[发明专利]基于CNN-LSTM的建筑能耗预测方法和系统

权利要求书

1.一种基于CNN-LSTM的建筑能耗预测方法，其特征在于，包括：

步骤S1：使用建筑能耗监测模块采集建筑的历史能耗序列数据，同步获取影响因素数据；

步骤S2：对历史序列数据进行预处理，所述数据预处理包括异常数据清洗、线性插值补全和数据归一化，所述历史序列数据包含建筑整年的历史能耗数据；之后按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点；

步骤S3：使用卷积神经网络(CNN)作为特征提取层，CNN之后使用长短期记忆层(LSTM)实现对时序性的建模，最后使用全连接层网络，使用上述网络结构建立建筑能耗预测模型；

步骤S4：使用重组后的历史能耗数据集，在服务器中训练模型，并将训练得到的模型以模型结构加权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重；

步骤S5：将新的影响因素数据重组后输入模型，模型输出除以归一化时的缩放比例，计算得到建筑能耗预测值。

2.根据权利要求1所述的基于CNN-LSTM的建筑能耗预测方法，其特征在于，所述影响因素数据包括三类：室外气象参数、建筑运行规律、建筑内部使用情况。

3.根据权利要求1所述的基于CNN-LSTM的建筑能耗预测方法，其特征在于，通过所述的数据重组方式，将数据组织成为二维表格的输入样本。

4.根据权利要求3所述的基于CNN-LSTM的建筑能耗预测方法，其特征在于，数据表按时间和特征两个维度组织，时间上按步长包含历史相邻两天内排布数据，特征维度排布所有影响因素的数据。

5.根据权利要求1所述的基于CNN-LSTM的建筑能耗预测方法，其特征在于，建立模型使用的特定网络结构，使用卷积神经网络(CNN)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置3层卷积层提升特征提取的能力；CNN之后使用长短期记忆层(LSTM)实现对时序性的建模，设置3层长短期记忆层；最后使用3层全连接层网络实现对建筑运行的非线性的学习。

6.根据权利要求5所述的基于CNN-LSTM的建筑能耗预测方法，其特征在于，所述的网络结构中适用于建筑能耗预测的特定参数，包括神经元数量、激活函数选择。

7.一种基于CNN-LSTM的建筑能耗预测系统，其特征在于，包括：

模块M1：能耗监测模块，实时测量建筑能耗数据和影响因素数据，并将数据按获取时间点进行存储；

模块M2：数据处理模块，对数据进行预处理并对数据进行重组，将重组后的样本数据存入计算机中，以备模型训练模块M3调用；

模块M3：算法建模模块，通过计算机编程，将所述模型结构通过计算机语言实现，形成待训练的模型；之后调用M2模块处理好的数据样本训练模型，模型迭代稳定后保存模型；

模块M4：模型预测值输出模块，被预测的时间段的影响因素数据通过数据模块M2处理后，通过模块M3得到的模型获得建筑能耗的预测值。