【技术实现步骤摘要】
建筑能耗预测方法、装置、设备及介质
[0001]本专利技术属于新能源及节能
,具体涉及一种建筑能耗预测方法、装置、设备及介质。
技术介绍
[0002]目前,城市中存在着许多未被充分利用的热能,特别是太阳能,地热,污水,江河河水,空气中的低级热能,以及钢铁、化工等工业生产的热能。与此同时,城市中建筑能耗高,能源利用率低等问题也更加突出;电热协同,在线诊断技术可以提高能源利用率,然而,能耗预测对电热协同和在线诊断也有重要的意义。目前,存在的问题是能耗数据不足,建筑能耗预测精度不高;因此,为了进一步提高能源利用率,提高在线诊断效率,得到充足的数据以及对建筑能耗进行精准的预测是必不可少的。
[0003]电热协同对于热网系统,在热用户终端采用电力驱动的高效热泵,以热网介质为热源制热,供热参数可以通过调节热泵的变频灵活调整;对于电网系统,依托热力系统的大惯性,为电力系统提供大量灵活性负荷,帮助可再生能源的消纳。电热协同互补对于提升能源安全、克服长时储能能力的不足意义重大。其作为一种新兴模式,具有长产业链、强专业性、相关要素高度集成的特点,实践落地还有待加强战略规划与系统统筹。
[0004]精准的建筑能耗预测与充足的能耗数据可以有效地提高在线诊断的效率,降低在线诊断错误率。电热协同互补对于提升能源安全、克服长时储能能力不足意义重大,然而精准的建筑能耗预测可以有效解决长时储能能力不足的问题,同时,有利于提高在线诊断的自动地检测效率。传统的建筑能耗预测方法存在着建模与计算耗时长,模型复杂度高,应用繁琐等问题。同时 ...
【技术保护点】
【技术特征摘要】
1.一种建筑能耗预测方法,其特征在于,包括以下步骤:S1、通过实际测量获取源域建筑能耗数据Xsi与目标域能耗数据Xt;S2、对所述源域建筑能耗数据Xsi与目标域能耗数据Xt使用欧氏距离计算相似性,去除不符合第一预设相似性标准的源域;S3、将剩余源域与目标域使用DTW计算相似性,保留符合第二预设相似性标准的源域;S4、根据剩余源域与目标域的相似性关系大小,对各源域建筑能耗数据赋予大小不同的权重{w1,w2,
…
,wn};相关性越高,wi值越大,且满足w1+w2+
…
+wn=1,将各源域建筑能耗数据与各自对应的权重相乘,通过迁移学习将与权重相乘后的源域建筑能耗数据迁移至目标域建筑能耗数据{Xt},得到历史能耗数据;S5、将所述历史能耗数据通过经验模态分解算法EEMD进行分解,得到能耗数据集;S6、依据所述能耗数据集,建立能耗预测模型并训练,对建筑能耗数据进行预测。2.根据权利要求1所述的一种建筑能耗预测方法,其特征在于,将所述分解后的能耗数据按预先设置的比例分成用于训练能耗预测模型的训练集和用于验证模型预测准确度的测试集,最后输入所述能耗预测模型进行训练。3.根据权利要求1所述的一种建筑能耗预测方法,其特征在于,S5中,将所述历史能耗数据通过经验模态分解算法EEMD分解成有限个本征模函数IMF和一个残差r
f
;本征模函数IMF集合得到所述能耗数据集。4.根据权利要求1所述的一种建筑能耗预测方法,其特征在于,所述能耗预测模型包括:长短期记忆网络LSTM、图卷积神经网络GCN、卷积模块的注意力机制CBAM;所述图卷积神经网络GCN包括一维卷积层、最大池化层和全连接层,所述一维卷积层从所述能耗数据集中抽取非线性局部特征,所述最大池化层采用最大池化法对所述一维卷积层中的所述非线性局部特征进行压缩,得到输入特性图,将所述输入特性图作为所述CBAM的输入;所述卷积模块的注意力机制CBAM给出一个中间特性图,所述卷积模块的注意力机制CBAM从通道和空间两个维度分别推导出注意力图,并将所述注意力图与所述输入特性图相乘所得到的数据作为所...
【专利技术属性】
技术研发人员:王瑞琪,周海妮,王志梁,牟强,迟青青,樊相臣,连艳,梁慧媛,张帅,黄兴,杨旭,张伍勋,郑国柱,范聪聪,
申请(专利权)人:国家电网有限公司国网山东综合能源服务有限公司国网北京综合能源服务有限公司,
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。