CN114266186B - 一种空调能耗数据缺失值填补方法、设备及介质 - Google Patents

Abstract

本申请实施例公开了一种空调能耗数据缺失值填补方法、设备及介质。在空调运行过程中，实时获取相应的室外环境参数；获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；根据空调运行时间确定出空调运行模式；基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数；将参考室外环境参数与不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到能耗数据缺失值。通过上述方法，能够填补缺失的空调能耗数据，提高对空调能耗数据分析的准确度。

Description

一种空调能耗数据缺失值填补方法、设备及介质

技术领域

本申请涉及大数据处理技术领域，尤其涉及一种空调能耗数据缺失值填补方法、设备及介质。

背景技术

目前，国内建筑能耗需求量较大，全球消耗的能源总量的25％都用来满足建筑的用能需求。而在建筑类型中，公共建筑是发展较快、能耗消耗量较大且难以降耗的建筑，其中的空调能耗占比达到总能耗的50％以上。因此，为了减少公共建筑中空调系统能耗值，通过会对空调能耗数据进行监测统计。

随着建筑能耗监测平台被逐渐应用，通常将不断采集的建筑中的能耗数据输送至建筑能耗监测平台。但由于数据传输过程中会出现网络中断、数据库异常等问题，会导致实际传输至建筑能耗监测平台的数据存在大量的缺失数据，以致对空调能耗数据分析的准确性造成影响。

发明内容

本申请实施例提供了一种空调能耗数据缺失值填补方法、设备及介质，用于解决如下技术问题：由于实际传输至建筑能耗监测平台的数据存在大量的缺失数据，以致对空调能耗数据分析的准确性造成影响。

本申请实施例采用下述技术方案：

本申请实施例提供一种空调能耗数据缺失值填补方法。包括，在空调运行过程中，实时获取相应的室外环境参数；获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；根据空调运行时间确定出空调运行模式；基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，预设模式等级与空调运行模式对应的能耗数值相关；根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数；其中，能耗数据缺失值与参考室外环境参数之间的相关性数值大于预设相关性数值；将参考室外环境参数与不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到能耗数据缺失值。

本申请实施例通过空调运行时间确定出空调运行模式，能够根据不同的空调运行模式进行相应的缺失值填补，从而考虑到不同运行模式的特性，以提高待填数据的准确性。其次，本申请实施例对区域范围内的空调进行等级划分，能够将不同用户在同一模式下调制的温度高低、风速大小等数据进行划分，以进一步提高填补数据的准确性。此外，本申请实施例通过室外环境参数以及预置能耗数据预测模型对缺失值进行预测，不仅提高了对缺失值预测的效率，也能对预置能耗数据预测模型进行优化，提高数据预测的精度。

在本申请的一种实现方式中，根据空调运行时间确定出空调运行模式之前，方法还包括：确定预先采集的多个空调能耗数据分别对应的时间；根据预设时间节点，对多个空调能耗数据进行分类；根据预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式；其中，空调运行模式包括制冷模式、制热模式以及独立新风模式。

本申请实施例在时间维度上对空调的运行模式进行划分，不仅能够依据数据的时间确定出空调的运行模式。也能够根据空调不同运行模式的特点，设定不同的方式以获取缺失值，从而提高获取到的缺失值的准确度。

在本申请的一种实现方式中，基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，具体包括：将预先获取到的样本区域范围内的空调能耗数据，与预设模式等级对应的能耗等级数值进行比对；根据比对结果，将样本区域范围内的空调进行等级划分，并确定不同模式等级分别对应的空调数量；根据不同模式等级分别对应的空调数量，确定空调运行模式对应的不同等级空调数量比例；根据不同等级空调数量比例，对区域范围内的空调进行等级划分。

本申请实施例通过确定不同模式等级分别对应的空调数量，能够得到该模式对应的等级数量比例，从而将当前区域内的空调按照等级比例进行划分。以得到各等级分别对应的空调的数量，根据各等级的空调数量能够提高数据预测的精确度，进而得到的缺失值更为准确。

在本申请的一种实现方式中，根据空调运行时间确定出空调运行模式之后，方法还包括：在运行模式为独立新风模式的情况下，根据能耗数据缺失值对应的空调运行时间段，在已获取到的历史空调能耗数据中，确定出不同日期的空调运行时间段分别对应的第一能耗数据；基于第一能耗数据，得到独立新风模式对应的能耗数据缺失值。

在本申请的一种实现方式中，基于第一能耗数据，得到独立新风模式对应的能耗数据缺失值，具体包括：根据独立新风模式对应的模式等级，对多个第一能耗数据进行等级划分；将每一等级中的最大能耗数据与最小能耗数据进行剔除，得到多个第二能耗数据；确定多个第二能耗值的平均值，并将平均值作为独立新风模式对应的能耗数据缺失值。

在本申请的一种实现方式中，根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数之前，方法还包括：通过随机森林算法，对预先采集的空调不同运行模式对应的能耗数据样本，与能耗数据样本对应的室外环境参数，进行相关性计算；确定空调不同运行模式分别对应的相关性系数大于预设系数的室外环境参数，以得到不同运行模式分别对应的参考室外环境参数。

本申请实施例通过计算能耗数据样本与室外环境参数之间的相关性，能够得到与当前样本相关性较高的环境参数。不仅能够减少参与计算的参数的数量，也能够剔除相关性较低的参数，以提高最终计算出的缺失值的准确性。

在本申请的一种实现方式中，将参考室外环境参数输入预置能耗数据预测模型之前，方法还包括：将预先采集的参考室外环境参数样本，以及预先采集的不同模式等级分别对应的空调数量作为输入，将预先采集的空调能耗数据样本作为输出，对神经网络模型进行训练；在训练过程中，通过粒子群算法对神经网络模型的参数进行调节，直到神经网络模型对应的误差符合预设误差条件，以得到预置能耗数据预测模型。

在本申请的一种实现方式中，通过粒子群算法对神经网络模型的参数进行调节，直到神经网络模型对应的误差符合预设误差条件，以得到预置能耗数据预测模型，具体包括：对神经网络模型的参数进行初始化处理；根据神经网络模型实际训练周期数量与最大训练周期数量、预设决定系数以及神经网络模型对应的均方根误差，得到当前粒子适应度；将当前粒子适应度与局部最优粒子适应度进行比对，若当前粒子适应度大于局部最优粒子适应度，则基于初始化处理的参数确定出改进后的粒子值；将改进后的粒子值重新赋予神经网络模型，将随机森林算法提取的特征值作为输入，特征值对应的空调能耗值作为输出，对神经网络模型进行训练，以得到预置能耗数据预测模型。

本申请实施例提供一种空调能耗数据缺失值填补设备，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：在空调运行过程中，实时获取相应的室外环境参数；获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；根据空调运行时间确定出空调运行模式；基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，预设模式等级与空调运行模式对应的能耗数值相关；根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数；其中，能耗数据缺失值与参考室外环境参数之间的相关性数值大于预设相关性数值；将参考室外环境参数与不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到能耗数据缺失值。

本申请实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：在空调运行过程中，实时获取相应的室外环境参数；获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；根据空调运行时间确定出空调运行模式；基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，预设模式等级与空调运行模式对应的能耗数值相关；根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数；其中，能耗数据缺失值与参考室外环境参数之间的相关性数值大于预设相关性数值；将参考室外环境参数与不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到能耗数据缺失值。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过空调运行时间确定出空调运行模式，能够根据不同的空调运行模式进行相应的缺失值填补，从而考虑到不同运行模式的特性，以提高待填数据的准确性。其次，本申请实施例对区域范围内的空调进行等级划分，能够将不同用户在同一模式下调制的温度高低、风速大小等数据进行划分，以进一步提高填补数据的准确性。此外，本申请实施例通过室外环境参数以及预置能耗数据预测模型对缺失值进行预测，不仅提高了对缺失值预测的效率，也能对预置能耗数据预测模型进行优化，提高数据预测的精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种空调能耗数据缺失值填补方法流程图；

图2为本申请实施例提供的一种预置能耗数据预测模型参数调节流程框图；

图3为本申请实施例提供的一种空调能耗数据缺失值填补流程框图；

图4为本申请实施例提供的一种空调能耗数据缺失值填补设备的结构示意图。

具体实施方式

本申请实施例提供一种空调能耗数据缺失值填补方法、设备及介质。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

目前，国内建筑能耗需求量较大，全球消耗的能源总量的25％都用来满足建筑的用能需求。而在建筑类型中，公共建筑是发展较快、能耗消耗量较大且难以降耗的建筑，其中的空调能耗占比达到总能耗的50％以上。因此，为了减少公共建筑中空调系统能耗值，通过会对空调能耗数据进行监测统计。

随着建筑能耗监测平台被逐渐应用，通常将不断采集的建筑中的能耗数据输送至建筑能耗监测平台。但由于数据传输过程中会出现网络中断、数据库异常等问题，会导致实际传输至建筑能耗监测平台的数据存在大量的缺失数据，以致对空调能耗数据分析的准确性造成影响。

为了解决上述问题，本申请实施例提供一种空调能耗数据缺失值填补方法、设备及介质。通过空调运行时间确定出空调运行模式，能够根据不同的空调运行模式进行相应的缺失值填补，从而考虑到不同运行模式的特性，以提高待填充数据的准确性。其次，本申请实施例对区域范围内的空调进行等级划分，能够将不同用户在同一模式下调制的温度高低、风速大小等数据进行划分，以进一步提高填补数据的准确性。此外，本申请实施例通过室外环境参数以及预置能耗数据预测模型对缺失值进行预测，不仅提高了对缺失值预测的效率，也能对预置能耗数据预测模型进行优化，提高数据预测的精度。

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。图1为本申请实施例提供的一种空调能耗数据缺失值填补方法流程图。如图1所示，空调能耗数据缺失值填补方法包括如下步骤：

S101、空调能耗数据缺失值填补设备在空调运行过程中，实时获取相应的室外环境参数。

在本申请的一个实施例中，在空调运行过程中，空调能耗数据缺失值填补设备依据空调的所属区域，对该区域内的室外环境参数进行采集。

其中，采集的室外环境参数可以包括温度、湿度、风速、风向以及PM2.5等数据。根据空调的所属区域，对采集到的室外环境参数进行分区域统计。

S102、空调能耗数据缺失值填补设备，获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量。

在本申请的一个实施例中，空调能耗数据缺失值填补设备实时对空调的运行时间进行获取。同时，还需要对属于同一区域内的空调数量进行统计。

具体地，获取到的数据可以包括空调运行的日期，时长，开始时间以及关闭时间等数据。

S103、空调能耗数据缺失值填补设备根据空调运行时间，确定出空调运行模式。

在本申请的一个实施例中，空调能耗数据缺失值填补设备，确定预先采集的多个空调能耗数据分别对应的时间。根据预设时间节点，对多个空调能耗数据进行分类。根据预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式。其中，空调运行模式包括制冷模式、制热模式以及独立新风模式。

具体地，本申请实施例采用k均值聚类算法在时间维度上划分运行模式。将预设时长内的空调能耗数据进行聚类，例如，可以对一年内的空调能耗数据进行聚类。聚类后分别对应制冷模式、制热模式和独立新风三种模式。

需要说明的是，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法。

具体地，以预设时长为一年为例，根据预置时间节点将一年的时间进行划分，可以划分为多个不同的时间段，例如，可以对应春夏秋冬四个季节。根据各个时间段的气候特点，可以统计出该时间段内用户对空调运行模式的需求。例如，夏季用户通常会开启制冷模式，冬季用户通常会开启制热模式。因此，可以将划分后的时间段分别对应出相应的空调运行模式。

进一步地，在将空调能耗数据上传至建筑能耗监测平台时，若出现数据缺失的问题，可以将缺失数据对应的时间，与划分的时间段进行匹配，确定缺失数据对应的时间所属的时间段，并将该时间段对应的空调运行模式作为缺失数据对应的空调运行模式。

S104、空调能耗数据缺失值填补设备基于空调运行模式以及预设模式等级，对区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量。

在本申请的一个实施例中，将预先获取到的样本区域范围内的空调能耗数据，与预设模式等级对应的能耗等级数值进行比对。根据比对结果，将样本区域范围内的空调进行等级划分，并确定不同模式等级分别对应的空调数量。根据不同模式等级分别对应的空调数量，确定空调运行模式对应的不同等级空调数量比例。根据不同等级空调数量比例，对区域范围内的空调进行等级划分。其中，预设模式等级与空调运行模式对应的能耗数值相关。

具体地，将获取到的样本空调能耗数据与预设模式等级对应的能耗等级数值进行比对。其中，预设模式等级包括有多个能耗分级数值，以及各个能耗分级数值对应的级别。将样本区域内的空调按照预设模式等级进行分级，并对不同级别的空调数量进行统计。

进一步地，根据统计出的各等级的空调数量，进行比值计算，得到数量比例。例如，假设样本区域内一级对应的空调数量为500台，二级对应的空调数量为1000台，三级对应的空调数量为1500台，则得到的数量比值为1:2:3。根据该数量比值以及当前区域内的空调数量，对当前区域内的空调进行等级划分。例如，假设当前区域内有6000台空调，则一级对应的空调数量为1000台，二级对应的空调数量为2000台，三级对应的空调数量为3000台。

S105、空调能耗数据缺失值填补设备根据空调运行模式与空调运行时间，在室外环境参数中确定出与能耗数据缺失值对应的参考室外环境参数。

在本申请的一个实施例中，通过随机森林算法，对预先采集的空调不同运行模式对应的能耗数据样本，与能耗数据样本对应的室外环境参数，进行相关性计算。确定空调不同运行模式分别对应的相关性系数大于预设系数的室外环境参数，以得到不同运行模式分别对应的参考室外环境参数。其中，能耗数据缺失值与参考室外环境参数之间的相关性数值大于预设相关性数值。

具体地，在空调运行模式为制冷模式或制热模式的情况下，需要将采集的室外环境参数进行筛选。

进一步地，通过随机森林算法对预先采集的不同运行模式下空调能耗数据样本与采集的室外环境参数进行相关性计算。通过计算出的相关性数值，确定出制冷模式对应的相关性较强的参考室外环境参数，以及确定出制热模式对应的相关性较强的参考室外环境参数。

进一步地，通过公式

采用随机森林算法中的基尼系数判定其已知各种参数对空调能耗影响的贡献值。其中，G表示基尼系数，n表示类别数量，N表示类别总数，pmn表示m中类别所占的比例。

例如，通过计算，可以得到制热模式对应的相关性较强的参考室外环境参数为温度与风速。制冷模式对应的相关性较强的参考室外环境参数为温度与湿度。

S106、空调能耗数据缺失值填补设备将参考室外环境参数与不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到能耗数据缺失值。

在本申请的一个实施例中，将预先采集的参考室外环境参数样本，以及预先采集的不同模式等级分别对应的空调数量作为输入，将预先采集的空调能耗数据样本作为输出，对神经网络模型进行训练。在训练过程中，通过粒子群算法对神经网络模型的参数进行调节，直到神经网络模型输出的误差符合预设误差条件，以得到预置能耗数据预测模型。

具体地，在制冷与制热模式下，空调能耗和室外环境参数相关性强，采用能更好的找到输入与输出参数映射关系的神经网络算法。并通过改进粒子群算法选择优化神经网络的参数，利用混合算法得到填补数据。

在本申请的一个实施例中，对神经网络模型的参数进行初始化处理。根据神经网络模型实际训练周期数量与最大训练周期数量、预设决定系数以及神经网络模型对应的均方根误差，得到当前粒子适应度。将当前粒子适应度与局部最优粒子适应度进行比对，若当前粒子适应度大于局部最优粒子适应度，则基于初始化处理的参数确定出改进后的粒子值。将改进后的粒子值重新赋予神经网络模型，将随机森林算法提取的特征值作为输入，特征值对应的空调能耗值作为输出，对神经网络模型进行训练，以得到预置能耗数据预测模型。

图2为本申请实施例提供的一种预置能耗数据预测模型参数调节流程框图。如图2所示，使用改进粒子群算法设置神经网络模型算法的初始权值w₁与w₂和偏差b₁与b₂。利用神经网络模型算法填补空调能耗数据模型。

具体地，初始化神经网络模型算法的权值和偏差，设置神经网络模型算法的参数，其中，设置的神经网络模型算法的参数包括输入层神经数、隐含层神经数、输出层神经数、最大训练数、收敛值以及学习率。初始化改进粒子群算法的参数，其中，改进粒子群算法的参数包括学习系数c₁和c₂，种群规模N，惯性权重w_max和w_min，最大迭代次数，最大粒子速度v_max，交叉率，变异率，位置上限b_max和位置下限b_min。

进一步地，利用SetSearchspace函数设置搜索空间的下限和上限。利用SetParticlesize函数根据公式mn+2n+o设置粒子值，其中n为隐含层中的神经元数，m为输入值，o为输出值。例如，随机森林算法选择4个特征参数，隐含层神经元数量为20，输出参数为空调能耗，则粒子值为121。

进一步地，适应度决定了粒子的质量。通过改进适应度函数式

计算每个粒子的适应度。其中，F是改进适应度函数，Q是均方根误差，i_act是实际训练周期数量，i_max是最大训练周期数量为1000，R为决定系数，a＝0.7，b＝0.2。

通过改进适应度函数考虑了训练周期的数量，从而选择权值和偏差精度高，减少了迭代次数。将均方根误差较低、训练周期较少、决定系数较高的粒子转发给下一代，选择适应度最高的粒子w₁、w₂、b₁、b₂为下一代。

进一步地，将当前的适应度与局部最优值进行比较，如果当前适应度大于局部最优值，则使用改进的惯性权值

其中W表示改进的惯性权值，w_max表示惯性权值的最大值(通常设为0.9)，w_min表示惯性权值的初始值(通常设为0.4)，t_max表示最大迭代时间，c_max表示当前迭代时间，z为z＝4z(1-z)给出的混合逻辑方程，其中4是控制参数，初始z为0～1之间的随机值。

通过平均惯性权值对粒子群算法的惯性权值方程进行修改，在该式中引入平均惯性权值(w_max+w_min)/2。平均惯性权值在粒子群优化算法(particle swarm optimization，PSO)的全局和局部搜索之间提供了良好的平衡。用e^z对分量z取幂值，用以扩大搜索空间。在混合粒子群算法中引入混合映射，使粒子群算法在不陷入局部最小值的情况下快速收敛。然后计算每个粒子的速度更新每个粒子的位置，直到APSO收敛到一个解，或者达到最大迭代次数，输出w₁、w₂、b₁、b₂。

进一步地，将优化后的w₁、w₂、b₁、b₂更新至神经网络模型算法中，将随机森林提取的特征为输入参数，对应的空调能耗为输出参数，对神经网络模型进行训练。训练制冷或制热模式下选取的特征参数与能耗数据之间的映射关系。将制冷或制热模式下缺失能耗数据对应的特征参数输入至训练好的模型中，以得到待填补的空调能耗。

在本申请的一个实施例中，在运行模式为独立新风模式的情况下，根据能耗数据缺失值对应的空调运行时间段，在已获取到的历史空调能耗数据中，确定出不同日期的空调运行时间段分别对应的第一能耗数据。基于第一能耗数据，得到独立新风模式对应的能耗数据缺失值。

具体地，在运行模式为独立新风模式时，该模式与室外环境参数之间的相关性较弱。因此，需要历史空调能耗数据对该模式对应的能耗数据缺失值进行补充。例如，可以采用K最邻近分类算法(KNN，K-NearestNeighbor)填补空调能耗数据。

进一步地，确定出缺失值对应的空调运行日期，以及运行的时间段。在已经获取到的历史空调数据中，确定出独立新风模式运行的日期，并在确定出的日期中，获取与缺失值对应的空调运行时间段相同的空调能耗数据。以将获取到的空调能耗数据作为第一能耗数据。

在本申请的一个实施例中，根据独立新风模式对应的模式等级，对多个第一能耗数据进行等级划分。将每一等级中的最大能耗数据与最小能耗数据进行剔除，得到多个第二能耗数据。确定多个第二能耗值的平均值，并将平均值作为独立新风模式对应的能耗数据缺失值。

具体地，根据独立新风模式对应的模式等级，对获取到的多个第一能耗数据进行等级划分。即，根据能耗值的高低，将多个第一能耗数据进行等级划分。为了提高计算出的缺失值的精确度，将每一等级对应的能耗数值中的最高数值与最低数值剔除，将剩余的数据作为第二能耗数据。对多个第二能耗数据进行平均值计算，并将该平均值作为独立新风模式对应的能耗数据缺失值。

本申请实施例通过将第一能耗数据进行等级划分，并将每一级对应的最大值与最小值进行剔除，可以确保异常数据对计算结果产生影响，从而确保数据的准确度。其次，本申请实施例通过计算第二能耗数据的均值，可以消除第二能耗数据中的不确定因素对结果造成的影响，进一步提高缺失值计算的精确度。

图3为本申请实施例提供的一种空调能耗数据缺失值填补流程框图。如图3所示，空调能耗数据缺失值填补步骤如下：

在本申请的一个实施例中，对数据进行预处理。

具体地，在空调运行过程中，空调能耗数据缺失值填补设备依据空调的所属区域，对该区域内的室外环境参数进行采集。并实时对空调的运行时间进行获取。同时，还需要对属于同一区域内的空调数量进行统计。

通过随机森林算法，对采集与建筑能耗相关特征数据集进行相关性分析，以得到不同模式分别对应的参考室外环境参数。

在本申请的一个实施例中，对空调运行模式进行划分。

具体地，确定预先采集的多个空调能耗数据分别对应的时间。通过轮廓系数发对K值进行选择，以通过k均值聚类算法根据预设时间节点，对多个空调能耗数据进行分类。根据预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式。其中，空调运行模式包括制冷模式、制热模式以及独立新风模式。

在本申请的一个实施例中，在制冷模式与制热模式，对神经网络模型进行参数调节。

具体地，在制冷与制热模式下，空调能耗和室外环境参数相关性强，采用能更好的找到输入与输出参数映射关系的神经网络算法。并通过改进粒子群算法选择优化神经网络的参数，利用混合算法得到填补数据。

在本申请的一个实施例中，通过得到的缺失值对缺失数据进行填补。

具体地，在空调运行模式为独立新风模式时，空调能耗数据与室外环境参数的相关性较弱，以不同日相同时间段的能耗数据作为原始数据，采用KNN邻近算法填补空调能耗数据。在制冷与制热模式下，利用混合算法得到填补数据。

图4为本申请实施例提供的一种空调能耗数据缺失值填补设备的结构示意图。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：

在空调运行过程中，实时获取相应的室外环境参数；

获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；

根据所述空调运行时间确定出空调运行模式；

基于所述空调运行模式以及预设模式等级，对所述区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，所述预设模式等级与所述空调运行模式对应的能耗数值相关；

根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数；其中，所述能耗数据缺失值与所述参考室外环境参数之间的相关性数值大于预设相关性数值；

将所述参考室外环境参数与所述不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到所述能耗数据缺失值。

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，对于装置、设备、非易失性计算机存储介质实施例而言，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。

上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，本申请的实施例可以有各种更改和变化。凡在本申请实施例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 (4)

1.一种空调能耗数据缺失值填补方法，其特征在于，所述方法包括：

在空调运行过程中，实时获取相应的室外环境参数；

获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；

根据所述空调运行时间确定出空调运行模式；

基于所述空调运行模式以及预设模式等级，对所述区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，所述预设模式等级与所述空调运行模式对应的能耗数值相关；

根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数；其中，所述能耗数据缺失值与所述参考室外环境参数之间的相关性数值大于预设相关性数值；

将所述参考室外环境参数与所述不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到所述能耗数据缺失值；

所述根据所述空调运行时间确定出空调运行模式之前，所述方法还包括：

确定预先采集的多个空调能耗数据分别对应的时间；

根据预设时间节点，对所述多个空调能耗数据进行分类；

根据所述预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式；

其中，所述空调运行模式包括制冷模式、制热模式以及独立新风模式；

在所述运行模式为独立新风模式的情况下，根据所述能耗数据缺失值对应的空调运行时间段，在已获取到的历史空调能耗数据中，确定出不同日期的所述空调运行时间段分别对应的第一能耗数据；

基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值；

所述基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值，具体包括：

根据所述独立新风模式对应的模式等级，对多个所述第一能耗数据进行等级划分；

将每一等级中的最大能耗数据与最小能耗数据进行剔除，得到多个第二能耗数据；

确定所述多个第二能耗值的平均值，并将所述平均值作为所述独立新风模式对应的所述能耗数据缺失值；

所述根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数之前，所述方法还包括：

通过随机森林算法，对预先采集的空调不同运行模式对应的能耗数据样本，与所述能耗数据样本对应的室外环境参数，进行相关性计算；

确定空调不同运行模式分别对应的相关性系数大于预设系数的室外环境参数，以得到所述不同运行模式分别对应的参考室外环境参数；

所述将所述参考室外环境参数输入预置能耗数据预测模型之前，所述方法还包括：

将预先采集的参考室外环境参数样本，以及预先采集的不同模式等级分别对应的空调数量作为输入，将预先采集的空调能耗数据样本作为输出，对神经网络模型进行训练；

在训练过程中，通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型；

所述通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型，具体包括：

对所述神经网络模型的参数进行初始化处理；

根据神经网络模型实际训练周期数量与最大训练周期数量、预设决定系数以及所述神经网络模型对应的均方根误差，得到当前粒子适应度；

将所述当前粒子适应度与局部最优粒子适应度进行比对，若所述当前粒子适应度大于所述局部最优粒子适应度，则基于初始化处理的参数确定出改进后的粒子值；

将所述改进后的粒子值重新赋予所述神经网络模型，将通过随机森林算法提取的特征值作为输入，所述特征值对应的空调能耗值作为输出，对所述神经网络模型进行训练，以得到所述预置能耗数据预测模型。

2.根据权利要求1所述的一种空调能耗数据缺失值填补方法，其特征在于，所述基于所述空调运行模式以及预设模式等级，对所述区域范围内的空调进行等级划分，具体包括：

将预先获取到的样本区域范围内的空调能耗数据，与所述预设模式等级对应的能耗等级数值进行比对；

根据比对结果，将所述样本区域范围内的空调进行等级划分，并确定不同模式等级分别对应的空调数量；

根据所述不同模式等级分别对应的空调数量，确定所述空调运行模式对应的不同等级空调数量比例；

根据所述不同等级空调数量比例，对所述区域范围内的空调进行等级划分。

3.一种空调能耗数据缺失值填补设备，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：

在空调运行过程中，实时获取相应的室外环境参数；

获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；

根据所述空调运行时间确定出空调运行模式；

基于所述空调运行模式以及预设模式等级，对所述区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，所述预设模式等级与所述空调运行模式对应的能耗数值相关；

根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数；其中，所述能耗数据缺失值与所述参考室外环境参数之间的相关性数值大于预设相关性数值；

将所述参考室外环境参数与所述不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到所述能耗数据缺失值；

所述根据所述空调运行时间确定出空调运行模式之前，还包括：

确定预先采集的多个空调能耗数据分别对应的时间；

根据预设时间节点，对所述多个空调能耗数据进行分类；

根据所述预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式；

其中，所述空调运行模式包括制冷模式、制热模式以及独立新风模式；

在所述运行模式为独立新风模式的情况下，根据所述能耗数据缺失值对应的空调运行时间段，在已获取到的历史空调能耗数据中，确定出不同日期的所述空调运行时间段分别对应的第一能耗数据；

基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值；

所述基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值，具体包括：

根据所述独立新风模式对应的模式等级，对多个所述第一能耗数据进行等级划分；

将每一等级中的最大能耗数据与最小能耗数据进行剔除，得到多个第二能耗数据；

确定所述多个第二能耗值的平均值，并将所述平均值作为所述独立新风模式对应的所述能耗数据缺失值；

所述根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数之前，还包括：

通过随机森林算法，对预先采集的空调不同运行模式对应的能耗数据样本，与所述能耗数据样本对应的室外环境参数，进行相关性计算；

确定空调不同运行模式分别对应的相关性系数大于预设系数的室外环境参数，以得到所述不同运行模式分别对应的参考室外环境参数；

所述将所述参考室外环境参数输入预置能耗数据预测模型之前，还包括：

将预先采集的参考室外环境参数样本，以及预先采集的不同模式等级分别对应的空调数量作为输入，将预先采集的空调能耗数据样本作为输出，对神经网络模型进行训练；

在训练过程中，通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型；

所述通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型，具体包括：

对所述神经网络模型的参数进行初始化处理；

根据神经网络模型实际训练周期数量与最大训练周期数量、预设决定系数以及所述神经网络模型对应的均方根误差，得到当前粒子适应度；

将所述当前粒子适应度与局部最优粒子适应度进行比对，若所述当前粒子适应度大于所述局部最优粒子适应度，则基于初始化处理的参数确定出改进后的粒子值；

将所述改进后的粒子值重新赋予所述神经网络模型，将通过随机森林算法提取的特征值作为输入，所述特征值对应的空调能耗值作为输出，对所述神经网络模型进行训练，以得到所述预置能耗数据预测模型。

4.一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

在空调运行过程中，实时获取相应的室外环境参数；

获取能耗数据缺失值对应的空调运行时间，以及区域范围内的空调数量；

根据所述空调运行时间确定出空调运行模式；

基于所述空调运行模式以及预设模式等级，对所述区域范围内的空调进行等级划分，以得到不同模式等级分别对应的空调数量；其中，所述预设模式等级与所述空调运行模式对应的能耗数值相关；

根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数；其中，所述能耗数据缺失值与所述参考室外环境参数之间的相关性数值大于预设相关性数值；

将所述参考室外环境参数与所述不同模式等级分别对应的空调数量，输入预置能耗数据预测模型，以得到所述能耗数据缺失值；

所述根据所述空调运行时间确定出空调运行模式之前，还包括：

确定预先采集的多个空调能耗数据分别对应的时间；

根据预设时间节点，对所述多个空调能耗数据进行分类；

根据所述预设时间节点对应的空调运行模式，确定出多个能耗数据分别对应的空调运行模式；

其中，所述空调运行模式包括制冷模式、制热模式以及独立新风模式；

在所述运行模式为独立新风模式的情况下，根据所述能耗数据缺失值对应的空调运行时间段，在已获取到的历史空调能耗数据中，确定出不同日期的所述空调运行时间段分别对应的第一能耗数据；

基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值；

所述基于所述第一能耗数据，得到所述独立新风模式对应的所述能耗数据缺失值，具体包括：

根据所述独立新风模式对应的模式等级，对多个所述第一能耗数据进行等级划分；

将每一等级中的最大能耗数据与最小能耗数据进行剔除，得到多个第二能耗数据；

确定所述多个第二能耗值的平均值，并将所述平均值作为所述独立新风模式对应的所述能耗数据缺失值；

所述根据所述空调运行模式与所述空调运行时间，在所述室外环境参数中确定出与所述能耗数据缺失值对应的参考室外环境参数之前，还包括：

通过随机森林算法，对预先采集的空调不同运行模式对应的能耗数据样本，与所述能耗数据样本对应的室外环境参数，进行相关性计算；

确定空调不同运行模式分别对应的相关性系数大于预设系数的室外环境参数，以得到所述不同运行模式分别对应的参考室外环境参数；

所述将所述参考室外环境参数输入预置能耗数据预测模型之前，还包括：

将预先采集的参考室外环境参数样本，以及预先采集的不同模式等级分别对应的空调数量作为输入，将预先采集的空调能耗数据样本作为输出，对神经网络模型进行训练；

在训练过程中，通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型；

所述通过粒子群算法对所述神经网络模型的参数进行调节，直到所述神经网络模型对应的误差符合预设误差条件，以得到所述预置能耗数据预测模型，具体包括：

对所述神经网络模型的参数进行初始化处理；

根据神经网络模型实际训练周期数量与最大训练周期数量、预设决定系数以及所述神经网络模型对应的均方根误差，得到当前粒子适应度；

将所述当前粒子适应度与局部最优粒子适应度进行比对，若所述当前粒子适应度大于所述局部最优粒子适应度，则基于初始化处理的参数确定出改进后的粒子值；

将所述改进后的粒子值重新赋予所述神经网络模型，将通过随机森林算法提取的特征值作为输入，所述特征值对应的空调能耗值作为输出，对所述神经网络模型进行训练，以得到所述预置能耗数据预测模型。

Images