CN112330012B - 一种基于迁移学习的建筑能耗预测方法及设备 - Google Patents
一种基于迁移学习的建筑能耗预测方法及设备 Download PDFInfo
- Publication number
- CN112330012B CN112330012B CN202011208192.7A CN202011208192A CN112330012B CN 112330012 B CN112330012 B CN 112330012B CN 202011208192 A CN202011208192 A CN 202011208192A CN 112330012 B CN112330012 B CN 112330012B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption data
- building
- component
- prediction model
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013526 transfer learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000000737 periodic effect Effects 0.000 claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005406 washing 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
- 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
-
- 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
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)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于迁移学习的建筑能耗预测方法及设备，用以解决现有的缺乏历史能耗数据的建筑，从头建立预测模型，过程非常复杂且耗费较多时间的问题。该方法通过构建预测模型，将第一建筑的历史能耗数据输入预测模型，得到第一预测能耗数据；根据总能耗数据，得到总周期分量，总能耗数据包括历史能耗数据和第一预测能耗数据；根据总能耗数据和总周期分量，通过预测模型，得到预测剩余分量；根据总周期分量和预测剩余分量，计算第二预测能耗数据，确定预测模型训练完成；根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，通过调整后的预测模型得到第二建筑的预测能耗数据。减少建立预测模型的时间，提升了能耗数据预测的工作效率。
Description
技术领域
本申请涉及建筑能源管理技术领域，尤其涉及一种基于迁移学习的建筑能耗预测方法及设备。
背景技术
建筑能耗是总能源消费的重要组成部分，随着社会经济的发展，建筑物和建筑设施成倍增加，使得建筑能耗的大幅度增加变得不可避免。因此，利用预测模型获得建筑未来时刻的建筑能耗，研究建筑的能耗趋势，可以对建筑设备进行合理管控，从而建立合理的能源规划以提高能源利用率。
目前，在对建筑能耗数据进行预测时，通常会根据建筑的历史能耗数据，训练预测模型，进而得到建筑的预测能耗数据。
但是，对于一些缺乏历史能耗数据记录或者能耗数据有限的建筑来说，训练数据量较少，利用预测模型进行训练存在一定的困难，并且，建筑能耗数据往往表现出明显的周期模式，不同的建筑有不同的月、日、小时的能耗模式，如果针对每个建筑都从头开始建立模型、训练模型，过程将会较为复杂而且耗费较多的时间。
发明内容
本申请实施例提供一种基于迁移学习的建筑能耗预测方法及设备，用以解决现有的缺乏历史能耗数据记录或者能耗数据有限的建筑，需要从头建立能耗数据预测模型并训练模型，过程非常复杂且耗费较多时间的问题。
本申请实施例提供的一种基于迁移学习的建筑能耗预测方法，包括：构建预测模型，将第一建筑的历史能耗数据输入所述预测模型，得到第一预测能耗数据；根据总能耗数据，得到总周期分量，所述总能耗数据包括历史能耗数据和第一预测能耗数据；根据所述总能耗数据和所述总周期分量，通过所述预测模型，得到预测剩余分量；根据所述总周期分量和所述预测剩余分量，计算第二预测能耗数据，并确定所述预测模型训练完成；根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据。
在一个示例中，根据总能耗数据，得到总周期分量，包括：根据第一建筑的历史能耗数据，计算得到历史周期分量；根据第一预测能耗数据，计算得到预测周期分量；对所述历史周期分量和所述预测周期分量赋权重，得到总周期分量。
在一个示例中，根据所述总能耗数据和所述总周期分量，通过所述预测模型，得到预测剩余分量，包括：从所述总能耗数据中剔除所述总周期分量，得到原始剩余分量；将原始剩余分量输入所述预测模型，得到预测剩余分量。
在一个示例中，确定所述预测模型训练完成，包括：将所述第二预测能耗数据与第一建筑的实际能耗数据进行对比，得到误差值；当所述误差值小于预设值时，判断所述预测模型训练完成。
在一个示例中，根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，包括：将第二建筑的历史能耗数据输入到训练完成的预测模型中，预测出预设时间段内第二建筑的初步能耗数据；将第二建筑的初步能耗数据与预设时间段内第二建筑的实际能耗数据进行对比，根据对比结果调整预测模型的参数。
在一个示例中，根据第一建筑的历史能耗数据，得到历史周期分量，包括：以月为单位通过
计算第一建筑的历史周期分量M1,M2,...,Mi；其中，Mi为第一建筑的历史周期分量，N为第i月的天数，K表示第i月的第K天，T表示第K天的T时刻，Zk(T)表示当月第K天T时刻的历史能耗数据。
在一个示例中，根据第一预测能耗数据，得到预测周期分量，包括：以月为单位通过
计算第一建筑的预测周期分量M'1,M'2,...,M'n；其中，M'n为第一建筑的预测周期分量，N为第n月的天数，K表示第n月的第K天，T表示第K天的T时刻，Z'k(T)表示当月第K天T时刻的预测能耗数据。
在一个示例中，对所述历史周期分量和所述预测周期分量赋权重，得到总周期分量，包括：利用最小二乘法通过公式E(w)＝(y-y')2确定权重；其中，E(w)表示误差函数，w＝[w1,w2,...,wn]表示权重，y表示第一建筑的实际能耗数据，y'表示第二预测能耗数据；通过公式M＝w1M1+w2M2+...+wiMi+wi+1M'1+wi+2M'2+...+wnM'n计算总周期分量；其中，M表示第一建筑的总周期分量，权重w1+w2+...+wn＝1，Mi为第一建筑的历史周期分量，M'n为第一建筑的预测周期分量。
在一个示例中，通过公式R＝Z-M，计算原始剩余分量；其中，Z为所述第一建筑的总能耗数据，M为所述第一建筑的总周期分量，原始剩余分量R＝[R1(1)，R2(2)，...，Rn(T)]表示第n月中日平均T时刻的原始剩余分量。
本申请实施例提供的一种基于迁移学习的建筑能耗预测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：构建预测模型，将第一建筑的历史能耗数据输入所述预测模型，得到第一预测能耗数据；根据总能耗数据，得到总周期分量，所述总能耗数据包括历史能耗数据和第一预测能耗数据；根据所述总能耗数据和所述总周期分量，通过所述预测模型，得到预测剩余分量；根据所述总周期分量和所述预测剩余分量，计算第二预测能耗数据，并确定所述预测模型训练完成；根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据。
本申请采用的上述至少一个技术方案能够达到以下有益效果：本申请通过建筑能耗数据的周期分量与剩余分量的运算，并基于最小二乘法对周期分量进行调整，来确定预测模型的最终预测值，能够提高预测模型的准确性与精度。并且，利用与缺乏历史能耗数据的目标建筑相似的、具有丰富历史能耗数据的建筑物对预测模型进行训练，然后将训练好的模型直接运用到目标建筑的能耗预测中，根据目标建筑的输入输出数据对预测模型的参数设置进行微调。无需重新利用目标建筑建立预测模型，减少了重新训练预测模型来进行能耗数据预测的时间，大大提升了对目标建筑进行能耗数据预测工作的效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于迁移学习的建筑能耗预测方法流程图；
图2为本申请实施例提供的一种第一建筑的预测模型训练方法流程图；
图3为本申请实施例提供的对应于图1的一种基于迁移学习的建筑能耗预测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
建筑能耗是总能源消费的重要组成部分，利用预测模型获得建筑未来时刻的建筑能耗，研究建筑的能耗趋势，可以对建筑设备进行合理管控，从而建立合理的能源规划以提高能源利用率。对于一些缺乏历史能耗数据记录或者能耗数据有限的建筑来说，训练数据量较少，利用预测模型进行训练存在一定的困难，并且，建筑能耗数据往往表现出明显的周期模式，不同的建筑有不同的月、日、小时的能耗模式，如果针对每个建筑都从头开始建立模型、训练模型，过程将会较为复杂而且耗费较多的时间。
本申请实施例通过建筑能耗数据的周期分量与剩余分量的运算，并基于最小二乘法对周期分量进行调整，来确定预测模型的最终预测值，能够提高预测模型的准确性与精度。并且，利用与缺乏历史能耗数据的目标建筑相似的、具有丰富历史能耗数据的建筑物对预测模型进行训练，然后将训练好的模型直接运用到目标建筑的能耗预测中，根据目标建筑的输入输出数据对预测模型的参数设置进行微调。无需重新利用目标建筑建立预测模型，减少了重新训练预测模型来进行能耗数据预测的时间，大大提升了对目标建筑进行能耗数据预测工作的效率。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
请参见图1，图1为本申请实施例提供的一种基于迁移学习的建筑能耗预测方法流程图，具体包括以下步骤：
S101：构建预测模型，将第一建筑的历史能耗数据输入预测模型，得到第一预测能耗数据。
在本申请实施例中，服务器首先构建预测模型，并获取第一建筑的历史能耗数据。然后，服务器将第一建筑的历史能耗数据输入预测模型中，由预测模型预测并输出第一建筑的第一预测能耗数据。其中，能耗数据是指建筑的运行能耗，包括日常用能的能耗，如采暖、空调、照明、炊事、洗衣等。
由于建筑的用能模式具有周期性，所以能耗数据的组成可以分为周期分量和剩余分量，可以用下式表示：
能耗数据＝周期分量+剩余分量。其中，周期分量表示建筑周期性的用能模式，通常为周期性能耗的平均值，剩余分量表示能耗数据与建筑的周期性用能模式的差值。
在本申请实施例中，服务器利用自适应模糊神经网络ANFIS构建预测模型，根据第一建筑的历史能耗数据训练ANFIS的参数，服务器将第一建筑的历史能耗数据输入预测模型，得到第一建筑的第一预测能耗数据。
其中，ANFIS是一种基于Takagi-Sugeno模型的模糊推理系统，其将模糊控制的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现，利用神经网络的学习机制自动地从输入输出样本数据中抽取规则，构成自适应神经模糊控制器，通过离线训练和在线学习算法进行模糊推理控制规则的自调整，使其系统本身朝着自适应、自组织、自学习的方向发展。
S102：根据总能耗数据，得到总周期分量，总能耗数据包括历史能耗数据和第一预测能耗数据。
在本申请实施例中，总能耗数据包括第一建筑的历史能耗数据和第一预测能耗数据。服务器根据第一建筑的历史能耗数据和第一建筑的第一预测能耗数据，经过计算得出总周期分量。
在本申请实施例中，服务器首先根据第一建筑的历史能耗数据，计算得到第一建筑的历史周期分量。然后，服务器根据第一建筑的第一预测能耗数据，计算得到第一建筑的预测周期分量。最后，服务器对历史周期分量和预测周期分量赋权重，得到第一建筑的总周期分量。
在本申请实施例中，计算第一建筑的总周期分量的具体步骤如下：
步骤一、计算第一建筑的历史周期分量。
服务器以月为单位利用均值法，通过公式
提取第一建筑的历史日周期分量M1,M2,...,Mi，作为第一建筑的历史周期分量。
其中，Mi为第一建筑的历史周期分量，N为第i月的天数，K表示第i月的第K天，T表示第K天的T时刻，Zk(T)表示当月第K天T时刻的历史建筑能耗。
步骤二、计算第一建筑的预测周期分量。
服务器以月为单位利用均值法，通过公式
提取第一建筑的预测日周期分量M'1,M'2,...,M'n作为第一建筑的预测周期分量。
其中，M'n为第一建筑的预测周期分量，N为第n月的天数，K表示第n月的第K天，T表示第K天的T时刻，Z'k(T)表示当月第K天T时刻的预测建筑能耗。
步骤三、确定权重。
服务器利用最小二乘法，通过公式E(w)＝(y-y')2进行计算，得出权重。E(w)表示误差函数，w＝[w1,w2,...,wn]表示权重，y表示第一建筑的实际能耗数据，y'表示第二预测能耗数据。
其中，权重是指某一因素或指标相对于某一事物的重要程度，其不同于一般的比重，体现的不仅仅是某一因素或指标所占的百分比，强调的是因素或指标的相对重要程度，倾向于贡献度或重要性。w的大小与当月的能耗数据的重要性成正相关，w越大，表示当月的能耗数据越重要，w越小，表示当月的能耗数据越不重要。
步骤四、计算总周期分量。
在本申请实施例中，总周期分量由历史周期分量和预测周期分量赋权重后叠加构成，叠加权重由最小二乘法确定。
具体的，服务器计算出n个月的周期分量之后，为步骤二求出的历史周期分量M1,M2,...,Mi和预测周期分量M'1,M'2,...,M'n赋权重，再通过公式M＝w1M1+w2M2+...+wiMi+wi+ 1M'1+wi+2M'2+...+wnM'n计算得出第一建筑的总周期分量。
其中，M表示第一建筑的总周期分量，权重w1+w2+...+wn＝1，Mi为第一建筑的历史周期分量，M'n为第一建筑的预测周期分量。
在本申请实施例中，在预测模型还没有计算出第一建筑的第二预测能耗数据的时候，服务器首先取一个随机的权重值，代入公式M＝w1M1+w2M2+...+wiMi+wi+1M'1+wi+2M'2+...+wnM'n计算预设时间内第一建筑的第二预测能耗数据，然后将第二预测能耗数据与预设时间内的实际能耗数据进行对比，得出第一建筑的第二预测能耗数据与预设时间内的第一建筑的实际能耗数据的误差值。
当第一建筑的第二预测能耗数据和第一建筑的实际能耗数据的误差值小于预设值时，证明预测模型预测出来的第二预测能耗数据相对准确。此时，服务器将第二预测能耗数据代入公式E(w)＝(y-y')2，利用最小二乘法，求出权重，服务器确定该权重为正确的权重。当第一建筑的第二预测能耗数据和第一建筑的实际能耗数据的误差值大于预设值时，证明预测模型预测出来的第二预测能耗数据不准确。服务器确定该权重值不是正确的权重值，因此，服务器更换随机权重值，继续代入公式E(w)＝(y-y')2计算第一建筑的第二预测能耗数据与预设时间内的实际能耗数据的误差值，直至第一建筑的第二预测能耗数据与预设时间内的实际能耗数据的误差值小于预设值，服务器得出最终正确的权重值。其中，预设值具体可根据需要设置，本申请对此不做限定。
S103：根据总能耗数据和总周期分量，通过预测模型，得到预测剩余分量。
在本申请实施例中，服务器根据第一建筑的总能耗数据和总周期分量，通过预测模型，得到第一建筑的预测剩余分量。
具体的，服务器从总能耗数据中剔除总周期分量，利用公式R＝Z-M得到原始剩余分量。然后，服务器将原始剩余分量输入预测模型，得到预测剩余分量
其中，Z为第一建筑的总能耗数据，M为第一建筑的总周期分量，原始剩余分量R＝[R1(1)，R2(2)，...，Rn(T)]表示第n月中日平均T时刻的原始剩余分量。
S104：根据总周期分量和预测剩余分量，计算第二预测能耗数据，并确定预测模型训练完成。
在本申请实施例中，服务器将总周期分量和预测剩余分量相加，计算出第一建筑的第二预测能耗数据，并确定预测模型训练完成。
在本申请实施例中，服务器将第二预测能耗数据与第一建筑的实际能耗数据进行对比，得到误差值，当误差值小于预设值时，表示预测模型的预测准确度达到要求，服务器可确定预测模型训练完成。其中，预设值具体可根据需要设置，本申请对此不做限定。
S105：根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据。
在本申请实施例中，首先，服务器获取第二建筑的历史能耗数据，然后，服务器将第二建筑的历史能耗数据输入至训练好的预测模型，利用第二建筑的历史能耗数据调整训练完成的预测模型的参数，调整好预测模型的参数之后，利用预测模型预测出第二建筑的预测能耗数据。本申请实施例通过利用与缺乏历史能耗数据的目标建筑相似的、具有丰富历史能耗数据的建筑物对预测模型进行训练，然后将训练好的模型直接运用到目标建筑的能耗预测中，根据目标建筑的输入输出数据对预测模型的参数设置进行微调。无需重新利用目标建筑建立预测模型，减少了重新训练预测模型来进行能耗数据预测的时间，大大提升了对目标建筑进行能耗数据预测工作的效率。
在本申请实施例中，服务器将S104训练好的预测模型作为迁移预测模型，迁移到第二建筑的能耗预测中。服务器将获取到的第二建筑的历史能耗数据输入到训练完成的预测模型中，预测出预设时间段内第二建筑的初步能耗数据，然后，服务器将第二建筑的初步能耗数据与预设时间段内第二建筑的实际能耗数据进行对比，根据对比结果调整预测模型的参数。直至第二建筑的初步能耗数据与预设时间段内第二建筑的实际能耗数据的对比值小于预设值。服务器确定预测模型可用。之后，服务器将第二建筑的历史能耗数据输入调整好的预测模型中，输出第二建筑的预测能耗数据。
为了便于理解，本申请还提供了一种第一建筑的预测模型训练方法流程图。具体如图2所示。图2的步骤如下：
步骤一、服务器将第一建筑的历史能耗数据输入ANFIS模型，输出的数据为第一建筑的第一预测能耗数据。
步骤二、服务器根据第一建筑的历史能耗数据计算得到第一建筑的历史周期分量，根据第一建筑的第一预测能耗数据得到第一建筑的预测周期分量。
步骤三、服务器将第一建筑的预测周期分量和第一建筑的历史周期分量相加，得到总周期分量，再将总能耗数据减去总周期分量得到第一建筑的原始剩余分量。
步骤四、服务器将原始剩余分量输入ANFIS模型得到第一建筑的预测剩余分量，并将第一建筑的预测剩余分量加上总周期分量，即得到第一建筑的第二预测能耗数据。
以上为本申请实施例提供的一种基于迁移学习的建筑能耗预测方法，基于同样的发明思路，本申请实施例还提供了相应的基于迁移学习的建筑能耗预测设备，如图3所示。
图3为本申请实施例提供的一种基于迁移学习的建筑能耗预测设备的结构示意图，具体包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：构建预测模型，将第一建筑的历史能耗数据输入预测模型，得到第一预测能耗数据；根据总能耗数据，得到总周期分量，总能耗数据包括历史能耗数据和第一预测能耗数据；根据总能耗数据和总周期分量，通过预测模型，得到预测剩余分量；根据总周期分量和预测剩余分量，计算第二预测能耗数据，并确定预测模型训练完成；根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种基于迁移学习的建筑能耗预测方法，其特征在于，包括：
构建预测模型，将第一建筑的历史能耗数据输入所述预测模型，得到第一预测能耗数据；
根据总能耗数据，得到总周期分量，所述总能耗数据包括历史能耗数据和第一预测能耗数据；
根据所述总能耗数据和所述总周期分量，通过所述预测模型，得到预测剩余分量；
根据所述总周期分量和所述预测剩余分量，计算第二预测能耗数据，并确定所述预测模型训练完成；
根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据；
根据第一建筑的历史能耗数据，计算得到历史周期分量；
根据第一预测能耗数据，计算得到预测周期分量；
对所述历史周期分量和所述预测周期分量赋权重，得到总周期分量；
从所述总能耗数据中剔除所述总周期分量，得到原始剩余分量；
将原始剩余分量输入所述预测模型，得到预测剩余分量；
将所述第二预测能耗数据与第一建筑的实际能耗数据进行对比，得到误差值；
当所述误差值小于预设值时，判断所述预测模型训练完成；
利用自适应模糊神经网络ANFIS构建预测模型，根据第一建筑的历史能耗数据训练ANFIS的参数。
2.根据权利要求1所述的方法，其特征在于，根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，包括：
将第二建筑的历史能耗数据输入到训练完成的预测模型中，预测出预设时间段内第二建筑的初步能耗数据；
将第二建筑的初步能耗数据与预设时间段内第二建筑的实际能耗数据进行对比，根据对比结果调整预测模型的参数。
3.根据权利要求2所述的方法，其特征在于，根据第一建筑的历史能耗数据，得到历史周期分量，包括：
以月为单位通过
计算第一建筑的历史周期分量M1,M2,...,Mi；
其中，Mi为第一建筑的历史周期分量，N为第i月的天数，K表示第i月的第K天，T表示第K天的T时刻，Zk(T)表示当月第K天T时刻的历史能耗数据。
4.根据权利要求2所述的方法，其特征在于，根据第一预测能耗数据，得到预测周期分量，包括：
以月为单位通过
计算第一建筑的预测周期分量M'1,M'2,...,M'n；
其中，M'n为第一建筑的预测周期分量，N为第n月的天数，K表示第n月的第K天，T表示第K天的T时刻，Z'k(T)表示当月第K天T时刻的预测能耗数据。
5.根据权利要求2所述的方法，其特征在于，对所述历史周期分量和所述预测周期分量赋权重，得到总周期分量，包括：
利用最小二乘法通过公式E(w)＝(y-y')2确定权重；
其中，E(w)表示误差函数，w＝[w1,w2,...,wn]表示权重，y表示第一建筑的实际能耗数据，y'表示第二预测能耗数据；
通过公式M＝w1M1+w2M2+...+wiMi+wi+1M′1+wi+2M'2+...+wnM'n计算总周期分量；
其中，M表示第一建筑的总周期分量，权重w1+w2+...+wn＝1，Mi为第一建筑的历史周期分量，M'n为第一建筑的预测周期分量。
6.根据权利要求3所述的方法，其特征在于，通过公式R＝Z-M，计算原始剩余分量；
其中，Z为所述第一建筑的总能耗数据，M为所述第一建筑的总周期分量，原始剩余分量R＝[R1(1)，R2(2)，...，Rn(T)]表示第n月中日平均T时刻的原始剩余分量。
7.一种基于迁移学习的建筑能耗预测设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
构建预测模型，将第一建筑的历史能耗数据输入所述预测模型，得到第一预测能耗数据；
根据总能耗数据，得到总周期分量，所述总能耗数据包括历史能耗数据和第一预测能耗数据；
根据所述总能耗数据和所述总周期分量，通过所述预测模型，得到预测剩余分量；
根据所述总周期分量和所述预测剩余分量，计算第二预测能耗数据，并确定所述预测模型训练完成；
根据第二建筑的历史能耗数据对训练完成的预测模型进行调整，并通过调整后的预测模型得到第二建筑的预测能耗数据；
根据第一建筑的历史能耗数据，计算得到历史周期分量；
根据第一预测能耗数据，计算得到预测周期分量；
对所述历史周期分量和所述预测周期分量赋权重，得到总周期分量；
从所述总能耗数据中剔除所述总周期分量，得到原始剩余分量；
将原始剩余分量输入所述预测模型，得到预测剩余分量；
将所述第二预测能耗数据与第一建筑的实际能耗数据进行对比，得到误差值；
当所述误差值小于预设值时，判断所述预测模型训练完成；
利用自适应模糊神经网络ANFIS构建预测模型，根据第一建筑的历史能耗数据训练ANFIS的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011208192.7A CN112330012B (zh) | 2020-11-03 | 2020-11-03 | 一种基于迁移学习的建筑能耗预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011208192.7A CN112330012B (zh) | 2020-11-03 | 2020-11-03 | 一种基于迁移学习的建筑能耗预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330012A CN112330012A (zh) | 2021-02-05 |
| CN112330012B true CN112330012B (zh) | 2021-08-31 |
Family
ID=74324542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011208192.7A Active CN112330012B (zh) | 2020-11-03 | 2020-11-03 | 一种基于迁移学习的建筑能耗预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330012B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468157B (zh) * | 2021-07-12 | 2024-04-26 | 博锐尚格科技股份有限公司 | 一种基于能耗分析的相似建筑挑选方法和装置 |
| CN114266186B (zh) * | 2021-11-16 | 2023-01-13 | 山东大卫国际建筑设计有限公司 | 一种空调能耗数据缺失值填补方法、设备及介质 |
| CN115310727B (zh) * | 2022-10-11 | 2023-02-03 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140229026A1 (en) * | 2013-02-13 | 2014-08-14 | Al Cabrini | Prediction of future energy and demand usage using historical energy and demand usage |
| CN111442476A (zh) * | 2020-03-06 | 2020-07-24 | 财拓云计算(上海)有限公司 | 一种使用深度迁移学习实现数据中心节能温控的方法 |
| CN111489036B (zh) * | 2020-04-14 | 2023-06-09 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
-
2020
- 2020-11-03 CN CN202011208192.7A patent/CN112330012B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 《Transfer learning with seasonal and trend adjustment for cross-building energy forcasting》;Mauro Ribeiro;《Energy & Building》;20180203;1-12 * |
| 《函数权重单输入模块连接模糊系统设计与应用》;唐敏佳;《中国优秀硕士论文全文数据库（基础科学辑）2020年第9期》;20200915;1-39 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330012A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330012B (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
| US20200327411A1 (en) | Systems and Method on Deriving Real-time Coordinated Voltage Control Strategies Using Deep Reinforcement Learning | |
| US20230252266A1 (en) | Method for predicting and controlling awater level of a series water conveyance canal on a basis of a fuzzy neural network | |
| Keskin et al. | Adaptive neural-based fuzzy inference system (ANFIS) approach for modelling hydrological time series | |
| CN105956690A (zh) | 一种供水预测方法及系统 | |
| CN112712189B (zh) | 一种供热需求负荷预测方法 | |
| CN106026084B (zh) | 一种基于虚拟发电部落的agc功率动态分配方法 | |
| CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
| CN111811016B (zh) | 一种供暖机组单元间水力平衡调节方法及系统 | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| CN109242265A (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| Marantos et al. | Towards plug&play smart thermostats inspired by reinforcement learning | |
| CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| Ellis | Machine learning enhanced grey-box modeling for building thermal modeling | |
| Guo et al. | A data-driven real-time irrigation control method based on model predictive control | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
| CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
| CN117215190A (zh) | 一种城市固废焚烧过程炉膛温度模型预测控制方法 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
| JPH0922402A (ja) | 日最大電力需要量予測方法 |
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 |