[发明专利]一种隐私安全的楼宇集群能耗协同预测方法及系统

权利要求书

1.一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，包括以下步骤：

S1，从环境天气、时间属性、用户行为、楼宇结构特征以及历史用能需求五个方面构建多个楼宇能耗预测的统一特征集合，基于统一特征集合构建楼宇能耗预测模型；

S2，针对不同楼宇用能模式的固有异质性，建立基于动态聚类的联邦学习框架，根据联邦学习框架在单一楼宇本地数据中的性能表现，实现楼宇集群能耗预测模型协同训练过程中的动态聚类；

S3，利用动态聚类的聚类结果和联邦学习框架，使用基于网络的迁移学习方法和楼宇的本地数据，冻结LSTM参数从而保持楼宇集群知识共享后模型提取时序特征的能力，同时微调MLP部分的模型参数，实现楼宇的能耗预测模型的优化，利用优化后的能耗预测模型进行楼宇集群能耗协同预测。

2.根据权利要求1所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，采用长短期记忆网络和多层感知机构建楼宇能耗预测模型，建立单个楼宇输入特征与能耗预测值间的映射关系。

3.根据权利要求1或2所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，环境天气的特征包括空气温度、露点温度、降水量、大气压强、风速和风向；时间属性的特征包括当前时刻的小时属性、当天的星期属性、当天在一个月的属性以及当前月份；用户行为的特征包括是否为工作日、是否为节假日以及每天的时段；楼宇结构特征包括楼宇的占地面积和楼宇的主要用途；选择楼宇历史能耗作为历史用能需求特征。

4.根据权利要求2所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，使用LSTM神经网络提取输入多变量时间序列的时序特征，建立提取的时间特征与楼宇能耗预测值之间的映射关系。

5.根据权利要求4所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，在每一层LSTM后加入Dropout层，在训练阶段按设定概率丢弃LSTM神经元，采用ReLU函数作为MLP部分的激活函数；使用均方差函数作为楼宇能耗预测模型的损失函数，并加入L2正则化项约束神经网络参数的取值范围。

6.根据权利要求1所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，以区域能源系统作为中心服务器，针对K个聚类分别生成K个结构相同、参数不同的联邦聚类模型初始值，在每轮通信循环中交替进行聚类关系辨识和联邦聚类模型优化。

7.根据权利要求6所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，在第t轮通信循环开始，区域能源系统首先将各个聚类的模型参数广播至每个楼宇；

每个楼宇利用本地能耗数据分别更新每个聚类模型。

8.根据权利要求7所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，在完成聚类关系辨识后，楼宇集群和区域能源系统利用本地更新后的联邦聚类模型进行进一步的模型聚合。

9.根据权利要求1所述一种隐私安全的楼宇集群能耗协同预测方法，其特征在于，使用基于网络的迁移学习方法实现楼宇能耗预测模型的优化。

10.一种隐私安全的楼宇集群能耗协同预测系统，其特征在于，包括预处理模块和预测模块：

预处理模块，从环境天气、时间属性、用户行为、楼宇结构特征以及历史用能需求五个方面构建多个楼宇能耗预测的统一特征集合，基于统一特征集合构建楼宇能耗预测模型，然后针对不同楼宇用能模式的固有异质性，建立基于动态聚类的联邦学习框架，根据联邦学习框架在单一楼宇本地数据中的性能表现，实现楼宇集群能耗预测模型协同训练过程中的动态聚类；利用动态聚类的聚类结果和联邦学习框架，使用基于网络的迁移学习方法和楼宇的本地数据，冻结LSTM参数从而保持楼宇集群知识共享后模型提取时序特征的能力，同时微调MLP部分的模型参数，实现楼宇的能耗预测模型的优化；

预测模块，用于存储优化后的能耗预测模型，利用优化后的能耗预测模型进行楼宇集群能耗协同预测。