CN111582588A - 一种基于三重卷积融合gru的建筑物能耗预测方法 - Google Patents
一种基于三重卷积融合gru的建筑物能耗预测方法 Download PDFInfo
- Publication number
- CN111582588A CN111582588A CN202010396195.1A CN202010396195A CN111582588A CN 111582588 A CN111582588 A CN 111582588A CN 202010396195 A CN202010396195 A CN 202010396195A CN 111582588 A CN111582588 A CN 111582588A
- Authority
- CN
- China
- Prior art keywords
- layer
- gru
- output
- convolution
- bidirectional
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 48
- 238000005265 energy consumption Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 21
- 230000002441 reversible effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000012300 Sequence Analysis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 241000764238 Isis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010409 ironing Methods 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (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
本发明公开了一种基于三重融合卷积GRU的建筑物能耗预测方法,包括以下步骤:构建三重融合卷积GRU模型,包括第一融合层、第二融合层和输出层,依次顺序串联,所述第一融合层包括第一卷积层和第一双向GRU层,所述第二融合层包括第二卷积层和第二双向GRU层;利用训练集数据,对三重融合卷积GRU模型进行训练;将测试集数据输入训练完毕的三重融合卷积GRU模型,计算建筑物能耗的预测值。本发明通过三个卷积网络将两个双向GRU卷积串行融合在一起,通过同时对序列特征和上下文特征的共同识别,采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题,使得对建筑物能耗预测有较好的精度和效果。
Description
技术领域
本发明属于能源控制与预测领域,具体涉及一种基于三重卷积融合GRU(GateRecurrent Unit,门循环单元)的建筑物能耗预测方法。
背景技术
能源消耗问题成为了社会普遍关注的重要问题之一。其中,建筑耗电量占社会总耗电量的比例超过50%,对某个建筑物或者家庭的耗电量预测问题是其中的关键问题之一,引起了广大人员的关注。例如研究表明,在英国,由于对电脑不必要的待机和不关机行为导致了20-30%的耗电浪费。在中国,尤其是在公共服务大楼以及大学研究机房,不合理的电器使用导致了大量的能源浪费。对未来用电量的预测可以对电源的异常使用提供预警,同时还能够为电量供应部门的供电策略与调度提供决策支持,具有重大意义。
目前对于能源消耗的预测精度仍然不够。传统的机器学习方法例如线性回归、支持向量回归SVR、随机森林、XGBBoost以及集成学习等方法能够对能源的消耗进行预测,但是由于影响能源消耗的因素较多,关系较为复杂,传统机器学习方法难以捕捉到长时依赖关系,并且各个因素之间的时序重要性也没有很好的获取。而近来有学者采用深度学习的方法(RNN、LSTM、GRU、Bi-LSTM、Bi-LSTM等)对能源消耗进行预测,取得了较好效果。然而无论是传统的机器学习方法以及近年来比较流行的深度学习方法,都没有从时序上去捕捉各个要素之间的关联特征,预测精度不够理想。
发明内容
有鉴于此,本发明的目的在于提供一种基于三重融合卷积GRU的建筑物能耗预测方法,通过卷积的方式将两个双向循环GRU进行连接,使得对建筑物能耗的预测有更高的精度和更好的性能。
基于上述目的,提出一种基于三重融合卷积GRU的建筑物能耗预测方法,包括以下步骤:
步骤1,构建三重融合卷积GRU模型,所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层,所述第一融合层包括第一卷积层和第一双向GRU层,所述第二融合层包括第二卷积层和第二双向GRU层,所述输出层包括第三卷积层和全连接输出层,所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层,各层之间依次顺序连接,所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构,所述的双向结构的GRU模型输出两个合并的GRU信号;
步骤2,利用训练集数据,对所述的三重融合卷积GRU模型进行训练,所述的训练集数据包括影响因素数据和已知建筑物能耗数据;
所述的影响因素数据包括建筑物内各房间的温度和湿度、外部气压、外部湿度、外部风速、可见度和历史建筑物能源消耗;
步骤3,将测试集数据输入训练完毕的三重融合卷积GRU模型,计算获得建筑物能耗的预测值。
具体地,第一卷积层接受序列数据的输入,其输出为xt表示输入的序列数据,η1()表示第一卷积层的卷积函数,同时作为第一双向GRU层和第二双向GRU层的输入,为第一双向GRU层的输出,表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并,第一融合层的输出为是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果,将与η1(xt)的输出进行合并成作为第二层卷积层的输入;是第二卷积层的输出,卷积函数η2中包含了一个全连接操作Dense(),将进行全连接转换成卷积函数可以接受的输入,连接到第二双向GRU层,第二融合层的输出为是对第二双向GRU层的输出乘以权重向量并加上偏移向量的结果,表示将第二双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并;将与进行合并,作为第三卷积层的输入,第三卷积层的输出为卷积函数η3中还包含了一个全连接操作Dense();第三卷积层通过全连接输出层得到输出Ot,Ot为一个具体值,代表一定时间后的建筑物能耗预测值,其中,和为各部分的权重向量, 和为各部分的偏移向量。。
进一步地,所述第一双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出表示将与进行合并连接,作为所述的第一双向GRU层的输出;所述第二双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出表示将与进行合并连接,作为所述的第二双向GRU层的输出,其中z1 t、为第一双向GRU层中正向GRU模型的中间值,z2 t、为第一双向GRU层中反向GRU模型的中间值,z3 t、为第二双向GRU层中正向GRU模型的中间值,z4 t、为第二双向GRU层中反向GRU模型的中间值。
进一步地,所述的卷积层均为1维卷积网络。
本发明方法中的三重融合卷积GRU模型是改进的GRU模型,通过三个一维卷积网络将两个双向GRU卷积串行融合在一起,通过同时对序列特征和上下文特征的共同识别,采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题,模型具备较好的收敛性和准确度,使得对建筑物能源消耗预测有较好的精度和效果。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法中三重卷积融合GRU模型的结构图;
图3为发明实施例中GRU的结构图;
图4为本发明实施例中双向GRU层的结构示意图;
图5为本发明实施例中1维卷积网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明主要解决的问题就是通过采集的各个房间的温度和湿度、外部气压、外部湿度、外部风速、可见度以及历史的能源消耗数据,预测若干个状态以后的建筑物能源消耗值。
如图1所示,一种基于三重卷积融合GRU的建筑物能源消耗预测方法,包括以下步骤:
步骤1,构建三重融合卷积GRU模型,所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层,所述第一融合层包括第一卷积层和第一双向GRU层,所述第二融合层包括第二卷积层和第二双向GRU层,所述输出层包括第三卷积层和全连接输出层,所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层,各层之间依次顺序连接,所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构,所述的双向结构的GRU模型输出两个合并的GRU信号;
步骤2,利用训练集数据,对所述的三重融合卷积GRU模型进行训练,所述的训练集数据包括影响因素数据和已知建筑物能耗数据;
所述的影响因素数据包括建筑物内各房间的温度和湿度、外部气压、外部湿度、外部风速、可见度和历史建筑物能源消耗;
步骤3,将测试集数据输入训练完毕的三重融合卷积GRU模型,计算获得建筑物能耗的预测值。
如图2所示,所述的三重融合卷积GRU模型中,第一卷积层接受序列数据的输入,其输出为xt表示输入的序列数据,η1()表示第一卷积层的卷积函数,同时作为第一双向GRU层和第二双向GRU层的输入,为第一双向GRU层的输出,表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并,第一融合层的输出为是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果,将与η1(xt)的输出进行合并成作为第二层卷积层的输入;是第二卷积层的输出,卷积函数η2中包含了一个全连接操作Dense(),将进行全连接转换成卷积函数可以接受的输入,连接到第二双向GRU层,第二融合层的输出为是对第二双向GRU层的输出乘以权重向量并加上偏移向量的结果,表示将第二双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并;将与进行合并,作为第三卷积层的输入,第三卷积层的输出为:卷积函数η3中还包含了一个全连接操作Dense();第三卷积层通过全连接输出层得到输出Ot,Ot为一个具体值,代表一定时间后的建筑物能耗预测值,其中,和为各部分的权重向量,和为各部分的偏移向量。GRU的结构如图3所示,双向GRU层的结构如图4所示。
所述第一双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出表示将与进行合并连接,作为所述的第一双向GRU层的输出;所述第二双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出表示将与进行合并连接,作为所述的第二双向GRU层的输出,其中z1 t、为第一双向GRU层中正向GRU模型的中间值,z2 t、为第一双向GRU层中反向GRU模型的中间值,z3 t、为第二双向GRU层中正向GRU模型的中间值,z4 t、为第二双向GRU层中反向GRU模型的中间值。
所述预测模型中的损失函数采用标准归一化MSE,激活函数采用Relu函数,模型的训练过程中,通过Adam函数进行学习,得到参数神经网络参数模型。
优选地,所述的卷积网络均为1维卷积网络。典型的1维卷积网络结构如图5所示。其中包含一维卷积核向量,过滤尺寸(filter size)k=4,卷积间隔(dilation factors)d=1。一维卷积操作的数学表达式为:其中f(i)表示卷积核函数,Xs-dgi表示向前取间隔为d的样本值。
本实施例中的实验采用比利时一栋建筑房屋的能源消耗数据集,详情见L.M.Candanedo,et al.,"Data driven prediction models of energy use ofappliances in a low-energy house,"Energy and buildings,vol.140,pp.81-97,2017。包括各房间的温度和湿度、外部气压、外部湿度、外部风速、可见度和历史能源消耗。数据中的房间包括:厨房温度、厨房湿度、客厅温度、客厅湿度、洗衣房温度、洗衣房湿度、办公室温度、办公室湿度、浴室温度、浴室湿度、外部温度、外部湿度、熨烫室温度、熨烫室湿度、青少年房间的温度、青少年房间的湿度、父母房间的温度、父母房间的湿度、外部气压、外部湿度、外部风速、可见度和能源消耗值。
对已有的数据集主要做如下处理:1、样本数据中删除年份数据,对小时数据进行分类,对应白天和黑夜,分为两类进行替换。2、对其中的缺失数据进行插值和删除处理,采用横向插值法,将同一时刻距离较近的采集数据按照距离进行平均,插入到该数据项中。
本发明所采用的实验背景为:电脑主要配置为:Pentium(R)Dual-core 3.06 CPU,8G RAM内存。
效果评估:本发明对算法的性能评估采用的参数包括RMSE、MAE、MAPE以及CCV:
RMSE(Root Mean Square Error,均方根误差),其计算方式为:
MAE(Mean Absolutely Error,平均绝对误差),其计算方式为:
MAPE(Mean Absolutely Percentage Error平均绝对百分误差),其计算方式为:
CCV(correlation coefficient value),相关系数,其计算方式为:
R2(coefficient of Determination;),确定系数,计算方式为:
需要说明的是,RMSE、MAE以及MAPE都是对预测误差的衡量,其值越小代表越准确,而R2参数代表两个序列数量的确定系数,其值越大,代表两个序列数据越为相关,预测效果越好。
分析建筑能源消耗数据集,可以知道每个序列数据变化的周期性并不强,说明能源消耗问题并没有随着天数呈现周期性变化。从季节上来讲,在这几个月的数据采集周期内,随着天气逐步的变热,空气湿度逐渐下降,能源消耗总体幅度有变小的趋势。
对数据进行关联性分析,可以发现整个房屋的能源消耗并不没有与某一个因素具备较强关联,相关系数整体小于0.2,这也说明了建筑的能源消耗是多个房间的共同作用结果,需要进行整体关联预测分析。
同时采用SVM、RandomForest、LSTM、GRU等多种方法对建筑物能耗进行预测,从结果中可以得出,在针对建筑物能耗预测计算中,本发明提出的神经网络模型的预测精度普遍要高于传统的机器学习模型。
由发明内容和实施例可知,本发明一种基于三重融合卷积GRU的建筑物能耗预测方法,三重融合卷积GRU模型是改进的GRU模型,通过三个一维卷积网络将两个双向GRU卷积串行融合在一起,通过同时对序列特征和上下文特征的共同识别,采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题,模型具备较好的收敛性和准确度,用于对建筑物能耗的预测有较好的效果。
Claims (4)
1.一种基于三重融合卷积GRU的建筑物能耗预测方法,其特征在于,包括以下步骤:
步骤1,构建三重融合卷积GRU模型,所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层,所述第一融合层包括第一卷积层和第一双向GRU层,所述第二融合层包括第二卷积层和第二双向GRU层,所述输出层包括第三卷积层和全连接输出层,所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层,各层之间依次顺序连接,所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构,所述的双向结构的GRU模型输出两个合并的GRU信号;
步骤2,利用训练集数据,对所述的三重融合卷积GRU模型进行训练,所述的训练集数据包括影响因素数据和已知的建筑物能耗数据;
所述的影响因素数据包括建筑物内各房间的温度和湿度、外部气压、外部湿度、外部风速、可见度和历史建筑物能源消耗;
步骤3,将测试集数据输入训练完毕的三重融合卷积GRU模型,计算获得建筑物能耗的预测值。
2.根据权利要求1所述的建筑物能耗预测方法,其特征在于,第一卷积层接受序列数据的输入,其输出为xt表示输入的序列数据,η1()表示第一卷积层的卷积函数,同时作为第一双向GRU层和第二双向GRU层的输入,为第一双向GRU层的输出,表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并,第一融合层的输出为 是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果,将与η1(xt)的输出进行合并成作为第二层卷积层的输入;是第二卷积层的输出, 卷积函数η2中包含了一个全连接操作Dense(),将进行全连接转换成卷积函数可以接受的输入,连接到第二双向GRU层,第二融合层的输出为: 是对第二双向GRU层的输出乘以权重向量并加上偏移向量的结果,表示将第二双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并;将与进行合并,作为第三卷积层的输入,第三卷积层的输出为 卷积函数η3中还包含了一个全连接操作Dense();第三卷积层通过全连接输出层得到输出Ot,Ot为一个具体值,代表一定时间后的建筑物能耗预测值,其中,和为各部分的权重向量,和为各部分的偏移向量。
3.根据权利要求2所述的建筑物能耗预测方法,其特征在于,所述第一双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出 表示将与进行合并连接,作为所述的第一双向GRU层的输出;所述第二双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作,得到输出 表示将与进行合并连接,作为所述的第二双向GRU层的输出,其中z1 t、为第一双向GRU层中正向GRU模型的中间值,z2 t、为第一双向GRU层中反向GRU模型的中间值,z3 t、为第二双向GRU层中正向GRU模型的中间值,z4 t、为第二双向GRU层中反向GRU模型的中间值。
4.根据权利要求1至3任一所述的建筑物能耗预测方法,其特征在于,所述的卷积层均为1维卷积网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396195.1A CN111582588B (zh) | 2020-05-12 | 2020-05-12 | 一种基于三重卷积融合gru的建筑物能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010396195.1A CN111582588B (zh) | 2020-05-12 | 2020-05-12 | 一种基于三重卷积融合gru的建筑物能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582588A true CN111582588A (zh) | 2020-08-25 |
CN111582588B CN111582588B (zh) | 2022-07-05 |
Family
ID=72124902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010396195.1A Active CN111582588B (zh) | 2020-05-12 | 2020-05-12 | 一种基于三重卷积融合gru的建筑物能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582588B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657454A (zh) * | 2021-07-23 | 2021-11-16 | 杭州安脉盛智能技术有限公司 | 基于自回归BiGRU的核电旋转机械状态监测方法 |
CN117011092A (zh) * | 2023-09-28 | 2023-11-07 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180288086A1 (en) * | 2017-04-03 | 2018-10-04 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
-
2020
- 2020-05-12 CN CN202010396195.1A patent/CN111582588B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180288086A1 (en) * | 2017-04-03 | 2018-10-04 | Royal Bank Of Canada | Systems and methods for cyberbot network detection |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
Non-Patent Citations (1)
Title |
---|
王振等: "基于时域卷积与双向GRU神经网络的时序预测模型", 《软件导刊》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657454A (zh) * | 2021-07-23 | 2021-11-16 | 杭州安脉盛智能技术有限公司 | 基于自回归BiGRU的核电旋转机械状态监测方法 |
CN113657454B (zh) * | 2021-07-23 | 2024-02-23 | 杭州安脉盛智能技术有限公司 | 基于自回归BiGRU的核电旋转机械状态监测方法 |
CN117011092A (zh) * | 2023-09-28 | 2023-11-07 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
CN117011092B (zh) * | 2023-09-28 | 2023-12-19 | 武昌理工学院 | 一种智能建筑设备管理监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582588B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Using long short-term memory networks to predict energy consumption of air-conditioning systems | |
Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
Yu et al. | Extracting knowledge from building-related data—A data mining framework | |
Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
Wei et al. | Pseudo-correlation problem and its solution for the transfer forecasting of short-term natural gas loads | |
Guo et al. | Prediction of heating and cooling loads based on light gradient boosting machine algorithms | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN111582588B (zh) | 一种基于三重卷积融合gru的建筑物能耗预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN115905857A (zh) | 基于数学形态学和改进Transformer的非侵入式负荷分解方法 | |
CN115169724A (zh) | 一种基于时空图卷积神经网络的径流预测方法 | |
CN107748940A (zh) | 一种节电潜力量化预测方法 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
Zhang et al. | A health condition assessment and prediction method of Francis turbine units using heterogeneous signal fusion and graph-driven health benchmark model | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN114065335A (zh) | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 | |
CN111476357B (zh) | 基于三重融合卷积gru的共享单车需求预测方法 |
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 |