[發明專利]基于深度級聯生成對抗網絡的建筑能耗預測方法及相關產品

有效

• 申請號: 202010964722.4
• 申請日: 2020-09-15
• 公開（公告）號: CN112183826B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 胡書山;王鵬;余日季
• 申請（專利權）人: 湖北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/0464;G06N3/0442;G06F18/214;G06F30/13;G06N3/045;G06Q50/08;G06F119/06
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 王媛

1.一種基于深度級聯生成對抗網絡的建筑能耗預測方法，其特征在于，所述方法通過生成對抗網絡實現，所述生成對抗網絡中包括生成器和判別器，所述生成器中包括對稱殘差網絡、空間注意力機制、雙向長短期記憶網絡、時序注意力機制；所述方法包括：

將建筑的空間因子輸入所述對稱殘差網絡，通過所述對稱殘差網絡提取所述建筑的空間特征，其中，所述空間因子指所述建筑的形體特征；

通過所述空間注意力機制對所述空間特征進行局部特征量化，得到量化后的空間特征；

將所述量化后的空間特征與所述建筑的時序因子輸入至所述雙向長短期記憶網絡，得到所述建筑的時序特征，其中，所述時序因子指所述建筑室外和室內時序狀態，將天氣、日程數據作為時序因子的數據源；

通過所述時序注意力機制對所述時序特征進行局部特征量化，得到時空因子聯合特征；

根據所述時空因子聯合特征預測得到所述建筑的能耗數據；

其中，所述判別器用于在訓練生成器時判別所述生成器輸出的預測能耗數據的真實性。

2.根據權利要求1所述的方法，其特征在于，所述對稱殘差網絡中包括卷積模塊和解卷積模塊，所述卷積模塊中包括K個殘差塊，所述解卷積模塊中包括K個解卷積塊，其中，所述K為大于或等于1的整數；

所述將建筑的空間因子輸入對稱殘差網絡，通過所述對稱殘差網絡提取所述建筑的空間特征，包括：

通過所述卷積模塊中的K個殘差塊將所述空間因子進行卷積處理，得到中間特征；

通過所述解卷積模塊中的K個解卷積塊將所述中間特征進行解卷積處理，得到所述建筑的空間特征。

3.根據權利要求1所述的方法，其特征在于，所述空間注意力機制包括通道注意力模塊和空間注意力模塊；所述通過空間注意力機制對所述空間特征進行局部特征量化，得到量化后的空間特征，包括：

將所述空間特征輸入至所述通道注意力模塊，得到通道注意力權重，并根據所述空間特征和所述通道注意力權重得到第一特征；

將所述第一特征輸入至所述空間注意力模塊，得到空間注意力權重，并根據所述第一特征和所述空間注意力權重得到所述量化后的空間特征。

4.根據權利要求1所述的方法，其特征在于，所述雙向長短期記憶網絡包括向前傳播網絡和向后傳播網絡；

所述將所述量化后的空間特征與所述建筑的時序因子輸入至雙向長短期記憶網絡，得到所述建筑的時序特征，包括：

將所述量化后的空間特征與所述建筑的時序因子輸入所述向前傳播網絡，得到所述建筑的第一時序特征；

將所述量化后的空間特征與所述建筑的時序因子輸入所述向后傳播網絡，得到所述建筑的第二時序特征；

根據所述第一時序特征和所述第二時序特征構建得到所述建筑的時序特征。

5.根據權利要求1至4中任一項所述的方法，其特征在于，所述方法還包括：

將建筑的空間因子樣本和時序因子樣本輸入至生成對抗網絡的生成器，得到所述建筑的預測能耗數據；

獲取真實能耗數據，將所述預測能耗數據和所述真實能耗數據輸入至所述生成對抗網絡的判別器，得到所述真實能耗數據和所述預測能耗數據的判別結果；

根據所述判別結果調整所述生成器和所述判別器的參數。

6.根據權利要求5所述的方法，其特征在于，所述判別器包括依次連接的t個殘差塊和目標函數；

所述將所述預測能耗數據和所述真實能耗數據輸入至所述生成對抗網絡的判別器，得到所述真實能耗數據和所述預測能耗數據的判別結果，包括：

將所述預測能耗數據和所述真實能耗數據輸入至所述t個殘差塊，分別得到每一個所述殘差塊輸出的判別特征，其中，上一級殘差塊輸出的判別特征作為下一級殘差塊的輸入；

將所有殘差塊輸出的所述判別特征輸入至所述目標函數，得到所述真實能耗數據和所述預測能耗數據的判別結果。