一种基于神经网络的能耗分析方法技术

本发明专利技术涉及特定计算模型的计算机系统技术领域，具体涉及一种基于神经网络的能耗分析方法。方法包括：获取各样本数据；得到各样本数据对应的各数据序列的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据所述各综合序列，得到各特征类别的平均损失值；根据各特征类别的平均损失值，得到各特征类别与各网络参数的关联度；根据所述关联度，得到各网络参数的更新修正系数，进而得到各网络参数在第二次训练过程中的学习率；根据所述学习率，得到训练好的能耗预测网络；将当前目标时间段的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。本发明专利技术在保证网络精度的同时提高了网络的训练速度。网络的训练速度。网络的训练速度。

【技术实现步骤摘要】
一种基于神经网络的能耗分析方法


[0001]本专利技术涉及特定计算模型的计算机系统
，具体涉及一种基于神经网络的能耗分析方法。

技术介绍

[0002]建筑能耗是总能源消耗的重要组成部分，随着社会经济的发展，建筑物和建筑设施成倍增加，使得建筑能耗的大幅度增加变得不可避免。能耗预测作为能耗分析的一个方面，准确的能耗预测有利于电能调度和电能分配。每个建筑都可以作为一个能耗调度和分配单元，因此需要保障每个建筑能耗预测的准确性，才能更好的进行电能调度和电能分配。影响每个建筑能耗预测的因素主要包括温度、湿度、各种类电器用电情况等等，因此可以利用这些数据来预测建筑未来的总用电能耗。
[0003]现有的一般采用神经网络通过分析建筑历史能耗数据来预测未来时刻建筑的能源消耗数据，但是所述的神经网络需要训练大量的数据信息，并且训练过程中不同数据信息特征描述难度不尽相同，有一些简单的特征只需要一些较短的训练过程网络就能学习到其特征，这时后续过程中针对这些特征就无需进行太多的更新调整；而那些难度较大的特征，这些特征需要较长时间的训练学习才能获取到，例如大楼中的能耗不仅与温度有关，同时还与各用电电器用电能耗有关，而且电器用电能耗会受停电等影响，给能耗数据引入噪声干扰，后续训练过程中这些难度较大的特征对应的网络参数需要进行更多的学习调整；因此在网络训练过程中对每个特征对应的参数采用统一的学习速度可能会导致训练效率较低，训练效果不佳。除此之外网络训练过程中参数趋于收敛阶段时的更新速度过大会导致震荡现象的出现，使得网络一直无法收敛；因此如何在保证网络精度的同时提高网络的训练速度是十分重要的。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于神经网络的能耗分析方法，所采用的技术方案具体如下：本专利技术提供了一种基于神经网络的能耗分析方法包括以下步骤：获取多个历史目标时间段对应的各数据序列，并构建数据集；所述各数据序列包括建筑总能耗序列、暖通空调能耗序列、照明插座能耗序列、温度序列和湿度序列；所述多个历史目标时间段对应的各数据序列长度相同；所述数据集中的一个样本数据对应一个历史目标时间段对应的各数据序列；利用数据集对能耗预测网络进行初训练；对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及对应的平均损失值；
根据数据集中的各特征类别对应的平均损失值，得到初训练后的能耗预测网络对各特征类别的学习程度；根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到所述各特征类别与各网络参数的关联度；根据能耗预测网络对所述各特征类别的学习程度以及与各网络参数的关联度，得到各网络参数的基准学习系数；计算各网络参数对应的震荡符合程度；根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数；根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率；根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络；将当前目标时间段对应的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。
[0005]优选的，对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列，包括：对于任一样本数据对应的任一数据序列：利用高斯金字塔分别对该数据序列进行预设数量次滤波和下采样；将每次滤波和下采样后的数据序列记为下采样序列，得到该数据序列对应的各下采样序列。
[0006]优选的，根据所述各下采样序列，得到各样本数据中的各综合序列，包括：对于任一样本数据：对于该样本数据对应的任一数据序列：采用预设大小的滑窗对该数据序列进行无交叠遍历，得到x1个窗口；采用所述滑窗对该数据序列对应的第一次下采样对应的下采样序列进行无交叠遍历，得到x2个窗口；以此类推，采用所述滑窗分别对该数据序列以及对应的各下采样数据序列进行无交叠遍历，得到该数据序列对应的各窗口；所述该数据序列对应的各窗口为对该数据序列和对应的各下采样序列进行遍历后的所有窗口，将窗口内的数据序列记为子数据序列；按照滑窗遍历的顺序为该数据序列对应的各窗口进行编号，将各窗口的编号作为对应的子数据序列的编号；将该样本数据中各数据序列对应的同一编号的子数据序列按照预设顺序拼接在一起，得到该样本数据中各编号对应的综合序列。
[0007]优选的，根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及各特征类别对应的平均损失值，包括：对于编号i：获取各样本数据中编号i对应的综合序列；根据编号i对应的任意两个综合序列的余弦相似度进行密度聚类，得到编号i对应的各类别，记为特征类别；将编号i对应的任意特征类别中的各综合序列对应的样本数据的损失值的均值作为对应特征类别对应的平均损失值；所述数据集中的各特征类别包括各编号对应的各特征类别。
[0008]优选的，所述得到初训练后的能耗预测网络对各特征类别的学习程度的公式如下：其中，为初训练后的能耗预测网络对数据集中的第t个特征类别的学习程度，
为数据集中的第t个特征类别对应的平均损失值，为调节参数，为数据集中各特征类别的数量；所述得到所述各特征类别与各网络参数的关联度的公式如下：其中，为第z个网络参数与数据集中第t个特征类别的关联度，为数据集中具有第t个特征类别的各样本特征输入到能耗预测网络时第z个网络参数的更新梯度值的均值，M1为能耗预测网络中网络参数的数量。
[0009]优选的，所述得到各网络参数的基准学习系数的计算公式如下：其中，为第z个网络参数的基准学习系数。
[0010]优选的，计算各网络参数对应的震荡符合程度，包括：对于第z个网络参数：获取第z个网络参数对应的取值序列，所述取值序列包括能耗预测网络在初训练过程中距离当前阶段最近的预设数量的更新迭代过程中的第z个网络参数的取值；计算第z个网络参数对应的取值序列所有取值的均值，记为；获取第z个网络参数对应的取值序列中大于的所有取值，构成大值集合；获取第z个网络参数对应的取值序列中小于等于的所有取值，构成小值集合；计算所述小值集合中的每个取值与之差的平方值的平均数，作为小值集合的方差；计算所述大值集合中的每个取值与之差的平方值的平均数，作为大值集合的方差；根据所述大值集合的方差和所述小值集合的方差，得到第z个网络参数对应的震荡符合程度；所述第z个网络参数对应的震荡符合程度为：第z个网络参数对应的大值集合的方差和小值集合的方差的差值的绝对值与1之和的倒数。
[0011]优选的，根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数计算公式如下： 其中，为第z个网络参数对应的更新修正系数，为第z个网络参数对应的取值序列的方差值，为超参数，为震荡序列集合，为第z个网络参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的能耗分析方法，其特征在于，该方法包括以下步骤：获取多个历史目标时间段对应的各数据序列，并构建数据集；所述各数据序列包括建筑总能耗序列、暖通空调能耗序列、照明插座能耗序列、温度序列和湿度序列；所述多个历史目标时间段对应的各数据序列长度相同；所述数据集中的一个样本数据对应一个历史目标时间段对应的各数据序列；利用数据集对能耗预测网络进行初训练；对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列；根据所述各下采样序列，得到各样本数据中的各综合序列；根据各样本数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及对应的平均损失值；根据数据集中的各特征类别对应的平均损失值，得到初训练后的能耗预测网络对各特征类别的学习程度；根据各样本数据输入到能耗预测网络时的各网络参数的更新梯度值，得到所述各特征类别与各网络参数的关联度；根据能耗预测网络对所述各特征类别的学习程度以及与各网络参数的关联度，得到各网络参数的基准学习系数；计算各网络参数对应的震荡符合程度；根据各网络参数对应的震荡符合程度和基准学习系数，得到各网络参数的更新修正系数；根据各网络参数对应的更新修正系数和基准学习系数，得到各网络参数在第二次训练过程中的学习率；根据所述第二次训练过程中的学习率，得到训练好的能耗预测网络；将当前目标时间段对应的各数据序列输入到训练好的能耗预测网络中，得到下一目标时间段的建筑总能耗序列。2.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，对各样本数据对应的各数据序列分别进行预设数量次滤波和下采样，得到各样本数据对应的各数据序列对应的各下采样序列，包括：对于任一样本数据对应的任一数据序列：利用高斯金字塔分别对该数据序列进行预设数量次滤波和下采样；将每次滤波和下采样后的数据序列记为下采样序列，得到该数据序列对应的各下采样序列。3.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，根据所述各下采样序列，得到各样本数据中的各综合序列，包括：对于任一样本数据：对于该样本数据对应的任一数据序列：采用预设大小的滑窗对该数据序列进行无交叠遍历，得到x1个窗口；采用所述滑窗对该数据序列对应的第一次下采样对应的下采样序列进行无交叠遍历，得到x2个窗口；以此类推，采用所述滑窗分别对该数据序列以及对应的各下采样数据序列进行无交叠遍历，得到该数据序列对应的各窗口；所述该数据序列对应的各窗口为对该数据序列和对应的各下采样序列进行遍历后的所有窗口，将窗口内的数据序列记为子数据序列；按照滑窗遍历的顺序为该数据序列对应的各窗口进行编号，将各窗口的编号作为对应的子数据序列的编号；将该样本数据中各数据序列对应的同一编号的子数据序列按照预设顺序拼接在一起，得到该样本数据中各编号对应的综合序列。4.根据权利要求3所述的一种基于神经网络的能耗分析方法，其特征在于，根据各样本
数据中的各综合序列和各样本数据对能耗预测网络进行初训练后的损失值，得到数据集中的各特征类别以及各特征类别对应的平均损失值，包括：对于编号i：获取各样本数据中编号i对应的综合序列；根据编号i对应的任意两个综合序列的余弦相似度进行密度聚类，得到编号i对应的各类别，记为特征类别；将编号i对应的任意特征类别中的各综合序列对应的样本数据的损失值的均值作为对应特征类别对应的平均损失值；所述数据集中的各特征类别包括各编号对应的各特征类别。5.根据权利要求1所述的一种基于神经网络的能耗分析方法，其特征在于，所述得到初训...

【专利技术属性】
技术研发人员：张振升，翟兆国，王培磊，刘林松，赵春燕，陈靖，刘伟，王超，
申请(专利权)人：同方德诚山东科技股份公司，
类型：发明
国别省市：