[发明专利]基于迁移学习算法的供热节能控制方法与系统

权利要求书

1.一种基于迁移学习算法的供热负荷预测装置，其特征在于，包括：

数据采集模块，用于采集目标建筑物和其他建筑物的供热负荷数据，以及实时的室内外温度、未来的天气预报信息；

数据预处理模块，用于对数据进行预处理，以保证供热负荷数据维度的一致性；

数据匹配模块，用于对采集的目标建筑物和其他不同建筑物的供热负荷数据共同进行降维处理，得到建模数据；

建模预测模块，用于利用处理之后的数据建立回归预测模型。

2.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，所述数据采集模块包括：

数据选择单元，用于确定影响建筑物供热负荷的因素，并按照确定的因素进行数据选择；其中所述因素至少包括：供水入口的流量和水温、回水流量和水温、室外实时温度及未来指定时段内的天气预报；通过访问中国天气网的API接口，获得实时天气信息和未来时刻的天气预报；通过建筑物供热系统中不同位置上安装的传感器，获取进出水的流量及温度；

数据存储单元，用于将采集到的不同建筑物的供热数据及气象信息存储。

3.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据预处理模块包括：

数据组合单元，用于将不同建筑物的供热负荷数据进行组合得到输入数据X∈R^m×n；

预处理单元，用于对源域的建筑物的供热负荷输出值进行单位化得到Y_s；其中，将目标建筑物的相关数据设置为目标域数据，将其他建筑物的供热数据设置为源域数据；

补充单元，用于采用中值补偿法对气象数据进行补充。

4.根据权利要求1所述的基于迁移学习算法的供热负荷预测装置，其特征在于，数据匹配模块包括：

降维单元，用于对得到的输入数据X和源域输出数据Y_s用联合分布适配的方法进行降维处理，求解式(1)得到k个最小特征向量，得到新的特征表示Z＝A^TX，其中A为正交变换矩阵；

(1)式中M_c为条件分布的最大均值差异，C为匹配标签集中标签的类的个数，c∈{1,…,C}，X^T为X的转置，λ是保证最优化问题明确定义的正则化参数，是中心矩阵，I是n×n的全1矩阵，Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；

匹配单元，用于将得到新的特征表示Z分为源域特征Z_s和目标域特征Z_t，其中Z_s＝Z(:,1:n_s)，Z_t＝Z(:,n_s+1:n_s+n_t)，n＝n_s+n_t，n_s为源域样本个数，n_t为目标域样本个数；

其中，降维处理的方法为联合分布适配方法，其步骤包括：

设定边缘分布距离和条件分布距离的阈值t1和t2；

特征匹配；使用主成分分析来进行数据重构：定义是中心矩阵，I是n×n的全1矩阵，则协方差矩阵可以用XHX^T计算；主成分分析的学习目标是得到一个使得内嵌数据方差最大的正交变换矩阵A∈R^m×k，最优化问题用公式(2)表示

最优化问题通过对XHX^TA＝AΦ进行特征分解求得结果，其中Φ＝diag(φ₁,...,φ_k)∈R^k×k是A的k个最大特征；将原数据降为k维，得到了最佳特征表示：Z＝A^TX∈R^k×n，且k＜m；

边缘分布适配；使用经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)作为距离测度，首先通过下式计算边缘分布的EMMD：

利用下式(4)计算源域和目标域k维内嵌数据样本均值之间的距离，消除不同领域间的数据分布差异：

通过最小化公式(4)，使得式(2)最大，此时，源域和目标域间边缘分布差异在新的特征表示Z＝A^TX下减小；

条件分布适配；通过源域数据建立的模型构建目标域数据对应的伪标签，根据源域真实标签和目标域伪标签，匹配标签集Y中每一类c∈{1,...,C}的条件分布Q_s(x_s|y_s＝c)和Q_t(x_t|y_t＝c)；条件分布的EMMD通过公式(5)计算：

其中是源域数据中属于类别c的样本集，y(x_i)是x_i的真实标签，且是目标域数据中属于类别c的样本集，是x_j的(预测)伪标签，并且

通过公式(6)来测量条件分布的距离：

通过最小化公式(6)，使得公式(2)最大，此时，源域和目标域间条件分布在新的特征表示Z＝A^TX下数据分布差异减小；

最优化问题；为了提高迁移模型的有效性和鲁棒性，同时最小化跨域边缘分布和条件分布；将公式(4)和公式(6)合并到公式(2)，得到联合分布适配的最优化问题：

其中λ是保证最优化问题明确定义的正则化参数；

引入拉格朗日函数，取拉格朗日乘子为Φ＝diag(φ₁,...,φ_k)，则公式(7)的拉格朗日函数为：

令得到广义特征分解：

求解最优适应矩阵A简化为求上述公式的k个最小的特征向量，得到新的特征表示Z＝A^TX；

按照公式(4)和公式(6)再次计算此时的边缘分布距离和条件分布距离，若距离分别小于阈值t1和t2，则得到新的特征Z，否则，返回步骤Ⅲ，进入迭代更新M₀和M_c，并计算特征Z。