一种基于机器学习的智慧建筑能源消耗预测方法及系统与流程

本发明属于机器学习，具体涉及一种基于机器学习的智慧建筑能源消耗预测方法及系统。

背景技术：

1、随着城镇化进程的加快以及人民对室内环境舒适度要求的持续提升，建筑能源消耗总量呈现刚性增长态势，这给城市碳排放的精细化管理带来了严峻挑战。因此，设计一种精准的建筑能源消耗预测方法是十分必要的。随着建筑能源管理系统和物联网感知技术的普及，建筑运行过程中积累了大量的能耗、气象、室内环境及人员设备运行数据，为采用机器学习方法提升建筑总能耗功率预测精度提供了数据基础。

2、然而，现有技术存在以下不足：在特征构建上缺乏对建筑物理特性的显式注入，通常将多源气象、室内状态和时间变量直接作为普通输入，迫使模型从数据中隐式学习本可由工程先验直接表达的耦合关系，在小样本或工况覆盖不全时易导致训练不稳定和泛化能力不足；多采用单一的时序编码网络统一处理所有特征，未区分外部快速扰动与内部慢速惯性的物理差异，导致模型结构与被建模对象的动态特性不匹配，快速扰动容易被长时平滑，慢变基线又易受局部噪声干扰；在处理工作日与非工作日的能耗模式差异时，常将日类型作为简单离散特征或采用两套独立模型，前者难以表达不同模式下状态更新机制的底层差异，后者则割裂了模式间的共性知识共享，且增加了工程维护成本；在融合快慢两类时序信息时，通常采用简单拼接或末端状态组合，缺乏以建筑内部惯性状态为依据对历史扰动进行主动筛选的机制，无法为不同时刻的外部扰动分配差异化的融合权重，限制了预测精度和可解释性。

技术实现思路

1、本发明为解决上述问题，通过以下技术方案实现：

2、本发明提供一种基于机器学习的智慧建筑能源消耗预测方法，具体包括：

3、s1、采集多源建筑运行数据，对多源建筑运行数据进行时间对齐，构建原始建筑能耗预测样本，将全部原始建筑能耗预测样本划分为训练样本、验证样本和测试样本；

4、s2、在原始建筑能耗预测样本的基础上，构建等效室外热扰动指数、工作日与非工作日解耦周期特征、室内慢变趋势特征和室内快变残差特征，将上述物理先验特征与基础观测特征拼接，得到重构建筑能耗特征矩阵；

5、s3、基于外部扰动快速相应分支、内部惯性慢速演化分支和快慢分支互注意力融合模块构建双物理分支时序编码网络；

6、s4、基于鲁棒回归损失函数训练双物理分支时序编码网络，采用梯度下降方式端到端更新模型参数；

7、s5、将训练得到的双物理分支时序编码网络部署到建筑能源管理系统中进行在线预测，系统根据总能耗功率预测输出值输出预测结果和运行提示。

8、作为进一步的技术方案，s1包括：

9、所述多元建筑运行数据包括：建筑总能耗功率序列、室外干球温度序列、太阳总辐射强度序列、风速序列和室外相对湿度序列、室内平均温度序列和室内平均相对湿度序列、照明功率密度序列、设备功率密度序列和人员密度序列、小时索引、日类型编码和节假日编码；

10、对多元建筑运行数据按照统一采样间隔进行时间对齐，同时对缺失值和异常值进行线性插值和异常值裁剪；

11、按照输入历史窗口长度和预测步长构建原始建筑能耗预测样本，按照时间顺序将全部原始建筑能耗预测样本划分为训练样本、验证样本和测试样本。

12、作为进一步的技术方案，s2具体包括：

13、从原始建筑能耗预测样本提取室外干球温度序列、太阳总辐射强度序列、风速序列和室外相对湿度序列，计算太阳辐射折算升温贡献、湿度修正升温贡献，将室外干球温度、太阳辐射折算升温贡献和湿度修正升温贡献组合，得到等效室外温度，再与建筑平衡温度作差，得到等效室外热扰动指数；

14、从时间戳中解析小时索引和日类型编码，将小时索引映射到日内周期角度，并计算基础日内周期分量，根据日类型编码构造日类型符号调制因子，并生成日类型调制周期分量，将基础日内周期分量和日类型调制周期分量拼接，得到工作日与非工作日解耦周期特征向量；

15、提取室内平均温度和平均相对湿度序列作为室内热湿状态变量，根据建筑热时间常数计算室内热惰性平滑系数，对每个室内热湿状态变量分别计算慢变趋势分量，根据室内热湿状态变量观测值和慢变趋势分量计算快变残差分量，将室内平均温度、平均相对湿度的慢变趋势和快变残差分别按列拼接，得到室内平均温度快变残差分量和到室内快变残差特征矩阵；

16、将基础建筑观测特征、等效室外热扰动指数序列、工作日与非工作日解耦周期特征矩阵、室内慢变趋势特征矩阵和室内快变残差特征矩阵进行列级拼接，并对连续型特征进行标准化处理，得到重构建筑能耗特征矩阵，所述基础建筑观测特征是指由未被物理分解替代且对建筑总能耗功率预测具有直接作用的原始观测字段组成的特征矩阵。

17、作为进一步的技术方案，s3所述外部扰动快速相应分支包括：

18、从重构建筑能耗特征矩阵中提取快速响应特征组矩阵；

19、将快速响应特征组矩阵输入快速响应时序卷积网络，所述快速响应时序卷积网络采用因果膨胀卷积块堆叠而成；

20、在每个因果膨胀卷积块中执行门控激活和残差连接，将门控扰动输出与该层输入进行残差相加，得到该层输出；

21、依次完成全部因果膨胀卷积块计算，得到快速响应隐藏状态序列。

22、作为进一步的技术方案，s3所述内部惯性慢速演化分支包括：

23、从重构建筑能耗特征矩阵中提取慢速演化特征组矩阵和日类型编码序列；

24、将日类型编码转换为日类型嵌入向量；

25、将慢速演化特征组矩阵输入带日类型调制的门控循环单元，其中更新们偏置增量由日雷响嵌入增量映射得到；

26、按照门控循环单元的标准计算方式得到重置门、候选隐藏状态和当前慢速演化隐藏状态，并按时间顺序输出慢速演化隐藏状态序列；

27、作为进一步的技术方案，s3所述快慢分支互注意力融合模块包括：

28、从快速响应隐藏状态序列中读取各时间步快速响应隐藏状态，并从慢速演化隐藏状态序列中读取末端慢速演化隐藏状态；

29、以慢速演化最终隐藏状态作为查询信息，以快速响应隐藏状态作为候选扰动信息，计算每个历史时间步的注意力打分值；

30、对输入历史窗口内全部注意力打分值执行归一化，得到注意力权重，并利用注意力权重对快速响应隐藏状态序列进行加权求和；

31、将快速扰动加权汇聚向量与慢速演化最终隐藏状态进行特征拼接，并通过输出层得到未来建筑总能耗功率预测值。

32、作为进一步的技术方案，s4具体包括：

33、基于双物理分支时序编码网络获取未来建筑总能耗功率预测值；

34、根据未来建筑总能耗功率真实值和未来建筑总能耗功率预测值计算预测残差，并根据鲁棒切换阈值选择损失形式；

35、对训练批次内全部样本计算鲁棒回归损失，并取平均作为训练目标；

36、采用小批量梯度下降方式端到端更新模型参数。

37、作为进一步的技术方案，s5具体包括：

38、将训练得到的双物理分支时序编码网络部署到建筑能源管理系统中；

39、系统按照与训练阶段相同的方式对获取的数据进行处理，将处理后的数据输入部署的双物理分支时序编码网络中，得到在线未来建筑总能耗功率预测值；

40、根据在线未来建筑总能耗功率预测值与预设阈值的对比结果，输出对应的运行提示。

41、本发明提供一种基于机器学习的智慧建筑能源消耗预测系统，包括：

42、数据采集模块：用于采集多源建筑运行数据，构造原始建筑能耗预测样本，划分训练样本、验证样本和测试样本；

43、特征重构模块：用于构建等效室外热扰动指数、工作日与非工作日解耦周期特征、室内慢变趋势特征和室内快变残差特征，与基础建筑观测特征矩阵拼接得到重构建筑能耗特征矩阵；

44、模型构建模块：用于构建双物理分支时序编码网络，并采用鲁棒回归损失函数和梯度下降方法进行训练；

45、预测模块：部署训练后的双物理分支时序编码网络，在线采集数据并进行预测，根据预测结果和设定的阈值决定输出运行提示。

46、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现一种基于机器学习的智慧建筑能源消耗预测方法。

47、本发明有益效果：

48、首先，本发明构建了基于物理先验注入的特征工程体系。通过将室外多源气象参数融合为等效室外热扰动指数，将室内热湿状态按建筑热时间常数分解为慢变趋势与快变残差，并将时间戳转化为工作日与非工作日解耦周期特征，使模型输入具备明确的工程物理含义，而非单纯依赖原始数据驱动。其次，构建了快慢解耦的双物理分支时序编码网络。将重构特征按物理属性分流，外部快速扰动由因果膨胀卷积网络捕捉，内部慢速惯性由带日类型调制的门控循环单元建模，从结构层面实现了“分而治之”，避免了单一网络混合处理造成的快速信号被平滑或慢速基线被噪声干扰的问题。然后，提出基于日类型调制的门控循环单元慢速演化机制。在标准门控循环单元的更新门中注入由日类型嵌入生成的动态偏置项，使模型能根据工作日与非工作日自适应调整历史状态的保留与更新比例，无需构建多个独立模型即可在统一框架内表达差异化的能耗基线演化规律。最后，建立以慢速惯性为查询的快慢分支互注意力融合方法。以慢速演化分支的最终隐藏状态作为查询，对快速响应分支的全部历史隐藏状态进行注意力加权，实现用建筑内部惯性基线主动筛选关键外部扰动时间片段，避免简单拼接末端状态导致的信息丢失，提升了融合的物理可解释性。