设备能耗预测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术涉及能耗预测技术领域，提供一种设备能耗预测方法、装置、电子设备和存储介质，该方法包括：确定能耗预测模型的训练数据；通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。本发明专利技术通过采用多种预测算法竞争寻优的策略，优化了设备能耗预测问题，提高了设备能耗预测的准确性。提高了设备能耗预测的准确性。提高了设备能耗预测的准确性。

【技术实现步骤摘要】
设备能耗预测方法、装置、电子设备和存储介质


[0001]本专利技术涉及能耗预测
，尤其涉及一种设备能耗预测方法、装置、电子设备和存储介质。

技术介绍

[0002]目前，空调系统既是用能大户，也是节能主力，空调系统的节能优化运行对于建设资源节约与环境友好型社会、实现碳达峰与碳中和等目标都具有重大意义。预测能耗数据能够向操作人员提供空调系统和设备的运行信息，获取关键节能方向，帮助其调整设备运行策略，为能源优化、控制管理和故障诊断等节能技术提供依据和指导，是暖通空调系统节能任务中有利而关键的环节。构建设备能耗的数学或物理模型，预测设备能耗数据的变化，进而根据预测能耗与实际能耗的差异，可以分析设备的用能情况。
[0003]然而，能耗预测多见于建筑级别或者冷水机组系统，对于设备级别的相关研究比较少，同时，存在对设备级的能耗预测准确性低的问题。

技术实现思路

[0004]本专利技术提供一种设备能耗预测方法、装置、电子设备和存储介质，用以解决设备能耗预测准确性低的问题，通过采用多种预测算法竞争寻优的策略，优化了设备能耗预测问题，提高了设备能耗预测的准确性。
[0005]本专利技术提供一种设备能耗预测方法，包括：
[0006]确定能耗预测模型的训练数据；
[0007]通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；
[0008]根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。
[0009]在一个实施例中，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：
[0010]通过所述训练数据，对所述多项式回归算法对应的参数进行训练，得到所述多项式回归算法的能耗预测模型；
[0011]所述多项式回归算法对应的参数包括多项式维度。
[0012]在一个实施例中，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：
[0013]通过所述训练数据，对所述支持向量回归算法对应的参数进行训练，得到所述支持向量回归算法的能耗预测模型；
[0014]所述支持向量回归算法对应的参数包括高斯核、多项式核以及核函数系数。
[0015]在一个实施例中，所述通过所述训练数据，分别对多种预测算法对应的参数进行
训练，得到每种所述预测算法的能耗预测模型，包括：
[0016]通过所述训练数据，对所述人工神经网络算法对应的参数进行训练，得到所述人工神经网络算法的能耗预测模型；
[0017]所述人工神经网络算法对应的参数包括隐藏层层数、每层隐藏层的神经元个数以及L2正则化项的强度。
[0018]在一个实施例中，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：
[0019]通过所述训练数据，对所述梯度提升算法对应的参数进行训练，得到所述梯度提升算法的能耗预测模型；
[0020]所述梯度提升算法对应的参数包括梯度提升树的数量、基础学习器的最大树深度、学习率、在树的叶节点上进行分区所需的最小损失值以及子级中实例重量的最小总和。
[0021]在一个实施例中，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型之后，包括：
[0022]确定训练集的第二评估指标值以及测试集的第二评估指标值；所述训练数据包括所述训练集和所述测试集；
[0023]将所述训练集的第二评估指标值与所述测试集的第二评估指标值进行比较，根据比较结果调整所述能耗预测模型的参数。
[0024]在一个实施例中，所述根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，包括：
[0025]从多个所述第一评估指标值中确定最大的第一评估指标值；
[0026]采用所述最大的第一评估指标值对应的能耗预测模型作为所述目标能耗预测模型。
[0027]本专利技术还提供一种设备能耗预测装置，包括：
[0028]确定模块，用于确定能耗预测模型的训练数据；
[0029]训练模块，用于通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；
[0030]预测模块，用于根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。
[0031]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述设备能耗预测方法。
[0032]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述设备能耗预测方法。
[0033]本专利技术提供的设备能耗预测方法、装置、电子设备和存储介质，通过确定能耗预测模型的训练数据；通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。本专利技术通过采用多种预测算
法竞争寻优的策略，优化了设备能耗预测问题，提高了设备能耗预测的准确性。
附图说明
[0034]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1是本专利技术提供的设备能耗预测方法的流程示意图；
[0036]图2是本专利技术提供的多项式回归模型训练的流程示意图；
[0037]图3是本专利技术提供的SVR模型训练的流程示意图；
[0038]图4是本专利技术提供的ANN模型训练的流程示意图；
[0039]图5是本专利技术提供的XGBoost模型训练的流程示意图；
[0040]图6是本专利技术提供的设备能耗预测装置的结构示意图；
[0041]图7是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0042]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
...

【技术保护点】

【技术特征摘要】
1.一种设备能耗预测方法，其特征在于，包括：确定能耗预测模型的训练数据；通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。2.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述多项式回归算法对应的参数进行训练，得到所述多项式回归算法的能耗预测模型；所述多项式回归算法对应的参数包括多项式维度。3.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述支持向量回归算法对应的参数进行训练，得到所述支持向量回归算法的能耗预测模型；所述支持向量回归算法对应的参数包括高斯核、多项式核以及核函数系数。4.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述人工神经网络算法对应的参数进行训练，得到所述人工神经网络算法的能耗预测模型；所述人工神经网络算法对应的参数包括隐藏层层数、每层隐藏层的神经元个数以及L2正则化项的强度。5.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述梯度提升算法对应的参数进行训练，得到...

【专利技术属性】
技术研发人员：于震，李怀，李立，郝玉珍，
申请(专利权)人：中国建筑科学研究院有限公司，
类型：发明
国别省市：