CN111178626A - 基于wgan算法的建筑能耗预测方法及监测预测系统 - Google Patents

基于wgan算法的建筑能耗预测方法及监测预测系统 Download PDF

Info

Publication number
CN111178626A
CN111178626A CN201911387967.9A CN201911387967A CN111178626A CN 111178626 A CN111178626 A CN 111178626A CN 201911387967 A CN201911387967 A CN 201911387967A CN 111178626 A CN111178626 A CN 111178626A
Authority
CN
China
Prior art keywords
energy consumption
algorithm
building energy
data
loss
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.)
Pending
Application number
CN201911387967.9A
Other languages
English (en)
Inventor
傅启明
沈云瑶
陈建平
王哲超
陆悠
吴宏杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN201911387967.9A priority Critical patent/CN111178626A/zh
Publication of CN111178626A publication Critical patent/CN111178626A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Abstract

本发明涉及一种基于WGAN算法的建筑能耗预测方法及监测预测系统。主要是采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。

Description

基于WGAN算法的建筑能耗预测方法及监测预测系统
技术领域
本发明涉及建筑能耗监测预测领域，特别是涉及基于WGAN算法的建筑能耗预测方法及监测预测系统。
背景技术
目前，随着经济的快速发展与城镇化的不断推进，人们的生活水平不断提高。对于城市公共建筑的使用率正不断提高。城市公共建筑在运行过程中所消耗的电力、淡水、燃气的规模也越来越大。所以，迫切需要对建筑能耗数据以及相关数据进行监测，并通过这些数据对未来的建筑能耗进行预测，以便于根据预测值采取必要措施，实现节能的目的。
发明内容
基于此，本发明提供一种基于WGAN算法的建筑能耗预测方法。该方法有利于对未来的建筑能耗值进行预测。以便于根据预测的建筑能耗值采取必要措施，达到节能的目的。
一种基于WGAN算法的建筑能耗预测方法，包括：
S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，Rd＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},d代表特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；
S200、将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，将步骤S100的建筑能耗特征数据集Rd和高级能耗特征数据集Rg合并，形成输入特征数据集Rr；
S300、将Rr通过XGBoost算法进行特征筛选；
S400、建立GAN预测模型，将步骤S300处理后的Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；
S500、通过最优GAN预测模型预测建筑能耗值。
上述方法采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。
在其中一个实施例中，所述步骤S200中将Rd输入变分自动编码器，以
获取高级能耗特征数据集Rg，具体包括：
S210、构造一个编码器Encoder和解码器Decoder；
S220、将真实能耗特征数据x∈Rd输入编码器，获得x的映射输出z，真正输出为z的分布函数
Figure BDA0002344086670000021
S230、根据步骤S220的输出计算编码器的目标函数KL；
S240、通过参数置换获取采样z～N(μ(x),σ2(x))；
S250、将z输入解码器，获得z的映射输出f(z)，由于各维度取值具有不同的方差，所以实际完成的映射输出为f(z)＝(μ,σ2)；
S260、根据步骤S250的输出计算解码器的目标函数L；
S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；
S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序列Rg，也就是高级能耗特征数据集Rg。
在其中一个实施例中，所述编码器和解码器均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，
所述编码器目标函数KL具体定义为：
Figure BDA0002344086670000031
其中G是z的维度，
所述通过参数置换获取采样z～N(μ(x),σ2(x))包括：新的输入端由标准高斯分布产生样本ε～N(0,1)，并定义z＝μ(x)+σ(x)*ε，
所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：
Figure BDA0002344086670000032
在其中一个实施例中，所述步骤S300中将Rr通过XGBoost算法进行特征筛选，具体包括：
S310、每日的建筑能耗预测值
Figure BDA0002344086670000033
初始化为0，每日的建筑能耗真实值为yi；
S320、定义目标函数：Obj(t)；
S330、计算目标函数对于每个样本预测值的导数gi和hi；
S340、根据导数信息采用贪心算法建立一棵新的决策树ft(x)；
S350、利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure BDA0002344086670000041
上，以更新
Figure BDA0002344086670000042
S360、重复步骤S330至步骤350；
S370、计算不同特征参与分离决策树的次数作为其特征重要性指标，筛选重要性特征。
在其中一个实施例中，
所述目标函数具体定义为：
Figure BDA0002344086670000043
其中
Figure BDA0002344086670000044
ft(x)为树的建模函数，T为树叶节点数，w为叶子权重值，γ为叶子树惩罚正则项，设置为40，λ为叶子权重惩罚正则项，设置为3，wj表示第j个特征权重；
所述贪心算法建立一棵新的决策树，具体依据增益公式：
Figure BDA0002344086670000045
所述利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure BDA0002344086670000046
上，具体为：
Figure BDA0002344086670000047
其中ε为收缩系数，ε设置为0.1。
在其中一个实施例中，
所述步骤S400中建立GAN预测模型，将Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，具体包括：
S401、构建一个生成器G和鉴别器D；
S402、定义生成器的损失函数G_loss以及鉴别器的损失函数D_loss；
S403、从真实能耗数据样本Rr中采取样本xi，从噪声变量分布中采样zi；
S404、计算鉴别器损失D_loss；
S405、根据基于动量的优化算法(momentum Adam)跟新鉴别器参数w；
S406、通过截取函数将鉴别器的参数绝对值截断到不超过一个固定常数c；
S407、重复步骤S403至S406，设定循环次数；
S408、从噪声变量分布中采样zi，计算生成器损失G_loss；
S409、根据基于动量的优化算法(momentum Adam)跟新生成器参数θ；
S410、重复步骤S402至S409，直至生成器参数不变，模型训练完成；
S411、使用真实能耗样本的采样结果x0作为状态连的初始值，即为xk；
S412、使用10％的能耗训练数据作为随机测试集，使用保序回归的方法对鉴别器D进行调整；
S413、生成k个随机噪声输入生成器G，产生K个样本，依次从K中选择一个样本x'；
S414、从均匀分布U～N(0,1)采样为U；
S415、先前选择的样本为xk，计算新样本x'接受概率
Figure BDA0002344086670000051
S416、若U≤α，接受当前样本，即跟新xk为x'；
S417、重复步骤S413至S416，循环次数为K次；
S418、若xk为真实样本x0，则从生成样本中重新开始抽样，否则输出当前预测能耗值。
在其中一个实施例中，
所述生成器采用长短期记忆神经网络LSTM并使用Xavier初始化，LSTM的输入为采集及生成的能耗特征，然后进入500个隐藏单位，然后转换为单个输出为预测能耗值，其中序列步长参数设置为14，即采用14天的数据预测第15天；所述鉴别器采用卷积神经网络CNN,
所述生成器损失函数G_loss具体定义为
Figure BDA0002344086670000061
鉴别器损失函数具体定义为
Figure BDA0002344086670000062
其中f需满足Lipschi常数限制，w为鉴别器神经网络的参数,
所述K是一个超参数，对其调整可以在速度和置信度之间做出权衡,对于一个完美的判别器K趋近于无穷，即D的分布完美的接近了真实数据分布,
所述D(x)为鉴别器分数，具体定义为：
Figure BDA0002344086670000063
在其中一个实施例中，所述步骤S400中完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型，具体为：
S501、跟踪及优化的超参数集θ包括：
batch_size：LSTM和CNN的批量大小,
cnn_lr：CNN的学习率,
strides：CNN中的strides,
padding：CNN中的padding,
kernel_size：CNN中的核大小,
dropout：LSTM中的dropout,
filters：初始filters数量；
S502、初始化超参数集θ，目标超参数θ-＝θ，初始化重放缓冲区
Figure BDA0002344086670000064
S503、初始化超参数网格Λ，设置初始状态值S0；
S504、决定下一次的动作at；
S505、设置奖赏函数R，获得奖赏rt；
S506、获得下一次状态值St+1＝τ(st,λt,rt)，其中λt为最新评估的超参数配置；
S507、并将(st,st+1,at,r)添加至重放缓冲区Φ；
S508、从重放缓冲区Φ随机采样B＝{(s,a,Q(s,s',a,r))|(s,s',a,r)～Unif(Φ)}；
S509、由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'；
S510、重复步骤S504至S508，并每循环指定次数Nu更新θ-＝θ，Nu为更新频率；
S511、重复步骤S503至S509，次数为每组训练数据集的大小和数据集数量的乘积；
S512、获得新的超参数集θ。
在其中一个实施例中，
设置初始状态值S0，具体定义为：
S0＝(metafeatures(D),({0}dim(Λ),0)),D～Unif(D*)，
其中D*为训练数据集，
所述决定下一次的动作at，其中at具体定义为：
Figure BDA0002344086670000071
所述奖赏函数具体设置为：
R＝2*G_loss+D_loss+G_accuracy,
其中，G_loss是生成器的损失，G_accuracy是生成器的精确性，D_loss
是鉴别器的损失，
Figure BDA0002344086670000081
其中γ为折扣因子，
所述由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'，具体依据公式：
Figure BDA0002344086670000082
一种建筑能耗监测预测系统，包括：能耗实时数据采集模块、环境数据采集模块、数据通信模块、信息处理模块、服务器、显示器、人机交互模块以及信息存储模块；
所述环境数据采集模块包括：用于监测室内温度和湿度的温湿度传感器、用于监测室内二氧化碳浓度的二氧化碳传感器、用于监测室内易燃气体浓度的气体传感器、用于测量大气压强的大气压强传感器、光照强度传感器以及微控制器，所述温湿度传感器、二氧化碳传感器、气体传感器、大气压强传感器以及光照强度传感器分别与所述微控制器相连；
所述能耗实时数据采集模块和微控制器分别与所述数据通信模块相连；
所述数据通信模块与所述信息处理模块相连，所述信息处理模块与所述服务器相连，所述服务器与所述信息存储模块、显示器以及人机交互模块相连；
所述服务器中存储有至少一可执行指令，所述可执行指令使服务器可执行如权利要求1至9中任意一项所述的建筑能耗预测方法对应的操作。
在其中一个实施例中，所述能耗实时数据采集模块为建筑能耗采集器，所述建筑能耗采集器通过RS485总线与能耗仪表相连。
在其中一个实施例中，所述微控制器为STC15F2K60S2单片机。
在其中一个实施例中，所述温湿度传感器为DHT11传感器。
在其中一个实施例中，所述气体传感器为MQ-9传感器。
在其中一个实施例中，所述光照强度传感器为TSL2561传感器。
在其中一个实施例中，所述大气压传感器为BMP180传感器。
在其中一个实施例中，所述二氧化碳传感器为MG811传感器。
在其中一个实施例中，所述人机交互模块为键盘和鼠标。
在其中一个实施例中，所述信息处理模块为第三代Raspberry Pi。
附图说明
图1为本发明的实施例的基于WGAN算法的建筑能耗预测方法的流程图。
图2为本发明的实施例的基于WGAN算法的建筑能耗预测方法的原理图。
图3为本发明的实施例的WGAN算法的原理图。
图4为本发明的实施例的超参数优化方法的原理图。
图5为本发明的实施例的建筑能耗监测预测系统的示意图。
图6为本发明的实施例的建筑能耗采集器与电表、水表、燃气表连接的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1至图3所示，本发明的实施例提供了一种基于WGAN算法的建筑能耗预测方法，该方法包括以下步骤：
S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，Rd＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},d代表特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*。其中N*代表正整数。
需要说明的是：可采用“多个相似时间点数据平均”法补齐个别时间点遗缺的数据。
需要说明的是，上述建筑能耗数据可以是建筑的用电量的能耗数据，用水量的能耗数据，也可以是燃气使用量的能耗数据，也可以是综合能耗数据。综合能耗数据可按照国家规定的综合能耗计算通则来计算，也就是各种能耗折算为一次能源，单位为标准煤当量。
上述建筑能耗特征数据集包括的建筑能耗特征xij可为：室内温度和湿度、室内二氧化碳浓度、室内易燃气体浓度、室内大气压强或室内光照强度等。例如，第一天采集的数据为(x11,x12,x13,x14,x15,x16),第二天采集的数据为(x21,x22,x23,x24,x25,x26)，第三天采集的数据为(x31,x32,x33,x34,x35,x36)，以此类推。其中，x11代表室内温度，x12代表室内湿度，x13代表室内二氧化碳浓度，x14代表室内易燃气体浓度，x15代表室内大气压强，x16代表室内光照强度。
进一步的是，上述建筑能耗特征数据还可以包括其他类型数据。例如：建筑功能类型、结构类型、所在地域气候因素以及设备类型数量情况等。所述建筑功能类型、结构类型依靠实地调研获得。所述地域气候因素具体包括室外温度、风力、降水等，来自于网络获取的气象站历史数据。所述设备类型数量通过建筑购买设备记录获得。
S200、将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，将步骤S100的建筑能耗特征数据集Rd和高级能耗特征数据集Rg合并，形成输入特征数据集Rr。
S300、将Rr通过XGBoost算法进行特征筛选。
S400、建立GAN预测模型，将步骤S300处理后的Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型。
需要说明的是，获得新的超参数集后，更新GAN中的超参数的值，进入下一次的GAN训练，共重复n次,例如可重复10次等，直到超参数不再发生变化。这时，可获得最优GAN预测模型。
S500、通过最优GAN预测模型预测建筑能耗值。例如，获取过去14天的能耗特征数据和真实能耗数据，并输入GAN预测模型，从而获得第15天的预测能耗值。
上述方法采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。
本实施例中，所述步骤S200中将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，具体包括：
S210、构造一个编码器Encoder和解码器Decoder；
S220、将真实能耗特征数据x∈Rd输入编码器，获得x的映射输出z，真正输出为z的分布函数
Figure BDA0002344086670000122
S230、根据步骤S220的输出计算编码器的目标函数KL；
S240、通过参数置换获取采样z～N(μ(x),σ2(x))；
S250、将z输入解码器，获得z的映射输出f(z)，由于各维度取值具有不同的方差，所以实际完成的映射输出为f(z)＝(μ,σ2)；
S260、根据步骤S250的输出计算解码器的目标函数L；
S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；
S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序列Rg，也就是高级能耗特征数据集Rg。
具体的，上述编码器Encoder和解码器Decoder均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，
所述编码器目标函数KL具体定义为：
Figure BDA0002344086670000121
其中G是z的维度，
所述通过参数置换获取采样z～N(μ(x),σ2(x))包括：新的输入端由标准高斯分布产生样本ε～N(0,1)，并定义z＝μ(x)+σ(x)*ε，
所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：
Figure BDA0002344086670000131
本实施例中，所述步骤S300中将Rr通过XGBoost算法进行特征筛选，具体包括：
S310、每日的建筑能耗预测值
Figure BDA0002344086670000132
初始化为0，每日的建筑能耗真实值为yi；
S320、定义目标函数：Obj(t)；
S330、计算目标函数对于每个样本预测值
Figure BDA0002344086670000133
的导数gi和hi
S340、根据导数信息采用贪心算法建立一棵新的决策树ft(x)；
S350、利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure BDA0002344086670000134
上，以更新
Figure BDA0002344086670000135
S360、重复步骤S330至步骤350，迭代次数为n次，可根据实际情况设定；
S370、计算不同特征参与分离决策树的次数作为其特征重要性指标，筛选重要性特征。
本实施例中，
所述目标函数具体定义为：
Figure BDA0002344086670000136
其中
Figure BDA0002344086670000137
ft(x)为树的建模函数，T为树叶节点数，w为叶子权重值，γ为叶子树惩罚正则项，设置为40，λ为叶子权重惩罚正则项，设置为3，wj表示第j个特征权重；
所述贪心算法建立一棵新的决策树，具体依据增益公式：
Figure BDA0002344086670000141
所述利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure BDA0002344086670000142
上，具体为：
Figure BDA0002344086670000143
其中ε为收缩系数，ε设置为0.1。
本实施例中，所述步骤S400中建立GAN预测模型，将Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，具体包括：
S401、构建一个生成器G和鉴别器D；
S402、定义生成器的损失函数G_loss以及鉴别器的损失函数D_loss；
S403、从真实能耗数据样本Rr中采取样本xi，从噪声变量分布中采样zi；
S404、计算鉴别器损失D_loss；
S405、根据基于动量的优化算法(momentum Adam)跟新鉴别器参数w；
S406、通过截取函数将鉴别器的参数绝对值截断到不超过一个固定常数c；
S407、重复步骤S403至S406，设定循环次数，例如循环次数为5次；
S408、从噪声变量分布中采样zi，计算生成器损失G_loss；
S409、根据基于动量的优化算法(momentum Adam)跟新生成器参数θ；
S410、重复步骤S402至S409，直至生成器参数不变，模型训练完成；
S411、使用真实能耗样本yi的采样结果x0作为状态链的初始值，即为xk；
S412、使用10％的能耗训练数据Rr作为随机测试集，使用保序回归的方法对鉴别器D进行调整；
S413、生成k个随机噪声输入生成器G，产生K个样本，依次从K中选择一个样本x'；
S414、从均匀分布U～N(0,1)采样为U；
S415、先前选择的样本为xk，计算新样本x'接受概率
Figure BDA0002344086670000151
S416、若U≤α，接受当前样本，即跟新xk为x'；
S417、重复步骤S413至S416，循环次数为K次；
S418、若xk为真实样本x0，则从生成样本中重新开始抽样，否则输出当前预测能耗值。需要说明的是，这里输出的当前预测能耗值是用来评判当前训练的模型的精度。
本实施例中，所述生成器采用长短期记忆神经网络LSTM并使用Xavier初始化，LSTM的输入为采集及生成的能耗特征，然后进入500个隐藏单位，然后转换为单个输出为预测能耗值，其中序列步长参数设置为14，即采用
14天的数据预测第15天；所述鉴别器采用卷积神经网络CNN。
所述生成器损失函数G_loss具体定义为
Figure BDA0002344086670000152
鉴别器损失函数具体定义为
Figure BDA0002344086670000153
其中f需满足Lipschitz常数限制，w为鉴别器神经网络的参数。其中，
Figure BDA0002344086670000154
指从真实能耗值中采样，即为yi，
Figure BDA0002344086670000155
指从生成器产生的样本中采样，E为数学期望。
所述K是一个超参数，对其调整可以在速度和置信度之间做出权衡,对于一个完美的判别器K趋近于无穷，即D的分布完美的接近了真实数据分布。
所述D(x)为鉴别器分数，具体定义为：
Figure BDA0002344086670000156
本实施例中，上述步骤S400中所述的完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型。也就是采用一种基于Q-Learning的新策略，能够导航高维的超参数空间。具体为：
S501、跟踪及优化的超参数集θ包括：
batch_size：LSTM和CNN的批量大小,
cnn_lr：CNN的学习率,
strides：CNN中的strides,
padding：CNN中的padding,
kernel_size：CNN中的核大小,
dropout：LSTM中的dropout,
filters：初始filters数量；
S502、初始化超参数集θ，目标超参数θ-＝θ，初始化重放缓冲区
Figure BDA0002344086670000161
S503、初始化超参数网格Λ，设置初始状态值S0；
S504、决定下一次的动作at；
S505、设置奖赏函数R，获得奖赏rt；
S506、获得下一次状态值St+1＝τ(st,λt,rt)，其中λt为最新评估的超参数配置；
S507、并将(st,st+1,at,r)添加至重放缓冲区Φ；
S508、从重放缓冲区Φ随机采样B＝{(s,a,Q(s,s',a,r))|(s,s',a,r)～Unif(Φ)}；
S509、由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'；
S510、重复步骤S504至S508，并每循环指定次数Nu更新θ-＝θ，Nu为更新频率，迭代次数为n次，可根据实际情况设定；
S511、重复步骤S503至S509，次数为每组训练数据集的大小和数据集数量的乘积；
S512、获得新的超参数集θ。
在其中一个实施例中，
设置初始状态值S0，具体定义为：
S0＝(metafeatures(D),({0}dim(Λ),0)),D～Unif(D*)，
其中D*为训练数据集，
所述决定下一次的动作at，其中at具体定义为：
Figure BDA0002344086670000171
所述奖赏函数具体设置为：
R＝2*G_loss+D_loss+G_accuracy,
其中，G_loss是生成器的损失，G_accuracy是生成器的精确性，D_loss是鉴别器的损失，
所述
Figure BDA0002344086670000172
其中γ为折扣因子，
所述由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'，具体依据公式：
Figure BDA0002344086670000173
需要说明的是：每次训练完GAN后均将三个数值(G_loss、G_accuracy和D_loss)传给强化学习算法合成奖赏函数，其中G_loss是生成器的损失，G_accuracy是生成器的精确性，D_loss是鉴别器的损失，用来决定调整超参数的值。
如图5和图6所示，本发明的实施例还提供了一种建筑能耗监测预测系统。该系统包括：能耗实时数据采集模块、环境数据采集模块、数据通信模块、信息处理模块、服务器、显示器、人机交互模块以及信息存储模块。
所述环境数据采集模块包括：用于监测室内温度和湿度的温湿度传感器、用于监测室内二氧化碳浓度的二氧化碳传感器、用于监测室内易燃气体浓度的气体传感器、用于测量大气压强的大气压强传感器、光照强度传感器以及微控制器，所述温湿度传感器、二氧化碳传感器、气体传感器、大气压强传感器以及光照强度传感器分别与所述微控制器相连。
所述能耗实时数据采集模块和微控制器分别与所述数据通信模块相连；
所述数据通信模块与所述信息处理模块相连，所述信息处理模块与所述服务器相连，所述服务器与所述信息存储模块、显示器以及人机交互模块相连。
所述服务器中存储有至少一可执行指令，所述可执行指令使服务器可执行上述的建筑能耗预测方法对应的操作。
上述系统在应用时，可通过能耗实时数据采集模块采集建筑能耗数据。例如，可采集建筑的用电量的能耗，用水量的能耗、燃气使用量的能耗等。通过环境数据采集模块可采集能耗特征数据，例如，可采集室内温度和湿度数据，室内二氧化碳浓度数据，室内易燃气体浓度数据，室内大气压强数据，室内光照强度数据等。
上述微控制器用于将传感器数据通过数据通信模块发送给所述信息处理模块。所述信息处理模块可进一步的将数据发送给服务器，服务器可将数据在信息存储模块上进行存储。同时，可将数据在显示器上进行显示。同时，服务器可调用信息存储模块上的相关数据，并根据本发明的上述建筑能耗预测方法预测建筑能耗。
具体的，可设置扩展板，可按照微控制器尺寸和传感器引脚设计扩展板，实现传感器多合一的功能。板上接有气体传感器、蓝牙模块、气压传感器、光强传感器、温湿度传感器等硬件模块。另外引出了TXD、RXD接口，插上跳帽时模块处于正常工作状态，摘下跳帽后排针可另接杜邦线，用于蓝牙AT配置。
具体的，所述能耗实时数据采集模块为建筑能耗采集器，所述建筑能耗采集器通过RS485总线与能耗仪表相连。例如，建筑能耗采集器通过RS485总线与电表、水表、燃气表等相连。以采集相关仪表的能耗数据。
具体的，所述微控制器为STC15F2K60S2单片机。其对接收到的各传感器数据进行预处理，再以数据包的形式通过数据通信模块发送给所述信息处理模块，实现数据传输。
具体的，所述温湿度传感器为DHT11传感器。其内部提供数字校准，并可实现的传输距离比较远，可同时测量室内的温度和湿度，与扩展板及微控制器相连，并采用单总线进行串行数据传输。
具体的，所述气体传感器为MQ-9传感器。其体积小、精度高，且性能稳定，可测量室内一氧化碳、甲烷、液化气等易燃气体的浓度，与扩展板相连，并通过I2C总线连接到微控制器。
具体的，所述光照强度传感器为TSL2561传感器。其可测量室内光照强度，与扩展板相连，并通过I2C总线连接到微控制器。
具体的，所述大气压传感器为BMP180传感器。其可测量室内大气压强，与扩展板相连，并通过I2C总线连接到微控制器。
具体的，所述二氧化碳传感器为MG811传感器。可测量室内的二氧化碳浓度，与扩展板相连，并通过I2C总线连接到微控制器。
具体的，所述人机交互模块为键盘和鼠标。
具体的，所述信息处理模块为第三代Raspberry Pi。
具体的，所述数据通信模块可为蓝牙模块等无线传输模块。蓝牙模块采用HC-05蓝牙，并与扩展板相连。
需要说明的是，所述蓝牙模块和信息处理模块(树莓派3B)通过蓝牙建立连接具体包括：
扩展板上的蓝牙配置：
使用USB转TTL工具连接HC-05蓝牙模块，使用AT指令对其进行设置，在给蓝牙上电前先将KEY的引脚拉高以进入AT配置模式。
通过AT+ADDR指令获取各HC-05模块的蓝牙物理地址，该地址用于标记各个数据采集模块，即树莓派是根据数据采集模块所连接的蓝牙模块的物理地址来区分不同的数据采集模块，从而区分数据的不同来源。通过指令“AT+UART＝9600,0,0”将各模块的串口通讯参数设置为波特率9600。将模块的密码统一设置为0000，以方便后续蓝牙配对。设置AT+ROLE＝0，将各蓝牙模块设置为从机模式，然后给蓝牙模块重新上电，退出AT配置模式。
树莓派的蓝牙配置：
树莓派打开蓝牙串口，并配对各个蓝牙模块。给各蓝牙模块上电等待配对。接着使用bluetoothctl工具进行配对，进入bluetoothctl后首先输入指令agent on打开代理服务。使用指令pair<蓝牙物理地址>来配对该蓝牙模块。使用指令trust<蓝牙物理地址>来信任该蓝牙模块。然后使用rfcomm指令将数据采集模块的蓝牙物理地址绑定到树莓派系统中的虚拟串口。修改串口号与串口参数，设置串口号位rfcomm1，串口参数为波特率9600。
所述扩展板上的蓝牙模块和信息处理模块(树莓派3B)通过蓝牙建立连接后获取各传感器信息还包括：本发明使用python语言，采用了python的serial包对设置的虚拟串口进行数据读取。
具体的，本发明的信息处理模块通过HTTP协议将数据传送刚给服务器。具体包括：
首先导入python的math、time等模块，等待十秒以减轻服务器负担和设备能耗。等待十秒的过程中对服务器进行访问，使用url命令访问服务器，连接成功后进行串口初始化。然后利用python调用Linux指令获取设备MAC地址，最后将所有数据打包发送至服务器。
进一步的是，服务器收到相关数据后，通过python命令存储到MYSQL数据库中，实现建筑环境信息的存储。
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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于WGAN算法的建筑能耗预测方法，其特征在于，包括：
S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，
Rd＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},d代表
特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；
S200、将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，将步骤S100的建筑能耗特征数据集Rd和高级能耗特征数据集Rg合并，形成输入特征数据集Rr；
S300、将Rr通过XGBoost算法进行特征筛选；
S400、建立GAN预测模型，将步骤S300处理后的Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；
S500、通过最优GAN预测模型预测建筑能耗值。
2.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S200中将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，具体包括：
S210、构造一个编码器Encoder和解码器Decoder；
S220、将真实能耗特征数据x∈Rd输入编码器，获得x的映射输出z，真正输出为z的分布函数
Figure FDA0002344086660000011
S230、根据步骤S220的输出计算编码器的目标函数KL；
S240、通过参数置换获取采样z～N(μ(x),σ2(x))；
S250、将z输入解码器，获得z的映射输出f(z)，由于各维度取值具有不同的方差，所以实际完成的映射输出为f(z)＝(μ,σ2)；
S260、根据步骤S250的输出计算解码器的目标函数L；
S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；
S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序列Rg，也就是高级能耗特征数据集Rg。
3.根据权利要求2所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述编码器和解码器均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，
所述编码器目标函数KL具体定义为：
Figure FDA0002344086660000021
其中G是z的维度，
所述通过参数置换获取采样z～N(μ(x),σ2(x))包括：新的输入端由标准高斯分布产生样本ε～N(0,1)，并定义z＝μ(x)+σ(x)*ε，
所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：
Figure FDA0002344086660000022
4.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S300中将Rr通过XGBoost算法进行特征筛选，具体包括：
S310、每日的建筑能耗预测值
Figure FDA0002344086660000023
初始化为0，每日的建筑能耗真实值为yi；
S320、定义目标函数：Obj(t)；
S330、计算目标函数对于每个样本预测值的导数gi和hi；
S340、根据导数信息采用贪心算法建立一棵新的决策树ft(x)；
S350、利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure FDA0002344086660000031
上，以更新
Figure FDA0002344086660000032
S360、重复步骤S330至步骤350；
S370、计算不同特征参与分离决策树的次数作为其特征重要性指标，筛选重要性特征。
5.根据权利要求4所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
所述目标函数具体定义为：
Figure FDA0002344086660000033
其中
Figure FDA0002344086660000034
ft(x)为树的建模函数，T为树叶节点数，w为叶子权重值，γ为叶子树惩罚正则项，设置为40，λ为叶子权重惩罚正则项，设置为3，wj表示第j个特征权重；
所述贪心算法建立一棵新的决策树，具体依据增益公式：
Figure FDA0002344086660000035
所述利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到
Figure FDA0002344086660000036
上，具体为：
Figure FDA0002344086660000037
其中ε为收缩系数，ε设置为0.1。
6.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
所述步骤S400中建立GAN预测模型，将Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，具体包括：
S401、构建一个生成器G和鉴别器D；
S402、定义生成器的损失函数G_loss以及鉴别器的损失函数D_loss；
S403、从真实能耗数据样本Rr中采取样本xi，从噪声变量分布中采样zi；
S404、计算鉴别器损失D_loss；
S405、根据基于动量的优化算法(momentum Adam)跟新鉴别器参数w；
S406、通过截取函数将鉴别器的参数绝对值截断到不超过一个固定常数c；
S407、重复步骤S403至S406，设定循环次数；
S408、从噪声变量分布中采样zi，计算生成器损失G_loss；
S409、根据基于动量的优化算法(momentum Adam)跟新生成器参数θ；
S410、重复步骤S402至S409，直至生成器参数不变，模型训练完成；
S411、使用真实能耗样本的采样结果x0作为状态连的初始值，即为xk；
S412、使用10％的能耗训练数据作为随机测试集，使用保序回归的方法对鉴别器D进行调整；
S413、生成k个随机噪声输入生成器G，产生K个样本，依次从K中选择一个样本x'；
S414、从均匀分布U～N(0,1)采样为U；
S415、先前选择的样本为xk，计算新样本x'接受概率
Figure FDA0002344086660000041
S416、若U≤α，接受当前样本，即跟新xk为x'；
S417、重复步骤S413至S416，循环次数为K次；
S418、若xk为真实样本x0，则从生成样本中重新开始抽样，否则输出当前预测能耗值。
7.根据权利要求6所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
所述生成器采用长短期记忆神经网络LSTM并使用Xavier初始化，LSTM的输入为采集及生成的能耗特征，然后进入500个隐藏单位，然后转换为单个输出为预测能耗值，其中序列步长参数设置为14，即采用14天的数据预测第15天；所述鉴别器采用卷积神经网络CNN,
所述生成器损失函数G_loss具体定义为
Figure FDA0002344086660000051
鉴别器损失函数具体定义为
Figure FDA0002344086660000052
其中f需满足Lipschi常数限制，w为鉴别器神经网络的参数,
所述K是一个超参数，对其调整可以在速度和置信度之间做出权衡,对于一个完美的判别器K趋近于无穷，即D的分布完美的接近了真实数据分布,
所述D(x)为鉴别器分数，具体定义为：
Figure FDA0002344086660000053
8.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S400中完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型，具体为：
S501、跟踪及优化的超参数集θ包括：
batch_size：LSTM和CNN的批量大小,
cnn_lr：CNN的学习率,
strides：CNN中的strides,
padding：CNN中的padding,
kernel_size：CNN中的核大小,
dropout：LSTM中的dropout,
filters：初始filters数量；
S502、初始化超参数集θ，目标超参数θ-＝θ，初始化重放缓冲区
Figure FDA0002344086660000061
S503、初始化超参数网格Λ，设置初始状态值S0；
S504、决定下一次的动作at；
S505、设置奖赏函数R，获得奖赏rt；
S506、获得下一次状态值St+1＝τ(st,λt,rt)，其中λt为最新评估的超参数配置；
S507、并将(st,st+1,at,r)添加至重放缓冲区Φ；
S508、从重放缓冲区Φ随机采样B＝{(s,a,Q(s,s',a,r))|(s,s',a,r)～Unif(Φ)}；
S509、由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'；
S510、重复步骤S504至S508，并每循环指定次数Nu更新θ-＝θ，Nu为更新频率；
S511、重复步骤S503至S509，次数为每组训练数据集的大小和数据集数量的乘积；
S512、获得新的超参数集θ。
9.根据权利要求8所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
设置初始状态值S0，具体定义为：
S0＝(metafeatures(D),({0}dim(Λ),0)),D～Unif(D*)，
其中D*为训练数据集，
所述决定下一次的动作at，其中at具体定义为：
Figure FDA0002344086660000062
所述奖赏函数具体设置为：
R＝2*G_loss+D_loss+G_accuracy,
其中，G_loss是生成器的损失，G_accuracy是生成器的精确性，D_loss是鉴别器的损失，
所述
Figure FDA0002344086660000071
其中γ为折扣因子，
所述由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'，具体依据公式：
Figure FDA0002344086660000072
10.一种建筑能耗监测预测系统，其特征在于，包括：能耗实时数据采集模块、环境数据采集模块、数据通信模块、信息处理模块、服务器、显示器、人机交互模块以及信息存储模块；
所述环境数据采集模块包括：用于监测室内温度和湿度的温湿度传感器、用于监测室内二氧化碳浓度的二氧化碳传感器、用于监测室内易燃气体浓度的气体传感器、用于测量大气压强的大气压强传感器、光照强度传感器以及微控制器，所述温湿度传感器、二氧化碳传感器、气体传感器、大气压强传感器以及光照强度传感器分别与所述微控制器相连；
所述能耗实时数据采集模块和微控制器分别与所述数据通信模块相连；
所述数据通信模块与所述信息处理模块相连，所述信息处理模块与所述服务器相连，所述服务器与所述信息存储模块、显示器以及人机交互模块相连；
所述服务器中存储有至少一可执行指令，所述可执行指令使服务器可执行如权利要求1至9中任意一项所述的建筑能耗预测方法对应的操作。
CN201911387967.9A 2019-12-30 2019-12-30 基于wgan算法的建筑能耗预测方法及监测预测系统 Pending CN111178626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911387967.9A CN111178626A (zh) 2019-12-30 2019-12-30 基于wgan算法的建筑能耗预测方法及监测预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911387967.9A CN111178626A (zh) 2019-12-30 2019-12-30 基于wgan算法的建筑能耗预测方法及监测预测系统

Publications (1)

Publication Number Publication Date
CN111178626A true CN111178626A (zh) 2020-05-19

Family

ID=70654179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911387967.9A Pending CN111178626A (zh) 2019-12-30 2019-12-30 基于wgan算法的建筑能耗预测方法及监测预测系统

Country Status (1)

Country Link
CN (1) CN111178626A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932527A (zh) * 2020-08-26 2020-11-13 江苏铨铨信息科技有限公司 基于长短期记忆与生成对抗网络的卫星云图预测的方法
CN112183826A (zh) * 2020-09-15 2021-01-05 湖北大学 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
CN112731852A (zh) * 2021-01-26 2021-04-30 南通大学 一种基于边缘计算的建筑能耗监测系统及其监测方法
CN113225994A (zh) * 2021-05-08 2021-08-06 广州远正智能科技股份有限公司 一种面向数据中心的智能空调控制方法
WO2021253440A1 (en) * 2020-06-19 2021-12-23 Alibaba Group Holding Limited Depth-wise over-parameterization
CN113960925A (zh) * 2021-08-30 2022-01-21 中科苏州微电子产业技术研究院 基于人工智能的楼宇能耗控制方法及装置
CN113983646A (zh) * 2021-09-28 2022-01-28 国网浙江省电力有限公司营销服务中心 基于生成对抗网络的空调互动末端能耗预测方法及空调
WO2022160752A1 (zh) * 2021-01-28 2022-08-04 华为云计算技术有限公司 一种运筹优化方法、装置和计算设备
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021253440A1 (en) * 2020-06-19 2021-12-23 Alibaba Group Holding Limited Depth-wise over-parameterization
CN111932527A (zh) * 2020-08-26 2020-11-13 江苏铨铨信息科技有限公司 基于长短期记忆与生成对抗网络的卫星云图预测的方法
CN112183826A (zh) * 2020-09-15 2021-01-05 湖北大学 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
CN112731852A (zh) * 2021-01-26 2021-04-30 南通大学 一种基于边缘计算的建筑能耗监测系统及其监测方法
WO2022160752A1 (zh) * 2021-01-28 2022-08-04 华为云计算技术有限公司 一种运筹优化方法、装置和计算设备
CN113225994A (zh) * 2021-05-08 2021-08-06 广州远正智能科技股份有限公司 一种面向数据中心的智能空调控制方法
CN113960925A (zh) * 2021-08-30 2022-01-21 中科苏州微电子产业技术研究院 基于人工智能的楼宇能耗控制方法及装置
CN113983646A (zh) * 2021-09-28 2022-01-28 国网浙江省电力有限公司营销服务中心 基于生成对抗网络的空调互动末端能耗预测方法及空调
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN115732041B (zh) * 2022-12-07 2023-10-13 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117010576B (zh) * 2023-10-07 2024-02-02 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法

Similar Documents

Publication Publication Date Title
CN111178626A (zh) 基于wgan算法的建筑能耗预测方法及监测预测系统
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
KR102194002B1 (ko) 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN109214591B (zh) 一种木本植物地上生物量预测方法及系统
Kolokotroni et al. Heating and cooling degree day prediction within the London urban heat island area
CN113269365A (zh) 一种基于麻雀优化算法的短期空调负荷预测方法及系统
Liang et al. Method of bidirectional LSTM modelling for the atmospheric temperature
CN110781595A (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN114021830A (zh) 一种基于cnn-lstm的多时间范围风速预测方法
Wang et al. A hybrid machine learning model to optimize thermal comfort and carbon emissions of large-space public buildings
CN115759445A (zh) 一种基于机器学习和云模型的分类洪水随机预报方法
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN112801357B (zh) 日照辐射量预测方法、装置、设备及存储介质
Ling et al. Predicting the temperature dynamics of scaled model and real-world IoT-enabled smart homes
Zhong et al. Airrl: A reinforcement learning approach to urban air quality inference
Duan et al. LightGBM low-temperature prediction model based on LassoCV feature selection
CN116626238A (zh) 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法
Ma et al. Research and application of second-hand housing price prediction model based on LSTM
CN114065646A (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN115730526A (zh) 一种机场用电负荷的智能监控和预测方法及系统
CN109413746A (zh) 一种混合能源供能的通信系统中最优化能量分配方法
CN109872520B (zh) 基于无线传感器网络的桥梁健康监测系统及其工作方法
Bai et al. Real-time prediction for fine-grained air quality monitoring system with asynchronous sensing
DeLorenzo et al. Smarter spaces, smarter campus

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