一种建筑能耗碳排放在线监测方法与流程

本技术属于建筑领域，尤其涉及一种建筑能耗碳排放在线监测方法。

背景技术：

1、随着全球气候变化加剧与“双碳”目标的深入推进，建筑领域的节能减排已成为实现绿色可持续发展的关键一环。建筑能耗与碳排放的在线监测及预测，能够优化建筑运行策略、合理调度与规划能源，在建筑日常运行过程中，会实时产生海量的时序数据，包括温湿度等外部环境参数、空调及照明等设备运行参数，以及历史阶段的能耗与碳排放记录。该多维时序数据具有高度的非线性和波动性，而且蕴含着变化规律。提取并分析这些数据中的关键特征，是提升能耗与碳排放预测精度的核心。然而，建筑作为一个受内外多种因素交织影响的系统，运行数据通常表现出多时间尺度特性。常规的数据处理方法在应对这种多维度、长短周期交替的序列时，难以识别数据内部的多尺度依赖关系，制约了整体监测与预测系统的性能表现。

2、在实际的建筑在线监测与预测场景中，面临多尺度特征提取的挑战，还受数据分布影响。随着季节交替、设备老化、人员作息改变以及极端天气频发，建筑内部的用能规律和外部环境条件会不断发生偏移。会导致实时输入的新数据与模型过去所学习到的历史数据特征产生脱节，使得模型内部的状态表示逐渐滞后于真实的规律。如果预测系统对当前运行状态陈旧程度的感知能力低，仍机械地依赖固定的注意力偏好进行时序特征聚合，模型将由过时的历史信息所误导，导致预测偏差随时间不断累积放大。虽然定期离线重训模型能够部分缓解此类现象，但难以满足在线监测对时效性的高要求。因此，如何构建一种能对齐并融合多尺度时序特征，又能够实时评估特征陈旧状态，并根据状态偏移程度完成机制修正与参数重置的在线监测方法，解决变化环境下预测性能衰减的问题，已成为当前建筑能耗碳排放管理领域亟待解决的难题。

技术实现思路

1、根据本发明的一方面，提出一种建筑能耗碳排放在线监测方法，用于解决变化环境下预测性能衰减的问题，包括如下步骤：

2、获取建筑运行状态时序数据，包含环境参数、设备参数及历史能耗与碳排放数据，利用并行一维卷积核结合填充操作处理所述时序数据，得到多个时间维度对齐的不同时间尺度的特征子序列；

3、分别计算各特征子序列的键矩阵k和值矩阵v，并基于当前时间步数据计算共享查询矩阵q，计算所述共享查询矩阵q与各键矩阵k的缩放点积，叠加由时间步差值驱动的可学习位置偏置得到初始注意力分数，归一化后得到注意力权重；

4、基于各特征子序列的注意力权重与时间步滞后值进行聚合计算，得到状态陈旧度指标，当所述指标大于二级重置阈值时将生成键矩阵k和值矩阵v的网络参数重置为初始参数，当所述指标大于一级且不大于二级重置阈值时，计算归一化至0至1区间的重置系数，所述重置系数为所述指标与一级重置阈值差值的单调递增函数，将所述网络参数更新为所述重置系数与初始参数的乘积、以及一减去所述重置系数所得差值与当前参数的乘积二者之和，当所述指标不大于一级重置阈值或在完成重置并重新计算键矩阵k、值矩阵v及注意力权重后，利用注意力权重对值矩阵v加权求和得到上下文向量，将上下文向量输入预测网络，输出未来时段的建筑能耗与碳排放预测值。

5、可选地，所述利用并行一维卷积核结合填充操作处理所述时序数据，得到多个时间维度对齐的不同时间尺度的特征子序列，包括：

6、将所述建筑运行状态时序数据按时间先后顺序排列，构建时序特征张量x；

7、设置预设核尺寸分别为3、5和7的三个独立一维卷积核；

8、令所述三个独立一维卷积核分别以滑动步长为1，对所述时序特征张量x进行采用同等填充的滑动卷积操作，得到三个时间维度相同的表示不同时间尺度的特征子序列。

9、可选地，所述分别计算各特征子序列的键矩阵k和值矩阵v，并基于当前时间步数据计算共享查询矩阵q，包括：

10、对于每个特征子序列，通过线性映射层分别计算键矩阵k和值矩阵v；

11、提取各特征子序列在当前最新时间步的特征状态并进行拼接，将拼接后的融合特征通过全连接层进行线性计算，得到所述共享查询矩阵q。

12、可选地，所述计算所述共享查询矩阵q与各键矩阵k的缩放点积，叠加由时间步差值驱动的可学习位置偏置得到初始注意力分数，包括：

13、通过公式计算初始注意力分数e，公式为；

14、其中，q为共享查询矩阵，为键矩阵k的转置，为键矩阵k的特征维度，时间步差值为当前时间步与对应特征时间步的时间步差值，w为在训练阶段或在线增量更新阶段更新的可学习权重参数。

15、可选地，所述归一化后得到注意力权重，包括：

16、利用softmax函数对所述初始注意力分数e进行归一化处理，将每个时间步对应的初始注意力分数的指数值，除以所有时间步对应的初始注意力分数指数值的总和，得到对应的注意力权重。

17、可选地，所述基于各特征子序列的注意力权重与时间步滞后值进行聚合计算，得到状态陈旧度指标，包括：

18、计算当前运行时刻与数据序列中各历史特征对应时刻的时间差，作为时间步滞后值；

19、对各特征子序列，分别将各时间步对应的所述注意力权重与对应的所述时间步滞后值相乘并进行累加求和，再对各特征子序列的求和结果进行均值聚合，得到表示数据时效性衰减的所述状态陈旧度指标。

20、可选地，所述当所述指标大于一级且不大于二级重置阈值时，计算归一化至0至1区间的重置系数，所述重置系数为所述指标与一级重置阈值差值的单调递增函数，包括：

21、将所述状态陈旧度指标减去所述一级重置阈值，得到第一差值；

22、将所述二级重置阈值减去所述一级重置阈值，得到第二差值；

23、将所述第一差值除以所述第二差值，得到所述重置系数。

24、可选地，所述利用注意力权重对值矩阵v加权求和得到上下文向量，将上下文向量输入预测网络，输出未来时段的建筑能耗与碳排放预测值，包括：

25、将所述上下文向量展平为一维数据序列，并输入至包含两层全连接隐藏层及线性输出层的预测网络中；

26、所述预测网络的第一全连接隐藏层包含64个网络节点，第二全连接隐藏层包含32个网络节点，各全连接隐藏层均配置有激活函数；

27、通过所述预测网络的前向计算处理，输出未来时段的建筑能耗与碳排放预测值。

28、根据本发明的另一方面，提出一种建筑能耗碳排放在线监测系统，包括如下模块：

29、处理模块，用于获取建筑运行状态时序数据，包含环境参数、设备参数及历史能耗与碳排放数据，利用并行一维卷积核结合填充操作处理所述时序数据，得到多个时间维度对齐的不同时间尺度的特征子序列；

30、计算模块，用于分别计算各特征子序列的键矩阵k和值矩阵v，并基于当前时间步数据计算共享查询矩阵q，计算所述共享查询矩阵q与各键矩阵k的缩放点积，叠加由时间步差值驱动的可学习位置偏置得到初始注意力分数，归一化后得到注意力权重；

31、输出模块，用于基于各特征子序列的注意力权重与时间步滞后值进行聚合计算，得到状态陈旧度指标，当所述指标大于二级重置阈值时将生成键矩阵k和值矩阵v的网络参数重置为初始参数，当所述指标大于一级且不大于二级重置阈值时，计算归一化至0至1区间的重置系数，所述重置系数为所述指标与一级重置阈值差值的单调递增函数，将所述网络参数更新为所述重置系数与初始参数的乘积、以及一减去所述重置系数所得差值与当前参数的乘积二者之和，当所述指标不大于一级重置阈值或在完成重置并重新计算键矩阵k、值矩阵v及注意力权重后，利用注意力权重对值矩阵v加权求和得到上下文向量，将上下文向量输入预测网络，输出未来时段的建筑能耗与碳排放预测值。

32、优选地，所述利用并行一维卷积核结合填充操作处理所述时序数据，得到多个时间维度对齐的不同时间尺度的特征子序列，包括：

33、将所述建筑运行状态时序数据按时间先后顺序排列，构建时序特征张量x；

34、设置预设核尺寸分别为3、5和7的三个独立一维卷积核；

35、令所述三个独立一维卷积核分别以滑动步长为1，对所述时序特征张量x进行采用同等填充的滑动卷积操作，得到三个时间维度相同的表示不同时间尺度的特征子序列。

36、优选地，所述分别计算各特征子序列的键矩阵k和值矩阵v，并基于当前时间步数据计算共享查询矩阵q，包括：

37、对于每个特征子序列，通过线性映射层分别计算键矩阵k和值矩阵v；

38、提取各特征子序列在当前最新时间步的特征状态并进行拼接，将拼接后的融合特征通过全连接层进行线性计算，得到所述共享查询矩阵q。

39、优选地，所述计算所述共享查询矩阵q与各键矩阵k的缩放点积，叠加由时间步差值驱动的可学习位置偏置得到初始注意力分数，包括：

40、通过公式计算初始注意力分数e，公式为；

41、其中，q为共享查询矩阵，为键矩阵k的转置，为键矩阵k的特征维度，时间步差值为当前时间步与对应特征时间步的时间步差值，w为在训练阶段或在线增量更新阶段更新的可学习权重参数。

42、优选地，所述归一化后得到注意力权重，包括：

43、利用softmax函数对所述初始注意力分数e进行归一化处理，将每个时间步对应的初始注意力分数的指数值，除以所有时间步对应的初始注意力分数指数值的总和，得到对应的注意力权重。

44、优选地，所述基于各特征子序列的注意力权重与时间步滞后值进行聚合计算，得到状态陈旧度指标，包括：

45、计算当前运行时刻与数据序列中各历史特征对应时刻的时间差，作为时间步滞后值；

46、对各特征子序列，分别将各时间步对应的所述注意力权重与对应的所述时间步滞后值相乘并进行累加求和，再对各特征子序列的求和结果进行均值聚合，得到表示数据时效性衰减的所述状态陈旧度指标。

47、优选地，所述当所述指标大于一级且不大于二级重置阈值时，计算归一化至0至1区间的重置系数，所述重置系数为所述指标与一级重置阈值差值的单调递增函数，包括：

48、将所述状态陈旧度指标减去所述一级重置阈值，得到第一差值；

49、将所述二级重置阈值减去所述一级重置阈值，得到第二差值；

50、将所述第一差值除以所述第二差值，得到所述重置系数。

51、优选地，所述利用注意力权重对值矩阵v加权求和得到上下文向量，将上下文向量输入预测网络，输出未来时段的建筑能耗与碳排放预测值，包括：

52、将所述上下文向量展平为一维数据序列，并输入至包含两层全连接隐藏层及线性输出层的预测网络中；

53、所述预测网络的第一全连接隐藏层包含64个网络节点，第二全连接隐藏层包含32个网络节点，各全连接隐藏层均配置有激活函数；

54、通过所述预测网络的前向计算处理，输出未来时段的建筑能耗与碳排放预测值。

55、本发明通过并行一维卷积核与填充操作处理建筑运行状态时序数据，能够提取不同时间尺度的特征并保持时间维度对齐，识别建筑环境和设备运行的多跨度规律。同时，构建改进的注意力机制，利用共享查询矩阵与各子序列键矩阵计算缩放点积，并叠加由时间步差值驱动的可学习位置偏置，评估不同时间间隔的历史数据对当前预测结果的影响权重。利用基于注意力权重和时间步滞后值计算的状态陈旧度指标，根据该指标与分级阈值的关系，仅对生成键矩阵k和值矩阵v的网络参数进行重置或按比例融合更新，避免了模型过度依赖陈旧状态信息造成的误差累积，及时修正键矩阵和值矩阵生成过程中的特征映射偏差，降低模型对陈旧历史特征的过度依赖，从而有助于缓解由陈旧历史特征依赖引起的未来时段建筑能耗与碳排放预测性能下降问题，提高预测结果的稳定性和可靠性。