CN114326391A - 一种建筑能耗预测方法 - Google Patents
一种建筑能耗预测方法 Download PDFInfo
- Publication number
- CN114326391A CN114326391A CN202111517862.8A CN202111517862A CN114326391A CN 114326391 A CN114326391 A CN 114326391A CN 202111517862 A CN202111517862 A CN 202111517862A CN 114326391 A CN114326391 A CN 114326391A
- Authority
- CN
- China
- Prior art keywords
- granularity
- energy consumption
- feature
- module
- coarse
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 31
- 235000019580 granularity Nutrition 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 3
- 241000132179 Eurotium medium Species 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种建筑能耗预测方法，属于能耗预测领域。本发明是为了解决现有的神经网络对能耗进行预测存在难以取得较好的预测效果的问题。本发明首先获取预测能耗指标历史数据并构建特征张量X＝[Xt,Xt‑1,...,Xt‑n]，其中Xt‑i表示t‑i时刻的特征向量，t表示当前时刻；特征向量中的元素为预测能耗指标；基于特征张量，根据时间粒度构建不同粒度对应的特征张量；所述的建筑能耗预测模型包括多粒度特征提取网络、注意力机制LSTM网络和预测模块，多粒度特征提取网络的输出作为注意力机制LSTM网络的输入，注意力机制LSTM网络的输出作为预测模块的输入，预测模块输出建筑能耗。主要用于建筑的能耗预测。
Description
技术领域
本发明涉及一种建筑能耗预测方法，属于能耗预测领域。
背景技术
建筑在投入使用期间，由于供暖、制冷、照明等需求使用用电器会产生能源消耗。研究建筑能耗预测的任务，能够对特定的建筑物做出较为准确的能源消耗情况的预测，是发展绿色建筑的重要前提；通过对历史能耗数据处理、分析、预测可以实现能源的精细化管理并且可以指导相关能源管理政策的制定；能够估算建筑物未来运行过程中能源消耗量及其费用，调节建筑运行模式以及指导采用及时、有效的节能措施；能够预警是否会产生断电的风险；对于电网来说，可以维护电网的经济性以及安全性。
随着深度学习的快速发展，建筑能耗预测中，也多采用深度学习模型进行预测。近年来，许多研究一直致力于改进Multi-Scale CNN-LSTM模型来进行预测，使用Multi-ScaleCNN模块提取时间和相关输入的深层特征，使用LSTM捕获时间相关性。这种模型通常改变不同并行卷积层中的卷积核大小来获得不同尺度下的深层特征，特征较为简单，并且在复杂的电能消耗模式下难以取得较好的效果。
在建筑能耗背景下，当前时段产生的电能消耗等于各用电器在当前时段产生的能耗之和，而各种用电器的使用时长、频率、模式不尽相同，它们存在着不同时间尺度的敏感度。因此，使用单一尺度进行特征提取，一定会忽略掉其他潜在的耗电模式，使用较细粒度的尺度，会关注到更多短时间内的耗电细节而忽略了长时间内的耗电趋势；使用较粗粒度的尺度，会关注到更多长时间内的耗电趋势而忽略了短时间内的耗电细节。
发明内容
本发明是为了解决现有的神经网络对能耗进行预测存在难以取得较好的预测效果的问题。
一种建筑能耗预测方法，包括以下步骤：
首先获取预测能耗指标历史数据并构建特征张量X＝[Xt,Xt-1,...,Xt-n]，其中Xt-i表示 t-i时刻的特征向量，t表示当前时刻；特征向量中的元素为预测能耗指标；
基于特征张量，根据时间粒度构建不同粒度对应的特征张量；
所述的建筑能耗预测模型包括：
多粒度特征提取网络、注意力机制LSTM网络和预测模块，多粒度特征提取网络的输出作为注意力机制LSTM网络的输入，注意力机制LSTM网络的输出作为预测模块的输入，预测模块输出建筑能耗；
其中，所述多粒度特征提取网络包含多条卷积处理支路，每条卷积处理支路对应处理一种粒度特征，除最细粒度对应的卷积处理支路以外的卷积处理支路经过上采样后与下一级粒度特征统合，然后作为对应粒度卷积处理支路的输入；同时每条卷积处理支路均连接到注意力机制LSTM网络；
所述的下一级粒度特征是指粒度从粗到细的粒度方向上的下一级粒度。
进一步地，所述预测能耗指标包括时间戳、家庭消耗的总有功功率、家庭消耗的总无功功率、平均电压、平均电流强度以及房屋区域的用电能耗。
进一步地，获取预测能耗指标历史数据是以小时为单位获取的。
进一步地，特征张量X＝[Xt,Xt-1,...,Xt-n]中的n取63。
进一步地，所述时间粒度为1小时、2小时和4小时，对应的不同粒度对应的特征张量分别如下：
粗粒度特征张量，即粗粒度特征Xcoarse：对X＝[Xt,Xt-1,...,Xt-63]每4个时刻的特征向量进行下采样或求均值，即Xcoarse＝[Xt,Xt-4,...,Xt-60]或Xcoarse＝[ave1...,ave16]，其中ave1＝ave(Xt,Xt-1,Xt-2,Xt-3)；
中等粒度特征张量，即中等粒度特征Xmiddle：对X＝[Xt,Xt-1,...,Xt-31]每2个时刻的特征向量进行下采样或求均值，即Xmiddle＝[Xt,Xt-2,...,Xt-30]或Xcoarse＝[ave1...,ave16]，其中 ave1＝ave(Xt,Xt-1)如此类推；
细粒度特征张量，即细粒度特征Xfine＝[Xt,Xt-1,...,Xt-16]。
进一步地，所述多粒度特征提取网络包含CNN模块、上采样模块和融合模块；
所述CNN模块包括粗粒度特征提取处理支路、中等粒度特征提取处理支路和细粒度特征提取处理支路，其中，
每条处理支路包括两个串联的卷积单元，每个卷积单元为Conv2D-BN-Pool-ReLU；
将粗粒度对应的特征作为粗粒度特征提取处理支路的输入，粗粒度特征提取处理支路最后一个Pool层分别连接注意力机制LSTM模块和第一上采样模块；
第一上采样模块的输出和中等粒度对应的特征经过第一融合模块融合后作为中等粒度特征提取处理支路的输入，中等粒度特征提取处理支路最后一个Pool层分别连接注意力机制 LSTM网络和第二上采样模块；
第二上采样模块的输出和细粒度对应的特征经过第二融合模块融合后作为细粒度特征提取处理支路的输入，细粒度特征提取处理支路最后一个Pool层连接注意力机制LSTM网络。
进一步地，所述每条处理支路中的卷积单元所包含的Conv2D使用是3x3、padding＝1、 stride＝1的卷积核，所包含的Pooling层对特征图的长和宽分别降到1/2、1/2。
进一步地，所述上采样模块上采样后的矩阵的长和宽是上采样前的矩阵的长和宽的4 倍。
进一步地，所述上采样过程采用最近邻元法进行插值。
进一步地，所述的融合模块的融合过程采用叠加、拼接或注意力方案。
有益效果：
本发明的提出了对原始的建筑能耗数据做粒度划分，并提出了一种针对多粒度的卷积循环神经网络，将产生多批不同粒度的数据送入并行的特征提取模块，对于粗粒度的深层特征反馈给下一次迭代的细粒度浅层特征进行特征融合进而通过特征提取模块产生复合特征，可以学习到具有多时间分辨率的特征表示；同时本发明引入该结构在不会破坏Multi-Scale CNN-LSTM的网络结构，而且还基于不同粒度特征提取出复合特征，因此可以有效提高预测效果。
附图说明
图1为建筑能耗预测模型网络结构图。
具体实施方式
具体实施方式一：
本实施方式所述的一种建筑能耗预测方法，包括以下步骤：
S1、输入数据进行一定的划分和粒度处理：
获取数据并构建t时刻的特征向量
1条特征向量包含8个特征，其中的元素x表示的是一个特征的数值，t表示的是第t时刻的记录。每个特征如表1所示，
表1
而X＝[Xt,Xt-1,...,Xt-n]包含n+1条记录，每条记录8个特征，X是一个二维矩阵，即特征张量。
由Hebrail和Berard提供在UCI机器学习库中的IHEPC数据集被广泛使用于开发建筑能耗预测模型。数据集包含了一栋在法国Sceaux的房屋2006年12月至2010年11月共5 年总计2075259条记录。其中，在2017年4月28日有25979条丢失数据在数据预处理阶段被移除。表1展示了数据集中的一些特征信息，一共有8个变量分别是：时间戳、全局有用功、全局无用功、电压、全局电流以及三个房屋区域的能耗。
在IHEPC数据集中，数据的采集间隔为1分钟，相较于其他能耗数据集来说，采样粒度很细。在预测时，通常使用的粒度为1小时，因此可以对每1小时的60条记录以均值的方式聚合成1条记录，进行预测。
本实施方式中，对于一次迭代(Iterator)的三个粒度的输入：
首先取得X＝[Xt,Xt-1,...,Xt-63]，其中Xt-i表示t-i时刻的特征向量，其中t表示当前时刻。
数据集的形式：每一个采样时刻(本实施方式使用的数据集是1小时的采样间隔，即00:00， 01:00，02:00等时刻)拥有一些特征，比如有用功率，无用功率，A房间的有用功率，B房间的有用功率，C房间的有用功率(因为采样间隔是相等的，W＝P*t，因此预测功率就可以等效预测能耗值)，具体可以表示为：[时间戳，该时段能耗值，内在特征(A房间能耗…光能消耗/制热消耗/制冷消耗)，外在特征(室内外温度，湿度，压强，风速，风向等)]；当然其他建筑能耗的数据集还可以是其他特征，或包括其他特征。
时间窗口大小是一个超参数：对于建筑能耗预测，不会使用前一个时刻的特征向量来预测下一个时刻的能耗值，如果这么做的话，就忽略掉了历史能耗中存在的耗电模式等。曾经在建筑能耗领域广泛使用的CNN-LSTM模型，输入也是确定一个时间窗口大小，这个大小可能是任何一个大于1的数。而本发明发现：单尺度的情况下，由于不同大小的时间窗口，最终的预测性能是不同的，并且在不同的数据集上，这个时间窗口的大小也不一定相等。也就是说，可以类似图像任务里的形式(比如输入的是一个RGB三通道的256*256的图像(3， 256，256))，将建筑能耗预测任务中输入设置为(1，16，8)，其中，1是通道数，16是时间窗口的大小，8是特征向量的长度。同时基于对时间范围的粒度分析，最终确定本实施方式中时间窗口的大小为64。
此外，粒度划分的批数也是一个超参数，本发明画图的时候是基于四层粒度，但是经过深度的研究分析和对效果的影响，本实施方式最终确定粒度批数为3，即采用了如下的粒度划分：
粗粒度的输入为Xcoarse对X＝[Xt,Xt-1,...,Xt-63]每4个时刻的特征向量进行下采样或求均值，即Xcoarse＝[Xt,Xt-4,...,Xt-60]或Xcoarse＝[ave1...,ave16]，其中ave1＝ave(Xt,Xt-1,Xt-2,Xt-3) 如此类推。
中等粒度的输入为Xmiddle对X＝[Xt,Xt-1,...,Xt-31]每2个时刻的特征向量进行下采样或求均值，即Xmiddle＝[Xt,Xt-2,...,Xt-30]或Xcoarse＝[ave1...,ave16]，其中ave1＝ave(Xt,Xt-1)如此类推。
细粒度的输入为Xfine＝[Xt,Xt-1,...,Xt-16]。
并行CNN支路数即不同粒度的输入数是超参数。此处对于原始输入处理成3个粒度，即3个并行CNN网络。此处，Xcoarse包含64个时刻的浅层特征，Xmiddle包含32个时刻的浅层特征，Xfine＝[Xt,Xt-1,...,Xt-16]包含16个时刻的原始特征，长度均为16。
S2、利用建筑能耗预测模型对细粒度特征进行预测建筑能耗预测，如图1所示，所述的建筑能耗预测模型包括：
多粒度特征提取网络、注意力机制LSTM网络和预测模块，多粒度特征提取网络的输出作为注意力机制LSTM网络的输入，注意力机制LSTM网络的输出作为预测模块的输入，预测模块输出建筑能耗；
多粒度特征提取网络，即Multi-Granularity Feature Extracting Module：包含CNN模块、上采样模块和融合模块；
所述CNN模块包括粗粒度特征提取处理支路、中等粒度特征提取处理支路和细粒度特征提取处理支路，其中，
每条处理支路包括两个串联的卷积单元，每个卷积单元为Conv2D-BN-Pool-ReLU，其中 Conv2D使用的卷积核是3x3、padding＝1、stride＝1因此在卷积过程中，特征图大小不变，仅在Pooling层会对特征图的长和宽分别降到1/2，1/2；
将粗粒度对应的特征作为粗粒度特征提取处理支路的输入，粗粒度特征提取处理支路最后一个Pool层分别连接注意力机制LSTM模块和第一上采样模块；
第一上采样模块的输出和中等粒度对应的特征经过第一融合模块融合后作为中等粒度特征提取处理支路的输入，中等粒度特征提取处理支路最后一个Pool层分别连接注意力机制 LSTM网络和第二上采样模块；
第二上采样模块的输出和细粒度对应的特征经过第二融合模块融合后作为细粒度特征提取处理支路的输入，细粒度特征提取处理支路最后一个Pool层连接注意力机制LSTM网络；
上采样模块：在每一次训练迭代过程中，获得的深层特征都是较小尺寸的特征图，在反馈并融合给下一次迭代过程的浅层特征前，需要把尺寸对应，因此需要进行上采样；
即上采样后的矩阵的长和宽是上采样前的矩阵的长和宽的4倍，其中，l表示特征图在时间方向上的长度，f表示特征图在变量方向上的宽度；T-1表示的是上采样前的数据，T表示的是上采样后的数据。上采样采用最近邻元法进行插值。
融合模块：上一次迭代粗粒度的深层特征和当前迭代较细粒度的浅层特征融合提取复合特征；XT＝S(Xgrained,XT-1)其中，Xgrained∈(Xmiddle,Xfine)，XT表示融合特征，XT-1表示上一次迭代的经过上采样的深层特征，S(.)表示融合方式，包括叠加、拼接或注意力方案。
S(Xgrained,XT-1)＝Concat(Xgrained,XT-1)
S(Xgrained,XT-1)＝Stack(Xgrained,XT-1)
S(Xgrained,XT-1)＝Attention(Xgrained,XT-1)
注意力机制LSTM网络，即Attention LSTMModule：包含Attention模块和LSTM模块。其中，Attention采用的是通道注意力机制，而LSTM也是现有的LSTM层。
预测模块，即Prediction Module：由于本任务是建筑能耗预测，因此预测模块使用的是全连接层，输入为前一个模块LSTM的输出向量，预测输出一个值
即下一时刻的建筑能耗。
数据集采样间隔是1小时，本实施方式直接预测接下来1小时的能耗值。其实，也可以预测未来的12小时、24小时，也可以同时预测未来12个小时的12个能耗值。1小时是最简单的一种预测情况。
在训练模型的训练过程中使用MSE损失函数计算误差进行反向传播。
本发明的提出了对原始的建筑能耗数据做粒度划分，并提出了一种针对多粒度的卷积循环神经网络，将产生多批不同粒度的数据送入并行的特征提取模块，对于粗粒度的深层特征反馈给下一次迭代的细粒度浅层特征进行特征融合进而通过特征提取模块产生复合特征，可以学习到具有多时间分辨率的特征表示；同时本发明引入该结构在不会破坏Multi-Scale CNN-LSTM的网络结构，而且还基于不同粒度特征提取出复合特征，因此可以有效提高预测效果。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种建筑能耗预测方法，其特征在于，包括以下步骤：
首先获取预测能耗指标历史数据并构建特征张量X＝[Xt,Xt-1,...,Xt-n]，其中Xt-i表示t-i时刻的特征向量，t表示当前时刻；特征向量中的元素为预测能耗指标；
基于特征张量，根据时间粒度构建不同粒度对应的特征张量；
所述的建筑能耗预测模型包括：
多粒度特征提取网络、注意力机制LSTM网络和预测模块，多粒度特征提取网络的输出作为注意力机制LSTM网络的输入，注意力机制LSTM网络的输出作为预测模块的输入，预测模块输出建筑能耗；
其中，所述多粒度特征提取网络包含多条卷积处理支路，每条卷积处理支路对应处理一种粒度特征，除最细粒度对应的卷积处理支路以外的卷积处理支路经过上采样后与下一级粒度特征统合，然后作为对应粒度卷积处理支路的输入；同时每条卷积处理支路均连接到注意力机制LSTM网络；
所述的下一级粒度特征是指粒度从粗到细的粒度方向上的下一级粒度。
2.根据权利要求1所述一种建筑能耗预测方法，其特征在于，所述预测能耗指标包括时间戳、家庭消耗的总有功功率、家庭消耗的总无功功率、平均电压、平均电流强度以及房屋区域的用电能耗。
3.根据权利要求1或2所述一种建筑能耗预测方法，其特征在于，获取预测能耗指标历史数据是以小时为单位获取的。
4.根据权利要求3所述一种建筑能耗预测方法，其特征在于，特征张量X＝[Xt,Xt-1,...,Xt-n]中的n取63。
5.根据权利要求4所述一种建筑能耗预测方法，其特征在于，所述时间粒度为1小时、2小时和4小时，对应的不同粒度对应的特征张量分别如下：
粗粒度特征张量，即粗粒度特征Xcoarse：对X＝[Xt,Xt-1,...,Xt-63]每4个时刻的特征向量进行下采样或求均值，即Xcoarse＝[Xt,Xt-4,...,Xt-60]或Xcoarse＝[ave1...,ave16]，其中ave1＝ave(Xt,Xt-1,Xt-2,Xt-3)；
中等粒度特征张量，即中等粒度特征Xmiddle：对X＝[Xt,Xt-1,...,Xt-31]每2个时刻的特征向量进行下采样或求均值，即Xmiddle＝[Xt,Xt-2,...,Xt-30]或Xcoarse＝[ave1...,ave16]，其中ave1＝ave(Xt,Xt-1)如此类推；
细粒度特征张量，即细粒度特征Xfine＝[Xt,Xt-1,...,Xt-16]。
6.根据权利要求5所述一种建筑能耗预测方法，其特征在于，所述多粒度特征提取网络包含CNN模块、上采样模块和融合模块；
所述CNN模块包括粗粒度特征提取处理支路、中等粒度特征提取处理支路和细粒度特征提取处理支路，其中，
每条处理支路包括两个串联的卷积单元，每个卷积单元为Conv2D-BN-Pool-ReLU；
将粗粒度对应的特征作为粗粒度特征提取处理支路的输入，粗粒度特征提取处理支路最后一个Pool层分别连接注意力机制LSTM模块和第一上采样模块；
第一上采样模块的输出和中等粒度对应的特征经过第一融合模块融合后作为中等粒度特征提取处理支路的输入，中等粒度特征提取处理支路最后一个Pool层分别连接注意力机制LSTM网络和第二上采样模块；
第二上采样模块的输出和细粒度对应的特征经过第二融合模块融合后作为细粒度特征提取处理支路的输入，细粒度特征提取处理支路最后一个Pool层连接注意力机制LSTM网络。
7.根据权利要求6所述一种建筑能耗预测方法，其特征在于，所述每条处理支路中的卷积单元所包含的Conv2D使用是3x3、padding＝1、stride＝1的卷积核，所包含的Pooling层对特征图的长和宽分别降到1/2、1/2。
8.根据权利要求7所述一种建筑能耗预测方法，其特征在于，所述上采样模块上采样后的矩阵的长和宽是上采样前的矩阵的长和宽的4倍。
9.根据权利要求8所述一种建筑能耗预测方法，其特征在于，所述上采样过程采用最近邻元法进行插值。
10.根据权利要求8所述一种建筑能耗预测方法，其特征在于，所述的融合模块的融合过程采用叠加、拼接或注意力方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517862.8A CN114326391A (zh) | 2021-12-13 | 2021-12-13 | 一种建筑能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517862.8A CN114326391A (zh) | 2021-12-13 | 2021-12-13 | 一种建筑能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114326391A true CN114326391A (zh) | 2022-04-12 |
Family
ID=81050638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111517862.8A Pending CN114326391A (zh) | 2021-12-13 | 2021-12-13 | 一种建筑能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326391A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719042A (zh) * | 2022-11-25 | 2023-02-28 | 深圳大学 | 一种能源桩换热性能预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107732897A (zh) * | 2017-09-12 | 2018-02-23 | 天津大学 | 融合虚拟储能系统的楼宇微网模型预测调控方法 |
| CN111241755A (zh) * | 2020-02-24 | 2020-06-05 | 国网(苏州)城市能源研究院有限责任公司 | 电力负荷预测方法 |
| CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
| US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
| WO2021174755A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
-
2021
- 2021-12-13 CN CN202111517862.8A patent/CN114326391A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107732897A (zh) * | 2017-09-12 | 2018-02-23 | 天津大学 | 融合虚拟储能系统的楼宇微网模型预测调控方法 |
| US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
| CN111241755A (zh) * | 2020-02-24 | 2020-06-05 | 国网(苏州)城市能源研究院有限责任公司 | 电力负荷预测方法 |
| WO2021174755A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
| CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| SUN YL 等: "Probabilistic judgment on a coarser scale", COGNITIVE SYSTEMS RESEARCH, 1 June 2008 (2008-06-01), pages 161 - 172, XP022658675, DOI: 10.1016/j.cogsys.2007.03.001 * |
| 姚丽丽;张红利;万玉建;朱峰;檀姗姗;章永来: "一种面向大规模建筑群能耗预测的BP神经网络模型配置方法", 建筑节能, no. 05, 25 May 2016 (2016-05-25), pages 64 - 83 * |
| 王念滨 等: "基于卷积神经网络的水下目标特征提取方法", 系统工程与电子技术, 12 April 2018 (2018-04-12), pages 1197 - 1203 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719042A (zh) * | 2022-11-25 | 2023-02-28 | 深圳大学 | 一种能源桩换热性能预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Copiaco et al. | An innovative deep anomaly detection of building energy consumption using energy time-series images | |
| Shen et al. | Augmented data driven self-attention deep learning method for imbalanced fault diagnosis of the HVAC chiller | |
| Na et al. | Hierarchical delay-memory echo state network: A model designed for multi-step chaotic time series prediction | |
| CN112766123B (zh) | 一种基于纵横交叉注意力网络的人群计数方法及系统 | |
| Tan et al. | Openstl: A comprehensive benchmark of spatio-temporal predictive learning | |
| CN113065450A (zh) | 基于可分离三维残差注意网络的人体动作识别方法 | |
| CN115601197B (zh) | 光伏电站的异常状态检测方法、装置 | |
| CN114326391A (zh) | 一种建筑能耗预测方法 | |
| CN115600717A (zh) | 一种基于联邦学习的分行业电力负荷预测方法、设备和存储介质 | |
| CN113935977A (zh) | 一种基于生成对抗网络的太阳能电池板缺陷生成方法 | |
| CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
| Wang | A combined model for short-term wind speed forecasting based on empirical mode decomposition, feature selection, support vector regression and cross-validated lasso | |
| Yin et al. | Non-intrusive load monitoring by load trajectory and multi-feature based on DCNN | |
| CN113505465A (zh) | 完全无监督的非侵入式电器状态模型自适应构建方法 | |
| CN105303028A (zh) | 基于有监督等度规映射的智能医学诊断分类方法 | |
| Fan et al. | Research and applications of data mining techniques for improving building operational performance | |
| CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
| CN116579468A (zh) | 基于云系记忆的台风生成预测方法、装置、设备及介质 | |
| CN116596836A (zh) | 基于多视图邻域证据熵的肺炎ct影像属性约简方法 | |
| KR20230088967A (ko) | 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법 | |
| CN111222688A (zh) | 一种商业楼宇的日负荷预测方法 | |
| Wang et al. | Multigranularity Building Energy Consumption Prediction Method Based on Convolutional Recurrent Neural Network | |
| Liang et al. | Ultra-short-term wind speed prediction based on deep spatial-temporal residual network | |
| Salatiello et al. | Synthesizing Building Operation Data with Generative Models: VAEs, GANs, or Something In Between? | |
| She et al. | A Self-Attention Causal LSTM Model for Precipitation Nowcasting |
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 |