公共建筑负荷识别方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种公共建筑负荷识别方法、装置及计算机可读存储介质。其中，该方法包括：确定待识别分项负荷的目标公共建筑，其中，分项负荷为对目标公共建筑用电进行划分后，得到的包括照明，空调，动力和其他的四个分项；确定目标公共建筑所属的场景类型，以及获取与场景类型对应的目标分项负荷识别模型；获取目标公共建筑的总负荷数据和天气数据；基于总负荷数据和天气数据，采用目标分项负荷识别模型，对目标公共建筑所包括的分项负荷进行识别，得到分项负荷结果。本发明专利技术解决了对公共建筑进行负荷识别时获取数据困难、成本高，算法的精度不足、效率低且泛化能力差，缺少通用有效的负荷识别方法的技术问题。识别方法的技术问题。识别方法的技术问题。

【技术实现步骤摘要】
公共建筑负荷识别方法、装置及计算机可读存储介质


[0001]本专利技术涉及人工智能领域，具体而言，涉及一种公共建筑负荷识别方法、装置及计算机可读存储介质。

技术介绍

[0002]在相关技术中，对于公共建筑的负荷监测工作较为复杂，成本过高，在数据的获取方面也存在一定难度，在相关
中的算法也存在精度不足、需要人为进行特征选择，且算法效率低、对数据量的要求高、泛化能力差的问题，在相关
中还没有一种通用且有效的负荷分解算法能完成针对公共建筑的负荷识别工作。
[0003]因此，在相关技术中，存在对公共建筑进行负荷识别时获取数据困难、成本高，算法精度不足、效率低且泛化能力差，缺少通用有效的负荷识别方法的技术问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种公共建筑负荷识别方法、装置及计算机可读存储介质，以至少解决对公共建筑进行负荷识别时获取数据困难、成本高，算法的精度不足、效率低且泛化能力差，缺少通用有效的负荷识别方法的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种公共建筑负荷识别方法，包括：确定待识别分项负荷的目标公共建筑，其中，分项负荷为对目标公共建筑用电进行划分后，得到的包括照明，空调，动力和其他的四个分项；确定目标公共建筑所属的场景类型，以及获取与场景类型对应的目标分项负荷识别模型；获取目标公共建筑的总负荷数据和天气数据；基于总负荷数据和天气数据，采用目标分项负荷识别模型，对目标公共建筑所包括的分项负荷进行识别，得到分项负荷结果。
[0007]可选地，确定目标公共建筑所属的场景类型，以及获取与场景类型对应的目标分项负荷识别模型，包括：获取目标公共建筑在预定历史时间段内的分项负荷数据的数量；在数量大于第一数量阈值的情况下，确定目标公共建筑所属的场景类型为第一场景类型；获取采用目标公共建筑自身的历史分项负荷数据训练得到的第一分项负荷识别模型；将第一分项负荷模型确定为与第一场景类型对应的目标分项负荷识别模型。
[0008]可选地，在获取采用目标公共建筑自身的历史分项负荷数据训练得到的第一分项负荷识别模型之前，还包括：基于多个训练模块，构建初始训练模型，其中，多个训练模块至少包括：多层感知器神经网络MLP模块，卷积神经网络CNN模块，长短时记忆网络LSTM模块，多个训练模块采用并联的训练方式，多个训练模块的训练结果的融合结果作为初始训练模型的输出；基于目标公共建筑自身的历史分项负荷数据，对初始训练模型进行训练，得到第一分项负荷识别模型。
[0009]可选地，将第一分项负荷模型确定为与第一场景类型对应的目标分项负荷识别模型，包括：获取第一测试集；采用第一测试集对第一分项负荷识别模型进行测试，得到第一
分项负荷识别模型的第一识别精度；在第一识别精度超过第一预定精度阈值的情况下，确定第一分项负荷识别模型为与第一场景类型对应的目标分项负荷识别模型。
[0010]可选地，上述方法还包括：在数量大于第二数量阈值且小于第一数量阈值的情况下，确定目标公共建筑所属的场景类型为第二场景类型；在已有第一场景类型对应的第一分项负荷识别模型的基础上，采用迁移学习的方式，采用目标公共建筑的历史分项负荷数据对第一分项负荷识别模型进行训练，得到第二分项负荷识别模型；将第二分项负荷识别模型确定为与第二场景类型对应的目标分项负荷识别模型。
[0011]可选地，将第二分项负荷识别模型确定为与第二场景类型对应的目标分项负荷识别模型，包括：获取第二测试集；采用第二测试集对第二分项负荷识别模型进行测试，得到第二分项负荷识别模型的第二识别精度；在第二识别精度超过第二预定精度阈值的情况下，确定第二分项负荷识别模型为与第二场景类型对应的目标分项负荷识别模型。
[0012]可选地，上述方法还包括：在数量小于第二数量阈值的情况下，确定目标公共建筑所属的场景类型为第三场景类型；将第一分项负荷识别模型迁移作为第三场景类型对应的目标分项负荷识别模型。
[0013]根据本专利技术实施例的另一方面，还提供了一种公共建筑负荷识别装置，包括：第一确定模块，用于确定待识别分项负荷的目标公共建筑，其中，分项负荷为对目标公共建筑用电进行划分后，得到的包括照明，空调，动力和其他的四个分项；第二确定模块，用于确定目标公共建筑所属的场景类型，以及获取与场景类型对应的目标分项负荷识别模型；获取模块，用于获取目标公共建筑的总负荷数据和天气数据；识别模块，用于基于总负荷数据和天气数据，采用目标分项负荷识别模型，对目标公共建筑所包括的分项负荷进行识别，得到分项负荷结果。
[0014]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的公共建筑负荷识别方法。
[0015]根据本专利技术实施例的另一方面，还提供了一种计算机设备，包括：存储器和处理器，存储器存储有计算机程序；处理器，用于执行存储器中存储的计算机程序，计算机程序运行时使得处理器执行上述任意一项的公共建筑负荷识别方法。
[0016]在本专利技术实施例中，通过对目标公共建筑按照所述的场景类型进行划分，并对不同场景类型的目标公共建筑采用对应的目标分项负荷识别模型，达到了对于不同类型的公共建筑都可以利用对应的分项负荷识别模型基于总负荷数据和天气数据完成分项负荷识别的目的，从而实现了对公共建筑进行高精度、高效率、低成本的分项负荷识别且目标负荷识别模型可泛化的技术效果，进而解决了对公共建筑进行负荷识别时获取数据困难、成本高，算法的精度不足、效率低且泛化能力差，缺少通用有效的负荷识别方法技术问题。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1是根据本专利技术实施例的公共建筑负荷识别方法的流程图；
[0019]图2是根据本专利技术可选实施方式的基于深度学习和迁移学习的公共建筑负荷识别
方法流程图；
[0020]图3是根据本专利技术可选实施方式的在6栋建筑不同数据条件场景下的数据集划分示意图；
[0021]图4是根据本专利技术可选实施方式的基于深度学习网络的负荷识别方法流程图；
[0022]图5是根据本专利技术可选实施方式的MLP全连接神经网络结构示意图；
[0023]图6是根据本专利技术实施例的公共建筑负荷识别装置的结构框图。
具体实施方式
[0024]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0025]需要说明的是，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种公共建筑负荷识别方法，其特征在于，包括：确定待识别分项负荷的目标公共建筑，其中，所述分项负荷为对所述目标公共建筑用电进行划分后，得到的包括照明，空调，动力和其他的四个分项；确定所述目标公共建筑所属的场景类型，以及获取与所述场景类型对应的目标分项负荷识别模型；获取所述目标公共建筑的总负荷数据和天气数据；基于所述总负荷数据和天气数据，采用所述目标分项负荷识别模型，对所述目标公共建筑所包括的分项负荷进行识别，得到分项负荷结果。2.根据权利要求1所述的方法，其特征在于，所述确定所述目标公共建筑所属的场景类型，以及获取与所述场景类型对应的目标分项负荷识别模型，包括：获取所述目标公共建筑在预定历史时间段内的分项负荷数据的数量；在所述数量大于第一数量阈值的情况下，确定所述目标公共建筑所属的场景类型为第一场景类型；获取采用所述目标公共建筑自身的历史分项负荷数据训练得到的第一分项负荷识别模型；将所述第一分项负荷模型确定为与所述第一场景类型对应的目标分项负荷识别模型。3.根据权利要求2所述的方法，其特征在于，在获取采用所述目标公共建筑自身的历史分项负荷数据训练得到的第一分项负荷识别模型之前，还包括：基于多个训练模块，构建初始训练模型，其中，所述多个训练模块至少包括：多层感知器神经网络MLP模块，卷积神经网络CNN模块，长短时记忆网络LSTM模块，所述多个训练模块采用并联的训练方式，所述多个训练模块的训练结果的融合结果作为所述初始训练模型的输出；基于所述目标公共建筑自身的历史分项负荷数据，对所述初始训练模型进行训练，得到所述第一分项负荷识别模型。4.根据权利要求2所述的方法，其特征在于，所述将所述第一分项负荷模型确定为与所述第一场景类型对应的目标分项负荷识别模型，包括：获取第一测试集；采用所述第一测试集对所述第一分项负荷识别模型进行测试，得到所述第一分项负荷识别模型的第一识别精度；在所述第一识别精度超过第一预定精度阈值的情况下，确定所述第一分项负荷识别模型为与所述第一场景类型对应的目标分项负荷识别模型。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述数量大于第二数量阈值且小于所述第一数量阈值的情况下，确定...

【专利技术属性】
技术研发人员：徐蕙，马龙飞，姚斌，张禄，王立永，陆斯悦，秦皓，李香龙，曾佳妮，严嘉慧，赵宇彤，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：