一种基于三重卷积融合GRU的建筑物能耗预测方法技术

本发明专利技术公开了一种基于三重融合卷积GRU的建筑物能耗预测方法，包括以下步骤：构建三重融合卷积GRU模型，包括第一融合层、第二融合层和输出层，依次顺序串联，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层；利用训练集数据，对三重融合卷积GRU模型进行训练；将测试集数据输入训练完毕的三重融合卷积GRU模型，计算建筑物能耗的预测值。本发明专利技术通过三个卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，使得对建筑物能耗预测有较好的精度和效果。

【技术实现步骤摘要】
一种基于三重卷积融合GRU的建筑物能耗预测方法
本专利技术属于能源控制与预测领域，具体涉及一种基于三重卷积融合GRU(GateRecurrentUnit，门循环单元)的建筑物能耗预测方法。
技术介绍
能源消耗问题成为了社会普遍关注的重要问题之一。其中，建筑耗电量占社会总耗电量的比例超过50％，对某个建筑物或者家庭的耗电量预测问题是其中的关键问题之一，引起了广大人员的关注。例如研究表明，在英国，由于对电脑不必要的待机和不关机行为导致了20-30％的耗电浪费。在中国，尤其是在公共服务大楼以及大学研究机房，不合理的电器使用导致了大量的能源浪费。对未来用电量的预测可以对电源的异常使用提供预警，同时还能够为电量供应部门的供电策略与调度提供决策支持，具有重大意义。目前对于能源消耗的预测精度仍然不够。传统的机器学习方法例如线性回归、支持向量回归SVR、随机森林、XGBBoost以及集成学习等方法能够对能源的消耗进行预测，但是由于影响能源消耗的因素较多，关系较为复杂，传统机器学习方法难以捕捉到长时依赖关系，并且各个因素之间的时序重要性也没有很好的获取。本文档来自技高网...

【技术保护点】
1.一种基于三重融合卷积GRU的建筑物能耗预测方法，其特征在于，包括以下步骤：/n步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；/n步骤2，利用训练集数据，对所述的三重融合卷积GR...

【技术特征摘要】
1.一种基于三重融合卷积GRU的建筑物能耗预测方法，其特征在于，包括以下步骤：
步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
步骤2，利用训练集数据，对所述的三重融合卷积GRU模型进行训练，所述的训练集数据包括影响因素数据和已知的建筑物能耗数据；
所述的影响因素数据包括建筑物内各房间的温度和湿度、外部气压、外部湿度、外部风速、可见度和历史建筑物能源消耗；
步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得建筑物能耗的预测值。


2.根据权利要求1所述的建筑物能耗预测方法，其特征在于，第一卷积层接受序列数据的输入，其输出为xt表示输入的序列数据，η1()表示第一卷积层的卷积函数，同时作为第一双向GRU层和第二双向GRU层的输入，为第一双向GRU层的输出，表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并，第一融合层的输出为是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果，将与η1(xt)的输出进行合并...

【专利技术属性】
技术研发人员：马武彬，顾桐菲，吴亚辉，吴继冰，王懋，邓苏，黄宏斌，刘丽华，李璇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43