设备能耗预测方法、装置、电子设备和存储介质与流程

1.本发明涉及能耗预测技术领域，尤其涉及一种设备能耗预测方法、装置、电子设备和存储介质。


背景技术：

2.目前，空调系统既是用能大户，也是节能主力，空调系统的节能优化运行对于建设资源节约与环境友好型社会、实现碳达峰与碳中和等目标都具有重大意义。预测能耗数据能够向操作人员提供空调系统和设备的运行信息，获取关键节能方向，帮助其调整设备运行策略，为能源优化、控制管理和故障诊断等节能技术提供依据和指导，是暖通空调系统节能任务中有利而关键的环节。构建设备能耗的数学或物理模型，预测设备能耗数据的变化，进而根据预测能耗与实际能耗的差异，可以分析设备的用能情况。
3.然而，能耗预测多见于建筑级别或者冷水机组系统，对于设备级别的相关研究比较少，同时，存在对设备级的能耗预测准确性低的问题。


技术实现要素：

4.本发明提供一种设备能耗预测方法、装置、电子设备和存储介质，用以解决设备能耗预测准确性低的问题，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。
5.本发明提供一种设备能耗预测方法，包括：
6.确定能耗预测模型的训练数据；
7.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；
8.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.在一个实施例中，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：
10.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；
11.所述多项式回归算法对应的参数包括多项式维度。
12.在一个实施例中，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：
13.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；
14.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。
15.在一个实施例中，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：
16.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；
17.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。
18.在一个实施例中，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：
19.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；
20.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。
21.在一个实施例中，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：
22.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；
23.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。
24.在一个实施例中，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：
25.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；
26.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。
27.本发明还提供一种设备能耗预测装置，包括：
28.确定模块，用于确定能耗预测模型的训练数据；
29.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；
30.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。
31.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述设备能耗预测方法。
32.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述设备能耗预测方法。
33.本发明提供的设备能耗预测方法、装置、电子设备和存储介质，通过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。
附图说明
34.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1是本发明提供的设备能耗预测方法的流程示意图；
36.图2是本发明提供的多项式回归模型训练的流程示意图；
37.图3是本发明提供的svr模型训练的流程示意图；
38.图4是本发明提供的ann模型训练的流程示意图；
39.图5是本发明提供的xgboost模型训练的流程示意图；
40.图6是本发明提供的设备能耗预测装置的结构示意图；
41.图7是本发明提供的电子设备的结构示意图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.下面结合图1-图7描述本发明的设备能耗预测方法、装置、电子设备和存储介质。
44.具体地，本发明提供了一种设备能耗预测方法，参照图1，图1是本发明提供的设备能耗预测方法的流程示意图。
45.本发明实施例提供的设备能耗预测方法，包括：
46.步骤100，确定能耗预测模型的训练数据；
47.需要说明的是，能耗预测模型用于预测设备的能耗，在确定能耗预测模型之前，需要确定能耗预测模型的训练数据。
48.例如，获取对设备能耗存在影响的所有自变量数据，然后计算这些自变量数据的皮尔逊相关系数(pearson correlation coefficient)，再根据皮尔逊相关系数选择与设备能耗相关性大的自变量数据，例如，将皮尔逊相关系数大于设定阈值的自变量数据作为与设备能耗相关性大的自变量数据。进一步对这些与设备能耗相关性大的自变量数据进行数据预处理，例如，采用上下限清洗、k均值聚类(k-means)等算法对这些自变量数据进行清洗，并将所有数据处理到同一时间维度。将经过预处理后的数据作为训练数据，该训练数据可以包括室外温度temp_out、室内温度temp_in、设备开启状态on_off等数据，其中，训练数据可分为训练集和测试集，例如，按设定比例(如7:3或8:2)将训练数据分为训练集和测试集。
49.步骤200，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；
50.在确定训练数据后，通过该训练数据分别对多种预测算法对应的参数进行训练，得到每种预测算法的能耗预测模型，也即在训练数据相同的情况下，采用多种预测算法训练模型，其中，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。
51.需要说明的是，每种预测算法对应不同的参数，该参数是指训练预测模型所需的参数。
52.步骤300，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。
53.在训练得到每种预测算法对应的能耗预测模型后，确定每个能耗预测模型的第一评估指标值，将评估指标值最大的能耗预测模型作为目标能耗模型，然后采用目标能耗预测模型预测设备能耗。也即基于能耗预测模型的第一评估指标值选择准确度最高的模型作为设备能耗预测模型的最终输出。
54.本发明实施例提供的设备能耗预测方法，通过确定能耗预测模型的训练数据；通过训练数据，分别对多种预测算法对应的参数进行训练，得到每种预测算法的能耗预测模型；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。同时，针对不同输入参数类型、不同数据规模、不同种类设备的能耗数据，本发明选择预测精度更高的算法，省略了人为选择算法的流程，从而降低算法使用过程对专业技术人员的要求。
55.基于上述实施例，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：
56.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。
57.需要说明的是，多项式回归算法(polynomial regression)属于有监督的回归(regression)学习算法。多项式回归算法是通过历史数据拟合出多项式回归的方程，并利用多项式回归的方程对新的数据进行预测。
58.通过训练数据，对多项式回归算法对应的参数进行训练，得到多项式回归算法的能耗预测模型(即多项式回归模型)，其中，多项式回归算法对应的参数，即多项式回归模型参数包括：degree：多项式维度。
59.本发明实施例通过训练数据，对多项式回归算法对应的参数进行训练，得到多项式回归算法的能耗预测模型，基于此，提高了模型训练的准确性。
60.基于上述实施例，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：
61.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。
62.需要说明的是，支持向量回归算法是指svr(support vector regression)算法，支持向量回归是一种监督学习算法，用于预测离散值。
63.通过训练数据，对支持向量回归算法对应的参数进行训练，得到支持向量回归算法的能耗预测模型(即svr模型)，其中，支持向量回归算法对应的参数，即svr模型参数包括：gamma：高斯核rbf、多项式poly核和核函数系数(即sigmoid核的核系数)。
64.本发明实施例通过训练数据，对支持向量回归算法对应的参数进行训练，得到支持向量回归算法的能耗预测模型，基于此，提高了模型训练的准确性。
65.基于上述实施例，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：
66.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。
67.需要说明的是，人工神经网络算法是指ann(artificial neural network)算法。
68.通过训练数据，对人工神经网络算法对应的参数进行训练，得到人工神经网络算法的能耗预测模型(即ann模型)，其中，人工神经网络算法对应的参数，即ann模型的参数包括：
69.num_layers：隐藏层层数；
70.hidden_layer_sizes：每层隐藏层的神经元个数；
71.alpha：l2正则化项的强度。
72.本发明实施例通过训练数据，对人工神经网络算法对应的参数进行训练，得到人工神经网络算法的能耗预测模型，基于此，提高了模型训练的准确性。
73.基于上述实施例，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：
74.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。
75.需要说明的是，梯度提升算法是指xgboost(extreme gradient boosting)算法。
76.通过训练数据，对梯度提升算法对应的参数进行训练，得到梯度提升算法的能耗预测模型(即xgboost模型)，其中，梯度提升算法对应的参数，即xgboost模型的参数包括：
77.n_estimators：梯度提升树的数量；
78.max_depth：基础学习器的最大树深度；
79.learning_rate：学习率；
80.gamma：在树的叶节点上进行分区所需的最小损失值；
81.min_child_weight：子级中实例重量的最小总和。
82.本发明实施例通过训练数据，对梯度提升算法对应的参数进行训练，得到梯度提升算法的能耗预测模型，基于此，提高了模型训练的准确性。
83.基于上述实施例，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：
84.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；
85.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。
86.需要说明的是，评估指标用于评估能耗预测模型的准确性，其中，能耗预测模型的评估指标包括决定系数(rsquared，coefficient of determination，r2)，平均绝对误差(meanabsolute error，mae)，均方误差(mean square error，mse)以及平均绝对百分比误差(mean absolute percentage error，mape)。
87.其中，r2反映的是模型拟合数据的准确程度，一般r2的范围是0到1，其值越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合越好。
88.mae是绝对误差的平均值，反映预测值误差的实际情况。
89.mse是真实值与预测值的差值的平方，然后求和的平均，用于检测模型的预测值和真实值之间的偏差。
90.mape是平均绝对百分比误差，其中，mape的值越小，说明预测模型拟合效果越好，具有更好的精确度。
91.第二评估指标值包括r2，mae，mse以及mape中的至少一个。
92.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，然后将训练集的第二评估指标值与测试集的第二评估指标值进行比较，根据比较结果调整能耗预测模型的参数。
93.例如，参考图2，多项式回归模型的训练步骤如下：
94.(1)在初步设定模型参数的基础上，多项式回归算法对设备能耗做出初步预测，并分别计算训练集和测试集的r2，mae，mse和mape指标；
95.(2)根据训练集和测试集同一指标的相对大小，判断模型参数调整方向，如果测试集的指标比训练集的指标差，说明模型过拟合；如果测试集和训练集的指标都比较差，说明模型欠拟合，以此为标准调整多项式回归模型参数；
96.(3)模型调参后，重复步骤(1)和步骤(2)，直到多项式回归模型准确度达到设定标准，同时记录当前模型参数和模型指标，并保存该模型。
97.参考图3，svr模型的训练步骤如下：
98.(1)在初步设定模型参数的基础上，svr算法对设备能耗做出初步预测，并分别计算训练集和测试集的r2，mae，mse和mape指标；
99.(2)根据训练集和测试集同一指标的相对大小，判断模型参数调整方向，如果测试集的指标比训练集的指标差，说明模型过拟合；如果测试集和训练集的指标都比较差，说明模型欠拟合，以此为标准调整svr模型参数；
100.(3)模型调参后，重复步骤(1)和步骤(2)，直到svr模型准确度达到设定标准，同时记录当前模型参数和模型指标，并保存该模型。
101.参考图4，ann模型的训练步骤如下：
102.(1)在初步设定模型参数的基础上，ann算法对设备能耗做出初步预测，并分别计算训练集和测试集的r2，mae，mse和mape指标；
103.(2)根据训练集和测试集同一指标的相对大小，判断模型参数调整方向，如果测试集的指标比训练集的指标差，说明模型过拟合；如果测试集和训练集的指标都比较差，说明模型欠拟合，以此为标准调整ann模型参数；
104.(3)模型调参后，重复步骤(1)和步骤(2)，直到ann模型准确度达到设定标准，同时记录当前模型参数和模型指标，并保存该模型。
105.参考图5，xgboost模型的训练步骤如下：
106.(1)在初步设定模型参数的基础上，xgboost算法对设备能耗做出初步预测，并分别计算训练集和测试集的r2，mae，mse和mape指标；
107.(2)根据训练集和测试集同一指标的相对大小，判断模型参数调整方向，如果测试集的指标比训练集的指标差，说明模型过拟合；如果测试集和训练集的指标都比较差，说明模型欠拟合，以此为标准调整xgboost模型参数；
108.(3)模型调参后，重复步骤(1)和步骤(2)，直到xgboost模型准确度达到设定标准，同时记录当前模型参数和模型指标，并保存该模型。
109.本发明实施例通过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，然后将训练集的第二评估指标值与测试集的第二评估指标值进行比较，根据比较结果调整能耗预测模型的参数。基于此，提高了模型的准确性。
110.基于上述实施例，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：
111.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；
112.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。
113.在训练得到每种预测算法对应的能耗预测模型后，确定每个能耗预测模型的第一评估指标值，然后从多个评估指标值中确定最大的第一评估指标值，采用最大的第一评估指标值对应的能耗预测模型作为目标能耗预测模型。其中，第一评估指标值是指r2，r2越大，说明拟合效果越好，模型的准确性越高。
114.例如，分别确定多项式回归模型、svr模型、ann模型以及xgboost模型的r2，然后选择最大的r2，即：
[0115][0116][0117]
其中，表示r2的计算公式，i表示第i个样本点，的计算公式，i表示第i个样本点，分别表示多项式回归算法、svr算法、ann算法和xgboost算法的预测结果，yi表示能耗真值，n表示样本点的总数，表示y的平均值。
[0118]
在确定最大r2对应的模型后，输出模型的id，其中：
[0119]
model_id：最终输出的模型id；
[0120]
model_id＝1代表多项式算法；
[0121]
model_id＝2代表svr算法；
[0122]
model_id＝3代表ann算法；
[0123]
model_id＝4代表xgboost算法。
[0124]
假设svr模型的r2最大，则输出model_id＝2。
[0125]
可选地，第一评估指标值还可以是平均绝对误差mae，均方误差mse以及平均绝对百分比误差mape。
[0126]
本发明实施例通过从多个r2中确定最大的r2，采用最大的r2对应的能耗预测模型作为目标能耗预测模型，基于此，提高了能耗预测模型的准确性。
[0127]
图6是本发明提供的设备能耗预测装置的结构示意图，参照图6，本发明的实施例提供了一种设备能耗预测装置，包括第一接收模块601，第一发送模块602和第二接收模块603。
[0128]
确定模块601，用于确定能耗预测模型的训练数据；
[0129]
训练模块602，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；
[0130]
预测模块603，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。
[0131]
本发明实施例提供的设备能耗预测装置，通过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。
[0132]
在一个实施例中，所述训练模块602具体用于：
[0133]
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；
[0134]
所述多项式回归算法对应的参数包括多项式维度。
[0135]
在一个实施例中，所述训练模块602具体用于：
[0136]
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；
[0137]
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。
[0138]
在一个实施例中，所述训练模块602具体用于：
[0139]
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；
[0140]
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。
[0141]
在一个实施例中，所述训练模块602具体用于：
[0142]
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；
[0143]
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。
[0144]
在一个实施例中，所述训练模块602还用于：
[0145]
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；
[0146]
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。
[0147]
在一个实施例中，所述预测模块603还用于：
[0148]
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；
[0149]
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。
[0150]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行设备能耗预测方法，该方法包括：
[0151]
确定能耗预测模型的训练数据；
[0152]
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；
[0153]
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。
[0154]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0155]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的设备能耗预测方法，该方法包括：
[0156]
确定能耗预测模型的训练数据；
[0157]
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；
[0158]
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。
[0159]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0160]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0161]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。