贫乏信息下基于深度迁移学习的智慧建筑负荷预测方法

摘要

精确的负荷预测可以显著优化建筑设备运行策略,释放建筑节能潜力,其中基于数据驱动的负荷预测模型得到了广泛关注。然而,一些具有新建数据平台的建筑能够为模型提供的数据非常有限。为了提高在贫乏信息状态下的预测性能,本文建立一种基于因果卷积神经网络结构的深度迁移学习负荷预测模型。首先,引入迁移学习机制,将与目标建筑类型一致的建筑作为源域建筑为模型提供数据;其次,引入全卷积神经网络和因果逻辑约束增强时间序列特征表达,以增加输出神经元的接受域并提升预测精度;最后,以实际工程中的办公建筑为例,对所提出的方法和所建模型进行验证,并将预测结果与长短期记忆网络模型的预测结果相比。结果显示,本文所建模型将预测值与实际值的平均绝对百分比误差和方均根误差系数分别平均降低了22.88%和0.3720。