【技术实现步骤摘要】
本专利技术涉及建筑物能耗预测，特别涉及一种运用不连续时序数据的建筑能耗预测方法和系统。
技术介绍
1、区域供热是一项重要的公共能源服务，由热源、供热网络和热消费者组成。由于缺乏准确的区域供热负荷预测，能源系统运行策略通常效率低下。这导致大量不必要的能源浪费。供暖过度和不均匀是目前中国最大的供热损失因素。由于供热系统具有供热规模大、耦合性强、热惯性大、热参数难以确定等特点，供需平衡总存在时滞。
2、现有建筑能耗预测方法多采用基于连续时序数据的深度学习方法。它假设时间的最小粒度是小时。根据t时刻的近期历史数据，训练模型预测(t+1)时刻的建筑能耗(以小时为单位)。一旦获得时间(t+1)的建筑能耗，就将其作为输入数据来预测时间(t+2)的建筑能耗。以此类推，得到建筑物在后续时间的能耗，一直迭代到时间(t+24)。从计算结果中选取部分时刻的建筑能耗，即模型预测结果。
技术实现思路
1、本专利技术提供了一种运用不连续时序数据的建筑能耗预测方法和系统，用以解决现有技术中深度学习预测多基于连续时序数据，没有考虑数据的周期性，预测误差通常会随着时间的推移而增加的问题：
2、本专利技术提出的一种运用不连续时序数据的建筑能耗预测方法，所述建筑能耗预测方法包括：
3、s1：获取建筑物的历史能耗数据，并按照日期范围将所述历史数据划分为训练数据集和测试数据集；
4、s2：对所述训练数据集和测试数据集中的数据进行预处理，获得带有预处理后的数据的训练数据集和测试数
5、s3：利用时间不连续滑窗规则设置时间不连续滑窗；
6、s4：利用带有预处理后的数据的训练数据集和测试数据集对深度学习模型进行训练和测试，获得训练和测试后的深度学习模型。
7、进一步的，获取建筑物的历史能耗数据，并按照日期范围将所述历史数据划分为训练数据集和测试数据集，包括：
8、s11：对所述建筑物对应的数据库进行扫描，提取所述数据库中的历史能耗数据；
9、s12：设置训练数据集和测试数据集对应的日期范围；
10、s13：按照所述训练数据集和测试数据集对应的日期范围将所述历史数据划分为训练数据集和测试数据集。
11、进一步的，对所述训练数据集和测试数据集中的数据进行预处理，获得带有预处理后的数据的训练数据集和测试数据集，包括：
12、s21：对所述训练数据集和测试数据集中的数据进行异常值去除处理，获得异常值去除处理后的训练数据集和测试数据集；
13、s22：对所述异常值去除处理后的训练数据集和测试数据集进行缺失值填充，获得缺失值填充后的训练数据集和测试数据集；
14、s23：利用三角函数对所述缺失值填充后的训练数据集和测试数据集进行周期性特征处理；其中，所述三角函数对应的计算公式如下：
15、
16、其中，xnew是经过三角变换得到的特征，x是原始特征，t是特征的周期；通过上式转换后的特征可以更好地反映周期性，且取值在[0,1]之间；
17、s24：将所述训练数据集和测试数据集的数据所包含的所有变量(包括未进行周期性处理的变量)的尺度转换到0-1的范围，获得归一化后的数据，同时，根据以下公式替换每个初始值：
18、
19、其中，x是原始特征的值；xmin和xmax分别是原始特征的最小值和最大值，并且x′是通过min-max归一化转换的值。
20、进一步的，所述时间不连续滑窗规则为：时间窗口由前一天24小时数据、前一周相应日期24小时数据和前一年相应日期24小时数据构成。
21、进一步的，利用带有预处理后的数据的训练数据集和测试数据集对深度学习模型进行训练和测试，获得训练和测试后的深度学习模型，包括：
22、s41：将带有预处理后的数据的训练数据集和测试数据集输入至深度学习模型，其中，所述深度学习模型包括cnn模块和lstm模块，并且，所述cnn模块和lstm模块级联组成；
23、s42：利用所述带有预处理后的数据的训练数据集和测试数据集对所述深度学习模型进行训练和测试。
24、本专利技术提出的一种运用不连续时序数据的建筑能耗预测系统，所述建筑能耗预测系统包括：
25、数据获取模块：获取建筑物的历史能耗数据，并按照日期范围将所述历史数据划分为训练数据集和测试数据集；
26、数据处理模块：对所述训练数据集和测试数据集中的数据进行预处理，获得带有预处理后的数据的训练数据集和测试数据集；
27、滑窗设置模块：利用时间不连续滑窗规则设置时间不连续滑窗；
28、模型获得模块：利用带有预处理后的数据的训练数据集和测试数据集对深度学习模型进行训练和测试，获得训练和测试后的深度学习模型。
29、进一步的，所述数据获取模块，包括：
30、数据提取模块：对所述建筑物对应的数据库进行扫描，提取所述数据库中的历史能耗数据；
31、日期设置模块：设置训练数据集和测试数据集对应的日期范围；
32、数据集划分模块：按照所述训练数据集和测试数据集对应的日期范围将所述历史数据划分为训练数据集和测试数据集。
33、进一步的，所述数据处理模块，包括：
34、异常值处理模块：对所述训练数据集和测试数据集中的数据进行异常值去除处理，获得异常值去除处理后的训练数据集和测试数据集；
35、缺失值填充模块：对所述异常值去除处理后的训练数据集和测试数据集进行缺失值填充，获得缺失值填充后的训练数据集和测试数据集；
36、特征处理模块：利用三角函数对所述缺失值填充后的训练数据集和测试数据集进行周期性特征处理；
37、其中，所述三角函数对应的计算公式如下：
38、
39、其中，xnew是经过三角变换得到的特征，x是原始特征，t是特征的周期；通过上式转换后的特征可以更好地反映周期性，且取值在[0,1]之间；
40、归一化模块：将所述训练数据集和测试数据集的数据所包含的所有变量(包括未进行周期性处理的变量)的尺度转换到0-1的范围，获得归一化后的数据，同时，根据以下公式替换每个初始值：
41、
42、其中，x是原始特征的值；xmin和xmax分别是原始特征的最小值和最大值，并且x′是通过min-max归一化转换的值。
43、进一步的，所述时间不连续滑窗规则为：时间窗口由前一天24小时数据、前一周相应日期24小时数据和前一年相应日期24小时数据构成。
44、进一步的，所述模型获得模块，包括：
45、输入模型模块：将带有预处理后的数据的训练数据集和测试数据集输入至深度学习模型，其中，所述深度学习模型包括cnn模块和lstm模块，并且，所述cnn模块和lstm模块级联组成；
46、训练测试模块：利用所述带有预本文档来自技高网...
【技术保护点】
1.一种运用不连续时序数据的建筑能耗预测方法，其特征在于，所述建筑能耗预测方法包括：
2.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，获取建筑物的历史能耗数据，并按照日期范围将所述历史数据划分为训练数据集和测试数据集，包括：
3.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，对所述训练数据集和测试数据集中的数据进行预处理，获得带有预处理后的数据的训练数据集和测试数据集，包括：
4.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，所述时间不连续滑窗规则为：时间窗口由前一天24小时数据、前一周相应日期24小时数据和前一年相应日期24小时数据构成。
5.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，利用带有预处理后的数据的训练数据集和测试数据集对深度学习模型进行训练和测试，获得训练和测试后的深度学习模型，包括：
6.一种运用不连续时序数据的建筑能耗预测系统，其特征在于，所述建筑能耗预测系统包括：
7.根据权利要求6所述运用不连续
8.根据权利要求6所述运用不连续时序数据的建筑能耗预测系统，其特征在于，所述数据处理模块，包括：
9.根据权利要求6所述运用不连续时序数据的建筑能耗预测系统，其特征在于，所述时间不连续滑窗规则为：时间窗口由前一天24小时数据、前一周相应日期24小时数据和前一年相应日期24小时数据构成。
10.根据权利要求6所述运用不连续时序数据的建筑能耗预测系统，其特征在于，所述模型获得模块，包括：
...【技术特征摘要】
1.一种运用不连续时序数据的建筑能耗预测方法，其特征在于，所述建筑能耗预测方法包括：
2.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，获取建筑物的历史能耗数据，并按照日期范围将所述历史数据划分为训练数据集和测试数据集，包括：
3.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，对所述训练数据集和测试数据集中的数据进行预处理，获得带有预处理后的数据的训练数据集和测试数据集，包括：
4.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，所述时间不连续滑窗规则为：时间窗口由前一天24小时数据、前一周相应日期24小时数据和前一年相应日期24小时数据构成。
5.根据权利要求1所述运用不连续时序数据的建筑能耗预测方法，其特征在于，利用带...
【专利技术属性】
技术研发人员：王肖，王斌，费洲华，陈栋，季晗，马辰天，纪相财，程亮，李佳佳，
申请(专利权)人：浙江城建煤气热电设计院股份有限公司，
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。