[发明专利]基于CNN-LSTM的建筑能耗预测方法和系统

说明书

本发明提供了一种基于CNN‑LSTM的建筑能耗预测方法和系统，使用建筑能耗采集模块获取的建筑能耗序列数据以及相关影响因素的数据作为数据基础，之后对数据进行预处理并重组成训练算法所需的数据格式；设置卷积神经网络(CNN)作为特征提取层，并采用一维卷积在特征方向上进行卷积的结构，之后使用长短期记忆网络(LSTM)对数据的时序性进行建模；通过模型和新的输入数据，获得建筑能耗的预测值。利用本发明提供的算法，可以实现对建筑能耗的高精度预测，为建筑运行的优化提供了参照值。

技术领域

本发明涉及建筑能源智能化技术领域，具体地，涉及一种基于CNN-LSTM的建筑能耗预测方法和系统，尤其是利用机器学习中的深度学习的方法对建筑能耗进行建模预测的方法。

背景技术

建筑领域的节能减排是推动生态文明建设的必要一环，建筑能耗预测作为掌握建筑运行特性的重要手段，对建筑节能管理、建筑能源利用率的提高都有积极意义。近年来大数据和人工智能技术的发展，为建筑能耗的预测提供了数据基础和建模分析的算法。机器学习中的深度学习算法因其在处理复杂的数据学习问题上有较好的表现，被应用在不同的领域。

传统的建筑能耗预测分析方法为基于传热分析的物理建模方法，依靠仿真软件对建筑运行进行模拟得到能耗，但由于难以获取精确的建筑参数而有较大误差。基于机器学习的数据驱动方式对建筑进行预测，有着建模速度快、预测精度较高的优势。

卷积神经网络(CNN)在图像处理领域有广泛的应用，可以处理数据的局部关联性；长短期记忆模型(LSTM)被用于处理自然语言和时间序列数据，可以学习数据中的序列变化规律。由于存在应用领域的差异，需要设计合理的输入样本形式，以及合理的模型结构，以实现两种算法的有机结合。

与本申请相关的现有技术是专利文献CN 110046743 A，公开了一种基于GA-ANN的公共建筑能耗预测方法和系统。该发明一种基于GA-ANN的公共建筑能耗预测方法和系统,采集公共建筑逐时能耗及其影响因素的数据,整理数据并进行预处理；划分训练集和测试集,并通过相关系数法筛选输入变量；输入测试数据,通过遗传算法(GA)优化人工神经网络(ANN)模型的相关参数,之后使用训练集数据训练模型；通过输入被预测时期的输入变量,预测公共建筑能耗；最后通过误差指标评价对测试集的预测效果,给出容许误差范围。本发明给出了利用遗传算法和人工神经网络对公共建筑能耗预测的流程与方法。针对公共建筑,实现了高精度的预测,为公共建筑能耗的监测、管理和诊断提供了依据。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于CNN-LSTM的建筑能耗预测方法和系统。

根据本发明提供的基于CNN-LSTM的建筑能耗预测方法和系统，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。