CN115879190A - 模型构建方法及装置、建筑负荷预测方法及装置 - Google Patents
模型构建方法及装置、建筑负荷预测方法及装置 Download PDFInfo
- Publication number
- CN115879190A CN115879190A CN202211265061.1A CN202211265061A CN115879190A CN 115879190 A CN115879190 A CN 115879190A CN 202211265061 A CN202211265061 A CN 202211265061A CN 115879190 A CN115879190 A CN 115879190A
- Authority
- CN
- China
- Prior art keywords
- building
- data
- model
- simulation
- load prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 23
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000001816 cooling Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
建筑负荷预测模型的构建方法及装置、建筑物负荷预测方法、计算机设备及存储介质，涉及建筑负荷预测技术领域。解决了源域建筑匹配不准确、匹配结果单一，数据维度、完整度不足等问题。所述建筑负荷预测模型的构建方法包括：建立与目标建筑相同的离线建筑仿真模型，并收集离线建筑仿真模型的仿真数据集，将仿真数据集输出，根据边缘端与云端数据的相似性，获取用于预训练负荷预测模型的源域数据；建立基于迁移学习的在线负荷预测模型，根据“云‑边”协同原理，实现建筑负荷预测模型的构建。本发明适用于新建建筑的建筑负荷预测领域。
Description
技术领域
本发明属于建筑负荷预测技术领域。
背景技术
近年来，深度网络模型在建筑负荷预测中得到了广泛应用。相较于其他方法，深度网络模型具有更好的预测性能。但是深度网络模型的良好性能需要大量数据进行训练，而且模型训练的计算成本高、计算量大。特别是大量新建建筑和刚刚开展节能改造的既有建筑，第1、2年往往没有数据或数据质量不高，导致训练过程网络的特征提取能力削弱，从而无法达到预期的预测效果。
目前，迁移学习已被广泛应用于图像分类、自然语言处理、网页分类等诸多领域。但是，迁移学习用于负荷预测中的研究成果相对于较少，例如：2021年12月24日公开的硕士论文“融合迁移学习和长短记忆网络的建筑负荷预测研究”(中国矿业大学，张勇)，而且现有方法依然存在着源域匹配不准确、迁移对象单一等不足。
2021年03月12日公开的发明专利CN112488397A,基于模态分解和迁移学习的极端场景下负荷预测方法，公开了电力系统负荷预测方法，其用于进行电力系统规划、指导电力生产的重要手段和关键环节，然而存在一些极端场景下如地震、山洪、泥石流、台风、等自然灾害或设备故障等不可控因素会导致电力负荷发生突变。在这种情况下，历史数据相对于未来的负荷曲线变化已无参考价值，无法通过传统的时间序列方法算出较准确的预测值。
目前采用迁移学习的研究都是利用相似场景的历史数据作为源数据，对模型进行训练，再迁移到实际目标系统中，然而找到与目前系统类似的且数据完整的源系统比较困难，存在着源域建筑匹配不准确、匹配结果单一，数据维度、完整度不足等问题，导致预测结果准确度不高，限制了迁移学习的应用。
发明内容
本发明解决了存在着源域建筑匹配不准确、匹配结果单一，数据维度、完整度不足等问题，导致预测结果准确度不高的问题，所谓源域数据即为迁移前的已有建筑的历史数据。
本发明所述的技术方案是：
方案一、一种模型构建方法，用于构建建筑负荷预测模型，所述方法包括：
获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
在为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在为否时，继续迭代训练。
优选地，提供一种优选实施例，所述预设条件为：
所述离线建筑仿真模型输出的仿真数据集与所述在线负荷预测模型输出的预测数据集之间的距离大于距离阈值。
优选地，所述仿真数据集包括建筑冷热电负荷数据和建筑动态负荷；
所述建筑动态负荷为影响所述建筑冷热电负荷数据的影响因素；
所述建筑动态负荷包括建筑周围气象环境数据、建筑本体数据、用能习惯、建筑物室内人员状况。
优选地，所述根据边缘端数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据，是指：将相似性高于阈值的仿真数据作为源域数据。
优选地，所述建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，包括：
采用偏自相关函数PACF分析确定所述源域数据的特征维度，利用滑动窗口将多特征源域数据和仿真数据变为N维特征时间序列，即X＝{(x1,…,xc+1),…,(xc+1,…，x2c+1),…}；
将N维特征时间序列作为负荷数据送入所述在线负荷预测模型进行训练。
方案二、一种建筑物负荷预测方法，所述方法包括：
获取待预测的建筑物的建筑信息；
将所述建筑信息输入由以上技术方案中任意一项所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
方案三、一种模型构建装置，用于构建建筑负荷预测模型，所述装置包括：
构建模块，用于获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
确定模块，用于根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
所述构建模块，还用于建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
判断模块，用于在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
判断执行模块，用于在所述判断模块判断为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在所述判断模块判断为否时，继续迭代训练。
方案四、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行以上技术方案中任一项所述的模型构建方法。
方案五、一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行以上技术方案任一项所述的模型构建方法。
方案六、一种建筑物负荷预测装置，所述方法包括：
获取模块，用于获取待预测的建筑物的建筑信息；
输入模块，用于将所述建筑信息输入由以上技术方案中任意一项所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
本发明的有益效果在于：
1、本发明提出了一种模型构建方法，提出了“离线建筑模型-相似性分析-迁移学习在线预测模型-云边协同”的解决方案，在该方案中，利用实际建筑的历史气候数据、建筑信息等建立与实际建筑完全相同的离线模型，仿真离线的动态冷热电负荷数据作为源域数据训练负荷预测模型，解决了源域建筑匹配不准确、匹配结果单一，数据维度、完整度不足等问题；避免出现难以寻找与目前系统类似的且数据完整的源系统的情况，有效提高了预测结果的准确度。其中，源域建筑匹配不准确、匹配结果单一：传统迁移学习是用相似建筑作为源域进行迁移，比如某个企业的办公楼数据训练的模型作为源域模型，迁移到其他企业办公楼，由于内部构造不尽相同，匹配一定难以十分全面与准确，很有可能只有一个参数可以匹配；数据维度、完整度不足：一方面由于无法全面匹配，很多参数无法共享，导致可以使用的数据模型权重完整度不足；另一方面作为源域的建筑采集的数据不足，比如没有天气数据，只有负荷数据。
2、本发明针对离线仿真模型和仿真数据的可靠性与准确性的问题，借助动态时间规整DTW度量方法，实现边缘端的观测数据与云端历史数据的相似性分析，如果出现相似度不高的情况，则需要重新调整离线仿真模型，重新利用trnsys软件进行模拟，直至相似度高于阈值，再将其作为源数据进行预训练。在修正离线建筑模型的同时，提高了在线建筑负荷预测的效率与准确率。
3、本发明采用了基于迁移学习的在线负荷预测模型，不仅能够利用卷积层和GRU层从大量数据中快速提取关键特征信息，实现已有模型在相似样本数据上的重用，减少网络训练的负但，解决传统算法计算量大且效率低下的问题，在5000数据量时，相较于域自适应方法，本发明的预训练时平均时间节省了87.44秒，相当于节省了85.14％。；而且适用于新建建筑和刚刚开展节能改造的既有建筑等目标数据规模较小的情况，通过离线模型到在线模型的迁移，确保了提出模型在目标数据上的预测性能。
4、本发明提出了一种“云-边”协同的实现方法，将迁移学习和云边协同架构结合应用于建筑负荷预测模型构建，可以实现云端已有模型的重用，本发明在数据量为10000时，便达到了比域适应方法更好的预测性能；当预测性能相当时，本发明仅需5000数据，因此，缓解边缘端设备的训练负担和存储压力，提高了所提方法的实用性。
本发明适用于新建建筑的建筑负荷预测，以及刚刚开展节能改造的既有建筑的建筑负荷预测。
附图说明
图1为实施方式中步骤32提供的基于迁移学习建筑负荷预测方法的原理图。
图2为实施方式中步骤4提供的迁移学习和云边协同架构结合的过程示意图。
图3为本发明所述的一种基于迁移学习的在线负荷预测框架及离线在线结合建筑负荷预测模型的构建方法的流程图。
图4为本发明在线建筑负荷预测的效率与准确率的对比图。
具体实施方式
下面将结合附图，对本发明的举例说明。
实施例一、一种模型构建方法，用于构建建筑负荷预测模型，所述方法包括：
获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
根据边缘端数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
在为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在为否时，继续迭代训练。
可选的，上述所述预设条件为：所述离线建筑仿真模型输出的仿真数据集与所述在线负荷预测模型输出的预测数据集之间的距离大于距离阈值。
其中，计算仿真数据集与预测数据集之间的距离，具体包括：
计算两个数据集序列之间的距离：通过欧几里得距离计算两个序列元素之间的距离d(i,j)，同时利用这些距离构造一个m*n维的距离矩阵。欧几里得距离计算如公式(3)，在此过程中，两个序列元素之间是一对多的非线性对应关系：
寻找最优动态路径、计算相似性：确定规整路径，借助动态规整思想，在距离矩阵中找到两个序列的相似对齐点，通过序列间对齐点的路径称为规整路径。H序列和R序列的规整路径wHR表示为：
wHR＝((h1,r1),…,(hi,rj),…(hm,rn)) (4)
其中1<i≤m,1<j≤n。
由于序列元素的对应是非线性的，所以存在许多条弯曲路径，因此需要从非线性规整路径中寻找最优动态路径。
指定弯曲路径从矩阵的左下角开始，累加至其最右端的位置右。在这个过程中设移动步长为1，这意味着它只对准与自己相邻的点，并定义规整路径沿着前一个点的右侧方向前进。此外，当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)-到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)。
计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比。因此，两个序列的相似性计算如式(5)所示：
其中，s(i,j)表示两个序列都是从起点依次对齐到序列H的第i个点和序列R的第j个点的累计距离。
实施例二、构建与目标建筑相同的离线仿真模型具体为：
以TRNSYS软件为仿真平台，搭建了与目标建筑相同的动态离线仿真系统，将与目标建筑同类型且建筑信息基本相同的实际建筑作为仿真对象，利用其围护参数及实际负荷系统运行参数，对仿真建筑主要参数进行了设置，计算出该实际建筑全年逐时冷热电负荷值，得到了建筑负荷与其影响因素一一对应的实验数据。
本实施方式中建立与目标建筑相同的离线仿真模型可以包括以下步骤：
步骤11：获取建筑信息：边缘端采集建筑信息，包括建筑概况、负荷状况和用能习惯等，并将其上传至云端，用来构建与目标建筑基本相同的离线仿真模型。
(1)建筑概况：需要获取目标建筑的类型、层数、面积大小以及每层的房间类型。其中，目标建筑围护结构及系统用能设计均遵循《公共建筑节能设计标准(GB50189-2015)》的相关规定。例如：建筑朝向为正南，各朝向窗墙比为南墙0.352、北墙0.203(北)、东西墙0.150，建筑围护结构参数如下表所示。根据目标建筑实际模型，以Zone为单位，用SketchUp软件建立建筑模型，导入TRNSYS软件，在TRNBuild中对有关建筑围护结构及控制参数进行设置。
(2)负荷状况：影响建筑负荷的因素大致可分为三类：建筑周围的气象环境包括温度、湿度、光照度、太阳辐射等，建筑围护结构包括朝向、围护结构设计、窗户尺寸、遮阳方式等和室内热负荷包括各系统的管理策略、设备使用水平、居住情况。就目标建筑而言，建筑本体参数是固定参数，一旦建筑投入使用，建筑的动态工作量主要取决于居住者对室内环境质量的要求和建筑环境系统的最佳功能。设备主要包括能源供应和能源消耗设备，如空调机组、热泵、冷却机组、计算机、打印机等。建筑模拟系统的设计参数是基于目标建筑的实际能源控制策略和各系统参数的配置，如室内温湿度设置、气象参数、能源消耗模式、设备条件、人员行为等。
(3)用能习惯：建筑用能状况根据建筑实际用能控制策略设置，即工作日，8:30-17:30开，节假日及休息日，全天关；自然渗透设置0.8AC/h；通风换气次数工作时间为3AC/h；其它时间为0AC/h。
步骤12：构建离线建筑负荷仿真模型：根据获取的建筑概况、负荷状况和用能习惯等信息，构建离线建筑负荷仿真模型，生成建筑冷热电负荷数据。
(1)离线仿真模型概况：
建筑物负荷模拟系统是在Simulation Studio中建模的。仿真中使用的年气象参数取自目标建筑所在城市的典型年气象文件，照明控制主要受光照强度影响，人员占用率以时间表形式输入，建筑模型，即目标建筑模型TRNBuild，在TRNBuild中定义具体参数。此外，TRN SYS还提供了一个在线输出组件。建筑能源条件根据实际的建筑能源控制策略进行设置，即工作日从8:30到17:30开机，休息日全天关闭；自然渗透设置为0.8AC/h；工作时间的通风周期为3AC/h；其他时间为0AC/h。室内温度、湿度等的设定值是根据公共建筑的设计标准确定的，例如，26℃是-11*USE+37。如果有人使用，USE为1，如果没有人使用，则为0。
(2)建筑冷热负荷模拟：
在现有的计算冷/热负荷的高级负荷模拟软件中，有三种常见的方法：热平衡法、加权系数法和热网法，其中热平衡法和加权系数法是最常用的。TRNSYS软件使用热平衡法来模拟计算负荷。模拟时假设瞬时冷负荷等于空调系统产生的热量。建筑物的瞬时负荷是用热平衡法计算的，它解决了热力学第一定律给出的热平衡方程，包括建筑物内外表面、建筑围护结构和室内空气之间的热交换过程。该描述的物理意义在于，假设每一点的温度都是一样的，而且每一个表面的温度和长/短波辐射也都是一样的。
以外墙外表面举例说明建筑热平衡过程。非透明围护结构的外表面的热平衡方程为：
qasol+qLWR+qconv+qko＝0
式中，qko：通过墙体的导热；
qasol：太阳直射福射和散射福射的吸收值；
qLWR：与室外空气、地面、天空、其他建筑表面间的净长波辐射交换；
qconv：与室外空气的对流热交换。
(3)建筑电负荷模拟：
办公楼内消耗的电力负荷主要是由每个房间使用的电气设备产生的，电力负荷的大小与建筑不同功能区的装机容量、能耗特性和每件电气设备的使用时间密不可分。因此，在进行电力负荷模拟之前，有必要了解该类目标建筑中电气设备的类型和用途。例如，该类目标建筑中常用的电气设备主要包括照明设备，例如焚光灯；办公设备，例如电脑；空调设备、热泵和机组等，而电梯设备主要被认为是室外设备。为了调查建筑物本身的冷/热/电负荷特性，可以用以下公式计算照明、办公设备、空调、热泵、电器和电梯的电负荷。
式中：E(τ)：计算时间段为τ时对应用电设备的平均电负荷，所述平均电负荷的单位是kW；
i表示用电设备，其中，i＝1表示照明、i＝2表示办公设备、i＝3表示空调、i＝4表示热泵、i＝5表示电器、i＝6表示电梯的电负荷；n表示该用电设备的数量；
τ：用电设备消耗电能的计算时段；
Pi：类型用电设备的安装功率，单位是kW；
ai(τ)：i类型用电设备的同时使用系数，取值范围为0-1；
Si(τ)：i类型用电设备的功耗系数。
步骤13：仿真数据输出：将离线仿真模型中的冷热电负荷计算结果输出，同时将建筑动态负荷是建筑周围气象环境(温度、湿度、光照度、太阳辐射等)、建筑本体(方位角、围护结构、窗户大小、遮阳方式等)、用能习惯(各系统控制策略、设备使用率)、室内人员状况等影响因素也作为仿真数据输出，将负荷计算结果与影响因素作为离线模型的仿真数据集，用于训练离线建筑仿真模型。
根据边缘端数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据，
实施例三、本实施方式中分析边缘端上传的建筑数据与仿真数据集中的数据相似性，从仿真数据集中确定出源域数据可以包括：
步骤21：获取数据集：在每次迭代中，从边缘端获取与目标建筑同类型且建筑信息基本相同的建筑真实负荷数据，主要通过边缘端的数据采集与上传功能，通过传感器获取建筑负荷数据和建筑具体信息，其中建筑具体信息包括：建筑的围护结构、建筑供能设备、建筑用能设备以及建筑用能习惯等，并通过无线方式将建筑负荷数据和建筑具体信息上传至云端；云端根据建筑具体信息建立与目标建筑完全相同的离线建筑仿真模型，并仿真出建筑负荷数据；成功得到实际建筑的负荷数据集序列H＝(h1,…，hm)与仿真模型的仿真数据集序列R＝(r1,…,rn)；
步骤22：计算两个数据集序列之间的距离：通过欧几里得距离计算两个序列元素之间的距离d(i，j)，同时利用这些距离构造一个m*n维的距离矩阵。欧几里得距离计算如公式(17)，在此过程中，两个序列元素之间是一对多的非线性对应关系：
步骤23：寻找最优动态路径：首先确定规整路径，借助动态规整思想，在距离矩阵中找到两个序列的相似对齐点，通过所述相似对齐点的路径称为规整路径。H序列和R序列的规整路径wHR表示为：wHR＝((h1,r1),…,(hi,rj),…(hm,rn))
其中1<i≤m,1<j≤n；
由于序列元素的对应是非线性的，所以存在许多条弯曲路径，因此需要从非线性规整路径中寻找最优动态路径；
指定弯曲路径从矩阵的左下角开始，累加至其最右端的位置右；其次，在这个过程中设移动步长为1，这意味着它只对准与自己相邻的点，并定义规整路径沿着前一个点的右侧方向前进。此外，当从距离矩阵中(i-1,j-1)点去(i-1,j)点或(i,j-1)点到(i,j)点时，设路径方向为横向或竖向的距离为d(i,j)，方向为斜对角线的距离为2d(i,j)。
计算累积距离，选择累积距离最小的路径作为最优路径，将总累积距离用于分析两个序列的相似度，该相似度与计算的总距离成反比。因此，两个序列的相似性计算如式(18)所示：
其中，s(i,j)表示两个序列都是从起点依次对齐到序列H的第i个点和序列R的第j个点的累计距离；
确定阈值TH，当相似度低于阈值时，离线模型与仿真数据不够准确，需要进一步调整；当相似度高于阈值时，可以将仿真数据作为源域数据应用于在线负荷预测模型的预训练中。
所述进一步调整，可以利用trnsys软件进行模拟，直至相似度高于阈值，再将其作为源数据。在修正离线建筑模型的同时，提高了在线负荷预测模型的效率与准确率。
参照附图4所示，从附图4可以看出，采用本实施方式所述方法的预测结果的均方根误差RMSE和平均绝对误差MAE指标最优，且预训练所花费的时间最少且能达到较好的预测性能。相较于域自适应方法，本实施方式所述方法中的预训练时平均时间分别节省了87.44秒、83.4秒、80.1秒和55.36秒，其RMSE分别下降了0.06％、5.78％、6.38％和21.58％；相较于不使用离线模型的方法(CNN+GRU+迁移学习)，其中CNN和GRU为微调策略的第一层的参数采用预训练学习的值。平均时间分别节省了8.99秒、11.1秒、18.2秒和16.94秒，其RMSE分别下降了2.6244、2.8929、3.3622和3.1512。
因此可以证明，本实施方式所述的方法可以优化模型的训练负担，并能基于少量数据实现较为精确的预测。通过以上分析可以证实，基于模型迁移方法的建筑用能预测不仅实现了现有模型的重用，而且降低了计算成本与消耗时间。
实施例四、本实施方式建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，包括：
采用偏自相关函数PACF分析确定所述源域数据的特征维度，利用滑动窗口将多特征源域数据和仿真数据变为N维特征时间序列，即X＝{(x1,…,xc+1),…,(xc+1,…，x2c+1),…}；将N维特征时间序列作为负荷数据送入所述在线负荷预测模型进行训练。该过程具体可以包括：
步骤31：数据预处理。
数据预处理分为偏自相关函数(PACF)分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将源域数据变为有监督形式，数据处理过程如下：
利用公式(19)计算数据的自协方差：
其次，利用公式(20)计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号c作为预测数据的长度；
利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式,设滑动窗口的大小为N(N＝c+1)，即用前c个历史数据预测第c+1个样本值。经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x1,…,xc+1),…,(xc+1,…,x2c+1),…}；
利用Min-Max Normalization方法主要对在边缘收集的数据进行标准化，其原理是将数据滑动窗口处理后的数据集Z中的每个初始值通过线性化均值转换为0到1范围内的值。
Min-Max Normalization方法的计算公式为：
步骤32：在线负荷预测模型构建与评估：
第一步，利用滑动窗将多特征源域数据和目标数据变为N维特征时间序列，即；
X＝{(x1,…，xc+1),…,(xc+1,…，x2c+1),…}；
第二步，初始化模型架构，在线负荷预测模型由特征提取模块和预测模块两部分组成；
针对时间序列特征长期依赖问题，同时考虑到网络的计算速度，在线负荷预测模型采用卷积网络和GRU网络共同搭建具有较少参数的特征提取模块。特征提取模块的结构如图1所示，它由一维卷积网络和两层GRU构成。其中，一维卷积网络包含卷积层、dropout层和激活层，并采用Relu函数作为激活函数。一维卷积神经网络可以用于处理一维序列数据，通过卷积层提取负荷数据集中的有效非线性局部特征，而dropout层则通过在每次负荷数据迭代过程中随机丢弃一定比例的神经元来避免过拟合现象，提升该模块的泛化能力与训练时间。通过一维卷积神经网络的处理，可以得到具备更多特征信息的子序列数据，之后利用两层GRU网络来关注序列之间存在的时序关系，提取所需的特征信息，从而利用特征提取网络提取数据特征。
预测模块功能是网络训练时计算模型的预测损失，网络模型重用时预测输入值对应的目标值。预测模块结构如图1所示，它由一个全连接模块和一个全连接层组成。其中全连接块采用相同的结构即由全连接层、Dropout层和激活层构成，但全连接层的神经单元数不同，全连接块中，激活层皆采用Relu函数。全连接层的主要目的是将多维数据展平为一维数据，便于将网络学习到的负荷特征表示映射到训练样本的标记空间，从而展示模型预测结果。
第三步，模型训练，具体过程如下所示：
将处理后的源域数据作为负荷数据送入神经网络，重置门rt控制前一状态有多少信息被写入到当前的候选集
上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少。如果rt为0则表示
只保留当前序列的输入信息
rt＝σ(Wr.[ht-1,xt]+br)
其中，ht-1表示上一时刻的输入，xt表示t时刻的输入。σ(·)代表函数运算，Wr和br分别代表该运算过程中的权重矩阵和偏置矩阵。
其中tanh(·)为函数运算，W和bt为计算过程中的权重矩阵和偏差矩阵。
更新门zt用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，更新门的计算如下所示：
zt＝σ(Wz.[ht-1,xt]+bz)
其中，ht-1表示上一时刻的输入，Xt表示t时刻的输入，σ(·)代表函数运算，Wz和bz分别代表该运算过程中的权重矩阵和偏置矩阵。
得到当前序列的输出隐藏层信息ht，而GRU是没有输出门的；
在训练迁移学习在线负荷预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的，本发明采用MSE作为损失函数来评估网络性能，MSE的计算如下：
其中yi是第i个实际数据，
是第i个预测数据，M表示训练数据量；
在网络训练过程中，选用Relu作为全连接层FCL的激活函数，然后采用Nadam算法优化网络的训练；
第四步，模型评估。模型性能评估指标采用均方根误差RMSE、平均绝对误差MAE以及训练时间，其计算方法为：
其中，fi表示第i个实际数据，
代表第i个预测数据，M代表总的数据量。RMSE和MAE的值越大，网络的性能越差。而训练时间主要考虑在线负荷预测模型预训练的时间，即考虑模型训练需要的时间。
步骤33：在线负荷预测模型微调：下载到边缘的模型需要进行微调，本文提供的微调策略是CNN层和GRU的第一层的参数采用预训练学习的值，后面几层用目标数据中的训练数据重新训练；首先载入保存的源域模型结构，将源域模型的权重参数迁移作为目标域的参数初始值，固定前两层参数；然后对目标域数据进行预处理并使用目标域数据训练网络剩余几层；最后得到目标域预测模型，减少边缘端的训练负担。
实施例五、本申请实施例还提供一种建筑物负荷预测方法，包括：
获取待预测的建筑物的建筑信息；
将所述建筑信息输入由上述任一实施方式所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
实施例六、本申请实施例是采用计算机软件实现的一种装置，所述模型构建装置，用于构建建筑负荷预测模型，所述装置包括：
构建模块，用于获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
确定模块，根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
所述构建模块，还用于建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
判断模块，用于在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
判断执行模块，用于在所述判断模块判断为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在所述判断模块判断为否时，继续迭代训练。
进一步的，所述预设条件为：
所述离线建筑仿真模型输出的仿真数据集与所述在线负荷预测模型输出的预测数据集之间的距离大于距离阈值。
进一步的，所述影响因素包括:
所述仿真数据集包括建筑冷热电负荷数据和建筑动态负荷，
所述建筑动态负荷为影响所述建筑冷热电负荷数据的影响因素，
所述建筑动态负荷包括建筑周围气象环境数据、建筑本体数据、用能习惯、建筑物室内人员状况。
进一步的，所述根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据，包括：将所述仿真数据集中，其相似性高于阈值的仿真数据作为所述源域数据。
进一步的，所述建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，包括：
采用偏自相关函数PACF分析确定所述源域数据的特征维度，利用滑动窗口将多特征源域数据和仿真数据变为N维特征时间序列，即X＝{(x1,…,xc+1),…,(xc+1,…，x2c+1),…}；
将N维特征时间序列作为负荷数据送入所述在线负荷预测模型进行训练。
实施例七、本申请实施例是采用计算机软件实现的一种装置，所述装置包括：
获取待预测的建筑物的建筑信息；
将所述建筑信息输入由上述任一实施方式所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
实施例八、本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任一项所述的模型构建方法。
其中，存储器、处理器以及可能出现于计算机设备内的其他部件之间可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，这些部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。
存储器用于存储计算机程序，如存储有软件功能模块，即模型构建装置。其中，模型构建装置包括至少一个可以以软件(Software)或固件(Firmware)的形式存储于存储器中或固化在计算机设备的操作系统(Operating System，OS)中的软件功能模块。
处理器，用于执行存储器中存储的可执行模块，例如模型构建装置包括的软件功能模块或计算机程序。
存储器可以是，但不限于，随机存取存储器(Random Access 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 Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器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，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，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申请实施例中的公开的各方法、步骤及逻辑框图。
实施例九、本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一项所述的模型构建方法。
尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本公开的技术方案而非对其保护范围的限制，尽管参照上述实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本公开后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在公开待批的权利要求保护范围之内。
Claims (10)
1.一种模型构建方法，用于构建建筑负荷预测模型，其特征在于，所述方法包括：
获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
在为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在为否时，继续迭代训练。
2.根据权利要求1所述的一种模型构建方法，其特征在于，所述预设条件为：
所述离线建筑仿真模型输出的仿真数据集与所述在线负荷预测模型输出的预测数据集之间的距离大于距离阈值。
3.根据权利要求1或2所述的一种模型构建方法，其特征在于，
所述仿真数据集包括建筑冷热电负荷数据和建筑动态负荷，
所述建筑动态负荷为影响所述建筑冷热电负荷数据的影响因素，
所述建筑动态负荷包括建筑周围气象环境数据、建筑本体数据、用能习惯、建筑物室内人员状况。
4.根据权利要求1所述的一种模型构建方法，其特征在于，所述根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据，包括：将所述仿真数据集中，其相似性高于阈值的仿真数据作为所述源域数据。
5.根据权利要求1所述的方法，其特征在于，所述建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，包括：
采用偏自相关函数PACF分析确定所述源域数据的特征维度，利用滑动窗口将多特征源域数据和仿真数据变为N维特征时间序列，即X＝{(x1,…,xc+1),…,(xc+1,…，x2c+1),…}；
将N维特征时间序列作为负荷数据送入所述在线负荷预测模型进行训练。
6.一种建筑物负荷预测方法，其特征在于，所述方法包括：
获取待预测的建筑物的建筑信息；
将所述建筑信息输入由权利要求1-5中任意一项所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
7.一种模型构建装置，其特征在于，用于构建建筑负荷预测模型，所述装置包括：
构建模块，用于获取边缘端上传的建筑数据，构建与目标建筑相同的离线建筑仿真模型，并基于所述建筑数据训练所述离线建筑仿真模型，得到每次训练所输出的仿真数据集；
确定模块，根据边缘端上传的建筑数据与仿真数据集中的数据的相似性，从所述仿真数据集中确定出源域数据；
所述构建模块，还用于建立在线负荷预测模型，并用所述源域数据对所述在线负荷预测模型进行训练，得到每次训练所输出的预测数据集；
判断模块，用于在所述离线建筑仿真模型以及所述在线负荷预测模型的每次迭代训练中，判断是否满足预设条件；
判断执行模块，用于在所述判断模块判断为是时，将当前的离线建筑仿真模型确定为所述建筑负荷预测模型；在所述判断模块判断为否时，继续迭代训练。
8.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行权利要求1-5中任一项所述的模型构建方法。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-5任一项所述的模型构建方法。
10.一种建筑物负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测的建筑物的建筑信息；
输入模块，用于将所述建筑信息输入由权利要求1-5中任意一项所构建的建筑负荷预测模型中，得到所述建筑负荷预测模型所处的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211265061.1A CN115879190B (zh) | 2022-10-17 | 2022-10-17 | 模型构建方法及装置、建筑负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211265061.1A CN115879190B (zh) | 2022-10-17 | 2022-10-17 | 模型构建方法及装置、建筑负荷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879190A true CN115879190A (zh) | 2023-03-31 |
| CN115879190B CN115879190B (zh) | 2024-08-02 |
Family
ID=85770436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211265061.1A Active CN115879190B (zh) | 2022-10-17 | 2022-10-17 | 模型构建方法及装置、建筑负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879190B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118656907A (zh) * | 2024-08-21 | 2024-09-17 | 国网（天津）综合能源服务有限公司 | 基于仿真数据与元学习方法的建筑热负荷小样本预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
| CN112766535A (zh) * | 2020-12-16 | 2021-05-07 | 国网山东省电力公司日照供电公司 | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 |
| CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 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 |
| CN113591368A (zh) * | 2021-06-29 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种综合能源系统多能负荷预测方法及系统 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| CN114548533A (zh) * | 2022-02-10 | 2022-05-27 | 建科环能科技有限公司 | 一种建筑冷热电动态负荷设计方法、装置、区域内动态负荷获取方法、计算机及存储介质 |
| CN114548575A (zh) * | 2022-02-28 | 2022-05-27 | 山东国地水利土地勘察设计有限公司 | 基于迁移学习的自适应建筑日前负荷预测方法 |
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
-
2022
- 2022-10-17 CN CN202211265061.1A patent/CN115879190B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
| US20210398048A1 (en) * | 2020-06-19 | 2021-12-23 | Shandong University | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
| CN112766535A (zh) * | 2020-12-16 | 2021-05-07 | 国网山东省电力公司日照供电公司 | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 |
| CN113128113A (zh) * | 2021-04-14 | 2021-07-16 | 国网上海市电力公司 | 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 |
| CN113591368A (zh) * | 2021-06-29 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种综合能源系统多能负荷预测方法及系统 |
| CN114548533A (zh) * | 2022-02-10 | 2022-05-27 | 建科环能科技有限公司 | 一种建筑冷热电动态负荷设计方法、装置、区域内动态负荷获取方法、计算机及存储介质 |
| CN114548575A (zh) * | 2022-02-28 | 2022-05-27 | 山东国地水利土地勘察设计有限公司 | 基于迁移学习的自适应建筑日前负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐伟;孙德宇;乔镖;魏艳萍;徐吉富;王烨;: "基于建筑特性的冷热电动态负荷预测方法研究", 暖通空调, no. 09, 15 September 2016 (2016-09-15) * |
| 沈俊杰;龚延风;刘伟;: "在线学习神经网络用于空调负荷预测研究", 建筑热能通风空调, no. 08, 25 August 2020 (2020-08-25) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118656907A (zh) * | 2024-08-21 | 2024-09-17 | 国网（天津）综合能源服务有限公司 | 基于仿真数据与元学习方法的建筑热负荷小样本预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879190B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
| Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
| CN112183826B (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
| Liu et al. | Identifying the most significant input parameters for predicting district heating load using an association rule algorithm | |
| CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
| Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
| Ngarambe et al. | A review on the current usage of machine learning tools for daylighting design and control | |
| CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
| CN109858700A (zh) | 基于相似样本筛选的bp神经网络供暖系统能耗预测方法 | |
| Sha et al. | Machine learning-based cooling load prediction and optimal control for mechanical ventilative cooling in high-rise buildings | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| Amasyali et al. | Deep learning for building energy consumption prediction | |
| Tien et al. | Occupancy heat gain detection and prediction using deep learning approach for reducing building energy demand | |
| Lei et al. | An evolutionary deep learning model based on EWKM, random forest algorithm, SSA and BiLSTM for building energy consumption prediction | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| CN115879190B (zh) | 模型构建方法及装置、建筑负荷预测方法及装置 | |
| Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
| Yu et al. | Predicting indoor temperature from smart thermostat and weather forecast data | |
| Gao et al. | Hybrid forecasting model of building cooling load based on combined neural network | |
| Zhang et al. | Enhancing multi-scenario data-driven energy consumption prediction in campus buildings by selecting appropriate inputs and improving algorithms with attention mechanisms | |
| Das et al. | A study on the application of artificial intelligence techniques for predicting the heating and cooling loads of buildings | |
| CN116960975A (zh) | 一种光伏发电量预测方法及装置 | |
| CN116776263A (zh) | 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统 | |
| Lu et al. | A Comparative Analysis of Machine Learning Algorithms in Predicting the Performance of a Combined Radiant Floor and Fan Coil Cooling System | |
| Chen | Enhancing Validity of Green Building Information Modeling with Artificial-neural-network-supervised Learning--Taking Construction of Adaptive Building Envelope Based on Daylight Simulation as an Example. |
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 |