基于权重邻域粗糙集快速约简的滚动时域能耗预测方法与流程

技术特征：
1.一种基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，其特征在于，所述能耗预测方法包括下述步骤：步骤s1、收集能耗数据以及与建筑能耗相关联的影响因素数据，对收集到的数据采用相应的预处理方式，形成特征数据集；步骤s2、选取若干能耗数据进行聚类，划分能耗模式，依照聚类结果对所有数据进行分类，形成能耗数据决策集；步骤s3、将决策集与特征数据集结合，得到决策表，通过基于qr分解的权重邻域粗糙集方法对决策表进行快速属性约简；步骤s4、通过基于滚动时域的lstm网络进行能耗预测。2.如权利要求1所述基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，其特征在于，所述预处理方式有线性归一化处理、风向数值化处理、onehot编码进行标准化处理、正弦余弦转化处理，得到特征数据集，其相应的特征属性矩阵为z
n,m
。3.如权利要求2所述基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，其特征在于，所述步骤s2具体过程如下：s21、按照需要对每个设备能耗数据进行抽样；s22、利用基于轮廓系数的k-means聚类划分小样本能耗模式：指定聚类簇数k，从特征属性矩阵z
n,m
中取出e行数据得到小样本特征属性矩阵；然后进行k-means聚类，得到e行包含k个能耗模式的特征数据m k
；将m k
与结合得到具有能耗模式特征的小样本特征集；计算对应的轮廓系数，其中d
out
(β)为样本β到同一类中其他样本的平均距离，d
in
(β)为样本β到其他类别所有样本的平均距离，取l
k
(β)最大时对应的聚类簇数k与对应的小样本特征集；s23、通过svm算法得到能耗模式，形成决策集d。4.如权利要求3所述基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，其特征在于，所述步骤s3具体过程如下：s31、根据所述决策集、特征数据集建立决策表，其中u为论域，at为属性特征集，
∀
x∈u，
∀
ε∈at，f(x,ε)为样本x相对于特征属性ε的值，特征系数矩阵为g，决策向量矩阵为h；s32、建立约简矩阵re并计算特征分配系数υ：对矩阵g
t
g采用qr分解方法求逆，对于非稀疏对称矩阵g
t
g，经过householder变换后，转化为正交矩阵q与上三角矩阵r的乘积即，因此，得到；
s33、计算每个特征属性ε的权重；s34、计算加权邻域相似关系：b为at的一个特征子集，，邻域半径阈值为δ，对每一个b，有；s35、计算决策集d对相似关系的依赖度；，其中，为d关于b在邻域粗糙集下的正区域，为d对应相似关系的下近似；s36、对于每个处于特征子集外部的特征属性ε，计算在d决策下外部特征属性ε对约简集re的外部重要度：，当外部重要度取最大值时，将对应的外部特征加入约简集re；s37、对于每个在约简集内部的特征属性μ,计算特征属性μ对约简集re的内部重要度：，当时，从re移除非必要内部特征，得到约简集re。5.如权利要求4所述基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，其特征在于，所述步骤s4具体过程如下：s41、将属性约简过后的约简集以年为时域间隔mto
n
、月为间隔移动步长划分训练集与测试集，时域间隔数量为n，具体的，对每个时域间隔mto
n
，划分为m个训练集与m-1个测试集，且将接下来一个月的数据作为预测集；s42、将n个时域间隔mto
n
分别输入lstm网络训练，得到n个lstm模型，记为，并分别用lstmn模型预测接下来的每个月能耗；s43、将各模型预测值与实际数据进行对比，并分别计算每个模型在不同预测时域所对应的均方根误差rmse、平均绝对误差mae和r2值，并从中选取最优预测结果。

技术总结
本发明适用于人工智能与能耗预测技术领域，提供一种基于权重邻域粗糙集快速约简的滚动时域能耗预测方法，所述方法包括：收集能耗数据以及与建筑能耗相关联的影响因素数据，对收集到的数据采用相应的预处理方式，形成特征数据集；选取若干能耗数据进行聚类，划分能耗模式，依照聚类结果对所有数据进行分类，形成能耗数据决策集；将决策集与特征数据集结合，得到决策表，通过基于QR分解的权重邻域粗糙集方法对决策表进行快速属性约简；通过基于滚动时域的LSTM网络进行能耗预测。时域的LSTM网络进行能耗预测。时域的LSTM网络进行能耗预测。


技术研发人员：刘鑫 侯群 杨志祥 熊筠轲 杨小涛 程佳斌 余将其 皮辉 谈俊 江丹 彭坤 郭朝霞 许雷 范俊甫 蔡烨彬 谢倩
受保护的技术使用者：中船重工（武汉）凌久高科有限公司
技术研发日：2022.11.17
技术公布日：2023/1/13