技术特征：
1.一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：包括以下步骤：s1、现实数据集构建，对建筑物信息、环境信息、电力信息进行数据预处理；s2、特征工程，对所述现实数据集的特征进行时间戳处理、特征选择和特征缩放，得到特征时序矩阵；s3、将特征时序矩阵x＝[x1,x2,...x
n
]
t
输入sge电力预测方法；s4、将sge模型最终电力负荷预测值与电力负荷真实值y进行对比，得出模型的效果。2.根据权利要求1所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s3具体包括以下步骤：s31、特征时序矩阵进入前馈神经网络，进行特征扩充与有效信息过滤；s32、将经过前馈神经网络的x
ff
进行规范化；s33、将经过规范化的特征时序矩阵x
off
输入到sg层；s34、将经过sg层生成的两个特征矩阵x
ein_1
、x
ein_2
与事先经过规范化的特征时序矩阵x
off
输入到编码器中进行运算；s35、经过若干个s34组成的编码器进行运算，输出电力负荷预测结果s36、对于每层神经网络使用adam算法更新。3.根据权利要求2所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s31具体包括以下步骤：s311、特征时序矩阵先输入到前馈神经网络的隐藏层，公式如下：x
ffh
＝xw
ffh
其中，w
ffh
为前馈神经网络层的权重矩阵，x
ffh
为经过前馈神经网络中的隐藏层转换后的特征时序矩阵；s312、特征时序矩阵经过隐藏层，进入sigmoid激活函数，sigmoid激活函数公式如下：s313、特征时序矩阵经过sigmoid激活函数，进入输出层，输出层公式如下：x
ff
＝sigmoid(x
ffh
)w
ff
o其中，w
ffo
为输出层的权重矩阵，x
ff
为经过前馈神经网络的最终输出。4.根据权利要求2所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s32中，将经过前馈神经网络的x
ff
进行规范化，公式如下：其中，normlization(x
ff
)为矩阵归一化方式，e[x
ff
]是x
ff
的期望，var(x
ff
)是x
ff
的方差。5.根据权利要求2所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s33具体包括以下步骤：s331、特征时序矩阵x
off
先输入到轻量级卷积神经网络shufflenetv2中，具体包括以下步骤：s3311、将特征时序矩阵x
off
进行通道分割，输出x
cs
；s3312、将x
csp
进行卷积操作，激活函数为relu，公式如下：
x
cs1
＝conv(x
csp
)x
cs1a
＝relu(x
cs1
)＝max(0,x
cs1
)x
cs2
＝dwconv(x
cs1a
)x
cs3
＝conv(x
cs2
)x
cs3a
＝relu(x
cs3
)＝max(0,x
cs3
)其中，x
csp
为x
cs
分割的一部分，其中p表示所切割后的序号，conv为卷积操作，dwconv是深度卷积操作；s3313、将x
cs
、x
cs3a
进行拼接操作，公式如下：x
csi
＝concat(x
cs
,x
cs3a
)s3313、将x
csi
进行通道混洗操作，促使信息流通，形成矩阵x
cso
；s332、征时序矩阵x
off
与矩阵x
cso
输入规范化残差网络，输出x
grui
，公式如下：x
r1
＝x
off
+x
csoa
其中，e与var分别为期望与方差；s333、将x
grui
输入门控循环单元，获取时序信息，输出x
gruo
，公式如下：重置门：重置门：更新门：更新门：记忆单元：记忆单元：隐藏层：输出：
其中w
(z)
与u
(r)
为权值矩阵，在训练中学习，在学习结束时确定，h
(t-1)
为t时刻之前的隐藏层的状态，为或同运算；s334、征时序矩阵x
off
与矩阵x
gruo
输入规范化残差网络，输出x
ein
，公式如下：x
r2
＝x
off
+x
gruon
6.根据权利要求2所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s34具体包括以下步骤：s341、令q0＝x
ein_1
、k0＝x
ein_2
、v0＝x
off
，输入多头注意力机制进行计算，具体包括以下步骤：s3411、将q
i
、k
i
、v
i
输入n个线性层，所述n为多头注意力机制的头数，公式如下：q
li
＝q
i
w
iq
、k
li
＝k
i
w
ik
、v
li
＝v
i
w
iv
其中，i为其对应的注意力机制模块，i＝1,2,......,n；s3412、将经过线性层的q
li
、k
li
、v
li
输入到不同的注意力机制中进行运算，得到输出head
i
，公式如下：缩放点积注意力公式：softmax公式：注意力机制公式：attention(q,k,v)＝softmax(s(q,k))v多头注意力机制公式：head
i
＝attention(q
li
,k
li
,v
li
)x
mo
＝multihead(q,k,v)＝concat(head1,head2,...,head
n
)其中，d为查询q的长度，k为所对应的注意力机制模块，d
k
为缩放因子,k＝1,2,......,n；s342、多头注意力机制输出的v0与x
mo
输入规范化残差网络，输出x
mon
，公式如下：x
r2
＝x
off
+x
moa
s343、规范化残差网络的x
mon
输入前馈神经网络进行运算，得到x
ffi
；
s343具体包括以下步骤：s3431、矩阵x
mon
先输入到前馈神经网络的隐藏层，公式如下：x
ffi_1
＝x
mon
w
ff_1
其中，w
ff_1
为本层前馈网络的权重矩阵，x
ffi_1
为经过隐藏层后x
mon
；s3432、特征时序矩阵经过隐藏层，进入sigmoid激活函数，sigmoid激活函数公式如下：s3433、特征时序矩阵经过sigmoid激活函数，进入输出层，输出层公式如下：x
ffi
＝sigmoid(x
ffi_1
)w
ffi
s3434、将经过前馈神经网络的x
ffi_1
进行规范化，公式如下：7.根据权利要求1所述的一种基于建筑和环境的神经网络sge电力预测方法，其特征在于：s4具体包括以下步骤：s41、通过均方误差标准衡量，公式如下：其中，y为电力负荷真实值，为电力负荷预测值，n为数据量；s42、通过矫正决定系数标准衡量，公式如下：s42、通过矫正决定系数标准衡量，公式如下：其中，var(y)表示电力负荷真实值y的方差，p是输入特征数；s43、通过平均绝对百分比误差标准衡量，公式如下：
技术总结
本发明公开了一种基于建筑和环境的神经网络SGE电力预测方法，属于深度学习和电力预测技术领域，包括：现实数据集构建，对建筑物信息、环境信息、电力信息进行数据预处理；特征工程，对所述现实数据集的特征进行时间戳处理、特征选择和特征缩放，得到特征时序矩阵；将特征时序矩阵输入SGE电力预测方法；将SGE模型最终电力负荷预测值与电力负荷真实值进行对比，得出模型的效果。本发明SGE模型相较于其他模型可以实现较快的收敛，并且可解释性强，对噪声数据具有一定的鲁棒性，在处理异常数据上有较为优秀的表现。较为优秀的表现。较为优秀的表现。
技术研发人员：宫继兵 赵智永 张锦 赵祎 房小涵 丛方鹏
受保护的技术使用者：燕山大学
技术研发日：2022.07.29
技术公布日：2022/11/15