本申请提供一种建筑能耗预测方法、装置及计算机存储介质，包括，针对目标建筑的采集信息执行特征提取，获取目标建筑的特征数据，根据目标建筑的建筑属性，确定目标建筑的目标预测模型，并利用目标预测模型，基于目标建筑的特征数据，执行能耗预测，获得目标建筑的能耗预测结果。据此，本申请可准确预测目标建筑的建筑能耗，实现建筑节能的技术效果。实现建筑节能的技术效果。实现建筑节能的技术效果。
【技术实现步骤摘要】
建筑能耗预测方法、装置及计算机存储介质
[0001]本申请实施例涉及计算机
，特别涉及一种建筑能耗预测方法、装置及计算机存储介质。
技术介绍
[0002]建筑能耗负荷的精准预测，是实现合理运行建筑能源系统，对建筑用能进行节能管控，实现节能减排的基础。
[0003]目前，国内外针对能耗的预测技术已经开展了很多的研究，包含参数回归法、时间序列法、人工神经网络等。现有的能耗预测技术由于建筑的冷热负荷受到诸多不确定性因素影响，具有较强的非线性、随机性特点，普遍存在数据依赖度高、预测精度不高、技术工作落地难等问题。
[0004]随着人工智能和大数据技术的成熟应用，亟需一种改进的建筑负荷预测技术。
技术实现思路
[0005]鉴于上述问题，本申请提供一种建筑能耗预测方法、装置及计算机存储介质，可准确执行建筑能耗的预测。
[0006]本申请第一方面提供一种建筑能耗预测方法，包括：针对目标建筑的采集信息执行特征提取，获取所述目标建筑的特征数据；根据所述目标建筑的建筑属性，确定所述目标建筑的目标预测模型；利用所述目标预测模型，基于所述目标建筑的特征数据，执行能耗预测，获得所述目标建筑的能耗预测结果。
[0007]本申请第二方面提供一种建筑能耗预测装置，包括：特征提取模块，用于针对目标建筑的采集信息执行特征提取，获取所述目标建筑的特征数据；模型选择模块，用于根据所述目标建筑的建筑属性，确定所述目标建筑的目标预测模型；能耗预测模块，用于利用所述目标预测模型，基于所述目标建筑的特征数据，执行能耗预测，获得所述目标建筑的能耗预测结果。
[0008]本申请第三方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述方面所述的方法中各步骤的各指令。
[0009]综上所述，本申请各方面提供的建筑能耗预测方案，通过采集目标建筑的特征数据，并根据目标建筑的建筑属性，确定与之相适配的预测模型，以利用预测模型根据目标建筑的特征数据执行能耗预测，可有效提高建筑能耗预测结果的准确性和鲁棒性，有利于实现节能减排的技术效果。
附图说明
[0010]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获
得其他的附图。
[0011]图1为本申请示例性实施例的建筑能耗预测方法的处理流程图。
[0012]图2为本申请另一示例性实施例的建筑能耗预测方法的处理流程图。
[0013]图3为本申请另一示例性实施例的建筑能耗预测方法的处理流程图。
[0014]图4为本申请示例性所述的建筑能耗预测装置的结构框图。
具体实施方式
[0015]为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
[0016]以下将结合各附图详细描述本申请的各具体实施例。
[0017]图1为本申请示例性实施例的建筑能耗预测方法的处理流程图。如图所示，本实施例主要包括以下步骤：
[0018]步骤S102，针对目标建筑的采集信息执行特征提取，获取目标建筑的特征数据。
[0019]可选地，目标建筑的采集信息可包括但不限于：目标建筑的空间物理数据、空间人流数据、空间活动数据、空间用途数据、系统设备数据、天气数据、历史用能数据、室内外环境数据等。
[0020]可选地，目标建筑的信息采集方式可包括但不限于：设备检测输入、系统对接输入、手动输入、人机交互输入、批量导入输入等。
[0021]可选地，设备检测输入可包括但不限于：利用机器视觉技术采集建筑人员数量、人员活动等信息。
[0022]可选地，可根据每一个目标因素，针对所述目标建筑的采集信息执行特征提取，获取所述目标建筑对应于每一个目标因素的特征数据。
[0023]步骤S104，根据目标建筑的建筑属性，确定目标建筑的目标预测模型。
[0024]可选地，目标建筑的建筑属性可包括但不限于：目标建筑的地理环境特征信息、建筑朝向信息等。
[0025]步骤S106，利用目标预测模型，基于目标建筑的特征数据，执行能耗预测，获得目标建筑的能耗预测结果。
[0026]可选地，目标预测模型可至少包括：改进DBN网络模型、Attention
‑
LSTM网络模型、GBRT算法模型、双向LSTM模型、双向GRU模型、支持向量机模型中的一个。
[0027]可选地，可利用目标预测模型，基于目标建筑对应于每一个目标因素的特征数据执行能耗预测，获得目标建筑的总负荷预测数据。
[0028]综上所述，本实施例通过采集目标建筑的特征数据，并根据目标建筑的建筑属性，确定与之匹配的目标预测模型，以利用目标预测模型，基于目标建筑的特征数据，针对目标建筑的建筑能耗执行预测，可有效提高能耗预测结果的准确性和鲁棒性。
[0029]图2为本申请另一示例性实施例的建筑能耗预测方法的处理流程图。本步骤示出了目标预测模型的训练方案。如图所示，本实施例主要包括以下步骤：
[0030]步骤S202，根据给定的多个候选因素，针对目标建筑的训练信息执行特征提取，获
得目标建筑对应于每一个候选因素的特征数据。
[0031]于本实施例中，目标建筑对应于每一个候选因素的特征数据可包括但不限于：空间物理特征数据、空间人流特征数据、空间活动特征数据、空间用途特征数据、系统设备特征数据、天气特征数据、历史用能特征数据、室内外环境特征数据中的至少一个。
[0032]步骤S204，利用灰色关联分析方法、目标建筑对应于每一个候选因素的特征数据，计算每一个候选因素与目标建筑的建筑能耗的关联度，以从各候选因素中确定至少一个目标因素。
[0033]可选地，利用灰色关联分析方法，计算每一个候选因素的特征数据与目标建筑的建筑能耗的关联度，获得每一个候选因素的关联度值，据以判断每一个候选因素对于目标建筑的负荷变化的影响程度。
[0034]可选地，可将关联度值大于预设关联度阈值的候选因素确定为目标因素。
[0035]步骤S206，利用目标预测模型，根据目标建筑对应于每一个目标因素的特征数据，执行能耗预测，获得目标建筑的总负荷预测数据。
[0036]可选地，目标预测模型至少包括：改进DBN网络模型、Attention
‑
LSTM网络模型、GBRT算法模型、双向LSTM模型、双向GRU模型、支持向量机模型中的一个。
[0037]可选地，目标预测模型也可包括参数回归预测模型。
[0038]步骤S2本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种建筑能耗预测方法，包括：针对目标建筑的采集信息执行特征提取，获取所述目标建筑的特征数据；根据所述目标建筑的建筑属性，确定所述目标建筑的目标预测模型；利用所述目标预测模型，基于所述目标建筑的特征数据，执行能耗预测，获得所述目标建筑的能耗预测结果。2.根据权利要求1所述的方法，其特征在于，所述采集信息包括：所述目标建筑的空间物理数据、空间人流数据、空间活动数据、空间用途数据、系统设备数据、天气数据、历史用能数据、室内外环境数据中的至少一个。3.根据权利要求2所述的方法，其特征在于，所述目标预测模型通过以下方式训练获得：根据给定的多个候选因素，针对所述目标建筑的训练信息执行特征提取，获得所述目标建筑对应于每一个候选因素的特征数据；利用灰色关联分析方法、所述目标建筑对应于每一个候选因素的特征数据，计算每一个候选因素与所述目标建筑的建筑能耗的关联度，以从各候选因素中确定至少一个目标因素；利用所述目标建筑对应于每一个目标因素的特征数据，训练所述目标预测模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述目标建筑对应于每一个目标因素的特征数据，训练所述目标预测模型，包括：预测步骤，利用所述目标预测模型，根据所述目标建筑对应于每一个目标因素的特征数据，执行能耗预测，获得所述目标建筑的总负荷预测数据；根据所述目标建筑的总负荷预测数据、所述目标建筑的总负荷真实数据，确定所述目标预测模型的预测偏差；根据所述预测偏差，优化所述目标预测模型，返回执行所述预测步骤，直至所述预测偏差满足预设模型优化结束条件。5.根据权利要求3所述的方法，其特征在于，所述针对目标建筑的采集信息执行特征提取，获取所述目标建筑的特征数据，包括：根据每一个目标因素，针对所述目标建筑的采集信息执行特征提取，获取所述目标建筑对应于每一个目标因素的特征数据；所...
【专利技术属性】
技术研发人员：吴媛，陈贵明，
申请(专利权)人：云从科技集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。