一种建筑能效预测的方法、装置、终端和存储介质与流程

本发明属于建筑节能，具体涉及一种建筑能效预测的方法、装置、终端和存储介质，尤其涉及一种基于联邦学习的建筑能效预测方法、装置、终端和存储介质。

背景技术：

1、能耗预测是提高建筑能效水平、实现节能减排的基础，是建筑优化设计、优化控制、需求侧响应、能源审计等能源管理任务的重要支撑。在建筑设计阶段，快速预测建筑全年冷、热、电负荷能够指导建筑设计参数的选择；在建筑运行阶段，依据未来一段时间的建筑冷负荷需求，可以优化空调系统冷冻水供水温度设定点，甚至更灵活地参与电网需求侧响应；在建筑能源审计阶段，能耗预测模型能够提供建筑基准能耗，从而更准确地评估节能改造措施带来的节能量。

2、相关方案中，利用数据驱动方法进行建筑能效预测，但数据驱动方法对数据的数量和质量要求较高。然而，在建筑能效预测的实际项目中，对于新建建筑或能源管理系统不完善的老旧建筑而言，往往运行数据有限，所以数据驱动方法难以适用。如何解决小样本场景下的建筑能耗预测问题，是建筑能耗预测领域的重要研究方向之一。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的目的在于，提供一种建筑能效预测的方法、装置、终端和存储介质，以解决相关方案中利用数据驱动方法进行建筑能效预测，但数据驱动方法对建筑运行数据的数量和质量要求较高，所以，对于新建建筑、能源管理系统不完善的老旧建筑等建筑运行数据有限的建筑，难以使用数据驱动方法进行建筑能效预测的问题，达到通过基于联邦学习算法建立相似建筑之间的迁移网络，基于使该迁移网络中所有建筑主体共同全局训练得到一个可共享、可迁移的联邦模型，通过对该联邦模型的局部微调，实现对建筑运行数据有限的建筑的建筑能效预测的效果。

2、本发明提供一种建筑能效预测的方法，包括：获取目标建筑的用能参数，并获取所述目标建筑的运行数据；根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；基于所述目标建筑与所述其他建筑，构建迁移网络，记为相似建筑迁移网络；利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型；利用所述目标建筑的本地联邦模型，对所述目标建筑进行建筑能效预测。

3、在一些实施方式中，根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑，包括：根据所述目标建筑的用能参数，在预设的建筑范围内，选择与所述目标建筑的用能参数的相似程度在设定相似程度范围内的建筑，记为其他建筑；其中，所述目标建筑与所述其他建筑，在建筑类型、建筑所处气候区、建筑结构特性中的至少之一的相似程度在设定相似程度范围内；所述建筑结构特性，包括：窗墙比、维护结构材料、建筑面积和建筑朝向中的至少之一。

4、在一些实施方式中，预先构建的基础能效预测模型，是基于rnn和bpnn的时序预测方法，预先构建得到的融合rnn和bpnn的混合模型。

5、在一些实施方式中，利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：利用联邦学习算法，基于预先构建的基础能效预测模型，搭建联邦学习框架；针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数；针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；其中，在有新的建筑加入所述相似建筑迁移网络的情况下，针对该新的建筑，使该新的建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该新的建筑自身的本地模型的训练参数；将该新的建筑自身的本地模型的训练参数与所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数一起，进行安全聚合处理，得到该新的建筑与所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。

6、在一些实施方式中，其中，针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数，包括：针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架中的所述基础能效预测模型进行本地训练，得到该建筑自身的本地模型的训练梯度，记为梯度信息；并将该梯度信息进行加密，得到加密结果，将该加密结果作为该建筑的本地模型的训练参数；相应地，针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，在服务器侧，对所有建筑的本地模型的训练参数进行安全聚合处理，得到聚合梯度信息；并基于该聚合梯度信息更新所述联邦学习框架中的所述基础能效预测模型的训练参数，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。

7、在一些实施方式中，其中，针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，选择该建筑的能耗特征参数，作为该建筑自身的运行数据；该建筑的能耗特征参数，包括：时间特征、气象信息、历史能耗和建筑结构信息中的至少之一。

8、在一些实施方式中，利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型，包括：针对所述目标建筑，使所述目标建筑基于所述目标建筑自身的运行数据，利用所述联邦模型进行本地训练，得到所述目标建自身的本地模型的训练参数；利用所述目标建自身的本地模型的训练参数，对所述联邦模型的训练参数进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型。

9、与上述方法相匹配，本发明另一方面提供一种建筑能效预测的装置，包括：获取单元，被配置为获取目标建筑的用能参数，并获取所述目标建筑的运行数据；控制单元，被配置为根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑；所述控制单元，还被配置为基于所述目标建筑与所述其他建筑，构建迁移网络，记为相似建筑迁移网络；所述控制单元，还被配置为利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；所述控制单元，还被配置为利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型；所述控制单元，还被配置为利用所述目标建筑的本地联邦模型，对所述目标建筑进行建筑能效预测。

10、在一些实施方式中，所述控制单元，根据所述目标建筑的用能参数，选择与所述目标建筑的用能参数相似的建筑，记为其他建筑，包括：根据所述目标建筑的用能参数，在预设的建筑范围内，选择与所述目标建筑的用能参数的相似程度在设定相似程度范围内的建筑，记为其他建筑；其中，所述目标建筑与所述其他建筑，在建筑类型、建筑所处气候区、建筑结构特性中的至少之一的相似程度在设定相似程度范围内；所述建筑结构特性，包括：窗墙比、维护结构材料、建筑面积和建筑朝向中的至少之一。

11、在一些实施方式中，所述控制单元预先构建的基础能效预测模型，是基于rnn和bpnn的时序预测方法，预先构建得到的融合rnn和bpnn的混合模型。

12、在一些实施方式中，所述控制单元，利用联邦学习算法，基于预先构建的基础能效预测模型，对所述相似建筑迁移网络中的所有建筑进行训练，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：利用联邦学习算法，基于预先构建的基础能效预测模型，搭建联邦学习框架；针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数；针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型；其中，在有新的建筑加入所述相似建筑迁移网络的情况下，针对该新的建筑，使该新的建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该新的建筑自身的本地模型的训练参数；将该新的建筑自身的本地模型的训练参数与所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数一起，进行安全聚合处理，得到该新的建筑与所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。

13、在一些实施方式中，其中，所述控制单元，针对所述相似建筑迁移网络中的每个建筑，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架进行本地训练，得到该建筑自身的本地模型的训练参数，包括：针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，使该建筑基于该建筑自身的运行数据，利用所述联邦学习框架中的所述基础能效预测模型进行本地训练，得到该建筑自身的本地模型的训练梯度，记为梯度信息；并将该梯度信息进行加密，得到加密结果，将该加密结果作为该建筑的本地模型的训练参数；相应地，所述控制单元，针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，进行安全聚合处理，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型，包括：针对所述相似建筑迁移网络中的所有建筑自身的本地模型的训练参数，在服务器侧，对所有建筑的本地模型的训练参数进行安全聚合处理，得到聚合梯度信息；并基于该聚合梯度信息更新所述联邦学习框架中的所述基础能效预测模型的训练参数，得到所述相似建筑迁移网络中的所有建筑能够共享的共享能效预测模型，记为联邦模型。

14、在一些实施方式中，其中，所述控制单元，针对所述相似建筑迁移网络中的每个建筑，在该建筑的本地侧，选择该建筑的能耗特征参数，作为该建筑自身的运行数据；该建筑的能耗特征参数，包括：时间特征、气象信息、历史能耗和建筑结构信息中的至少之一。

15、在一些实施方式中，所述控制单元，利用所述目标建筑的运行数据，对所述联邦模型进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型，包括：针对所述目标建筑，使所述目标建筑基于所述目标建筑自身的运行数据，利用所述联邦模型进行本地训练，得到所述目标建自身的本地模型的训练参数；利用所述目标建自身的本地模型的训练参数，对所述联邦模型的训练参数进行优化，得到优化联邦模型，作为所述目标建筑的本地联邦模型。

16、与上述装置相匹配，本发明再一方面提供一种终端，包括：以上所述的建筑能效预测的装置。

17、与上述方法相匹配，本发明再一方面提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行以上所述的建筑能效预测的方法。

18、由此，本发明的方案，通过基于联邦学习算法建立相似建筑之间的迁移网络得到相似建筑迁移网络，相似建筑网络中各建筑主体基于自己的建筑运行数据训练本地预测模型，并分享本地预测模型的参数，所有本地预测模型的参数通过安全聚合算法聚合后，得到全局训练的联邦模型；当有新建筑加入时，只需在所有本地预测模型的参数挺贵安全聚合算法进行参数聚合的过程中纳入新建筑的本地预测模型的参数即可；对建筑运行数据有限的建筑，通过对该联邦模型进行局部微调，实现对建筑运行数据有限的建筑的建筑能效预测，从而，通过基于联邦学习算法建立相似建筑之间的迁移网络，基于使该迁移网络中所有建筑主体共同全局训练得到一个可共享、可迁移的联邦模型，通过对该联邦模型的局部微调，实现对建筑运行数据有限的建筑的建筑能效预测。

19、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

20、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。