一种基于迁移学习的建筑逐时热负荷预测建模方法技术

本发明专利技术公开一种基于迁移学习的建筑逐时热负荷预测建模方法，包括以下步骤：S1：采集建筑逐时热负荷及其与热负荷相关的特征变量的原始数据；S2：对采集到的原始数据进行异常值清洗以及空缺值填补；S3：使用TRNSYS软件对目标建筑进行仿真模型搭建，并获取全工况范围的逐时热负荷模拟数据；S4：使用获取到的仿真模拟数据构建建筑逐时热负荷预训练模型；S5：利用有限的实际数据对预训练模型进行微调，由此获得最终的建筑逐时热负荷预测模型。本发明专利技术可以有效提高数据驱动建筑逐时热负荷模型在有限训练样本时的预测精度。限训练样本时的预测精度。限训练样本时的预测精度。

【技术实现步骤摘要】
一种基于迁移学习的建筑逐时热负荷预测建模方法


[0001]本专利技术涉及建筑热负荷预测领域，特别是涉及一种基于迁移学习的建筑逐时热负荷预测建模方法。
技术背景
[0002]当前，建筑逐时热负荷预测建模的方法可以分为两类：机理建模和数据驱动建模。由于模型大量的输入信息在实际中难以准确获取，机理建模方法的预测精度通常较低。相比于机理建模方法，数据驱动建模方法在挖掘热负荷实际特性、提高预测精度方面更有优势。
[0003]样本数据量是决定数据驱动建模方法预测效果的关键因素，数据驱动模型只有被充足的样本数据训练，才能获得优秀的泛化能力。当训练数据不足时，数据驱动模型会产生严重的过拟合现象，使模型在训练数据上有很高的拟合精度，但在测试数据上出现很大的预测误差。然而在工程实际中，经常会出现训练样本数据不足的情况，例如，仅运行了一段时间的新建建筑能源系统，或者由于数据存储、数据质量等问题造成的数据大量缺失。面对此类不充足的数据情况，数据驱动建模方法就难以实现较高的预测精度。

技术实现思路

[0004]基于上述预测建模技术及其存在的不足，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的建筑逐时热负荷预测建模方法，其特征在于，包括以下步骤：S1：采集建筑逐时热负荷及其与热负荷相关的特征变量的原始数据；S2：对采集到的原始数据进行异常值清洗以及空缺值填补；S3：使用TRNSYS软件对目标建筑进行仿真模型搭建，并获取全工况范围的逐时热负荷模拟数据；S4：使用获取到的仿真模拟数据构建建筑逐时热负荷预训练模型；S5：利用有限的实际数据对预训练模型进行微调，由此获得最终的建筑逐时热负荷预测模型。2.根据权利要求1所述一种基于迁移学习的建筑逐时热负荷预测建模方法，其特征在于，步骤S1中的特征数据包括室外温度以及太阳辐射强度。3.根据权利要求1所述一种基于迁移学习的建筑逐时热负荷预测建模方法，其特征在于，步骤S1中的所有原始数据以1小时为时间间隔，每天设置24个采样点，在每个采样点采集建筑热负荷及其相关特征数据。4.根据权利要求1所述一种基于迁移学习的建筑逐时热负荷预测建模方法，其特征在于，步骤S2中的异常值清洗采用基于拉依达准则的方法；该方法将超出(μ-3σ，μ+3σ)区间外的数据视为异常值，将其删除；其中，μ为数据的均值，σ为数据的标准差。5.根据权利要求1所述一种基于迁移学习的建筑逐时...

【专利技术属性】
技术研发人员：田喆，卢亚开，张强，
申请(专利权)人：天津大学，
类型：发明
国别省市：