一种智慧建筑能耗预测方法及系统与流程

本发明属于智慧建筑能源管理的，具体地涉及一种智慧建筑能耗预测方法及系统。

背景技术：

1、在全球能源转型与碳中和目标的推动下，智慧建筑在实现低碳运营和高效能源利用方面的关键作用日益凸显。准确的能耗预测不仅能支持建筑能源系统的动态优化，还能为智慧设施的节能改造、可再生能源应用和碳足迹追踪提供有力依据，从而助力智慧建筑迈向更加高效、可持续的发展方向。然而，传统的预测方法，如基于物理模型和统计回归分析，往往难以有效处理建筑能耗数据中的非线性关系和时序依赖性，尤其是在数据规模庞大或模式复杂的情况下。传统机器学习模型（如支持向量回归、随机森林等）虽能捕捉非线性特征，但在处理高维时序数据时易受局部最优解制约，模型泛化性能存在瓶颈。

2、循环神经网络（如lstm、gru）及其变体虽然能够处理时序数据，但对于长期依赖关系的建模能力有限，且存在梯度消失或梯度爆炸的问题。标准transformer模型虽然引入了自注意力机制，能够有效捕捉长程依赖，但其嵌入层仅采用简单的线性变换，无法充分提取能耗数据中的多尺度周期性特征；其前馈神经网络（ffn）采用传统的多层感知机（mlp）结构，仅通过线性加权和固定激活函数组合来逼近非线性，在面对温度、湿度、时间等多源特征间的复杂非线性耦合关系时，拟合精度受限。此外，现有方法在面对噪声、数据不平衡和过拟合等问题时缺乏有效的应对策略，难以在实际工程中保持稳定可靠的预测性能。

3、因此，如何构建一种能够充分提取能耗数据多尺度时序特征和多样化空间特征、高效建模非线性耦合关系、并且具有强鲁棒性和泛化能力的能耗预测方法，是当前智慧建筑能源管理领域亟待解决的技术难题。

技术实现思路

1、为了解决上述技术问题，本发明提出一种智慧建筑能耗预测方法及系统，通过构建transformer模型架构，引入细粒度时间特征提取、多样化分支特征提取以及柯尔莫哥洛夫-阿诺德网络，有效解决了建筑能耗数据中的复杂时序依赖和非线性特征建模问题。本发明还引入umap-k-means++特征提取算法和stacking集成学习框架，显著提升了模型的鲁棒性和预测精度。

2、第一方面，本发明提供以下技术方案，一种智慧建筑能耗预测方法，包括：

3、获取建筑能耗原始数据，所述建筑能耗原始数据包括建筑能耗指标、室内环境参数和外部气象数据；

4、对所述建筑能耗原始数据进行异常检测与数据清洗，并对清洗后的数据进行归一化处理，以得到预处理数据；

5、对所述预处理数据进行细粒度时间特征提取，将时间特征划分为多个粒度层次，每个粒度层次通过一维卷积操作进行独立处理以捕捉局部时间依赖关系，并对各粒度层次的特征进行加权融合，以得到多尺度时序特征；

6、对所述预处理数据进行多样化分支特征提取，通过并行的多种卷积操作提取多维度特征，并将各分支的输出进行融合，以得到多样化特征；

7、将所述多尺度时序特征与所述多样化特征进行融合，输入至基于自注意力机制的编码器-解码器架构中进行时序建模；

8、将所述编码器-解码器架构中的前馈神经网络替换为柯尔莫哥洛夫-阿诺德网络，通过b样条基函数对输入特征进行非线性变换，以得到非线性建模特征，基于所述非线性建模特征通过线性映射层输出能耗预测结果。

9、相比现有技术，本发明的有益效果为：本发明在预测精度、鲁棒性和泛化能力方面均具有显著优势。首先，本发明将时间特征划分为分钟/小时、日/周、月/节假日三个粒度层次，利用并行一维卷积实现分层特征提取，能够有效捕捉能耗数据的多尺度时序依赖和周期性变化规律。其次，本发明采用多分支并行卷积（包括常规卷积、逐点卷积和平均池化）提取多样化特征，并在推理阶段通过重参数化融合为等效卷积，在保证特征丰富性的同时不增加推理开销。再次，本发明利用b样条基函数对输入特征进行非线性激活，从根本上改变了传统mlp的线性加权结构，能够更高效、更准确地逼近建筑能耗数据中温度、湿度、时间等多源特征间的复杂非线性关系。此外，本发明采用smooth l1损失函数，结合了均方误差和平均绝对误差的优点，对小误差平滑敏感、对大误差线性约束，有效降低异常值对模型训练的影响。进一步地，本发明通过离散傅里叶变换（dft）确定能耗数据的主周期（如24小时日周期），并据此设定滑动窗口长度，确保输入数据完整性并降低模型复杂度。在优选方案中，本发明还引入umap-k-means++算法进行降维聚类预处理，并结合stacking集成学习（以dfk-transformer为基学习器、lasso回归为元学习器）及k折交叉验证，有效去除冗余信息、提升数据代表性、避免过拟合，进一步提升了模型的稳定性和预测精度。

10、较佳的，所述对所述预处理数据进行细粒度时间特征提取的步骤包括：

11、将时间特征划分为精细粒度、中等粒度和宏观粒度三个层次，所述精细粒度包括分钟和小时级别特征，所述中等粒度包括日和星期级别特征，所述宏观粒度包括月和节假日级别特征；

12、对于每个粒度层次的时间特征，通过一维卷积操作提取局部特征：

13、；

14、式中，为卷积核，为偏置项，为一维卷积操作；

15、通过加权求和的方式将各粒度层次的特征进行融合，得到融合后的特征表示：

16、；

17、式中，为各粒度层次的加权系数。

18、较佳的，所述对所述预处理数据进行多样化分支特征提取的步骤包括：

19、设置三个并行分支，分别为卷积分支、卷积分支和平均池化分支；

20、所述卷积分支采用的常规卷积提取中尺度或大尺度特征：

21、；

22、式中，为卷积，为卷积的权重；

23、所述卷积分支用于调整特征维度并捕捉局部特征依赖：

24、；

25、式中，为卷积，为卷积的权重；

26、所述平均池化分支对局部区域进行池化以提取特征：

27、；

28、式中，为平均池化；

29、通过加法方式将各分支的输出进行融合，得到综合特征表示：

30、；

31、式中，分别为卷积分支、卷积分支和平均池化分支输出的特征；

32、在训练过程中各分支独立存在并分别进行参数优化，在推理时通过重参数化将多个分支的参数融合为等效的卷积结构：

33、；

34、；

35、式中，和分别为合并后的等效卷积核权重和偏置权重，分别为卷积、卷积的权重以及池化等效核权重，为平均池化的偏置。

36、较佳的，所述柯尔莫哥洛夫-阿诺德网络的输出表示为：

37、；

38、式中，为输入特征，为由输入特征经过b样条基函数非线性激活后的结果，为可学习的权重参数，为输入特征数量；

39、所述b样条基函数通过递归方式构造，对于阶数为的基函数，递归公式为：

40、；

41、式中，为第0至第个节点向量，分别为阶、阶b样条递归函数，为应用于第个输入的阶b样条递归函数；

42、零阶基函数为分段常数函数：

43、。

44、较佳的，所述方法还包括采用smooth l1损失函数进行模型训练，所述smooth l1损失函数的定义为：

45、；

46、式中，代表模型预测值与真实值之间的误差。

47、较佳的，在所述获取建筑能耗原始数据的步骤之后，还包括采用离散傅里叶变换确定滑动窗口长度：

48、；

49、式中，为长度为的时域序列中的第个数，为长度为的频域序列中的第个数，为虚数单位；时间序列的主周期为频域序列中振幅最大值对应频率的倒数，，选取所述主周期的长度作为滑动窗口长度。

50、较佳的，所述方法还包括：

51、采用umap非线性降维算法对所述预处理数据进行降维，保留高维数据的局部和全局结构，将高维数据样本映射到低维子空间，其中为样本容量，为原始维数，为嵌入空间维数；

52、采用k-means++算法对降维后的数据进行聚类，将数据划分为多个簇；

53、以每个簇的数据分别训练对应的基学习器，所述基学习器采用如权利要求1至6任一项所述的方法构建的dfk-transformer模型；

54、采用k折交叉验证对每个基学习器进行训练，生成折外预测结果；

55、采用lasso回归模型作为元学习器，基于各基学习器的折外预测结果进行训练，输出最终能耗预测结果。

56、第二方面，本发明提供以下技术方案，一种智慧建筑能耗预测系统，所述系统包括：

57、获取模块，用于获取建筑能耗原始数据，所述建筑能耗原始数据包括建筑能耗指标、室内环境参数和外部气象数据；

58、处理模块，用于对所述建筑能耗原始数据进行异常检测与数据清洗，并对清洗后的数据进行归一化处理，以得到预处理数据；

59、融合模块，用于对所述预处理数据进行细粒度时间特征提取，将时间特征划分为多个粒度层次，每个粒度层次通过一维卷积操作进行独立处理以捕捉局部时间依赖关系，并对各粒度层次的特征进行加权融合，以得到多尺度时序特征；

60、提取模块，用于对所述预处理数据进行多样化分支特征提取，通过并行的多种卷积操作提取多维度特征，并将各分支的输出进行融合，以得到多样化特征；

61、融合模块，用于将所述多尺度时序特征与所述多样化特征进行融合，输入至基于自注意力机制的编码器-解码器架构中进行时序建模；

62、变换模块，用于将所述编码器-解码器架构中的前馈神经网络替换为柯尔莫哥洛夫-阿诺德网络，通过b样条基函数对输入特征进行非线性变换，以得到非线性建模特征，基于所述非线性建模特征通过线性映射层输出能耗预测结果。

63、第三方面，本发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的智慧建筑能耗预测方法。

64、第四方面，本发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的智慧建筑能耗预测方法。