【技术实现步骤摘要】
本专利技术属于建筑负荷预测，尤其是基于仿真数据与元学习方法的建筑热负荷小样本预测方法。
技术介绍
1、优化暖通空调系统的运行是实现建筑节能的重要途径。准确预测建筑的冷热负荷是优化暖通空调系统运行的前提，具有重要的指导意义。因此，准确预测建筑冷热负荷是当前急需解决的问题。目前，预测建筑热负荷的方法主要分为物理模型（白箱模型）和数据驱动模型（黑箱模型）两种。白箱模型的代表包括energyplus、trnsys等软件，但这些模型需要精确的建筑信息作为输入，而这通常难以获取。随着大数据技术的发展，建筑运行数据变得越来越丰富，因此数据驱动模型也得到了迅速发展。然而，在面对新建建筑、少监控建筑或涉及数据隐私问题时，可用于训练的数据较少，数据驱动模型容易发生过拟合，难以获得良好效果。在解决这种少样本建筑热负荷预测问题时，如何扩充和利用数据是解决问题的关键。
2、利用其他建筑的丰富数据辅助目标建筑建模是一种常用方法。其他建筑的丰富数据中蕴含着建筑运行情况与热负荷之间的隐性知识，能够学习并利用这些知识就能够辅助目标数据建模，降低预测误差。然而，使用实际建筑作为源建筑同样存在问题，建筑运行数据往往并不对外公开，而公开的建筑数据集又过于老旧，无法用于解决实际问题。相比之下，仿真建筑数据虽然可能因为无法获得建筑的真实参数而导致偏差，但是其低廉的获取成本以及方便的获取方式使其能够大量生成负荷数据，从而弥补偏差，因此从仿真建筑中作为源建筑同样是一种可行的方法。
3、在扩充数据后，对于数据的利用同样重要。直接将其与目标建筑的数据集合并
4、因此，有必要建立一个对同类建筑都能有效解决少样本负荷预测问题的具有高通用性的基础模型。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出基于仿真数据与元学习方法的建筑热负荷小样本预测方法，通过使用仿真建筑数据代替真实建筑数据，一方面降低了数据成本，另一方面丰富了数据的多样性。同时通过元学习方法提取源数据特征，得到一个适用于同一类建筑的热负荷小样本预测基础模型。小样本预测基础模型能够仅使用目标建筑的少量数据进行微调即可得到适用于目标建筑的热负荷预测模型。
2、本专利技术解决其技术问题是采取以下技术方案实现的：
3、基于仿真数据与元学习方法的建筑热负荷小样本预测方法，包括以下步骤：
4、步骤1、根据目标建筑的建筑类型选择合适的典型建筑模型来确定仿真建筑的几何外形，并根据建筑规范文件设定仿真建筑参数的标准值和取值范围；
5、步骤2、设置步骤1中建筑参数的概率分布，并根据概率分布进行蒙特卡洛抽样，得到代表建筑不同使用情况的不同建筑参数集；
6、步骤3、根据步骤2中得到的建筑参数集进行建筑仿真，得到建筑在不同使用情况下的热负荷数据作为源建筑数据，并对各组源数据进行标准化；
7、步骤4、将每一组源建筑数据都构建为一个单独的元任务，并使用元学习方法在元任务上进行训练，得到一个适用于同一类建筑的热负荷小样本预测基础模型；
8、步骤5、对于数据不足的目标建筑，使用步骤4中得到的基础模型的参数对目标任务模型进行参数初始化，并使用目标建筑的数据进行少次训练，得到适用于目标建筑的热负荷预测模型；
9、步骤6、使用步骤5中训练好的热负荷预测模型对目标建筑的热负荷进行预测。
10、而且，所述步骤1中仿真建筑参数包括建筑外形、围护结构参数、内扰参数、时刻表四类。
11、而且，所述步骤2中建筑参数的概率分布为：建筑外形与时刻表两类参数的概率分布应设置为均匀分布，围护结构参数与内扰参数两类参数的概率分布应设置为正态分布。
12、而且，所述步骤3的具体实现方法为：使用sketchup 软件搭建仿真建筑的几何模型，并使用python中的eppy库与energyplus软件实现建筑的批量仿真与热负荷计算，并对各组源数据进行标准化。
13、而且，所述标准化的具体实现方法为：
14、；
15、其中，为数据的平均值，为数据的标准差，为原始数据，为标准化后的数据。
16、而且，所述步骤4中每个元任务包括支持集、查询集和基学习器，其中，支持集在每轮局部训练开始前，从源建筑数据的前70%数据中抽取一天数据构成；基学习器用于机器学习模型；查询集由每个源建筑数据的后30%数据组成，固定不变。
17、而且，所述步骤4中元学习方法包括局部更新与全局更新，其中；
18、局部学习：对于每个元任务，首先将基学习器的模型参数初始化为元学习器的模型参数，然后使用支持集更新基学习器参数，最后使用查询集测试基学习器得到局部损失；
19、对于每一个元任务，将其基学习器参数初始化为元学习器参数：
20、
21、其中，为元任务所对应的基学习器的模型参数，为元学习器的模型参数，而后对于每一个基学习器，使用其对应的支持集进行参数更新：
22、其中，代表基学习器在支持集上所得损失，代表对于参数求取梯度，为局部学习率，接着在对应的查询集上进行测试得到局部损失：
23、
24、其中，代表元任务在进行完本轮局部学习后得到的局部损失，代表基学习器在查询集上所得损失，在所有元任务都进行参数更新并得到局部损失后，本轮局部学习结束；
25、全局学习：将每个元任务的局部损失整合为全局损失，使用全局损失更新元学习器参数，然后返回局部学习继续进行循环；
26、其中：全局学习的过程如下所示：
27、首先计算全局损失：
28、
29、其中，为全局损失，接着对元学习器的参数进行更新：
30、
31、其中，代表对于元学习器参数求取梯度，为全局学习率。
32、而且，所述步骤4中得到一个适用于同一类建筑的热负荷小样本预测基础模型的具体实现方法为：在全局学习次数达到指定次数后得到的元模型为小样本预测基础模型。
33、本专利技术的优点和积极效果是：
34、本专利技术通过使用原型建筑进行建筑仿真，代替真实建筑进行数据收集，从而降低了成本，并增加本文档来自技高网...
【技术保护点】
1.基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述1中仿真建筑参数包括建筑外形、围护结构参数、内扰参数、时刻表四类。
3.根据权利要求2所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤2中建筑参数的概率分布为：建筑外形与时刻表两类参数的概率分布应设置为均匀分布，围护结构参数与内扰参数两类参数的概率分布应设置为正态分布。
4.根据权利要求3所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤3的具体实现方法为：使用SketchUp 软件搭建仿真建筑的几何模型，并使用Python中的eppy库与EnergyPlus软件实现建筑的批量仿真与热负荷计算，并对各组源数据进行标准化。
5.根据权利要求4所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述标准化的具体实现方法为：
6.根据权利要求5所述的基于仿真数据与元学习方法的建筑
7.根据权利要求6所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤4中元学习方法包括局部更新与全局更新，其中；
8.根据权利要求7所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤4中得到一个适用于同一类建筑的热负荷小样本预测基础模型的具体实现方法为：在全局学习次数达到指定次数后得到的元模型为小样本预测基础模型。
...【技术特征摘要】
1.基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述1中仿真建筑参数包括建筑外形、围护结构参数、内扰参数、时刻表四类。
3.根据权利要求2所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤2中建筑参数的概率分布为：建筑外形与时刻表两类参数的概率分布应设置为均匀分布，围护结构参数与内扰参数两类参数的概率分布应设置为正态分布。
4.根据权利要求3所述的基于仿真数据与元学习方法的建筑热负荷小样本预测方法，其特征在于：所述步骤3的具体实现方法为：使用sketchup 软件搭建仿真建筑的几何模型，并使用python中的eppy库与energyplus软件实现建筑的批量仿真与热负荷计算，并对各组源数据进行标准化。
5.根据...
【专利技术属性】
技术研发人员：陈彬，刘裕德，于波，王翠敏，张凡，杨延春，吴明雷，袁新润，魏立勇，石琳光，韩慎朝，卢德志，李晓波，陈百霞，王寅龙，李吉津，李红明，曹晓男，朱伯苓，李民，刘长利，郭晓丹，王嘉庚，隋淑慧，丁玲，孙学文，石枫，蔡林静，张荣荣，
申请(专利权)人：国网天津综合能源服务有限公司，
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。