[发明专利]基于WGAN算法的建筑能耗预测方法及监测预测系统

说明书

本发明涉及一种基于WGAN算法的建筑能耗预测方法及监测预测系统。主要是采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。

技术领域

本发明涉及建筑能耗监测预测领域，特别是涉及基于WGAN算法的建筑能耗预测方法及监测预测系统。

背景技术

目前，随着经济的快速发展与城镇化的不断推进，人们的生活水平不断提高。对于城市公共建筑的使用率正不断提高。城市公共建筑在运行过程中所消耗的电力、淡水、燃气的规模也越来越大。所以，迫切需要对建筑能耗数据以及相关数据进行监测，并通过这些数据对未来的建筑能耗进行预测，以便于根据预测值采取必要措施，实现节能的目的。

发明内容

基于此，本发明提供一种基于WGAN算法的建筑能耗预测方法。该方法有利于对未来的建筑能耗值进行预测。以便于根据预测的建筑能耗值采取必要措施，达到节能的目的。

一种基于WGAN算法的建筑能耗预测方法，包括：

S100、获取建筑能耗数据以及建筑能耗特征数据集R^d，其中，R^d＝{(x₁₁,x₁₂,x₁₃......x_1j),(x₂₁,x₂₂,x₂₃......x_2j)......(x_i1,x_i2,x_i3......x_ij)},d代表特征数量，x_ij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；

S200、将R^d输入变分自动编码器，以获取高级能耗特征数据集R^g，将步骤S100的建筑能耗特征数据集R^d和高级能耗特征数据集R^g合并，形成输入特征数据集R^r；

S300、将R^r通过XGBoost算法进行特征筛选；

S400、建立GAN预测模型，将步骤S300处理后的R^r输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；

S500、通过最优GAN预测模型预测建筑能耗值。

上述方法采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。

在其中一个实施例中，所述步骤S200中将R^d输入变分自动编码器，以

获取高级能耗特征数据集R^g，具体包括：

S210、构造一个编码器Encoder和解码器Decoder；