基于LSTM的办公建筑能耗短期预测优化方法及系统技术方案

本申请涉及建筑能耗预测技术领域，尤其涉及一种基于LSTM的办公建筑能耗短期预测优化方法及系统，其中方法包括：获取建筑数据，并基于多维变量对所述建筑数据进行预处理；输入所述建筑数据并将其分类成不同的数据集，将所述数据集进行转换而得到监督型数据；利用LSTM算法设定训练模型基础参数，更新模型参数并得到最优训练模型；判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型，输出预测结果。本申请有效解决了传统的数据驱动方法对数据的简化处理过于粗糙，会导致有效信息的丢失，从而难以实现准确且快速地能耗预测的问题。问题。问题。

【技术实现步骤摘要】
基于LSTM的办公建筑能耗短期预测优化方法及系统


[0001]本申请涉及建筑能耗预测
，尤其涉及一种基于LSTM的办公建筑能耗短期预测优化方法及系统。

技术介绍

[0002]近年来随着建筑年耗电量的逐年上升，建筑能耗已经成为建筑节能监管和主要改造的对象，同时随着大数据和人工智能技术的发展，为建筑能耗的预测提供了数据基础和建模分析的算法。建筑能耗预测方法大致可以分为3类：模型驱动方法、数据驱动方法和混合驱动方法。模型驱动方法建立了建筑的物理仿真模型，数据驱动方法可分为统计回归法和机器学习法，混合驱动方法则是模型驱动方法和数据驱动方法的结合。
[0003]其中在用数据驱动方法进行预测时，较为传统的方法需要用到自回归移动平均模型或者差分自回归移动平均模型对采集的数据进行处理，但是由于建筑系统能耗是一个非线性的模型，具有动态性、不确定性等随机特性，传统的数据驱动方法对数据的简化处理过于粗糙，会导致有效信息的丢失，从而难以实现准确且快速地能耗预测。

技术实现思路

[0004]本申请提供了一种基于LSTM的办公建筑能耗短期预测优化方法及系统，可以解决传统的数据驱动方法对数据的简化处理过于粗糙，会导致有效信息的丢失，从而难以实现准确且快速地能耗预测问题。本申请提供如下技术方案：
[0005]第一方面，本申请提供一种基于LSTM的办公建筑能耗短期预测优化方法，所述方法包括：
[0006]获取建筑数据，并基于多维变量对所述建筑数据进行预处理；
[0007]输入所述建筑数据并将其分类成不同的数据集，将所述数据集进行转换而得到监督型数据；
[0008]利用LSTM算法设定训练模型基础参数，更新模型参数并得到最优训练模型；
[0009]判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型，输出预测结果。
[0010]在一个具体的可实施方案中，所述获取建筑数据，并基于多维变量对所述建筑数据进行预处理中：
[0011]所述多维变量包括每栋建筑的节假日、季节效应、气候以及历史能耗数据等因素。
[0012]在一个具体的可实施方案中，所述获取建筑数据，并基于多维变量对所述建筑数据进行预处理包括：
[0013]采用斯皮尔曼方法对所述建筑数据进行相关性分析；
[0014]选取对能耗预测目标值最有效的特征；
[0015]通过离散比标准化对所述建筑数据进行归一化处理。
[0016]在一个具体的可实施方案中，所述输入所述建筑数据并将其分类成不同的数据集
包括：
[0017]基于建筑的日均能耗将所述建筑数据分类为工作日数据集和非工作日数据集。
[0018]在一个具体的可实施方案中，所述将所述数据集进行转换而得到监督型数据包括：
[0019]先将所述建筑数据转换成列表数据；
[0020]再对所述列表数据进行线性归一化；
[0021]最后根据不用的序列长度生成不同的数据形成序列数据集，从而得到监督型数据。
[0022]在一个具体的可实施方案中，所述判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型包括：
[0023]历史最优模型在调用时选取损失函数最低的；
[0024]在训练过程中采用SmoothL1损失函数，为了模型能够有更为突出的表现，对smooth L1损失函数进行了适应性改进，为smooth L1损失函数引入了k值(惩罚项)，针对性的加重了损失惩罚，具体如下：
[0025]smooth L1损失函数为：
[0026][0027]改进后的smooth L1损失函数为：
[0028][0029]k值的作用在于加重L1Loss损失函数和L2Loss损失函数在模型中应用的比例。
[0030]在一个具体的可实施方案中，所述判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型，输出预测结果之后还包括：
[0031]动态训练对所述训练模型参数进行迭代修正。
[0032]第二方面，本申请提供一种基于LSTM的办公建筑能耗短期预测优化系统，采用如下的技术方案：
[0033]一种基于LSTM的办公建筑能耗短期预测优化系统，包括：
[0034]数据处理模块，用于获取建筑数据，并基于多维变量对所述建筑数据进行预处理；
[0035]数据转换模块，用于输入所述建筑数据并将其分类成不同的数据集，将所述数据集进行转换而得到监督型数据；
[0036]模型训练模块，用于利用LSTM算法设定训练模型基础参数，更新模型参数并得到最优训练模型；
[0037]结果输出模块，用于判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型，输出预测结果。
[0038]第三方面，本申请提供一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的一种基于LSTM的办公建筑能耗短期预测优化方法。
[0039]第四方面，本申请提供一种计算机可读存储介质，所述存储介质中存储有程序，所
述程序被处理器执行时用于实现如权利要求1至7任一项所述的一种基于LSTM的办公建筑能耗短期预测优化方法。
[0040]综上所述，本申请的有益效果至少包括：能够对建筑能耗的源数据进行数据处理，解决数据质量不高的问题。同时对输入数据进行类型转换，建立序列数据和标签数据，完善了训练模型的输入。针对不同的能耗数据训练了不同的预测模型，对得到的训练模型进行了动态更新和参数优化。
[0041]通过考虑影响办公建筑能耗的多维变量，包括每栋建筑的节假日、季节效应、气候、历史能耗数据等因素；对每栋建筑数据进行预处理，采用
‘
斯皮尔曼
’
方法进行相关性分析，对原始数据集时间和特征维度上进行相关性分析，选取对能耗预测目标值最有效的特征；再通过离散比标准化对特征参数的数据进行归一化处理；并构建基于长短期记忆LSTM网络的短期能耗预测模型；经过离散化处理的数据作为训练样本对LSTM短期能耗预测模型进行训练，并输出预测结果，动态训练对模型参数进行迭代修正，最终实现短期能耗预测。可以解决传统的数据驱动方法对数据的简化处理过于粗糙，会导致有效信息的丢失，从而难以实现准确且快速地能耗预测问题。
[0042]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
[0043]图1是本申请一个实施例提供的基于LSTM的办公建筑能耗短期预测优化方法的流程示意图。
[0044]图2是本申请一个实施例提供的基于LSTM的办公建筑能耗短期预测优化方法的举例示意图。
[0045]图3是本申请一个实施例提供的基于LSTM的办公建筑能耗短期预测优化系统的结构框图。
[0046]图4是本申请一个实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述方法包括：获取建筑数据，并基于多维变量对所述建筑数据进行预处理；输入所述建筑数据并将其分类成不同的数据集，将所述数据集进行转换而得到监督型数据；利用LSTM算法设定训练模型基础参数，更新模型参数并得到最优训练模型；判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型，输出预测结果。2.根据权利要求1所述的基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述获取建筑数据，并基于多维变量对所述建筑数据进行预处理中：所述多维变量包括每栋建筑的节假日、季节效应、气候以及历史能耗数据等因素。3.根据权利要求1所述的基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述获取建筑数据，并基于多维变量对所述建筑数据进行预处理包括：采用斯皮尔曼方法对所述建筑数据进行相关性分析；选取对能耗预测目标值最有效的特征；通过离散比标准化对所述建筑数据进行归一化处理。4.根据权利要求1所述的基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述输入所述建筑数据并将其分类成不同的数据集包括：基于建筑的日均能耗将所述建筑数据分类为工作日数据集和非工作日数据集。5.根据权利要求1所述的基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述将所述数据集进行转换而得到监督型数据包括：先将所述建筑数据转换成列表数据；再对所述列表数据进行线性归一化；最后根据不用的序列长度生成不同的数据形成序列数据集，从而得到监督型数据。6.根据权利要求1所述的基于LSTM的办公建筑能耗短期预测优化方法，其特征在于，所述判断所述数据集类型并调用所述数据集对应的历史数据以及历史最优模型包括：历史...

【专利技术属性】
技术研发人员：裴莹玲，马杰，程奇，袁琦，
申请(专利权)人：苏州思萃融合基建技术研究所有限公司，
类型：发明
国别省市：