基于Transformer模型的短期建筑冷负荷预测模型的建立方法、预测方法和计算机设备与流程

基于transformer模型的短期建筑冷负荷预测模型的建立方法、预测方法和计算机设备
技术领域
1.本技术涉及建筑冷负荷预测技术领域，尤其涉及基于transformer模型的短期建筑冷负荷预测模型的建立方法、预测方法和计算机设备。


背景技术：

2.世界经济和人口的快速增长正在加大全球一次能源的消耗，超过33％的能源消耗来自建筑行业，在建筑内部有各种服务系统，其中暖通空调系统占建筑总能耗的比例最大，且暖通空调系统中能效低的器件占比较多，因此精准预测建筑冷负荷是提高暖通空调系统能效、降低系统能耗的关键步骤。现有的预测建筑冷负荷方法有三种，即基于物理的白盒模型、灰盒降阶模型和黑盒数据驱动模型。
3.对于白盒模型，首先需要对建筑建立准确的物理模型，包括建筑的几何形状、热特性和人员在建筑内部活动等信息，其次需要利用相关的天气数据，来进行负荷预测，并使用过去实际负荷数据对模型进行验证以确保其准确性。目前已存在商业可用的成熟软件工具供用户构建模型，但这种方法仍有一些缺陷：首先，该方法需要过多假设来实现传热传质方程计算热负荷，过于复杂难以使用；其次，模型需要输入的详细数据过多，费时费力；最后，在模型中输入不准确的数据会导致模拟结果与实际结果之间产生巨大差异，预测效果不佳。
4.对于灰盒降阶模型，它通过简化墙体结构及其热阻和电容(rc)来预测建筑墙体的热流，现有的rc模型在不降低计算精度的前提下，可以显著减少所需的输入信息和计算时间，能较准确的预测建筑负荷和室内热增益。但在现代建筑中，内部热增益所占的比例逐渐增大，采用该模型不能保证预测精度。
5.对于黑盒数据驱动模型，它是一种基于浅层机器学习和深度学习算法的纯数据驱动模型，与白盒模型和灰盒降阶模型相比，黑盒数据驱动模型只需记录足够的历史数据，不需要太多的建筑信息，即可预测建筑负荷。目前的黑盒数据驱动模型研究有两点不足：一是除长短期记忆算法(long short-term memory，lstm)外，都不是专为提取时间序列数据而设计，无法捕获和保留序列信息，而lstm算法虽然可以提取时间序列数据，但随着预测时间的延长，其捕获的序列信息不再相关，预测结果变差；二是由于记录数据的局限性，目前黑盒数据驱动模型没有针对特征分析的研究(尤其是对太阳辐射强度、风速和时间相关变量的分析)。


技术实现要素：

6.本发明目的是为了解决现有建筑冷负荷预测精度低的问题，提供了基于transformer模型的短期建筑冷负荷预测模型的建立方法、预测方法和计算机设备。
7.本发明是通过以下技术方案实现的，本发明一方面，提供一种基于transformer模型的短期建筑冷负荷预测模型的建立方法，所述方法包括：
8.步骤1、根据建筑冷负荷的历史数据，选取建筑冷负荷预测所需的特征变量，所述特征变量包括天气特征变量和时间特征变量；
9.步骤2、利用pearson相关系数获取每两个特征变量的线性相关性，根据所述线性相关性，选取相互线性独立的特征变量作为预测模型的输入数据；
10.步骤3、根据所述预测模型的输入数据，建立具有序列信息模式的数据集，并根据所述具有序列信息模式的数据集生成序列输入数据集；
11.步骤4、将所述序列输入数据集划分为训练数据和测试数据，对基于transformer网络的模型进行训练；
12.步骤5、根据训练后的基于transformer网络的模型，获取基于transformer模型的短期建筑冷负荷预测模型。
13.进一步地，所述步骤1，具体包括：
14.根据所述历史数据创建不同时间段的天气数据与建筑冷负荷的二维曲线图，获取所述天气特征变量；
15.创建建筑负荷与时间的二维曲线图，获取所述时间特征变量。
16.进一步地，所述步骤5之后，还包括：
17.步骤6、选择平均绝对误差、均方根误差和决定系数作为评价所述短期建筑冷负荷预测模型的指标，对在输入不同特征时的模型进行性能分析，根据所述性能分析结果，获取所述特征变量的重要度按照从大到小进行排序；
18.根据不同输入特征个数下的预测建筑冷负荷和相应的不确定性，确定输入特征个数；
19.根据所述输入特征个数，选取重要度在前所述输入特征个数的特征作为所述预测模型的输入数据。
20.进一步地，步骤3中，根据所述预测模型的输入数据，建立具有序列信息模式的数据集，具体包括：
21.选取预测时间点前24小时内所述预测模型的输入数据对应的历史数据，且所述历史数据以预设时间单位为间隔进行选取，并将所述选取好的历史数据按时间顺序进行排序，根据所述排序后的历史数据，建立具有序列信息模式的数据集。
22.进一步地，所述基于transformer网络的模型包括：编码器块和解码器块；其中，
23.编码输入数据经过输入嵌入层，再利用正弦和余弦函数对时间序列数据中的序列信息进行位置编码，得到编码输入数据的位置编码向量；
24.将位置编码向量导入编码器块，生成一个为解码器块提供数据的d
model
维向量；编码输出数据的处理方法与编码输入数据的相同，得到编码输出数据的位置编码向量，解码器块将所述编码输出数据的位置编码向量与编码器块生成的d
model
维向量共同生成一个包含概率信息的向量来计算输出，当解码器块全部执行完毕后，再经过线性化层和softmax函数层进行输出概率的计算，概率值最大的即为最终结果；
25.在softmax函数层后再添加两个人工神经网络层，将概率值转换为模型的解码输出预测建筑冷负荷。
26.进一步地，所述编码器块中有两个相同的编码器层，每层中有四个串联的扇区；
27.其中，第一个扇区为多头注意力机制，用于生成三个向量，所述三个向量为注意力
值；
28.第二个扇区为归一化，对注意力值进行归一化；
29.第三个扇区为前馈神经网络，用来根据所述归一化的注意力值获取解码器块中使用的数据；
30.第四个扇区为归一化，对所述解码器块中使用的数据进行归一化，生成为解码器块提供数据的d
model
维向量。
31.进一步地，所述天气特征变量包括干球温度、相对湿度、直接法向辐照度和风速；
32.所述时间特征变量包括月、日和小时。
33.第二方面，本发明提供一种基于transformer模型的短期建筑冷负荷预测方法，所述方法包括：
34.根据所述预测模型的输入数据，生成序列输入数据集；
35.将所述序列输入数据集输入所述基于transformer模型的短期建筑冷负荷预测模型，获取建筑冷负荷预测值。
36.第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于transformer模型的短期建筑冷负荷预测方法。
37.第四发明，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行如上文所述的一种基于transformer模型的短期建筑冷负荷预测方法。
38.本发明的有益效果：
39.首先，本发明提出了一种基于transformer模型的短期建筑冷负荷预测模型的建立方法，方法采用具有序列信息模式的数据集生成序列输入数据集，该方法能够从长期时间序列数据中获取并保留信息，与其他模型相比，本发明所提方法在准确率、精确率上的综合表现优于其他方法，预测结果更好、更平滑，不确定性可以保持在
±
10％的范围内；
40.其次，本发明的方法还能够对特征进行分析并对重要性进行排序，并加入了时间相关的特征变量用于预测，对提高模型预测精度起着关键性作用，能显著提高模型的性能，从而准确预测建筑负荷。
41.本发明适用于对短期建筑冷负荷的预测。
附图说明
42.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
43.图1为本发明基于transformer模型的短期建筑冷负荷预测模型的建立方法中基于序列输入数据集的流程示意图；
44.图2为本发明的transformer模型的结构示意图；
45.图3为本发明的编码器层和解码器层的结构示意图；
46.图4为本发明的基于transformer模型的短期建筑冷负荷预测模型的建立方法的流程图；
47.图5为本发明的不同时间段的天气数据与建筑冷负荷的二维曲线图(图中，从上到下的五条曲线分别为第1条、第2条、第3条、第4条和第5条，其中，第1条曲线纵坐标为dry bulb temperature(干球温度)、第2条曲线纵坐标为relative humidity(相对湿度)、第3条曲线纵坐标为direct normal irradiance(直接法向辐照度)、第4条曲线纵坐标为wind velocity(风速)、第5条曲线纵坐标为building cooling load(建筑冷负荷)，以上五条曲线的横坐标均为时间)；
48.图6为本发明的以每小时为单位的建筑冷负荷的二维曲线图(图中，纵坐标为冷负荷，横坐标为时间，单位为小时，图上方表示day(天数)对应的曲线)；
49.图7为本发明的输入特征之间的相关系数；
50.图8为本发明的建筑冷负荷的历史数据与预测结果对比和不确定性曲线(图中，由上至下的纵坐标依次为建筑冷负荷结果和不确定度，图上方，results from historical recorded data(历史记录数据)，results from trn based model(基于trn模型的预测结果)，横坐标为测试时间)；
51.图9为本发明的不同输入特征下预测建筑冷负荷和不确定性曲线(图中，由上至下的纵坐标依次为建筑冷负荷结果和不确定度，图上方，results from historical recorded data(历史记录数据)，不同输入特征对应的results from trn based model(基于trn模型的预测结果)，横坐标为测试时间)。
具体实施方式
52.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
53.实施方式一、一种基于transformer模型的短期建筑冷负荷预测模型的建立方法，所述方法包括：
54.步骤1、根据建筑冷负荷的历史数据，选取建筑冷负荷预测所需的特征变量，所述特征变量包括天气特征变量和时间特征变量；
55.步骤2、利用pearson相关系数获取每两个特征变量的线性相关性，根据所述线性相关性，选取相互线性独立的特征变量作为预测模型的输入数据；
56.需要说明的是，步骤2中，用pearson相关系数(ρ
x,y
)计算评估每两个特征变量之间的线性相关性。当变量在输入数据集中完全正相关或负相关时，模型很可能出现多重共线性，使多元回归模型中的一个或多个变量可以从其他变量中高度准确地预测，导致模型的预测结果产生偏差。ρ
x,y
的计算公式如公式(1)所示：
[0057][0058]
其中，cov(x,y)是x和y的协方差，σ
x
和σy是x和y的偏差，μ
x
和μy是x和y的平均值。
[0059]
减少相关输入变量时ρ
x,y
最常用的变化范围值为
±
0.6，且可以用此范围值来判断输入特征之间的线性相关性：当ρ
x,y
的变化范围在
±
0.6之间时，这两个变量之间相互线性独立。
[0060]
步骤3、根据所述预测模型的输入数据，建立具有序列信息模式的数据集，并根据
所述具有序列信息模式的数据集生成序列输入数据集；
[0061]
步骤4、将所述序列输入数据集划分为训练数据和测试数据，对基于transformer网络的模型进行训练；
[0062]
需要说明的是，步骤4中，可以将序列输入数据集80％的数据作为训练数据，其余20％作为测试数据，导入基于transformer网络的模型中进行算法训练。
[0063]
步骤5、根据训练后的基于transformer网络的模型，获取基于transformer模型的短期建筑冷负荷预测模型。
[0064]
本实施方式中，首先，为了提高预测精度，加入了时间相关的特征；
[0065]
其次，选取相互线性独立的特征作为模型的输入数据，然后使用具有序列信息模式的数据集生成序列输入数据集。这样一来，使得能够从长期时间序列数据中获取并保留信息，与其他模型相比，本发明所提方法在准确率、精确率上的综合表现优于其他方法，预测结果更好、更平滑，不确定性可以保持在
±
10％的范围内。
[0066]
实施方式二，本实施方式是对实施方式一所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述步骤1，做了进一步限定，具体包括：
[0067]
根据所述原始数据创建不同时间段的天气数据与建筑冷负荷的二维曲线图，分析出数据集中应包含天气相关特征；
[0068]
创建建筑负荷与时间的二维曲线图，分析出特征应包含与时间相关的变量。
[0069]
需要说明的是，根据文献综述，建筑冷负荷受两个因素影响很大，即建筑占用率和室外条件。室外条件可以用室外干球温度(tdb)、室外相对湿度(rh)、风速(vwin)、直接法向辐照度(dni)等来很好地描述。
[0070]
从图5中可以看出各项参数都随时间改变在不停的变化，以上参数都可作为特征输入。
[0071]
从图6中判断不同时间单位的冷负荷规模是否不同，可以归纳出三点：
[0072]
首先不同月份的冷负荷规模不同，如2015年10月0-2.2kw、11月0-2.8kw、12月0-4.1kw，2016年1月0-4.3kw、2月0-3.2kw、3月0-2.1kw；
[0073]
其次，每个月的冷负荷每天都在变化。如2015年10月，第28天冷负荷从0kw变化到2kw，第25天冷负荷从0kw变化到1.5kw，其余日子冷负荷为0kw或从0kw变化到《1kw；
[0074]
最后，在记录的大部分天中，从上午8:00到下午3:00左右，冷负荷首先增加，然后在下午4:00后减少。因此，分析出时间特征应包括moy、dom、hod。
[0075]
本实施方式中，根据原始数据创建不同时间段的天气数据与建筑冷负荷的二维曲线图，分析出数据集中应包含天气相关特征；再创建建筑负荷与时间的二维曲线图，分析出特征应包含与时间相关的变量。从原始天气数据集中提取出时间相关特征，并与天气相关特征相结合，形成一个包含反映内部热增益的时间相关特征的新数据集，进而提升建筑冷负荷预测精度。
[0076]
实施方式三，本实施方式是对实施方式一所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述步骤5之后的操作，做了进一步限定，如图4所示，具体包括：
[0077]
所述步骤5之后，还包括：
[0078]
步骤6、选择平均绝对误差、均方根误差和决定系数作为评价所述短期建筑冷负荷预测模型的指标，对在输入不同特征时的模型进行性能分析，根据所述性能分析结果，获取所述特征变量的重要度按照从大到小进行排序；
[0079]
根据不同输入特征个数下的预测建筑冷负荷和相应的不确定性，确定输入特征个数；
[0080]
根据所述输入特征个数，选取重要度在前所述输入特征个数的特征作为所述预测模型的输入数据。
[0081]
需要说明的是，本实施方式中，可以选择平均绝对误差(meanabsolute error,mae)、均方根误差(root mean square error,rmse)和决定系数(r2)作为评价指标，对在输入不同特征时的模型进行性能分析，这三个指标的正常数值范围为0～+∞，其值越小表示实际值与预测值之间的误差越小，模型的预测效果越好。这三个指标的计算公式分别如公式(7)、(8)、(9)所示：
[0082][0083][0084][0085]
其中，i是第i个观测值或预测值，n是值的总数，y是观测值，是预测值；，cov(
·
)是观测值与预测值之间的协方差函数，var(
·
)是方差函数。
[0086]
为了消除数据量对特征分析的影响，分别使用50％、75％和100％的输入数据，分析基于transformer网络的模型在不同输入特征个数下的预测结果，并对特征进行重要性排序，分析模型在使用不同输入特征时的模型精度和结果误差。
[0087]
本实施方式中，对用来预测的特征进行了分析，特征分析在决定模型预测精度方面起着关键作用，模型中使用的特征太少会导致拟合不足，而使用的特征太多会导致过拟合。因此，模型的输入特征的个数有一个最佳的数字或范围来选择输入特征，保证模型有良好的性能和较小的不确定性，选择重要性更高的输入特征，能显著提高模型的性能。
[0088]
能够对特征进行分析并对重要性进行排序，对提高模型预测精度起着关键性作用，能显著提高模型的性能，从而准确预测建筑负荷。
[0089]
实施方式四，本实施方式是对实施方式一所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述根据所述预测模型的输入数据，建立具有序列信息模式的数据集，做了进一步限定，具体包括：
[0090]
选取预测时间点前24小时内所述预测模型的输入数据对应的历史数据，且所述历史数据以预设时间单位为间隔进行选取，并将所述选取好的历史数据按时间顺序进行排序，根据所述排序后的历史数据，建立具有序列信息模式的数据集。
[0091]
例如，由于建筑负荷具有季节性特征，预计使用前24小时的测量数据可以提高预测精度。因此，将前24小时的输入变量串联成顺序输入数据，预测第25小时的建筑冷负荷。最终序列输入数据集的方案如图1所示。其中，序列输入数据xn-i是[tdb,rh,dni,vwin,moy,dom,hod]在第n-i小时的向量，输出数据yn是在第n小时qc，也就是用每24小时的历史
数据预测第25小时的qc，第一次用1-24小时预测第25小时，第二次用第2-25小时预测第26小时，一直进行下去。
[0092]
实施方式五，本实施方式是对实施方式一所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述基于transformer网络的模型，做了进一步限定，具体包括：
[0093]
所述基于transformer网络的模型包括：编码器块和解码器块；其中，
[0094]
编码输入数据经过输入嵌入层，再利用正弦和余弦函数对时间序列数据中的序列信息进行位置编码，得到编码输入数据的位置编码向量；
[0095]
将位置编码向量导入编码器块，生成一个为解码器块提供数据的d
model
维的向量；编码输出数据的处理方法与编码输入数据的相同，得到编码输出数据的位置编码向量，并与编码器块生成的d
model
维向量共同生成一个包含概率信息的向量来计算输出，当解码器块全部执行完毕后，再经过线性化层和“softmax函数”层进行输出概率的计算，概率值最大的即为最终结果；
[0096]
在softmax函数层后再添加两个人工神经网络层(ann)，将概率值转换为模型的解码输出预测建筑冷负荷。
[0097]
需要说明的是，本实施方式提出的基于transformer网络的模型由vaswani等人的transformer算法延伸而来，transformer模型的体系结构如图2所示，
[0098]
它主要由编码器块和解码器块两个模块组成：
[0099]
首先，编码输入数据经过输入嵌入层，再利用正弦和余弦函数对时间序列数据中的序列信息进行位置编码，得到编码输入数据的位置编码向量。位置编码方程如公式(2)所示：
[0100][0101]
其中，是位置编码结果，是对应位置的向量，i是输入变量的位置，d
model
是输入数据的维度。
[0102]
然后将位置编码向量导入编码器块，生成一个为解码器块提供数据的d
model
维的向量；编码输出数据的处理方法与编码输入数据的相同，得到编码输出数据的位置编码向量，并与编码器块生成的d
model
维向量共同生成一个包含概率信息的向量来计算输出，当解码器块全部执行完毕后，再经过线性化层和“softmax函数”层进行输出概率的计算，概率值最大的即为最终结果。softmax函数的计算公式如公式(3)所示：
[0103][0104]
其中，dk为在一定范围内调节注意力值的校正参数。
[0105]
最后，在softmax函数层后再添加两个人工神经网络层(ann)，将概率值转换为模型的解码输出预测建筑冷负荷，本实施方式中，使用的模型可以提高预测精度。
[0106]
实施方式六，本实施方式是对实施方式五所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述编码器块，做了进一步限定，具体包括：
[0107]
所述编码器块中有两个相同的编码器层，每层中有四个串联的扇区；
[0108]
其中，第一个扇区为多头注意力机制，用于生成三个向量，所述三个向量为注意力值；
[0109]
第二个扇区为归一化，对注意力值进行归一化；
[0110]
第三个扇区为前馈神经网络，用来根据所述归一化的注意力值获取解码器块中使用的数据；
[0111]
第四个扇区为归一化，对所述解码器块中使用的数据进行归一化，生成为解码器块提供数据的d
model
维向量。
[0112]
需要说明的是，编码器块中有两个相同的编码器层，每层中有四个串联的扇区。第一个扇区为多头注意力机制，用于生成三个重要的向量(query,key和value向量)，这三个向量为注意力值。三个向量的公式分别如公式(4)、(5)、(6)所示：
[0113][0114][0115][0116]
其中，ζ,λ和ω分别为query,key和value向量，和分别为用来计算query,key和value向量的矩阵，xi是输入变量。
[0117]
第二个扇区为归一化，对注意力值进行归一化以确保模型的稳定性；第三个扇区为前馈神经网络，用来计算解码器块中使用的数据；第四个扇区为归一化，再次归一化可以确保其鲁棒性。编码器块处理结束后将数据输入到解码器块中。解码器块中有两个相同的解码器层，每层中有六个串联的扇区，其中有四个扇区与编码器层相同。除相同的扇区外，解码器层还有编码-解码注意力扇区和归一化扇区，用来将来自编码器块的向量应用输入到解码器块中，以在编码器块和解码器块的数据之间产生注意力。
[0118]
编码器层和解码器层的组成如图3所示。
[0119]
实施方式七，本实施方式是对实施方式一所述的一种基于transformer模型的短期建筑冷负荷预测模型的建立方法的进一步限定，本实施方式中，对所述天气特征变量和所述时间特征变量，做了进一步限定，具体包括：
[0120]
所述天气特征变量包括干球温度、相对湿度、直接法向辐照度和风速；
[0121]
所述时间特征变量包括月、日和小时。
[0122]
本实施方式中的特征变量是对短期建筑冷负荷预测的主要影响因素，可以通过对这些特征变量进行短期建筑冷负荷的预测，进而提升预测精度。
[0123]
实施方式八，本实施方式是基于如上文所述的一种基于transformer模型的短期建筑冷负荷预测模型的预测方法的具体实施例，具体为：
[0124]
本实施例以一座办公楼为研究对象，利用本实施例的基于transformer模型的短期建筑冷负荷预测模型和这座办公楼的实际运行数据对建筑冷负荷进行预测。
[0125]
其中，预测办公楼建筑冷负荷需要的参数包括：天气数据包括干球温度(t
db
)、相对湿度(rh)、直接法向辐照度(dni)和风速(v
win
)；建筑冷却系统提供的总建筑冷负荷(qc)。以上数据的记录时段为2015年10月1日至2016年3月30日、上午8:00至下午5:00，记录间隔时间为每小时。
[0126]
首先，创建不同时间段的天气数据与建筑冷负荷的二维曲线图，如图5所示，从中
可以看出不同时间段的建筑冷负荷与当前的天气数据密切相关，进而分析出模型特征应包括所有与天气相关的变量(t
db
、rh、dni、v
win
)。
[0127]
创建以每小时为单位的建筑冷负荷的二维曲线图，如图6所示，从中可以看出建筑冷负荷与每年中的不同月份(moy)、每月中的不同天(dom)和每天中的不同小时(hod)这三个时间量密切相关，进而分析出模型特征应包括上述时间相关变量(moy、dom、hod)。从原始数据集中提取这些与时间相关的特征，并与原始天气数据中的天气特征相结合，形成一个包含反映内部热增益的时间相关变量的新数据集。
[0128]
其次，用pearson相关系数(ρ
x,y
)计算评估每两个变量之间的线性相关性，计算得出输入特征之间的相关系数结果如图7所示，ρ
x,y
变化范围为-0.51(dni与rh)～+0.4(t
db
与hod)，变化范围在
±
0.6之间，这一结果表明，所有特征之间的线性相关性较差，说明输入的天气特征和时间相关特征是相互线性独立的，因此，所有的输入都可以用来训练模型。
[0129]
取相互线性独立的特征作为模型的输入数据，然后使用具有序列信息模式的数据集生成序列输入数据集，将前24小时的输入变量串联成顺序输入数据，用于训练算法预测第25小时的建筑冷负荷。
[0130]
再次，将序列输入数据集80％的数据作为训练数据，其余20％作为测试数据，导入基于transformer网络的模型中进行算法训练，输出预测的建筑冷负荷。将输出预测的建筑冷负荷与历史记录数据中的建筑冷负荷进行对比，可以得到预测结果的不确定性保持在
±
10％的范围内，模型的预测结果较好且平滑，如图8所示。
[0131]
最后，用mae、rmse和r2分析在输入不同特征时的模型性能，表1至表3显示了分别使用50％、75％和100％的输入数据、在不同输入特征个数下的特征分析结果，vw＝v
win
。
[0132]
表1使用100％的输入数据、在不同输入特征个数下的特征分析
[0133][0134]
表2使用75％的输入数据、在不同输入特征个数下的特征分析
[0135][0136]
表3使用50％的输入数据、在不同输入特征个数下的特征分析
[0137][0138]
结果表明：输入数据的数量对特征分析几乎没有影响，t
db
为只输入一个特征时最重要的特征，t
db
和hod是只有两个输入特征时最重要的两个特征，当有3个或4个输入特征时，rh和dni是第三和第四个最重要的特征，dom、moy和v
win
对基于transformer网络的模型性能影响不大。因此，输入特征的重要性排序如下：t
db
、hod、rh、dni。
[0139]
图9为在不同输入特征个数下的预测建筑冷负荷和不确定性曲线图。当输入特征的个数增加时，模型的性能没有显著提高，但不确定性明显下降，为-50％～+31％(只有一个输入特征)，-26％～+15％(两个输入特征)，-21％～+14％(三个输入特征)，和-15％到+16％(四个输入特征)。结果表明，基于transformer的模型至少需要四个输入特征才能有良好的性能和较小的不确定性。
[0140]
综上所述，为了填补提取序列信息和分析天气特征这两项研究的空白，本发明提出了一种基于transformer网络(trn)的建筑冷负荷预测模型，该模型能够从长期时间序列
数据中提取并保留序列信息，完成短期建筑冷负荷预测，并能够基于此模型进行特征分析以及对特征进行重要性排序。