基于迁移学习的自适应建筑日前负荷预测方法技术

本发明专利技术公开了基于迁移学习的自适应建筑日前负荷预测方法，涉及建筑与环保技术领域。本发明专利技术包括如下步骤：S1数据采集与处理，原始数据集分为目标建筑的小数据集和基础建筑群的大数据集，填补全部原始数据集的缺失值；S2用能模式聚类；S3源域数据筛选，筛选负荷目标建筑用能模式的历史日负荷曲线，分别构建数据迁移训练集和模型迁移训练集；S4日前负荷预测模型构建；S5自适应模型优化，利用贝叶斯优化不断调整模型参数，实现目标建筑的自适应负荷预测。本发明专利技术通过迁移学习的数据迁移和模型迁移方法，结合数据充足建筑群的历史数据，实现目标建筑的负荷预测。目标建筑的负荷预测。目标建筑的负荷预测。

【技术实现步骤摘要】
基于迁移学习的自适应建筑日前负荷预测方法


[0001]本专利技术属于建筑
，用于智能建筑、建筑能量管理等相关系统，涉及基于迁移学习的自适应建筑日前负荷预测方法。

技术介绍

[0002]建筑能耗在社会总能耗中的占比日趋增加，随着科技的发展，建筑渐渐从简单的用能终端转变为小型、复杂的能量转换设备。建筑能量管理、智能建筑、用户行为引导等智能化系统通过合理分配用能和储能设备，有效提高建筑用能效率。而实现建筑能量优化管理的前提就是精准的负荷预测。深度学习算法作为近几年的新型模型，有更好的非线性描述能力，可以有效提高负荷预测精度，已被广泛研究和应用。
[0003]检索发现，基于深度学习算法的负荷预测研究已日趋成熟。中国专利技术专利CN111563610A《一种基于LSTM神经网络的建筑物电负荷综合预测方法及系统》将典型建筑的负荷数据、天气参数和建筑物数据作为输入，利用LSTM构建预测模型。中国专利技术专利CN113836823A《一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法》，利用变分模态分解方法将历史负荷按趋势分解，在将各子序列分别构建双向长短期记忆神经网络模型，以提高预测精度。但是，深度学习算法往往需要大量历史数据作为支撑，否则极易出现无法收敛的情况。然而事实上，大部分建筑由于运行时间短、数据采集系统不健全等情况，往往无法提供充足的历史数据建立预测模型。

技术实现思路

[0004]本专利技术为了弥补现有技术的不足，提出了一种针对数据匮乏建筑的负荷预测方法，通过迁移学习的数据迁移和模型迁移方法，结合数据充足建筑群的历史数据，实现目标建筑的负荷预测。本专利技术是通过如下技术方案实现的：本专利技术提供了基于迁移学习的自适应建筑日前负荷预测方法，包括S1数据采集与处理，通过智能电表获取到目标建筑数据和基础建筑群数据，将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集，获取步长为1小时的历史负荷数据；填补全部原始数据集的缺失值，将前后两周对应时间点的数值均值填补缺失值；S2用能模式聚类，将目标建筑数据以天为单位，构建日负荷曲线；通过肘部法则寻找K
‑
means++（k均值++）的最佳K值，对目标建筑日负荷曲线进行聚类，获得聚类模型；聚类结果中每一个簇代表目标建筑的一种用能模式；S3源域数据筛选，将基础建筑群的大数据集以一天为单位组成日负荷曲线，将其作为聚类模型输入，筛选负荷目标建筑用能模式的历史日负荷曲线，分别构建数据迁移训练集和模型迁移训练集；S4日前负荷预测模型构建，利用数据迁移训练集训练长短期记忆神经网络（LSTM网络），构架数据迁移预测模型；利用模型迁移训练集训练卷积神经网络
‑
长短期记忆网络（CNN
‑
LSTM网络），再利用目标建筑负荷数据微调网络结构，构建模型迁移预测模型，将两个
模型（数据迁移预测模型和模型迁移预测模型）的输出均值作为目标建筑日前预测结果；S5自适应模型优化，在日前负荷预测模型运行过程中，根据更新的历史负荷，利用贝叶斯优化不断调整模型参数，实现目标建筑的自适应负荷预测。
[0005]本专利技术的有益效果是：本专利技术的方法针对目标建筑数据匮乏难以建立精确日前负荷预测模型的问题，通过迁移学习扩充训练集，实现深度学习模型收敛，发挥深度学习网络优势的同时，保障模型收敛，实现精准预测。此外，随着运行过程中历史负荷数据的增加，不断用贝叶斯优化模型结构，从而实现自适应预测。
附图说明
[0006]下面结合附图对本专利技术作进一步的说明。
[0007]图1为本专利技术的建筑日前负荷预测模型构建流程图。
具体实施方式
[0008]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但是本专利技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似改进，因此本专利技术不受下面公开的具体实施例的限制。
[0009]附图为本专利技术的基于迁移学习的自适应建筑日前负荷预测方法的具体实施例。该实施例包括，S1数据采集与处理，通过智能电表获取到目标建筑数据和基础建筑群数据，将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集，获取步长为1小时的历史负荷数据；填补全部原始数据集的缺失值，将前后两周对应时间点的数值均值填补缺失值。
[0010]S2用能模式聚类，将目标建筑数据以天为单位，构建日负荷曲线；通过肘部法则寻找K
‑
means++（k均值++）的最佳K值，对目标建筑日负荷曲线进行聚类，获得聚类模型；聚类结果中每一个簇代表目标建筑的一种用能模式。
[0011]将各个簇内的样本点所在簇质心的距离平方和SSE作为性能度量，性能度量越小则说明各个簇越收敛，同时要避免极端情况时所有样本点均视作簇（SSE为0的情况），需要通过肘部法则寻求簇的数量（即K值）与SSE之间的平衡点。
[0012]肘部法则具体实施步骤包括：指定一个i值，即可能的最大类簇数；然后将类簇数从1开始递增，一直到i，计算出i个SSE；根据数据的潜在模式，当设定的类簇数不断逼近真实类簇数时，SSE呈现快速下降态势，而当设定类簇数超过真实类簇数时，SSE也会继续下降，当下降迅速趋于缓慢时，通过画出K
‑
SSE曲线，找出下降途中的拐点，即可确定K值。
[0013]S3源域数据筛选，将基础建筑群的大数据集以一天为单位组成日负荷曲线，将其作为聚类模型输入，筛选负荷目标建筑用能模式的历史日负荷曲线，分别构建数据迁移训练集和模型迁移训练集。（1）数据迁移训练集：将筛选出的历史数据与目标建筑历史数据合并，构建数据迁移训练集。（2）模型迁移训练集：选出符合目标建筑用能模式的历史数据比例最高的建筑作为最大相似建筑，选择其历史数据作为模型迁移训练集。
[0014]S4日前负荷预测模型构建，利用数据迁移训练集训练长短期记忆神经网络（LSTM
网络），构架数据迁移预测模型；利用模型迁移训练集训练卷积神经网络
‑
长短期记忆网络（CNN
‑
LSTM网络），再利用目标建筑负荷数据微调网络结构，构建模型迁移预测模型，将两个模型（数据迁移预测模型和模型迁移预测模型）的输出均值作为目标建筑日前预测结果。
[0015]S5自适应模型优化，在日前负荷预测模型运行过程中，根据更新的历史负荷，利用贝叶斯优化不断调整模型参数，实现目标建筑的自适应负荷预测。该实施例中采用贝叶斯优化，深度学习网络的超参数选择往往采用经验法不准确也不可靠，贝叶斯优化通过非常少的步数找到较好的超参数组合，同时一般情况下神经网络的超参数的导数难以求得，但贝叶斯优化不需要求导数，因此本专利技术采用贝叶斯优化获得深度学习网络的超参数。
[0016]本专利技术基于迁移学习和深度学习技术，针对目标建筑历史负荷数据匮乏的情况，提出基于迁移学习的自适应建筑日前负荷预测方法。日前是指在目标预测日前一天获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于迁移学习的自适应建筑日前负荷预测方法，其特征在于，包括如下步骤：S1数据采集与处理，通过智能电表获取到目标建筑数据和基础建筑群数据，将原始数据集分解为目标建筑的小数据集和基础建筑群的大数据集，获取步长为1小时的历史负荷数据；填补全部原始数据集的缺失值，将前后两周对应时间点的数值均值填补缺失值；S2用能模式聚类，将目标建筑数据以天为单位，构建日负荷曲线；通过肘部法则寻找K
‑
means++的最佳K值，对目标建筑日负荷曲线进行聚类，获得聚类模型；聚类结果中每一个簇代表目标建筑的一种用能模式；S3源域数据筛选，将基础建筑群的大数据集以一天为单位组成日负荷曲线，将其作为聚类模型输入，筛选负荷目标建筑用能模式的历史日负荷曲线，分别构建数据迁移训练集和模型迁移训练集；S4日前负荷预测模型构建，利用数据迁移训练集训练长短期记忆神经网络，构架数据迁移预测模型；利用模型迁移训练集训练卷积神经网络
‑
长短期记忆网络，再利用目标建筑负荷数据微调网络结构，构建模型迁移预测模型，将数据迁移预测模型和模...

【专利技术属性】
技术研发人员：蔡永康，战晓东，郑善吉，纪淳，王禹杰，刘敏洁，刘佳，王载言，马华晓，王景，王凯华，
申请(专利权)人：山东国地水利土地勘察设计有限公司，
类型：发明
国别省市：