设备能耗预测方法、装置、电子设备和存储介质与流程

技术特征：
1.一种设备能耗预测方法，其特征在于，包括：确定能耗预测模型的训练数据；通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。2.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述多项式回归算法对应的参数进行训练，得到所述多项式回归算法的能耗预测模型；所述多项式回归算法对应的参数包括多项式维度。3.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述支持向量回归算法对应的参数进行训练，得到所述支持向量回归算法的能耗预测模型；所述支持向量回归算法对应的参数包括高斯核、多项式核以及核函数系数。4.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述人工神经网络算法对应的参数进行训练，得到所述人工神经网络算法的能耗预测模型；所述人工神经网络算法对应的参数包括隐藏层层数、每层隐藏层的神经元个数以及l2正则化项的强度。5.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型，包括：通过所述训练数据，对所述梯度提升算法对应的参数进行训练，得到所述梯度提升算法的能耗预测模型；所述梯度提升算法对应的参数包括梯度提升树的数量、基础学习器的最大树深度、学习率、在树的叶节点上进行分区所需的最小损失值以及子级中实例重量的最小总和。6.根据权利要求1所述的设备能耗预测方法，其特征在于，所述通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型之后，包括：确定训练集的第二评估指标值以及测试集的第二评估指标值；所述训练数据包括所述训练集和所述测试集；将所述训练集的第二评估指标值与所述测试集的第二评估指标值进行比较，根据比较结果调整所述能耗预测模型的参数。7.根据权利要求1所述的设备能耗预测方法，其特征在于，所述根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，包括：从多个所述第一评估指标值中确定最大的第一评估指标值；
采用所述最大的第一评估指标值对应的能耗预测模型作为所述目标能耗预测模型。8.一种设备能耗预测装置，其特征在于，包括：确定模块，用于确定能耗预测模型的训练数据；训练模块，用于通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；预测模块，用于根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。9.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述设备能耗预测方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述设备能耗预测方法。

技术总结
本发明涉及能耗预测技术领域，提供一种设备能耗预测方法、装置、电子设备和存储介质，该方法包括：确定能耗预测模型的训练数据；通过所述训练数据，分别对多种预测算法对应的参数进行训练，得到每种所述预测算法的能耗预测模型；所述预测算法包括多项式回归算法、支持向量回归算法、人工神经网络算法以及梯度提升算法；根据每个所述能耗预测模型的第一评估指标值确定目标能耗预测模型，采用所述目标能耗预测模型预测设备能耗。本发明通过采用多种预测算法竞争寻优的策略，优化了设备能耗预测问题，提高了设备能耗预测的准确性。提高了设备能耗预测的准确性。提高了设备能耗预测的准确性。


技术研发人员：于震 李怀 李立 郝玉珍
受保护的技术使用者：中国建筑科学研究院有限公司
技术研发日：2022.10.24
技术公布日：2023/2/6