基于CNN-LSTM的建筑能耗预测方法和系统与流程

本发明涉及建筑能源智能化技术领域，具体地，涉及一种基于cnn-lstm的建筑能耗预测方法和系统，尤其是利用机器学习中的深度学习的方法对建筑能耗进行建模预测的方法。

背景技术：

建筑领域的节能减排是推动生态文明建设的必要一环，建筑能耗预测作为掌握建筑运行特性的重要手段，对建筑节能管理、建筑能源利用率的提高都有积极意义。近年来大数据和人工智能技术的发展，为建筑能耗的预测提供了数据基础和建模分析的算法。机器学习中的深度学习算法因其在处理复杂的数据学习问题上有较好的表现，被应用在不同的领域。

传统的建筑能耗预测分析方法为基于传热分析的物理建模方法，依靠仿真软件对建筑运行进行模拟得到能耗，但由于难以获取精确的建筑参数而有较大误差。基于机器学习的数据驱动方式对建筑进行预测，有着建模速度快、预测精度较高的优势。

卷积神经网络(cnn)在图像处理领域有广泛的应用，可以处理数据的局部关联性；长短期记忆模型(lstm)被用于处理自然语言和时间序列数据，可以学习数据中的序列变化规律。由于存在应用领域的差异，需要设计合理的输入样本形式，以及合理的模型结构，以实现两种算法的有机结合。

与本申请相关的现有技术是专利文献cn110046743a，公开了一种基于ga-ann的公共建筑能耗预测方法和系统。该发明一种基于ga-ann的公共建筑能耗预测方法和系统,采集公共建筑逐时能耗及其影响因素的数据,整理数据并进行预处理；划分训练集和测试集,并通过相关系数法筛选输入变量；输入测试数据,通过遗传算法(ga)优化人工神经网络(ann)模型的相关参数,之后使用训练集数据训练模型；通过输入被预测时期的输入变量,预测公共建筑能耗；最后通过误差指标评价对测试集的预测效果,给出容许误差范围。本发明给出了利用遗传算法和人工神经网络对公共建筑能耗预测的流程与方法。针对公共建筑,实现了高精度的预测,为公共建筑能耗的监测、管理和诊断提供了依据。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种基于cnn-lstm的建筑能耗预测方法和系统。

根据本发明提供的基于cnn-lstm的建筑能耗预测方法和系统，包括：

步骤s1：使用建筑能耗监测模块采集建筑的历史能耗序列数据，同步获取影响因素数据；

步骤s2：对历史序列数据进行预处理，所述数据预处理包括异常数据清洗、线性插值补全和数据归一化，所述历史序列数据包含建筑整年的历史能耗数据；之后按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点；

步骤s3：使用卷积神经网络(cnn)作为特征提取层，cnn之后使用长短期记忆层(lstm)实现对时序性的建模，最后使用全连接层网络，使用上述网络结构建立建筑能耗预测模型；

步骤s4：使用重组后的历史能耗数据集，在服务器中训练模型，并将训练得到的模型以模型结构加权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重；

步骤s5：将新的影响因素数据重组后输入模型，模型输出除以归一化时的缩放比例，计算得到建筑能耗预测值。

优选地，所述影响因素数据包括三类：室外气象参数、建筑运行规律、建筑内部使用情况；气象参数包含室外气温、室外相对湿度，建筑运行规律包括时刻、工作日节假日变化，内部使用情况包括室内设定温度、在室人员数量；

优选地，所述的数据重组方式，将数据组织成为二维表格的输入样本，数据表按时间和特征两个维度组织，时间上按步长包含历史相邻两天内排布数据，特征维度排布所有影响因素的数据；

优选地，所述模型采用了特定网络结构，使用卷积神经网络(cnn)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置3层卷积层提升特征提取的能力；cnn之后使用长短期记忆层(lstm)实现对时序性的建模，设置3层长短期记忆层；最后使用3层全连接层网络实现对建筑运行的非线性的学习；并优选地给出了所述的网络结构中适用于建筑能耗预测的特定参数，包括神经元数量、激活函数选择；

本发明同时提供了一种基于cnn-lstm的建筑能耗预测系统，包括：

模块m1：能耗监测模块，实时测量建筑能耗数据和影响因素数据，并将数据按获取时间点进行存储；

模块m2：数据处理模块，对数据进行预处理并对数据进行重组，将重组后的样本数据存入计算机中，以备模型训练模块m3调用；

模块m3：算法建模模块，通过计算机编程，将所述模型结构通过计算机语言实现，形成待训练的模型；之后调用m2模块处理好的数据样本训练模型，模型迭代稳定后保存模型；

模块m4：模型预测值输出模块，被预测的时间段的影响因素数据通过数据模块m2处理后，通过模块m3得到的模型获得建筑能耗的预测值。

与现有技术相比，本发明具有如下的有益效果：

1.预测速度快，通过cnn-lstm建模并预测建筑能耗，利用建筑历史能耗数据训练模型并保存后，后续可以直接调用并快速提供筑能耗预测，解决了物理建模周期长，工程量大的问题。

2.预测精度高，利用深度学习算法对复杂问题的学习能力，依靠该模型结构可以很好的学习并表现建筑能耗变化特性，建筑能耗预测的精度明显提高。

3.实用性强，本方法可广泛应用于公共建筑和住宅建筑的能耗预测，以预测结果为参考可以优化建筑能源管理策略，提升建筑的运行能效。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明中建筑能耗预测系统流程示意图；

图2为数据组织形式示意图；

图3为模型结构及参数示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明一种基于cnn-lstm的建筑能耗预测方法和系统，通过数据预处理及重组，建立特定结构的模型，训练并保存模型，得到建筑的能耗预测值，该算法可以对公共建筑的实时和未来能耗进行高精度预测。

如图1所示，根据本发明提供的一种基于cnn-lstm的建筑能耗预测方法，包括：

步骤s1：使用建筑能耗监测模块采集建筑的历史能耗序列数据，同步获取影响因素数据；

步骤s2：对历史序列数据进行预处理，所述数据预处理包括异常数据清洗、线性插值补全和数据归一化，所述历史序列数据包含建筑整年的历史能耗数据；之后按时序-特征两个维度将数据重组为二维的数据表格式，作为训练用数据的单个样本，所述时序为按照时间步长排布的数据采集时间点；

步骤s3：使用卷积神经网络(cnn)作为特征提取层，cnn之后使用长短期记忆层(lstm)实现对时序性的建模，最后使用全连接层网络，使用上述网络结构建立建筑能耗预测模型；

步骤s4：使用重组后的历史能耗数据集，在服务器中训练模型，并将训练得到的模型以模型结构及权值的方法存储，所述服务器为可供预测系统调用的计算机资源，所述权值为网络神经元连接的权重；

步骤s5：将新的影响因素数据重组后输入模型，模型输出除以归一化时的缩放比例，计算得到建筑能耗预测值。

具体地，采集的建筑能耗序列数据包括建筑总能耗、插座照明分项、空调能耗分项，针对上述建筑能耗项，使用本专利提供的方法均可以实现较高精度的预测。采集的频次为逐时，采集频次更高的数据通过加和计算得到逐时的能耗序列数据。以建筑总能耗为例，取历史一年的建筑总能耗的序列数据。

具体地，所述影响因素数据包括三类：室外气象参数、建筑运行规律、建筑内部使用情况；气象参数包含室外气温、室外相对湿度，来自当期气象站采集的数据；建筑运行规律包括时刻、工作日节假日变化，内部使用情况包括室内设定温度、在室人员数量。所有影响因素以时间为参照，与建筑能耗数据相对齐。时刻规律通过one-hot编码的方式，将连续的数值转化为类别型变量，工作日安排来自日历数据。室内使用情况数据由建筑管理人员提供。以上海地区某建筑为例，通过互联网获取实时气象参数，并预设未来一个月的运行规律数据文件，室内设定温度有建筑管理方统一管理，人员在室数据通过门禁卡数据统计得到。

具体地，数据预处理过程包括异常数据清洗、线性插值补全和数据归一化。异常数据包括负值和传输异常，传输异常数据通过建筑的装机容量设置阈值筛选，本例中建筑总能耗数值数量级为10³，设置阈值上限值为10⁴。线性插值补全针对数据中的少量断点，计算公式为：

n(n≤5)为缺失点数目，yn(n＝1,2,…,n)为第n个缺失点的数据值，y0和yn+1分别为缺失序列前后紧邻的数据，长期缺失的状况下标记数据异常，不在后续训练中使用对应数据。数据归一化针对每一个特征，除以对应特征历史数据中的最大值ymax获取，处理后的数据落在[0,1]的区间内。

具体地，所述的数据重组方式为，首先将所有历史数据按照采集时间作为行标签，数据类别作为列标签的方式存入到数据表中。之后对每个时间节点，取历史两天内，及48小时内的能耗序列的数据表内容，存储为单独的样本，样本形式如图2所示。按照时间顺序，对所有的节点进行处理，得到用于训练模型的数据样本集。

具体地，建立模型使用的特定网络结构，如图3所示。输入层大小与输入数据样本一致，使用卷积神经网络(cnn)作为特征提取层，采用一维卷积层在特征方向上进行卷积的结构，设置3层卷积层提升特征提取的能力；cnn之后使用长短期记忆层(lstm)实现对时序性的建模，设置3层长短期记忆层；最后使用3层全连接层网络实现对建筑运行的非线性的学习，输出层大小为1，单次输出下一时刻点的能耗预测值。

具体地，所述的网络结构需要采用中适用于建筑能耗预测的特定参数，包括神经元数量、激活函数。神经元数目通过案例数据测试得到，逐层减半，cnn神经元数量为50～500，lstm神经元数量为10～100，全连接层神经元数量为10～100。本例中，cnn首层为128，lstm首层为64，全连接层为20，之后逐层减半。选择relu函数作为激活函数：

式中：yout为激活函数输出；xin为激活函数输入。

基于上述方法，形成了一种基于cnn-lstm的建筑能耗预测系统，本领域技术人员可以将基于cnn-lstm的建筑能耗预测方法理解为所述基于cnn-lstm的建筑能耗预测系统的优选例。

具体地，包含如下模块：

模块m1：能耗监测模块，实时测量建筑能耗数据和影响因素数据，并将数据按获取时间点进行存储；

模块m2：数据处理模块，对数据进行预处理并对数据进行重组，将重组后的样本数据存入计算机中，以备模型训练模块m3调用；

模块m3：算法建模模块，通过计算机编程，将所述模型结构通过计算机语言实现，形成待训练的模型；之后调用m2模块处理好的数据样本训练模型，模型迭代稳定后保存模型；

模块m4：模型预测值输出模块，被预测的时间段的影响因素数据通过数据模块m2处理后，通过模块m3得到的模型获得建筑能耗的预测值。

根据本发明以深度学习算法建模并预测建筑能耗的思想，针对建筑能耗数据特点和算法结构与能耗预测问题的适配，提出了可以对建筑能耗进行高精度预测的方法与系统，为建筑能源系统的节能优化提供了参考模型。分别利用cnn对数据局部关联性的学习和lstm对序列数据变化规律的学习，有效的提高了数据模型对建筑能耗的预测精度。

在具体实施例中，以本发明技术方案为前提下进行实施，依靠上海地区某建筑的历史数据和开源python库，给出了详细的实施方式和具体的操作过程，并给出了具体适用的参数。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。