【技术实现步骤摘要】
本专利技术属于建筑能耗预测，具体涉及一种基于元策略强化学习的建筑能耗预测方法与装置。
技术介绍
1、能耗预测可以在提高建筑能效方面发挥重要作用，因为对建筑能耗的高效预测，可以帮助对能耗的调度管理和建筑的故障检测。除此以外还可以评估不同系统的运行策略，通过对系统能耗的预测来评价系统的应用价值，以此来达到节约能源的目的。随着人工智能技术的发展，机器学习方法被引入到了这一领域。相比于传统的建筑能耗预测方案，机器学习方法有着其适应性强、建模简单等优势，受到了人们的青睐。
2、建筑的能耗预测任务总体可以看作一个回归任务，通过对不同维度的特征进行组合回归得到所需的建筑能源消耗值。而随着神经网络研究的不断发展，其在各领域的回归任务中表现出优异的性能，神经网络通过各层的非线性激活函数来实现对非线性任务的回归。同时，强化学习可以实现对于序列化任务的学习，建筑的能耗预测任务可以划分成序列化的状态。将神经网络及强化学习的相关新兴技术应用于建筑能耗预测中，可以更好的预测建筑能耗，从而进行更好的能源管理。
3、然而在利用神经网络及强化学习...
【技术保护点】
1.一种建筑能耗预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述DDPG深度学习模型的训练过程还包括：
3.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述建筑所在区域的环境数据包括但不限于：气温、风向、风速、露水温度、相对湿度、海平面气压、云层覆盖率。
4.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述时间数据包括但不限于：日期所属的月份、日期处于星期几以及日期处于这一年的第几天。
5.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述MAML预训练阶段
...
【技术特征摘要】
1.一种建筑能耗预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述ddpg深度学习模型的训练过程还包括：
3.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述建筑所在区域的环境数据包括但不限于：气温、风向、风速、露水温度、相对湿度、海平面气压、云层覆盖率。
4.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述时间数据包括但不限于：日期所属的月份、日期处于星期几以及日期处于这一年的第几天。
5.根据权利要求1所述的建筑能耗预测方法，其特征在于，所述maml预训练阶段包括：
6.根据权利要求1所述的建筑能耗预测方法...
【专利技术属性】
技术研发人员：陈阜东，朱晓明，潘欣彤，廖洋，徐好泽，
申请(专利权)人：矽朋微电子无锡有限公司，
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。