CN113191529A - 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 - Google Patents
基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 Download PDFInfo
- Publication number
- CN113191529A CN113191529A CN202110371084.XA CN202110371084A CN113191529A CN 113191529 A CN113191529 A CN 113191529A CN 202110371084 A CN202110371084 A CN 202110371084A CN 113191529 A CN113191529 A CN 113191529A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- new building
- prediction
- neural network
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000013526 transfer learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 description 12
- 230000005012 migration Effects 0.000 description 12
- 238000013480 data collection Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,涉及建筑物能耗预测技术领域,其技术方案要点是:包括以下步骤:S1、将已有建筑体能耗数据作为源域数据,将新建筑的能耗数据作为目标域数据;S2、训练源域数据和目标域数据,采用深度域适应对抗神经网络方法训练建模;S3、设置新建筑能耗数据时间间隔,筛选建模数据,更新调整训练模型,对比传统机器学习能耗预测与训练模型的能耗预测性能评价,选择优势在线预测,选择最佳时间节点进行在线预测策略过渡,实现新建筑全寿命周期在线能耗预测。本方法采用深度域适应对抗神经网络方法对新建筑的建筑能耗数据进行能耗预测,预测精度高,且能够实现新建筑全寿命周期的在线能耗预测。
Description
技术领域
本发明涉及建筑物能耗预测技术领域,更具体地说,它涉及基于迁移学习的深度对抗神经网络的新建筑能耗预测方法。
背景技术
建筑是能源消耗的重要组成部分。建筑内部耗能系统的能源利用率是影响建筑能耗的重要指标。过高的建筑能耗将会直接影响节能减排目标的达成程度。作为许多建筑能耗管理任务的基本基础,高效、可靠、准确、鲁棒的、可推广的建筑能耗预测模型对于优化建筑能源系统的运行和控制起着至关重要的作用。
目前,许多传统的机器学习或深度学习方法应用到建筑能耗预测研究领域中,例如:随机森林,支持向量回归,反向传播神经网络,长期短期记忆神经网络等。这些方法的可靠性和准确性依赖于尽量多的覆盖所有建筑能源设备工况的、数据量足够的建模数据。而且方法对于相同类型的建筑、相同设备运行工况、相似分布的能耗相关数据情形下预测精度较高,反之,则预测精度偏低。但是,对新建,或是缺少数据测量收集设备,或是数据收集量相对有限的建筑而言,可提供的建模数据量有限。如果来自新建建筑与已有建筑的所有用于预测的数据分布完全相似,则模型是通用的,可以简单的使用与已有建筑相同的能耗预测模型解决预测问题。但是不同建筑地理位置、气象条件、用户用途不同,存在明显的数据分布和特征构成差异。
因此,在没有数据调整的情况下使用相同模型进行准确的预测是无效的。为了克服上述问题,本发明旨在设计提供一种基于迁移学习的深度对抗神经网络的新建筑能耗预测方法。
发明内容
本发明的目的是提供基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,本方法采用深度域适应对抗神经网络方法对新建筑的建筑能耗数据进行能耗预测,预测精度高,且能够实现新建筑全寿命周期的在线能耗预测。
本发明的上述技术目的是通过以下技术方案得以实现的:基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,具体包括以下步骤:
S1、依据迁移学习理论进行数据收集整理,将已有建筑体的量大且工况多的建筑能耗和相关数据作为源域数据Ds,将新建筑的建筑能耗和相关数据作为目标域数据Dt,并分别对于源域数据Ds和目标域数据Dt进行数据的收集、整理、划分和预处理工作;
S2、训练数据,根据步骤S1,将源域数据Ds和目标域数据Dt进行数据训练,采用深度域适应对抗神经网络方法对其进行训练建模,得训练模型,所述训练模型用于新建筑能耗数据的学习训练,进而用于对新建筑的能耗预测;
S3、根据步骤S1和步骤S2,将新建筑的时间序列能耗数据的逐时数据设置时间间隔Δt,并筛选建模数据,然后将设置时间间隔Δt的逐时数据作为新增训练数据进行数据训练,更新调整训练模型,对新建筑的逐时的能耗数据进行在线预测;然后,对比传统机器学习能耗预测方法和所述训练模型两者的能耗预测性能评价,选择优势的在线预测,并选择时间间隔Δt中最佳的时间节点进行新建筑能耗在线预测策略的过渡,实现新建筑全寿命周期的在线能耗预测。
进一步地,步骤S2中采用深度域适应对抗神经网络方法进行训练建模的神经网络结构包括特征提取器Mf,回归预测器My和域分类器Md,所述特征提取器采用长短期神经网络,所述回归预测器和域分类器均选择完全连接层;
所述特征提取器Mf用于提取输入时间序列数据的时间特征;所述回归预测器My用于根据源域数据和目标域数据找到提取的特征与建筑能耗之间的映射并进行预测。
进一步地,所述长短期神经网络的神经细胞由遗忘门、输入门和输出门组成;
所述遗忘门的计算公式为:ft=σ(Wf·ht-1+Uf·xt+bf);
所述输入门的计算公式为:it=σ(Wi·ht-1+Ui·xt+bi),
at=tanh(Wa·ht-1+Ua·xt+ba),
ct=ct-1·ft+it·at;
所述输出门的计算公式为:ot=σ(Wo·ht-1+Uo·xt+bo),
ht=ot·tanh(ct);
其中,ft为遗忘门输出,σ为Sigmoid激活函数,tanh为激活函数,W、U为权重矩阵,b为偏差矩阵;
所述长短期神经网络的神经细胞的计算过程为:通过在t时刻的输入值xt结合t-1时刻的状态信息ct-1和输出值ht-1,经遗忘门、输入门和输出门三者共同作用后,剔除无用信息,保留有用信息,然后输出t时刻的状态信息ct和输出值ht,并将其用于下一时刻的细胞学习计算,如此持续下去直到完成所有细胞的计算;
所述长短期神经网络的回归预测的损失值Ly的计算公式为:
综上所述,本发明具有以下有益效果:
1、本发明依据迁移学习理论进行数据收集整理,将已有建筑体的量大且工况多的建筑能耗和相关数据作为源域数据,将新建筑的建筑能耗和相关数据作为目标域数据,并分别对于源域数据和目标域数据进行数据的收集、整理、划分和预处理工作,采用深度域适应对抗神经网络方法对新建筑的建筑能耗数据进行训练建模,通过训练模型,对新建筑能耗数据的学习训练,通过训练模型,便于找到源域数据和目标域数据的相似之处并进行能耗预测能力的有效迁移,便于对新建筑的能耗进行精确预测;
2、本发明针对将新建筑的时间序列能耗数据设置时间间隔,并筛选建模数据,然后将设置时间间隔的逐时数据作为新增训练数据进行数据训练,更新调整训练模型,便于对新建筑的逐时的能耗数据进行在线预测;同时,通过对比传统机器学习能耗预测方法和所述训练模型两者的能耗预测性能评价,选择优势的在线预测,并选择时间间隔中最佳的时间节点进行新建筑能耗在线预测策略的过渡,能够实现新建筑全寿命周期的在线能耗预测。
附图说明
图1是为传统机器学习算法的新建筑能耗预测实现过程图;
图2是本发明实施例中基于迁移学习理论的深度领域适应对抗神经网络的新建筑能耗预测实现过程图;
图3是本发明实施例中基于迁移学习的深度对抗神经网络的新建筑能耗预测的在线预测流程图;
图4是本发明实施例中选择性迁移的办公建筑能耗在线预测策略折线图;
图5是本发明实施例中选择性迁移的医院建筑能耗在线预测策略折线图。
具体实施方式
以下结合附图1-5对本发明作进一步详细说明。
实施例:基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,如图1、图2和图3所示,具体包括以下步骤:
S1、依据迁移学习理论进行数据收集整理,将已有建筑体的量大且工况多的建筑能耗和相关数据作为源域数据Ds,将新建筑的建筑能耗和相关数据作为目标域数据Dt,并分别对于源域数据Ds和目标域数据Dt进行数据的收集、整理、划分和预处理工作;
S2、训练数据,根据步骤S1,将源域数据Ds和目标域数据Dt进行数据训练,采用深度域适应对抗神经网络方法对其进行训练建模,得训练模型,训练模型用于新建筑能耗数据的学习训练,进而用于对新建筑的能耗预测;
S3、根据步骤S1和步骤S2,将新建筑的时间序列能耗数据的逐时数据设置时间间隔Δt,并筛选建模数据,然后将设置时间间隔Δt的逐时数据作为新增训练数据进行数据训练,更新调整训练模型,对新建筑的逐时的能耗数据进行在线预测;然后,对比传统机器学习能耗预测方法和训练模型两者的能耗预测性能评价,且使用平均绝对误差(MAE)进行评价,评价计算公式为:其中n为数据的数量,yi和代表建筑能耗的实际值和预测值;然后选择优势的在线预测,并选择时间间隔Δt中最佳的时间节点进行新建筑能耗在线预测策略的过渡,实现新建筑全寿命周期的在线能耗预测。
其中,步骤S2中采用深度域适应对抗神经网络方法进行训练建模的神经网络结构包括特征提取器Mf,回归预测器My和域分类器Md,特征提取器采用长短期神经网络,回归预测器和域分类器均选择完全连接层;
特征提取器Mf用于提取输入时间序列数据的时间特征;回归预测器My用于根据源域数据和目标域数据找到提取的特征与建筑能耗之间的映射并进行预测。
其中,长短期神经网络的神经细胞由遗忘门、输入门和输出门组成;
遗忘门的计算公式为:ft=σ(Wf·ht-1+Uf·xt+bf) (1);
输入门的计算公式为:it=σ(Wi·ht-1+Ui·xt+bi) (2),
at=tanh(Wa·ht-1+Ua·xt+ba) (3),
ct=ct-1·ft+it·at (4);
输出门的计算公式为:ot=σ(Wo·ht-1+Uo·xt+bo) (5),
ht=ot·tanh(ct) (6);
其中,ft为遗忘门输出,σ为Sigmoid激活函数,tanh为激活函数,W、U为权重矩阵,b为偏差矩阵;
长短期神经网络的神经细胞的计算过程为:通过在t时刻的输入值xt结合t-1时刻的状态信息ct-1和输出值ht-1,经遗忘门、输入门和输出门三者共同作用后,剔除无用信息,保留有用信息,然后输出t时刻的状态信息ct和输出值ht,并将其用于下一时刻的细胞学习计算,如此持续下去直到完成所有细胞的计算;
长短期神经网络的回归预测的损失值Ly的计算公式为:
在本实施例中,域分类器用于尝试区分特征提取器提取的特征是源域还是目标域。训练模型训练域分类器以正确识别提取的特征的域标签(源:0,目标1),其域分类的损失值Ld定义为二进制交叉熵,其计算公式如下式(8)所示:
其中,n为数据的数量,li和分别为实际的域标签和预测的域标签。训练特征提取器以一种对抗的形式,通过引入梯度反转层Gλ,降低源域和目标域之间的差异,使域分类器难以区分域标签,其前向和反向的传播过程如下公式(9)和(10)所示:
Gλ(x)=x (9),
其中,I为单位矩阵,α是一个正超参数,用于实现回归损失和域分类之间的权衡,η是一个常数项,q是数据当前的批次,k是数据当前的迭代次数,m是总的迭代次数,C是源域和目标域的训练数据中最小总批次的长度。然后通过梯度下降的方法,对Gλ进行优化,优化过程如下公式(13)-(18)所示:
其中wf,wy,wd分别为特征提取器Mf,回归预测器My和域分类器Md的网络连接权重,NS和NT分别代表源域数据和目标域数据的数量,R代表函数符号。然后通过搜索最小化点wf,wy,wd进行损失函数φ的优化,如下公式(14)-(15):
训练模型中的学习权值通过梯度下降更新,表示为如下式(16)-(18)所示:
其中,λ表示学习率,式(16)-(18)则可以通过做梯度下降算法来实现最优权值参数。此时,特征提取器提取的特征可以认为是域不变的,经过上述学习过程,即可将来自源域数据和目标域数据的建筑能耗数据,利用本发明的方法,直接应用于目标域的新建建筑的能耗预测。
在本发明的实施例中,新建筑的时间序列能耗数据是一种在线的数据流,新建筑的能耗数据的体量、工况范围会逐步增大。如图3所示,在进行新建筑在线能耗预测时,需设置一定的时间间隔,筛选建模数据,更新调整模型,一次来提高在线预测精度。当进行到某一时间节点时,新建筑收集到的能耗数据体量较为充足、工况范围较广,仅仅使用目标域数据采用传统的机器学习方法也有足够的能耗预测精度。同时,本发明的其他核心任务是设置合理的时间间隔,对比传统的机器学习能耗预测方法与本发明的基于迁移学习理论的深度领域适应对抗神经网络的新建筑能耗预测方法,并选择更优的在线预测模型,同时选择一个最佳的时间节点进行在线预测策略的过渡,从而实现新建筑全寿命周期更好的在线能耗预测。
本发明方案的有效性通过以下一个公开的建筑能耗数据集进行实验验证。
本实施例从该数据集中选择了4栋位于美国的办公楼和医院建筑对本发明所提方法的能耗预测性能进行验证和评价。建筑1#是一栋办公建筑,建筑面积为3328m2,在本实施例中是为源域建筑;建筑2#是另一栋用能行为方式不同的办公建筑,建筑面积为11795m2,在本实施例中是为目标域1的建筑;建筑3#是医院建筑,建筑面积为11295m2,在本实施例中是为源域建筑,建筑4#是另一栋医院建筑,建筑面积为41806m2,在本实施例中是为目标域2的建筑;在本发明中假设建筑2#和4#为新建建筑。其中,训练数据包括源域数据和目标域数据,源域建筑1#、3#包含一年的天气、能耗样本数共8784条,而目标域1建筑2#和目标域2建筑4#是随着时间ΔT地不断累积数据量逐渐增加,ΔT为7天。测试数据集为目标域建筑2#和建筑4#的当前时刻t0之后的7天数据。
传统机器学习采用长短期记忆神经网络算法(LSTM)的在线数据预测,训练集数据也是随着在线数据每周的累积而增加,测试集数据为当前时刻t0之后的7天数据。
在本实施例中,能耗预测模型预测性能的评估主要使用以下平均绝对误差(MAE)的公式进行评估:
本实施例所采用的计算资源和计算实验条件为内存8GB,处理器为Intel Core i5的电脑,深度领域自适应对抗神经网络在Python 3.7和Pytorch1.4.0环境下进行构建。
在本实施例中,图4是建筑1#为源域数据,建筑2#为目标域数据的选择性迁移的办公建筑能耗在线预测策略折线图,曲线1为基于迁移学习理论的深度领域适应对抗神经网络的办公筑能耗预测,曲线2在无迁移下LSTM进行的在线数据能耗预测。在25周次之前采用迁移学习会优于无迁移下LSTM进行的在线数据能耗预测,随着在线数据的增加,无迁移情形下LSTM算法会优于迁移学习进行的在线数据能耗预测。
在本实施例中,图5是建筑3#为源域数据,建筑4#为目标域数据的选择性迁移的医院建筑能耗在线预测策略折线图,其中,曲线1代表迁移理论的深度领域适应对抗神经网络能耗预测的MAE值,曲线2代表LSTM的在线数据能耗预测的MAE值。在25周次之前采用迁移学习会优于无迁移情形下LSTM进行的在线数据能耗预测,随着在线数据的增加,25周次之后的无迁移情形下LSTM算法会优于迁移学习进行的在线数据能耗预测。因此采用本发明可以对新建建筑进行更精准的能耗预测,从而优化对其能源系统运行和控制。
根据上述本发明的实施例,本发明的基于迁移学习的深度对抗神经网络的新建筑能耗预测方法具有以下有益效果:
1、本发明依据迁移学习理论进行数据收集整理,将已有建筑体的量大且工况多的建筑能耗和相关数据作为源域数据,将新建筑的建筑能耗和相关数据作为目标域数据,并分别对于源域数据和目标域数据进行数据的收集、整理、划分和预处理工作,采用深度域适应对抗神经网络方法对新建筑的建筑能耗数据进行训练建模,通过训练模型,对新建筑能耗数据的学习训练,通过训练模型,便于找到源域数据和目标域数据的相似之处并进行能耗预测能力的有效迁移,便于对新建筑的能耗进行精确预测;
2、本发明针对将新建筑的时间序列能耗数据设置时间间隔,并筛选建模数据,然后将设置时间间隔的逐时数据作为新增训练数据进行数据训练,更新调整训练模型,便于对新建筑的逐时的能耗数据进行在线预测;同时,通过对比传统机器学习能耗预测方法和所述训练模型两者的能耗预测性能评价,选择优势的在线预测,并选择时间间隔中最佳的时间节点进行新建筑能耗在线预测策略的过渡,能够实现新建筑全寿命周期的在线能耗预测。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,其特征是:具体包括以下步骤:
S1、依据迁移学习理论进行数据收集整理,将已有建筑体的量大且工况多的建筑能耗和相关数据作为源域数据Ds,将新建筑的建筑能耗和相关数据作为目标域数据Dt,并分别对于源域数据Ds和目标域数据Dt进行数据的收集、整理、划分和预处理工作;
S2、训练数据,根据步骤S1,将源域数据Ds和目标域数据Dt进行数据训练,采用深度域适应对抗神经网络方法对其进行训练建模,得训练模型,所述训练模型用于新建筑能耗数据的学习训练,进而用于对新建筑的能耗预测;
S3、根据步骤S1和步骤S2,将新建筑的时间序列能耗数据的逐时数据设置时间间隔Δt,并筛选建模数据,然后将设置时间间隔Δt的逐时数据作为新增训练数据进行数据训练,更新调整训练模型,对新建筑的逐时的能耗数据进行在线预测;然后,对比传统机器学习能耗预测方法和所述训练模型两者的能耗预测性能评价,选择优势的在线预测,并选择时间间隔Δt中最佳的时间节点进行新建筑能耗在线预测策略的过渡,实现新建筑全寿命周期的在线能耗预测。
2.根据权利要求1所述的基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,其特征是:步骤S2中采用深度域适应对抗神经网络方法进行训练建模的神经网络结构包括特征提取器Mf,回归预测器My和域分类器Md,所述特征提取器采用长短期神经网络,所述回归预测器和域分类器均选择完全连接层;
所述特征提取器Mf用于提取输入时间序列数据的时间特征;所述回归预测器My用于根据源域数据和目标域数据找到提取的特征与建筑能耗之间的映射并进行预测。
3.根据权利要求2所述的基于迁移学习的深度对抗神经网络的新建筑能耗预测方法,其特征是:所述长短期神经网络的神经细胞由遗忘门、输入门和输出门组成;
所述遗忘门的计算公式为:ft=σ(Wf·ht-1+Uf·xt+bf);
所述输入门的计算公式为:it=σ(Wi·ht-1+Ui·xt+bi),
at=tanh(Wa·ht-1+Ua·xt+ba),
ct=ct-1·ft+it·at;
所述输出门的计算公式为:ot=σ(Wo·ht-1+Uo·xt+bo),
ht=ot·tanh(ct);
其中,ft为遗忘门输出,σ为Sigmoid激活函数,tanh为激活函数,W、U为权重矩阵,b为偏差矩阵;
所述长短期神经网络的神经细胞的计算过程为:通过在t时刻的输入值xt结合t-1时刻的状态信息ct-1和输出值ht-1,经遗忘门、输入门和输出门三者共同作用后,剔除无用信息,保留有用信息,然后输出t时刻的状态信息ct和输出值ht,并将其用于下一时刻的细胞学习计算,如此持续下去直到完成所有细胞的计算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371084.XA CN113191529A (zh) | 2021-04-07 | 2021-04-07 | 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371084.XA CN113191529A (zh) | 2021-04-07 | 2021-04-07 | 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191529A true CN113191529A (zh) | 2021-07-30 |
Family
ID=76974831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371084.XA Pending CN113191529A (zh) | 2021-04-07 | 2021-04-07 | 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191529A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
-
2021
- 2021-04-07 CN CN202110371084.XA patent/CN113191529A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
CN112101521A (zh) * | 2020-08-13 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
Ju et al. | Application of seasonal SVR with chaotic gravitational search algorithm in electricity forecasting | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
Xuemei et al. | Particle swarm optimization-based LS-SVM for building cooling load prediction | |
CN111915058A (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN116110234B (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
Wang et al. | Multi-step-ahead time series prediction method with stacking LSTM neural network | |
Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
CN111160650A (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN113191529A (zh) | 基于迁移学习的深度对抗神经网络的新建筑能耗预测方法 | |
CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 |
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 |