CN112434787A - 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 - Google Patents

Abstract

本发明公开了一种基于楼宇总能耗的末端空间能耗预测方法、介质及设备，模型训练的每一步中，将预处理后的N个末端空间在t时刻及前τ个时间步上的样本数据依次送入末端空间能耗预测模型中，模型通过N次前向计算得到t时刻N个末端空间能耗预测值，将其相加与楼宇实际总能耗计算损失函数，通过梯度下降法反向传播调整末端空间能耗预测模型参数；在所有时刻样本数据上重复训练过程直至模型收敛到预测精度，完成末端空间能耗预测模型的训练；使用得到的末端空间能耗预测模型，通过楼宇暖通系统运作过程中各末端设备控制器参数、温湿度传感器、互联网天气信息、人流密度、电器及照明设备功率和房屋结构参数，对末端空间产生的能耗进行预测。本发明实现在末端空间能耗历史数据缺失的情况下对末端空间能耗预测模型的训练。

Description

基于楼宇总能耗的末端空间能耗预测方法、介质及设备

技术领域

本发明属于暖通及人工智能技术领域，具体涉及一种基于楼宇总能耗的末端空间能耗预测方法、介质及设备。

背景技术

目前我国建筑存量市场十分巨大，新时代的智慧城市及城市建设也重点涉及写字楼、酒店、学校等大型公共楼宇的智能化升级。充分实现在楼宇内的先进技术普及及应用，全面提升楼宇智能化水平，实现智能化楼宇节能的一个重要方面是建立和完善楼宇能耗管理系统，其基础是实现能耗监测和能耗预测。统计显示，楼宇内机电系统能耗占楼宇全生命周期能耗的比例超过80％，通过能耗管理和能耗预测技术实现楼宇节能已经成为一种必然趋势。准确预测楼宇末端空间能耗不仅可以为末端空间制定合理节能策略、对末端空间能源使用规划提供指导；还可以对潜在的运行风险进行预估从而及时调整机电设备运行状态，实现末端空间智能化管理。

影响楼宇及末端空间能耗的因素非常复杂，使得其能耗计算的物理模型难以用传统方法有效建立，因而人工智能驱动的能耗预测模型已成为国内外各种绿色楼宇、建筑室内环境智能化研究的领先技术方向。传统方法需要分析室内外温湿度、光照、排风量、空间尺寸等变量和能耗的关系，建立物理模型对能耗进行预测。由于变量的多样性以及变量间关系的复杂性，人工建立的物理模型难以和实际情况高度吻合，预测准确率不易保证。而现有的基于深度学习技术的空间能耗预测模型能够实施的基础是所预测空间的能耗历史数据可以从监测数据中直接获得，在一般的办公楼宇设计中，往往不会为每个末端空间加装能耗监测设备，导致现有基于深度学习技术的预测方法难以实施。在这种情况下研究末端空间能耗预测对包括末端空间节能控制在内的末端空间智能化管理具有重要意义。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于楼宇总能耗的末端空间能耗预测方法、介质及设备，利用楼宇能耗等于末端空间能耗之和的关系，通过楼宇总能耗数据、末端空间设备参数和环境数据训练末端空间能耗预测模型，并在模型中将末端空间抽象成可量化的变量，使模型能够适用于不同的末端空间，克服末端空间能耗无法直接测量的情况下难以训练能耗预测模型的缺陷，并使能耗预测模型能够适用于不同末端空间。

本发明采用以下技术方案：

基于楼宇总能耗的末端空间能耗预测方法，包括以下步骤：

S1、建立末端空间能耗预测模型；

S2、采集样本数据并进行预处理；

S3、对t时刻样本，将步骤S2预处理后的N个末端空间在t时刻及前τ个时间步上的样本数据依次送入步骤S1建立的末端空间能耗预测模型中，模型通过N次前向计算得到t时刻N个末端空间能耗预测值，利用所有末端空间能耗值之和等于楼宇总能耗的规律，在训练中将预测得到各末端空间能耗相加，与楼宇实际能耗比较计算损失函数，通过梯度下降法反向传播误差调整末端空间能耗预测模型参数；

S4、在所有时刻样本数据上重复步骤S3的训练过程直至模型收敛到预测精度，完成末端空间能耗预测模型的训练；

S5、使用步骤S4得到的末端空间能耗预测模型，通过楼宇暖通系统运作过程中各末端设备控制器参数、温湿度传感器、互联网天气信息、人流密度、电器及照明设备功率和房屋结构参数，对末端空间产生的能耗进行预测。

具体的，步骤S1中，采用LSTM网络建立末端空间能耗预测模型，LSTM层包括记忆单元c_t、输入门i_t、输出门o_t和遗忘门f_t；记忆单元c_t用于记忆任意时间间隔内的状态值；门用于管理和确定信息流是否需要进出单元，用于选择并拒绝通过网络传递的信息；输入门i_t确定添加到单元状态中的新信息数量；遗忘门f_t确定从单元状态中丢弃的信息；输出门o_t选择需被当成当前状态的输出信息；用经过输入门i_t和遗忘门f_t筛选后的输入信息更新记忆单元状态，将输出门o_t与通过tanh激活函数后的记忆单元c_t相乘以形成网络最终输出。

具体的，步骤S2中，样本数据来自楼宇系统运作过程中各末端设备控制器数据、传感器数据、互联网天气数据、各类设备的实测数据及房屋结构参数，预处理包括残缺补齐，异常值处理，类型转换和归一化处理，将末端空间抽象成外墙面积、外墙传热系数、窗墙面积比以及空间体积四个可以表现末端空间结构特征的房屋结构变量；通过将末端空间抽象成可量化变量，使不同末端空间样本数据均可用于模型的训练。

具体的，步骤S3中，模型在t时刻反向梯度更新时对各参数总误差为预测所需时间步长内各时刻误差之和，具体如下：

其中，

为t时刻各项参数的误差，τ为预测所需时间步长。

进一步的，则t时刻的各项参数的梯度更新为来自N个末端空间预测误差的均值，计算如下：

其中，Loss为网络反向传播的误差值，用p表示输入门、遗忘门、输出门和记忆状态，W_p,t、U_p,t为t时刻LSTM网络权重矩阵，N表示有N个末端空间样本数据参与模型训练，z_pt,n为t时刻LSTM网络输入门、遗忘门、输出门和记忆状态输出值，b_p,t为t时刻LSTM网络输入门、遗忘门、输出门和记忆状态偏置项。

更进一步的，网络反向传播的误差值Loss用楼宇总能耗预测值E_p与楼宇实际能耗E_r计算损失函数L得到，具体为：

Loss＝L(E_r，E_p)。

具体的，步骤S3中，通过各末端空间能耗预测值间接得到楼宇总能耗预测值E_p如下：

其中，a_n表示不同末端空间预测得到能耗，n用于区分不同的区域，n＝1,2,...,N。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

对于末端空间能耗无法直接测量的情况，利用末端空间能耗之和等于楼宇总能耗的特点，在末端空间能耗预测模型的训练过程中，用末端空间能耗和与楼宇实际总能耗计算损失函数对末端空间能耗预测模型进行参数调整，最终得到末端空间能耗预测模型；在预测模型中，将末端空间抽象成外墙面积、外墙传热系数、窗墙面积比以及空间体积四个房屋结构变量，用同一楼宇中不同末端空间样本数据同时训练模型，得到适用于不同末端空间的通用能耗预测模型。

进一步的，所构建的末端空间能耗预测模型以LSTM(长短时记忆)网络为基础，在末端空间能耗历史数据不可获得的情况下，对LSTM网络的前向计算与梯度反向更新过程过程进行调整，实现对末端空间能耗预测模型的训练。同时利用LSTM网络善于提取时间序列样本数据时间维度依赖性的特点，对末端空间将会产生的能耗进行准确预测。

进一步的，采集各末端设备控制器参数、温湿度传感器、互联网天气信息、人流密度、电器及照明设备功率和房屋结构参数以及楼宇实测总能耗历史数据作为训练样本数据集。对样本数据集进行预处理，包括残缺补齐，异常值处理，类型转换和归一化处理。对样本数据进行预处理，使样本数据集具有可用性，满足末端空间能耗预测模型的数据需求，避免模型训练过程中出现梯度消失与梯度爆炸问题。

进一步的，根据从建筑设计图纸获得的末端空间参数，将末端空间抽象成外墙面积、外墙传热系数、窗墙面积比以及空间体积四个可以表现末端空间结构特征的房屋结构变量。通过用一致的可量化变量表示不同末端空间，使不同末端空间样本数据同时用于模型训练，最终得到的末端空间能耗预测模型可适用于不同末端空间。

进一步的，在末端空间能耗预测模型训练过程中，模型t时刻各参数反向传播梯度为τ个时间步梯度均值。即在末端空间能耗预测模型训练过程中，拟合t时刻样本数据时，不仅考虑t时刻样本变量与预测结果的关系，同时考虑t时刻相邻τ个时间步样本数据对于t时刻预测结果的影响，捕捉样本数据在时间上的依赖性。

将楼宇总能耗历史数据作为训练标签值，与通过末端空间能耗预测模型间接获得的楼宇总能耗预测值计算差值，进而取均值，得到用于末端空间能耗预测模型反向传播调整参数的误差值，实现在末端空间能耗历史数据无法获得的情况下对末端空间能耗预测模型的训练。

综上所述，本发明在末端空间能耗历史数据无法直接测量的情况下，利用所有末端空间能耗值之和等于楼宇总能耗的规律，实现对末端空间能耗预测模型的训练，从而预测单独末端空间未来所产生的能耗。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明基于楼宇总能耗的末端空间能耗预测模型示意图；

图2为LSTM网络单元内部结构示意图；

图3为末端空间能耗预测模型训练示意图。

具体实施方式

本发明提供了一种基于楼宇总能耗的末端空间能耗预测方法，能够根据楼宇中末端空间室内外环境变化预测该空间所产生的能耗；用于预测的信息包括天气、房屋结构、人流密度、电器及照明设备功率、室内环境和末端控制器设定参数。其中，房屋结构被抽象为外墙面积、外墙传热系数、窗墙面积比以及空间体积四个变量，使模型能够应用于不同的末端空间；利用楼宇总能耗等于末端空间能耗之和的关系，对长短时记忆网络(LSTM)前向计算与反向梯度更新过程进行调整，用楼宇总能耗作为标签值训练模型，能够在末端空间实际能耗无法直接测量的情况下对末端空间能耗预测模型进行训练。

请参阅图3，本发明一种基于楼宇总能耗的末端空间能耗预测方法，

S1、建立末端空间能耗预测模型；

请参阅图1，将房屋结构抽象为外墙面积、外墙传热系数、窗墙面积比以及空间体积四个变量，使末端空间能耗预测模型适用于不同末端空间；末端空间能耗预测模型根据具体末端空间的室内外环境数据预测该空间未来多个时段的能耗。

请参阅图2，末端空间能耗预测模型采用LSTM网络，LSTM层由一个单元和三个门组成：记忆单元c_t、输入门i_t、输出门o_t和遗忘门f_t。

记忆单元用于记忆任意时间间隔内的状态值；门则用于管理和确定信息流是否需要进出单元，用于选择并拒绝通过网络传递的信息。

输入门确定有多少新信息要添加到单元状态中；遗忘门确定需从单元状态中丢弃哪些信息；输出门选择需被当成当前状态的输出信息；用经过输入门和遗忘门筛选后的输入信息更新记忆单元状态，将输出门与通过tanh激活函数后的记忆单元相乘以形成网络最终输出。

S2、根据步骤S1建立的末端空间能耗预测模型，采集样本数据并进行预处理；

预处理具体包括残缺补齐，类型转换和归一化处理。

本发明所提出的末端空间能耗预测模型所需样本数据来自楼宇系统运作过程中各末端设备控制器数据、传感器数据、互联网天气数据、各类设备的实测数据及房屋结构参数，具体内容如表1所示。

表1末端空间能耗预测模型训练样本主要内容

具体实施时可根据实际可监测到的数据以及需预测的能耗类别调整样本具体内容。

S3、当训练步骤S1建立的末端空间能耗预测模型拟合t时刻样本数据时，将步骤S2采集的N个末端空间在τ个时间步上的样本数据依次送入末端空间能耗预测模型中，网络通过N次前向计算得到t时刻N个末端空间能耗预测值，此时由于末端空间能耗监测数据无法获得，利用所有末端空间能耗值之和等于楼宇总能耗的规律，在训练中将预测得到t时刻各末端空间能耗相加，与楼宇实际能耗相比较计算损失函数，通过梯度下降法反向传播误差更新梯度，调整末端空间能耗预测模型参数；

在无法获得末端空间能耗历史监测数据，即训练样本标签值的情况下，利用末端空间能耗之和等于楼宇总能耗的关系，对传统LSTM多元时间序列预测模型的前向计算与反向梯度更新过程进行调整，实现对末端空间能耗预测模型的训练。

一次完整前向计算过程中，各末端空间用于下一时间步预测的样本数据依次通过同一网络状态，得到各末端空间下一时间步能耗预测值。此过程相当于将传统LSTM网络的前向计算过程分离出来，连续进行N次，最终将N次的结果进行求和，通过各末端空间能耗预测值间接得到楼宇总能耗预测值E_p，如式(1)所示：

其中，a_n表示不同末端空间预测得到能耗，n用于区分不同的区域，n＝1,2,...,N。

将楼宇总能耗预测值E_p与楼宇实际能耗E_r相比较计算损失函数，得到用于网络反向传播的误差值，如式(2)所示：

Loss＝L(E_r，E_p) (2)

通过梯度下降法反向更新梯度调整末端空间能耗预测模型参数，包括LSTM网络各模块权重与偏置项；将各参数在t时刻的梯度从来自于单个末端空间的预测误差，改为来自于N个末端空间预测误差的均值。用p表示输入门、遗忘门、输出门和记忆状态，则输入门、遗忘门、输出门和记忆状态各项参数W_i、U_i、b_i、W_f、U_f、b_f、W_o、U_o、b_o、W_c、U_c、b_c记为W_p、U_p、b_p(p＝i,f,o,c)记第n个末端空间样本数据t时刻通过LSTM网络记忆状态或门的计算结果为

则t时刻的各项参数的梯度计算如下：

模型在t时刻反向梯度更新时对各参数总梯度为预测所需时间步长内各时刻梯度之和计算如下：

最终，末端空间能耗预测模型训练过程各参数调整方法如下：

其中，γ为神经网络训练学习率；p＝i,f,o,c，表示输入门、遗忘门、输出门和记忆状态。

S4、重复上述训练过程直至模型收敛，完成末端空间能耗预测模型的训练；

S5、使用步骤S4得到的末端空间能耗预测模型，通过楼宇暖通系统运作过程中各末端设备控制器参数、温湿度传感器、互联网天气信息、人流密度、电器及照明设备功率和房屋结构参数，对末端空间产生的能耗进行预测。

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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过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。

根据实际配置的传感器、控制器和机器设备等，采集如表1所示用以训练模型的样本数据，并对采集到的样本数据进行残缺补齐、类型转换和归一化等预处理操作，使其符合末端空间能耗预测模型的输入要求。

样本数据的获取途径主要包括以下几方面：

通过互联网天气数据和室外传感器采集得到的室外气温、室外温度、风速、降雨情况、降雪情况和紫外线强度等；从建筑设计图可获得房间外墙面积、外墙传热系数、窗墙面积比以及空间体积等房屋结构抽象变量；

从考勤机记录或人体传感器采集实时办公人数；电器及照明耗电情况可通过数字电表获得；通过风速传感器获得室内风速、植入式温度传感器获得室内辐射温度等；末端空间环境控制器参数可直接读取控制器设定值；

本发明不需要获取末端空间能耗历史数据，只需获取楼宇总能耗，可通过机房设备得到。

末端空间能耗预测模型训练

基于各末端空间能耗之和等于楼宇总能耗的关系，在末端空间实际能耗无法获得的情况下，用楼宇实际能耗作为标签值实现对末端空间能耗预测模型的训练。

在末端空间能耗预测模型的训练过程中，拟合t时刻样本数据时，首先将N个末端空间在τ个时间步上的样本数据依次以末端空间为单位输入预测模型，网络通过N次LSTM前向计算，包括输入门、遗忘门、记忆状态和输出门的计算，得到t时刻N个末端空间能耗预测值a_t,n，n＝1,2,...,N。用x_t,n表示第n个末端空间在计算t时刻能耗预测值时的输入数据，则第n个末端空间样本数据经过输入门、遗忘门、记忆状态以及输出门的计算如下。

输入门计算：

i_t,n＝σ(h_t-1·W_i+x_t,n·U_i+b_i) (12)

遗忘门：

f_t,n＝σ(h_t-1·W_f+x_t,n·U_f+b_f) (13)

记忆状态：

输出门

o_t,n＝σ(h_t-1·W_o+x_t,n·U_o+b_o) (15)

记忆状态经过tanh激活函数压缩到(-1，1)与上式选择被输出的信息作Hadamard乘积，得到当前隐藏状态h_t,n：

h_t,n＝o_t*tanh(c_t) (16)

最终第n个末端空间t时刻能耗预测输出为：

a_t,n＝σ(h_t,n·V+b) (17)

末端空间能耗预测模型训练过程中的一次完整前向计算包括对N个末端空间预测t时刻能耗所需样本数据进行共N次的上述计算过程。

由于各末端空间能耗值总和等于楼宇能耗，在模型训练的一次完整前向计算过程中，将预测得到各末端空间能耗相加如式(1)所示，与楼宇实际能耗计算损失函数如式(2)所示。

末端空间能耗预测模型训练的每一步，包括一次完整的前向计算和反向梯度更新调整参数。经过完整的前向计算得到N个末端空间能耗预测的总损失值后，用其均值及学习率完成对各项参数的反向梯度更新。在所有样本数据上重复上述过程直至模型收敛，得到末端空间能耗预测模型。

末端空间能耗预测

训练结束得到末端空间能耗预测模型，输入从监测系统采集得到的天气、末端空间人流量、末端空间室内环境指标、末端空间可量化特征参数等模型输入值，可预测出对应末端空间未来多个时间步的能耗需求。

综上所述，本发明一种基于楼宇总能耗的末端空间能耗预测模型及训练方法，适用于在楼宇总能耗可监测，但末端空间能耗不可获得的情况下训练末端空间能耗预测模型。对于其它系统或数据预测模型的训练，若满足各个子系统预测值之和等于系统总体预测值的条件，也可使用本发明所提出的方法完成子系统预测模型的训练。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.基于楼宇总能耗的末端空间能耗预测方法，其特征在于，包括以下步骤：

S1、建立末端空间能耗预测模型；

S2、采集样本数据并进行预处理；

S3、对t时刻样本，将步骤S2预处理后的N个末端空间在t时刻及前τ个时间步上的样本数据依次送入步骤S1建立的末端空间能耗预测模型中，模型通过N次前向计算得到t时刻N个末端空间能耗预测值，利用所有末端空间能耗值之和等于楼宇总能耗的规律，在训练中将预测得到各末端空间能耗相加，与楼宇实际能耗比较计算损失函数，通过梯度下降法反向传播误差调整末端空间能耗预测模型参数；

S4、在所有时刻样本数据上重复步骤S3的训练过程直至模型收敛到预测精度，完成末端空间能耗预测模型的训练；

S5、使用步骤S4得到的末端空间能耗预测模型，通过楼宇暖通系统运作过程中各末端设备控制器参数、温湿度传感器、互联网天气信息、人流密度、电器及照明设备功率和房屋结构参数，对末端空间产生的能耗进行预测。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，采用LSTM网络建立末端空间能耗预测模型，LSTM层包括记忆单元c_t、输入门i_t、输出门o_t和遗忘门f_t；记忆单元c_t用于记忆任意时间间隔内的状态值；门用于管理和确定信息流是否需要进出单元，用于选择并拒绝通过网络传递的信息；输入门i_t确定添加到单元状态中的新信息数量；遗忘门f_t确定从单元状态中丢弃的信息；输出门o_t选择需被当成当前状态的输出信息；用经过输入门i_t和遗忘门f_t筛选后的输入信息更新记忆单元状态，将输出门o_t与通过tanh激活函数后的记忆单元c_t相乘以形成网络最终输出。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，样本数据来自楼宇系统运作过程中各末端设备控制器数据、传感器数据、互联网天气数据、各类设备的实测数据及房屋结构参数，预处理包括残缺补齐，异常值处理，类型转换和归一化处理，将末端空间抽象成外墙面积、外墙传热系数、窗墙面积比以及空间体积四个可以表现末端空间结构特征的房屋结构变量；通过将末端空间抽象成可量化变量，使不同末端空间样本数据均可用于模型的训练。

4.根据权利要求1所述的方法，其特征在于，步骤S3中，模型在t时刻反向梯度更新时对各参数总误差为预测所需时间步长内各时刻误差之和，具体如下：

其中，

为t时刻各项参数的误差，τ为预测所需时间步长。

5.根据权利要求4所述的方法，其特征在于，则t时刻的各项参数的梯度更新为来自N个末端空间预测误差的均值，计算如下：

其中，Loss为网络反向传播的误差值，用p表示输入门、遗忘门、输出门和记忆状态，W_p,t、U_p,t为t时刻LSTM网络权重矩阵，N表示有N个末端空间样本数据参与模型训练，

为t时刻LSTM网络输入门、遗忘门、输出门和记忆状态输出值，b_p,t为t时刻LSTM网络输入门、遗忘门、输出门和记忆状态偏置项。

6.根据权利要求5所述的方法，其特征在于，网络反向传播的误差值Loss用楼宇总能耗预测值E_p与楼宇实际能耗E_r计算损失函数L得到，具体为：

Loss＝L(E_r，E_p)。

7.根据权利要求1所述的方法，其特征在于，步骤S3中，通过各末端空间能耗预测值间接得到楼宇总能耗预测值E_p如下：

其中，a_n表示不同末端空间预测得到能耗，n用于区分不同的区域，n＝1,2,...,N。

8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。

Images