基于深度特征融合网络的建筑能耗预测方法及系统与流程

本发明涉及能耗预测，尤其是指一种基于深度特征融合网络的建筑能耗预测方法及系统。

背景技术：

1、准确的能耗预测对电力系统的设计规划和电力分配等政策的制定具有重要意义，同时也可为用户画像、异常检测等提供辅助。随着智慧城市的发展，大数据成为时代的重要特征，建筑能耗预测方法的研究已不再受到数据量的约束，这推动了数据驱动模型在该领域的发展应用。近些年，基于神经网络的方法得到了大量研究者的关注，这受益于其对复杂场景的建模能力和对各种异构数据的适应性。人工神经网络ann作为经典模型，在建筑能耗预测领域的表现明显优于传统的基于统计回归的方法，已经得到了广泛的应用。近些年，该领域的研究者们进行了深度网络模型应用的探索，代表性的有卷积神经网络cnn、长短期记忆循环神经网络lstm和其变体bi-lstm等，也有研究构建了cnn-lstm，借助cnn的局部感知能力和lstm的时序建模能力，利用深层网络结构捕获输入序列中更多的信息。

2、此外，考虑到建筑能耗的趋势受到居住者行为的显著影响呈现出规律性变化，一些研究引入影响居住者行为的相关因素(如时间因素和气象因素)作为模型输入的一部分。然而，现有的方法忽略了这些影响因素与能耗潜在相关的特性，在丰富输入特征的同时引入了大量的干扰信息，限制了预测精度的提升。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术在能耗预测中特征提取不充分和易受冗余信息干扰的问题。

2、为解决上述技术问题，本发明提供了一种基于深度特征融合网络的建筑能耗预测方法，其包括以下步骤：

3、s1、对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成和其中，ct表示编码后时间特征数量，li表示输入序列长度，lo表示预测序列长度；

4、s2、对气象因素数据中的连续型变量进行归一化处理，生成对所述气象因素数据中的离散型变量进行one-hot编码，生成其中，cs和cd分别表示连续气象特征数量和离散气象特征数量；

5、s3、将th、tf、ws、wd分别输入特征嵌入网络，并分别生成时间嵌入特征fth、时间嵌入特征ftf、气象嵌入特征fws和气象嵌入特征fwd；

6、s4、对历史能耗序列数据进行归一化处理，生成历史能耗序列e；

7、s5、根据不同的时间跨度k，将历史能耗序列e转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征fe；

8、s6、连接特征fth、ftf、fws、fwd、fe，并使用神经网络的线性层进行特征融合，得到特征f；

9、s7、设置可训练权重参数，将历史能耗序列e与特征f进行加权相加，然后输入多层感知机，得到最终的预测结果。

10、在本发明的一个实施例中，所述特征嵌入网络由卷积核大小为a×a的一维卷积层和全连接层fc构成，且每个卷积层后面有relu激活函数；其中，a≥3。

11、在本发明的一个实施例中，步骤s5包括：

12、根据不同的时间跨度k和预设图高h，对历史能耗序列e进行二维转换生成图g；然后，将基于不同时间跨度生成的g分别送入由1×1卷积层、3×3卷积层和池化层构成的多尺度卷积网络，其中池化层由平均池化层和最大池化层组成。

13、在本发明的一个实施例中，所述对历史能耗序列e进行二维转换生成图g，如下：

14、g[i，：]＝e[(i×k)：(i×k+w)]

15、其中，w＝li-h+1为二维图的宽度，且i×k+w≤li；转换过程中使用滑动窗口对序列进行遍历，时间跨度决定了二维图中每行数据之间的间隔，也即相隔的时间差。

16、在本发明的一个实施例中，所述归一化处理的公式如下：

17、

18、其中，xt表示t时刻的输入变量，max和min分别表示预设的最大值和最小值。

19、在本发明的一个实施例中，所述时间因素包括月、小时、星期、日类型；所述气象因素数据中的离散型变量包括天气、室外温度、相对湿度、相对湿度、大气压强。

20、本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

21、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

22、本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。

23、本发明还提供了一种基于深度特征融合网络的建筑能耗预测系统，其包括以下模块：

24、时间因素模块，用于对历史时间因素数据和未来时间因素数据分别进行one-hot编码，并分别生成和其中，ct表示编码后时间特征数量，li表示输入序列长度，lo表示预测序列长度；

25、气象因素模块，用于对气象因素数据中的连续型变量进行归一化处理，生成对所述气象因素数据中的离散型变量进行one-hot编码，生成其中，cs和cx分别表示连续气象特征数量和离散气象特征数量；

26、时间和气象嵌入特征生成模块，用于将th、tf、ws、wd分别输入特征嵌入网络，并分别生成时间嵌入特征fth、时间嵌入特征ftf、气象嵌入特征fws和气象嵌入特征fwd；

27、历史能耗模块，用于对历史能耗序列数据进行归一化处理，生成历史能耗序列e；

28、多跨度时间融合模块，用于根据不同的时间跨度k，将历史能耗序列e转换为二维空间上不同尺寸的图，然后将转换的图送入多尺度卷积网络进行特征提取，最后通过加权合并操作，计算生成能耗嵌入特征fe；

29、特征融合模块，用于连接特征fth、tft、fws、fwd、fe，并使用神经网络的线性层进行特征融合，得到特征f；

30、预测模块，用于设置可训练权重参数，将历史能耗序列e与特征f进行加权相加，然后输入多层感知机，得到最终的预测结果。

31、本发明的上述技术方案相比现有技术具有以下优点：

32、本发明基于深度特征融合网络的建筑能耗预测方法根据设置的时间跨度将一维序列转换为二维空间的图，强化了建筑能耗序列的周期信息，且模块中嵌入了改造的多尺度卷积，有利于进一步挖掘输入序列的空间信息和时间特征。

33、同时，将时间因素、气象因素和历史能耗序列的嵌入特征进行融合，有利于捕获各种异构因素之间的关联和它们对未来能耗的影响，从而提取影响因素中的有用信息，避免大量冗余信息对预测任务的干扰。

34、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

技术特征：

1.基于深度特征融合网络的建筑能耗预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述特征嵌入网络由卷积核大小为a×a的一维卷积层和全连接层fc构成，且每个卷积层后面有relu激活函数；其中，a≥3。

3.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，步骤s5包括：

4.根据权利要求3所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述对历史能耗序列e进行二维转换生成图g，如下：

5.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述归一化处理的公式如下：

6.根据权利要求1所述的基于深度特征融合网络的建筑能耗预测方法，其特征在于，所述时间因素包括月、小时、星期、日类型；所述气象因素数据中的离散型变量包括天气、室外温度、相对湿度、相对湿度、大气压强。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到6任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到6任一项所述方法的步骤。

9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到6任一项所述的方法。

10.基于深度特征融合网络的建筑能耗预测系统，其特征在于，包括以下模块：

技术总结
本发明涉及能耗预测技术领域，公开了一种基于深度特征融合网络的建筑能耗预测方法及系统。本发明基于深度特征融合网络的建筑能耗预测方法根据设置的时间跨度将一维序列转换为二维空间的图，强化了建筑能耗序列的周期信息，且模块中嵌入了改造的多尺度卷积，有利于进一步挖掘输入序列的空间信息和时间特征。同时，将时间因素、气象因素和历史能耗序列的嵌入特征进行融合，有利于捕获各种异构因素之间的关联和它们对未来能耗的影响，从而提取影响因素中的有用信息，避免大量冗余信息对预测任务的干扰。

技术研发人员：田青,张琦,孔军
受保护的技术使用者：江苏鼋博群智能技术有限公司
技术研发日：
技术公布日：2024/1/12