CN115115284B - 一种基于神经网络的能耗分析方法 - Google Patents

一种基于神经网络的能耗分析方法 Download PDF

Info

Publication number
CN115115284B
CN115115284B CN202211036543.XA CN202211036543A CN115115284B CN 115115284 B CN115115284 B CN 115115284B CN 202211036543 A CN202211036543 A CN 202211036543A CN 115115284 B CN115115284 B CN 115115284B
Authority
CN
China
Prior art keywords
network
sequence
network parameter
data
energy consumption
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.)
Active
Application number
CN202211036543.XA
Other languages
English (en)
Other versions
CN115115284A (zh
Inventor
张振升
翟兆国
王培磊
刘林松
赵春燕
陈靖
刘伟
王超
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.)
Tongfang Decheng Shandong Technology Co ltd
Original Assignee
Tongfang Decheng Shandong Technology 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 Tongfang Decheng Shandong Technology Co ltd filed Critical Tongfang Decheng Shandong Technology Co ltd
Priority to CN202211036543.XA priority Critical patent/CN115115284B/zh
Publication of CN115115284A publication Critical patent/CN115115284A/zh
Application granted granted Critical
Publication of CN115115284B publication Critical patent/CN115115284B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • 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
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

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

Abstract

本发明涉及特定计算模型的计算机系统技术领域，具体涉及一种基于神经网络的能耗分析方法。方法包括：获取各样本数据；得到各样本数据对应的各数据序列的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据所述各综合序列，得到各特征类别的平均损失值；根据各特征类别的平均损失值，得到各特征类别与各网络参数的关联度；根据所述关联度，得到各网络参数的更新修正系数，进而得到各网络参数在第二次训练过程中的学习率；根据所述学习率，得到训练好的能耗预测网络；将当前目标时间段的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。本发明在保证网络精度的同时提高了网络的训练速度。

Description

一种基于神经网络的能耗分析方法
技术领域
本发明涉及特定计算模型的计算机系统技术领域，具体涉及一种基于神经网络的能耗分析方法。
背景技术
建筑能耗是总能源消耗的重要组成部分，随着社会经济的发展，建筑物和建筑设施成倍增加，使得建筑能耗的大幅度增加变得不可避免。能耗预测作为能耗分析的一个方面，准确的能耗预测有利于电能调度和电能分配。每个建筑都可以作为一个能耗调度和分配单元，因此需要保障每个建筑能耗预测的准确性，才能更好的进行电能调度和电能分配。影响每个建筑能耗预测的因素主要包括温度、湿度、各种类电器用电情况等等，因此可以利用这些数据来预测建筑未来的总用电能耗。
现有的一般采用神经网络通过分析建筑历史能耗数据来预测未来时刻建筑的能源消耗数据，但是所述的神经网络需要训练大量的数据信息，并且训练过程中不同数据信息特征描述难度不尽相同，有一些简单的特征只需要一些较短的训练过程网络就能学习到其特征，这时后续过程中针对这些特征就无需进行太多的更新调整；而那些难度较大的特征，这些特征需要较长时间的训练学习才能获取到，例如大楼中的能耗不仅与温度有关，同时还与各用电电器用电能耗有关，而且电器用电能耗会受停电等影响，给能耗数据引入噪声干扰，后续训练过程中这些难度较大的特征对应的网络参数需要进行更多的学习调整；因此在网络训练过程中对每个特征对应的参数采用统一的学习速度可能会导致训练效率较低，训练效果不佳。除此之外网络训练过程中参数趋于收敛阶段时的更新速度过大会导致震荡现象的出现，使得网络一直无法收敛；因此如何在保证网络精度的同时提高网络的训练速度是十分重要的。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于神经网络的能耗分析方法，所采用的技术方案具体如下：
本发明提供了一种基于神经网络的能耗分析方法包括以下步骤：
获取多个历史目标时间段对应的各数据序列，并构建数据集；所述各数据序列包括建筑总能耗序列、暖通空调能耗序列、照明插座能耗序列、温度序列和湿度序列；所述多个历史目标时间段对应的各数据序列长度相同；所述数据集中的一个样本数据对应一个历史目标时间段对应的各数据序列；
利用数据集对能耗预测网络进行初训练；对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及对应的平均损失值；
根据数据集中的各特征类别对应的平均损失值，得到初训练后的能耗预测网络对各特征类别的学习程度；根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到所述各特征类别与各网络参数的关联度；根据能耗预测网络对所述各特征类别的学习程度以及与各网络参数的关联度，得到各网络参数的基准学习系数；
计算各网络参数对应的震荡符合程度；根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数；
根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率；根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络；将当前目标时间段对应的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。
优选的，对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列，包括：
对于任一样本数据对应的任一数据序列：
利用高斯金字塔分别对该数据序列进行预设数量次滤波和下采样；将每次滤波和下采样后的数据序列记为下采样序列，得到该数据序列对应的各下采样序列。
优选的，根据所述各下采样序列，得到各样本数据中的各综合序列，包括：
对于任一样本数据：
对于该样本数据对应的任一数据序列：采用预设大小的滑窗对该数据序列进行无交叠遍历，得到x1个窗口；采用所述滑窗对该数据序列对应的第一次下采样对应的下采样序列进行无交叠遍历，得到x2个窗口；以此类推，采用所述滑窗分别对该数据序列以及对应的各下采样数据序列进行无交叠遍历，得到该数据序列对应的各窗口；所述该数据序列对应的各窗口为对该数据序列和对应的各下采样序列进行遍历后的所有窗口，将窗口内的数据序列记为子数据序列；按照滑窗遍历的顺序为该数据序列对应的各窗口进行编号，将各窗口的编号作为对应的子数据序列的编号；
将该样本数据中各数据序列对应的同一编号的子数据序列按照预设顺序拼接在一起，得到该样本数据中各编号对应的综合序列。
优选的，根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及各特征类别对应的平均损失值，包括：
对于编号i：获取各样本数据中编号i对应的综合序列；根据编号i对应的任意两个综合序列的余弦相似度进行密度聚类，得到编号i对应的各类别，记为特征类别；将编号i对应的任意特征类别中的各综合序列对应的样本数据的损失值的均值作为对应特征类别对应的平均损失值；
所述数据集中的各特征类别包括各编号对应的各特征类别。
优选的，所述得到初训练后的能耗预测网络对各特征类别的学习程度的公式如下：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 34117DEST_PATH_IMAGE002
为初训练后的能耗预测网络对数据集中的第t个特征类别的学习程度，
Figure 100002_DEST_PATH_IMAGE003
为数据集中的第t个特征类别对应的平均损失值，
Figure 992846DEST_PATH_IMAGE004
为调节参数，
Figure 100002_DEST_PATH_IMAGE005
为数据集中各特征类别的数量；
所述得到所述各特征类别与各网络参数的关联度的公式如下：
Figure 195288DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为第z个网络参数与数据集中第t个特征类别的关联度，
Figure 853540DEST_PATH_IMAGE008
为数据集中具有第t个特征类别的各样本特征输入到能耗预测网络时第z个网络参数的更新梯度值的均值，M1为能耗预测网络中网络参数的数量。
优选的，所述得到各网络参数的基准学习系数的计算公式如下：
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 203750DEST_PATH_IMAGE010
为第z个网络参数的基准学习系数。
优选的，计算各网络参数对应的震荡符合程度，包括：
对于第z个网络参数：
获取第z个网络参数对应的取值序列，所述取值序列包括能耗预测网络在初训练过程中距离当前阶段最近的预设数量的更新迭代过程中的第z个网络参数的取值；
计算第z个网络参数对应的取值序列所有取值的均值，记为
Figure 100002_DEST_PATH_IMAGE011
；获取第z个网络参数对应的取值序列中大于
Figure 169432DEST_PATH_IMAGE011
的所有取值，构成大值集合；获取第z个网络参数对应的取值序列中小于等于
Figure 793092DEST_PATH_IMAGE011
的所有取值，构成小值集合；
计算所述小值集合中的每个取值与
Figure 982765DEST_PATH_IMAGE011
之差的平方值的平均数，作为小值集合的方差；计算所述大值集合中的每个取值与
Figure 820271DEST_PATH_IMAGE011
之差的平方值的平均数，作为大值集合的方差；
根据所述大值集合的方差和所述小值集合的方差，得到第z个网络参数对应的震荡符合程度；所述第z个网络参数对应的震荡符合程度为：第z个网络参数对应的大值集合的方差和小值集合的方差的差值的绝对值与1之和的倒数。
优选的，根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数计算公式如下：
Figure 120802DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE013
为第z个网络参数对应的更新修正系数，
Figure 563416DEST_PATH_IMAGE014
为第z个网络参数对应的取值序列的方差值，
Figure 100002_DEST_PATH_IMAGE015
为超参数，
Figure 360209DEST_PATH_IMAGE016
为震荡序列集合，
Figure 100002_DEST_PATH_IMAGE017
为第z个网络参数的基准学习系数，
Figure 685011DEST_PATH_IMAGE018
为第z个网络参数对应的取值序列；
所述震荡序列集合为各网络参数中震荡符合程度大于震荡阈值的各网络参数对应的取值序列构成的集合。
优选的，根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率，包括：
根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数对应的调整系数；
根据各网络参数对应的调整系数，得到各网络参数在第二次训练过程中的学习率；
采用如下公式计算各网络参数对应的调整系数：
Figure 100002_DEST_PATH_IMAGE019
其中，
Figure 992495DEST_PATH_IMAGE020
为第z个网络参数对应的调整系数，
Figure 100002_DEST_PATH_IMAGE021
为第z个网络参数的基准学习系数，
Figure 820774DEST_PATH_IMAGE022
为第z个网络参数对应的更新修正系数，M1为能耗预测网络中网络参数的数量；
所述得到各网络参数在第二次训练过程中的学习率的公式如下：
Figure 100002_DEST_PATH_IMAGE023
其中，
Figure 54047DEST_PATH_IMAGE024
为初训练阶段能耗预测网络的学习率，
Figure 100002_DEST_PATH_IMAGE025
为第z个网络参数对应的调整系数，
Figure 600566DEST_PATH_IMAGE026
为第z个网络参数在第二次训练过程中的学习率。
优选的，根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络，包括：
根据各网络参数在第二次训练过程中的学习率对能耗预测网络进行第二次的训练，训练完成后，判断第二次训练完成后损失函数是否收敛，若收敛，则停止训练，得到训练好的能耗预测网络；若未收敛，则得到各网络参数在第三次训练过程中的学习率；根据各网络参数在第三次训练过程中的学习率对能耗预测网络进行第三次的训练，直到训练完成后的网络的损失函数收敛为止，得到训练好的能耗预测网络。
本发明具有如下有益效果：
本发明考虑到数据的特征学习难度不尽相同，有些简单特征需要较短的迭代训练过程网络就能学习到，而有些数据特征需要较长的迭代训练过程网络才能学习到，因此本发明在网络训练过程中对数据集中的每个特征类别的学习情况进行分析，根据网络对每种特征类别的平均损失值来确定网络对每种特征类别的学习程度，同时分析每种特征类别与各网络参数的关联关系，通过分析每种特征类别对应的样本数据输入网络时各网络参数的更新梯度来确定各特征类别与各网络参数的关联性，并根据各特征类别与各网络参数的关联性和网络对各特征类别的学习程度来确定各网络参数的基准学习调整系数；由于在网络训练过程中网络参数学习率不良时会导致一些网络参数出现无法收敛或者是陷入局部最优的问题，因此本发明根据训练过程中各网络参数的震荡情况来对基准学习调整系数进行调整，得到各网络参数的更新修正系数，最后根据各网络参数的更新修正系数，对网络下一次训练过程中各网络参数的学习率进行设置，从而实现各网络参数高效高质量的更新，以提高网络的训练速度和质量。本发明通过分析每次训练后网络对各特征类别的学习情况以及各网络参数的震荡情况对网络参数的学习率进行调整，进而提高网络的学习效率以及训练速度，使之更加快速的收敛，进而使本发明在保证网络精度的同时提高了网络的训练速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于神经网络的能耗分析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的能耗分析方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于神经网络的能耗分析方法的具体方案。
一种基于神经网络的能耗分析方法实施例：
如图1所示，本实施例的一种基于神经网络的能耗分析方法包括以下步骤：
步骤S1，获取多个历史目标时间段对应的各数据序列，并构建数据集；所述各数据序列包括建筑总能耗序列、暖通空调能耗序列、照明插座能耗序列、温度序列和湿度序列；所述多个历史目标时间段对应的各数据序列长度相同；所述数据集中的一个样本数据对应一个历史目标时间段对应的各数据序列。
由于环境、社会发展等变化导致建筑能耗的消耗不断变化，因此为了更好的进行电能调度和电能分配，需要对未来的建筑能耗进行预测，能源消耗可以通过一些相关因素预测出来，对于建筑能耗来说，影响因素主要包括温度、湿度、各种类电器用电情况等等；现有的一般通过神经网络对能耗进行预测，但利用神经网络进行预测前需要对网络进行训练，在训练过程中网络一般无法区分各数据特征的学习情况，只能按统一的学习情况进行网络参数的更新，会导致训练速度较低；同时在网络训练过程中由于网络参数更新速度过快可能会导致一些快收敛的参数出现震荡现象；因此本实施例提供了一种基于神经网络的能耗分析方法，该方法通过分析网络训练中各网络参数的学习情况和震荡情况来对网络的训练进行更新修正，使得在保证网络精度的同时提高网络的训练速度。
本实施例首先获取训练网络所需要的数据集，具体的：
考虑到影响建筑能耗的主要因素有：暖通空调能耗、照明插座能耗、动力设备能耗、特殊用电能耗、温度、湿度，风速等等；因此首先获取建筑在历史总时间段内的各数据序列，所述各数据序列包括暖通空调能耗序列、照明插座能耗序列、动力设备能耗序列、特殊用电能耗序列、温度序列、湿度序列、风速序列、建筑总能耗序列，具体根据实际需要进行设置；历史总时间段为过去的一段连续的时间，时间长度根据需要进行设置，数据序列包括对应参数在历史总时间段内各时刻下的数据，数据的采集频率为每秒采集一次。
将历史总时间段均匀划分，得到多个等长的历史目标时间段，本实施例中一个历史目标时间段为1小时，具体根据实际需要进行设置；相应的将历史总时间段内各数据序列进行相应的剪裁，得到各历史目标时间段对应的各数据序列；历史目标时间段对应的数据序列包括对应参数在历史目标时间段内的各时刻下的能耗数据。各历史目标时间段连续且长度相同。
本实施例将各历史目标时间段对应的各数据序列作为训练网络时所需要的数据集；一个历史目标时间段对应的各数据序列为数据集中的一个样本数据（即一个样本数据对应一个历史目标时间段，也对应多个数据序列），其对应的标签数据为与该历史目标时间段相邻的下一个历史目标时间段对应的建筑总能耗序列。即将各历史目标时间段按照时间顺序进行排序，则第k个历史目标时间段对应的各数据序列作为网络输入，将第k+1个历史目标时间段对应的建筑总能耗序列作为对应的标签数据。
本实施例中用于对能耗进行预测的网络为DNN网络，记为能耗预测网络；能耗预测网络的结构为Encoder-FC结构，网络的输入为目标时间段对应的各数据序列，网络的输出为下一目标时间段的建筑总能耗序列。
步骤S2，利用数据集对能耗预测网络进行初训练；对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及对应的平均损失值。
本实施例首先将步骤S1得到的数据集中的每个样本数据输入到能耗预测网络中，完成对能耗预测网络的初训练；然后获取各样本数据对能耗预测网络进行初训练后的损失值（即各样本数据的损失值），以及各样本数据输入到能耗预测网络时的各网络参数（即神经元参数）的更新值。
接下来本实施例对初训练后的能耗预测网络进行分析，结合输入到网络中的各样本数据和不同样本数据输入到网络时的各网络参数，分析初训练后能耗预测网络中的各网络参数的学习情况以及震荡情况，进而对后续的训练过程中各网络参数的学习率进行调整，以提高网络的训练速度。
本实施例首先对各样本数据对应的各数据序列的特征进行分析，得到初训练后能耗预测网络对不同特征的学习程度；具体的：
对于任一样本数据：本实施例利用高斯金字塔分别对该样本数据对应的各数据序列进行多次滤波和下采样（所述滤波的滤波核为高斯滤波核，滤波核的方差为2），得到该样本数据对应的各数据序列对应的各下采样序列，即对于任一数据序列，每经过一次滤波和下采样会得到一个新的数据序列，记为下采样序列，经过多次滤波和下采样后，会得到该数据序列对应的多个下采样序列；各数据序列对应的同一次滤波和下采样得到的对应的下采样序列的长度也是相同的（即对于数据序列1和数据序列2，对数据序列1进行第一次下采样得到的下采样序列与数据序列2进行第一次下采样得到的下采样序列的长度相同）。本实施例中滤波和下采样的次数根据实际需要进行设置，将滤波和下采样的次数记为N1，所以一个数据序列对应的各下采样序列的数量为N1；此外高斯金字塔为现有技术，在此就不再赘述。
至此，本实施例能够得到各样本数据对应的各数据序列对应的各下采样序列。
为了提取各样本数据中包含的各特征，本实施例利用大小为1*M的滑窗对各样本数据对应的每个数据序列以及对应的各下采样序列进行无交叠的遍历，然后对各样本数据中不同滑窗内的数据进行分析，本实施例中M=20，具体可由实施者进行设置；具体的：
对于任一样本数据：
由于该样本数据对应的各数据序列表示的是不同参数对应的数据序列，因此本实施例分别对该样本数据对应的各数据序列以及对应的各下采样序列进行遍历；对于该样本数据对应的任一数据序列：首先采用滑窗对该数据序列进行无交叠遍历，可以得到x1个窗口（一个窗口对应一个子数据序列），即得到x1个子数据序列；然后采用滑窗对该数据序列对应的第一次下采样对应的下采样序列进行无交叠遍历，可以得到x2个窗口（即x2个子数据序列），以此类推，采用滑窗分别对该数据序列以及对应的各下采样数据序列进行无交叠遍历，最终可以得到该数据序列对应的多个窗口，将多个滑窗的数量记为N2（一个窗口对应一个子数据序列），本实施例按照滑窗遍历的顺序为该数据序列对应的多个窗口进行编号，例如滑窗第一次停留的位置对应的窗口的编号为1，最后一个窗口的编号为N2；本实施例中窗口的编号也为窗口对应的子数据序列的编号。
至此可以得到该样本数据对应的各数据序列对应的各窗口，且每个数据序列对应的各窗口的数量相同，遍历规则也相同，相同位置的窗口的编号也相同（例如，对于数据序列1，滑窗在数据序列1中第一次停留的位置的窗口的编号为1；对于数据序列2，滑窗在数据序列2中第一次停留的位置的窗口的编号也为1）；此时一个样本数据中有多个编号，一个编号对应多个窗口，即一个编号对应多个子数据序列。
本实施例将该样本数据中各数据序列对应的同一编号的子数据序列按照预设顺序拼接在一起，得到该样本数据中各编号对应的综合序列（即将一个样本数据中同一编号的子数据序列进行融合，将融合后的序列记为综合序列），所述综合序列融合了不同参数对应的数据，可以综合反映此时的特征；不同编号的窗口会包含不同的特征信息。至此得到了该样本数据中各编号对应的综合序列。所述预设顺序为：对于任一编号，将该数据样本对应的暖通空调能耗序列对应的该编号的子数据序列放在综合序列中的第1个位置，将照明插座能耗序列对应的该编号的子数据序列放在综合序列中的第2个位置，将动力设备能耗序列对应的该编号的子数据序列放在综合序列中的第3个位置，将特殊用电能耗序列对应的该编号的子数据序列放在综合序列中的第4个位置，将温度序列对应的该编号的子数据序列放在综合序列中的第5个位置，将湿度序列对应的该编号的子数据序列放在综合序列中的第6个位置，将风速序列对应的该编号的子数据序列放在综合序列中的第7个位置，将建筑总能耗序列对应的该编号的子数据序列放在综合序列中的第8个位置，进而得到该样本数据中该编号对应的综合序列；具体顺序可根据实际需要进行调整。
本实施例采用上述方法分别对各样本数据中的各数据序列进行处理，可以得到各样本数据中各编号对应的综合序列（即各样本数据中的各综合序列）；每个样本数据中的编号数量相同，即每个样本数据中都有N2个编号对应的窗口，即有N2个综合序列。
接下来，对于编号i，获取各样本数据中编号i对应的综合序列（数据集中编号i对应多个综合序列，数量与各样本数据的数量相同，即编号i对应的不同的综合序列属于不同的样本数据），然后根据编号i对应的任意两个综合序列的余弦相似度进行密度聚类，得到
Figure DEST_PATH_IMAGE027
个类别，记为特征类别，同一特征类别中的各综合序列具有相同的特征；然后获取编号i对应的任意特征类别中各综合序列对应的样本数据的损失值，将编号i对应的任意特征类别中的各综合序列对应的样本数据的损失值的均值作为对应特征类别对应的平均损失值，平均损失值表示了具有该特征类别的所有样本数据的平均损失情况，平均损失值越大说明网络对该特征类别的学习能力越差。
本实施例分别对每个编号对应的各综合序列进行聚类，得到每个编号对应的各特征类别，进而得到每个编号对应的各特征类别对应的平均损失值。所有编号对应的各特征类别的数量为
Figure 508479DEST_PATH_IMAGE028
（即数据集中各特征类别的数量），其中
Figure DEST_PATH_IMAGE029
为第i个编号对应的特征类别的数量。至此，得到了数据集中的所有特征类别，数量为N3。数据集中不同的样本数据会具有相同的特征类别，因此一个特征类别会对应多个样本数据（即具有该特征类别的样本数据）。
步骤S3，根据数据集中的各特征类别对应的平均损失值，得到初训练后的能耗预测网络对各特征类别的学习程度；根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到所述各特征类别与各网络参数的关联度；根据能耗预测网络对所述各特征类别的学习程度以及与各网络参数的关联度，得到各网络参数的基准学习系数。
本实施例根据步骤S2得到了数据集中的各特征类别以及各特征类别对应的平均损失值，平均损失值可以反映出初训练后的能耗预测网络对对应特征类别的学习情况；接下来，根据数据集中各特征类别对应的平均损失值，计算初训练后的能耗预测网络对各特征类别的学习程度，具体的，计算初训练后的能耗预测网络对数据集中的任一特征类别的学习程度的公式如下：
Figure 660106DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为初训练后的能耗预测网络对数据集中的第t个特征类别的学习程度，
Figure 64280DEST_PATH_IMAGE032
为数据集中的第t个特征类别对应的平均损失值，
Figure DEST_PATH_IMAGE033
为调节参数，
Figure 98095DEST_PATH_IMAGE033
用于防止分母为0，其大小可由实施者根据需要进行设置，例如
Figure 747382DEST_PATH_IMAGE034
。
上述公式中，分子为所有特征类别对应的平均损失值的均值，当
Figure DEST_PATH_IMAGE035
较大时，说明该特征类别对应的平均损失值相较于其他特征类别的平均损失值较小，即网络对该特征类别的学习情况较好；当
Figure 550253DEST_PATH_IMAGE036
较小时，说明该特征类别对应的平均损失值相较于其他特征类别的平均损失值较大，即网络对该特征类别的学习情况较差。
接着，获取对能耗预测网络进行初训练的过程中各样本数据输入到能耗预测网络时的各网络参数的更新梯度值；本实施例根据不同数据输入到网络后不同网络参数的更新梯度值，来反映不同网络参数对不同数据的关联情况。
然后根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到数据集中的各特征类别与各网络参数的关联度，以反映各特征类别与各网络参数的关联情况。具体的，采用如下公式计算任意网络参数与任意特征类别的关联度：
Figure DEST_PATH_IMAGE037
其中，
Figure 119470DEST_PATH_IMAGE038
为第z个网络参数与数据集中第t个特征类别的关联度，
Figure DEST_PATH_IMAGE039
为数据集中具有第t个特征类别的各样本特征输入到能耗预测网络时第z个网络参数的更新梯度值的均值（一个样本数据输入到能耗预测网络时第z个网络参数对应一个更新梯度值），M1为能耗预测网络中网络参数的数量。
当
Figure 375001DEST_PATH_IMAGE040
越大时，说明具有第t个特征类别的样本数据输入到网络时第z个网络参数的更新梯度越大，即说明第t个特征类别与第z个网络参数的关联度越大，因而当网络对第t个特征类别学习程度较差时，与该特征类别关联度较大的第z个网络参数的学习程度也会不好。
本实施例根据上述过程得到了能耗预测网络对数据集中各特征类别的学习程度以及各特征类别与网络中的各网络参数的关联度；当网络对与某一网络参数的关联度高的特征类别的学习程度不好时，说明由于该网络参数学习的不好导致网络对对应特征类别的学习程度不好，因此需要对该网络参数加强学习；接下来本实施例根据初训练后能耗预测网络对数据集中各特征类别的学习程度以及各特征类别与网络中的各网络参数的关联度，计算各网络参数的基准学习系数，即：
Figure DEST_PATH_IMAGE041
其中，
Figure 765663DEST_PATH_IMAGE042
为第z个网络参数的基准学习系数。
当
Figure DEST_PATH_IMAGE043
和
Figure 187154DEST_PATH_IMAGE044
越大时，说明第z个网络参数的学习情况较好，说明该网络参数越接近最优值，此时与该网络参数相关的特征类别的学习程度较大，因此无需对该网络参数进行过多的学习，即
Figure DEST_PATH_IMAGE045
越小。
至此本实施例得到了各网络参数的基准学习系数。
步骤S4，计算各网络参数对应的震荡符合程度；根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数。
通过上述过程得到了各网络参数的基准学习系数；若直接利用基准学习系数确定各网络参数的更新速度可能会导致出现更新过快或过慢的问题，这是因为没有考虑到网络参数本身的更新情况，当网络参数本身已经存在更新问题时（即当网络参数出现震荡现象时），利用基准学习系数会直接放大这种更新问题；因此接下来本实施例对网络参数的震荡情况进行分析，具体的：
当一个数的值在某个区域震荡时，这个数的取值序列中的各取值应该在该数的取值均值中心上下浮动，本实施例基于此特点来判断各网络参数是否出现震荡情况。
首先获取能耗预测网络在初训练过程中距离当前阶段最近的T个更新迭代过程中的第z个网络参数的取值，构建第z个网络参数对应的取值序列，记为
Figure 434596DEST_PATH_IMAGE046
，其中，
Figure DEST_PATH_IMAGE047
为第z个网络参数对应的取值序列，
Figure 443003DEST_PATH_IMAGE048
为第z个网络参数对应的取值序列中的第1个值，
Figure DEST_PATH_IMAGE049
为第z个网络参数对应的取值序列中的第2个值，
Figure 870311DEST_PATH_IMAGE050
为第z个网络参数对应的取值序列中的第T个值（即能耗预测网络在初训练过程中距离当前阶段最近的更新迭代过程中的第z个网络参数的取值）。
计算第z个网络参数对应的取值序列所有取值的均值，记为
Figure DEST_PATH_IMAGE051
；然后获取第z个 网络参数对应的取值序列中大于
Figure 647775DEST_PATH_IMAGE051
的所有取值，构成大值集合；获取第z个网络参数对应 的取值序列中小于等于
Figure 128435DEST_PATH_IMAGE052
的所有取值，构成小值集合；根据大值集合中的所有取值与
Figure DEST_PATH_IMAGE053
，计算大值集合的方差（即大值集合中的每个取值与
Figure 296242DEST_PATH_IMAGE052
之差的平方值的平均数）；同 样的，根据小值集合中的所有取值与
Figure 153339DEST_PATH_IMAGE052
，计算小值集合的方差（即小值集合中的每个取值 与
Figure 283844DEST_PATH_IMAGE052
之差的平方值的平均数）。当第z个网络参数出现震荡时，对应的大值集合的方差与 小值集合的方差应相近，本实施例基于此来确定各网络参数的震荡符合程度。具体为：
第z个网络参数对应的震荡符合程度的计算公式如下：
Figure 873088DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为第z个网络参数对应的震荡符合程度，
Figure 856088DEST_PATH_IMAGE056
为第z个网络参数对应的大值集合的方差，
Figure DEST_PATH_IMAGE057
为第z个网络参数对应的小值集合的方差。
当网络参数存在震荡特征时，该网络参数的值会在一个数据周围上下浮动，因而取值序列的上侧取值波动与下侧取值波动情况相近；当取值序列的上侧波动情况与下侧波动情况相近时，即当
Figure 188980DEST_PATH_IMAGE058
接近于0时，说明该网络参数对应的取值序列符合震荡特征，因此对应的震荡符合程度较大；反之，则对应的震荡符合程度较小。
本实施例基于各网络参数对应的震荡符合程度来判断各网络参数是否存在震荡现象，若网络参数对应的震荡符合程度大于震荡阈值，则判定该网络参数存在震荡现象；若网络参数对应的震荡符合程度小于等于震荡阈值，则判定该网络参数不存在震荡现象；本实施例将各网络参数中存在震荡现象的网络参数对应的取值序列构成的集合记为震荡序列集合。所述震荡阈值需根据实际需要进行设置。
对于存在震荡现象的参数，不能只用基准学习系数对网络进行调整，需要对基准学习系数进行相应的修正，因此本实施例根据各网络参数对应的取值序列以及基准学习系数，得到各网络参数对应的更新修正系数，计算更新修正系数的公式如下：
Figure DEST_PATH_IMAGE059
其中，
Figure 179851DEST_PATH_IMAGE060
为第z个网络参数对应的更新修正系数，
Figure DEST_PATH_IMAGE061
为第z个网络参数对应的取 值序列的方差值，
Figure 205576DEST_PATH_IMAGE062
为超参数，用于使分子和分母的取值范围趋于一致，其大小实施者根 据实际需要进行设置，
Figure DEST_PATH_IMAGE063
为震荡序列集合。
当
Figure 207030DEST_PATH_IMAGE064
在震荡序列集合中时，说明对应的网络参数存在震荡现象，即该网络参数逐步收敛至一个值附近，此时当该网络参数的基准学习系数较小时，说明不是由于该网络参数学习较差导致网络损失，即该网络参数学习的相对较好，若此时该网络参数对应的取值序列震荡振幅较大（即方差较大），说明该网络参数学习率过大，进而导致网络参数无法收敛，因而需降低该网络参数的更新程度，即
Figure DEST_PATH_IMAGE065
；反之，当网络参数的基准学习系数较大时，说明该网络参数的学习相对较差，此时如果网络参数的振幅较小，说明该网络参数可能会陷入局部最优，因此需增大该网络参数的学习率，使其快速挣脱局部最优，此时
Figure 546875DEST_PATH_IMAGE066
。当
Figure DEST_PATH_IMAGE067
不在震荡序列集合中时，则说明对应的网络参数不存在震荡现象，因此不需要对基准学习系数进行调整，可直接基于基准学习系数来调整网络参数的学习率，此时
Figure 324076DEST_PATH_IMAGE068
。
步骤S5，根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率；根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络；将当前目标时间段对应的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。
本实施例根据步骤S4得到了各网络参数对应的更新修正系数，接下来，本实施例基于各网络参数对应的更新修正系数对对应的基准学习系数进行修正，得到各网络参数对应的调整系数；本实施例采用如下公式计算各网络参数对应的调整系数：
Figure DEST_PATH_IMAGE069
其中，
Figure 520702DEST_PATH_IMAGE070
为第z个网络参数对应的调整系数。其中
Figure DEST_PATH_IMAGE071
用于对基准学习系数的大小进行修正，当
Figure 648933DEST_PATH_IMAGE072
时，用于增大基准学习系数，当
Figure DEST_PATH_IMAGE073
时，用于减小基准学习系数；当
Figure 323628DEST_PATH_IMAGE074
小于分母时，
Figure DEST_PATH_IMAGE075
；当
Figure 581434DEST_PATH_IMAGE076
大于分母时，
Figure DEST_PATH_IMAGE077
。
至此本实施例得到了各网络参数对应的调整系数，接下来根据各网络参数对应的调整系数对后续网络训练时各网络参数的学习率进行调整，具体的：
Figure 152224DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE079
为初训练阶段能耗预测网络的学习率，
Figure 502172DEST_PATH_IMAGE080
为第z个网络参数对应的调整系数，
Figure DEST_PATH_IMAGE081
为第z个网络参数在下一次训练过程中的学习率（即第z个网络参数在第二次训练过程中的学习率）。当
Figure 980557DEST_PATH_IMAGE082
时，
Figure DEST_PATH_IMAGE083
越小，则
Figure 358449DEST_PATH_IMAGE084
越小；当
Figure DEST_PATH_IMAGE085
时，
Figure 350674DEST_PATH_IMAGE086
越大，则
Figure DEST_PATH_IMAGE087
越大。
至此，本实施例根据上述过程得到各网络参数在第二次训练过程中的学习率对能耗预测网络进行第二次的训练，本实施例基于各网络参数在第二次训练过程中的学习率及梯度下降法求出的梯度值控制各网络参数的更新，以完成第二次训练；判断第二次训练完成后损失函数是否收敛，若收敛，则停止训练得到训练好的能耗预测网络；若未收敛，则重复上述步骤，再次确定各网络参数在下一次训练过程中的学习率（即第三次），并进行第三次训练，直到训练完成后的网络的损失函数收敛为止，得到训练好的能耗预测网络。本实施例中每次网络训练所使用的数据集均为步骤S1得到的数据集。
最后获取建筑在当前目标时间段内的各数据序列（与一个历史目标时间段对应的各数据序列类别相同）；然后将当前目标时间段内的各数据序列输入到训练好的能耗预测网络中，输出为下一目标时间段的建筑总能耗序列，进而根据建筑总能耗序列中的数据来控制生产能源的数量。
本实施例考虑到数据的特征学习难度不尽相同，有些简单特征需要较短的迭代训练过程网络就能学习到，而有些数据特征需要较长的迭代训练过程网络才能学习到，因此本实施例在网络训练过程中对数据集中的每个特征类别的学习情况进行分析，根据网络对每种特征类别的平均损失值来确定网络对每种特征类别的学习程度，同时分析每种特征类别与各网络参数的关联关系，通过分析每种特征类别对应的样本数据输入网络时各网络参数的更新梯度来确定各特征类别与各网络参数的关联性，并根据各特征类别与各网络参数的关联性和网络对各特征类别的学习程度来确定各网络参数的基准学习调整系数；由于在网络训练过程中网络参数学习率不良时会导致一些网络参数出现无法收敛或者是陷入局部最优的问题，因此本实施例根据训练过程中各网络参数的震荡情况来对基准学习调整系数进行调整，得到各网络参数的更新修正系数，最后根据各网络参数的更新修正系数，对网络下一次训练过程中各网络参数的学习率进行设置，从而实现各网络参数高效高质量的更新，以提高网络的训练速度和质量。本实施例通过分析每次训练后网络对各特征类别的学习情况以及各网络参数的震荡情况对网络参数的学习率进行调整，进而提高网络的学习效率以及训练速度，使之更加快速的收敛，进而使本实施例在保证网络精度的同时提高网络的训练速度。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的能耗分析方法，其特征在于，该方法包括以下步骤：
获取多个历史目标时间段对应的各数据序列，并构建数据集；所述各数据序列包括建筑总能耗序列、暖通空调能耗序列、照明插座能耗序列、温度序列和湿度序列；所述多个历史目标时间段对应的各数据序列长度相同；所述数据集中的一个样本数据对应一个历史目标时间段对应的各数据序列；
利用数据集对能耗预测网络进行初训练；对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及对应的平均损失值；
根据数据集中的各特征类别对应的平均损失值，得到初训练后的能耗预测网络对各特征类别的学习程度；根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到所述各特征类别与各网络参数的关联度；根据能耗预测网络对所述各特征类别的学习程度以及与各网络参数的关联度，得到各网络参数的基准学习系数；
计算各网络参数对应的震荡符合程度；根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数；
根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率；根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络；将当前目标时间段对应的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。
2.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列，包括：
对于任一样本数据对应的任一数据序列：
利用高斯金字塔分别对该数据序列进行预设数量次滤波和下采样；将每次滤波和下采样后的数据序列记为下采样序列，得到该数据序列对应的各下采样序列。
3.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，根据所述各下采样序列，得到各样本数据中的各综合序列，包括：
对于任一样本数据：
对于该样本数据对应的任一数据序列：采用预设大小的滑窗对该数据序列进行无交叠遍历，得到x1个窗口；采用所述滑窗对该数据序列对应的第一次下采样对应的下采样序列进行无交叠遍历，得到x2个窗口；以此类推，采用所述滑窗分别对该数据序列以及对应的各下采样数据序列进行无交叠遍历，得到该数据序列对应的各窗口；所述该数据序列对应的各窗口为对该数据序列和对应的各下采样序列进行遍历后的所有窗口，将窗口内的数据序列记为子数据序列；按照滑窗遍历的顺序为该数据序列对应的各窗口进行编号，将各窗口的编号作为对应的子数据序列的编号；
将该样本数据中各数据序列对应的同一编号的子数据序列按照预设顺序拼接在一起，得到该样本数据中各编号对应的综合序列。
4.根据权利要求3所述的一种基于神经网络的能耗分析方法，其特征在于，根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及各特征类别对应的平均损失值，包括：
对于编号i：获取各样本数据中编号i对应的综合序列；根据编号i对应的任意两个综合序列的余弦相似度进行密度聚类，得到编号i对应的各类别，记为特征类别；将编号i对应的任意特征类别中的各综合序列对应的样本数据的损失值的均值作为对应特征类别对应的平均损失值；
所述数据集中的各特征类别包括各编号对应的各特征类别。
5.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，所述得到初训练后的能耗预测网络对各特征类别的学习程度的公式如下：
Figure DEST_PATH_IMAGE001
其中，
Figure 712172DEST_PATH_IMAGE002
为初训练后的能耗预测网络对数据集中的第t个特征类别的学习程度，
Figure DEST_PATH_IMAGE003
为数据集中的第t个特征类别对应的平均损失值，
Figure 891481DEST_PATH_IMAGE004
为调节参数，
Figure DEST_PATH_IMAGE005
为数据集中各特征类别的数量；
所述得到所述各特征类别与各网络参数的关联度的公式如下：
Figure 104287DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为第z个网络参数与数据集中第t个特征类别的关联度，
Figure 183976DEST_PATH_IMAGE008
为数据集中具有第t个特征类别的各样本特征输入到能耗预测网络时第z个网络参数的更新梯度值的均值，M1为能耗预测网络中网络参数的数量。
6.根据权利要求5所述的一种基于神经网络的能耗分析方法，其特征在于，所述得到各网络参数的基准学习系数的计算公式如下：
Figure DEST_PATH_IMAGE009
其中，
Figure 456826DEST_PATH_IMAGE010
为第z个网络参数的基准学习系数。
7.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，计算各网络参数对应的震荡符合程度，包括：
对于第z个网络参数：
获取第z个网络参数对应的取值序列，所述取值序列包括能耗预测网络在初训练过程中距离当前阶段最近的预设数量的更新迭代过程中的第z个网络参数的取值；
计算第z个网络参数对应的取值序列所有取值的均值，记为
Figure DEST_PATH_IMAGE011
；获取第z个网络参数对应的取值序列中大于
Figure 920168DEST_PATH_IMAGE011
的所有取值，构成大值集合；获取第z个网络参数对应的取值序列中小于等于
Figure 139928DEST_PATH_IMAGE011
的所有取值，构成小值集合；
计算所述小值集合中的每个取值与
Figure 637906DEST_PATH_IMAGE011
之差的平方值的平均数，作为小值集合的方差；计算所述大值集合中的每个取值与
Figure 845771DEST_PATH_IMAGE011
之差的平方值的平均数，作为大值集合的方差；
根据所述大值集合的方差和所述小值集合的方差，得到第z个网络参数对应的震荡符合程度；所述第z个网络参数对应的震荡符合程度为：第z个网络参数对应的大值集合的方差和小值集合的方差的差值的绝对值与1之和的倒数。
8.根据权利要求7所述的一种基于神经网络的能耗分析方法，其特征在于，根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数计算公式如下：
Figure 796409DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为第z个网络参数对应的更新修正系数，
Figure 616598DEST_PATH_IMAGE014
为第z个网络参数对应的取值序列的方差值，
Figure DEST_PATH_IMAGE015
为超参数，
Figure 906765DEST_PATH_IMAGE016
为震荡序列集合，
Figure DEST_PATH_IMAGE017
为第z个网络参数的基准学习系数，
Figure 786996DEST_PATH_IMAGE018
为第z个网络参数对应的取值序列；
所述震荡序列集合为各网络参数中震荡符合程度大于震荡阈值的各网络参数对应的取值序列构成的集合。
9.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率，包括：
根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数对应的调整系数；
根据各网络参数对应的调整系数，得到各网络参数在第二次训练过程中的学习率；
采用如下公式计算各网络参数对应的调整系数：
Figure DEST_PATH_IMAGE019
其中，
Figure 604691DEST_PATH_IMAGE020
为第z个网络参数对应的调整系数，
Figure DEST_PATH_IMAGE021
为第z个网络参数的基准学习系数，
Figure 759729DEST_PATH_IMAGE022
为第z个网络参数对应的更新修正系数，M1为能耗预测网络中网络参数的数量；
所述得到各网络参数在第二次训练过程中的学习率的公式如下：
Figure DEST_PATH_IMAGE023
其中，
Figure 373244DEST_PATH_IMAGE024
为初训练阶段能耗预测网络的学习率，
Figure DEST_PATH_IMAGE025
为第z个网络参数对应的调整系数，
Figure 922912DEST_PATH_IMAGE026
为第z个网络参数在第二次训练过程中的学习率。
10.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络，包括：
根据各网络参数在第二次训练过程中的学习率对能耗预测网络进行第二次的训练，训练完成后，判断第二次训练完成后损失函数是否收敛，若收敛，则停止训练，得到训练好的能耗预测网络；若未收敛，则得到各网络参数在第三次训练过程中的学习率；根据各网络参数在第三次训练过程中的学习率对能耗预测网络进行第三次的训练，直到训练完成后的网络的损失函数收敛为止，得到训练好的能耗预测网络。
CN202211036543.XA 2022-08-29 2022-08-29 一种基于神经网络的能耗分析方法 Active CN115115284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036543.XA CN115115284B (zh) 2022-08-29 2022-08-29 一种基于神经网络的能耗分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036543.XA CN115115284B (zh) 2022-08-29 2022-08-29 一种基于神经网络的能耗分析方法

Publications (2)

Publication Number Publication Date
CN115115284A CN115115284A (zh) 2022-09-27
CN115115284B true CN115115284B (zh) 2022-11-15

Family

ID=83335911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036543.XA Active CN115115284B (zh) 2022-08-29 2022-08-29 一种基于神经网络的能耗分析方法

Country Status (1)

Country Link
CN (1) CN115115284B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359497B (zh) * 2022-10-14 2023-03-24 景臣科技(南通)有限公司 一种呼叫中心监控报警方法及系统
CN115981236B (zh) * 2023-03-20 2023-05-30 山东山森数控技术有限公司 一种数控车床车削过程能耗预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0934863A (ja) * 1995-07-14 1997-02-07 Hitachi Ltd ニューラルネットワークによる情報統合処理方法
CN106815782A (zh) * 2017-01-23 2017-06-09 重庆汇集源科技有限公司 一种基于神经网络统计学模型的房地产估值方法及系统
CN107238507A (zh) * 2017-06-20 2017-10-10 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的工业设备故障预测方法
CN108449265A (zh) * 2018-02-05 2018-08-24 西安交通大学 一种sd-wan环境中路径计算方法及装置
CN114049236A (zh) * 2021-09-30 2022-02-15 深圳达实智能股份有限公司 建筑机电设备运行能耗数据处理方法、系统及存储介质
CN114358250A (zh) * 2021-12-31 2022-04-15 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机设备、介质及程序产品
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114826500A (zh) * 2022-04-21 2022-07-29 中国人民解放军国防科技大学 基于深度学习的恒包络调制突发信号检测方法与系统
WO2022164696A1 (en) * 2021-01-27 2022-08-04 Merln, Llc Computing technologies for preserving signals for artificial neural networks when downsampling

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11429867B2 (en) * 2018-10-11 2022-08-30 International Business Machines Corporation Down-sampling for convolutional neural networks
US11334795B2 (en) * 2020-03-14 2022-05-17 DataRobot, Inc. Automated and adaptive design and training of neural networks

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0934863A (ja) * 1995-07-14 1997-02-07 Hitachi Ltd ニューラルネットワークによる情報統合処理方法
CN106815782A (zh) * 2017-01-23 2017-06-09 重庆汇集源科技有限公司 一种基于神经网络统计学模型的房地产估值方法及系统
CN107238507A (zh) * 2017-06-20 2017-10-10 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的工业设备故障预测方法
CN108449265A (zh) * 2018-02-05 2018-08-24 西安交通大学 一种sd-wan环境中路径计算方法及装置
WO2022164696A1 (en) * 2021-01-27 2022-08-04 Merln, Llc Computing technologies for preserving signals for artificial neural networks when downsampling
CN114049236A (zh) * 2021-09-30 2022-02-15 深圳达实智能股份有限公司 建筑机电设备运行能耗数据处理方法、系统及存储介质
CN114358250A (zh) * 2021-12-31 2022-04-15 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机设备、介质及程序产品
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114826500A (zh) * 2022-04-21 2022-07-29 中国人民解放军国防科技大学 基于深度学习的恒包络调制突发信号检测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
具有峰值识别的神经网络模型对水沙过程的预报;何文社;《兰州交通大学学报》;20050930(第04期);全文 *

Also Published As

Publication number Publication date
CN115115284A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115115284B (zh) 一种基于神经网络的能耗分析方法
CN107506865B (zh) 一种基于lssvm优化的负荷预测方法及系统
CN109861211B (zh) 一种基于数据驱动的配电网动态重构方法
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN112287990A (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN112084461B (zh) 一种基于历史洪水学习的knn实时校正方法
CN111461466A (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN116805198A (zh) 基于强化学习与预测分析的电网规划动态的方法及系统
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN110705794A (zh) 一种基于支持向量机算法预测窗户状态的方法
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
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN110569883A (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN107871157B (zh) 基于bp和pso的数据预测方法、系统及相关装置
CN114266186B (zh) 一种空调能耗数据缺失值填补方法、设备及介质
CN112364098A (zh) 一种基于Hadoop的分布式电力系统异常数据识别方法及系统
Fu et al. A Sarsa-based adaptive controller for building energy conservation
CN115061444B (zh) 一种融合概率网络和强化学习的工艺参数实时优化方法
CN113268929B (zh) 短期负荷区间预测方法及装置
CN115577290A (zh) 一种基于深度学习的配网故障分类及源定位方法
CN115717758A (zh) 一种室内空间温度和湿度调控方法及系统
CN112749211B (zh) 一种基于电力大数据的茶叶产量预测新方法
CN114139788A (zh) 海上风电机组功率预测方法及装置
Pal et al. Analysis of Optimizers to Regulate Occupant's Actions for Building Energy Management

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