[發明專利]訓練建筑物空調負荷預測模型及用其預測的方法和裝置

有效

• 申請號: 201811385600.9
• 申請日: 2018-11-20
• 公開（公告）號: CN109740787B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 呂自薈;周振華
• 申請（專利權）人: 第四范式（北京）技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/08;G06K9/62
• 代理公司: 北京銘碩知識產權代理有限公司 11286
• 代理人: 劉超;蘇銀虹

公開了一種訓練建筑物空調負荷預測模型及用其預測的方法和裝置。該訓練建筑物空調負荷預測模型的方法包括：獲取訓練樣本數據集以及對應的標簽數據，其中，樣本數據包括建筑物環境信息及其采集時間信息，標簽數據包括空調負荷相關信息；對所述訓練樣本數據集中的樣本數據進行特征提取處理，得到訓練樣本特征集；以及基于所述訓練樣本特征集以及對應的標簽數據采用預設的機器學習算法進行訓練，得到建筑物空調負荷預測模型。由此，通過獲取精準預測所需的歷史數據信息，并基于機器學習高效找出上述信息的內在聯系，以較小代價實現對建筑物空調負載的準確預測，實現對能源的高效利用。

技術領域

本發明涉及建筑節能領域，尤其涉及一種訓練建筑物空調負荷預測模型及用其進行預測的方法和裝置。

背景技術

在建筑節能工作中，對建筑能耗進行科學分析和合理預測十分重要。建筑能耗預測可以為建筑供能系統的運行策略優化和建筑節能評估提供依據。空調系統是商業建筑中能耗最大的部分，也是可自由調節的部分。在空調系統能耗與夏季高峰負荷逐年上升的大背景下，空調系統(尤其是大型商用建筑物的空調系統)節能成為當今社會實現可持續發展的關注熱點之一。

建筑能耗受諸多因素影響，其復雜的非線性關系使得建筑能耗難以被精確地預測。

為此，需要一種能以較小代價準確預測建筑物空調負荷的方案。

發明內容

本發明提出了一種使用機器學習算法訓練建筑物空調負荷預測模型以及使用上述模型進行預測的方案。通過獲取隨時間變化的建筑物環境變量，預測模型能夠從歷史數據中習得空調負載的變化規律。進一步地，通過采集涵蓋各類建筑和空調系統和/或各個變化方面且相對容易取得的數據以進行特征提取，能夠獲取準確預測所需的足夠數據信息；同時，通過引入合理的機器學習模型，能夠通過訓練準確找出上述信息的內在聯系，從而以較小代價實現對空調負載的準確預測，實現對能源的高效利用。

根據本發明的一個方面，提出了一種訓練建筑物空調負荷預測模型的方法，包括：獲取訓練樣本數據集以及對應的標簽數據，其中，樣本數據包括建筑物環境信息及其采集時間信息，標簽數據包括空調負荷相關信息；對所述訓練樣本數據集中的樣本數據進行特征提取處理，得到訓練樣本特征集；以及基于所述訓練樣本特征集以及對應的標簽數據采用預設的機器學習算法進行訓練，得到建筑物空調負荷預測模型。隨著建筑能耗管理系統的普及，樓宇監測數據獲取不再困難。基于機器學習的預測模型則能夠有效利用這些數據并通過迭代訓練準確找出歷史數據的內在聯系，從而以較低的數據獲取代價(即，更高的可行性)得到能夠進行準確預測的空調負載預測模型。

優選地，獲取訓練樣本數據集以及對應的標簽數據可以包括：獲取來自不同建筑物的樣本數據及對應的標簽數據，所述樣本數據進一步包括每個建筑物的建筑物基本信息和空調系統基本信息。由此，通過廣泛的樣本來源，獲取能夠應對各類建筑的預測模型。進一步地，獲取的樣本數據及對應提取的特征數據包括針對同一建筑物的不同時刻的狀態的多個樣本。由此，通過海量數據進一步提升模型的通用性，并且通過時序樣本的引入使得模型能夠通過訓練習得建筑能耗與時間變化的內在聯系。

優選地，對所述訓練樣本數據集中的樣本數據進行特征提取處理還可以包括：對所述樣本數據進行處理以獲取衍生變量；以及構造包括衍生變量的樣本特征數據。由此，通過對原始數據的處理和內在特征的提起提取(例如，獲取變化趨勢)，能夠提升預測模型的訓練效率和預測精度。

在一個方面，獲取所述建筑物環境信息及其采集時間信息可以包括獲取建筑物外部環境信息以及采集外部環境信息的時間信息，所述建筑物外部環境信息包括建筑物所處的氣象信息和/或天氣預報信息。

在另一個方面，獲取所述建筑物環境信息及其采集時間信息包括獲取建筑物內部環境信息以及采集內部環境信息的時間信息，所述建筑物內部環境信息包括人員信息。