[发明专利]一种建筑能效预测的方法、装置、终端和存储介质

权利要求书

1.一种建筑能效预测的方法，其特征在于，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。

2.根据权利要求1所述的建筑能效预测的方法，其特征在于，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。

3.根据权利要求1或2所述的建筑能效预测的方法，其特征在于，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。

4.根据权利要求1至3中任一项所述的建筑能效预测的方法，其特征在于，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。

5.根据权利要求4所述的建筑能效预测的方法，其特征在于，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。