一种建筑能效预测的方法、装置、终端和存储介质制造方法及图纸

本发明专利技术公开了一种建筑能效预测的方法、装置、终端和存储介质，该方法包括：获取目标建筑的用能参数和运行数据；根据目标建筑的用能参数，选择与目标建筑的用能参数相似的其他建筑；基于目标建筑与其他建筑，构建相似建筑迁移网络；利用联邦学习算法，基于预先构建的基础能效预测模型，对相似建筑迁移网络中的所有建筑进行训练，得到相似建筑迁移网络中的所有建筑能够共享的联邦模型；利用目标建筑的运行数据，对联邦模型进行优化，得到目标建筑的本地联邦模型，以利用本地联邦模型对目标建筑进行建筑能效预测。该方案，通过基于联邦学习算法建立相似建筑之间的迁移网络，构建一个可共享、可迁移的联邦模型，实现对运行数据有限的建筑的能效预测。建筑的能效预测。建筑的能效预测。

【技术实现步骤摘要】
一种建筑能效预测的方法、装置、终端和存储介质


[0001]本专利技术属于建筑节能
，具体涉及一种建筑能效预测的方法、装置、终端和存储介质，尤其涉及一种基于联邦学习的建筑能效预测方法、装置、终端和存储介质。

技术介绍

[0002]能耗预测是提高建筑能效水平、实现节能减排的基础，是建筑优化设计、优化控制、需求侧响应、能源审计等能源管理任务的重要支撑。在建筑设计阶段，快速预测建筑全年冷、热、电负荷能够指导建筑设计参数的选择；在建筑运行阶段，依据未来一段时间的建筑冷负荷需求，可以优化空调系统冷冻水供水温度设定点，甚至更灵活地参与电网需求侧响应；在建筑能源审计阶段，能耗预测模型能够提供建筑基准能耗，从而更准确地评估节能改造措施带来的节能量。
[0003]相关方案中，利用数据驱动方法进行建筑能效预测，但数据驱动方法对数据的数量和质量要求较高。然而，在建筑能效预测的实际项目中，对于新建建筑或能源管理系统不完善的老旧建筑而言，往往运行数据有限，所以数据驱动方法难以适用。如何解决小样本场景下的建筑能耗预测问题，是建筑能耗预测领域的重要研究方向之一。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的目的在于，提供一种建筑能效预测的方法、装置、终端和存储介质，以解决相关方案中利用数据驱动方法进行建筑能效预测，但数据驱动方法对建筑运行数据的数量和质量要求较高，所以，对于新建建筑、能源管理系统不完善的老旧建筑等建筑运行数据有限的建筑，难以使用数据驱动方法进行建筑能效预测的问题，达到通过基于联邦学习算法建立相似建筑之间的迁移网络，基于使该迁移网络中所有建筑主体共同全局训练得到一个可共享、可迁移的联邦模型，通过对该联邦模型的局部微调，实现对建筑运行数据有限的建筑的建筑能效预测的效果。
[0006]本专利技术提供一种建筑能效预测的方法，包括：获取目标建筑的用能参数，并获取所述目标建筑的运行数据；根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；基于所述目标建筑与所述其他建筑，构建迁移网络，记为相似建筑迁移网络；利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型；利用所述目标建筑的本地联邦模型，对所述目标建筑进行建筑能效预测。
[0007]在一些实施方式中，根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑，包括：根据所述目标建筑的用能参数，在预设的建筑范围
内，选择与所述目标建筑的用能参数的相似程度在设定相似程度范围内的建筑，记为其他建筑；其中，所述目标建筑与所述其他建筑，在建筑类型、建筑所处气候区、建筑结构特性中的至少之一的相似程度在设定相似程度范围内；所述建筑结构特性，包括：窗墙比、维护结构材料、建筑面积和建筑朝向中的至少之一。
[0008]在一些实施方式中，预先构建的基础能效预测模型，是基于RNN和BPNN的时序预测方法，预先构建得到的融合RNN和BPNN的混合模型。
[0009]在一些实施方式中，利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：利用联邦学习算法，基于预先构建的基础能效预测模型，搭建联邦学习框架；针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数；针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；其中，在有新的建筑加入所述相似建筑迁移网络的情况下，针对该新的建筑，使该新的建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该新的建筑自身的本地模型的训练参数；将该新的建筑自身的本地模型的训练参数与所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数一起，进行安全聚合处理，得到该新的建筑与所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。
[0010]在一些实施方式中，其中，针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数，包括：针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架中的所述基础能效预测模型进行本地训练，得到该建筑自身的本地模型的训练梯度，记为梯度信息；并将该梯度信息进行加密，得到加密结果，将该加密结果作为该建筑的本地模型的训练参数；相应地，针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，在服务器侧，对所有建筑的本地模型的训练参数进行安全聚合处理，得到聚合梯度信息；并基于该聚合梯度信息更新所述联邦学习框架中的所述基础能效预测模型的训练参数，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。
[0011]在一些实施方式中，其中，针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，选择该建筑的能耗特征参数，作为该建筑自身的运行数据；该建筑的能耗特征参数，包括：时间特征、气象信息、历史能耗和建筑结构信息中的至少之一。
[0012]在一些实施方式中，利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型，包括：针对所述目标建筑，使所述目标建筑基于所述目标建筑自身的运行数据，利用所述联邦模型进行本地训练，得到所述目标建自身的本地模型的训练参数；利用所述目标建自身的本地模型的训练参数，对所述联邦模型的训练参数进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型。
[0013]与上述方法相匹配，本专利技术另一方面提供一种建筑能效预测的装置，包括：获取单元，被配置为获取目标建筑的用能参数，并获取所述目标建筑的运行数据；控制单元，被配置为根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；所述控制单元，还被配置为基于所述目标建筑与所述其他建筑，构建迁移网络，记为相似建筑迁移网络；所述控制单元，还被配置为利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；所述控制单元，还被配置为利用所述目标建筑的运行数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑能效预测的方法，其特征在于，包括：获取目标建筑的用能参数，并获取所述目标建筑的运行数据；根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；基于所述目标建筑与所述其他建筑，构建迁移网络，记为相似建筑迁移网络；利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型；利用所述目标建筑的本地联邦模型，对所述目标建筑进行建筑能效预测。2.根据权利要求1所述的建筑能效预测的方法，其特征在于，根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑，包括：根据所述目标建筑的用能参数，在预设的建筑范围内，选择与所述目标建筑的用能参数的相似程度在设定相似程度范围内的建筑，记为其他建筑；其中，所述目标建筑与所述其他建筑，在建筑类型、建筑所处气候区、建筑结构特性中的至少之一的相似程度在设定相似程度范围内；所述建筑结构特性，包括：窗墙比、维护结构材料、建筑面积和建筑朝向中的至少之一。3.根据权利要求1或2所述的建筑能效预测的方法，其特征在于，预先构建的基础能效预测模型，是基于RNN和BPNN的时序预测方法，预先构建得到的融合RNN和BPNN的混合模型。4.根据权利要求1至3中任一项所述的建筑能效预测的方法，其特征在于，利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：利用联邦学习算法，基于预先构建的基础能效预测模型，搭建联邦学习框架；针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数；针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；其中，在有新的建筑加入所述相似建筑迁移网络的情况下，针对该新的建筑，使该新的建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该新的建筑自身的本地模型的训练参数；将该新的建筑自身的本地模型的训练参数与所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数一起，进行安全聚合处理，得到该新的建筑与所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。5.根据权利要求4所述的建筑能效预测的方法，其特征在于，其中，针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数，包括：针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，使该建筑基于该建筑
自身的运行数据，利用所述联邦学习框架中的所述基础能效预测模型进行本地训练，得到该建筑自身的本地模型的训练梯度，记为梯度信息；并将该梯度信息进行加密，得到加密结果，将该加密结果作为该建筑的本地模型的训练参数；相应地，针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，在服务器侧，对所有建筑的本地模型的训练参数进行安全聚合处理，得到聚合梯度信息；并基于该聚合梯度信息更新所述联邦学习框架中的所述基础能效预测模型的训练参数，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。6.根据权利要求5所述的建筑能效预测的方法，其特征在于，其中，针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，选择该建筑的能耗特征参数，作为该建筑自身的运行数据；该建筑的能耗特征参数，包括：时间特征、气象信息、历史能耗和建筑结构信息中的至少之一。7.根据权利要求1至6中任一项所述的建筑能效预测的方法，其特征在于，利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型，包括：针对所述目标建筑，使所述目标建筑基于所述目标建筑自身的运行数据，利用所述联邦模型进行本地训练，得到所述目标建自身的本地模型的训练参数；利用所述目标建自身的本地模型的训练参数，对所述联邦模型的训练参数进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型。8.一种建筑能效预测的装置，其特征在于，包括：获取单元，被配置为获取目标建筑的用能参数，并获取所述目标建筑的运行数据；控制单元，被配置为根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；所述控制单元，还被配置为基于所述目标建筑...

【专利技术属性】
技术研发人员：袁正波，韩怡茹，向麟昀，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：