CN115169731A - 一种智慧校园能耗预测方法、装置、设备及介质 - Google Patents
一种智慧校园能耗预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115169731A CN115169731A CN202210911891.0A CN202210911891A CN115169731A CN 115169731 A CN115169731 A CN 115169731A CN 202210911891 A CN202210911891 A CN 202210911891A CN 115169731 A CN115169731 A CN 115169731A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- prediction
- period
- modal
- 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 593
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 24
- 239000007789 gas Substances 0.000 description 23
- 239000003345 natural gas Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种智慧校园能耗预测方法、装置、设备及介质。获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；获取第一预测时段的业务量数据、气象预测数据及时间特征；将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。本技术方案，可以克服现有的智慧校园能耗预测方法未全面考虑多模态特征对能耗预测精度的影响，在特征构造层面实现模型能耗预测精度的有效提升。
Description
技术领域
本发明涉及数据预测技术领域，尤其涉及一种智慧校园能耗预测方法、装置、设备及介质。
背景技术
随着智慧校园建设工作的不断推进，能源互联网相关技术的不断进步，精准的校园能耗预测已经成为可能。
现有的校园能耗预测方法较多，但较少全面考虑人流量密度、车流量密度、能耗曲线等多模态信息对能耗预测精度的影响，并且存在忽视学工系统排课数据的重要性、未对预测区域进行细致划分的现象，导致最终校园整体能耗预测精度有待提升。因此，如何科学、准确的进行智慧校园能耗预测是亟需解决的一个问题。
发明内容
本发明提供了一种智慧校园能耗预测方法、装置、设备及介质，可以克服现有的智慧校园能耗预测方法未全面考虑多模态特征对能耗预测精度的影响，在特征构造层面实现模型能耗预测精度的有效提升。
根据本发明的一方面，提供了一种智慧校园能耗预测方法，包括：
获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；
获取第一预测时段的业务量数据、气象预测数据及时间特征；
将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
可选的，所述智慧校园包括第一功能区域和第二功能区域；
获取第一历史时段的多模态能耗特征及能耗数据，包括：
分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据；
将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据，包括：
将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据；
将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。
可选的，在输出所述第一预测时段的第二功能区域的能耗数据之后，还包括：
将所述第一功能区域的能耗数据和所述第二功能区域的能耗数据进行累加，获得所述第一预测时段的能耗数据。
可选的，获取第一历史时段的多模态能耗特征，包括：
对于能耗影响因素特征，获取所述第一历史时段的能耗影响因素数据；
基于所述能耗影响因素数据构建能耗影响因素图；
对所述能耗影响因素图进行特征提取，获得能耗影响因素特征。
可选的，获取第一历史时段的多模态能耗特征，包括：
对于多元能耗特征，在所述第一历史时段内每隔设定时长提取多元能耗数据；
基于所述多元能耗数据构建多元能耗曲线；
对所述多元能耗曲线进行特征提取，获得多元能耗特征。
可选的，所述第一能耗预测模型的训练方式为：
获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第一功能区的真实能耗数据间的第一损失函数；
根据所述第一损失函数对所述第一能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
可选的，所述第二能耗预测模型的训练方式为：
获取第二历史时段的第二功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第二功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第二功能区的真实能耗数据间的第二损失函数；
根据所述第二损失函数对所述第二能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
根据本发明的另一方面，提供了一种智慧校园能耗预测装置，包括：
第一获取模块，用于获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；
第二获取模块，用于获取第一预测时段的业务量数据、气象预测数据及时间特征；
能耗预测模块，用于将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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执行本发明任一实施例所述的智慧校园能耗预测方法。
根据本发明的另一方面，提供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使处理器执行时实现本发明任一实施例所述的智慧校园能耗预测方法。
本发明实施例的技术方案，通过获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；获取第一预测时段的业务量数据、气象预测数据及时间特征；将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。本技术方案，可以克服现有的智慧校园能耗预测方法未全面考虑多模态特征对能耗预测精度的影响，在特征构造层面实现模型能耗预测精度的有效提升。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1是根据本发明实施例一提供的一种智慧校园能耗预测方法的流程图；
图2是根据本发明实施例二提供的一种智慧校园能耗预测方法的流程图；
图3是根据本发明实施例三提供的一种智慧校园能耗预测装置的结构示意图；
图4是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例中的智慧校园利用物联网、大数据、人工智能等技术能够实现整体校园环境的全域感知，通过挖掘校园之中多模态物理特征蕴含的有效信息，可以更加智慧化的进行校园管理工作。物联网作为智慧校园的基础，大量传感终端的部署，使获取精准的人流量密度、车流量密度成为可能，以此利用地理信息系统(Geographic InformationSystem,GIS)可以得到精准的人流量密度图和车流量密度图特征，为实现校园多维度科学管理奠定基础。
实施例一
图1是根据本发明实施例一提供的一种智慧校园能耗预测方法的流程图，本实施例可适用于智慧校园对能耗进行预测的情况，该方法可以由智慧校园能耗预测装置来执行，该智慧校园能耗预测装置可以采用硬件和/或软件的形式实现，该智慧校园能耗预测装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110、获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征。
其中，第一历史时段可以理解为已经过去的一段时间内，具体时段可以根据实际需求进行设置。多模态能耗特征可以包括能耗影响因素特征及多元能耗特征。能耗影响因素特征可以理解为会对能耗造成一定影响的因素的特征；能耗影响因素特征可以包括人流量密度特征以及车流量密度特征等影响因素特征。多元能耗特征可以理解为历史时段的冷能耗曲线特征、历史时段的热能耗曲线特征、历史时段的电能耗曲线特征以及历史时段的气能耗曲线特征。能耗数据可以理解为具体的历史时段的能耗数据，示例性的，如过去一天的某个时段的冷能、热能、电能以及气能等能耗数据，可以是过去两天的某个时段的冷能、热能、电能以及气能等能耗数据，还可以是过去一周的某个时段的冷能、热能、电能以及气能等能耗数据，可以根据实际需求进行设置。本实施例中智慧校园可以通过物联网平台或者其他的硬件传感器以及内部楼宇系统数据等方式获取历史多模态能耗数据。
在本实施例中，可选的，获取第一历史时段的多模态能耗特征，包括：对于能耗影响因素特征，获取所述第一历史时段的能耗影响因素数据；基于所述能耗影响因素数据构建能耗影响因素图；对所述能耗影响因素图进行特征提取，获得能耗影响因素特征。
其中，能耗影响因素特征可以包括人流量影响因素特征以及车流量影响因素特征。能耗影响因素数据可以是人流量数据和车流量数据。能耗影响因素图可以是基于能耗影响因素数据构建的。能耗影响因素图可以是人流量密度图以及车流量密度图。本实施例中可以利用卷积神经网络VGG16对能耗影响因素图进行特征提取，得到能耗影响因素特征。
具体的，本实施例的智慧校园可以通过地理信息系统(Geographic InformationSystem,GIS)进行获取人流量密度数据以及车流量密度数据，经过预处理后分别构造与历史数据时段对应的车流量密度图特征以及人流量密度图，然后利用卷积神经网络VGG16对流量密度图特征以及人流量密度图进行特征提取，获得能耗影响因素特征。
本实施例中对于能耗影响因素，通过获取第一历史时段的能耗影响因素数据，如人流量数据和车流量数据；基于人流量数据和车流量数据构建人流量密度图以及车流量密度图；对人流量密度图以及车流量密度图进行特征提取，获得人流量影响因素特征以及车流量影响因素特征。
本方案通过这样的设置，可以把充分考虑能耗影响因素如人流量密度、车流量密度对校园能耗预测精度的影响，利用智慧校园物联监测系统获得人流量密度、车流量密度数据并构造相应的能耗影响因素特征，进一步提高了能耗预测的精度。
在本实施例中，可选的，获取第一历史时段的多模态能耗特征，包括：对于多元能耗特征，在所述第一历史时段内每隔设定时长提取多元能耗数据；基于所述多元能耗数据构建多元能耗曲线；对所述多元能耗曲线进行特征提取，获得多元能耗特征。
其中，多元能耗特征可以包括冷能、热能、电能以及天然气等能耗特征。每隔设定时长可以根据需要进行设定时长；示例性的，数据采集分为一天24个点，设定时长可以设定为一个小时或者两个小时等时长。多元能耗数据可以包括冷能、热能、电能以及天然气等能耗数据。
本实施例中在第一历史时段内每隔设定时长提取能耗数据之后，还会对提取到的能耗数据进行预处理。其中，预处理可以是对能耗数据进行异常值检测、缺失值填补以及标准化处理等操作。
示例性的，本实施例中对提取到的能耗数据进行预处理，可以是利用3sigma法则进行异常值检测，随后利用拉格朗日插值法完成缺失值填补，最后利用最小-最大规范化完成数据标准化操作，以此完成历史数据预处理工作。
其中，多元能耗曲线可以包括冷能能耗曲线、热能能耗曲线、电能能耗曲线以及天然气能耗曲线。多元能耗曲线可以基于多元能耗数据构建的。具体的，将预处理后的历史冷、热、电、气能耗数据排成时间序列，并对冷、热、电、气能耗时间序列分别滑窗时间窗口，并构造能耗曲线特征。其中，滑窗周期为一周。时间序列可以是按照时间先后按照时间先后关系把一组数据从前往后排列。多元能耗特征可以是对多元能耗曲线进行特征提取得到的。本实施例中可以利用卷积神经网络VGG16对多元能耗曲线进行特征提取，得到多元能耗特征。示例性的，本实施例中可以对历史冷能耗曲线、历史热能耗曲线、历史电能耗曲线、历史气能耗曲线利用VGG16进行特征提取，获得多元能耗特征。
示例性的，对历史人流量密度图以及历史车流量密度图分别利用卷积神经网络VGG16进行特征提取；对历史冷能耗曲线、历史热能耗曲线、历史电能耗曲线、历史气能耗曲线利用VGG16进行特征提取，以此完成多模态能耗特征的提取工作，具体特征提取示意如下：
上式中，下标life、teach用以区分生活区、教学区；上标visitors、traffic、cold、heat、electric、gas分别表示人流量密度、车流量密度、冷能、热能、电能、天然气；P表示输入的原始图像特征，VGG16代表特征提取算法，X表示经过特征提取得到的多模态数据特征。
本实施例中对于多元能耗特征，可以通过在第一历史时段内每隔设定时长提取冷能、热能、电能以及天然气等能耗数据；基于冷能、热能、电能以及天然气等能耗数据构建冷能能耗曲线、热能能耗曲线、电能能耗曲线以及天然气能耗曲线；对冷能能耗曲线、热能能耗曲线、电能能耗曲线以及天然气能耗曲线进行特征提取，获得冷能、热能、电能以及天然气等能耗特征。
本方案通过这样的设置，可以把获取到多元能耗数据并提取为多元能耗特征进行后续预测使用，更加方便。本实施例中还利用深度学习算法实现多模态特征的有效提取以及多模态特征耦合性的有效挖掘，以此提升模型在不同类型能耗预测任务上的泛化性能。
本实施例中智慧校园可以获取第一历史时段的能耗影响因素特征及多元能耗特征及能耗数据。
S120、获取第一预测时段的业务量数据、气象预测数据及时间特征。
其中，第一预测时段可以理解为根据实际需求设置的预测的具体时段。业务量数据对于校园范围内可以理解为校园的排课量数据。本实施例中的第一预测时段的业务量数据可以理解为第一预测时段的排课数据特征，体现学校整体排课量的情况。气象预测数据可以理解为第一预测时段的日前气象预测数据。气象预测数据可以是对第一预测时段的温度值、湿度值、压强、风速、降雨量以及天气类型等特征预测的数据。时间特征可以理解为具体的时间特征，如第一预测时段具体的小时、日、月份以及星期等时间特征。
本实施例中智慧校园可以获取第一预测时段的业务量数据、气象预测数据及时间特征。
S130、将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
其中，能耗预测模型可以是基于门控循环单元(gated recurrent unit,GRU)利用大量的训练样本训练和测试得到的。门控循环单元是一种常用的门控循环神经网络。设定能耗预测模型可以理解为根据需要设定的能耗预测模型。第一预测时段的能耗数据可以理解为将需要的特征输入设定能耗预测模型后，输出的预测时段的能耗数据。
本发明实施例的技术方案，通过获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；获取第一预测时段的业务量数据、气象预测数据及时间特征；将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。本技术方案，可以克服现有的智慧校园能耗预测方法未全面考虑多模态特征对能耗预测精度的影响，在特征构造层面实现模型能耗预测精度的有效提升。
实施例二
图2是根据本发明实施例二提供的一种智慧校园能耗预测方法的流程图，本实施例以上述实施例为基础进行优化。具体优化为：所述智慧校园包括第一功能区域和第二功能区域；获取第一历史时段的多模态能耗特征及能耗数据，包括：分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据；将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模块，输出所述第一预测时段的能耗数据，包括：将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据；将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。如图2所示，该方法包括：
S210、分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据。
其中，智慧校园可以包括第一功能区域和第二功能区域。第一功能区域可以是生活区；第二功能区域可以是教学区。本实施例中可以将校园划分为第一功能区域和第二功能区域，如生活区以及教学区，然后分别获取两个区域的数据内容。
本实施例中可以分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗数据及能耗数据。
S220、获取第一预测时段的业务量数据、气象预测数据及时间特征。
S230、将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据。
本实施例中可以将第一功能区域的多模态能耗特征、能耗数据、业务量数据、气象预测数据及时间特征输入第一能耗预测模型，输出第一预测时段的第一功能区域的能耗数据。
S240、将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。
本实施例中可以将第二功能区域的多模态能耗特征、能耗数据、业务量数据、气象预测数据及时间特征输入第二能耗预测模型，输出第一预测时段的第二功能区域的能耗数据。
本发明实施例的技术方案，通过分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据；获取第一预测时段的业务量数据、气象预测数据及时间特征；将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据；将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。本技术方案，可以克服现有的智慧校园能耗预测方法未全面考虑多模态特征对能耗预测精度的影响，在特征构造层面实现模型能耗预测精度的有效提升。
在本实施例中，可选的，在输出所述第一预测时段的第二功能区域的能耗数据之后，还包括：将所述第一功能区域的能耗数据和所述第二功能区域的能耗数据进行累加，获得所述第一预测时段的能耗数据。
其中，第一预测时段的能耗数据可以通过将第一功能区域的能耗数据和第二功能区域的能耗数据累加求和得到。
本实施例中在输出第一预测时段的第二功能区域的能耗数据之后，将第一功能区域的能耗数据和第二功能区域的能耗数据进行累加，获得第一预测时段的能耗数据。
本方案通过这样的设置，可以将智慧校园划分区域进行分别获得各自的能耗数据，考虑到了学工系统排课数据与校园能耗之间蕴含的关系，进一步提升能耗预测精度。
在本实施例中，可选的，所述第一能耗预测模型的训练方式为：获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；确定所述预测能耗数据和所述第二预测时段在第一功能区的真实能耗数据间的第一损失函数；根据所述第一损失函数对所述第一能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
其中，第二历史时段可以理解为已经过去的一段时间内，具体时段可以根据实际需求进行设置。多模态能耗特征样本可以是第一功能区域用于训练能耗预测模型的样本数据。多模态能耗特征样本可以包括能耗影响因素特征样本及多元能耗特征样本。能耗影响因素特征样本可以包括人流量密度特征以及车流量密度特征等影响因素特征样本。多元能耗特征样本可以理解为历史时段的冷能耗曲线特征样本、历史时段的热能耗曲线特征样本、历史时段的电能耗曲线特征样本以及历史时段的气能耗曲线特征样本。能耗数据可以是第一功能区域具体的历史时段的能耗数据，示例性的，如第一功能区域的过去一天的某个时段的冷能、热能、电能以及气能等能耗数据等，可以根据实际需求进行获取。
其中，第二预测时段可以理解为根据实际需求设置的需要进行预测的具体时段。业务量数据样本可以理解为校园的排课量数据。本实施例中的第二预测时段的业务量数据样本可以理解为第二预测时段的第一功能区域的排课数据特征。气象预测数据样本可以理解为第二预测时段的日前气象预测数据。具体的，气象预测数据样本可以是对第二预测时段的温度值、湿度值、压强、风速、降雨量以及天气类型等特征预测的数据。时间特征样本可以理解为具体的时间特征，如第二预测时段具体的小时、日、月份以及星期等时间特征。第一能耗预测模型可以是通过将样本进行多次训练和测试得到的。真实能耗数据可以是在第二预测时段时在第一功能区的得到的实际的能耗数据。第一损失函数可以是通过预测能耗数据和真实能耗数据进行不断的比较调整确定的。本实施例中可以通过第一损失函数对第一能耗预测模型进行训练。第二历史时段和第二预测时段均处于设定历史时段内，且第二历史时段早于第二预测时段。设定历史时段内可以理解为根据需要对已经过去的某一时段进行设定。
本实施例中对第一能耗预测模型的训练方式可以通过获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；将多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入第一能耗预测模型，输出第二预测时段的预测能耗数据；确定预测能耗数据和第二预测时段在第一功能区的真实能耗数据间的第一损失函数；根据第一损失函数对第一能耗预测模型进行训练。
本方案通过这样的设置，可以根据不同功能区域的数据进行能耗预测建模，并进行了大量的训练和测试，进一步提升模型的预测精度。
在本实施例中，可选的，所述第二能耗预测模型的训练方式为：获取第二历史时段的第二功能区域的多模态能耗特征样本及能耗数据样本；获取第二预测时段的第二功能区域的业务量数据样本、气象数据样本及时间特征样本；将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；确定所述预测能耗数据和所述第二预测时段在第二功能区的真实能耗数据间的第二损失函数；根据所述第二损失函数对所述第二能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
其中，第二历史时段可以理解为已经过去的一段时间内，具体时段可以根据实际需求进行设置。多模态能耗特征样本可以是第二功能区域的用于训练能耗预测模型的样本数据。多模态能耗特征样本可以包括能耗影响因素特征样本及多元能耗特征样本。能耗影响因素特征样本可以包括人流量密度特征以及车流量密度特征等影响因素特征样本。多元能耗特征样本可以理解为历史时段的冷能耗曲线特征样本、历史时段的热能耗曲线特征样本、历史时段的电能耗曲线特征样本以及历史时段的气能耗曲线特征样本。能耗数据可以是第二功能区域具体的历史时段的能耗数据，示例性的，如第一功能区域的过去一天的某个时段的冷能、热能、电能以及气能等能耗数据等，可以根据实际需求进行获取。
其中，第二预测时段可以理解为根据实际需求设置的需要进行预测的具体时段。业务量数据样本可以理解为校园的排课量数据。本实施例中的第二预测时段的业务量数据样本可以理解为第二预测时段的第二功能区域的排课数据特征。气象预测数据样本可以理解为第二预测时段的日前气象预测数据。具体的，气象预测数据样本可以是对第二预测时段的温度值、湿度值、压强、风速、降雨量以及天气类型等特征预测的数据。时间特征样本可以理解为具体的时间特征，如第二预测时段具体的小时、日、月份以及星期等时间特征。第二能耗预测模型可以是通过将样本进行多次训练和测试得到的。真实能耗数据可以是在第二预测时段时在第一功能区的得到的实际的能耗数据。第二损失函数可以是通过预测能耗数据和真实能耗数据进行不断的比较调整确定的。本实施例中可以通过第二损失函数对第二预测模型进行训练。第二历史时段和第二预测时段均处于设定历史时段内，且第二历史时段早于第二预测时段。设定历史时段内可以理解为根据需要对已经过去的某一时段进行设定。
本实施例中对第二能耗预测模型的训练方式可以通过获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；将多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入第一能耗预测模型，输出第二预测时段的预测能耗数据；确定预测能耗数据和第二预测时段在第一功能区的真实能耗数据间的第二损失函数；根据第二损失函数对第二能耗预测模型进行训练。
本方案通过这样的设置，可以根据不同功能区域的数据进行能耗预测建模，并进行了大量的训练和测试，进一步提升模型的预测精度。
示例性的，本实施例中可以分区域建立智慧校园能耗预测模型，可以将得到的生活区、教学区的多模态数据特征样本以及对应的历史能耗数据样本、排课数据样本、气象数据样本、时间数据样本汇集得到各自区域的智慧校园能耗预测模型数据集，生活区与教学区的能耗预测模型数据集具体如下所示：
datalife＝[Xlife,Clife,course,weather,time]
datateach＝[Xteach,Cteach,course,weather,time]
上式中，Clife和Cteach分别表示生活区、教学区的历史能耗数据；course、weather、time分别表示对应的排课数据样本、气象数据样本、时间数据样本；Xlife和Xteach分别表示生活区、教学区的多模态数据特征样本，具体如下所示：
Clife＝[Qlife,Hlife,Elife,Glife]
Cteach＝[Qteach,Hteach,Eteach,Gteach]
time＝[hour,day,month,week]
weather＝[tem,hum,pre,win,rain,type]
上式中，Q、H、E、C可以分别表示冷、热、电、气四种类型能耗，下标用以区分所属区域不同；weather数据中的tem、hum、pre、win、rain、type可以分别为温度值、湿度值、压强、风速、降雨量、天气类型；time数据中的hour、day、month、week可以分别为小时、日、月份以及星期；利用上述数据集datalife和datateach可以分别构造生活区、教学区能耗预测模型的输入属性特征x与标签y，而后划分训练集与测试集用于后续能耗预测模型的训练与测试。
其次，将得到的生活区训练集输入模型进行训练，基于GRU利用多任务学习对生活区的数据进行训练，得到生活区的能耗预测模型；具体原理为利用待预测日前一周的生活区数据预测未来一天教学区24个时段的能耗，则模型为了预测未来一天t时段能耗构造的输入与输出具体如下所示：
xlife(t)＝[Xlife(t),Clife(t),course(t),weather(t),time(t)]
ylife(t)＝[qlife(t),hlife(t),elife(t),glife(t)]
上式中，ylife(t)中的qlife(t)、hlife(t)、elife(t)、glife(t)可以分别表示模型输出的t时段冷、热、电、气能耗；xlife(t)中的course(t)为t时段的排课数据特征，体现学校整体排课量的情况；weather(t)为t时段的日前气象预测数据；time(t)为t时段的时间特征；Xlife(t)为待预测t时段前一周生活区数据经过特征提取得到的多模态数据特征，Clife(t)为生活区能耗数据特征，具体如下所示：
Clife(t)＝[Qlife(t),Hlife(t),Elife(t),Glife(t)]
上式中，Xlife(t)中上标visitors、traffic、cold、heat、electric、gas分别表示人流量密度、车流量密度、冷能、热能、电能、天然气，用以区分不同类型的多模态数据特征；Clife(t)中的Qlife(t)、Hlife(t)、Elife(t)、Glife(t)分别表示为了预测t时段能耗所构造的冷、热、电、气能耗特征，具体如下所示：
Qlife(t)＝[qlife(t-24),qlife(t-48),qlife(t-72),...,qlife(t-168)]
Hlife(t)＝[hlife(t-24),hlife(t-48),hlife(t-72),...,hlife(t-168)]
Elife(t)＝[elife(t-24),elife(t-48),elife(t-72),...,elife(t-168)]
Glife(t)＝[glife(t-24),glife(t-48),glife(t-72),...,glife(t-168)]
上式中，以热能耗为例进行说明，hlife(t-24)为待预测时段t前一天相同时段热能耗、hlife(t-48)为待预测时段t前两天相同时段热能耗、hlife(t-72)为待预测时段t前三天相同时段热能耗、hlife(t-168)为待预测时段t前一周相同时段热能耗，则关于模型的训练过程可以抽象表示为：
ylife(t)＝GRUlife[xlife(t)]
式中，GRUlife代表经过训练得到的生活区能耗预测模型；
随后，将得到的教学区训练集输入模型进行训练，基于GRU利用多任务学习对教学区的数据进行训练，得到教学区的能耗预测模型GRUteach，具体原理为利用待预测日前一周的教学区数据预测未来一天教学区24个时段的能耗，则模型为了预测未来一天t时段能耗构造的输入与输出具体如下所示：
xteach(t)＝[Xteach(t),Cteach(t),course(t),weather(t),time(t)]
yteach(t)＝[qteach(t),hteach(t),eteach(t),gteach(t)]
上式中，yteach(t)中的qteach(t)、hteach(t)、eteach(t)、gteach(t)分别表示模型输出的t时段冷、热、电、气能耗；xteach(t)中的course(t)为t时段的排课数据特征，体现学校整体排课量的情况；weather(t)为t时段的日前气象预测数据；time(t)为t时段的时间特征；Xteach(t)为待预测t时段前一周教学区数据经过特征提取得到的多模态数据特征，Cteach(t)为教学区能耗数据特征，具体如下所示：
Cteach(t)＝[Qteach(t),Hteach(t),Eteach(t),Gteach(t)]
上式中，Xteach(t)中上标visitors、traffic、cold、heat、electric、gas分别表示人流量密度、车流量密度、冷能、热能、电能、天然气，用以区分不同类型的多模态数据特征；Cteach(t)中的Qteach(t)、Hteach(t)、Eteach(t)、Gteach(t)分别表示为了预测t时段能耗所构造的冷、热、电、气能耗特征，具体如下所示：
Qteach(t)＝[qteach(t-24),qteach(t-48),qteach(t-72),...,qteach(t-168)]
Hteach(t)＝[hteach(t-24),hteach(t-48),hteach(t-72),...,hteach(t-168)]
Eteach(t)＝[eteach(t-24),eteach(t-48),eteach(t-72),...,eteach(t-168)]
Gteach(t)＝[gteach(t-24),gteach(t-48),gteach(t-72),...,gteach(t-168)]
上式中，以热能耗为例进行说明，hteach(t-24)为待预测时段t前一天相同时段热能耗、hteach(t-48)为待预测时段t前两天相同时段热能耗、hteach(t-72)为待预测时段t前三天相同时段热能耗、hteach(t-168)为待预测时段t前一周相同时段热能耗，则关于模型的训练过程可以抽象表示为：
yteach(t)＝GRUteach[xteach(t)]
式中，GRUteach代表经过训练得到的教学区能耗预测模型；
最后，利用训练得到的生活区、教学区能耗预测模型预测测试集某天待预测时段n的值，则时段n生活区、教学区模型的能耗预测结果为
两个区域冷、热、电、气能耗预测值具体可以表示为：
式中，
分别为生活区时段n的冷、热、电、气能耗预测值；
分别为教学区时段n的冷、热、电、气能耗预测值。
本实施例中还可以将智慧校园总体能耗求和重构，通过将得到的生活区、教学区不同类型能耗预测结果求和重构，得到总体的智慧校园不同类型能耗预测结果，则智慧校园总体能耗预测结果可以表示为：
上式中，
分别为求和重构之后时段n校园的冷、热、电、气能耗预测值。本实施例中还可以分别对不同类型能耗预测值反归一化得到各自实际的预测值；最后可以利用能耗预测结果进行智慧校园能耗可视化展示，为后续校园的智慧用能与优化调度奠定基础。
实施例三
图3是根据本发明实施例三提供的一种智慧校园能耗预测装置的结构示意图。如图3所示，该装置包括：
第一获取模块310，用于获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征。
第二获取模块320，用于获取第一预测时段的业务量数据、气象预测数据及时间特征。
能耗预测模块330，用于将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
可选的，所述智慧校园包括第一功能区域和第二功能区域；
第一获取模块310，具体用于：
分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据；
能耗预测模块330，具体用于：
将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据；
将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。
可选的，所述装置还包括：累加模块，用于在输出所述第一预测时段的第二功能区域的能耗数据之后，将所述第一功能区域的能耗数据和所述第二功能区域的能耗数据进行累加，获得所述第一预测时段的能耗数据。
可选的，第一获取模块310，用于：
对于能耗影响因素特征，获取所述第一历史时段的能耗影响因素数据；
基于所述能耗影响因素数据构建能耗影响因素图；
对所述能耗影响因素图进行特征提取，获得能耗影响因素特征。
可选的，第一获取模块310，用于：
对于多元能耗特征，在所述第一历史时段内每隔设定时长提取多元能耗数据；
基于所述多元能耗数据构建多元能耗曲线；
对所述多元能耗曲线进行特征提取，获得多元能耗特征。
可选的，所述第一能耗预测模型的训练方式为：
获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第一功能区的真实能耗数据间的第一损失函数；
根据所述第一损失函数对所述第一能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
可选的，所述第二能耗预测模型的训练方式为：
获取第二历史时段的第二功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第二功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第二功能区的真实能耗数据间的第二损失函数；
根据所述第二损失函数对所述第二能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
本发明实施例所提供的一种智慧校园能耗预测装置可执行本发明任意实施例所提供的一种智慧校园能耗预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如智慧校园能耗预测方法。
在一些实施例中，智慧校园能耗预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的智慧校园能耗预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行智慧校园能耗预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种智慧校园能耗预测方法，其特征在于，包括：
获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；
获取第一预测时段的业务量数据、气象预测数据及时间特征；
将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
2.根据权利要求1所述的方法，其特征在于，所述智慧校园包括第一功能区域和第二功能区域；
获取第一历史时段的多模态能耗特征及能耗数据，包括：
分别获取第一历史时段的第一功能区域的多模态能耗特征及能耗数据，第二功能区域的多模态能耗特征及能耗数据；
将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据，包括：
将所述第一功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第一能耗预测模型，输出所述第一预测时段的第一功能区域的能耗数据；
将所述第二功能区域的多模态能耗特征、能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入第二能耗预测模型，输出所述第一预测时段的第二功能区域的能耗数据。
3.根据权利要求2所述的方法，其特征在于，在输出所述第一预测时段的第二功能区域的能耗数据之后，还包括：
将所述第一功能区域的能耗数据和所述第二功能区域的能耗数据进行累加，获得所述第一预测时段的能耗数据。
4.根据权利要求1所述的方法，其特征在于，获取第一历史时段的多模态能耗特征，包括：
对于能耗影响因素特征，获取所述第一历史时段的能耗影响因素数据；
基于所述能耗影响因素数据构建能耗影响因素图；
对所述能耗影响因素图进行特征提取，获得能耗影响因素特征。
5.根据权利要求1所述的方法，其特征在于，获取第一历史时段的多模态能耗特征，包括：
对于多元能耗特征，在所述第一历史时段内每隔设定时长提取多元能耗数据；
基于所述多元能耗数据构建多元能耗曲线；
对所述多元能耗曲线进行特征提取，获得多元能耗特征。
6.根据权利要求2所述的方法，其特征在于，所述第一能耗预测模型的训练方式为：
获取第二历史时段的第一功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第一功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第一功能区的真实能耗数据间的第一损失函数；
根据所述第一损失函数对所述第一能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
7.根据权利要求2所述的方法，其特征在于，所述第二能耗预测模型的训练方式为：
获取第二历史时段的第二功能区域的多模态能耗特征样本及能耗数据样本；
获取第二预测时段的第二功能区域的业务量数据样本、气象数据样本及时间特征样本；
将所述多模态能耗特征样本、能耗数据样本、业务量数据样本、气象数据样本及时间特征样本输入所述第一能耗预测模型，输出所述第二预测时段的预测能耗数据；
确定所述预测能耗数据和所述第二预测时段在第二功能区的真实能耗数据间的第二损失函数；
根据所述第二损失函数对所述第二能耗预测模型进行训练；其中，所述第二历史时段和所述第二预测时段均处于设定历史时段内，且所述第二历史时段早于所述第二预测时段。
8.一种智慧校园能耗预测装置，其特征在于，包括：
第一获取模块，用于获取第一历史时段的多模态能耗特征及能耗数据；其中，所述多模态能耗特征包括能耗影响因素特征及多元能耗特征；
第二获取模块，用于获取第一预测时段的业务量数据、气象预测数据及时间特征；
能耗预测模块，用于将所述多模态能耗特征、所述能耗数据、所述业务量数据、所述气象预测数据及所述时间特征输入设定能耗预测模型，输出所述第一预测时段的能耗数据。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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执行权利要求1-7中任一项所述的智慧校园能耗预测方法。
10.一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使处理器执行时实现权利要求1-7中任一项所述的智慧校园能耗预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210911891.0A CN115169731A (zh) | 2022-07-29 | 2022-07-29 | 一种智慧校园能耗预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210911891.0A CN115169731A (zh) | 2022-07-29 | 2022-07-29 | 一种智慧校园能耗预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169731A true CN115169731A (zh) | 2022-10-11 |
Family
ID=83476482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210911891.0A Pending CN115169731A (zh) | 2022-07-29 | 2022-07-29 | 一种智慧校园能耗预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴（中国）有限公司 | 功率预测方法、电子设备及存储介质 |
-
2022
- 2022-07-29 CN CN202210911891.0A patent/CN115169731A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴（中国）有限公司 | 功率预测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615226A (zh) | 一种运营指标异常监测方法 | |
| CN112036668A (zh) | 用水量预测方法、装置、电子设备以及计算机可读介质 | |
| CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
| CN105760970A (zh) | 空气质量指数的预测方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| Malki et al. | Machine learning approach of detecting anomalies and forecasting time-series of IoT devices | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
| CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
| KR101860457B1 (ko) | 기상 영향 분석 방법 및 이를 수행하기 위한 장치 | |
| CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
| CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
| CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
| CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
| CN113592136A (zh) | 一种交通数据预测方法、装置及电子设备 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
| Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
| CN115130788B (zh) | 基于大数据分析的用电预测系统 | |
| CN109213800A (zh) | 一种烟草虫情预测系统及方法 | |
| CN114095390B (zh) | 区域内对象流量的预测方法、装置、设备及存储介质 | |
| CN110837903A (zh) | 一种轨道交通短期客流预测方法、系统及电子设备 | |
| JP7001766B2 (ja) | 予測システムおよび予測方法 |
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 |