一种基于深度学习的跨建筑冷负荷与能耗综合预测方法
本发明属于建筑能源管控领域,具体涉及一种基于深度学习的跨建筑冷负荷与能耗综合预测方法。
背景技术:
1、建筑能源系统运行状态及能耗水平的准确预测,是建筑节能运行、设备优化控制的关键基础。目前,建筑能源系统预测方法主要包括物理机理模型和数据驱动模型两大类。
2、物理机理模型多基于热平衡方程、设备性能曲线及系统运行机理构建,模型可解释性较强,但建模流程复杂,对建筑结构参数、设备性能参数、边界运行条件要求较高,且高度依赖建模人员经验。在实际工程应用中,相关关键参数往往难以完整、准确获取,导致模型预测结果易与实际运行工况产生偏差,泛化能力有限。
3、数据驱动模型可直接依托建筑自动化监控系统采集的历史运行数据构建预测关系,具有建模效率高、现场适应性强、工程落地便捷等优势,已逐渐成为建筑能耗与负荷预测领域的主流发展方向
4、随着建筑信息化与数字化运维水平不断提升,各类建筑已具备冷负荷、系统能耗、室外气象参数及设备运行状态等多维度数据的长期采集与存储条件,为基于迁移学习的跨建筑预测方法提供了数据基础。现有技术中已有研究尝试通过迁移学习利用源建筑数据提升目标建筑预测效果,但现有方法大多仅针对单一任务开展预测,未充分挖掘冷负荷与系统能耗之间的强耦合关联,预测精度与模型训练效率难以兼顾;同时,在模型迁移过程中多采用对整体网络进行微调的方式,待优化参数量大、训练成本较高,在目标建筑数据样本较少的场景下,模型收敛稳定性与预测可靠性不足,难以满足实际工程中高精度、高效率的跨建筑联合预测需求。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,用以解决上述背景技术中的问题。其具体方案如下:
2、s1,采集源建筑与目标建筑的历史逐时实际冷负荷、历史逐时实际系统能耗、室外气象参数及时间特征数据;利用热力学机理模型分别计算源建筑与目标建筑各自的历史逐时理论冷负荷,将所述历史逐时理论冷负荷与对应历史逐时实际冷负荷的差值作为物理增强特征项,形成包含原始采集数据与物理增强特征项的第一数据矩阵。
3、s2,对所述第一数据矩阵进行清洗、异常值剔除、缺失值补全处理,再对处理后的所有数据进行归一化处理,随后以预设时间窗为最小特征时间窗,构建满足模型训练需求的时序样本序列。
4、s3,建立基于深度神经网络的编码器-解码器架构,构建多任务联合预测模型,所述多任务联合预测模型包括共享特征提取层和两个并行设置的输出分支,其中一个输出分支用于输出目标建筑的冷负荷预测结果,另一个输出分支用于输出目标建筑的系统能耗预测结果。
5、s4,利用所述源建筑的时序样本序列对所述多任务联合预测模型进行训练,在训练过程中引入动态权重学习机制,所述动态权重学习机制通过自适应权重分配机制实现,最终得到经源建筑预训练后的多任务联合预测模型。
6、s5,将所述经源建筑预训练后的多任务联合预测模型迁移至目标建筑场景,在所述经源建筑预训练后的多任务联合预测模型中嵌入适配器(adapter)模块;在微调过程中,冻结共享特征提取层的参数,仅激活所述适配器(adapter)模块和两个并行设置的输出分支参与梯度更新,得到微调后的多任务联合预测模型。
7、s6,在所述微调后的多任务联合预测模型输出层引入物理一致性约束,依据建筑制冷系统的预测能效比逻辑对输出的逐时预测冷负荷与逐时预测系统能耗进行逐点协同校验与物理修正,得到经校验修正后的多任务联合预测模型。
8、s7,采用增量学习方式,利用目标建筑新增的实时运行数据对经校验修正后的多任务联合预测模型进行持续微调,使模型能够实时适配工况动态演变及季节性差异,长期保持较高预测精度。
9、s8,通过所述经校验修正后的多任务联合预测模型输出目标建筑预设时间窗内的逐时预测冷负荷与逐时预测系统能耗,基于所述逐时预测冷负荷与逐时预测系统能耗,实现建筑能源系统的多维度应用与评估。
10、s9,利用所述经校验修正后的多任务联合预测模型同步计算目标建筑的基准能耗与实际预测能耗。
11、本发明与现有技术相比,具有如下有益效果:
12、1.本发明采用多任务联合预测模型,通过共享特征提取层充分挖掘冷负荷与系统能耗之间的强耦合关联,配合动态权重学习机制平衡双任务训练优先级,有效解决现有单任务预测信息利用不充分、精度与效率难以兼顾的问题,显著提升整体预测性能;
13、2.基于迁移学习与适配器(adapter)模块实现跨建筑知识迁移,微调时仅激活adapter模块与两个并行设置的输出分支、冻结共享特征提取层,大幅减少待优化参数量与训练成本,在目标建筑初期运行数据稀缺的条件下仍可快速收敛、稳定输出高精度结果,解决传统整体微调方式在小样本场景下易过拟合、稳定性差的缺陷;
14、3.通过热力学机理计算物理残差特征项,将建筑热惰性、系统衰减等隐性物理信息显性化;并在模型输出端引入预测能效比物理一致性约束,对预测结果进行协同校验与强制修正,从输入与输出两端保证模型遵循热力学规律,彻底避免纯数据驱动黑盒模型出现物理异常值的问题,大幅提升工程适用性;
15、4.采用组合式特征提取结构,可同时提取局部空间特征与长短期时间依赖关系,并自动聚焦关键影响时刻,对半导体洁净厂房等连续运行、工况复杂的建筑场景具备更强的特征刻画与泛化能力;
16、5.通过增量学习持续利用新增数据迭代优化模型,可实时适配建筑工况演变与季节性差异,长期保持高精度预测;同时支持优化调度、设备预测性维护及节能技改效果评估多场景应用,为建筑能源系统全周期高效运行与智能化管理提供完整支撑。
1.一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述共享特征提取层中的一维卷积层用于对输入时序样本序列进行局部空间特征提取,所述共享特征提取层中的门控循环单元层用于捕捉时序样本序列的长短期时间依赖性,所述共享特征提取层中的注意力机制层用于对预设时间窗内不同时刻的数据分配显著性权重,所述共享特征提取层中的一维卷积层连接在门控循环单元层之前。
3.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述第一数据矩阵的处理包括:采用3σ准则剔除异常值,采用线性插值法补全缺失值,归一化处理采用最小-最大归一化方法,归一化后数据取值范围为[0,1]。
4.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述多任务联合预测模型的训练过程包括:以源建筑的时序样本序列为输入,采用自适应权重分配机制,通过小批量梯度下降算法训练多任务联合预测模型,得到经源建筑预训练后的多任务联合预测模型。
5.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,将所述经源建筑预训练后的多任务联合预测模型迁移至目标建筑场景时,冻结所述共享特征提取层参数,利用目标建筑对应的时序样本序列对两个并行输出分支进行微调;迁移微调过程中,在所述经源建筑预训练后的多任务联合预测模型中嵌入适配器模块,所述适配器模块嵌入于该模型的门控循环单元层中;微调时仅激活适配器模块与两个并行输出分支参与梯度更新,所述共享特征提取层的参数保持冻结,经上述迁移微调后,得到微调后的多任务联合预测模型。
6.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,对预设时间窗内的逐时预测结果进行逐点协同校验与物理修正包括:在微调后的多任务联合预测模型输出层引入物理一致性约束,遍历预设时间窗内的各预测时刻,分别计算各时刻对应的预测能效比;判断所述预测能效比是否处于预设的制冷系统物理能效范围内;若超出范围,则引入惩罚因子修正所述微调后多任务联合预测模型输出的冷负荷预测值或系统能耗预测值;经上述校验修正后,得到经校验修正后的多任务联合预测模型。
7.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述源建筑与目标建筑均为半导体制造洁净厂房;所述室外气象参数至少包括干球温度和露点温度。
8.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述方法还包括:根据经校验修正后的多任务联合预测模型输出的逐时预测冷负荷,预判机组负荷峰谷时间点,调节冷水机组启停台数及冷却水泵运行频率。
9.根据权利要求1所述的一种基于深度学习的跨建筑冷负荷与能耗综合预测方法,其特征在于,所述方法还包括:采用增量学习利用目标建筑新增的实时运行数据,对经校验修正后的多任务联合预测模型进行持续更新,利用该多任务联合预测模型计算目标建筑节能技改前后的基准能耗与预测能耗。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com