数据以及对应的标签数据，所述样本数据可以进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。数据获取单元610也可以用于获取对应同一建筑物的不同时刻的状态的样本数据以及对应的标签数据。

特征提取单元620可以用于对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集。

模型训练单元630可以用于基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

作为本发明的一个示例，特征提取单元620可以用于构造针对特定建筑物的基于时刻的训练样本特征数据及其对应标签数据。作为本发明的另一个示例，特征提取单元620还可以包括：样本数据处理单元，用于对所述样本数据进行处理以获取衍生变量。所述特征提取单元620还可以进一步用于构造包括衍生变量的样本特征数据。在其他实施例中，作为子单元的样本数据处理单元还可以对获取的原始样本数据做出用于获取衍生变量之外的其他处理。

在本发明的一个示例中，数据获取单元610所获取的所述建筑物环境信息及其采集时间信息可以包括获取建筑物外部环境信息以及采集外部环境信息的时间信息，所述建筑物外部环境信息包括建筑物所处的气象信息和/或天气预报信息。

在本发明的一个示例中，数据获取单元610所获取的所述建筑物环境信息及其采集时间信息包括获取建筑物内部环境信息以及采集内部环境信息的时间信息，所述建筑物内部环境信息包括人员信息。

在本发明的一个示例中，数据获取单元610所获取的建筑物内部环境信息还可以包括采集基于时间的如下至少一项：建筑物内的细类用电信息；非用电装置使用信息；以及空调末端使用信息。

在本发明的一个示例中，所述细类用电信息可以包括如下至少一项：按用途细分的用电信息；主要设备的用电信息；区域和/或功能房间的用电信息。

在本发明的一个示例中，数据获取单元610所获取的人员信息可以包括由建筑物信息系统基于时间自动采集的该建筑物内的人员数量和/或分布信息。其中，该建筑物内的人员数量和/或分布信息经由如下至少一项获取：计算机视觉技术；人员计数系统；门禁系统；以及打卡系统。

在本发明的一个示例中，数据获取单元610获取的作为标签数据的所述空调负荷相关信息可以包括空调系统供冷/供热量，还可以包括所述建筑物内按区域的空调系统供冷/供热量。

在本发明的一个示例中，所述模型训练单元基于如下至少一项训练所述建筑物空调负荷预测模型：梯度渐进回归树(GBRT)算法；人工神经网络(ANN)算法；多元线性回归算法；支持向量回归(SVR)算法；以及差分整合移动平均自回归(ARIMA)算法。

如图7所示，本发明的预测装置700可以包括数据获取单元710、特征提取单元720和预测单元740。

数据获取单元710可以用于针对指定建筑物，获取与训练根据如上任一项所述得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集。

特征提取单元720用于对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集。预测单元740用于将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

该预测装置700还可以包括：运行调整单元(图中未示出)。运行调整单元可以用于基于预测出的空调负荷预测值，调整所述指定建筑物的空调系统的运行。

在本发明的一个示例中，所述运行调整单元还可以基于按区域预测的所述建筑物空调负荷预测模型针对所述指定建筑物预测出的按区域的空调负荷预测值，按区域调整所述指定建筑物的空调系统的运行。

在本发明的一个示例中，该建筑物空调负荷预测装置还可以包括：负荷信息获取单元，用于获取所述指定建筑物的空调系统在调整运行下的实际空调负荷相关信息；重训单元，用于汇总单位时间新增的所述预测样本特征集作为重训样本特征集，所述实际空调负荷相关信息作为重训标签数据，重训所述建筑物空调负荷预测模型的经训练参数。

至此，结合附图6-7分别描述了本发明的模型训练装置和预测装置，各装置具体实现的功能可以参见上述结合方法流程图的描述，本发明在此不再赘述。

图8示出了根据本发明一实施例可用于实现上述方法的计算设备的结构示意图。

参见图8，计算设备1000包括存储器810和处理器820。

处理器820可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器820可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器820可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。

存储器810可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器820或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器810可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器810可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器810上存储有可执行代码，当可执行代码被处理器820处理时，可以使处理器820执行上文述及的方法。

上文中已经参考附图详细描述了根据本发明的训练建筑物空调负荷预测模型及用其预测的方法和装置。

本发明的技术方案具有更完善的特征提取方法，相比传统算法，无需建筑物的各类围护结构的面积、传热系数，以及外窗构造修正系数、遮挡系数等参数的精确值，主要从历史数据中学习围护结构负荷的变化规律，避免围护结构参数误差带来的预测误差。

并且，采用计算机图像识别技术获取建筑物内的实时人员信息，作为空调负荷预测的输入特征，同时将基于时间的例如建筑物所处的气象信息和/或天气预报信息、建筑物内的细类用电信息、空调末端使用信息等数据作为特征加入模型，以精准预测未来的空调负荷。同时采用实时滚动预测，不断修正模型以提高其预测精度。

进一步地，还可以通过在原始数据的基础上构造丰富的衍生变量，刻画参数变化趋势，提高预测精度。对上述各类原始变量通过时序统计、求比值等方法得到丰富的衍生变量，以刻画其变化趋势，将衍生变量加入模型训练，提高空调负荷预测的精度。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种训练建筑物空调负荷预测模型的方法，包括：

获取训练样本数据集以及对应的标签数据，其中，所述样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；

对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及

基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

2.如权利要求1所述的方法，其中，所述获取训练样本数据集以及对应的标签数据包括：

获取来自不同建筑物的样本数据以及对应的标签数据，所述样本数据进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。

3.如权利要求2所述的方法，其中，所述获取来自不同建筑物的样本数据以及对应的标签数据包括：

获取对应同一建筑物的不同时刻的状态的样本数据以及对应的标签数据，并且

所述对所述训练样本数据集中的样本数据进行特征提取处理包括：

构造针对特定建筑物的基于时刻的训练样本特征数据及其对应标签数据。

4.如权利要求3所述的方法，其中，所述对所述训练样本数据集中的样本数据进行特征提取处理还包括：

对所述样本数据进行处理以获取衍生变量；以及

构造包括衍生变量的样本特征数据。

5.一种建筑物空调负荷预测方法，包括：

针对指定建筑物，获取与训练根据权利要求1-4中任一项所述得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；

对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；

将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

6.一种训练建筑物空调负荷预测模型的装置，包括：

数据获取单元，用于获取训练样本数据集以及对应的标签数据，其中，所述样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；

特征提取单元，用于对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及

模型训练单元，用于基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。

7.一种建筑物空调负荷预测装置，包括：

数据获取单元，用于针对指定建筑物，获取与训练根据权利要求1-4和/或6中任一项所述得到的建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；

特征提取单元，用于对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；

预测单元，用于将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

8.一种建筑物空调负荷预测系统，包括数据获取单元、特征提取单元、模型训练单元和预测单元，所述建筑物空调负荷预测系统训练建筑物空调负荷预测模型，并使用所述模型进行预测，

在模型训练阶段：

所述数据获取单元用于获取训练样本数据集以及对应的标签数据，其中，所述样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；

所述特征提取单元用于对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；并且

所述模型训练单元用于基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型，

在模型预测阶段：

所述数据获取单元用于针对指定建筑物，获取与训练所述建筑物空调负荷预测模型所需训练样本数据属性相同或部分相同的预测样本数据集；

所述特征提取单元用于对所述预测样本数据集中的样本数据进行特征提取处理，得到预测样本特征集；并且

所述预测单元用于将所述预测样本特征输入所述建筑物空调负荷预测模型进行预测，得到针对所述指定建筑物预测出的空调负荷预测值。

9.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。

10.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。