CN112183869A - 一种基于大数据的建筑能耗预测方法及系统 - Google Patents
一种基于大数据的建筑能耗预测方法及系统 Download PDFInfo
- Publication number
- CN112183869A CN112183869A CN202011067561.5A CN202011067561A CN112183869A CN 112183869 A CN112183869 A CN 112183869A CN 202011067561 A CN202011067561 A CN 202011067561A CN 112183869 A CN112183869 A CN 112183869A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- item
- data
- candidate
- target
- 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.)
- Withdrawn
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 1358
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 75
- 238000005259 measurement Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的建筑能耗预测方法及系统,涉及建筑能耗监控领域,通过获取待测建筑的当前的能耗参考数据以及历史的能耗样本数据,基于两者之间能源消耗趋势以及预设规则从能耗样本数据中确定出接近能耗参考数据的目标能耗数据,然后基于目标能耗数据和能耗参考数据各自的能源消耗趋势之间的关系,从目标能耗数据中确定更加接近能耗参考数据的候选能耗项组成的第二候选能耗项集合,最终基于经过多次筛选后得到能够准确反映耗参考数据的消耗趋势的第二候选能耗项集合与参考能耗趋势对能耗结果进行预测,相较于现有技术中不对历史能耗数据进行任何筛选处理便对能耗结果进行预测,上述步骤能够使预测能耗结果的更加符合真实情况。
Description
技术领域
本发明涉及建筑能耗监控领域,具体而言,涉及一种基于大数据的建筑能耗预测方法及系统。
背景技术
随着人们生活水平的提高,城市化建设的推荐,越来越多的建筑物被修建。不论是用于居住的商品楼,还是用于办公的写字楼,其建造过程和使用过程都存在相关的能耗,而建筑能耗作为成本管控、建筑管理方面的重要参考指数,在现有技术中,由于涉及的能耗检测项数目繁多,实现实时监测已经十分不易,而对于建筑能耗的预测,也只能通过简单的统计学基于历史数据进行处理,得到的能耗预测结果并不具备较高的参考价值,无法正确地预测建筑能耗的真实发展趋势。
有鉴于此,如何提供一种能够符合真实情况的基于大数据的建筑能耗预测方案,是本领域技术人员需要解决的。
发明内容
本发明提供一种基于大数据的建筑能耗预测方法及系统。
第一方面,本发明实施例提供一种基于大数据的建筑能耗预测方法,包括:
获取待测建筑的当前测量运行时间范围的能耗参考数据;
分别构建能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,其中,能耗样本数据基于历史运行时间范围的能耗数据确定;
从能耗样本数据中提取满足能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合;
基于第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整,得到目标能耗数据;
分别构建能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系;
根据第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合;
根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果。
可选地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重;
基于第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整的步骤,包括:
基于第一匹配系数,确定能耗参考数据中每一能耗项关于能耗样本数据中每一能耗项的第一特征向量,其中,第一特征向量用于反映能耗参考数据中每一能耗项对能耗样本数据中每一能耗项的关注度;
按照第一特征向量由高到低的顺序从第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项;
根据第一目标能耗项在能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在能耗参考数据中的获取对应能耗项。
可选地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重;
根据第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合的步骤,包括:
基于第二匹配系数,确定能耗参考数据中每一能耗项关于目标能耗数据中每一能耗项的第二特征向量,其中,第二特征向量用于反映能耗参考数据中每一能耗项对目标能耗数据中每一能耗项的关注度;
根据第二特征向量和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
可选地,根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测的步骤,包括:
基于能耗参考数据中的已知能耗项和参考能耗趋势,从第二候选能耗项集合中确定第二目标能耗项;
基于参考能耗趋势和第二目标能耗项对应的能耗类型,在能耗参考数据中的获取对应能耗项,以对能耗参考数据进行能耗项预测。
可选地,根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果的步骤,包括:
获取第二候选能耗项集合对应的候选能耗项列表;
提取各候选能耗项列表中包括的候选能耗指标向量;
分别获取对应于每个候选能耗指标向量的各指标值在候选能耗项列表中的能耗量速率;
针对每个候选能耗指标向量,确定对应于候选能耗指标向量的能耗量速率最高的趋势指标值;
根据趋势指标值的能耗量速率,确定趋势指标值的消耗趋势;
分别确定对应于候选能耗指标向量的各指标值的能耗量速率与趋势指标值的能耗量速率之间的关联度;
根据趋势指标值的消耗趋势和各关联度,确定对应于候选能耗指标向量的各指标值的消耗趋势;
针对当前遍历路线,针对每个第二候选能耗项,从预设数量的随机数值中依次选取当次随机数值,将第二候选能耗项对应的每个属性值分别按照当次随机数值进行当次散列函数处理,生成各属性值当次的散列函数签名和随机数,其中,随机数值由真随机数为初始条件产生;
按各指标值的消耗趋势和对应的当次的随机数,生成各指标值的消耗趋势最小散列函数值;
筛选消耗趋势最小散列函数值最小的属性值所对应的当次的散列函数签名,得到当次的最终散列函数签名,并选取下一随机数值重新作为当次随机数值以继续执行,直至得到符合预设数量的最终散列函数签名;
将符合预设数量的最终散列函数签名进行拼接,生成第二候选能耗项对应的能耗结果标识;
将对应于同一能耗结果标识的第二候选能耗项,划分为同一能耗结果,并将下一轮作为当前遍历路线,返回针对当前遍历路线,对第二候选能耗项集合对应的各指标值进行散列函数处理的步骤以继续处理,直至达到预设遍历次数停止;
获取在执行预设遍历次数后第二候选能耗项集合所对应的多个能耗结果;
针对每个第二候选能耗项,选取第二候选能耗项对应的消耗趋势最大的能耗结果,作为该第二候选能耗项对应的最终能耗结果;
筛选消耗趋势符合参考能耗趋势的最终能耗结果,得到信任能耗结果;
针对每个信任能耗结果,确定所述信任能耗结果所关联的属性值;
根据每个所关联的属性值在所述信任能耗结果中对应的第二候选能耗项的数量与所述信任能耗结果中第二候选能耗项的总数量的比值,得到各指标值的能耗项重合比值;
筛选能耗项重合比值大于或等于预设聚集阈值的属性值,得到聚集属性值;
获取所述信任能耗结果中各所述聚集属性值的个数;
根据所述信任能耗结果中第二候选能耗项的总数量、各所述聚集属性值及各聚集属性值的数量,确定所述信任能耗结果的消耗趋势;
选取消耗趋势符合参考能耗趋势的信任能耗结果,得到预测能耗结果。
可选地,获取待测建筑的当前测量运行时间范围的能耗参考数据的步骤,包括:
获取待测建筑的当前测量运行时间范围的已知能耗项;
至少基于待测建筑的当前测量运行时间范围的已知能耗项确定能耗基础数据;
构建能耗基础数据中已知能耗项的特征表示;
根据已知能耗项的特征表示,确定能耗基础数据中已知能耗项两两之间的匹配系数;
基于已知能耗项两两之间的匹配系数,确定能耗基础数据内每一已知能耗项关于其他已知能耗项的第三特征向量,其中,第三特征向量用于反映能耗基础数据中每一能耗项对其轨迹内其他已知能耗项的关注度;
根据第三特征向量对能耗基础数据中的已知能耗项的特征表示进行调整,得到能耗参考数据。
可选地,基于历史运行时间范围的能耗数据确定能耗样本数据,包括:
采集历史运行时间范围的能耗数据;
按照指定测量周期和能耗数据,构建多个历史能耗数据;
将多个历史能耗数据按时间对齐,从对齐后的多个历史能耗数据中确定出同一测量时段下能耗值最高的能耗项,并根据同一测量时段下能耗值最高的能耗项构建得到目标历史能耗数据;
构建目标历史能耗数据中每一能耗项的特征表示;
根据每一能耗项的特征表示,确定目标历史能耗数据中两两能耗项之间的匹配系数;
基于两两能耗项之间的匹配系数,确定目标历史能耗数据中每一能耗项关于其他能耗项的第四特征向量,其中,第四特征向量用于反映目标历史能耗数据中每一能耗项对其轨迹内其他能耗项的关注度;
根据第四特征向量对目标历史能耗数据中的能耗项的特征表示进行调整,得到能耗样本数据。
第二方面,本发明实施例提供一种基于大数据的建筑能耗预测系统,包括:
获取模块,用于获取待测建筑的当前测量运行时间范围的能耗参考数据;
构建模块,用于分别构建能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,其中,能耗样本数据基于历史运行时间范围的能耗数据确定;从能耗样本数据中提取满足能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合;基于第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整,得到目标能耗数据;分别构建能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系;
预测模块,用于根据第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合;根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果。
可选地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重;
构建模块具体用于:
基于第一匹配系数,确定能耗参考数据中每一能耗项关于能耗样本数据中每一能耗项的第一特征向量,其中,第一特征向量用于反映能耗参考数据中每一能耗项对能耗样本数据中每一能耗项的关注度;按照第一特征向量由高到低的顺序从第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项;根据第一目标能耗项在能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在能耗参考数据中的获取对应能耗项。
可选地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重;
预测模块具体用于:
基于第二匹配系数,确定能耗参考数据中每一能耗项关于目标能耗数据中每一能耗项的第二特征向量,其中,第二特征向量用于反映能耗参考数据中每一能耗项对目标能耗数据中每一能耗项的关注度;根据第二特征向量和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
相比现有技术,本发明提供的有益效果包括:采用本发明实施例提供的一种基于大数据的建筑能耗预测方法及系统,通过获取待测建筑的当前的能耗参考数据以及历史的能耗样本数据,基于两者之间能源消耗趋势以及预设规则从能耗样本数据中确定出接近能耗参考数据的目标能耗数据,然后基于目标能耗数据和能耗参考数据各自的能源消耗趋势之间的关系,从目标能耗数据中确定更加接近能耗参考数据的候选能耗项组成的第二候选能耗项集合,最终基于经过多次筛选后得到能够准确反映耗参考数据的消耗趋势的第二候选能耗项集合与参考能耗趋势对能耗结果进行预测,相较于现有技术中不对历史能耗数据进行任何筛选处理便对能耗结果进行预测,上述步骤能够使预测能耗结果的更加符合真实情况。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于大数据的建筑能耗预测系统的交互示意图;
图2为本发明实施例提供的基于大数据的建筑能耗预测方法的步骤流程示意图;
图3为本发明实施例提供的基于大数据的建筑能耗预测系统的结构示意框图;
图4为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
图1是本公开一种实施例提供的基于大数据的建筑能耗预测系统的交互示意图。基于大数据的建筑能耗预测系统可以包括计算设备以及与计算机设备100通信连接的待测建筑200。图1所示的基于大数据的建筑能耗预测系统仅为一种可行的示例,在其它可行的实施例中,该基于大数据的建筑能耗预测系统也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,基于大数据的建筑能耗预测系统中的计算机设备100和待测建筑200可以通过配合执行以下方法实施例所描述的 基于大数据的建筑能耗预测方法,具体计算机设备100和待测建筑200的执行步骤部分可以参照以下方法实施例的详细描述。
在实施例中,待测建筑200可以是指设置在建筑物内的多个采集设备,也可以是指用于存储设置在建筑物的多个采集设备采集到的数据的服务器,在本发明实施例中不做限制。
为了解决前述背景技术中的技术问题,图2为本公开实施例提供的基于大数据的建筑能耗预测方法的流程示意图,本实施例提供的基于大数据的建筑能耗预测方法可以由图1中所示的计算机设备100执行,下面对该基于大数据的建筑能耗预测方法进行详细介绍。
步骤201,获取待测建筑200的当前测量运行时间范围的能耗参考数据。
步骤202,分别构建能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系。
其中,能耗样本数据基于历史运行时间范围的能耗数据确定。
步骤203,从能耗样本数据中提取满足能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合。
步骤204,基于第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整,得到目标能耗数据。
步骤205,分别构建能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系。
步骤206,根据第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
步骤207,根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果。
可以为待测建筑200设置当前测量运行时间范围,例如,当前测量运行时间范围可以是一周,每天的早上7:00至晚上23:00,考虑到一些建筑的特殊性,即全天都在运作,也可以将当前测量运行时间范围对应设置为00:00至24:00全天候测试,在此不做限制。
获取待测建筑200的当前测量运行时间范围的能耗参考数据,并可以构建能耗参考数据和能耗样本数据中每一能耗项的特征表示,能耗参考数据可以是指在当前测量运行时间范围内待测建筑200涉及的所有能耗相关数据,例如涉及的每一项能耗的能耗总量、能耗类型数量、测试时间等,同时得到多个第一能耗指示项和多个第二能耗指示项,第一能耗指示项可以是指前述能耗参考数据中每一能耗项的特征表示,具体的,可以表示为向量的形式作为其特征表示,同理,第二能耗指示项可以是指能耗样本数据中每一能耗项的特征表示,为了方便计算,也可以表示为向量的形式作为其特征表示,。而能耗样本数据基于历史运行时间范围的能耗数据确定,该历史运行时间范围既可以是指对同一待测建筑200的历史运行时间范围(例如一周前、一个月前),也可以是其他同类型的其他待测建筑200的历史运行时间范围,在此不做限制。
而每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数可以是指每一第一能耗指示项与每一第二能耗指示项之间的相似度,相似程度越高,二者之间的第一匹配系数越大,通过每一第一能耗指示项和每一第二能耗指示项两两之间的特征表示确定的第一匹配系数,便可以确定能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,应当理解的是,第一匹配系数越大的两个能耗指示项之间的关联关系越大,而能源消耗趋势可以是指能耗参考数据中表征下一时刻能耗增幅程度的数据。
可以从能耗样本数据中提取满足能耗参考数据的预设规则的候选能耗项,可选的,预设规则可以是基于空间约束规则确定的,以此来确定第一候选能耗集合,该第一候选能耗集合可以认为是从前述能耗样本数据中基于空间约束多元聚类算法利用能耗参考数据得到的集合,通过另一种方式确定了能耗样本数据与能耗参考数据之间的联系。可以再由前述确定的第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整,得到目标能耗数据。
值得说明的是,在本发明实施例中,先构建了能耗参考数据和能耗样本数据的能源消耗趋势的第一关联关系,建立了二者之间的第一种联系,进而在利用空间约束规则,得到用于表征能耗参考数据和能耗样本数据之间的第二种联系的第一候选能耗集合,进而利用得到的能耗参考数据和能耗样本数据的两种联系,确定出两者之间相互具备参考价值的目标能耗数据。
而在获取了目标能耗数据后,可以再分别构建能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,如前所描述的,可以将每个能耗考参数据和目标能耗数据中的每一能耗项表示为向量的形式作为其特征表示,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,第二匹配系数可以是指每一第三能耗指示项与每一第四能耗指示项之间的相似度,得到目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系,如前所描述的,同理,第三能耗指示项与第四能耗指示项两两之间的相似度越高,对应的,目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系的关联程度也越大,第二关联关系可以用于表征目标能耗数和能耗参考数据之间的联系。
在基于第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合,在本发明实施例中,能耗权重可以是根据待测建筑的类型预先设置的,得到的第二候选能耗项集合,第二候选能耗项集合可以用于表征目标能耗数据和候选能耗项的联系,即第二候选能耗项集合是基于目标能耗数和能耗参考数据之间的联系确定的目标能耗数据和候选能耗项的联系。
最终在根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果,其中,能耗参考数据中能耗项的参考能耗趋势可以是指每个能耗项预先给定的标准能耗趋势,可以是从待测建筑相关的能耗手册中获取,在此不做限制。通过上述步骤,能够获得准确度高的预测能耗结果,以便后续用户根据该预测能耗结果进行成本计算、能耗规划等事项。
在此基础上,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重。作为一种可替换的实施方式,前述步骤204可以由以下的具体实施方式实现。
子步骤204-1,基于第一匹配系数,确定能耗参考数据中每一能耗项关于能耗样本数据中每一能耗项的第一特征向量。
其中,第一特征向量用于反映能耗参考数据中每一能耗项对能耗样本数据中每一能耗项的关注度。
子步骤204-2,按照第一特征向量由高到低的顺序从第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项。
子步骤204-3,根据第一目标能耗项在能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在能耗参考数据中的获取对应能耗项。
在本发明实施例中,能耗项可以根据待测建筑200的类型配置,例如,北方城镇建筑供暖能耗,包括供暖热源、循环水泵和辅助设备所消耗的能源;公共建筑能耗,包括公共建筑内空调、通风、照明、生活热水、电梯、办公设备等使用的所有能耗;城镇居住建筑能耗,为城镇居住建筑使用过程中消耗的从外部输入的能源量,包括每户内使用的能源和公摊部分使用的能源;农村居住建筑能耗,为农村居住建筑使用过程中消耗的从外部输入的能源量等。可以预先对能耗项进行权重、类型的配置。
在前述基础上,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重。作为一种可替换的具体实施方式,前述步骤206可以通过以下步骤实现。
子步骤206-1,基于第二匹配系数,确定能耗参考数据中每一能耗项关于目标能耗数据中每一能耗项的第二特征向量。
其中,第二特征向量用于反映能耗参考数据中每一能耗项对目标能耗数据中每一能耗项的关注度。
子步骤206-2,根据第二特征向量和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
通过上述步骤,能够得到具备较高参考价值的第二候选能耗项集合。
在此基础上,为了能够更加清楚地对本发明的方案进行描述,前述步骤207可以由以下的步骤实现。
子步骤207-1,基于能耗参考数据中的已知能耗项和参考能耗趋势,从第二候选能耗项集合中确定第二目标能耗项。
子步骤207-2,基于参考能耗趋势和第二目标能耗项对应的能耗类型,在能耗参考数据中的获取对应能耗项,以对能耗参考数据进行能耗项预测。
通过上述步骤,能够合理地对能耗参考数据进行能耗项预测。
作为一种可替换的具体实施方式,前述步骤207可以由以下的步骤实现。
子步骤207-3,获取第二候选能耗项集合对应的候选能耗项列表。
子步骤207-4,提取各候选能耗项列表中包括的候选能耗指标向量。
子步骤207-5,分别获取对应于每个候选能耗指标向量的各指标值在候选能耗项列表中的能耗量速率。
子步骤207-6,针对每个候选能耗指标向量,确定对应于候选能耗指标向量的能耗量速率最高的趋势指标值。
子步骤207-7,根据趋势指标值的能耗量速率,确定趋势指标值的消耗趋势。
子步骤207-8,分别确定对应于候选能耗指标向量的各指标值的能耗量速率与趋势指标值的能耗量速率之间的关联度。
子步骤207-9,根据趋势指标值的消耗趋势和各关联度,确定对应于候选能耗指标向量的各指标值的消耗趋势。
子步骤207-10,针对当前遍历路线,针对每个第二候选能耗项,从预设数量的随机数值中依次选取当次随机数值,将第二候选能耗项对应的每个属性值分别按照当次随机数值进行当次散列函数处理,生成各属性值当次的散列函数签名和随机数。
其中,随机数值由真随机数为初始条件产生。
子步骤207-11,按各指标值的消耗趋势和对应的当次的随机数,生成各指标值的消耗趋势最小散列函数值。
子步骤207-12,筛选消耗趋势最小散列函数值最小的属性值所对应的当次的散列函数签名,得到当次的最终散列函数签名,并选取下一随机数值重新作为当次随机数值以继续执行,直至得到符合预设数量的最终散列函数签名。
子步骤207-13,将符合预设数量的最终散列函数签名进行拼接,生成第二候选能耗项对应的能耗结果标识。
子步骤207-14,将对应于同一能耗结果标识的第二候选能耗项,划分为同一能耗结果,并将下一轮作为当前遍历路线,返回针对当前遍历路线,对第二候选能耗项集合对应的各指标值进行散列函数处理的步骤以继续处理,直至达到预设遍历次数停止。
子步骤207-15,获取在执行预设遍历次数后第二候选能耗项集合所对应的多个能耗结果。
子步骤207-16,针对每个第二候选能耗项,选取第二候选能耗项对应的消耗趋势最大的能耗结果,作为该第二候选能耗项对应的最终能耗结果。
子步骤207-17,筛选消耗趋势符合参考能耗趋势的最终能耗结果,得到信任能耗结果。
子步骤207-18,针对每个信任能耗结果,确定信任能耗结果所关联的属性值。
子步骤207-19,根据每个所关联的属性值在信任能耗结果中对应的第二候选能耗项的数量与信任能耗结果中第二候选能耗项的总数量的比值,得到各指标值的能耗项重合比值。
子步骤207-20,筛选能耗项重合比值大于或等于预设聚集阈值的属性值,得到聚集属性值。
子步骤207-21,获取信任能耗结果中各聚集属性值的个数。
子步骤207-22,根据信任能耗结果中第二候选能耗项的总数量、各聚集属性值及各聚集属性值的数量,确定信任能耗结果的消耗趋势。
子步骤207-23,选取消耗趋势符合参考能耗趋势的信任能耗结果,得到预测能耗结果。
通过上述详细的步骤,本发明实施例提供了一种能够得到较为精确的预测能耗结果的预测方案,为了能够更加清楚的对该预测方案进行描述,前述子步骤207-9可以由以下步骤实现。
(1)根据趋势指标值的消耗趋势和各关联度,确定对应于候选能耗指标向量的各指标值的初始消耗趋势。相应的,上述预测方案还包括以下步骤。(1)对共现于同一候选能耗项列表中的不同属性值构建知识图谱。(2)针对每个知识图谱,根据对应于该知识图谱的第一属性值对该知识图谱所对应的第二属性值的相互能耗影响系数和第二属性值的初始消耗趋势,确定该知识图谱的权重。(3)在带有权重的各知识图谱所形成的权重关联合集中进行遍历直至达到停止条件,得到各指标值最终的消耗趋势。
除了上述步骤,本发明实施例还提供了以下方式得到前述信任能耗结果。
(1)确定第二候选能耗项集合对应的能耗指标集合。
(2)根据各指标值的消耗趋势,确定各指标值的权重。
(3)针对任意两目标候选能耗项所对应的能耗指标集合,确定位于两个能耗指标集合之间的交集中的各指标值的权重之和,得到第一权重总和。
(4)确定位于两个能耗指标集合之间的并集中的各指标值的权重之和,得到第二权重总和。
(5)根据第一权重总和与第二权重总和的比值,得到任意两目标候选能耗项所对应能耗标量的相似度,其中,目标候选能耗项从第二候选能耗项集合中确定。
(6)根据能耗标量的相似度对第二候选能耗项集合进行聚类,得到信任能耗结果。
通过上述步骤,可以从权重总和的角度确定信任能耗结果,该信任能耗结果也具备较高的参考价值。
通过上述步骤,便能够基于第二候选能耗项的总数量、各聚集属性值及各聚集属性值的数量,较为可靠的确定信任能耗结果的消耗趋势。
在前述基础上,作为一种可替换的具体实施方式,前述步骤201可以包括以下的具体实施方式。
子步骤201-1,获取待测建筑200的当前测量运行时间范围的已知能耗项。
子步骤201-2,至少基于待测建筑200的当前测量运行时间范围的已知能耗项确定能耗基础数据。
子步骤201-3,构建能耗基础数据中已知能耗项的特征表示。
子步骤201-4,根据已知能耗项的特征表示,确定能耗基础数据中已知能耗项两两之间的匹配系数。
子步骤201-5,基于已知能耗项两两之间的匹配系数,确定能耗基础数据内每一已知能耗项关于其他已知能耗项的第三特征向量。
其中,第三特征向量用于反映能耗基础数据中每一能耗项对其轨迹内其他已知能耗项的关注度。
子步骤201-6,根据第三特征向量对能耗基础数据中的已知能耗项的特征表示进行调整,得到能耗参考数据。
对于前述步骤202中提出的能耗样本数据,作为一种可替换的实施例,可以由以下的具体实施方式实现。
子步骤202-1,采集历史运行时间范围的能耗数据。
子步骤202-2,按照指定测量周期和能耗数据,构建多个历史能耗数据。
子步骤202-3,将多个历史能耗数据按时间对齐,从对齐后的多个历史能耗数据中确定出同一测量时段下能耗值最高的能耗项,并根据同一测量时段下能耗值最高的能耗项构建得到目标历史能耗数据。
子步骤202-4,构建目标历史能耗数据中每一能耗项的特征表示。
子步骤202-5,根据每一能耗项的特征表示,确定目标历史能耗数据中两两能耗项之间的匹配系数。
子步骤202-6,基于两两能耗项之间的匹配系数,确定目标历史能耗数据中每一能耗项关于其他能耗项的第四特征向量。
其中,第四特征向量用于反映目标历史能耗数据中每一能耗项对其轨迹内其他能耗项的关注度。
子步骤202-7,根据第四特征向量对目标历史能耗数据中的能耗项的特征表示进行调整,得到能耗样本数据。
除了上述步骤,前述步骤202还可以由譬如以下的方式实现。
(1)采集历史运行时间范围的能耗数据。
(2)按照指定测量周期和能耗数据,构建多个历史能耗数据。
(3)通过注意力机制将多个历史能耗数据进行处理,得到能耗样本数据。
通过上述步骤,也能够得到能耗样本数据。
本发明实施例提供一种基于大数据的建筑能耗预测系统110,请结合参考图3,基于大数据的建筑能耗预测系统110包括:
获取模块1101,用于获取待测建筑200的当前测量运行时间范围的能耗参考数据。
构建模块1102,用于分别构建能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,其中,能耗样本数据基于历史运行时间范围的能耗数据确定;从能耗样本数据中提取满足能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合;基于第一关联关系从第一候选能耗项集合中确定第一目标能耗项,并根据第一目标能耗项对能耗参考数据的能耗项信息进行调整,得到目标能耗数据;分别构建能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到目标能耗数据的能源消耗趋势与能耗参考数据的能源消耗趋势之间的第二关联关系。
预测模块1103,用于根据第二关联关系和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合;根据能耗参考数据中能耗项的参考能耗趋势和第二候选能耗项集合,对能耗参考数据进行能耗项预测,得到预测能耗结果。
进一步地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重。构建模块1102具体用于:
基于第一匹配系数,确定能耗参考数据中每一能耗项关于能耗样本数据中每一能耗项的第一特征向量,其中,第一特征向量用于反映能耗参考数据中每一能耗项对能耗样本数据中每一能耗项的关注度;按照第一特征向量由高到低的顺序从第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项;根据第一目标能耗项在能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在能耗参考数据中的获取对应能耗项。
进一步地,能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重。预测模块1103具体用于:
基于第二匹配系数,确定能耗参考数据中每一能耗项关于目标能耗数据中每一能耗项的第二特征向量,其中,第二特征向量用于反映能耗参考数据中每一能耗项对目标能耗数据中每一能耗项的关注度;根据第二特征向量和目标能耗数据中能耗项的能耗权重,从目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
进一步地,预测模块1103具体用于:
基于能耗参考数据中的已知能耗项和参考能耗趋势,从第二候选能耗项集合中确定第二目标能耗项;基于参考能耗趋势和第二目标能耗项对应的能耗类型,在能耗参考数据中的获取对应能耗项,以对能耗参考数据进行能耗项预测。
进一步地,预测模块1103具体用于:
获取第二候选能耗项集合对应的候选能耗项列表;提取各候选能耗项列表中包括的候选能耗指标向量;分别获取对应于每个候选能耗指标向量的各指标值在候选能耗项列表中的能耗量速率;针对每个候选能耗指标向量,确定对应于候选能耗指标向量的能耗量速率最高的趋势指标值;根据趋势指标值的能耗量速率,确定趋势指标值的消耗趋势;分别确定对应于候选能耗指标向量的各指标值的能耗量速率与趋势指标值的能耗量速率之间的关联度;根据趋势指标值的消耗趋势和各关联度,确定对应于候选能耗指标向量的各指标值的消耗趋势;针对当前遍历路线,针对每个第二候选能耗项,从预设数量的随机数值中依次选取当次随机数值,将第二候选能耗项对应的每个属性值分别按照当次随机数值进行当次散列函数处理,生成各属性值当次的散列函数签名和随机数,其中,随机数值由真随机数为初始条件产生;按各指标值的消耗趋势和对应的当次的随机数,生成各指标值的消耗趋势最小散列函数值;筛选消耗趋势最小散列函数值最小的属性值所对应的当次的散列函数签名,得到当次的最终散列函数签名,并选取下一随机数值重新作为当次随机数值以继续执行,直至得到符合预设数量的最终散列函数签名;将符合预设数量的最终散列函数签名进行拼接,生成第二候选能耗项对应的能耗结果标识;将对应于同一能耗结果标识的第二候选能耗项,划分为同一能耗结果,并将下一轮作为当前遍历路线,返回针对当前遍历路线,对第二候选能耗项集合对应的各指标值进行散列函数处理的步骤以继续处理,直至达到预设遍历次数停止;获取在执行预设遍历次数后第二候选能耗项集合所对应的多个能耗结果;针对每个第二候选能耗项,选取第二候选能耗项对应的消耗趋势最大的能耗结果,作为该第二候选能耗项对应的最终能耗结果;筛选消耗趋势符合参考能耗趋势的最终能耗结果,得到信任能耗结果;确定每个信任能耗结果的消耗趋势;选取消耗趋势符合参考能耗趋势的信任能耗结果,得到预测能耗结果。
进一步地,获取模块1101具体用于:
获取待测建筑200的当前测量运行时间范围的已知能耗项;至少基于待测建筑200的当前测量运行时间范围的已知能耗项确定能耗基础数据;构建能耗基础数据中已知能耗项的特征表示;根据已知能耗项的特征表示,确定能耗基础数据中已知能耗项两两之间的匹配系数;基于已知能耗项两两之间的匹配系数,确定能耗基础数据内每一已知能耗项关于其他已知能耗项的第三特征向量,其中,第三特征向量用于反映能耗基础数据中每一能耗项对其轨迹内其他已知能耗项的关注度;根据第三特征向量对能耗基础数据中的已知能耗项的特征表示进行调整,得到能耗参考数据。
进一步地,构建模块1102具体用于:
采集历史运行时间范围的能耗数据;按照指定测量周期和能耗数据,构建多个历史能耗数据;将多个历史能耗数据按时间对齐,从对齐后的多个历史能耗数据中确定出同一测量时段下能耗值最高的能耗项,并根据同一测量时段下能耗值最高的能耗项构建得到目标历史能耗数据;构建目标历史能耗数据中每一能耗项的特征表示;根据每一能耗项的特征表示,确定目标历史能耗数据中两两能耗项之间的匹配系数;基于两两能耗项之间的匹配系数,确定目标历史能耗数据中每一能耗项关于其他能耗项的第四特征向量,其中,第四特征向量用于反映目标历史能耗数据中每一能耗项对其轨迹内其他能耗项的关注度;根据第四特征向量对目标历史能耗数据中的能耗项的特征表示进行调整,得到能耗样本数据。
需要说明的是,前述在基于大数据的建筑能耗预测系统110的实现原理可以参考前述基于大数据的建筑能耗预测方法的实现原理,在此不再赘述。应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块1101可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上获取模块1101的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的基于大数据的建筑能耗预测系统110。如图4所示,图4为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括在基于大数据的建筑能耗预测系统110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如,可通过一条或多个通讯总线或信号线实现这些元件相互之间电性连接。在基于大数据的建筑能耗预测系统110包括至少一个可以软件或固件(firmware)的形式存储于存储器111中或固化在计算机设备100的操作系统(operatingsystem,OS)中的软件功能模块。
本发明实施例提供一种可读存储介质,可读存储介质包括计算机程序,计算机程序运行时控制可读存储介质所在计算机设备100执行前述的基于大数据的建筑能耗预测方法。
综上所述,采用本发明实施例提供的一种基于大数据的建筑能耗预测方法及系统,通过获取待测建筑的当前的能耗参考数据以及历史的能耗样本数据,基于两者之间能源消耗趋势以及预设规则从能耗样本数据中确定出接近能耗参考数据的目标能耗数据,然后基于目标能耗数据和能耗参考数据各自的能源消耗趋势之间的关系,从目标能耗数据中确定更加接近能耗参考数据的候选能耗项组成的第二候选能耗项集合,最终基于经过多次筛选后得到能够准确反映耗参考数据的消耗趋势的第二候选能耗项集合与参考能耗趋势对能耗结果进行预测,相较于现有技术中不对历史能耗数据进行任何筛选处理便对能耗结果进行预测,上述步骤能够使预测能耗结果的更加符合真实情况。
出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种基于大数据的建筑能耗预测方法,其特征在于,包括:
获取待测建筑的当前测量运行时间范围的能耗参考数据;
分别构建所述能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到所述能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,其中,所述能耗样本数据基于历史运行时间范围的能耗数据确定;
从所述能耗样本数据中提取满足所述能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合;
基于所述第一关联关系从所述第一候选能耗项集合中确定第一目标能耗项,并根据所述第一目标能耗项对所述能耗参考数据的能耗项信息进行调整,得到目标能耗数据;
分别构建所述能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到所述目标能耗数据的能源消耗趋势与所述能耗参考数据的能源消耗趋势之间的第二关联关系;
根据所述第二关联关系和所述目标能耗数据中能耗项的能耗权重,从所述目标能耗数据中确定候选能耗项,得到第二候选能耗项集合;
根据所述能耗参考数据中能耗项的参考能耗趋势和所述第二候选能耗项集合,对所述能耗参考数据进行能耗项预测,得到预测能耗结果。
2.根据权利要求1所述的方法,其特征在于,所述能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;所述能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重;
所述基于所述第一关联关系从所述第一候选能耗项集合中确定第一目标能耗项,并根据所述第一目标能耗项对所述能耗参考数据的能耗项信息进行调整的步骤,包括:
基于所述第一匹配系数,确定所述能耗参考数据中每一能耗项关于所述能耗样本数据中每一能耗项的第一特征向量,其中,第一特征向量用于反映所述能耗参考数据中每一能耗项对所述能耗样本数据中每一能耗项的关注度;
按照第一特征向量由高到低的顺序从所述第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项;
根据所述第一目标能耗项在所述能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在所述能耗参考数据中的获取对应能耗项。
3.根据权利要求1所述的方法,其特征在于,所述能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;所述目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重;
所述根据所述第二关联关系和所述目标能耗数据中能耗项的能耗权重,从所述目标能耗数据中确定候选能耗项,得到第二候选能耗项集合的步骤,包括:
基于所述第二匹配系数,确定所述能耗参考数据中每一能耗项关于所述目标能耗数据中每一能耗项的第二特征向量,其中,第二特征向量用于反映所述能耗参考数据中每一能耗项对所述目标能耗数据中每一能耗项的关注度;
根据所述第二特征向量和所述目标能耗数据中能耗项的能耗权重,从所述目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
4.根据权利要求3所述的方法,其特征在于,所述根据所述能耗参考数据中能耗项的参考能耗趋势和所述第二候选能耗项集合,对所述能耗参考数据进行能耗项预测的步骤,包括:
基于所述能耗参考数据中的已知能耗项和所述参考能耗趋势,从所述第二候选能耗项集合中确定第二目标能耗项;
基于所述参考能耗趋势和第二目标能耗项对应的能耗类型,在所述能耗参考数据中的获取对应能耗项,以对所述能耗参考数据进行能耗项预测。
5.根据权利要求1所述的方法,其特征在于,所述根据所述能耗参考数据中能耗项的参考能耗趋势和所述第二候选能耗项集合,对所述能耗参考数据进行能耗项预测,得到预测能耗结果的步骤,包括:
获取所述第二候选能耗项集合对应的候选能耗项列表;
提取各所述候选能耗项列表中包括的候选能耗指标向量;
分别获取对应于每个候选能耗指标向量的各指标值在所述候选能耗项列表中的能耗量速率;
针对每个候选能耗指标向量,确定对应于所述候选能耗指标向量的能耗量速率最高的趋势指标值;
根据所述趋势指标值的能耗量速率,确定所述趋势指标值的消耗趋势;
分别确定对应于所述候选能耗指标向量的各指标值的能耗量速率与所述趋势指标值的能耗量速率之间的关联度;
根据所述趋势指标值的消耗趋势和各所述关联度,确定对应于所述候选能耗指标向量的各指标值的消耗趋势;
针对当前遍历路线,针对每个第二候选能耗项,从预设数量的随机数值中依次选取当次随机数值,将所述第二候选能耗项对应的每个属性值分别按照当次随机数值进行当次散列函数处理,生成各所述属性值当次的散列函数签名和随机数,其中,所述随机数值由真随机数为初始条件产生;
按各指标值的消耗趋势和对应的当次的随机数,生成各指标值的消耗趋势最小散列函数值;
筛选消耗趋势最小散列函数值最小的属性值所对应的当次的散列函数签名,得到当次的最终散列函数签名,并选取下一随机数值重新作为当次随机数值以继续执行,直至得到符合所述预设数量的最终散列函数签名;
将符合所述预设数量的最终散列函数签名进行拼接,生成所述第二候选能耗项对应的能耗结果标识;
将对应于同一能耗结果标识的第二候选能耗项,划分为同一能耗结果,并将下一轮作为当前遍历路线,返回所述针对当前遍历路线,对第二候选能耗项集合对应的各指标值进行散列函数处理的步骤以继续处理,直至达到预设遍历次数停止;
获取在执行预设遍历次数后第二候选能耗项集合所对应的多个能耗结果;
针对每个第二候选能耗项,选取所述第二候选能耗项对应的消耗趋势最大的能耗结果,作为该第二候选能耗项对应的最终能耗结果;
筛选消耗趋势符合所述参考能耗趋势的最终能耗结果,得到信任能耗结果;
针对每个信任能耗结果,确定所述信任能耗结果所关联的属性值;
根据每个所关联的属性值在所述信任能耗结果中对应的第二候选能耗项的数量与所述信任能耗结果中第二候选能耗项的总数量的比值,得到各指标值的能耗项重合比值;
筛选能耗项重合比值大于或等于预设聚集阈值的属性值,得到聚集属性值;
获取所述信任能耗结果中各所述聚集属性值的个数;
根据所述信任能耗结果中第二候选能耗项的总数量、各所述聚集属性值及各聚集属性值的数量,确定所述信任能耗结果的消耗趋势;
选取消耗趋势符合所述参考能耗趋势的信任能耗结果,得到预测能耗结果。
6.根据权利要求1所述的方法,其特征在于,所述获取待测建筑的当前测量运行时间范围的能耗参考数据的步骤,包括:
获取待测建筑的当前测量运行时间范围的已知能耗项;
至少基于待测建筑的当前测量运行时间范围的已知能耗项确定能耗基础数据;
构建所述能耗基础数据中已知能耗项的特征表示;
根据已知能耗项的特征表示,确定所述能耗基础数据中已知能耗项两两之间的匹配系数;
基于已知能耗项两两之间的匹配系数,确定所述能耗基础数据内每一已知能耗项关于其他已知能耗项的第三特征向量,其中,第三特征向量用于反映所述能耗基础数据中每一能耗项对其轨迹内其他已知能耗项的关注度;
根据所述第三特征向量对所述能耗基础数据中的已知能耗项的特征表示进行调整,得到能耗参考数据。
7.根据权利要求1所述的方法,其特征在于,基于历史运行时间范围的能耗数据确定能耗样本数据,包括:
采集历史运行时间范围的能耗数据;
按照指定测量周期和所述能耗数据,构建多个历史能耗数据;
将所述多个历史能耗数据按时间对齐,从对齐后的多个历史能耗数据中确定出同一测量时段下能耗值最高的能耗项,并根据同一测量时段下能耗值最高的能耗项构建得到目标历史能耗数据;
构建所述目标历史能耗数据中每一能耗项的特征表示;
根据每一能耗项的特征表示,确定所述目标历史能耗数据中两两能耗项之间的匹配系数;
基于两两能耗项之间的匹配系数,确定所述目标历史能耗数据中每一能耗项关于其他能耗项的第四特征向量,其中,第四特征向量用于反映所述目标历史能耗数据中每一能耗项对其轨迹内其他能耗项的关注度;
根据所述第四特征向量对所述目标历史能耗数据中的能耗项的特征表示进行调整,得到能耗样本数据。
8.一种基于大数据的建筑能耗预测系统,其特征在于,包括:
获取模块,用于获取待测建筑的当前测量运行时间范围的能耗参考数据;
构建模块,用于分别构建所述能耗参考数据和能耗样本数据中每一能耗项的特征表示,得到多个第一能耗指示项和多个第二能耗指示项,确定每一第一能耗指示项与每一第二能耗指示项之间的第一匹配系数,得到所述能耗参考数据的能源消耗趋势与能耗样本数据的能源消耗趋势之间的第一关联关系,其中,所述能耗样本数据基于历史运行时间范围的能耗数据确定;从所述能耗样本数据中提取满足所述能耗参考数据的预设规则的候选能耗项,得到第一候选能耗项集合;基于所述第一关联关系从所述第一候选能耗项集合中确定第一目标能耗项,并根据所述第一目标能耗项对所述能耗参考数据的能耗项信息进行调整,得到目标能耗数据;分别构建所述能耗参考数据和目标能耗数据中每一能耗项的特征表示,得到多个第三能耗指示项和多个第四能耗指示项,确定每一第三能耗指示项与每一第四能耗指示项之间的第二匹配系数,得到所述目标能耗数据的能源消耗趋势与所述能耗参考数据的能源消耗趋势之间的第二关联关系;
预测模块,用于根据所述第二关联关系和所述目标能耗数据中能耗项的能耗权重,从所述目标能耗数据中确定候选能耗项,得到第二候选能耗项集合;根据所述能耗参考数据中能耗项的参考能耗趋势和所述第二候选能耗项集合,对所述能耗参考数据进行能耗项预测,得到预测能耗结果。
9.根据权利要求8所述的系统,其特征在于,所述能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;所述能耗样本数据的能源消耗趋势包括:能耗样本数据中每一能耗项的能耗类型、及在能耗样本数据中的能耗权重;
所述构建模块具体用于:
基于所述第一匹配系数,确定所述能耗参考数据中每一能耗项关于所述能耗样本数据中每一能耗项的第一特征向量,其中,第一特征向量用于反映所述能耗参考数据中每一能耗项对所述能耗样本数据中每一能耗项的关注度;按照第一特征向量由高到低的顺序从所述第一候选能耗项集合中确定相应的候选能耗项,作为第一目标能耗项;根据所述第一目标能耗项在所述能耗样本数据中的能耗权重、及第一目标点对应的能耗类型,在所述能耗参考数据中的获取对应能耗项。
10.根据权利要求8所述的系统,其特征在于,所述能耗参考数据的能源消耗趋势包括:能耗参考数据中每一已知能耗项的能耗类型、及在能耗参考数据中的能耗权重;所述目标能耗数据的能源消耗趋势包括:目标能耗数据中每一能耗项的能耗类型、及在目标能耗数据中的能耗权重;
所述预测模块具体用于:
基于所述第二匹配系数,确定所述能耗参考数据中每一能耗项关于所述目标能耗数据中每一能耗项的第二特征向量,其中,第二特征向量用于反映所述能耗参考数据中每一能耗项对所述目标能耗数据中每一能耗项的关注度;根据所述第二特征向量和所述目标能耗数据中能耗项的能耗权重,从所述目标能耗数据中确定候选能耗项,得到第二候选能耗项集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067561.5A CN112183869A (zh) | 2020-10-06 | 2020-10-06 | 一种基于大数据的建筑能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011067561.5A CN112183869A (zh) | 2020-10-06 | 2020-10-06 | 一种基于大数据的建筑能耗预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183869A true CN112183869A (zh) | 2021-01-05 |
Family
ID=73947731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011067561.5A Withdrawn CN112183869A (zh) | 2020-10-06 | 2020-10-06 | 一种基于大数据的建筑能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183869A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
CN114598006A (zh) * | 2022-03-22 | 2022-06-07 | 刘桂生 | 一种基于人工智能的软件驱动处理方法及云平台 |
CN115860727A (zh) * | 2023-02-02 | 2023-03-28 | 南京轶诺科技有限公司 | 一种智慧园区运维系统 |
CN116107849A (zh) * | 2022-08-25 | 2023-05-12 | 北京东华博泰科技有限公司 | 一种基于人工智能的数据中台能耗管理系统 |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
-
2020
- 2020-10-06 CN CN202011067561.5A patent/CN112183869A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
CN114598006A (zh) * | 2022-03-22 | 2022-06-07 | 刘桂生 | 一种基于人工智能的软件驱动处理方法及云平台 |
CN116107849A (zh) * | 2022-08-25 | 2023-05-12 | 北京东华博泰科技有限公司 | 一种基于人工智能的数据中台能耗管理系统 |
CN116107849B (zh) * | 2022-08-25 | 2023-09-05 | 北京东华博泰科技有限公司 | 一种基于人工智能的数据中台能耗管理系统 |
CN115860727A (zh) * | 2023-02-02 | 2023-03-28 | 南京轶诺科技有限公司 | 一种智慧园区运维系统 |
CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
CN116579506B (zh) * | 2023-07-13 | 2023-09-19 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及系统 |
CN117952569A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院能源研究所 | 一种基于多源可再生能源的公共建筑协同供能管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183869A (zh) | 一种基于大数据的建筑能耗预测方法及系统 | |
Fan et al. | A novel methodology to explain and evaluate data-driven building energy performance models based on interpretable machine learning | |
Zhang et al. | Applications and comparisons of four time series models in epidemiological surveillance data | |
WO2021174811A1 (zh) | 车流量时间序列的预测方法及预测装置 | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
CN113537324B (zh) | 基于薄几何平面样条插值的户型空间匹配方法及装置 | |
CN110866122B (zh) | 一种基于知识图谱的实体词映射的方法及装置 | |
CN115951123B (zh) | 一种基于无线通信的电能计量方法及系统 | |
CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
WO2022110213A1 (zh) | 生成分析对象的预测模型的方法、装置和存储介质 | |
Alonso et al. | Virtual sensor for probabilistic estimation of the evaporation in cooling towers | |
CN112860531A (zh) | 基于深度异构图神经网络的区块链广泛共识性能评测方法 | |
CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN115473343B (zh) | 一种智能网关多主站并行接入测试方法 | |
CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
CN117349734B (zh) | 水表设备识别方法、装置、电子设备及存储介质 | |
CN113919449B (zh) | 基于精准模糊聚类算法的居民电力数据聚类方法及装置 | |
CN116489709B (zh) | 节点调度策略确定方法、终端设备及存储介质 | |
US20160132619A1 (en) | Energy management apparatus, energy management method, and non-transitory tangible computer readable medium thereof | |
CN116885696A (zh) | 需求响应基线负荷的估计方法、设备及存储介质 | |
CN110852507A (zh) | 电化学储能方案的预测方法、装置、服务器和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210510 Address after: 518000 7th floor, industrialization complex building, Yuexing Sandao Virtual University Park, Xuefu Road, Shenzhen City, Guangdong Province Applicant after: Pei Bingkun Address before: 510700 self made B040, 5th floor, 2-2, Chengmen street, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou yunmofan Information Technology Co.,Ltd. |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210105 |