一种基于迁移学习的建筑负荷预测方法及相关系统技术方案

本发明专利技术属于建筑负荷预测，公开了一种基于迁移学习的建筑负荷预测方法及相关系统，本发明专利技术构建的模型在源建筑和目标建筑之间进行迁移，当目标建筑数据量较少时，可以从源建筑中提取相似特征，进行迁移学习，提高预测精度。该模型适用于历史数据较少的建筑能耗预测。本发明专利技术的特征提取器对噪声具有鲁棒性，可以减小提取私有和公有特征过程中底层共享分布噪声的影响。本发明专利技术不仅能够降低信息的损失，还能够将特征解耦为领域专属特征和领域不变性特征，领域不变性特征用来迁移知识而领域专属特征则被用来降低目标域泛化误差，并且能够提取特征的高层语义。

【技术实现步骤摘要】

本专利技术属于建筑负荷预测，具体涉及一种基于迁移学习的建筑负荷预测方法及相关系统。

技术介绍

1、建筑负荷预测对提高能源调度效率起着至关重要的作用，已成为一个重要的研究课题。其主要问题在于没有一个特定的因素控制建筑的能耗，而是有多种因素影响着能耗的变化。天气条件、建筑规模、建筑类型、电子设备、人类活动等因素均可直接或间接影响预测结果。

2、在过去的几十年里，人们注意到提高能源预测的准确性已经成为一个活跃的问题。许多研究使用传统的统计技术和基于人工智能(ai)的方法来讨论这个问题。

3、目前已经开发并实施了多种能源预测软件，如energyplus、trnsys、doe-2、dest等，但由于建筑信息难以获取，模型难以适应环境变化，且模型构建时间较长，限制了该方法的实际应用。

4、传统的统计技术通常包括自回归综合移动平均(arima)、线性回归和指数平滑。统计方法快速且易于应用，因为它们依赖于线性函数来处理历史数据和预测数据之间的关系。由于时间序列负荷预测是一个非线性问题，这些模型的预测结果并不精确。p>

5、这一问本文档来自技高网...

【技术保护点】

1.一种基于迁移学习的建筑负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，根据源域数据对目标域数据中缺失的数据进行补足后，使用z分数归一化方法和one-hot编码将所有数据转换为所需格式。

3.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，特征提取器利用权重共享的三分支结构从源域数据和目标域数据中提取时间特征。

4.根据权利要求3所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，权重共享的三分支结构分别为源分支、源-目标分支和目标分支；>

5.根据权利...

【技术特征摘要】

1.一种基于迁移学习的建筑负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，根据源域数据对目标域数据中缺失的数据进行补足后，使用z分数归一化方法和one-hot编码将所有数据转换为所需格式。

3.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，特征提取器利用权重共享的三分支结构从源域数据和目标域数据中提取时间特征。

4.根据权利要求3所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，权重共享的三分支结构分别为源分支、源-目标分支和目标分支；

5.根据权利要求4所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，交叉注意力模块的q数据来自于源分支中的q数据，k数据和v数据来自于目标分支中的k数据和v数据；

...

【专利技术属性】
技术研发人员：闫秀英，门琪，吴晓雪，何许馨，夏宇，侯帅旗，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：