【技术实现步骤摘要】
基于WGAN算法的建筑能耗预测方法及监测预测系统
本专利技术涉及建筑能耗监测预测领域，特别是涉及基于WGAN算法的建筑能耗预测方法及监测预测系统。
技术介绍
目前，随着经济的快速发展与城镇化的不断推进，人们的生活水平不断提高。对于城市公共建筑的使用率正不断提高。城市公共建筑在运行过程中所消耗的电力、淡水、燃气的规模也越来越大。所以，迫切需要对建筑能耗数据以及相关数据进行监测，并通过这些数据对未来的建筑能耗进行预测，以便于根据预测值采取必要措施，实现节能的目的。
技术实现思路
基于此，本专利技术提供一种基于WGAN算法的建筑能耗预测方法。该方法有利于对未来的建筑能耗值进行预测。以便于根据预测的建筑能耗值采取必要措施，达到节能的目的。一种基于WGAN算法的建筑能耗预测方法，包括：S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，Rd＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},...
【技术保护点】
1.一种基于WGAN算法的建筑能耗预测方法，其特征在于，包括：/nS100、获取建筑能耗数据以及建筑能耗特征数据集R
【技术特征摘要】
1.一种基于WGAN算法的建筑能耗预测方法，其特征在于，包括：
S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，
Rd＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},d代表
特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；
S200、将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，将步骤S100的建筑能耗特征数据集Rd和高级能耗特征数据集Rg合并，形成输入特征数据集Rr；
S300、将Rr通过XGBoost算法进行特征筛选；
S400、建立GAN预测模型，将步骤S300处理后的Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；
S500、通过最优GAN预测模型预测建筑能耗值。
2.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S200中将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，具体包括：
S210、构造一个编码器Encoder和解码器Decoder；
S220、将真实能耗特征数据x∈Rd输入编码器，获得x的映射输出z，真正输出为z的分布函数
S230、根据步骤S220的输出计算编码器的目标函数KL；
S240、通过参数置换获取采样z～N(μ(x),σ2(x))；
S250、将z输入解码器，获得z的映射输出f(z)，由于各维度取值具有不同的方差，所以实际完成的映射输出为f(z)＝(μ,σ2)；
S260、根据步骤S250的输出计算解码器的目标函数L；
S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；
S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序列Rg，也就是高级能耗特征数据集Rg。
3.根据权利要求2所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述编码器和解码器均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，
所述编码器目标函数KL具体定义为：
其中G是z的维度，
所述通过参数置换获取采样z～N(μ(x),σ2(x))包括：新的输入端由标准高斯分布产生样本ε～N(0,1)，并定义z＝μ(x)+σ(x)*ε，
所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：
4.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S300中将Rr通过XGBoost算法进行特征筛选，具体包括：
S310、每日的建筑能耗预测值初始化为0，每日的建筑能耗真实值为yi；
S320、定义目标函数：Obj(t)；
S330、计算目标函数对于每个样本预测值的导数gi和hi；
S340、根据导数信息采用贪心算法建立一棵新的决策树ft(x)；
S350、利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到上，以更新
S360、重复步骤S330至步骤350；
S370、计算不同特征参与分离决策树的次数作为其特征重要性指标，筛选重要性特征。
5.根据权利要求4所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
所述目标函数具体定义为：其中ft(x)为树的建模函数，T为树叶节点数，w为叶子权重值，γ为叶子树惩罚正则项，设置为40，λ为叶子权重惩罚正则项，设置为3，wj表示第j个特征权重；
所述贪心算法建立一棵新的决策树，具体依据增益公式：
所述利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到上，具体为：
其中ε为收缩系数，ε设置为0.1。
6.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，
所述步骤S400中建立GAN预测模型，将Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，具体包括：
S401、构建一个生成器G和鉴别器D；
S402、定义生成器的损失函数G_loss以及鉴别器的损失函数D_loss；
S403、从真实能耗数据样本Rr中采取样本xi，从噪声变量分布中采样zi；
S404、计算鉴别器损失D_loss；
S405、根据基于动量的优化算法(momentumAdam)跟新鉴别器参数w；
S406、通过截取函数将鉴别器的参数绝对值截断到不超过一个固定常数c；
S407、重复步骤S403至S406，设定循环次数；
S408、从噪声变量分布中采样zi，计算生成器损失G_loss；
S409、根据基于动量的优化算法(momentumAdam)跟...
【专利技术属性】
技术研发人员：傅启明，沈云瑶，陈建平，王哲超，陆悠，吴宏杰，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。