CN115293461B - 建筑体供暖碳排放预测方法及系统 - Google Patents
建筑体供暖碳排放预测方法及系统 Download PDFInfo
- Publication number
- CN115293461B CN115293461B CN202211187427.8A CN202211187427A CN115293461B CN 115293461 B CN115293461 B CN 115293461B CN 202211187427 A CN202211187427 A CN 202211187427A CN 115293461 B CN115293461 B CN 115293461B
- Authority
- CN
- China
- Prior art keywords
- building
- data
- carbon emission
- prediction
- weather
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 220
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 51
- 238000009435 building construction Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 93
- 239000012634 fragment Substances 0.000 claims description 81
- 239000013598 vector Substances 0.000 claims description 74
- 230000008859 change Effects 0.000 claims description 65
- 238000000547 structure data Methods 0.000 claims description 61
- 230000004927 fusion Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000005338 heat storage Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 239000000178 monomer Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- 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
- G06Q50/08—Construction
-
- 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
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General 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
本发明实施例提供一种建筑体供暖碳排放预测方法及系统，结合目标建筑的所在区域的天气数据记录序列和所述目标建筑的建筑构造数据进行建筑体供暖碳排放量的预测，通过天气数据记录序列引入天气变化对供暖能耗的影响因素，通过所述建筑构造数据中的建筑群构造数据引入了建筑群热岛相应对供暖能耗的影响因素，通过所述建筑构造数据中的建筑单体构造数据引入了目标建筑本身的高度、空间、墙体储热等对供暖能耗的影响因素，从而可以更准确地预测建筑体供暖碳排放量，为碳排放的监控和规划提供有效的数据支持。
Description
技术领域
本发明涉及环保技术领域，具体而言，涉及一种建筑体供暖碳排放预测方法及系统。
背景技术
随着社会环保意识的提高，节能减排成为各行各业均需要关注的目标。建筑体供暖产生的碳排放占据了不小的碳排放比例，准确预测建筑体供暖碳排放量能够为更好地监控和规划碳排放提供重要的数据依据。在一些场景中，在预测建筑体供暖碳排放时需要依赖历史供暖数据碳排放记录。但是在一些场景中可能无法获得建筑体的历史供暖数据碳排放记录，例如，新建的建筑体或者没有历史供暖数据碳排放记录存档的建筑体。针对这种场景，一些现有的建筑体供暖碳排放预测方法中，仅考虑了建筑体的供暖空间尺寸进行粗略预测，预测结果不准确，无法为碳排放的监控和规划提供有效的数据支持。
发明内容
为了克服现有技术中的至少一个不足，本发明的目的在于提供一种建筑体供暖碳排放预测方法，所述方法包括：
获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列；所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项；
获取所述目标建筑的建筑构造数据；所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比；
对所述天气数据记录序列进行特征提取，获得天气变化特征；
对所述建筑构造数据进行特征提取，获得建筑构造特征；
将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
在一种可能的实现方式中，所述获取所述目标建筑的建筑构造数据的步骤，包括：
获取所述目标建筑的高度、所述目标建筑周围预设范围内其他建筑的高度及所述其他建筑与所述目标建筑的相对位置和相对距离；
将所述目标建筑的高度映射到一个N*N的高度分布矩阵的中心位置的数据项，N为大于3的整数，根据所述其他建筑与所述目标建筑的相对位置和距离，将所述其他建筑的高度映射至所述高度分布矩阵中对应位置的数据项，将所述高度分布矩阵作为所述建筑群构造数据；
将所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比记录为一向量作为所述建筑单体构造数据。
在一种可能的实现方式中，所述对所述天气数据记录序列进行特征提取，获得天气变化特征的步骤，包括：
将所述天气数据记录序列输入第一特征提取网络进行处理，获得所述天气变化特征；
所述对所述建筑构造数据进行特征提取，获得建筑构造特征的步骤，包括：
将所述建筑构造数据中的所述建筑群构造数据及所述建筑单体构造数据输入第二特征提取网络进行处理，获得所述目标建筑的建筑构造特征。
在一种可能的实现方式中，所述将所述天气数据记录序列输入第一特征提取网络进行处理，获得所述天气变化特征的步骤，包括：
获取天气数据记录序列中的多个时序数据片段；
通过所述第一特征提取网络的第一特征提取模块分别对每个时序数据片段进行特征提取，获得每个所述时序数据片段的第一特征向量，所述第一特征向量包括多个天气记录项相应的第一特征项；
通过所述第一特征提取网络的第二特征提取模块对任两个时序上相邻的所述时序数据片段中的每个第一特征项进行下采样；计算两个所述时序数据片段中时序上较早的时序数据片段下采样后的特征信息与时序上较晚的时序数据片段下采样后的特征信息之间的特征差值向量，将所述特征差值向量确定为两个所述时序数据片段中时序上较早的时序数据片段的片段特征向量；将一缺省特征向量确定为多个所述时序数据片段中时序上的最后一个时序数据片段的片段特征向量；其中，所述片段特征向量包括多个所述天气记录项相应的天气变化特征；
通过所述第一特征提取网络的第三特征提取模块对每个所述时序数据片段进行处理，若所述时序数据片段不是多个所述时序数据片段中时序上的首个时序数据片段，则将所述时序数据片段的片段特征向量与所述时序数据片段之前的至少一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量，所述增强片段特征向量包括多个所述天气记录项相应的增强片段特征；若所述时序数据片段为多个所述时序数据片段中的首个时序数据片段，则将所述时序数据片段的片段特征向量与多个所述时序数据片段中最后一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量；对所述增强片段特征向量中的多个增强片段特征进行数值区间调整，将数值区间调整后的增强片段特征向量作为影响度集合；其中，所述影响度集合包括多个所述天气记录项相应的影响度，所述影响度表示所述天气记录项对所述时序数据片段的天气变化特征的影响程度；
通过所述第一特征提取网络的特征融合模块分别对每个所述时序数据片段的第一特征向量与相应的影响度集合进行特征融合，获得每个所述时序数据片段的片段特征融合向量；
将各所述时序数据片段的所述片段特征融合向量按照时序拼接为所述天气变化特征。
在一种可能的实现方式中，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
对所述天气变化特征和所述建筑构造特征进行特征融合，得到融合特征向量；
将所述融合特征向量输入预先训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的所述供暖碳排放预测数据。
在一种可能的实现方式中，所述方法还包括：
获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签；
通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征；
通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征；
将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放预测数据；
根据所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异。
在一种可能的实现方式中，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
将所述天气变化特征输入供暖碳排放预测网络的第一预测模型，获得天气变化特征与所述第一预测模型中多个能耗预测区间的第一预测置信度，将所述第一预测置信度最高的能耗预测区间确定为目标能耗预测区间；
将所述建筑构造特征输入供暖碳排放预测网络的第二预测模型，获得所述建筑构造特征与所述第二预测模型中多个能耗调整区间的第二预测置信度，将所述第二预测置信度最高的能耗调整区间确定为目标能耗调整区间；
根据所述目标能耗预测区间和所述目标能耗调整区间，确定与所述目标建筑对应的供暖碳排放区间作为所述供暖碳排放预测数据。
在一种可能的实现方式中，所述方法还包括：
获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签；
通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征；
通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征；
将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放区间，并将所述样本供暖碳排放区间的中间值作为预测参照值；
根据所述预测参照值与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述实测供暖碳排放数据标签与所述预测参照值之间的差异。
在一种可能的实现方式中，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
将所述天气变化特征、所述建筑构造特征及所述目标建筑内不同供暖方式的供暖量占比输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
本申请的另一目的在于提供一种建筑体供暖碳排放预测系统，所述建筑体供暖碳排放预测系统：
第一获取单元，用于获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列；所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项；
第二获取单元，用于获取所述目标建筑的建筑构造数据；所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比；
第一提取单元，用于对所述天气数据记录序列进行特征提取，获得天气变化特征；
第二提取单元，用于对所述建筑构造数据进行特征提取，获得建筑构造特征；
数据预测单元，用于将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
相对于现有技术而言，本发明具有以下有益效果：
本发明实施例提供一种建筑体供暖碳排放预测方法及系统，结合目标建筑的所在区域的天气数据记录序列和所述目标建筑的建筑构造数据进行建筑体供暖碳排放量的预测，通过天气数据记录序列引入天气变化对供暖能耗的影响因素，通过所述建筑构造数据中的建筑群构造数据引入了建筑群热岛相应对供暖能耗的影响因素，通过所述建筑构造数据中的建筑单体构造数据引入了目标建筑本身的高度、空间、墙体储热等对供暖能耗的影响因素，从而可以更准确地预测建筑体供暖碳排放量，为碳排放的监控和规划提供有效的数据支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的建筑体供暖碳排放预测方法的步骤流程图；
图2为步骤A2的子步骤流程示意图；
图3为步骤A5的子步骤流程示意图之一；
图4为步骤A5的子步骤流程示意图之二；
图5为本发明实施例提供的建筑体供暖碳排放预测系统的功能模块示意图；
图6为本发明实施例提供的电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1为本实施例提供的一种建筑体供暖碳排放预测方法的示意图，该方法可以包括以下步骤。
步骤A1，获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列。
在本实施例中，所述天气记录数据可以为所述目标预测时间点之前且临近所述目标预测时间点的天气情况的记录。所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项。在时序维度上，所述天气数据记录序列可以包括多个时序数据片段，每个时序数据片段可以包括在一个时间点上每个所述天气记录项的数据记录。
例如，所述天气数据记录序列包括目标预测时间点前30天内以每天记录一次的多个时序数据片段，每个所述时序数据片段均包括多个所述天气记录项。需要说明的是，上述例子中所述天气数据记录序列的总体时间范围和所述时序数据片段的时间间隔划分仅为一个示例，根据实际需要可以采用其他的总时间范围和时间间隔划分，在本实施例中不做具体限定。
经发明人研究发现，在保证室内供暖温度恒定的情况下，室外天气情况对建筑体供暖能耗有一定影响，因此在本实施例中，在建筑体供暖碳排放的预测过程中引入所述天气数据记录序列，从而引入了天气变化对建筑体供暖碳排放的影响。
步骤A2，获取所述目标建筑的建筑构造数据。
在本实施例中，所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比。
经发明人研究发现，建筑体所在位置建筑群的构造及建筑体本身的内部构造均会对建筑供暖碳排放有很大影响。
就建筑群的构造而言，当目标建筑周围存在较密集的其他建筑时（如，目标建筑为位于市区的写字楼或居民楼），建筑群会形成一定的热岛效应（Urban Heat IslandEffect），因此为目标建筑供暖时所需的能耗相对较低，碳排放量也相对更低；而当目标建筑相对独立位于开阔地带时（如，目标建筑为位于郊区的厂区建筑），所述目标建筑本身及周围环境的散热量会更快，因此为目标建筑供暖时所需的能耗相对较高，碳排放量也相对更高。有鉴于此，在本实施例中引入了表征所述目标建筑周围预设范围内各个其他建筑的分布情况的所述建筑群构造数据，从而引入了建筑群热岛效应对建筑体供暖碳排放的影响。
就建筑单体构造而言，当目标建筑内空间分割和墙体储热对所述目标建筑的保温性影响较大。例如，当目标建筑内部墙体较少时（例如，目标建筑为内部空间连通性较大的厂房、开放式写字楼等），目标建筑内部空间连通性大，外墙体散热对整个目标建筑内部温度的直接影响较大，且内部墙体少，墙体储热量也少，目标建筑内的储热能力弱，因此为目标建筑供暖时所需的能耗相对较高，碳排放量也相对更高；而当目标建筑内部墙体较多时（例如，目标建筑为内部空间墙体分割较多的居民楼时），目标建筑内部空间被多层分割，外墙体散热对整个目标建筑内部温度的直接影响较小，且内部墙体多，墙体储热量也多，目标建筑内的储热能力强，因此为目标建筑供暖时所需的能耗相对较低，碳排放量也相对更低。并且，就建筑单体构造而言，相同供暖空间尺寸，建筑高度越高，受地面储热增益的影响越小，因此为目标建筑供暖时所需的能耗相对较高，碳排放量也相对更高。有鉴于此，在本实施例中引入了包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比的建筑单体构造数据，从而引入了建筑体本身内部构造对建筑体供暖碳排放的影响。
步骤A3，对所述天气数据记录序列进行特征提取，获得天气变化特征。
在本实施例中，可以将所述天气数据记录序列输入第一特征提取网络进行处理，获得所述天气变化特征。可选地，所述第一特征提取网络可以为通用的能够对基于时序排列的数据进行特征提取的神经网络模型，例如，递归神经网络。
步骤A4，对所述建筑构造数据进行特征提取，获得建筑构造特征。
在本实施例中，可以将所述建筑构造数据中的所述建筑群构造数据及所述建筑单体构造数据输入第二特征提取网络进行处理，获得所述目标建筑的建筑构造特征。可选地，所述第二特征提取网络可以为通用的能够提取数据之间关联特征的神经网络模型，例如，卷积神经网络。
步骤A5，将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
在本实施例中，所述供暖碳排放预测网络被可以训练为根据所述天气变化特征和所述建筑构造特征进行预测，从而获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。可选地，所述供暖碳排放预测网络可以为通用的基于机器学习的预测模型。
基于上述设计，本实施例提供的建筑体供暖碳排放预测方法，结合目标建筑的所在区域的天气数据记录序列和所述目标建筑的建筑构造数据进行建筑体供暖碳排放量的预测，通过天气数据记录序列引入天气变化对供暖能耗的影响因素，通过所述建筑构造数据中的建筑群构造数据引入了建筑群热岛相应对供暖能耗的影响因素，通过所述建筑构造数据中的建筑单体构造数据引入了目标建筑本身的高度、空间、墙体储热等对供暖能耗的影响因素，从而可以更准确地预测建筑体供暖碳排放量，为碳排放的监控和规划提供有效的数据支持。
在一种可能的实现方式中，请参照图2，步骤A2获取所述目标建筑的建筑构造数据，可以包括以下子步骤。
步骤A21，获取所述目标建筑的高度、所述目标建筑周围预设范围内其他建筑的高度及所述其他建筑与所述目标建筑的相对位置和相对距离。
步骤A22，将所述目标建筑的高度映射到一个N*N的高度分布矩阵的中心位置的数据项，N为大于3的整数，根据所述其他建筑与所述目标建筑的相对位置和距离，将所述其他建筑的高度映射至所述高度分布矩阵中对应位置的数据项，将所述高度分布矩阵作为所述建筑群构造数据。
步骤A23，将所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比记录为一向量作为所述建筑单体构造数据。
在本实施例中，可以以所述目标建筑为中心，对所述目标建筑预设范围内的区域进行网格化，形成N*N的网格，N为大于3的整数。然后将每个网格内的其他建筑的高度或平均高度映射到所述高度分布矩阵中相应的数据项，没有建筑的网格对应的矩阵的数据项赋值为0。其中，矩阵数据项的位置（即，所述其他建筑与所述目标建筑的相对位置和距离）可以表征所述其他建筑的分布的离散程度，矩阵数据项的数值（即，其他建筑的高度）通常可以反映建筑体周围的城市化程度，例如，较高建筑较密集的地区，通常热岛效应较为明显，建筑群较低且较离散的地区，通常热岛效应较弱。如此，步骤A21和步骤A22可以将抽象的所述建筑群构造数据转化为矩阵数据，从而在后续使用卷积神经网络进行特征提取时，可以更方便地获得表现度更好的特征。
在一种可能的实现方式中，步骤A3可以包括以下子步骤。
步骤A31，获取天气数据记录序列中的多个时序数据片段。
步骤A32，通过所述第一特征提取网络的第一特征提取模块分别对每个时序数据片段进行特征提取，获得每个所述时序数据片段的第一特征向量，所述第一特征向量包括多个天气记录项相应的第一特征项。
在本实施例中，所述第一特征向量可以保证每个所述时序数据片段对应的时间点上天气数据本身的特性。
步骤A33，通过所述第一特征提取网络的第二特征提取模块对任两个时序上相邻的所述时序数据片段中的每个第一特征项进行下采样；计算两个所述时序数据片段中时序上较早的时序数据片段下采样后的特征信息与时序上较晚的时序数据片段下采样后的特征信息之间的特征差值向量，将所述特征差值向量确定为两个所述时序数据片段中时序上较早的时序数据片段的片段特征向量；将一缺省特征向量确定为多个所述时序数据片段中时序上的最后一个时序数据片段的片段特征向量；其中，所述片段特征向量包括多个所述天气记录项相应的天气变化特征。
在本实施例中，所述天气变化特征可以用于表征天气在时序上产生变化的特性。
步骤A34，通过所述第一特征提取网络的第三特征提取模块对每个所述时序数据片段进行处理，若所述时序数据片段不是多个所述时序数据片段中时序上的首个时序数据片段，则将所述时序数据片段的片段特征向量与所述时序数据片段之前的至少一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量，所述增强片段特征向量包括多个所述天气记录项相应的增强片段特征；若所述时序数据片段为多个所述时序数据片段中的首个时序数据片段，则将所述时序数据片段的片段特征向量与多个所述时序数据片段中最后一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量；对所述增强片段特征向量中的多个增强片段特征进行数值区间调整，将数值区间调整后的增强片段特征向量作为影响度集合；其中，所述影响度集合包括多个所述天气记录项相应的影响度，所述影响度表示所述天气记录项对所述时序数据片段的天气变化特征的影响程度。
在本实施例中，通过所述影响度集合可以削弱没有变化或变化较小的天气记录项的影响程度，例如，某些地区每日日照强度差异较小，每日风速差异较大，通过所述影响度集合可以降低变化较小的日照强度对所述时序数据片段的天气变化特征的影响程度，提高有变化的风速对所述时序数据片段的天气变化特征的影响程度。
步骤A35，通过所述第一特征提取网络的特征融合模块分别对每个所述时序数据片段的第一特征向量与相应的影响度集合进行特征融合，获得每个所述时序数据片段的片段特征融合向量。
在本实施例中，将每个所述第一特征向量与相应的影响度集合进行特征融合，可以调整各个所述第一特征向量中各天气记录项的影响程度，从而提高重要正特的表现度。
步骤A36，将各所述时序数据片段的所述片段特征融合向量按照时序拼接为所述天气变化特征。
在本实施例中，按照各所述时序数据片段的时序将其对应的所述片段特征融合向量拼接为所述天气变化特征。
在一种可能的实现方式中，请参照图3，步骤A5可以包括以下子步骤。
A511，对所述天气变化特征和所述建筑构造特征进行特征融合，得到融合特征向。
A512，将所述融合特征向量输入预先训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的所述供暖碳排放预测数据。
在本实施例中，将所述天气变化特征和所述建筑构造特征进行融合后输入所述供暖碳排放预测网络，可以是所述供暖碳排放预测网络在进行预测时引入天气及建筑构造的影响，使预测结果更加准确。
在此实现方式中，所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的训练过程可以包括以下步骤。
步骤B511，获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签。
其中，所述实测供暖碳排放数据标签可以为对所述样本目标建筑的供暖碳排放量进行实测获得的供暖碳排放数据。
步骤B512，通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征。
步骤B513，通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征。
步骤B514，将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放预测数据。
步骤B515，根据所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异。
在本实施例中，可以使用多个训练样本重复执行步骤B511到步骤B515，直至训练次数达到预设阈值或者所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异减小到预设阈值。
在另一种可能的实现方式中，请参照图4，步骤A5可以包括以下子步骤。
步骤A521，将所述天气变化特征输入供暖碳排放预测网络的第一预测模型，获得天气变化特征与所述第一预测模型中多个能耗预测区间的第一预测置信度，将所述第一预测置信度最高的能耗预测区间确定为目标能耗预测区间。
其中，所述能耗预测区间可以为根据不同天气情况预先设定的多个不同的用于供暖的能耗数值的区间。
步骤A522，将所述建筑构造特征输入供暖碳排放预测网络的第二预测模型，获得所述建筑构造特征与所述第二预测模型中多个能耗调整区间的第二预测置信度，将所述第二预测置信度最高的能耗调整区间确定为目标能耗调整区间。
其中，所述能耗调整区间可以为根据不同建筑构造可能对建筑供暖能耗产生影响波动的数值区间。
步骤A523，根据所述目标能耗预测区间和所述目标能耗调整区间，确定与所述目标建筑对应的供暖碳排放区间作为所述供暖碳排放预测数据。
例如，在步骤A521中确定出的所述目标能耗预测区间为N1到N2，在步骤A522中确定出的所述目标能耗调整区间为M1到M2，则所述目标建筑的最终能耗区间为N1+M1到 N2+M2，然后可以根据所述最终能耗区间进行映射查询，确定与所述最终能耗区间对应的供暖碳排放区间作为所述供暖碳排放预测数据。
在此实现方式中，所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的训练过程可以包括以下步骤。
步骤B521，获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签。
步骤B522，通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征。
步骤B523，通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征。
步骤B524，将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放区间，并将所述样本供暖碳排放区间的中间值作为预测参照值。
步骤B525，根据所述预测参照值与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述实测供暖碳排放数据标签与所述预测参照值之间的差异。
在此实现方式中，由于所述供暖碳排放预测网络最终给出的预测结果为一个区间值，因此可以将该区间值的中间值作为预测参照值与所述实测供暖碳排放数据标签进行比对。
在本实施例中，可以使用多个训练样本重复执行步骤B521到步骤B525，直至训练次数达到预设阈值或者所述样本供暖碳排放预测数据与所述预测参照值之间的差异减小到预设阈值。
在一种可能的实现方式中，在步骤A5中可以将所述天气变化特征、所述建筑构造特征及所述目标建筑内不同供暖方式的供暖量占比输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
由于在提供相同供暖热量的情况下，不同的供暖方式产生的碳排放量不同，因此在本实施例中，在步骤A5中除了将所述天气变化特征及所述建筑构造特征输入所述供暖碳排放预测网络，还可以将所述目标建筑内不同供暖方式的供暖量占比输入所述供暖碳排放预测网络一起作为预测的特征。其中，所述目标建筑内不同供暖方式的供暖量占比可以为燃气供暖、燃煤供暖及电热供暖三者的供暖量的占比，三者的和值为1。
基于相同的发明构思，请参照图5，本实施例还提供一种建筑体供暖碳排放预测系统，从功能上划分所述建筑体供暖碳排放预测系统可以包括第一获取单元111、第二获取单元112、第一提取单元113、第二提取单元114及数据预测单元115。
所述第一获取单元111用于获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列。所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项。
本实施例中，所述第一获取单元111可用于执行图1所示的步骤A1，关于所述第一获取单元111的具体描述可参对所述步骤A1的描述。
所述第二获取单元112用于获取所述目标建筑的建筑构造数据。所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比。
本实施例中，所述第二获取单元112可用于执行图1所示的步骤A2，关于所述第二获取单元112的具体描述可参对所述步骤A2的描述。
所述第一提取单元113用于对所述天气数据记录序列进行特征提取，获得天气变化特征。
本实施例中，所述第一提取单元113可用于执行图1所示的步骤A3，关于所述第一提取单元113的具体描述可参对所述步骤A3的描述。
所述第二提取单元114用于对所述建筑构造数据进行特征提取，获得建筑构造特征。
本实施例中，所述第二提取单元114可用于执行图1所示的步骤A4，关于所述第二提取单元114的具体描述可参对所述步骤A4的描述。
所述数据预测单元115用于将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
本实施例中，所述数据预测单元115可用于执行图1所示的步骤A5，关于所述数据预测单元115的具体描述可参对所述步骤A5的描述。
本实施例提供的所述分布式光伏发电电量预测系统可以运行于一台或多台具有数据处理能力的电子设备，所述电子设备可以为服务器、个人电脑等。请参照图6，所述电子设备包括建筑体供暖碳排放预测系统110、机器可读存储介质120、处理器130。
所述机器可读存储介质120、处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述建筑体供暖碳排放预测系统110包括至少一个可以软件或固件（firmware）的形式存储于所述机器可读存储介质120中或固化在所述电子设备的操作系统（operating system，OS）中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块，例如所述建筑体供暖碳排放预测系统110所包括的软件功能模块及计算机程序等。
其中，所述机器可读存储介质120可以是，但不限于，随机存取存储器（RandomAccess Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。其中，机器可读存储介质120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
综上所述，本发明实施例提供一种建筑体供暖碳排放预测方法及系统，结合目标建筑的所在区域的天气数据记录序列和所述目标建筑的建筑构造数据进行建筑体供暖碳排放量的预测，通过天气数据记录序列引入天气变化对供暖能耗的影响因素，通过所述建筑构造数据中的建筑群构造数据引入了建筑群热岛相应对供暖能耗的影响因素，通过所述建筑构造数据中的建筑单体构造数据引入了目标建筑本身的高度、空间、墙体储热等对供暖能耗的影响因素，从而可以更准确地预测建筑体供暖碳排放量，为碳排放的监控和规划提供有效的数据支持。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本发明的各种实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种建筑体供暖碳排放预测方法，其特征在于，所述方法包括：
获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列；所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项；
获取所述目标建筑的建筑构造数据；所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比；
对所述天气数据记录序列进行特征提取，获得天气变化特征；
对所述建筑构造数据进行特征提取，获得建筑构造特征；
将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据；
其中，所述获取所述目标建筑的建筑构造数据的步骤，包括：
获取所述目标建筑的高度、所述目标建筑周围预设范围内其他建筑的高度及所述其他建筑与所述目标建筑的相对位置和相对距离；
将所述目标建筑的高度映射到一个N*N的高度分布矩阵的中心位置的数据项，N为大于3的整数，根据所述其他建筑与所述目标建筑的相对位置和距离，将所述其他建筑的高度映射至所述高度分布矩阵中对应位置的数据项，将所述高度分布矩阵作为所述建筑群构造数据；
将所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比记录为一向量，作为所述建筑单体构造数据。
2.根据权利要求1所述的建筑体供暖碳排放预测方法，其特征在于，所述对所述天气数据记录序列进行特征提取，获得天气变化特征的步骤，包括：
将所述天气数据记录序列输入第一特征提取网络进行处理，获得所述天气变化特征；
所述对所述建筑构造数据进行特征提取，获得建筑构造特征的步骤，包括：
将所述建筑构造数据中的所述建筑群构造数据及所述建筑单体构造数据输入第二特征提取网络进行处理，获得所述目标建筑的建筑构造特征。
3.根据权利要求2所述的建筑体供暖碳排放预测方法，其特征在于，所述将所述天气数据记录序列输入第一特征提取网络进行处理，获得所述天气变化特征的步骤，包括：
获取天气数据记录序列中的多个时序数据片段；
通过所述第一特征提取网络的第一特征提取模块分别对每个时序数据片段进行特征提取，获得每个所述时序数据片段的第一特征向量，所述第一特征向量包括多个天气记录项相应的第一特征项；
通过所述第一特征提取网络的第二特征提取模块对任两个时序上相邻的所述时序数据片段中的每个第一特征项进行下采样；计算两个所述时序数据片段中时序上较早的时序数据片段下采样后的特征信息与时序上较晚的时序数据片段下采样后的特征信息之间的特征差值向量，将所述特征差值向量确定为两个所述时序数据片段中时序上较早的时序数据片段的片段特征向量；将一缺省特征向量确定为多个所述时序数据片段中时序上的最后一个时序数据片段的片段特征向量；其中，所述片段特征向量包括多个所述天气记录项相应的天气变化特征；
通过所述第一特征提取网络的第三特征提取模块对每个所述时序数据片段进行处理，若所述时序数据片段不是多个所述时序数据片段中时序上的首个时序数据片段，则将所述时序数据片段的片段特征向量与所述时序数据片段之前的至少一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量，所述增强片段特征向量包括多个所述天气记录项相应的增强片段特征；若所述时序数据片段为多个所述时序数据片段中的首个时序数据片段，则将所述时序数据片段的片段特征向量与多个所述时序数据片段中最后一个时序数据片段的片段特征向量进行特征融合，获得所述时序数据片段的增强片段特征向量；对所述增强片段特征向量中的多个增强片段特征进行数值区间调整，将数值区间调整后的增强片段特征向量作为影响度集合；其中，所述影响度集合包括多个所述天气记录项相应的影响度，所述影响度表示所述天气记录项对所述时序数据片段的天气变化特征的影响程度；
通过所述第一特征提取网络的特征融合模块分别对每个所述时序数据片段的第一特征向量与相应的影响度集合进行特征融合，获得每个所述时序数据片段的片段特征融合向量；
将各所述时序数据片段的所述片段特征融合向量按照时序拼接为所述天气变化特征。
4.根据权利要求3所述的建筑体供暖碳排放预测方法，其特征在于，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
对所述天气变化特征和所述建筑构造特征进行特征融合，得到融合特征向量；
将所述融合特征向量输入预先训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的所述供暖碳排放预测数据。
5.根据权利要求4所述的建筑体供暖碳排放预测方法，其特征在于，所述方法还包括：
获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签；
通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征；
通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征；
将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放预测数据；
根据所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述样本供暖碳排放预测数据与所述实测供暖碳排放数据标签之间的差异。
6.根据权利要求3所述的建筑体供暖碳排放预测方法，其特征在于，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
将所述天气变化特征输入供暖碳排放预测网络的第一预测模型，获得天气变化特征与所述第一预测模型中多个能耗预测区间的第一预测置信度，将所述第一预测置信度最高的能耗预测区间确定为目标能耗预测区间；
将所述建筑构造特征输入供暖碳排放预测网络的第二预测模型，获得所述建筑构造特征与所述第二预测模型中多个能耗调整区间的第二预测置信度，将所述第二预测置信度最高的能耗调整区间确定为目标能耗调整区间；
根据所述目标能耗预测区间和所述目标能耗调整区间，确定与所述目标建筑对应的供暖碳排放区间作为所述供暖碳排放预测数据。
7.根据权利要求6所述的建筑体供暖碳排放预测方法，其特征在于，所述方法还包括：
获取训练样本，所述训练样本包括样本天气数据记录序列、样本目标建筑的样本建筑构造数据及实测供暖碳排放数据标签；
通过所述第一特征提取网络对所述样本天气数据记录序列进行特征提取，获得样本天气变化特征；
通过所述第二特征提取网络对所述样本建筑构造数据进行特征提取，获得样本建筑构造特征；
将所述样本天气变化特征和所述样本建筑构造特征输入待训练的供暖碳排放预测网络，获得所述供暖碳排放预测网络输出的样本供暖碳排放区间，并将所述样本供暖碳排放区间的中间值作为预测参照值；
根据所述预测参照值与所述实测供暖碳排放数据标签之间的差异，调整所述第一特征提取网络、所述第二特征提取网络及所述供暖碳排放预测网络的模型参数，以减小所述实测供暖碳排放数据标签与所述预测参照值之间的差异。
8.根据权利要求1所述的建筑体供暖碳排放预测方法，其特征在于，所述将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据的步骤，包括：
将所述天气变化特征、所述建筑构造特征及所述目标建筑内不同供暖方式的供暖量占比输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据。
9.一种建筑体供暖碳排放预测系统，其特征在于，所述建筑体供暖碳排放预测系统：
第一获取单元，用于获取目标建筑所在区域在目标预测时间点之前的天气数据记录序列；所述天气数据记录序列包括多个天气记录项，所述天气记录项包括室外的温度、湿度、气压、风速、风向、单位时间降水量、日照强度中的一项或多项；
第二获取单元，用于获取所述目标建筑的建筑构造数据；所述建筑构造数据包括建筑群构造数据及建筑单体构造数据，所述建筑群构造数据表征所述目标建筑周围预设范围内各个其他建筑的分布情况，所述建筑单体构造数据包括所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比；
第一提取单元，用于对所述天气数据记录序列进行特征提取，获得天气变化特征；
第二提取单元，用于对所述建筑构造数据进行特征提取，获得建筑构造特征；
数据预测单元，用于将所述天气变化特征和所述建筑构造特征输入预先训练的供暖碳排放预测网络，获得所述目标建筑在所述目标预测时间点的供暖碳排放预测数据；
其中，所述第二获取单元具体用于：
获取所述目标建筑的高度、所述目标建筑周围预设范围内其他建筑的高度及所述其他建筑与所述目标建筑的相对位置和相对距离；
将所述目标建筑的高度映射到一个N*N的高度分布矩阵的中心位置的数据项，N为大于3的整数，根据所述其他建筑与所述目标建筑的相对位置和距离，将所述其他建筑的高度映射至所述高度分布矩阵中对应位置的数据项，将所述高度分布矩阵作为所述建筑群构造数据；
将所述目标建筑的高度、供暖空间尺寸及内部墙体面积占比记录为一向量，作为所述建筑单体构造数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211187427.8A CN115293461B (zh) | 2022-09-28 | 2022-09-28 | 建筑体供暖碳排放预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211187427.8A CN115293461B (zh) | 2022-09-28 | 2022-09-28 | 建筑体供暖碳排放预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115293461A CN115293461A (zh) | 2022-11-04 |
| CN115293461B true CN115293461B (zh) | 2022-12-16 |
Family
ID=83834058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211187427.8A Active CN115293461B (zh) | 2022-09-28 | 2022-09-28 | 建筑体供暖碳排放预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293461B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018021743A1 (ko) * | 2016-07-29 | 2018-02-01 | 김세영 | 원적외선 맞춤형 안전 난방기구 및 그 난방기구 제조방법 |
| CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
| CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
| CN113158119A (zh) * | 2021-02-09 | 2021-07-23 | 北京康居认证中心有限公司 | 一种基于碳收支平衡分析的区域碳中和计算方法 |
| CN113610268A (zh) * | 2021-06-28 | 2021-11-05 | 天津大学 | 一种基于居住区空间形态的碳排放量预测方法 |
| CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
| WO2022134842A1 (zh) * | 2020-12-24 | 2022-06-30 | 广东博智林机器人有限公司 | 一种建筑特征的识别方法及装置 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11210750B2 (en) * | 2018-11-29 | 2021-12-28 | Electronics And Telecommunications Research Institute | Method and system for energy improvement verification of buildings |
| US11164406B2 (en) * | 2019-01-25 | 2021-11-02 | Ford Global Technologies, Llc | Real-time emissions estimation and monitoring |
-
2022
- 2022-09-28 CN CN202211187427.8A patent/CN115293461B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018021743A1 (ko) * | 2016-07-29 | 2018-02-01 | 김세영 | 원적외선 맞춤형 안전 난방기구 및 그 난방기구 제조방법 |
| CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
| WO2022134842A1 (zh) * | 2020-12-24 | 2022-06-30 | 广东博智林机器人有限公司 | 一种建筑特征的识别方法及装置 |
| CN113158119A (zh) * | 2021-02-09 | 2021-07-23 | 北京康居认证中心有限公司 | 一种基于碳收支平衡分析的区域碳中和计算方法 |
| CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
| CN113610268A (zh) * | 2021-06-28 | 2021-11-05 | 天津大学 | 一种基于居住区空间形态的碳排放量预测方法 |
| CN114484557A (zh) * | 2022-01-22 | 2022-05-13 | 天津大学 | 一种基于目标能耗管控的建筑群供热负荷调控方法 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LEAP的重庆市主城区住宅供暖运行能耗及碳排放预测研究;陈铭;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210115(第01期);C038-357 * |
| 居住建筑区域能耗模型研究;李信仪;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190915(第09期);C038-3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115293461A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5940922B2 (ja) | 自然エネルギー量予測装置 | |
| Sun et al. | Short‐term building load forecast based on a data‐mining feature selection and LSTM‐RNN method | |
| CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
| CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
| TW202105306A (zh) | 發電量預測裝置、發電量預測方法、及程式 | |
| Zhang et al. | Tiny‐RainNet: a deep convolutional neural network with bi‐directional long short‐term memory model for short‐term rainfall prediction | |
| Xiong et al. | Research on wind power ramp events prediction based on strongly convective weather classification | |
| CN115036922B (zh) | 一种分布式光伏发电电量预测方法及系统 | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| CN115293461B (zh) | 建筑体供暖碳排放预测方法及系统 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
| Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
| CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
| CN115034586A (zh) | 强对流天气架空线停电风险预测方法及装置 | |
| KR20230099817A (ko) | 노면 온도 예측 모델을 이용한 블랙아이스 판단 방법 | |
| George et al. | A Multi-stage stochastic approach for statistical downscaling of rainfall | |
| JPH08163778A (ja) | 電力需要予測システム | |
| Shahid et al. | Autoencoders for Anomaly Detection in Electricity and District Heating Consumption: A Case Study in School Buildings in Sweden | |
| CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
| CN116449456B (zh) | 阵风预报输出方法、装置、计算机设备和存储介质 | |
| Stylianou et al. | Can photovoltaics be used to estimate cloud cover? | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| KR102478665B1 (ko) | 통계 및 역학적 태풍 기후 예측 장치 및 방법 | |
| KR102388292B1 (ko) | 복사 물리 모수화 에뮬레이터의 불확실성을 보정하는 복사 물리 모수화 시스템 및 그의 동작 방법 |
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 |