一种建筑能耗负荷的预测方法、训练方法和预测装置与流程

本申请涉及建筑能耗预测，具体涉及一种建筑能耗负荷的预测方法、训练方法和预测装置。

背景技术：

1、目前，空调系统(hvac)的耗能通常占据公共建筑运行能耗的30％-50％以上，由于空调系统是按照最大需求来设计的，在实际使用过程中大部分时间处于部分负载状态，这会导致空调系统在特定工况下出现工作效率低下和能源浪费的现象。建筑能耗负荷预测可以帮助优化空调系统的控制策略，通过对未来时刻的空调系统的建筑能耗负荷的预测，可以确定最优的运行工况和设定点，制定合理的空调运行策略。

2、针对建筑能耗负荷预测目前已有多种方法，传统的统计回归分析方法比如差分自回归移动平均模型，应用广泛且原理简单，但是，这种方法对数据的要求较高，并且预测建筑能耗负荷的精度较低，无法满足对于建筑能耗负荷预测的需求。

技术实现思路

1、针对现有技术中存在的上述技术问题，提出了本申请。本申请旨在提供一种建筑能耗负荷的预测方法、训练方法和预测装置，其能够基于真实采集的建筑能耗负荷数据对预测模型的参数进行调节以进行训练，能够得到优化预测模型并且能够基于优化预测模型提高对于建筑能耗负荷进行预测的准确度。

2、根据本申请的第一方案，提供一种建筑能耗负荷的预测方法，所述预测方法包括：基于第一数据集，获取在参考时刻之前的第一时间段内的建筑能耗负荷的多个第一差值数据，所述第一差值数据为第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值；获取在参考时刻之后的第二时间段内的建筑能耗负荷总和的第一数据，相对于在参考时刻之前的第三时间段内的建筑能耗负荷总和的第二数据的第二差值数据；以各个第一差值数据作为输入数据，以各个第二差值数据作为输出数据，对进行建筑能耗负荷预测的预测模型进行训练；获取在训练过程中的预测值，在预测值与实际值之间的差异小于阈值的情况下，完成训练并得到优化预测模型；基于第二数据集，获取在目标时刻之前的第一时间段内的建筑能耗负荷的多个第三差值数据，所述第三差值数据为第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值，以使得优化预测模型以各个第三差值数据作为输入数据进行预测，以得到预测建筑能耗负荷；对所述预测建筑能耗负荷进行反差分处理，以得到目标建筑能耗负荷。

3、根据本申请的第二方案，提供一种预测建筑能耗负荷的神经网络模型的训练方法，所述训练方法包括：以各个第一差值数据作为神经网络模型的输入数据，其中，所述第一差值数据为基于训练集确定的在参考时刻之前的第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值；以第二差值数据作为神经网络模型的输出数据，所述第二差值数据为基于训练集确定的在参考时刻之后的第二时间段内的建筑能耗负荷总和的第一数据，相对于在参考时刻之前的第三时间段内的建筑能耗负荷总和的第二数据的偏差；基于所述第一差值数据和第二差值数据，对所述神经网络模型进行训练。

4、根据本申请的第三方案，提供一种建筑能耗负荷的预测装置，所述预测装置包括处理器，所述处理器配置为：基于第一数据集，获取在参考时刻之前的第一时间段内的建筑能耗负荷的多个第一差值数据，所述第一差值数据为第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值；获取在参考时刻之后的第二时间段内的建筑能耗负荷总和的第一数据，相对于在参考时刻之前的第三时间段内的建筑能耗负荷总和的第二数据的第二差值数据；以各个第一差值数据作为输入数据，以各个第二差值数据作为输出数据，对进行建筑能耗负荷预测的预测模型进行训练；获取在训练过程中的预测值，在预测值与实际值之间的差异小于阈值的情况下，完成训练并得到优化预测模型；基于第二数据集，获取在目标时刻之前的第一时间段内的建筑能耗负荷的多个第三差值数据，所述第三差值数据为第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值，以使得优化预测模型以各个第三差值数据作为输入数据进行预测，以得到预测建筑能耗负荷；对所述预测建筑能耗负荷进行反差分处理，以得到目标建筑能耗负荷。

5、根据本申请的第四方案，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行根据本申请实施例所述的建筑能耗负荷的预测方法或本申请实施例所述的预测建筑能耗负荷的神经网络模型的训练方法。

6、与现有技术相比，本申请实施例的有益效果在于：

7、本申请实施例提供的建筑能耗负荷的预测方法，对采集到的建筑能耗负荷进行差分处理，将第一时间段内的建筑能耗负荷的多个第一差值数据作为输入数据，将各个第二差值数据作为输出数据，来对预测模型进行训练，并根据预测值与实际值之间的差异，对预测模型中的各个参数进行优化和调节，直到预测值与实际值之间的差异小于阈值的情况下，完成训练并得到优化预测模型。该优化预测模型基于实际采集的建筑能耗负荷的数据进行训练得到，并且以第二差值数据作为输出数据进行训练，能够提高优化预测模型对建筑能耗负荷的预测准确度。

8、以第二数据集中的第三差值数据作为输入数据，基于优化预测模型，对目标时刻之后的建筑能耗负荷进行预测，并对预测建筑能耗负荷进行反差分处理，以得到目标建筑能耗负荷。如此，能够提高对于建筑能耗负荷的预测准确度，有利于基于预测出的建筑能耗负荷对空调系统等的运行状况进行合理规划，从而提高空调系统的工作效率，降低资源浪费。

9、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，而可依照说明书的内容予以实施，并且为了让本申请的上述说明和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

技术特征：

1.一种建筑能耗负荷的预测方法，其特征在于，所述预测方法包括：

2.根据权利要求1所述的预测方法，其特征在于，所述输入数据还包括与建筑能耗负荷相关的相关参数数据，所述相关参数数据至少包括天气温度数据、湿度数据、风速、二次泵运行频率、二次供水温度。

3.根据权利要求1所述的预测方法，其特征在于，获取第一时间段内的相邻的两个代表时间的建筑能耗负荷的差值，具体包括：

4.根据权利要求1所述的预测方法，其特征在于，获取所述第一数据、第二数据的具体方法包括：

5.根据权利要求1所述的预测方法，其特征在于，所述第二时间段为预测时间段或预测时间段中的部分时间段。

6.根据权利要求1所述的预测方法，其特征在于，对所述预测建筑能耗负荷进行反差分处理，以得到目标建筑能耗负荷，具体包括：

7.一种预测建筑能耗负荷的神经网络模型的训练方法，其特征在于，所述训练方法包括：

8.根据权利要求7所述的训练方法，其特征在于，所述神经网络模型为lstm模型，且在对lstm模型进行训练的过程中，采用贝叶斯优化算法对lstm模型的模型参数进行优化，以使得在优化过程中的平均绝对百分比误差处于阈值误差范围内。

9.根据权利要求7所述的训练方法，其特征在于，所述输入数据还包括与建筑能耗负荷相关的相关参数数据，所述相关参数数据至少包括天气温度数据、湿度数据、风速、二次泵运行频率、二次供水温度。

10.一种建筑能耗负荷的预测装置，其特征在于，所述预测装置包括处理器，所述处理器配置为：

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行根据权利要求1-6任一项所述的建筑能耗负荷的预测方法或权利要求7所述的预测建筑能耗负荷的神经网络模型的训练方法。

技术总结本申请提供一种建筑能耗负荷的预测方法、训练方法和预测装置。所述预测方法包括获取第一差值数据和第二差值数据，以第一差值数据作为输入数据，以第二差值数据作为输出数据，对进行建筑能耗负荷预测的预测模型进行训练；在预测值与实际值之间的差异小于阈值的情况下，完成训练并得到优化预测模型；基于第二数据集，获取第三差值数据，以使得优化预测模型以各个第三差值数据作为输入数据进行预测，以得到预测建筑能耗负荷；对预测建筑能耗负荷进行反差分处理，以得到目标建筑能耗负荷。如此，能够提高预测建筑能耗负荷的准确度。技术研发人员：王长欣,刘韶鹏,肖捷,邢一凡受保护的技术使用者：北京云庐科技有限公司技术研发日：技术公布日：2024/8/5