[发明专利]训练建筑物空调负荷预测模型及用其预测的方法和装置

说明书

公开了一种训练建筑物空调负荷预测模型及用其预测的方法和装置。该训练建筑物空调负荷预测模型的方法包括：获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。由此，通过获取精准预测所需的历史数据信息，并基于机器学习高效找出上述信息的内在联系，以较小代价实现对建筑物空调负载的准确预测，实现对能源的高效利用。

技术领域

本发明涉及建筑节能领域，尤其涉及一种训练建筑物空调负荷预测模型及用其进行预测的方法和装置。

背景技术

在建筑节能工作中，对建筑能耗进行科学分析和合理预测十分重要。建筑能耗预测可以为建筑供能系统的运行策略优化和建筑节能评估提供依据。空调系统是商业建筑中能耗最大的部分，也是可自由调节的部分。在空调系统能耗与夏季高峰负荷逐年上升的大背景下，空调系统(尤其是大型商用建筑物的空调系统)节能成为当今社会实现可持续发展的关注热点之一。

建筑能耗受诸多因素影响，其复杂的非线性关系使得建筑能耗难以被精确地预测。

为此，需要一种能以较小代价准确预测建筑物空调负荷的方案。

发明内容

本发明提出了一种使用机器学习算法训练建筑物空调负荷预测模型以及使用上述模型进行预测的方案。通过获取随时间变化的建筑物环境变量，预测模型能够从历史数据中习得空调负载的变化规律。进一步地，通过采集涵盖各类建筑和空调系统和/或各个变化方面且相对容易取得的数据以进行特征提取，能够获取准确预测所需的足够数据信息；同时，通过引入合理的机器学习模型，能够通过训练准确找出上述信息的内在联系，从而以较小代价实现对空调负载的准确预测，实现对能源的高效利用。

根据本发明的一个方面，提出了一种训练建筑物空调负荷预测模型的方法，包括：获取训练样本数据集以及对应的标签数据，其中，样本数据包括建筑物环境信息及其采集时间信息，标签数据包括空调负荷相关信息；对所述训练样本数据集中的样本数据进行特征提取处理，得到训练样本特征集；以及基于所述训练样本特征集以及对应的标签数据采用预设的机器学习算法进行训练，得到建筑物空调负荷预测模型。随着建筑能耗管理系统的普及，楼宇监测数据获取不再困难。基于机器学习的预测模型则能够有效利用这些数据并通过迭代训练准确找出历史数据的内在联系，从而以较低的数据获取代价(即，更高的可行性)得到能够进行准确预测的空调负载预测模型。

优选地，获取训练样本数据集以及对应的标签数据可以包括：获取来自不同建筑物的样本数据及对应的标签数据，所述样本数据进一步包括每个建筑物的建筑物基本信息和空调系统基本信息。由此，通过广泛的样本来源，获取能够应对各类建筑的预测模型。进一步地，获取的样本数据及对应提取的特征数据包括针对同一建筑物的不同时刻的状态的多个样本。由此，通过海量数据进一步提升模型的通用性，并且通过时序样本的引入使得模型能够通过训练习得建筑能耗与时间变化的内在联系。

优选地，对所述训练样本数据集中的样本数据进行特征提取处理还可以包括：对所述样本数据进行处理以获取衍生变量；以及构造包括衍生变量的样本特征数据。由此，通过对原始数据的处理和内在特征的提起提取(例如，获取变化趋势)，能够提升预测模型的训练效率和预测精度。

在一个方面，获取所述建筑物环境信息及其采集时间信息可以包括获取建筑物外部环境信息以及采集外部环境信息的时间信息，所述建筑物外部环境信息包括建筑物所处的气象信息和/或天气预报信息。

在另一个方面，获取所述建筑物环境信息及其采集时间信息包括获取建筑物内部环境信息以及采集内部环境信息的时间信息，所述建筑物内部环境信息包括人员信息。