[发明专利]建筑能耗预测方法、存储介质、装置和系统

说明书

本发明涉及一种建筑能耗预测方法、存储介质、装置和系统。主要包括：获取实际能耗数据，利用DBN对实际能耗数据进行特征提取，获得输出状态表示值；将输出状态表示值输入强化学习Q‑learning算法，利用强化学习Q‑learning算法获得最优预测策略，利用最优预测策略预测建筑能耗数据。上述方法可较为准确的预测建筑能耗数据。

技术领域

本发明涉及建筑能耗监测预测领域，特别是涉及建筑能耗预测方法、存储介质、装置和系统。

背景技术

目前，随着经济的快速发展与城镇化的不断推进，人们的生活水平不断提高，对于城市公共建筑的使用率正不断提高。城市公共建筑在运行过程中所消耗的电力、淡水、燃气的规模也越来越大。对于城市管理者迫切需要知道现有以及未来一段时间的能耗数据，以便采取相应措施达到节能减排的目的。但目前的用于监测和预测能耗数据的方法和相关系统不够智能化，且预测精度不高。

发明内容

基于此，有必要针对传统的建筑能耗预测方法精度不高的问题，提供一种预测精度较高的建筑能耗预测方法。

一种建筑能耗预测方法，包括：

获取实际能耗数据，利用DBN对实际能耗数据进行特征提取，获得输出状态表示值；

将输出状态表示值输入强化学习Q-learning算法，利用强化学习Q-learning算法获得最优预测策略，利用最优预测策略预测建筑能耗数据。

上述建筑能耗预测方法得到的建筑能耗预测数据精度较高，也就是更接近建筑能耗实际数据。

在其中一个实施例中，所述将输出状态表示值输入强化学习Q-learning算法，利用强化学习Q-learning算法获得最优预测策略，利用最优预测策略预测建筑能耗数据的具体步骤包括:

将建筑能耗问题建模为一个马尔可夫决策过程，并定义其中的状态、动作、状态转移函数以及立即奖赏函数，

建立回报值函数模型，

利用强化学习Q-learning算法获得最优预测策略，

利用最优预测策略预测建筑能耗数据。

在其中一个实施例中，所述将建筑能耗问题建模为一个马尔可夫决策过程，并定义其中的状态、动作、状态转移函数以及立即奖赏函数的具体步骤包括：

状态：用s表示，每隔m个小时，获取一次实际能耗数据，通过DBN对实际能耗数据进行特征提取，获得输出状态表示值，s＝{v_i-n v_i-n+1,v_i-n+2…,v_i},所述s为所测得的最新能耗数据之前n个数据经过DBN特征提取后的状态集合，其中v_i为最近一个DBN所输出的状态表示值；

动作:用a表示，所述动作表示预测下一个时刻的能耗数据，第i个时间步预测获得的能耗预测数据用Eⁱ⁺¹表示,这个能耗预测数据在某一个范围内，则动作表示为:

a_i＝Eⁱ⁺¹；

状态转移：第i次获取的状态为s_i,则第i+1次状态表示为

s_i＝{v_i-n v_i-n+1,v_i-n+2…,v_i}->s_i+1＝{v_i-n+1v_i-n+2,v_i-n+3…,v_i+1}；