CN113837488A - 能源消耗数据预测方法、系统、设备 - Google Patents

能源消耗数据预测方法、系统、设备 Download PDF

Info

Publication number
CN113837488A
CN113837488A CN202111195457.9A CN202111195457A CN113837488A CN 113837488 A CN113837488 A CN 113837488A CN 202111195457 A CN202111195457 A CN 202111195457A CN 113837488 A CN113837488 A CN 113837488A
Authority
CN
China
Prior art keywords
energy consumption
consumption data
prediction result
data
prediction
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
Application number
CN202111195457.9A
Other languages
English (en)
Other versions
CN113837488B (zh
Inventor
黄飞
王立新
姚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Guotie Electric Co ltd
Original Assignee
Nanjing Guotie Electric Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Guotie Electric Co ltd filed Critical Nanjing Guotie Electric Co ltd
Priority to CN202111195457.9A priority Critical patent/CN113837488B/zh
Publication of CN113837488A publication Critical patent/CN113837488A/zh
Application granted granted Critical
Publication of CN113837488B publication Critical patent/CN113837488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—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
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于建筑能耗预测技术领域，具体涉及一种能源消耗数据预测方法、系统、设备，旨在解决现有能源消耗数据预测方法未能综合考虑时间横轴、纵轴以及相似建筑对能源消耗预测的影响，导致预测准确度低、鲁棒性差的问题。本方法包括获取待预测建筑的历史能耗数据，作为输入数据；对输入数据进行预处理；选取第一能耗数据、第二能耗数据、第三能耗数据，通过能耗预测模型，得到预测结果，并分别计算第一预测结果、第三预测结果与对应的真实能耗数据的差值，对第二预测结果进行加权；获取第一相似建筑；基于第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权。本发明本发明提高了能耗预测的准确度、鲁棒性。

Description

能源消耗数据预测方法、系统、设备
技术领域
本发明属于建筑能耗预测技术领域，具体涉及一种能源消耗数据预测方法、系统、设备。
背景技术
随着城市化进程的不断加速，能源问题日益突出。建筑能耗在社会总能耗中所占比例从上个世纪七十年代末的10％上升到28％。随着建筑能耗在我国能源消耗中的比重日益增大，建筑节能已经迫在眉睫。建筑能耗的准确预测不仅是实现建筑能耗分析和节能评估的前提条件，也是进行建筑节能优化设计的重要依据之一。
传统的建筑能耗预测分析方法通常为物理建模方法，它有着建模与计算耗时长，模型复杂度高，应用繁琐等缺点。而基于数据驱动方法的建筑能耗模型，不需要物理参数和热力学平衡方程，可以仅依靠过往历史数据的分析对建筑能耗做出较准确的预测，同时可以不断改善模型性能，获得较好的预测精度。随着神经网络的快速发展，神经网络逐渐作为一种重要的基于数据驱动的能耗预测方法，有模拟时间短，且适用于非线性问题等优点。但现有技术中未能综合考虑时间横轴、纵轴以及相似建筑对能源消耗预测的影响，导致预测准确度较低的问题。基于此，本发明提出了一种能源消耗数据预测方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的能源消耗数据预测方法未能综合考虑时间横轴、纵轴以及相似建筑对能源消耗预测的影响，导致预测准确度低、鲁棒性差的问题，本发明第一方面，提出了一种能源消耗数据预测方法，该方法包括：
步骤S100，获取待预测建筑的历史能耗数据，作为输入数据；
步骤S200，对所述输入数据进行预处理，得到预处理数据；
步骤S300，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 582258DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 275408DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 805746DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 558939DEST_PATH_IMAGE004
表示年份，
Figure 423995DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 920836DEST_PATH_IMAGE006
表示预设值；
步骤S400，采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
步骤S500，基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
在一些优选的实施方式中，所述预处理包括异常数据清洗、线性插值补全和数据归一化。
在一些优选的实施方式中，所述能耗预测模型，其训练方法为：
A10，获取建筑能耗训练样本数据及其对应的预测结果真值标签；
A20，对所述建筑能耗训练样本数据进行预处理，得到预处理数据；
A30，基于预处理后数据，按照步骤S300的方法计算第一预测结果与其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值，将两差值进行加权求和求平均，将求平均后的平均值作为损失，对能耗预测模型中第一通道、第三通道进行参数更新；所述第一通道用于获取第一预测结果；所述第三通道用于获取第三预测结果；
A40，循环执行A30，直至得到训练好的第一通道、第三通道；
A50，基于步骤A20获取预处理数据，结合训练好的能耗预测模型中第一通道、第三通道，按照步骤S300-步骤S500的方法，获取待预测建筑最终的能耗数据预测结果；
A60，计算待预测建筑最终的能耗数据预测结果与其对应的真值标签的损失值，并基于该损失值更新能耗预测模型中第二通道的模型参数；所述第二通道用于获取第二预测结果；
A70，循环执行步骤A50-步骤A60，直至得到训练好的能耗预测模型。
在一些优选的实施方式中，步骤A70之后还包括步骤A80，模型强化训练：即结合训练好的时序预测模型，通过预设的教师知识蒸馏方法对训练好的能耗预测模型进行强化训练，包括：
将基于RNN与LSTM构建的时序预测模型作为教师模型：通过时序预测模型对输入的按时序排序的能耗数据进行预测，用输出的预测结果作为监督信息，对所述能耗预测模型进行监督学习。
在一些优选的实施方式中，所述能耗预测模型的第二通道其在训练时的损失函数
Figure 367998DEST_PATH_IMAGE007
为：
Figure 760933DEST_PATH_IMAGE008
Figure 129597DEST_PATH_IMAGE009
Figure 961287DEST_PATH_IMAGE010
其中，
Figure 983994DEST_PATH_IMAGE011
表示建筑能耗训练样本数据
Figure 547831DEST_PATH_IMAGE012
对应的预测结果真值标签，
Figure 200529DEST_PATH_IMAGE013
表示待预测建 筑最终的能耗数据预测结果，
Figure 773593DEST_PATH_IMAGE014
表示建筑能耗训练样本数据的数量，
Figure 133030DEST_PATH_IMAGE015
、
Figure 195664DEST_PATH_IMAGE016
表示RNN、LSTM 提取的特征，
Figure 257030DEST_PATH_IMAGE017
表示RNN与LSTM输出的维度，
Figure 899364DEST_PATH_IMAGE018
为自然数，表示下标，
Figure 175624DEST_PATH_IMAGE019
表示权重。
在一些优选的实施方式中，“将两差值进行加权求和求平均”，其方法为：
Figure 612422DEST_PATH_IMAGE020
其中，
Figure 911816DEST_PATH_IMAGE021
表示平均值，
Figure 888999DEST_PATH_IMAGE022
、
Figure 472296DEST_PATH_IMAGE023
表示预设的权重，
Figure 814416DEST_PATH_IMAGE024
、
Figure 663423DEST_PATH_IMAGE025
分别表示第一预测结果与 其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值。
本发明的第二方面，提出了一种能源消耗数据预测系统，该系统包括：数据获取模块、预处理模块、预测加权模块、相关性计算模块、输出模块；
所述数据获取模块，配置为获取待预测建筑的历史能耗数据，作为输入数据；
所述预处理模块，配置为对所述输入数据进行预处理，得到预处理数据；
所述预测加权模块，配置为按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 381980DEST_PATH_IMAGE026
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 570516DEST_PATH_IMAGE027
时间段内的历史能耗数据；所述第三能耗数据为
Figure 598384DEST_PATH_IMAGE028
时间段内的历史能耗数据；其中，
Figure 934687DEST_PATH_IMAGE029
表示年份，
Figure 191356DEST_PATH_IMAGE030
表示待预 测的月份，
Figure 499978DEST_PATH_IMAGE031
表示预设值；
所述相关性计算模块，配置为采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
所述输出模块，配置为基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
本发明的第三方面，提出了一种电子设备，至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求上述的能源消耗数据预测方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的能源消耗数据预测方法。
本发明的有益效果：
本发明提高了能耗预测的准确度、鲁棒性。
1）本发明基于待预测建筑的历史能耗数据，沿时间横轴、纵轴抽取不同时间段的数据，然后输入多通道的能耗预测模型，获取事件纵轴、横轴的预测结果，对待预测建筑设定时间的预测结果进行加权；加权后，采集设定范围内多个同类型建筑的历史能耗数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，获取与待预测建筑相似性最大的同类型建筑，进而对预测结果进行二次加权调整，保证预测结果的准确性。
2）针对多通道的神经网络模型，本发明通过固定不同通道的参数，进行先后多批次训练，能够以更小的网络规模实现更高的建模精度，进而提升能耗预测模型的鲁棒性，提高能耗预测结果的精度。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的能源消耗数据预测方法的流程示意图；
图2是本发明一种实施例的能源消耗数据预测系统的框架示意图；
图3是本发明一种实施例的能耗预测模型训练过程的流程示意图；
图4是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合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。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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种能源消耗数据预测方法，如图1所示，该方法包括：
步骤S100，获取待预测建筑的历史能耗数据，作为输入数据；
步骤S200，对所述输入数据进行预处理，得到预处理数据；
步骤S300，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 246217DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 741921DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 320057DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 279923DEST_PATH_IMAGE004
表示年份，
Figure 400325DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 648904DEST_PATH_IMAGE006
表示预设值；
步骤S400，采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
步骤S500，基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
为了更清晰地对本发明能源消耗数据预测方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中，先对能耗预测模型的训练过程进行阐述，再对能源消耗数据预测方法获取预测结果的过程进行详述。
1、能耗预测模型的训练过程，如图3所示
A10，获取建筑能耗训练样本数据及其对应的预测结果真值标签；
建筑能耗（即建筑能源消耗）有两种定义方法：广义建筑能耗是指从建筑材料制造、建筑施工，一直到建筑使用的全过程能耗。狭义的建筑能耗，即建筑的运行能耗，就是人们日常用能，如采暖、空调、照明、炊事、洗衣等的能耗。
在本实施例中，获取的建筑能耗训练样本数据为狭义的建筑能耗，主要包括采暖、空调、照明等引起的电能消耗。
A20，对所述建筑能耗训练样本数据进行预处理，得到预处理数据；
在本实施例中，对获取的训练样本数据进行预处理。预处理包括异常数据清洗、线性插值补全和数据归一化等方法。在其他实施例中，可以根据实际情况进行选取。
A30，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入预构建的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算第一预测结果与其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值，将两差值进行加权求和求平均，将求平均后的平均值作为损失，对能耗预测模型中第一通道、第三通道进行参数更新；所述第一通道用于获取第一预测结果；所述第三通道用于获取第三预测结果；
所述第一能耗数据为
Figure 309693DEST_PATH_IMAGE026
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 327327DEST_PATH_IMAGE027
时间段内的历史能耗数据；所述第三能耗数据为
Figure 867899DEST_PATH_IMAGE028
时间段内的历史能耗数据；其中，
Figure 400511DEST_PATH_IMAGE029
表示年份，
Figure 68253DEST_PATH_IMAGE030
表示待预 测的月份，
Figure 674815DEST_PATH_IMAGE031
表示预设值；
在本实施例中，能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加；其中RNN中神经元的长度与LSTM中时间步的大小一致。
所述能耗预测模型，其在训练时，先固定能耗预测模型的第二通道（第二通道用于获取第二预测结果）的参数，对第一通道、第三通道进行更新；更新后，固定第一通道、第三通道的参数，对第二通道的参数进行更新。具体过程如下：
从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，即
Figure 402599DEST_PATH_IMAGE032
时间段内的历史能耗数据、
Figure 422508DEST_PATH_IMAGE033
时间段内的 历史能耗数据、
Figure 877629DEST_PATH_IMAGE034
时间段内的历史能耗数据，消除现有的 预测模型，其在训练时，仅考虑t-1或t-N的历史能耗数据进行模型的训练，忽略了横向时间 轴/纵向时间轴（例如，预测9月份的能耗，现有的能耗预测仅考虑7、8月的能耗，未考虑8月 份的预测结果以及去年9月的预测结果对今年9月预测结果的影响）对的能耗值预测结果对 当前预测的影响，导致能耗预测模型精度较差，进而导致预测准确性较低。
第一能耗数据、第二能耗数据、第三能耗数据，输入预构建的的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算第一预测结果与其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值，将两差值进行加权求和求平均，将求平均后的平均值作为损失，对能耗预测模型中第一通道、第三通道进行参数更新。
“将两差值进行加权求和求平均”，其计算过程如式（1）所示：
Figure 604277DEST_PATH_IMAGE020
（1）
其中，
Figure 299700DEST_PATH_IMAGE021
表示平均值，
Figure 744588DEST_PATH_IMAGE022
、
Figure 488553DEST_PATH_IMAGE023
表示预设的权重，
Figure 397603DEST_PATH_IMAGE024
、
Figure 450879DEST_PATH_IMAGE025
分别表示第一预测结果与 其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值。
A40，循环执行A30，直至得到训练好的第一通道、第三通道；
A50，基于步骤A20获取预处理数据，结合训练好的能耗预测模型中第一通道、第三通道，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为获取待预测建筑最终的能耗数据预测结果；
A60，计算待预测建筑最终的能耗数据预测结果与其对应的真值标签的损失值，并基于该损失值更新能耗预测模型中第二通道的模型参数；所述第二通道用于获取第二预测结果；
在本实施例中，能耗预测模型的第二通道其在训练时的损失函数
Figure 383063DEST_PATH_IMAGE007
为：
Figure 727456DEST_PATH_IMAGE008
（2）
Figure 694275DEST_PATH_IMAGE009
（3）
Figure 403605DEST_PATH_IMAGE010
（4）
其中，
Figure 885402DEST_PATH_IMAGE011
表示建筑能耗训练样本数据
Figure 488946DEST_PATH_IMAGE012
对应的预测结果真值标签，
Figure 44693DEST_PATH_IMAGE013
表示待预测建 筑最终的能耗数据预测结果，
Figure 252820DEST_PATH_IMAGE014
表示建筑能耗训练样本数据的数量，
Figure 159596DEST_PATH_IMAGE015
、
Figure 783476DEST_PATH_IMAGE016
表示RNN、LSTM 提取的特征，
Figure 521625DEST_PATH_IMAGE017
表示RNN与LSTM输出的维度，
Figure 87604DEST_PATH_IMAGE018
为自然数，表示下标，
Figure 216097DEST_PATH_IMAGE019
表示权重。
A70，循环执行步骤A50-步骤A60，直至得到训练好的能耗预测模型。
步骤A70之后还包括步骤A80，模型强化训练：即结合训练好的时序预测模型，通过预设的教师知识蒸馏方法对训练好的能耗预测模型进行强化训练，包括：
将基于RNN与LSTM构建的时序预测模型作为教师模型：通过时序预测模型对输入的按时序排序的能耗数据进行预测，用输出的预测结果作为监督信息，对所述能耗预测模型进行监督学习。
2、能源消耗数据预测方法
步骤S100，获取待预测建筑的历史能耗数据，作为输入数据；
在本实施例中，先获取获取待预测建筑的历史能耗数据。
步骤S200，对所述输入数据进行预处理，得到预处理数据；
在本实施例中，预处理方法如步骤A20的预处理方法，此处不再阐述。
步骤S300，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 705984DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 501902DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 989515DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 667621DEST_PATH_IMAGE004
表示年份，
Figure 148150DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 532995DEST_PATH_IMAGE006
表示预设值；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加；其中RNN中神经元的长度与LSTM中时间步的大小一致。
在本实施例中，从预处理数据中选取
Figure 253826DEST_PATH_IMAGE035
时间段内的历史能 耗数据、
Figure 622490DEST_PATH_IMAGE036
时间段内的历史能耗数据、
Figure 391863DEST_PATH_IMAGE037
时间段内的历史能耗数据输入训练好的呢更好预测模 型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算第一 预测结果与其对应的真实能耗数据、第三预测结果与其对应的真实能耗数据的差值，并基 于两差值对第二预测结果进行加权。
步骤S400，采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
在本实施例中，为了进一步保证预测结果的准确度，本发明通过参考相同类型的建筑能耗对待预测建筑的能耗进行调整。具体处理过程如下：
采集设定范围内多个同类型建筑的历史能耗数据，结合待预测建筑的历史能耗数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性相同（即均为最大）但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑。即选取曲线相关性最大的同类型建筑或者曲线相关性相同（即曲线相关性均为最大）但历史能耗数据与待预测建筑能耗数据中的最大影响因素相同或者占比最高的，作为第一相似建筑，对待预测建筑的预测结果进行调整。
步骤S500，基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
在本实施例中，计算选取的第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，根据相关度对加权后的第二预测结果进行加权，将二次加权后的第二预测结果作为待预测建筑最终的能耗数据预测结果。
本发明第二实施例的一种能源消耗数据预测系统，如图2所示，该系统包括：数据获取模块100、预处理模块200、预测加权模块300、相关性计算模块400、输出模块500；
所述数据获取模块100，配置为获取待预测建筑的历史能耗数据，作为输入数据；
所述预处理模块200，配置为对所述输入数据进行预处理，得到预处理数据；
所述预测加权模块300，配置为按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 693532DEST_PATH_IMAGE026
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 37794DEST_PATH_IMAGE027
时间段内的历史能耗数据；所述第三能耗数据为
Figure 628176DEST_PATH_IMAGE028
时间段内的历史能耗数据；其中，
Figure 997977DEST_PATH_IMAGE029
表示年份，
Figure 622993DEST_PATH_IMAGE030
表示待预 测的月份，
Figure 623310DEST_PATH_IMAGE031
表示预设值；
所述相关性计算模块400，配置为采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
所述输出模块500，配置为基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的能源消耗数据预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种写字楼能源消耗数据预测方法，该方法包括：
步骤B100，获取待预测写字楼的历史能耗数据，作为输入数据；
步骤B200，对所述输入数据进行预处理，得到预处理数据；
步骤B300，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 497726DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二 能耗数据为
Figure 403975DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 617919DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 851454DEST_PATH_IMAGE004
表示年份，
Figure 416428DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 65715DEST_PATH_IMAGE006
表示预设值；
步骤B400，采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
步骤B500，基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权；判断待预测写字楼是否新增大型耗电设备数量，若是，则执行步骤B600，否则，将二次加权后的第二预测结果作为待预测建筑t月份的能耗数据预测结果，并结束；
步骤B600，按照预设的经济-入住率对应关系，获取当前待预测写字楼的入住率；结合所述写字楼的入住率、写字楼新增的大型耗电设备数量、写字楼的实际面积，计算待预测写字楼新增的大型耗电设备的能耗数据预测结果；所述经济-入住率对应关系为预设的经济指标与该指标对应写字楼入住率的映射关系；所述大型耗电设备包括中央空调、空气源热泵；所述经济指标包括第三产业增加值、租金增长值、贷款利率。
其中，经济-入住率对应关系，其构建方法为：
Figure 462061DEST_PATH_IMAGE039
（5）
其中，
Figure 319028DEST_PATH_IMAGE040
表示
Figure 105718DEST_PATH_IMAGE005
月份的预测入住率，
Figure 621013DEST_PATH_IMAGE041
表示待预测写字楼所在区 域上一月份的写字楼实际需求量（万平方米），
Figure 75128DEST_PATH_IMAGE042
表示第三产业增加值（亿元），
Figure 588149DEST_PATH_IMAGE043
表示 租金增长值（千元），
Figure 924453DEST_PATH_IMAGE044
表示贷款利率，
Figure 695968DEST_PATH_IMAGE045
表示待预测写字楼所在区域的写字楼的总面 积，
Figure 739011DEST_PATH_IMAGE046
表示在待预测写字楼所在区域t月份之前的政策影响，如果政策利好（包括政府发展 第三产业以及出台相关的政策），则为1+
Figure 485250DEST_PATH_IMAGE046
，如果当前经济环境恶化（例如非典、新冠导致的 经济下滑），则为1-
Figure 246532DEST_PATH_IMAGE046
，在本发明中
Figure 306892DEST_PATH_IMAGE046
为t月份前3个月的GDP增长率的平均值。在其他实施例 中，也可以选择实际统计的入住率。
Figure 266758DEST_PATH_IMAGE047
Figure 636428DEST_PATH_IMAGE048
表示新增大型耗电设备的能耗数据预测结果，
Figure 885007DEST_PATH_IMAGE049
表示
Figure 749058DEST_PATH_IMAGE050
月的实际入住率，
Figure 563430DEST_PATH_IMAGE051
表示当前区域入住率增加1%时写字楼增加的使用面积，
Figure 854734DEST_PATH_IMAGE052
表示写 字楼新增的大型耗电设备数量，
Figure 842806DEST_PATH_IMAGE053
表示大型耗电设备输出1匹时匹配的使用面积，
Figure 41707DEST_PATH_IMAGE054
表示 大型耗电设备运转情况下一小时的耗电量，
Figure 913848DEST_PATH_IMAGE055
表示大型耗电设备每月开的天数 以及小时数。
步骤B700，将步骤B500输出的二次加权后的第二预测结果和步骤B600输出的能耗数据预测结果进行加和，作为待预测写字楼的t月份最终的能耗数据预测结果。
本发明第四实施例的一种电子设备，至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求上述的能源消耗数据预测方法。
本发明第五实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的能源消耗数据预测方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图4，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分409。通讯部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种能源消耗数据预测方法，其特征在于，该方法包括以下步骤：
步骤S100，获取待预测建筑的历史能耗数据，作为输入数据；
步骤S200，对所述输入数据进行预处理，得到预处理数据；
步骤S300，按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 361675DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二能耗 数据为
Figure 999855DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 45171DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 643643DEST_PATH_IMAGE004
表示年份，
Figure 926856DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 14898DEST_PATH_IMAGE006
表示预设值；
步骤S400，采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
步骤S500，基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
2.根据权利要求1所述的能源消耗数据预测方法，其特征在于，所述预处理包括异常数据清洗、线性插值补全和数据归一化。
3.根据权利要求2所述的能源消耗数据预测方法，其特征在于，所述能耗预测模型，其训练方法为：
A10，获取建筑能耗训练样本数据及其对应的预测结果真值标签；
A20，对所述建筑能耗训练样本数据进行预处理，得到预处理数据；
A30，基于预处理后数据，按照步骤S300的方法计算第一预测结果与其对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值，将两差值进行加权求和求平均，将求平均后的平均值作为损失，对能耗预测模型中第一通道、第三通道进行参数更新；所述第一通道用于获取第一预测结果；所述第三通道用于获取第三预测结果；
A40，循环执行A30，直至得到训练好的第一通道、第三通道；
A50，基于步骤A20获取预处理数据，结合训练好的能耗预测模型中第一通道、第三通道，按照步骤S300-步骤S500的方法，获取待预测建筑最终的能耗数据预测结果；
A60，计算待预测建筑最终的能耗数据预测结果与其对应的真值标签的损失值，并基于该损失值更新能耗预测模型中第二通道的模型参数；所述第二通道用于获取第二预测结果；
A70，循环执行步骤A50-步骤A60，直至得到训练好的能耗预测模型。
4.根据权利要求3所述的能源消耗数据预测方法，其特征在于，步骤A70之后还包括步骤A80，模型强化训练：即结合训练好的时序预测模型，通过预设的教师知识蒸馏方法对训练好的能耗预测模型进行强化训练，包括：
将基于RNN与LSTM构建的时序预测模型作为教师模型：通过时序预测模型对输入的按时序排序的能耗数据进行预测，用输出的预测结果作为监督信息，对所述能耗预测模型进行监督学习。
5.根据权利要求3所述的能源消耗数据预测方法，其特征在于，所述能耗预测模型的第 二通道其在训练时的损失函数
Figure 485194DEST_PATH_IMAGE007
为：
Figure 402203DEST_PATH_IMAGE008
Figure 336661DEST_PATH_IMAGE009
Figure 533287DEST_PATH_IMAGE010
其中，
Figure 756458DEST_PATH_IMAGE011
表示建筑能耗训练样本数据
Figure 759049DEST_PATH_IMAGE012
对应的预测结果真值标签，
Figure 751276DEST_PATH_IMAGE013
表示待预测建筑最 终的能耗数据预测结果，
Figure 633650DEST_PATH_IMAGE014
表示建筑能耗训练样本数据的数量，
Figure 140855DEST_PATH_IMAGE015
、
Figure 884820DEST_PATH_IMAGE016
表示RNN、LSTM提取 的特征，
Figure 731553DEST_PATH_IMAGE017
表示RNN与LSTM输出的维度，
Figure 535561DEST_PATH_IMAGE018
为自然数，表示下标，
Figure 530062DEST_PATH_IMAGE019
表示权重。
6.根据权利要求3所述的能源消耗数据预测方法，其特征在于，“将两差值进行加权求和求平均”，其方法为：
Figure 61406DEST_PATH_IMAGE020
其中，
Figure 28225DEST_PATH_IMAGE021
表示平均值，
Figure 65452DEST_PATH_IMAGE022
、
Figure 484932DEST_PATH_IMAGE023
表示预设的权重，
Figure 570699DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE026
分别表示第一预测结果与其 对应的预测结果真值标签、第三预测结果与其对应的预测结果真值标签的差值。
7.根据权利要求1所述的能源消耗数据预测系统，其特征在于，该系统包括：数据获取模块、预处理模块、预测加权模块、相关性计算模块、输出模块；
所述数据获取模块，配置为获取待预测建筑的历史能耗数据，作为输入数据；
所述预处理模块，配置为对所述输入数据进行预处理，得到预处理数据；
所述预测加权模块，配置为按照预设的选取规则从预处理数据中选取第一能耗数据、第二能耗数据、第三能耗数据，输入训练好的能耗预测模型，得到对应的预测结果，分别作为第一预测结果、第二预测结果、第三预测结果；计算所述第一预测结果与其对应的真实能耗数据、所述第三预测结果与其对应的真实能耗数据的差值，并基于两差值对第二预测结果进行加权；
所述第一能耗数据为
Figure 909801DEST_PATH_IMAGE001
时间段内的历史能耗数据；所述第二能耗 数据为
Figure 55612DEST_PATH_IMAGE002
时间段内的历史能耗数据；所述第三能耗数据为
Figure 759126DEST_PATH_IMAGE003
时间段内的历史能耗数据；其中，
Figure 648584DEST_PATH_IMAGE004
表示年份，
Figure 324416DEST_PATH_IMAGE005
表示待预 测的月份，
Figure 703445DEST_PATH_IMAGE006
表示预设值；
所述相关性计算模块，配置为采集设定范围内多个同类型建筑的历史能耗数据，结合所述输入数据，进行待预测建筑与其他建筑两两之间相关性曲线的拟合，并获取曲线相关性最大的建筑或曲线相关性均最大但历史能耗数据中影响最大的影响因素与所述输入数据中影响最大的因素相同的建筑，作为第一相似建筑；
所述输出模块，配置为基于所述第一相似建筑与待预测建筑的历史能耗数据的曲线相关性，对加权后的第二预测结果进行加权，作为最终获取的待预测建筑t月份的能耗数据预测结果；
其中，所述能耗预测模型为三通道的神经网络模型，所述神经网络模型的各通道基于RNN与LSTM构建，通过RNN与LSTM并行提取特征，将提取的特征以残差的方式相加。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及与至少一个所述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处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的能源消耗数据预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的能源消耗数据预测方法。
CN202111195457.9A 2021-10-14 2021-10-14 能源消耗数据预测方法、系统、设备 Active CN113837488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111195457.9A CN113837488B (zh) 2021-10-14 2021-10-14 能源消耗数据预测方法、系统、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111195457.9A CN113837488B (zh) 2021-10-14 2021-10-14 能源消耗数据预测方法、系统、设备

Publications (2)

Publication Number Publication Date
CN113837488A true CN113837488A (zh) 2021-12-24
CN113837488B CN113837488B (zh) 2023-12-26

Family

ID=78968903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111195457.9A Active CN113837488B (zh) 2021-10-14 2021-10-14 能源消耗数据预测方法、系统、设备

Country Status (1)

Country Link
CN (1) CN113837488B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116734918A (zh) * 2023-06-05 2023-09-12 宁夏中昊银晨能源技术服务有限公司 一种适用于近零能耗建筑的室内环境监测系统
CN116738856A (zh) * 2023-06-27 2023-09-12 广州珠江外资建筑设计院有限公司 一种用于建筑能耗预测方法和系统
CN117200408A (zh) * 2023-11-08 2023-12-08 广东精冷源建设有限公司 一种用于变频柜的能源动态储放节能控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629503A (zh) * 2018-04-28 2018-10-09 南通大学 一种基于深度学习的出租车上车需求量的预测方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN111898826A (zh) * 2020-07-31 2020-11-06 北京文思海辉金信软件有限公司 资源消耗预测方法、装置、电子设备及可读存储设备
WO2021133253A1 (en) * 2019-12-25 2021-07-01 Envision Digital International Pte. Ltd. Method and apparatus for predicting energy consumption, and device and storage medium thereof
CN113205203A (zh) * 2021-03-29 2021-08-03 北京金茂绿建科技有限公司 基于cnn-lstm的建筑能耗预测方法和系统
WO2021189908A1 (zh) * 2020-10-14 2021-09-30 平安科技（深圳）有限公司 基于深度学习的图像分类方法、装置、服务器及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN108629503A (zh) * 2018-04-28 2018-10-09 南通大学 一种基于深度学习的出租车上车需求量的预测方法
WO2021133253A1 (en) * 2019-12-25 2021-07-01 Envision Digital International Pte. Ltd. Method and apparatus for predicting energy consumption, and device and storage medium thereof
CN111898826A (zh) * 2020-07-31 2020-11-06 北京文思海辉金信软件有限公司 资源消耗预测方法、装置、电子设备及可读存储设备
WO2021189908A1 (zh) * 2020-10-14 2021-09-30 平安科技（深圳）有限公司 基于深度学习的图像分类方法、装置、服务器及介质
CN113205203A (zh) * 2021-03-29 2021-08-03 北京金茂绿建科技有限公司 基于cnn-lstm的建筑能耗预测方法和系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116734918A (zh) * 2023-06-05 2023-09-12 宁夏中昊银晨能源技术服务有限公司 一种适用于近零能耗建筑的室内环境监测系统
CN116734918B (zh) * 2023-06-05 2024-05-14 宁夏中昊银晨能源技术服务有限公司 一种适用于近零能耗建筑的室内环境监测系统
CN116738856A (zh) * 2023-06-27 2023-09-12 广州珠江外资建筑设计院有限公司 一种用于建筑能耗预测方法和系统
CN116738856B (zh) * 2023-06-27 2024-04-02 广州珠江外资建筑设计院有限公司 一种用于建筑能耗预测方法和系统
CN117200408A (zh) * 2023-11-08 2023-12-08 广东精冷源建设有限公司 一种用于变频柜的能源动态储放节能控制方法及系统
CN117200408B (zh) * 2023-11-08 2024-03-22 广东精冷源建设有限公司 一种用于变频柜的能源动态储放节能控制方法及系统

Also Published As

Publication number Publication date
CN113837488B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
CN113837488A (zh) 能源消耗数据预测方法、系统、设备
CN110969285B (zh) 预测模型训练方法、预测方法、装置、设备及介质
CN109523018B (zh) 一种基于深度迁移学习的图片分类方法
CN110400021B (zh) 银行网点现金用量预测方法及装置
Tulensalo et al. An LSTM model for power grid loss prediction
CN112907063B (zh) 人口流动率和房屋空置率确定方法及终端设备
Azadeh et al. An integrated simulation-based fuzzy regression-time series algorithm for electricity consumption estimation with non-stationary data
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
Festag et al. Generative adversarial networks for biomedical time series forecasting and imputation
CN112418495A (zh) 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
CN113947439A (zh) 需求预测模型训练方法和装置、需求预测方法和装置
CN113902260A (zh) 信息预测方法、装置、电子设备和介质
CN112488820A (zh) 基于夜光遥感数据的模型训练方法、违约预测方法
CN113592136A (zh) 一种交通数据预测方法、装置及电子设备
CN113053536A (zh) 一种基于隐马尔科夫模型的传染病预测方法、系统和介质
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
CN115829418A (zh) 适用于负荷管理的电力用户负荷特性画像构建方法和系统
Roh et al. Tfe-net: time and feature focus embedding network for multivariate-to-multivariate time series forecasting
Popova et al. Hybrid instrumental means of predictive analysis of the dynamics of natural and economic processes
Friedl et al. Characterizing global land cover type and seasonal land cover dynamics at moderate spatial resolution with MODIS data
El Mouna et al. A comparative study of urban house price prediction using machine learning algorithms
US20200051175A1 (en) Method and System for Predicting and Indexing Probability of Financial Stress
Girish et al. Stock Market Time Series Forecasting using Long Short-Term Memory

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