建筑能耗预测方法、装置、设备及介质制造方法及图纸

本发明专利技术属于新能源及节能技术领域，具体涉及一种建筑能耗预测方法、装置、设备及介质。建筑能耗预测方法包括以下步骤：S1、通过实际测量得到源域建筑的能耗数据X

【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，深度神经网络预测能耗数据通常以固定间隔离散化时间序列，在预测精度上存在着不足。然而，精准的建筑能耗预测是电热协同高效稳定运行的基础，是电网能源管理的关键。在有一个特定区域的建筑物存在时，由于该建筑物的历史能耗数据比较少，因此不能准确地对该建筑物进行负荷预测，也就不能准确地估算出今后的能量需求，导致预测不准。

技术实现思路

[0005]本专利技术的目的在于提供一种建筑能耗预测方法、装置、设备及介质，以解决现有技术中建模与计算耗时长，模型复杂度高，应用繁琐，历史能耗数据少时，能耗预测精度不高的问题。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种建筑能耗预测方法，包括以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]可选的，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。
[0015]可选的，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。
[0016]可选的，所述能耗预测模型包括：
[0017]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；
[0018]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；
[0019]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述长短期记忆网络LSTM的输入，将所述长短期记忆网络LSTM处理后的输出数据作为所述全连接层的输入，得到一维的各个IMF的预测结果，将得到的各个所述IMF的预测结果相加，从而得出能耗预测的结果。
[0020]可选的，在所述全连接层后增加用于提高模型的泛化性能和减少训练时间的随机失活层。
[0021]可选的，还包括Adam优化器，所述Adam优化器对所述能耗预测模型的参数进行优化。
[0022]可选的，在所述长短期记忆网络LSTM中加入用于防止过拟合的Dropout层。
[0023]一种建筑能耗预测装置，包括：
[0024]数据获取模块，用于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；
[0025]第一数据处理模块，用于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；
[0026]第二数据处理模块，用于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；
[0027]迁移学习模块，用于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；
[0028]经验模态分解模块，用于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；
[0029]能耗预测模块，用于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。
[0030]一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的建筑能耗预测方法。
[0031]一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的建筑能耗预测方法。
[0032]本专利技术的有益效果如下：
[0033]1、本专利技术提供的建筑能耗预测方法先使用欧氏距离再用DTW，可以降低源域筛选的复杂性，对于只有少量能耗数据的目标建筑，使用欧氏距离可以保证所选源建筑与目标建筑近期能耗行为的相似性，而使用DTW可以保证所选源建筑与目标建筑长周期能耗行为的相似性，两种方法的融合极大地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑能耗预测方法，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：