【技术实现步骤摘要】
本专利技术涉及智能建筑，具体为基于集成学习的多源域迁移建筑能耗异常检测方法。
技术介绍
1、集成学习是一种机器学习方法，它通过一个有效的规则将多个不同的弱模型组合在一起，从而提高整体性能。在迁移学习的框架下，使用集成学习来整合不同源领域上训练的模型；
2、迁移学习作为机器学习的一个重要分支，为解决这一问题提供了思路。迁移学习是将从一个领域学到的知识应用到另一个领域,通过利用相似场景的数据来辅助训练新场景下的检测模型，取得了显著的成果。然而，当前研究大多聚焦于同一类型或同一地区的单一来源建筑的迁移学习，忽略了不同来源建筑之间的分布差异可能导致的域偏移问题。
3、随着建筑智能化技术的发展，能耗异常检测成为研究重点。然而新的场景中往往缺乏历史数据导致依赖一定数量数据的异常检测方法无法工作，为此，提出基于集成学习的多源域迁移建筑能耗异常检测方法。
技术实现思路
1、本专利技术的目的在于提供基于集成学习的多源域迁移建筑能耗异常检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于集成学习的多源域迁移建筑能耗异常检测方法，包括以下步骤：
3、s1、将n个源域数据和目标域数据组织为n对单源单目标数据集；
4、s2、用不同的内核mmd构建3个gclms，并用n个源域数据对其进行预训练；
5、s3、将每对数据输入到相应的单源域模型gclm1、gclm2、gclm3中，实现单源单目标域自适
6、s4、构建多源多模型强化集成学习模型，强化学习训练；
7、s5、使用策略梯度方法训练和更新强化集成学习模型的参数；
8、s6、获取最佳的投票权重组合，并计算最终的集成结果。
9、作为优选，上述在s1中，所述源域数据和目标域数据中，分别为有源域ds和目标域dt；所述域d的计算公式为：
10、d＝{x,p(x)}
11、其中，p(x)表示边缘概率分布，x表示实例集；
12、所述源域数据集计算公式为：
13、
14、其中，s为总样本数量，xi记为第i个样本，为第i个样本的标签；
15、所述未标记的目标域数据集计算公式为：
16、z＝{zj,j＝1,2,…,t}
17、其中，t为样本的个数，zj为第j个样本。
18、作为优选，上述在s2中，所述ds和dt之间的mmd计算公式为：
19、
20、其中，k(xi,zj)表示核函数，所述核函数可以为高斯核、指数核或多项式核的其中一个。
21、作为优选，上述在s3中，包括如下子步骤：
22、s301、建立单源域迁移学习模型，使用gcn、lstm的迁移学习gclm；
23、s302、将n个源域数据和目标域数据组织为n对单源单目标数据集，对源域集中的每个源域进行多组实验；
24、s303、使用gcn来构建所提出的gclm模型；
25、s304、在模型的lstm层后引入mmd函数。
26、作为优选，上述在s4中，将集成学习与强化学习相结合，实现多源多模型的强化集成；
27、利用集成学习对3n个gclm模型的结果进行组合，得到集成结果,构成多源域迁移学习模型rgclm。
28、作为优选，上述在s5中，所述多源多模型的强化集成包括控制器、构建动作空间、构建奖励函数和集成模型；
29、所述控制器由一个单隐层门控循环单元(gru)和一个softmax分类器构成，控制器输出对动作采样的概率p，gru是rnn的一种有效变体，其计算公式如下：
30、rt＝σ(wr·[ht-1,xt]+br)
31、zt＝σ(wz·[ht-1，xt]+bz)
32、
33、其中，rt是重置门的激活，σ是sigmoid激活函数，wr是重置门的权重矩阵，br是偏置项，ht-1是前一个隐藏状态，xt是当前输入；zt是更新门的激活，wz是更新门的权重矩阵，bz是偏置项；是候选隐藏状态，w是权重矩阵，b是偏置项，tanh是双曲正切激活函数；ht是当前时刻的最终隐藏状态；
34、所述控制器参数记为θc，目标函数计算公式为：
35、
36、其中，第一部分是熵损失；第二部分是权值衰减项；λ为相应的权值衰减参数。
37、作为优选，上述所述构建动作空间为对源目标域数据集输入3个模型中所占用的权重在马尔可夫决策过程不断变化，所以将权重值设为动作空间，即是由3n个元素组成的向量；
38、所述动作表示公式如下：
39、a＝{w1,w2,……,w3n}。
40、作为优选，上述所述构建奖励函数为集成学习的预测标签与多个源域标签之间的mmd的加权和，计算公式为：
41、
42、其中，mk代表的是在每个源域与预测结果之间计算mmd时使用的核函数,为源学习域的实际标签，yt表示为用集成学习算法在目标域上得到的预测标签；
43、所述奖励计算公式为：
44、
45、其中，α为权衡参数，r越大，性能越好。
46、作为优选，上述所述集成模型中控制器生成的合并规格计算公式为：
47、
48、其中，k为源域数据集的类，为每个模型的预测标签结果。
49、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
50、一、本专利技术通过使用多源域迁移学习，能够处理来自不同类型和地区的建筑的数据，从而提供了比单一数据源更广泛的适应性，使得模型能够更全面地理解和解决建筑领域中的异常检测问题，尤其是在缺乏历史数据的新场景中，采用图卷积网络(gcn)和长短期记忆网络(lstm)结合的迁移学习模型，并引入领域自适应机制，本专利技术能够更有效地适应源领域与目标领域间的分布差异，使用最大均值差异(mmd)方法，能够灵活适应不同特征间的分布变化，提高模型的准确性和泛化能力。
51、二、本专利技术通过集成学习的思想，结合强化学习生成的多域多模型增强集成的有效组合规则，优化了模型的整体性能不仅解决了单源域迁移可能产生的域偏移问题，而且充分利用了每个子模型的优势，从而提高了整体的检测效果；相比于传统的单一来源迁移学习模型，本专利技术中的多源迁移学习模型展现了更好的平均性能，在实际应用中，本专利技术能够提供更准确、更可靠的建筑能耗异常检测结果。
52、三、本专利技术相较于传统的单源建筑能源异常检测方法，不仅提高了模型的适应性和准确性，而且通过集成学习和强化学习的结合，实现了在多元化数据源中的优化性能，显著提升了建筑能耗异常检测的效果，不仅解决了传统的图卷积网络在获取全局特征节点相关性较差，且运算效率较低的问题，而且引入了图注意力机制来对检测框架进行改进，实现了更好的全局特征节点之间的本文档来自技高网...
【技术保护点】
1.基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在S1中，所述源域数据和目标域数据中，分别为有源域DS和目标域DT；所述域D的计算公式为：
3.根据权利要求2所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在S2中，所述Ds和DT之间的MMD计算公式为：
4.根据权利要求3所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在S3中，包括如下子步骤：
5.根据权利要求4所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在S4中，将集成学习与强化学习相结合，实现多源多模型的强化集成；
6.根据权利要求5所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在S5中，所述多源多模型的强化集成包括控制器、构建动作空间、构建奖励函数和集成模型；
7.根据权利要求6所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：所述构建动作空间为对源目标域数
8.根据权利要求6所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：所述构建奖励函数为集成学习的预测标签与多个源域标签之间的MMD的加权和，计算公式为：
9.根据权利要求6所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：所述集成模型中控制器生成的合并规格计算公式为：
...【技术特征摘要】
1.基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在s1中，所述源域数据和目标域数据中，分别为有源域ds和目标域dt；所述域d的计算公式为：
3.根据权利要求2所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在s2中，所述ds和dt之间的mmd计算公式为：
4.根据权利要求3所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在s3中，包括如下子步骤：
5.根据权利要求4所述的基于集成学习的多源域迁移建筑能耗异常检测方法，其特征在于：在s4中，将集成学习与强化学习相结合，实现多源多模型的强化集成；
6.根据权利...
【专利技术属性】
技术研发人员：陆悠，张哲，傅启明，陈建平，许犇，陈晨，
申请(专利权)人：苏州科技大学，
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。