【技术实现步骤摘要】
本专利技术涉及建筑能耗预测领域，更具体地说，它涉及一种提高建筑能耗预测精度的特征选择方法、装置及介质。
技术介绍
1、建筑节能是国家降低总能源消耗的有效途径之一。建筑能耗预测在实现建筑节能、管理能源供需、规划城市能源、以及异常检测等方面起着关键作用。近年来，由于数据驱动方法具备捕捉复杂非线性关系的能力，因此在建筑能耗预测领域备受关注。然而，数据中的冗余信息和噪声对于预测模型的准确性构成了挑战。为了应对这些挑战，特征选择在数据预处理阶段扮演着至关重要的角色。其任务是识别与目标变量最相关的特征并剔除无关的特征，从而简化模型、提高预测准确性，并更好地满足建筑能耗预测的需求。
2、在建筑能耗预测领域，目前常用的特征选择方法可以分为三类：基于领域知识的方法、基于统计分析的方法以及基于机器学习的方法，每种方法都具有独特的利弊。首先，基于领域知识的方法依赖于专家的经验和建筑物的特定属性来选择特征。这种方法的优势在于它可以充分考虑建筑物的物理特性和运营规则，从而更好地捕捉能源消耗的机制。然而，它可能无法处理不同建筑之间的差异性，也可能忽略了一些非显而易见的特征。其次，基于统计分析的方法采用统计工具来度量特征与目标变量之间的相关性，其中皮尔逊相关系数是常用的工具之一。这种方法的优势在于其简单性和直观性，易于理解和实施。然而，它通常局限于线性关系的捕捉，难以处理复杂的非线性特征关系。最后，基于机器学习的方法利用先进的算法和模型来评估特征的重要性。这些方法通常更灵活，能够捕捉特征之间的复杂非线性关系。然而，它们可能需要更多的计算资源，且对
3、在实际预测过程中，这些传统特征选择方法可能存在一些局限性：首先，它们可能无法全面考虑特征之间复杂的关系，包括线性和非线性关联。其次，它们可能缺乏自动选择最优特征子集的能力，这可能导致预测性能的亚优化。因此，有必要设计一种新的方法，来进一步优化建筑能耗预测的特征选择过程，这将有助于推动建筑节能领域的技术创新，为实现可持续建筑发展和全球能源节约做出贡献。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种提高建筑能耗预测精度的特征选择方法、装置及介质，混合考虑了初始特征子集中的特征与建筑能耗预测模型的线性相关性，从而更全面地评估特征与建筑能耗预测模型之间的关系，并引入了深度强化学习，通过智能体与建筑能耗预测模型的交互学习，不断优化特征选择策略，显著提高了建筑能耗预测的精度。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：一种提高建筑能耗预测精度的特征选择方法，包括如下步骤：
3、s1、获取数据：获取建筑历史能耗数据、天气数据和时间戳，得到特征空间；
4、s2、数据预处理：对特征空间内的特征进行数据预处理，并选择得到初始特征子集；
5、s3、特征选择：基于领域知识预测出多个建筑能耗预测模型，对初始特征子集中的特征与建筑能耗预测模型进行相关性分析，并根据相关性分析结果选择出最佳特征子集，相关性分析的公式为：
6、
7、其中，rxy表示初始特征子集中的特征和建筑能耗预测模型的相关性，x代表当前特征，y代表建筑能耗预测模型，cov(x,y)表示x和y之间的协方差，std(x)代表x的标准差，std(y)代表y的标准差；
8、s4、最佳建筑能耗预测模型的选择：引入深度强化学习算法将最佳特征子集与不同的建筑能耗预测模型进行交互，得到的与最佳特征子集匹配度最高的建筑能耗预测模型即为最佳建筑能耗预测模型。
9、在其中一个实施例中，步骤s2中，先采用局部离群因子算法识别和处理特征空间中的异常特征，再采用最小-最大归一方法对经异常处理后的特征进行标准化处理，得到所述初始特征子集。
10、在其中一个实施例中，步骤s3中具体采用皮尔逊相关系数分析来对初始特征子集中的特征与建筑能耗预测模型进行相关性分析。
11、在其中一个实施例中，步骤s3中，将所述特征选择建模为mdp决策过程，通过引入mdp中的智能体与建筑能耗预测模型进行交互，以进一步选择最佳特征子集，具体方式包括如下步骤：
12、s31、构建智能体状态，每个智能体状态都对应一个初始特征子集，智能体在每个时刻内都会做出选择一个初始特征子集进行删除的决策，智能体状态采用二进制向量表达为：
13、st＝{f1,f2,…,fn}；
14、其中，st表示在时刻t内的智能体状态，f1表示初始特征子集中的第一个特征，fn表示初始特征子集中的第n个特征，n表示经步骤s2移除不相关特征后得到的初始特征子集中特征的数量；
15、s32、构建动作，该动作表示在时刻t内要移除的特征的索引，具体表示为at；
16、s33、构建奖赏函数：根据移除特征前后准确性的差异计算奖励，通过使用负奖励来逐步优化特征选择，激励智能体优先考虑对最佳特征子集更有效的特征，当准确性提高时，分配正奖励，当准确性下降时，给予负奖励，智能体迭代地选择能够提升建筑能耗预测模型的特征，逐渐优化所选的初始特征子集，其使用到的公式为：
17、rt＝-[mae(st)-mae(st-1)]；
18、r＝{r1,r2...rn}；
19、其中，rt为单个特征的奖励，ame(st)为移除特征前的准确性的差异，ame(st-1)为移除特征后的准确性的差异，r为一组初始特征子集的奖励。
20、在其中一个实施例中，在特征选择过程中，引入dqn来对智能体进行策略优化，具体的策略优化方式包括建立两个神经网络，一个为q值网络网络，另一个为目标值网络，在t时刻内，目标值网络值接收智能体状态当前状态st作为输入，并基于q值网络选择要执行的动作at，然后智能体执行动作at后与环境互动，得到下一个时刻t+1的奖赏rt+1，该奖赏rt+1反应了当前特征选择状态下建筑能耗预测模型的性能的改善或下降。
21、在其中一个实施例中，完成步骤s33后，智能体从逐渐优化的所选的初始特征子集中选择一个最佳特征子集，并与当前特征进行交互，生成候选特征子集后被馈送给建筑能耗预测模型进行性能评估，生成奖励值作为反馈提供给智能体，以选择出最佳特征子集。
22、一种计算机存储装置，包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行任一所述的提高建筑能耗预测精度的特征选择方法对应的操作。
23、一种计算机存储介质，所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行任一所述的提高建筑能耗预测精度的特征选择方法对应的操作。
24、综上所述，本专利技术具有以下有益效果：
25、1、本专利技术去除了冗余和无关的特征，使得模型更专注于最具信息量的特征，从而提高了建筑能耗预测的精度；
26、2、本专利技术通过本文档来自技高网...
【技术保护点】
1.一种提高建筑能耗预测精度的特征选择方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的提高建筑能耗预测精度的方法，其特征在于：步骤S2中，先采用局部离群因子算法识别和处理特征空间中的异常特征，再采用最小-最大归一方法对经异常处理后的特征进行标准化处理，得到所述初始特征子集。
3.根据权利要求1所述的提高建筑能耗预测精度的方法，其特征在于：步骤S3中具体采用皮尔逊相关系数分析来对初始特征子集中的特征与建筑能耗预测模型进行相关性分析。
4.根据权利要求3所述的提高建筑能耗预测精度的方法，其特征在于：步骤S3中，将所述特征选择建模为MDP决策过程，通过引入MDP中的智能体与建筑能耗预测模型进行交互，以进一步选择最佳特征子集，具体方式包括如下步骤：
5.根据权利要求4所述的提高建筑能耗预测精度的方法，其特征在于：在特征选择过程中，引入DQN来对智能体进行策略优化，具体的策略优化方式包括建立两个神经网络，一个为Q值网络网络，另一个为目标值网络，在t时刻内，目标值网络值接收智能体状态当前状态st作为输入，并基于Q值网络选择要执行的动作
6.根据权利要求4所述的提高建筑能耗预测精度的方法，其特征在于：完成步骤S33后，智能体从逐渐优化的所选的初始特征子集中选择一个最佳特征子集，并与当前特征进行交互，生成候选特征子集后被馈送给建筑能耗预测模型进行性能评估，生成奖励值作为反馈提供给智能体，以选择出最佳特征子集。
7.一种计算机存储装置，其特征在于：包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至6中任意一项所述的提高建筑能耗预测精度的特征选择方法对应的操作。
8.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行如权利要求1至6中任意一项所述的提高建筑能耗预测精度的特征选择方法对应的操作。
...【技术特征摘要】
1.一种提高建筑能耗预测精度的特征选择方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的提高建筑能耗预测精度的方法，其特征在于：步骤s2中，先采用局部离群因子算法识别和处理特征空间中的异常特征，再采用最小-最大归一方法对经异常处理后的特征进行标准化处理，得到所述初始特征子集。
3.根据权利要求1所述的提高建筑能耗预测精度的方法，其特征在于：步骤s3中具体采用皮尔逊相关系数分析来对初始特征子集中的特征与建筑能耗预测模型进行相关性分析。
4.根据权利要求3所述的提高建筑能耗预测精度的方法，其特征在于：步骤s3中，将所述特征选择建模为mdp决策过程，通过引入mdp中的智能体与建筑能耗预测模型进行交互，以进一步选择最佳特征子集，具体方式包括如下步骤：
5.根据权利要求4所述的提高建筑能耗预测精度的方法，其特征在于：在特征选择过程中，引入dqn来对智能体进行策略优化，具体的策略优化方式包括建立两个神经网络，一个为q值网络网络，另一个为目标值网络，在t时刻内，目标值网络值接收智能体状态当前状态st作为输入，并...
【专利技术属性】
技术研发人员：傅启明，何坤，陈建平，裴莹玲，袁琦，陆悠，王蕴哲，
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：
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。