建筑能耗预测模型的构建方法、能耗预测方法及装置

摘要

本申请涉及一种建筑能耗预测模型的构建方法、能耗预测方法及装置，涉及计算机领域，包括：获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；采用预先构建的能耗预测模型，预测得到目标建筑在预测日日期内对应的逐时能耗。建筑能耗预测模型采用迁移学习的方法训练获得。可以解决传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。

说明书

技术领域

本申请涉及建筑能耗预测模型的构建方法、能耗预测方法及装置，属于计算机技术领域。

背景技术

建筑能耗(即建筑的运行能耗)是建筑运行过程中各类设备(例如暖通空调、照明、办公设备)的用能总和，建筑能耗占社会总能耗的约四分之一，其中绝大部分能耗是在建筑运行过程中产生的，在建筑中更好的应用可再生能源将有助于“碳中和”目标的实现。然而，大多数可再生能源具有较为明显的不稳定性，不加以控制的使用方式有可能对电网造成冲击。在建筑领域采用分布式光伏储能系统，可以更大程度的利用可再生能源，减少对电网的冲击。在分布式光伏储能系统的基础上，需要对预测短期建筑能耗，以科学的制定储能、放能策略。

随着人工智能的发展，神经网络方法在建筑能耗预测上得到广泛应用。这种模型擅长解决非线性问题，大量研究结果表明，基于机器学习技术的建筑能耗预测方法在描述数据变量之间的复杂关系方面具有优势。在传统的基于深度学习的预测方法中，主要通过对建筑的实际运行数据拟合建立相应的预测模型。

传统的机器学习方法，建筑的实际运行数据之间的关系可能是非线性且复杂的，通常需要构建参数较多的复杂模型来提高预测的准确度。在数据量不足的情况下，容易出现模型的过拟合问题，从而导致预测模型不准确。其次，通过传统的机器学习方法得到的预测模型，由于只包含了训练集中的目标建筑，因此并不能很好的推广至其他项目中应用。

发明内容

本申请提供了一种建筑能耗预测模型的构建方法、能耗预测方法及装置，可以解决传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。

本申请提供如下技术方案：

第一方面，提供了一种建筑能耗预测模型的构建方法，所述方法包括：

获取预训练样本数据，所述预训练样本数据包括多种不同建筑的预测日日期数据、运行环境数据、历史能耗数据以及第一标签，所述第一标签指示不同建筑在预测日日期内对应的逐时能耗；

基于所述预训练样本数据，对构建的深度神经网络进行预训练，得到预训练模型；

获取训练样本数据，所述训练样本数据包括待研究建筑的预测日日期数据、运行环境数据和历史能耗数据以及第二标签，所述标签指示待研究建筑在预测日日期内对应的逐时能耗；

基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。

第二方面，提供一种建筑能耗预测模型的构建装置，所述装置包括：

第一数据获取模块，用于获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗；

预训练模块，用于基于所述预训练样本数据，对所述深度神经网络进行预训练，得到预训练模型；

第二数据获取模块，用于获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗；

迁移学习模块，用于基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。

第三方面，提供一种建筑能耗预测方法，所述方法包括：

获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据，所述基础数据包括目标建筑的建模类型及运行模式；

采用如第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。

第四方面，提供一种建筑能耗预测装置，所述装置包括：

第三数据获取模块，用于获取待预测目标建筑的实际运行数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；

能耗预测模块，用于采用第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。

第五方面，提供一种建筑能耗预测系统，所述系统包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现本申请第三方面所述的建筑能耗预测方法的步骤。

第六方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现本申请第一方面所述的建筑能耗预测模型的构建方法的步骤或者本申请第三方面所述的建筑能耗预测方法的步骤。

本申请的有益效果在于：本申请的预测模型构建方法采用迁移学习，首先将其他不同建筑的运行数据作为训练数据，预训练神经网络模型，然后再将待研究的建筑的实际运行数据作为训练数据，对得到的预训练神经网络模型进行优化训练，得到最终的能耗预测模型。由于预训练过程中采用了不同的建筑运行数据进行模型训练，训练数据更充足，从而提高预测的准确度，同时，因为是采用了不同建筑的运行数据进行预训练，因此学习到的模型参数适用范围更广，能很好的推广至其他项目中应用。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。

附图说明

图1是本申请一个实施例提供的实现能耗预测方法及装置的系统构架示意图；

图2是本申请一个实施例提供的能耗预测模型的构建方法的流程图；

图3是本申请另一个实施例提供的建筑能耗预测方法的流程图；

图4是本申请另一个实施例提供的能耗预测模型的构建装置的结构图；

图5是本申请一个实施例提供的建筑能耗预测装置的结构图；

图6是本申请另一个实施例提供的建筑能耗预测系统的结构图。

具体实施方式

下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

图1是本申请一个实施例提供的能够实现建筑能耗预测方法及预测装置的系统构架示意图。如图1所示，该系统构架包括：模型构建服务器、客户端计算机设备，其中，预训练服务器与客户端计算机设备建立网络连接，预训练服务器用于构建建筑能耗预测模型，客户端计算机设备用于根据构建的能耗预测模型，预测得到目标建筑在预设时段内的能耗。

该系统构架还包括建筑能耗数据库、天气预报API和项目信息录入终端，其中，建筑能耗数据和天气预报API用于为预训练服务器或者客户端计算机设备提供建筑的运行数据信息，项目信息录入终端用于提供建筑的基础数据，以实现能耗预测模型的构建以及目标建筑的能耗预测。

所述天气预报API是一个提供未来天气预报数据的一个API调用接口，通过该API调用接口可以获取历史及未来天气数据。所述建筑能耗数据库用于提供建筑的历史能耗数据。所述项目信息录入终端主要用于录入项目的基本信息，例如建筑类型、建筑面积、建筑的运行模型(工作日、假期等)等基础数据。

图2是本申请一个实施例提供的建筑能耗预测模型的构建方法流程图，本实施例以该方法应用于图1所示的模型构建服务器中，且各个步骤的执行主体为该系统中的模型构建服务器为例进行说明。该方法包括以下几个步骤：

S201：获取预训练样本数据。

本实施例所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗。

其中，运行数据包括不同建筑的历史能耗数据、预设时段内的气象预测数据和所处季节，基础数据包括建筑类型、建筑面积、预设时段内的运行模式(工作日、假期等)。

S202：基于所述预训练样本数据，对构建的深度神经网络进行预训练，得到预训练模型。

本实施例的深度神经网络采用双向循环神经网络，包含一维卷积层、循环层、嵌入层，一维卷积层用于提取时间特征；循环层用于捕捉时间特征之间的相互作用，其中循环单元为长短期记忆单元，并集成双向操作，即反向输入时间顺序和丢弃法，以此提高循环层的性能并防止过拟合；建筑类型、运行模式等语义输入数据通过嵌入层转为可用的数值格式。

通过网格搜索法确定网络的卷积层和滤波器数、卷积核大小和步幅、循环层和循环单元数、激活函数及丢弃率，以将网络结构调整至最佳。

S203：获取训练样本数据。

本实施例所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述第二标签指示待研究建筑在预设时段内对应的逐时能耗。

S204：基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。

在预训练中，已经确定了网络的结构，预训练模型参数反映了一定的建筑泛化特征，通过迁移学习对网络参数的微调，使得预测结果更能够反映目标建筑的真实特性。

可选地，对构建的深度神经网络进行预训练，包括：

将所述预训练样本数据输入构建的深度神经网络中，得到建筑能耗的第一预测结果；

根据第一损失函数，确定所述预测结果与所述第一标签之间的第一误差；

基于所述第一误差，对所述深度循环神经网络进行迭代训练；

当所述第一误差达到预设的误差范围时，得到预训练模型。

可选地，对所述预训练模型进行迁移学习优化，包括：

将所述训练样本数据输入预训练模型中，得到建筑能耗的第二预测结果；

根据第二损失函数，确定所述第二预测结果与所述第二标签之间的第二误差；

基于所述第二误差，对所述预训练模型进行迭代训练；

本实施例的迭代训练可使用两种策略进行网络参数的微调：第一种是利用预训练模型进行特征提取，除输出层外的整个预训练模型都直接使用相应的预训练参数，根据待研究建筑的训练样本数据学习输出层中的参数；第二种策略是使用预训练模型的权重用于初始化训练过程，并使用待研究建筑的训练样本数据进行微调。

当所述第二误差达到预设的误差范围时，得到能耗预测模型。

图3是本申请一个实施例提供的建筑能耗预测方法的流程图，本实施例以该方法应用于图1所示的客户端计算机设备中，且各个步骤的执行主体为该系统中的客户端计算机设备为例进行说明。该方法包括以下几个步骤：

S301：获取待预测目标建筑的实际运行数据和基础数据。

具体地，所述实际运行数据包括：运行环境数据和历史能耗数据。基础数据包括：目标建筑的建筑类型和运行模式。

本申请实施例获得历史能耗数据可以是目标建筑的历史7天逐时能耗数据。假如想要预测未来24h～72h的建筑能耗，则需要获取的运行环境数据包括未来24h～72h的气象预测数据以及所处季节。获取的基础数据包括：目标建筑的建筑类型(例如，居住建筑，公共建筑，工业建筑和农业建筑等)，以及未来24h～72h的运行模式(工作日模式、假期模式等)。

S302：采用预先构建的能耗预测模型，预测得到目标建筑在预设时段内的能耗。

本实施例获得的是目标建筑在未来24h～72h的建筑能耗逐时预测值。能耗预测模型的构建请参见上述建筑能耗预测模型的构建方法实施例。

综上所述，本实施例提供的建筑能耗预测模型的构建方法，采用迁移学习，首先将其他不同建筑的运行数据作为训练数据，预训练神经网络模型，然后再将待研究的建筑的实际运行数据作为训练数据，对得到的预训练神经网络模型进行优化训练，得到最终的能耗预测模型。由于预训练过程中采用了不同的建筑运行数据进行模型训练，训练数据更充足，从而提高预测的准确度，同时，因为是采用了不同建筑的运行数据进行预训练，因此学习到的模型参数适用范围更广，能很好的推广至其他项目中应用。解决了传统机器学习方法因为只对目标建筑的实际运行数据拟合，并建立相应的预测模型，由于数据量不足，预测结果不准确，且不能推广至其他项目中应用的问题。

图4是本申请一个实施例提供的建筑能耗预测模型的构建装置的框图，本实施例以该装置应用于图1所示的系统构架的模型构建服务器为例进行说明。该装置至少包括以下几个模块：

第一数据获取模块，用于获取预训练样本数据，所述预训练样本数据包括多种不同建筑的基础数据、运行数据以及第一标签，所述第一标签指示不同建筑在预设时段内的逐时能耗；

预训练模块，用于基于所述预训练样本数据，对所述深度神经网络进行预训练，得到预训练模型；

第二数据获取模块，用于获取训练样本数据，所述训练样本数据包括待研究建筑的基础数据、运行数据以及第二标签，所述标签指示待研究建筑在预设时段内对应的逐时能耗；

迁移学习模块，用于基于所述训练样本数据，对所述预训练模型进行迁移学习优化，得到优化后的能耗预测模型。

相关细节参考上述建筑能耗模型的构建方法实施例。

图5是本申请另一个实施例提供的建筑能耗预测模型的构建装置的框图，本实施例以该装置应用于图1所示的系统构架的客户端计算机设备为例进行说明。该装置至少包括以下几个模块：

第三数据获取模块，用于获取待预测目标建筑的实际运行数据和基础数据；所述实际运行数据包括待预测目标建筑的运行环境数据和历史能耗数据；基础数据包括目标建筑的建筑类型和运行模式。

能耗预测模块，用于采用本申请实施例第一方面构建的能耗预测模型，预测得到目标建筑在未来预设时段内对应的逐时能耗。

相关细节参考上述建筑能耗预测方法实施例。

需要说明的是：上述实施例中提供的建筑能耗预测模型的构建装置和建筑能耗预测装置在进行模型构建和能耗预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将建筑能耗预测模型的构建装置和建筑能耗预测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的建筑能耗预测模型的构建装置、建筑能耗预测装置分别对应与建筑能耗预测模型的构建方法、建筑能耗预测方法的实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图6是本申请一个实施例提供的建筑能耗预测系统的框图，该系统可以是：智能手机、平板电脑、笔记本电脑、台式电脑或服务器，建筑能耗预测系统还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等，本实施例对此不作限定。该系统至少包括处理器和存储器。

处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics ProcessingUnit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的建筑能耗预测方法。

在一些实施例中，建筑能耗预测系统可选包括有：外围设备接口和至少一个外围设备。处理器、存储器和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。

当然建筑能耗预测系统还可以包括更少或更多的组件，本实施例对此不作限定。

可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的建筑能耗预测方法或者建筑能耗预测模型的构建方法。

可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的建筑能耗预测方法或者建筑能耗预测模型的构建方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。