CN114548575A - 基于迁移学习的自适应建筑日前负荷预测方法 - Google Patents
基于迁移学习的自适应建筑日前负荷预测方法 Download PDFInfo
- Publication number
- CN114548575A CN114548575A CN202210185021.XA CN202210185021A CN114548575A CN 114548575 A CN114548575 A CN 114548575A CN 202210185021 A CN202210185021 A CN 202210185021A CN 114548575 A CN114548575 A CN 114548575A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- building
- load
- day
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/044—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
- G06N3/08—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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (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自适应建筑日前负荷预测方法,涉及建筑与环保技术领域。本发明包括如下步骤:S1数据采集与处理,原始数据集分为目标建筑的小数据集和基础建筑群的大数据集,填补全部原始数据集的缺失值;S2用能模式聚类;S3源域数据筛选,筛选负荷目标建筑用能模式的历史日负荷曲线,分别构建数据迁移训练集和模型迁移训练集;S4日前负荷预测模型构建;S5自适应模型优化,利用贝叶斯优化不断调整模型参数,实现目标建筑的自适应负荷预测。本发明通过迁移学习的数据迁移和模型迁移方法,结合数据充足建筑群的历史数据,实现目标建筑的负荷预测。
Description
技术领域
本发明属于建筑技术领域,用于智能建筑、建筑能量管理等相关系统,涉及基于迁移学习的自适应建筑日前负荷预测方法。
背景技术
建筑能耗在社会总能耗中的占比日趋增加,随着科技的发展,建筑渐渐从简单的用能终端转变为小型、复杂的能量转换设备。建筑能量管理、智能建筑、用户行为引导等智能化系统通过合理分配用能和储能设备,有效提高建筑用能效率。而实现建筑能量优化管理的前提就是精准的负荷预测。深度学习算法作为近几年的新型模型,有更好的非线性描述能力,可以有效提高负荷预测精度,已被广泛研究和应用。
检索发现,基于深度学习算法的负荷预测研究已日趋成熟。中国发明专利CN111563610A《一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统》将典型建筑的负荷数据、天气参数和建筑物数据作为输入,利用LSTM构建预测模型。中国发明专利CN113836823A《一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法》,利用变分模态分解方法将历史负荷按趋势分解,在将各子序列分别构建双向长短期记忆神经网络模型,以提高预测精度。但是,深度学习算法往往需要大量历史数据作为支撑,否则极易出现无法收敛的情况。然而事实上,大部分建筑由于运行时间短、数据采集系统不健全等情况,往往无法提供充足的历史数据建立预测模型。
发明内容
本发明为了弥补现有技术的不足,提出了一种针对数据匮乏建筑的负荷预测方法,通过迁移学习的数据迁移和模型迁移方法,结合数据充足建筑群的历史数据,实现目标建筑的负荷预测。本发明是通过如下技术方案实现的:本发明提供了基于迁移学习的自适应建筑日前负荷预测方法,包括S1数据采集与处理,通过智能电表获取到目标建筑数据和基础建筑群数据,将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集,获取步长为1小时的历史负荷数据;填补全部原始数据集的缺失值,将前后两周对应时间点的数值均值填补缺失值;
S2用能模式聚类,将目标建筑数据以天为单位,构建日负荷曲线;通过肘部法则寻找K-means++(k均值++)的最佳K值,对目标建筑日负荷曲线进行聚类,获得聚类模型;聚类结果中每一个簇代表目标建筑的一种用能模式;
S3源域数据筛选,将基础建筑群的大数据集以一天为单位组成日负荷曲线,将其作为聚类模型输入,筛选负荷目标建筑用能模式的历史日负荷曲线,分别构建数据迁移训练集和模型迁移训练集;
S4日前负荷预测模型构建,利用数据迁移训练集训练长短期记忆神经网络(LSTM网络),构架数据迁移预测模型;利用模型迁移训练集训练卷积神经网络-长短期记忆网络(CNN-LSTM网络),再利用目标建筑负荷数据微调网络结构,构建模型迁移预测模型,将两个模型(数据迁移预测模型和模型迁移预测模型)的输出均值作为目标建筑日前预测结果;
S5自适应模型优化,在日前负荷预测模型运行过程中,根据更新的历史负荷,利用贝叶斯优化不断调整模型参数,实现目标建筑的自适应负荷预测。
本发明的有益效果是:
本发明的方法针对目标建筑数据匮乏难以建立精确日前负荷预测模型的问题,通过迁移学习扩充训练集,实现深度学习模型收敛,发挥深度学习网络优势的同时,保障模型收敛,实现精准预测。此外,随着运行过程中历史负荷数据的增加,不断用贝叶斯优化模型结构,从而实现自适应预测。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的建筑日前负荷预测模型构建流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
附图为本发明的基于迁移学习的自适应建筑日前负荷预测方法的具体实施例。该实施例包括,
S1数据采集与处理,通过智能电表获取到目标建筑数据和基础建筑群数据,将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集,获取步长为1小时的历史负荷数据;填补全部原始数据集的缺失值,将前后两周对应时间点的数值均值填补缺失值。
S2用能模式聚类,将目标建筑数据以天为单位,构建日负荷曲线;通过肘部法则寻找K-means++(k均值++)的最佳K值,对目标建筑日负荷曲线进行聚类,获得聚类模型;聚类结果中每一个簇代表目标建筑的一种用能模式。
将各个簇内的样本点所在簇质心的距离平方和SSE作为性能度量,性能度量越小则说明各个簇越收敛,同时要避免极端情况时所有样本点均视作簇(SSE为0的情况),需要通过肘部法则寻求簇的数量(即K值)与SSE之间的平衡点。
肘部法则具体实施步骤包括:指定一个i值,即可能的最大类簇数;然后将类簇数从1开始递增,一直到i,计算出i个SSE;根据数据的潜在模式,当设定的类簇数不断逼近真实类簇数时,SSE呈现快速下降态势,而当设定类簇数超过真实类簇数时,SSE也会继续下降,当下降迅速趋于缓慢时,通过画出K-SSE曲线,找出下降途中的拐点,即可确定K值。
S3源域数据筛选,将基础建筑群的大数据集以一天为单位组成日负荷曲线,将其作为聚类模型输入,筛选负荷目标建筑用能模式的历史日负荷曲线,分别构建数据迁移训练集和模型迁移训练集。(1)数据迁移训练集:将筛选出的历史数据与目标建筑历史数据合并,构建数据迁移训练集。(2)模型迁移训练集:选出符合目标建筑用能模式的历史数据比例最高的建筑作为最大相似建筑,选择其历史数据作为模型迁移训练集。
S4日前负荷预测模型构建,利用数据迁移训练集训练长短期记忆神经网络(LSTM网络),构架数据迁移预测模型;利用模型迁移训练集训练卷积神经网络-长短期记忆网络(CNN-LSTM网络),再利用目标建筑负荷数据微调网络结构,构建模型迁移预测模型,将两个模型(数据迁移预测模型和模型迁移预测模型)的输出均值作为目标建筑日前预测结果。
S5自适应模型优化,在日前负荷预测模型运行过程中,根据更新的历史负荷,利用贝叶斯优化不断调整模型参数,实现目标建筑的自适应负荷预测。该实施例中采用贝叶斯优化,深度学习网络的超参数选择往往采用经验法不准确也不可靠,贝叶斯优化通过非常少的步数找到较好的超参数组合,同时一般情况下神经网络的超参数的导数难以求得,但贝叶斯优化不需要求导数,因此本发明采用贝叶斯优化获得深度学习网络的超参数。
本发明基于迁移学习和深度学习技术,针对目标建筑历史负荷数据匮乏的情况,提出基于迁移学习的自适应建筑日前负荷预测方法。日前是指在目标预测日前一天获取这一日全天的负荷曲线,属于多点预测。首先利用K-means++聚类目标建筑日负荷数据,得到目标建筑用能模式和源域数据筛选聚类模型。利用聚类模型筛选建筑群历史负荷,将符合目标建筑用能模式的数据与目标建筑日负荷数据合并训练长短期记忆神经网络(LSTM)获得数据迁移预测模型。同时,筛选出与目标建筑相似度最高的建筑,利用其历史负荷训练卷积神经网络-长短期记忆网络(CNN-LSTM),再通过目标负荷数据微调CNN-LSTM模型,从而获得模型迁移预测模型。在日前负荷预测模型运行过程中,通过不断更新的对应数据集,利用贝叶斯优化调节预测模型,实现目标建筑的自适应负荷预测。综合考虑两种迁移方式的预测模型得到目标建筑负荷预测结果,实现数据匮乏目标建筑负荷预测的同时,提高预测精度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (3)
1.基于迁移学习的自适应建筑日前负荷预测方法,其特征在于,包括如下步骤:
S1数据采集与处理,通过智能电表获取到目标建筑数据和基础建筑群数据,将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集,获取步长为1小时的历史负荷数据;填补全部原始数据集的缺失值,将前后两周对应时间点的数值均值填补缺失值;
S2用能模式聚类,将目标建筑数据以天为单位,构建日负荷曲线;通过肘部法则寻找K-means++的最佳K值,对目标建筑日负荷曲线进行聚类,获得聚类模型;聚类结果中每一个簇代表目标建筑的一种用能模式;
S3源域数据筛选,将基础建筑群的大数据集以一天为单位组成日负荷曲线,将其作为聚类模型输入,筛选负荷目标建筑用能模式的历史日负荷曲线,分别构建数据迁移训练集和模型迁移训练集;
S4日前负荷预测模型构建,利用数据迁移训练集训练长短期记忆神经网络,构架数据迁移预测模型;利用模型迁移训练集训练卷积神经网络-长短期记忆网络,再利用目标建筑负荷数据微调网络结构,构建模型迁移预测模型,将数据迁移预测模型和模型迁移预测模型的输出均值作为目标建筑日前预测结果;
S5自适应模型优化,在日前负荷预测模型运行过程中,根据更新的历史负荷,利用贝叶斯优化不断调整模型参数,实现目标建筑的自适应负荷预测。
2.根据权利要求1所述的基于迁移学习的自适应建筑日前负荷预测方法,其特征在于,肘部法则具体步骤包括:指定一个i值,即可能的最大类簇数;然后将类簇数从1开始递增,一直到i,计算出i个SSE;根据数据的潜在模式,当设定的类簇数不断逼近真实类簇数时,SSE呈现快速下降态势,而当设定类簇数超过真实类簇数时,SSE也会继续下降,当下降迅速趋于缓慢时,通过画出K-SSE曲线,找出下降途中的拐点,即可确定K值。
3.根据权利要求1所述的基于迁移学习的自适应建筑日前负荷预测方法,其特征在于,构建数据迁移训练集和模型迁移训练集分别为:(1)数据迁移训练集,将筛选出的历史数据与目标建筑历史数据合并,构建数据迁移训练集;(2)模型迁移训练集,选出符合目标建筑用能模式的历史数据比例最高的建筑作为最大相似建筑,选择其历史数据作为模型迁移训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185021.XA CN114548575A (zh) | 2022-02-28 | 2022-02-28 | 基于迁移学习的自适应建筑日前负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185021.XA CN114548575A (zh) | 2022-02-28 | 2022-02-28 | 基于迁移学习的自适应建筑日前负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548575A true CN114548575A (zh) | 2022-05-27 |
Family
ID=81679113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210185021.XA Pending CN114548575A (zh) | 2022-02-28 | 2022-02-28 | 基于迁移学习的自适应建筑日前负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548575A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310727A (zh) * | 2022-10-11 | 2022-11-08 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
CN115879190A (zh) * | 2022-10-17 | 2023-03-31 | 中国建筑科学研究院有限公司 | 模型构建方法及装置、建筑负荷预测方法及装置 |
-
2022
- 2022-02-28 CN CN202210185021.XA patent/CN114548575A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310727A (zh) * | 2022-10-11 | 2022-11-08 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
CN115310727B (zh) * | 2022-10-11 | 2023-02-03 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
CN115879190A (zh) * | 2022-10-17 | 2023-03-31 | 中国建筑科学研究院有限公司 | 模型构建方法及装置、建筑负荷预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN110060176A (zh) | 电力物联网智能配电方法、可读存储介质和终端 | |
CN114548575A (zh) | 基于迁移学习的自适应建筑日前负荷预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN116384773A (zh) | 公共建筑冷负荷预测方法和装置、设备及存储介质 | |
CN114595542A (zh) | 一种线损预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN116862043A (zh) | 一种基于多层前馈网络的负荷预测方法及系统 | |
Li | Energy consumption forecasting with deep learning | |
CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 | |
CN116865232A (zh) | 一种基于风速误差修正的中长期风电功率预测方法及系统 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及系统 | |
CN113850443A (zh) | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 |
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 |