能耗预测模型构建方法、短期能耗预测方法及相关装置与流程

1.本公开涉及数据处理技术领域，具体涉及深度学习、大数据等人工智能技术领域，可应用于能耗预测、节能减排场景，尤其涉及一种能耗预测模型构建方法和短期能耗预测方法，以及对应的装置、电子设备、计算机可读存储介质及计算机程序产品。


背景技术：

2.诸如大型购物商场、大型游乐场、大型游乐景点等大型商业综合体的节能减排是实行双碳战略的重要渠道。
3.为提高建筑的能耗效率、降低成本并减少排放，如何准确获取最优的能耗估值是关键。


技术实现要素：

4.本公开实施例提出了一种能耗预测模型构建、短期能耗预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
5.第一方面，本公开实施例提出了一种能耗预测模型构建方法，包括：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，编码器基于引入注意力机制的循环神经网络构建得到，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
6.第二方面，本公开实施例提出了一种能耗预测模型构建装置，包括：编码器处理单元，被配置成利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，编码器基于引入注意力机制的循环神经网络构建得到，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；解码器处理单元，被配置成利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；能耗预测模型训练单元，被配置成将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
7.第三方面，本公开实施例提出了一种短期能耗预测方法，包括：获取目标预测对象的能耗预测信息；其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，目标能耗预测模型根据如第一方面中任一实现方式描述的能耗预测模型构建方法得到。
8.第四方面，本公开实施例提出了一种短期能耗预测装置，包括：能耗预测信息获取单元，被配置成获取目标预测对象的能耗预测信息；其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；历史时段能耗信息确定单元，被配置成确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；能耗预测单元，被配置成将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，目标能耗预测模型根据如第二方面中任一实现方式描述的能耗预测模型构建装置得到。
9.第五方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
10.第六方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
11.第七方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
12.本公开实施例提供的能耗预测模型构建、短期能耗预测方法，不仅同时使用天气、节假日、客流三个影响因子来共同分析对目标对象能耗之间的关联关系，且由于使用基于循环神经网络构建的编码器和解码器来从数据序列中更好的捕捉时间关联性，能够更好的进行短期预测，而注意力机制的引入则能够进一步的明确不同影响因子对预测结果的贡献程度，进而在合适特征权重的基础上提升预测准确性。同时，由于同时将编码器输出数据和预测时段的已知的天气和节假日数据一同输入解码器，可利用预测时段的已知数据进一步的提升预测结果的准确性。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
15.图1是本公开可以应用于其中的示例性系统架构；
16.图2为本公开实施例提供的一种能耗预测模型构建方法的流程图；
17.图3a、图3b和图3c分别为本公开实施例提供的温度、客流、节假日影响因子与能耗之间的关联关系示意图；
18.图4为本公开实施例提供的另一种能耗预测模型构建方法的流程图；
19.图5为本公开实施例提供的一种数据结构的示意图；
20.图6a和图6b分别为本公开实施例提供的数据经归一化处理前后的示意图；
21.图7为本公开实施例提供的一种目标能耗预测模型的结构示意图；
22.图8a和图8b分别为本公开实施例提供的在训练集和在测试集上损失值随不断迭代过程中的变化情况示意图；
23.图9为本公开实施例提供的一种短期能耗预测方法的流程图；
24.图10为本公开实施例提供的一种能耗预测模型构建装置的结构框图；
25.图11为本公开实施例提供的一种短期能耗预测装置的结构框图；
26.图12为本公开实施例提供的一种适用于执行能耗预测模型构建方法和/或短期能耗预测方法的电子设备的结构示意图。
具体实施方式
27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
28.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
29.图1示出了可以应用本技术的用于训练人脸识别模型以及识别人脸的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
30.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
31.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如用电数据收集类应用、模型构建类应用、能耗预测类应用等。
32.终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
33.服务器105通过内置的各种应用可以提供各种服务，以可以提供短期能耗预测服务的能耗预测类应用为例，服务器105在运行该能耗预测类应用时可实现如下效果：首先，通过网络104接收终端设备101传入的目标预测对象的能耗预测信息，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；然后确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息，该历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，该影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；最后，将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测
结果。
34.其中，目标能耗预测模型可由服务器105上内置的模型构建类应用按如下步骤训练得到：首先，利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列，该编码器基于引入注意力机制的循环神经网络构建得到，该影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；然后，利用预设的解码器处理该编码器的输出数据、该目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果，该解码器基于循环神经网络构建得到，该预测时段为在与该历史时段在时间序列上具有连续性的时段；最后，将训练完成的基于该编码器和该解码器构建的能耗预测模型，输出为目标能耗预测模型。
35.由于为训练得到能耗预测模型需要占用较多的运算资源和较强的运算能力，因此本技术后续各实施例所提供的能耗预测模型构建方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，能耗预测模型构建装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的能耗预测模型构建类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。相应的，能耗预测模型构建装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。
36.当然，用于训练得到能耗预测模型的服务器可以不同于调用训练好的能耗预测模型来使用的服务器。特殊的，经由服务器105训练得到的能耗预测模型也可以通过模型蒸馏的方式得到适合置入轻量级的终端设备101、102、103的轻量级的能耗预测模型，即可以根据实际需求的识别准确度灵活选择使用终端设备101、102、103中的轻量级的能耗预测模型，还是选择使用服务器105中的较复杂的能耗预测模型。
37.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
38.请参考图2，图2为本公开实施例提供的一种能耗预测模型构建方法的流程图，其中流程200包括以下步骤：
39.步骤201：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；
40.本步骤旨在由能耗预测模型构建方法的执行主体(例如图1所示的服务器105)将包含目标对象在历史时段的能耗数据序列和影响因子数据序列在内的输入数据，输入预设的编码器，以由该编码器对输入数据进行处理。其中，该编码器基于引入注意力机制的循环神经网络构建得到，以利用循环神经网络来更好的处理具有时间连续性的数据序列，影响因子数据序列则包括：天气、客流、节假日(即该时段是否属于节假日)三种影响因子的数据，而注意力机制则用于区别不同影响因子对能耗数据的影响程度，进而准确为每种影响因子的特征分配正确的权重，以在正确的权重下更准确的描述影响因子与能耗数据的关联性。
41.其中，天气数据主要来自边缘端温度传感器等设备实时采集的天气数据以及商业天气预报接口提供的各项天气量，包括气温、湿度、风速(分别有最高、最低和平均值)，用于表征在不同天气对目标对象的能耗影响(可参见图3a所示的天气中的温度因素与能耗的关
联关系图)；能耗数据主要通过电表、水表等边缘端设备自动上传至云端；客流数据主要通过商业中心边缘端的客群分析摄像头实时采集得到，主要包含了每小时门店以及各个电梯、出入口的入店客流以及出店客流，用于表征客流大小对目标对象的能耗影响(可参见图3b所示的客流与能耗的关联关系图)；节假日则包括：节日(包括放假的节日和不放假的节日，其中放假的节日例如劳动节、不放假的节日例如植树节等)、假日以及公休日，即此处的节假日的概念用于区别于非节日、非假日或非公休日的普通日子，用于表征目标对象在普通日子或节假日下客流变化而对能耗产生的影响(以大型购物商场为例，假日和公休日往往客流明显比工作日要多，进而导致能耗明显增加)(可参见图3c所示的包括元旦这一假日在内的客流与能耗的关联关系图，可看出因为元旦这一特殊日子打破了之前的变化规律)。
42.一种包括且不限于的节假日影响因子的数据的表示方式为：
43.采用预设的九维向量来表示节假日影响因子的数据，该九维向量中的七维向量用于表征预测时段是一周中的哪一天、该九维向量中剩余的两维向量用于表征预测时段是否受节日、假日影响导致工作日休息或公休日补班。具体的，周一到周日的标识采用one-hot编码(独热编码)，周一用向量[1,0,0,0,0,0,0]表示，周二用[0,1,0,0,0,0,0]表示，依此类推。此外，用一个二维向量对节假日特征进行编码：第一个位置表示当天是否受节假日影响，第二个位置表征受节假日影响，当天是补班还是休息。例如[0,0]或[0,1]表示当天不受节假日影响，为正常工作日或休息日，[1,0]表示当天受节假日影响，原本的工作日改为休息，[1,1]表示当天受节假日影响，原本的休息日改为工作补班。当然，除该表示方式外，也存在其它多种表示方式，包括直接附加普通工作日、普通公休日、节日类工作日、假日类公休日、补班公休日等等时段类型标签，以直接根据标签来确定预测时段是否收到节假日因素的影响。
[0044]
其中，目标对象可以是存在较多用电设备的建筑物、园区的，例如大型购物商场、大型游乐场、大型游乐景点等大型商业综合体，这些大型商业综合体普遍都包括多个商户、每个商户都包含多个用电设备，且此类商业综合体的整体能耗较高，是实现节能减排目标的终点对象。进一步的，考虑到此类大型商业综合体中的用电可分为两部分：商户用电和公共用电，其中公共用电与客流之间的关联性不大(即无论来多少客户此部分用电多少变化不大)，商户用电与客流之间具有明显的关联性，因此还可以将影响因子数据序列中的客流数据确定为在商户区域采集到的客流数据，且历史能耗数据则刨除掉公共用电，以提升影响因子与能耗数据之间的关联性。
[0045]
具体的，该编码器可以具体是采用encoder框架构建得到，对应的，解码器也可以同步采用decoder框架构建得到，以充分利用encoder-decoder框架对序列中各数据的处理、分析能力，更好的输出能耗预测结果，且在输出多个连续日的能耗预测结果时，也可以利用encoder-decoder框架充分结合上一日的能耗预测结果来提升下一日的能耗预测结果的准确性。
[0046]
步骤202：利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；
[0047]
在步骤201的基础上，本步骤旨在由上述执行主体将编码器的输出数据、目标对象在预测时段时已知的天气数据和节假日数据，作为预设的解码器的输入数据，以通过解码器的处理得到目标对象在预测时段的能耗预测结果。其中，解码器基于循环神经网络构建
得到，预测时段为在与历史时段在时间序列上具有连续性的时段，以延续历史时段的能耗数据随时间的连续性来进行预测时段的能耗预测。
[0048]
具体的，预测时段可以是紧接着历史时段的一段时间(例如一天、一周等)，也可以是与历史时段间隔一小段时间(例如一天、两天)的后续时间，具体的，可以尝试使用过去10天的历史数据预测下一周的能耗数据，因此两者具有时间上的连续性，基于历史时段数据学习到的能耗影响因子与能耗数据之间的关联性可应用至下一周的能耗预测。
[0049]
步骤203：将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
[0050]
在步骤202的基础上，本步骤旨在由上述执行主体将满足预设训练要求的能耗预测模型，输出为目标能耗预测模型，该能耗预测模型基于编码器和解码器构建得到，预设训练要求可以是针对编码器和解码器共同设定的，也可以对编码器和解码器分别设定的，此处可根据实际情况自行选择，此处不做具体限定。
[0051]
本公开实施例提供的能耗预测模型构建方法，不仅同时使用天气、节假日、客流三个影响因子来共同分析对目标对象能耗之间的关联关系，且由于使用基于循环神经网络构建的编码器和解码器来从数据序列中更好的捕捉时间关联性，能够更好的进行短期预测，而注意力机制的引入则能够进一步的明确不同影响因子对预测结果的贡献程度，进而在合适特征权重的基础上提升预测准确性。同时，由于同时将编码器输出数据和预测时段的已知的天气和节假日数据一同输入解码器，可利用预测时段的已知数据进一步的提升预测结果的准确性。
[0052]
请参考图4，针对由多个连续日构成的预测时段，图4为本公开实施例提供的另一种能耗预测模型构建方法的流程图，具体给出了如何对每个预测日进行能耗预测的方案，其中流程400包括以下步骤：
[0053]
步骤401：获取目标对象在历史时段的能耗数据序列和影响因子数据序列；
[0054]
步骤402：融合能耗数据序列和影响因子数据序列中的特征，得到融合特征序列；
[0055]
在步骤401的基础上，本步骤旨在由上述执行主体融合能耗数据序列和影响因子数据序列中的特征，以得到初步融合的融合特征序列。例如可具体通过embedding层所提供的特征降维效果来进行特征融合，当然也可以换用其它能够起到相同或类似效果的工具或功能层。
[0056]
步骤403：利用编码器处理融合特征序列；
[0057]
在步骤402的基础上，本步骤旨在由上述执行主体利用编码器处理融合特征序列。
[0058]
在流程200的步骤201的基础上，步骤401-步骤403提供了一种先将能耗数据序列和影响因子数据序列进行融合处理，再由编码器对融合特征序列进行处理的实现方式，由于先进行了初步的特征融合处理，有助于提升编码器对序列数据的处理效率。
[0059]
步骤404：判断是否已经得到了首个预测日的能耗预测结果，若否，执行步骤405，否则执行步骤407；
[0060]
在步骤403的基础上，本步骤旨在由上述执行主体判断是否已经得到了对构成预测时段的多个连续日中首个预测日的能耗预测结果，若还没有得到将执行步骤405，否则执行步骤407。
[0061]
步骤405：拼接编码器的输出数据、目标对象在首个预测日的天气数据和节假日数
据，得到首个拼接数据；
[0062]
步骤406：利用解码器处理首个拼接数据，得到与首个预测日对应的首日能耗预测结果；
[0063]
步骤405建立在步骤404的判断结果为未得到首个预测日的能耗预测结果的基础上，旨在由上述执行主体拼接编码器的输出数据、目标对象在首个预测日的天气数据和节假日数据，得到首个拼接数据，然后通过步骤406借助解码器处理首个拼接数据，得到与首个预测日对应的首日能耗预测结果。
[0064]
步骤407：将上一个预测日的能耗预测结果与当前预测日对应的天气数据和节假日数据进行拼接，得到当日拼接数据；
[0065]
本步骤建立在步骤404的判断结果为已经得到了首个预测日的能耗预测结果的基础上(即可以理解为步骤405和步骤406已经执行过了)，旨在由上述执行主体将上一个预测日的能耗预测结果与当前预测日对应的天气数据和节假日数据进行拼接，得到当日拼接数据。
[0066]
步骤408：利用解码器处理当日拼接数据，得到与当前预测日对应的当日能耗预测结果直至得到最后一个预测日的能耗预测结果；
[0067]
假定预测时段由3个连续日构成，那么通过步骤405-步骤406可得到首日的首日拼接数据和首日能耗预测结果，那么第一次执行步骤407将首日能耗预测结果与第二日的天气数据和节假日数据进行拼接，得到第二日拼接数据，然后再通过第一次执行步骤408得到第二日能耗预测结果，之后再通过第二次执行步骤407将第二日能耗预测结果与第三日的天气数据和节假日数据进行拼接，得到第三日拼接数据，最终再通过第二次执行步骤408得到第三日能耗预测结果。
[0068]
最终将首日、第二日、第三日的能耗预测结果组织为预测结果序列。
[0069]
步骤409：将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
[0070]
需要说明的是，本实施例步骤401-步骤403提供的优选实现方式与步骤404-步骤408提供的优选实现方式之间，并不存在依赖和因果关系，完全可以分别与流程200所示实施例结合形成不同的独立实施例，本实施例仅作为将两个优选实现方式同时包含在一个实施例的优选实施例存在。
[0071]
进一步的，考虑到诸如大型购物商场、大型游乐场、大型游乐景点等大型商业综合体，最终统计得到的总能耗需要基于对大量用电设备设置的电表(或能够监测电量使用情况的传感器)进行复杂的计算，且往往因商业综合体分区和结构复杂，会需要存在大量的中间数据，为了尽可能的减少存储这些数据对存储空间的占用，还可以根据目标对象中用电对象的分布情况，确定用于计算能耗数据的数据结构，然后在仅存储的数据结构和传感器采集得到的用电对象的用电数据的情况下，在实际需求时临时调用数据结构和用电数据计算得到与目标对象对应的能耗数据，仅由于存储数据量极小的数据结构得以避免了存储海量的中间数据。
[0072]
如图5所示，以一个包含两座大楼、一座购物广场、一个超市的大型商业综合体，通过对用电设备直接架设的传感器仅能够得到最后的第m层的用电数据，而总能耗的计算则需要层层递进，可想中间会存在多少中间数据，因此图5所示的数据结构将被抽象为类似形
状的多叉树的树状结构，只需要将该树状结构的叶子节点数据输入，就可以通过形成的数据结构最终计算出根节点的总能耗，可以极大减少对存储空间的占用。
[0073]
同时，考虑到在生产过程中，每个产线都有大量的传感器分时采集数据，如果每个传感器都向系统上报数据，那么当控制系统不具备高性能时，大量数据来临时会出现拒绝服务的问题。这对于监控预警是个巨大的挑战。因此可通过网关设备，如工控机、边缘网关等，管理传感器的元信息，同时负责处理上报数据。网关设备使用高性能的非阻塞通信框架(例如netty通信框架)接收传感器上报的数。针对于网关设备对子设备的控制，则可以采用tcp socket(套接字协议，是一种实时的，小巧的通信方式，能够确保子设备一定收到指令，执行对应的过程)通信。
[0074]
在网关设备到控制系统的链路中，如果通过http或tcp通信，当链接建立失败时，那么此次数据可能会丢失。因此本实施例还采用中间件消息队列，如rabbitmq(一种轻量级的消息队列)，用来确保消息的可靠性。在上报数据时，网关的角色是发送者，将数据打包成固定的格式，推送到消息队列中。控制系统作为消费者，从消息队列中消费数据，写到数据库中。相比于数据即时推送，本实施例选择缓存批量推送，用以解决控制系统的高性能需求。通过批量推送，将数据压力转移到网关设备，控制系统的实时性及可用性得到了保障。在下发控制指令时，网关的角色是消费者，从消息队列中获取指令执行，而控制系统是发送者，将指令发送到消息队列。通过消息队列对资源进行划分，可以规划网关设备与消息队列的映射关系，当发生问题时也能够很快定位。即利用预设的消息队列接收并暂存传感器对用电对象采集得到的用电数据。
[0075]
在上述任意实施例的基础上，考虑到在模型训练阶段需要准备大量的样本数据，而以序列形式存在的样本数据不免会出现某天或某时段数据的缺失或异常，因此针对缺失值或异常值，可以采用线性插值的方式来进行填补，即采用缺失值或异常值相邻两时段的正常值进行线性插值计算，并将计算得到的数值用于填补缺失值或替换原异常值。
[0076]
在上述任意实施例的基础上，为简化计算，还可以为能耗数据序列中的能耗数据、影响因子数据序列中影响因子的数据进行归一化处理(例如采用min-max归一化)，以在保留原数据相对关系的情况下消除量纲的影响，可参见图6a所示的归一化前的示意图与图6b所示的归一化后的示意图之间的差别。
[0077]
为了加深对本实施例如何构建出能耗预测模型的过程的理解，本实施例还根据大型商业综合体能耗数据的特点及预测需求、结合图7所示结构图提供了一种具体的模型结构，以循环神经网络下的门控循环单元(gated recurrent units，gru，是循环神经网络中的一种门控机制)为基本层，加入了帮助模型选择性记忆的注意力机制，结合节假日、客流以及天气信息等相关特征辅助模型进行预测，且该模型的框架以encoder-decoder的形式构建。本实施例的预测目标为：基于前m天的历史数据预测下一周的能耗数据。
[0078]
由图7可知，输入数据为前m天的历史数据，分别包含能耗、客流、天气、星期节日的标识数据，经过嵌入层的特征融合后得到embedding vetor(融合特征向量)，再经过两个双向的gru层，得到encoder的输出记为s0和encoder最后一层所有的隐藏向量h1、h2、
…
、hm。通过s0和14个隐层向量计算可得注意力得分向量，记为计算可得注意力得分向量，记为再将a与所有h加权求和得到经注意力机制的操作之后的向量c，c可以认为是历史数据的一个
归总向量，包含了历史数据能提供的所有信息。向量c与未来天气、星期和节假日特征拼接作为decoder的输入，得到输出s1。s1、c与decoder输入侧的天气、星期和节假日特征再拼接，得到最终的能耗预测值。然后s1再充当下一个decoder时间步的初始隐层向量，进行下一步预测，直至预测完7天的数据。下面说明算法框架各模块的作用和设计思路：
[0079]
首先，根据实际的能耗结构分析，许多能耗项之间存在紧密的联系，自然它们的数据也存在很强的相关性，让输入数据先通过embedding层，以将各个能耗项的数据做特征变换和特征融合。其次，编码器的作用是学习输入数据的时序依赖性和变化趋势，得到的输出s0理论上涵盖了所有时间步的信息，但通常输出向量s0的表征能力有限，加入注意力机制就可以很好的缓解这一点，简单来说就是让模型有针对性的记住最相关的一些信息。加权得到的向量c相比于编码器原先的输出向量s0，相当于对各时间步的隐层信息有了进一步的筛选。最后，将历史数据的表征信息和未来的天气等相关信息做融合之后，解码器利用整合得到的包含过去未来的所有可用信息进行能耗的预测。
[0080]
本实施例所构建模型的损失函数选择mseloss，虽然在输入数据中添加了节假日特征，考虑到节假日样本占比较小，因此在损失函数中加大对含有节假日样本预测偏差的惩罚力度，避免模型忽略节假日因素带来的能耗变化。
[0081]
最后，将整体数据集按照7：3的比例划分为训练测试集，投入模型训练。选择mseloss作为损失函数，aadm作为优化器，初始学习率lr设为1e-4并随训练epoch增加自动减小，epoch设为800。评估指标选择mae、mse和r^2。
[0082]
附图8a展示了模型训练过程中训练集loss(损失值)随迭代数增加过程中的变化情况，图8b则为在测试集下loss(损失值)随迭代数增加过程中的变化情况(每训练5轮测试一次)。从图8a和图8b中可以看到模型收敛状况良好且并未出现过拟合现象。
[0083]
即经测试集验证，预测准确性较高、模型效果较为理想。
[0084]
上述各实施例从各个方面阐述了如何训练得到能耗预测模型，为了尽可能的从实际使用场景突出训练出的能耗预测模型所起到的效果，本公开还具体提供了一种使用训练好的能耗预测模型来解决实际问题的方案，请参见图9示出的一种短期能耗预测方法的流程图，其中流程900包括以下步骤：
[0085]
步骤901：获取目标预测对象的能耗预测信息；
[0086]
其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据
[0087]
步骤902：确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；
[0088]
其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据。
[0089]
步骤903：将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果。
[0090]
即本实施例从实际情况下，如何具体使用训练好的目标能耗预测模型的角度，具体提供了一种使用方式，即首先明确目标预测对象的能耗预测信息(包括能耗预测时段和对应的天气数据和节假日数据)和具有连续性的历史时段能耗信息(包括：历史时段的能耗数据序列和影响因子数据序列)，从而将其作为输入数据输入目标能耗预存模型，然后得到预测时段的能耗预测结果。若预测时段包括多个连续预测日，能耗预测结果将依次输出，且上一日的能耗预测结果将参与计算下一日的能耗预测结果，提尽可能的提升预测准确性。
[0091]
进一步参考图10和图11，作为对上述各图所示方法的实现，本公开分别提供了一种能耗预测模型构建装置实施例和一种短期能耗预测装置的实施例，能耗预测模型构建装置实施例与图2所示的能耗预测模型构建方法实施例相对应，短期能耗预测装置实施例与短期能耗预测方法实施例相对应。上述装置具体可以应用于各种电子设备中。
[0092]
如图10所示，本实施例的能耗预测模型构建装置1000可以包括：编码器处理单元1001、解码器处理单元1002、能耗预测模型训练单元1003。其中，编码器处理单元1001，被配置成利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，编码器基于引入注意力机制的循环神经网络构建得到，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；解码器处理单元1002，被配置成利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；能耗预测模型训练单元1003，被配置成将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
[0093]
在本实施例中，能耗预测模型构建装置1000中：编码器处理单元1001、解码器处理单元1002、能耗预测模型训练单元1003的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
[0094]
在本实施例的一些可选的实现方式中，编码器处理单元1001可以被进一步配置成：
[0095]
获取目标对象在历史时段的能耗数据序列和影响因子数据序列；
[0096]
融合能耗数据序列和影响因子数据序列中的特征，得到融合特征序列；
[0097]
利用编码器处理融合特征序列。
[0098]
在本实施例的一些可选的实现方式中，解码器处理单元1002可以被进一步配置成：
[0099]
针对由多个连续日构成的预测时段的首个预测日，拼接编码器的输出数据、目标对象在首个预测日的天气数据和节假日数据，得到首个拼接数据；利用解码器处理首个拼接数据，得到与首个预测日对应的首日能耗预测结果；
[0100]
针对由多个连续日构成的预测时段的非首个预测日，将上一个预测日的能耗预测结果与当前预测日对应的天气数据和节假日数据进行拼接，得到当日拼接数据；利用解码器处理所述当日拼接数据，得到与当前预测日对应的当日能耗预测结果直至得到最后一个预测日的能耗预测结果。
[0101]
在本实施例的一些可选的实现方式中，响应于目标对象为目标商业中心，影响因子数据序列中的客流数据序列为目标商业中心中商业区域的客流量。
[0102]
在本实施例的一些可选的实现方式中，能耗预测模型构建装置1000中还可以包括：
[0103]
异常值/缺失值填补单元，被配置成对能耗数据序列和影响因子数据序列中存在的异常值和/或缺失值，采用线性插值的方式进行填补。
[0104]
在本实施例的一些可选的实现方式中，能耗预测模型构建装置1000中还可以包括：
[0105]
归一化处理单元，被配置成对能耗数据序列中的能耗数据、影响因子数据序列中
影响因子的数据进行归一化处理。
[0106]
在本实施例的一些可选的实现方式中，节假日影响因子的数据被表示为预设的九维向量；其中，九维向量中的七维向量用于表征预测时段是一周中的哪一天、九维向量中剩余的两维向量用于表征预测时段是否受节日、假日影响导致工作日休息或公休日补班。
[0107]
在本实施例的一些可选的实现方式中，能耗预测模型构建装置1000还可以包括：
[0108]
数据结构确定单元，被配置成根据目标对象中用电对象的分布情况，确定用于计算能耗数据的数据结构；
[0109]
能耗数据计算单元，被配置成基于存储的数据结构和传感器采集得到的用电对象的用电数据，计算得到与目标对象对应的能耗数据。
[0110]
在本实施例的一些可选的实现方式中，能耗预测模型构建装置1000还可以包括：
[0111]
消息队列使用单元，被配置成利用预设的消息队列接收并暂存传感器对用电对象采集得到的用电数据。
[0112]
如图11所示，本实施例的短期能耗预测装置1100可以包括：能耗预测信息获取单元1101、历史时段能耗信息确定单元1102、能耗预测单元1103。其中，能耗预测信息获取单元1101，被配置成获取目标预测对象的能耗预测信息；其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；
[0113]
历史时段能耗信息确定单元1102，被配置成确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；
[0114]
能耗预测单元1103，被配置成将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，目标能耗预测模型根据能耗预测模型构建装置1000得到。
[0115]
在本实施例中，短期能耗预测装置1100中：能耗预测信息获取单元1101、历史时段能耗信息确定单元1102、能耗预测单元1103的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-603的相关说明，在此不再赘述。
[0116]
本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的能耗预测模型构建装置以及短期能耗预测装置，不仅同时使用天气、节假日、客流三个影响因子来共同分析对目标对象能耗之间的关联关系，且由于使用基于循环神经网络构建的编码器和解码器来从数据序列中更好的捕捉时间关联性，能够更好的进行短期预测，而注意力机制的引入则能够进一步的明确不同影响因子对预测结果的贡献程度，进而在合适特征权重的基础上提升预测准确性。同时，由于同时将编码器输出数据和预测时段的已知的天气和节假日数据一同输入解码器，可利用预测时段的已知数据进一步的提升预测结果的准确性。
[0117]
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任一实施例描述的能耗预测模型构建方法和/或短期能耗预测方法。
[0118]
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任一实施例描述的能耗预测模型构建方法和/或短期能耗预测方法。
[0119]
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任一实施例描述的能耗预测模型构建方法和/或短期能耗预测方法。
[0120]
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0121]
如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(rom)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(ram)1203中的计算机程序，来执行各种适当的动作和处理。在ram 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、rom 1202以及ram 1203通过总线1204彼此相连。输入/输出(i/o)接口1205也连接至总线1204。
[0122]
设备1200中的多个部件连接至i/o接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0123]
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如能耗预测模型构建方法和/或短期能耗预测方法。例如，在一些实施例中，能耗预测模型构建方法和/或短期能耗预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由rom 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到ram 1203并由计算单元1201执行时，可以执行上文描述的能耗预测模型构建方法和/或短期能耗预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行能耗预测模型构建方法和/或短期能耗预测方法。
[0124]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0125]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处
理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0126]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0127]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0128]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0129]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷。
[0130]
本公开实施例的技术方案，不仅同时使用天气、节假日、客流三个影响因子来共同分析对目标对象能耗之间的关联关系，且由于使用基于循环神经网络构建的编码器和解码器来从数据序列中更好的捕捉时间关联性，能够更好的进行短期预测，而注意力机制的引入则能够进一步的明确不同影响因子对预测结果的贡献程度，进而在合适特征权重的基础上提升预测准确性。同时，由于同时将编码器输出数据和预测时段的已知的天气和节假日数据一同输入解码器，可利用预测时段的已知数据进一步的提升预测结果的准确性。
[0131]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0132]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明
白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。