一种集成用户用能行为概率模型和注意力机制算法的建筑小时能耗预测方法技术

本发明专利技术属于建筑能源技术领域，提供了一种集成用户用能行为概率模型和注意力机制算法的建筑小时能耗预测方法。具体步骤：S1、对相关数据进行收集和预处理。S2、对建筑用能行为概率模型进行求解。S3、构建能耗预测输入系统。S4、构建能耗预测模型，输入采用S3中重构的参数，算法采用以CNN过程和SE注意力机制优化的LSTM模型。S5、输出能耗预测结果。本发明专利技术提供一种既能较好地反映实时的人

【技术实现步骤摘要】
一种集成用户用能行为概率模型和注意力机制算法的建筑小时能耗预测方法


[0001]本专利技术涉及一种集成用户行为概率模型和注意力机制算法的建筑能耗预测方法。具体涉及在建筑能耗预测的输入系统中集成用户用能行为概率模型，并在训练算法中集成注意力机制共同组成一种改进的建筑能耗预测方法，属于建筑能源


技术介绍

[0002]全球能源危机和日益增长的环境问题促使人们越来越关注城市和社会的可持续发展，而随着“碳达峰”和“碳中和”目标的提出，建筑节能减排与建筑能耗预测等研究课题均成为重要研究方向。目前，随着建筑用能中的灵活性和弹性问题被越来越重视，小时尺度的建筑能耗预测的重要性进一步加大。由于小时尺度、准确性、在线性的限制，数据驱动的能耗预测方法受到广泛认可。而目前，随着智能算法技术的发展，各类先进的算法强化了建筑能耗预测工作。进而技术人员可以依据能耗预测进一步开展能耗统计、节能潜力分析、能源供需匹配优化等工作，这对建筑可持续发展起到了重要的作用。但从多年运行的实际情况看，现存的能耗预测方法体系仍面临一些问题和挑战：1)用户复杂且随机的用能行为难以被集成入能耗预测体系，以至于现有能耗预测方法很难反映实时的人
‑
建筑环境
‑
建筑能源系统的交互，降低了预测准确性。2)现存的方法选择的智能算法容易出现陷入局部最优、计算时间长、收敛困难和预测准确性差等问题。
[0003]针对于以上的问题，国内外许多专家和学者采用不同的方法对其做了大量的研究。针对第一个问题，他们普遍采用将1)人数、2)出席/占用/上座率、3)关键设备设定值(如空调温度设定值)、4)设备运行时间表集成入预测方法中进行应对。但是人数和占用率往往仅可以衡量用户在某时刻的存在而非行为规律。因为很多情景下人数与用能无绝对联系，如有些建筑自第一人进入后开灯，之后再进入的人数不影响灯具的开启。关键设备设定值难以覆盖全部用能行为，如插座的使用。运行时间表则需要大量实时的调查数据，不具备实时应用的可能性。针对第二个问题，他们普遍采用1)优化数据处理、2)优化超参数选择、3)同时优化数据处理和超参数选择几类路径。其中路径1)的代表性方法是将卷积神经网络(Convolutional Neural Networks,CNN)集成入基础算法，而路径2)的代表性方法是将群智能优化算法集成入基础算法。目前基础算法通常选择长短期记忆人工神经网络(Long Short
‑
Term Memory NeuralNetworks,LSTM)。但是经过上述优化过程后，仍存在计算时间长、收敛困难和预测准确性差等问题。本专利技术针对于上述方法遇到的问题，提出一个新型建筑用户用能行为概率模型并将其集成入能耗预测输入中，并提出挤压和激励(Squeeze
‑
and
‑
Excitation，SE)注意力机制和CNN过程集成入LSTM算法中形成一种新型训练算法，命名为CNN
‑
LSTM
‑
SE。这种方法适用于各类建筑，可以较好实时的人
‑
建筑环境
‑
建筑能源系统的交互，可以通过CNN过程优化数据处理，可以通过SE注意力机制优化超参数选择，实现在较少计算时间消耗下大幅度提高建筑能耗预测准确性。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种能较好反映实时的人
‑
建筑环境
‑
建筑能源系统的交互，也能优化数据处理和超参数选择以加强预测准确性的建筑小时能耗预测方法。
[0005]本专利技术的技术方案：
[0006]一种集成用户用能行为概率模型和注意力机制算法的建筑小时能耗预测方法，步骤如下：
[0007]S1、对相关数据进行收集和预处理；
[0008]S1.1、对能耗关联数据进行收集
[0009]收集建筑小时总能耗与各分项设备能耗和建筑各分项设备用能时长；其中，各分项设备包括空调设备、照明设备和插座设备；建筑各分项设备用能时长即各分项设备在各小时实际运行分钟总数；
[0010]S1.2、对室内环境关联数据进行收集
[0011]收集建筑各个区域、每小时室内空气温度和二氧化碳浓度，并记录监测点位个数；
[0012]S1.3、对室外气象关联数据进行收集
[0013]收集建筑所在位置每小时室外空气温度、空气湿度、太阳净辐射强度；
[0014]S2、对建筑用户用能行为概率模型进行求解；
[0015]用能行为包括空调设备使用行为、照明设备使用行为和插座设备使用行为；三类行为概率模型求解具体如下：
[0016][0017]其中，P代表建筑用户用能行为概率；T
i
,T
i+1
分别代表概率求解时刻(如i＝7,T
i
–
T
i+1
代表7:00
–
8:00)；j代表用能分项设备编号，m代表该用能分项对应的总设备数(例如某建筑有10台空调机，则m＝10,j＝1,2,3
…
,10)；ΔT
j
代表T
i
–
T
i+1
时段内第j号分项设备的用能时长；ΔT0代表T
i
–
T
i+1
时段内总时长，为1小时；
[0018]S3、构建能耗预测输入系统；
[0019]将历史能耗数据、时间、室内环境参数、室外气象参数、建筑用户用能行为概率整合为能耗预测输入；历史能耗数据为预测时刻的前一小时能耗值，来源于S1.1中收集的建筑小时总能耗；室内环境参数来源于S1.2中收集的各个区域、每小时室内空气温度和二氧化碳浓度，并取各位置数据的平均值；室外气象参数来源于S1.3中收集的每小时室外空气温度、空气湿度、太阳净辐射强度；建筑用户用能行为概率来源于S2中求解的用户用能行为概率模型；
[0020]S4、构建能耗预测模型，命名为CNN
‑
LSTM
‑
SE模型；
[0021]S4.1、输入数据
[0022]将S3中获取的历史能耗数据、时间、室内环境参数、室外气象参数、用能行为概率作为初始输入；
[0023]S4.2、构建CNN
‑
LSTM
‑
SE训练模型
[0024]首先构建卷积层，使用CNN过程对输入数据进行自动特征提取；其次对卷积层的输
出进行池化操作，采用平均池化；而后构建主体LSTM层，接收经过池化的特征图作为输入进行训练建模；最后在LSTM层之后引入SE注意力机制，构建SE层，SE注意力机制通过学习得到的权重来对时序数据进行加权注意力处理，以增强模型对关键信息的关注；
[0025]S4.3、构建训练与评估过程
[0026]使用训练数据对CNN
‑
LSTM
‑
SE训练模型进行训练，并使用验证集进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成用户用能行为概率模型和注意力机制算法的建筑小时能耗预测方法，其特征在于，步骤如下：S1、对相关数据进行收集和预处理；S1.1、对能耗关联数据进行收集收集建筑小时总能耗与各分项设备能耗和建筑各分项设备用能时长；其中，各分项设备包括空调设备、照明设备和插座设备；建筑各分项设备用能时长即各分项设备在各小时实际运行分钟总数；S1.2、对室内环境关联数据进行收集收集建筑各个区域、每小时室内空气温度和二氧化碳浓度，并记录监测点位个数；S1.3、对室外气象关联数据进行收集收集建筑所在位置每小时室外空气温度、空气湿度、太阳净辐射强度；S2、对建筑用户用能行为概率模型进行求解；用能行为包括空调设备使用行为、照明设备使用行为和插座设备使用行为；三类行为概率模型求解具体如下：其中，P代表建筑用户用能行为概率；T
i
,T
i+1
分别代表概率求解时刻；j代表用能分项设备编号，m代表该用能分项对应的总设备数；ΔT
j
代表T
i
–
T
i+1
时段内第j号分项设备的用能时长；ΔT0代表T
i
–
T
i+1
时段内总时长，为1小时；S3、构建能耗预测输入系统；将历史能耗数据、时间、室内环境参数、室外气象参数、建筑用户用能行为概率整合为能耗预测输入；历史能耗数据为预测时刻的前一小时能耗值，来源于S1.1中收集的建筑小时总能耗；室内环境参数来源于S1.2中收集的各个区域、每小时室内空气温度和二氧化碳浓度，...

【专利技术属性】
技术研发人员：赵天怡，张城瑀，王鹏，赵宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：