一种基于迁移学习的建筑冷热电负荷预测方法及系统技术方案

本发明专利技术公开了一种基于迁移学习的建筑冷热电负荷预测方法及系统，涉及建筑电负荷预测技术领域，该方法包括：获取多个源域建筑实际和仿真的冷热电负荷数据以及目标域建筑的仿真冷热电负荷数据，计算得到多个源域建筑冷热电负荷数据的时序误差，利用斯皮尔曼等级相关系数计算得到目标域建筑和多个源域建筑的相关性，以此计算得到权重误差，将该权重误差迁移至目标域建筑仿真冷热电负荷数据，以此作为目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，预测目标域建筑的冷热电负荷数据。本发明专利技术解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题，提高了建筑冷热电负荷预测的准确性。负荷预测的准确性。负荷预测的准确性。

【技术实现步骤摘要】
一种基于迁移学习的建筑冷热电负荷预测方法及系统


[0001]本专利技术属于建筑电负荷预测
，尤其涉及一种基于迁移学习的建筑冷热电负荷预测方法及系统。

技术介绍

[0002]近年来，随着人口数量的不断增长以及科学技术的飞速发展，环境问题、能源问题使得全球面临着巨大危机，因此，在节约能源、保护环境的基础上实现可持续发展具有十分重要的意义。目前，节能减排的三个主要领域是：建筑、工业以及交通。由于人口的增长，对建筑服务和舒适度的需求不断增加，以及在建筑物内停留时间的增加等因素，截止目前，建筑领域能耗已经超过其他两个领域能耗。建筑的能耗大部分来自电负荷，而随着社会对电力系统运行的安全性、稳定性以及经济性的要求不断提高，电负荷预测的重要性也日益突出。电负荷预测是指对未来能源需求的估计，是能源系统运行管理的重要组成部分，是合理安排发电、输电和配电的必要前提，对现代能源系统的发展至关重要。而精准建筑电负荷预测是电力系统高效稳定运行的基础，是电网能源管理中的关键问题。
[0003]建筑电负荷预测包括建筑冷热电负荷预测，其中，冷负荷是指在为保持建筑物的热湿环境和所要求的室内温度，需要由空调系统从房间带走的热量，即在某一时刻需向房间供应的冷量，相反，如果空调系统需要向室内供热，以补偿房间损失热量而向房间供应的热量称为热负荷。针对建筑冷热电负荷预测目前已有多种预测方法，如利用传统的自回归移动平均模型、自回归综合移动平均模型等统计方法进行建筑电负荷的预测，然而，当有一个目标域建筑出现时，由于其历史冷热电负荷数据缺少，现有的基于深度学习的预测方法难以实现对该新建筑进行精准冷热电负荷预测，从而无法精准估计未来能源需求。将源域建筑的冷热电负荷数据迁移至目标域建筑可以有效的解决这一关键问题，然而，在源域建筑较多的情况下，对冷热电负荷数据盲目迁移往往造成适得其反的效果。

技术实现思路

[0004]为解决上述现有技术的不足，本专利技术提供了一种基于迁移学习的建筑冷热电负荷预测方法及系统，将多个源域建筑冷热电负荷数据权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史真实冷热电负荷数据，以此训练预测模型，通过训练完成的预测模型进行负荷精确预测，解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题。
[0005]第一方面，本公开提供了一种基于迁移学习的建筑冷热电负荷预测方法。
[0006]一种基于迁移学习的建筑冷热电负荷预测方法，包括：获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；
利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
[0007]进一步的技术方案，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
[0008]进一步的技术方案，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
[0009]进一步的技术方案，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
[0010]进一步的技术方案，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
[0011]第二方面，本公开提供了一种基于迁移学习的建筑冷热电负荷预测系统。
[0012]一种基于迁移学习的建筑冷热电负荷预测系统，包括：数据获取模块，用于获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；数据处理模块，用于根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；历史数据构建模块，用于将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；建筑冷热电负荷预测模块，用于基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
[0013]进一步的技术方案，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
[0014]进一步的技术方案，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符
合标准。
[0015]进一步的技术方案，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
[0016]进一步的技术方案，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
[0017]以上一个或多个技术方案存在以下有益效果：1、本公开提出了一种基于迁移学习的建筑冷热电负荷预测方法，将多个源域建筑实际测量获取的实际冷热电负荷数据与TRNSYS能耗模拟软件仿真得到的仿真冷热电负荷数据做差，得到服从某种分布的各源域建筑冷热电负荷数据时序误差，考虑该误差是否低于设定阈值，若低于设定阈值则说明仿真数据有效，若高于设定阈值，则说明仿真数据误差较高，需对TRNSYS建筑模型进行微调，直至误差低于设定阈值，以及有效提高了迁移学习冷热电负荷预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，包括：获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。2.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。3.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。4.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。5.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。6.一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，包...

【专利技术属性】
技术研发人员：严毅，田崇翼，李成栋，王瑞琪，田晨璐，邵珠亮，王璠，李骥，乔镖，薛汇宇，曹玉康，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：