[發明專利]基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法

在審

• 申請號: 202110371084.X
• 申請日: 2021-04-07
• 公開（公告）號: CN113191529A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 李冠男;李凡;胡云鵬;周傳輝;陳儉;方曦;趙小維;吳雨蓓;鄭悅;熊嘉豪;胡浩楠
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/2458;G06N3/04;G06N3/08
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 包曉靜

本發明公開了基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法，涉及建筑物能耗預測技術領域，其技術方案要點是：包括以下步驟：S1、將已有建筑體能耗數據作為源域數據，將新建筑的能耗數據作為目標域數據；S2、訓練源域數據和目標域數據，采用深度域適應對抗神經網絡方法訓練建模；S3、設置新建筑能耗數據時間間隔，篩選建模數據，更新調整訓練模型，對比傳統機器學習能耗預測與訓練模型的能耗預測性能評價，選擇優勢在線預測，選擇最佳時間節點進行在線預測策略過渡，實現新建筑全壽命周期在線能耗預測。本方法采用深度域適應對抗神經網絡方法對新建筑的建筑能耗數據進行能耗預測，預測精度高，且能夠實現新建筑全壽命周期的在線能耗預測。

技術領域

本發明涉及建筑物能耗預測技術領域，更具體地說，它涉及基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法。

背景技術

建筑是能源消耗的重要組成部分。建筑內部耗能系統的能源利用率是影響建筑能耗的重要指標。過高的建筑能耗將會直接影響節能減排目標的達成程度。作為許多建筑能耗管理任務的基本基礎，高效、可靠、準確、魯棒的、可推廣的建筑能耗預測模型對于優化建筑能源系統的運行和控制起著至關重要的作用。

目前，許多傳統的機器學習或深度學習方法應用到建筑能耗預測研究領域中，例如：隨機森林，支持向量回歸，反向傳播神經網絡，長期短期記憶神經網絡等。這些方法的可靠性和準確性依賴于盡量多的覆蓋所有建筑能源設備工況的、數據量足夠的建模數據。而且方法對于相同類型的建筑、相同設備運行工況、相似分布的能耗相關數據情形下預測精度較高，反之，則預測精度偏低。但是，對新建，或是缺少數據測量收集設備，或是數據收集量相對有限的建筑而言，可提供的建模數據量有限。如果來自新建建筑與已有建筑的所有用于預測的數據分布完全相似，則模型是通用的，可以簡單的使用與已有建筑相同的能耗預測模型解決預測問題。但是不同建筑地理位置、氣象條件、用戶用途不同，存在明顯的數據分布和特征構成差異。

因此，在沒有數據調整的情況下使用相同模型進行準確的預測是無效的。為了克服上述問題，本發明旨在設計提供一種基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法。

發明內容

本發明的目的是提供基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法，本方法采用深度域適應對抗神經網絡方法對新建筑的建筑能耗數據進行能耗預測，預測精度高，且能夠實現新建筑全壽命周期的在線能耗預測。

本發明的上述技術目的是通過以下技術方案得以實現的：基于遷移學習的深度對抗神經網絡的新建筑能耗預測方法，具體包括以下步驟：

S1、依據遷移學習理論進行數據收集整理，將已有建筑體的量大且工況多的建筑能耗和相關數據作為源域數據D_s，將新建筑的建筑能耗和相關數據作為目標域數據D_t，并分別對于源域數據D_s和目標域數據D_t進行數據的收集、整理、劃分和預處理工作；

S2、訓練數據，根據步驟S1，將源域數據D_s和目標域數據D_t進行數據訓練，采用深度域適應對抗神經網絡方法對其進行訓練建模，得訓練模型，所述訓練模型用于新建筑能耗數據的學習訓練，進而用于對新建筑的能耗預測；

S3、根據步驟S1和步驟S2，將新建筑的時間序列能耗數據的逐時數據設置時間間隔Δt，并篩選建模數據，然后將設置時間間隔Δt的逐時數據作為新增訓練數據進行數據訓練，更新調整訓練模型，對新建筑的逐時的能耗數據進行在線預測；然后，對比傳統機器學習能耗預測方法和所述訓練模型兩者的能耗預測性能評價，選擇優勢的在線預測，并選擇時間間隔Δt中最佳的時間節點進行新建筑能耗在線預測策略的過渡，實現新建筑全壽命周期的在線能耗預測。