一种运用时序数据的深度强化学习建筑能耗预测方法技术

本发明专利技术公开了一种运用时序数据的深度强化学习建筑能耗预测方法，本发明专利技术利用深度森林算法将样本按照一定的标签范围进行分类，进而划分深度强化学习模块所使用的原始动作空间，在找寻动作空间内不同类别相同次序动作的数学联系后，将其所依赖的神经网络多个神经元用一个神经元进行替代，实现计算时间及计算资源的缩减；本发明专利技术与现有能耗预测方法相比，其显著优点是：1)可以对异常能耗数据进行检查和替换2)方法输入仅需要历史能耗数据，而无需其他建筑内部结构信息或者人员分布信息3)方法训练的计算时间及计算资源小于其他方法。练的计算时间及计算资源小于其他方法。练的计算时间及计算资源小于其他方法。

【技术实现步骤摘要】
一种运用时序数据的深度强化学习建筑能耗预测方法


[0001]本专利技术涉及建筑节能领域，特别涉及一种运用时序数据的深度强化学习建筑能耗预测方法。

技术介绍

[0002]由于经济发展和人口增长，全球能耗逐年急剧增加。建筑能耗作为世界总能耗的重要组成部分，世界各国平均占比20.1％。而中国的建筑能耗占比高于平均比例，达到21.7％。能耗的增加不仅加剧了全球变暖的趋势，还不利于国家的可持续发展。
[0003]建筑节能是降低国家能源总消耗的有效手段之一。而建筑能耗预测作为促进建筑节能的重要组成部分，在建筑能源供需控制、城市能源规划以及异常检测方面扮演着重要角色。不仅如此，建筑能耗预测还可以帮助相关人员评估诸如HVAC系统，地板辐射供暖和制冷等不同建筑系统的运营策略，从而达到帮助节能的目的。
[0004]人们在使用传统的深度强化学习进行能耗预测时，往往采用增加计算时间的代价提升模型的预测精度。因此，具有连续动作空间的深度强化学习方法的使用率高于具有离散动作空间的深度强化学习方法。然而，模型训练的计算时间与计算资源息息相关，较高的计算时间意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运用时序数据的深度强化学习建筑能耗预测方法，其特征在于：包括，A、获取历史能耗数据，将其根据日期范围划分为训练集和测试集；B、构建深度森林模块和深度强化学习模块；C、采用LOF算法检测训练集中的历史能耗数据中的异常值，并对该异常值进行替换，同时对训练集范围内的能耗数据进行重构，组成新的样本及标签，并将新的样本及标签归一化处理后传递给深度森林模块和深度强化学习模块；D、深度森林模块利用归一化后的样本作为输入，对分类器进行训练，分类器训练完成后将归一化样本作为原始特征向量重新传入分类器，并通过多粒度扫描获取变换后的特征向量，同时，深度森林中的级联森林结构将变换后的特征向量作为输入，输出样本对应的各个类别的概率；E、将深度森林模块输出的各个类别的概率和步骤C中归一化后的新构建样本共同组成Q神经网络的输入，从而计算所有动作的Q值，按照同一方法算出目标Q网络下所有动作的目标Q值，并利用两者的TD误差更新Q网络参数对模型进行训练。2.如权利要求1所述的一种运用时序数据的深度强化学习建筑能耗预测方法，其特征在于：所述对异常值进行替换的具体算法为：条件1.d
‑
i≥p，d+j＞q，W(d
‑
i)＝W(d)；条件2.d
‑
i≥p，d+j≤q，W(d
‑
i)＝W(d)＝W(d+j)；条件3.d
‑
i＜p，d+j≤q，W(d)＝W(d+j)；其中，AE与NE分别表示异常能耗数据与正常能耗数据，p和q表示训练集数据日期范围的下限与上限。(d，t)含义为d天t时刻，W(d)是判断函数，用来判断日期d是工作日还是节假日，i为指定天数的前...

【专利技术属性】
技术研发人员：李可，陈建平，傅启明，
申请(专利权)人：重庆工业大数据创新中心有限公司，
类型：发明
国别省市：