【技術實現步驟摘要】
本專利技術涉及一種基于生成對抗網絡的建筑能耗數據生成及平行預測方法、裝置和介質，屬于建筑能耗預測。
技術介紹
1、建筑用能數據是建筑海量運行數據的關鍵組成部分，直接反映建筑用能分布與變化趨勢。建筑用能數據分析對于實現智慧建筑建設目標、建筑能源優化控制以及參與電網需求側響應等均具有重要意義。建筑能耗預測，即預測建筑未來的能耗分布，在建筑節能評估、多能源調度和節能策略制定等方面都起著重要作用。
2、當前，基于機器學習的建筑用能預測主要使用監督式學習方法，通過回歸模型來實現建筑能耗的預測。然而，傳統機器學習方法由于結構簡單，往往無法充分挖掘數據特征，導致建筑能耗預測精度較低。這一限制在建筑能耗預測中尤為明顯，因為建筑能耗數據的變化受到多種因素的影響，如天氣、用戶行為、建筑結構特性等，這些因素使得數據間的復雜關系難以被簡單模型所捕捉。
3、在實際應用中，建筑能耗數據的收集還面臨著諸多挑戰。由于傳輸線路不穩定、傳感器故障或系統測試等原因，建筑運行初期或節能改造后常常面臨大量數據缺失的問題。這種數據信息不充分的情況將嚴重影響所構建模型的性能。特別是在處理一維時間序列數據時，其數據分布特征復雜，傳統的數據生成方法往往通過逐個估算數據點的分布，并在分布范圍內實現數據的生成，這種方法忽略了數據點之間的聯系，導致生成的數據難以反映真實的能耗變化規律。
4、因此，尋找一種有效的方法來解決建筑用能數據不足的問題，提高建筑能耗預測的精度，成為當前研究的熱點。生成對抗網絡（gan）作為一種新型的深度學習模型，具備發現數據
技術實現思路
1、本專利技術目的是提供了一種基于生成對抗網絡的建筑能耗數據生成及平行預測方法、裝置和介質，通過gan模型的強大數據生成能力，解決建筑用能數據不足的問題，同時利用生成的增強數據構建更加精準的能耗預測模型，為建筑能耗管理提供有力的支持。
2、本專利技術為實現上述目的，通過以下技術方案實現：
3、一種基于生成對抗網絡的建筑能耗數據生成及平行預測方法，包括：
4、收集實際建筑能耗數據作為訓練樣本，包括時間序列數據和建筑物的物理屬性；
5、構建并訓練生成對抗網絡模型，其中生成器用于生成增強建筑能耗數據，判別器用于區分實際建筑能耗數據和生成器生成的增強建筑能耗數據；
6、將實際建筑能耗數據輸入生成對抗網絡模型，生成增強建筑能耗數據；
7、將實際建筑能耗數據和增強建筑能耗數據混合后得到混合數據，用于訓練機器學習模型，構建建筑能耗平行預測模型，預測未來建筑能耗值；
8、在測試集上評估預測模型的性能，并調整模型結構或增加訓練輪數提高預測精度。
9、優選的，所述時間序列數據包括電能消耗、水耗、燃氣使用量以及與建筑相關的環境參數，所述建筑相關的環境參數包括溫度、濕度、光照強度；
10、所述建筑物的物理屬性包括建筑面積、建筑材料、建筑用途。
11、優選的，所述生成對抗網絡模型的生成器從簡單的線性生成器過渡到復雜的非線性生成器；所述非線性生成器包括自編碼器、變分自動編碼器；所述生成器將能耗時間序列的潛在關聯映射到數據空間，通過增加隨機性進行數據變換；
12、判別器從多層感知機過渡到深度神經網絡，所述深度神經網絡包括inception模塊、resnet模塊；所述判別器區分生成數據和原始數據，并根據區分結果反向更新生成器的權重。
13、優選的，生成對抗網絡模型訓練過程中通過設置平均平均功率因數閾值對生成的數據進行過濾，當生成數據的平均平均功率因數大于該閾值時，將其納入訓練。
14、優選的，生成增強建筑能耗數據，具體步驟包括：
15、獲取建筑能耗數據，包括時間序列數據和建筑物的物理屬性；
16、數據編碼，對能耗數據進行編碼后輸入模型構建階段建立的生成器模型；利用編碼后的數據訓練生成器，同時利用生成器和判別器實現能耗數據的生成；
17、生成增強數據，根據生成器模型預測出增強數據。
18、優選的，生成對抗網絡模型設置過濾器去除差異性大的數據序列，所述過濾器將生成數據序列與原始數據的均值序列進行比較并獲取mape，當mape大于設定閾值時，則舍棄所生成的數據序列。
19、優選的，所述建筑能耗平行預測模型采用bpnn、elm或svr算法的構建。
20、優選的，使用準確率、精確率、召回率評估預測模型的性能。
21、一種基于生成對抗網絡的建筑能耗數據生成及平行預測裝置，包括處理器和存儲有程序指令的存儲器，所述處理器被配置為在運行所述程序指令時，執行所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法。
22、一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法。
23、本專利技術的優點在于：
24、本專利技術構建了先進且可用的模型。生成器部分從簡單的線性模型逐步過渡到復雜的非線性模型，如自編碼器、變分自動編碼器（vae）等，并引入注意力機制、門控機制等，以提高生成數據的質量和模型的穩定性。判別器部分也從多層感知機（mlp）逐漸過渡到深度神經網絡，如inception模塊、resnet模塊等，增強了模型的分類和判斷能力。
25、在數據生成和訓練過程中，本專利技術采用了獨特的數據過濾方式。通過設置過濾器去除與原始數據序列分布差異較大的數據序列，具體方法是比較生成數據序列與原始數據的均值序列并計算mape（平均絕對百分比誤差），當mape大于某一閾值時，則舍棄所生成的數據序列。
26、在模型訓練的同時，對生成的數據進行過濾，設置平均平均功率因數（apcc）閾值，只有當生成數據的apcc大于該閾值時才納入訓練，從而提高了訓練數據的質量和模型的性能。
27、通過探索原數據集的數據分布并生成與原始數據分布類似的增強數據，有效解決了建筑用能數據不足的問題。相比傳統的預測模型，本專利技術利用gan（生成對抗網絡）可以在沒有大量真實標簽數據的情況下訓練出高質量的生成模型，通過探索原數據集的數據分布并生成與原始數據分布類似的增強數據，有效解決了建筑用能數據不足的問題，更好地捕捉建筑能耗的規律和趨勢，從而提高了預測精度。
28、綜上所述，本專利技術通過引入gan模型并結合先進的數據處理和模型構建技術，不僅解決了建筑能耗數據不足的問題，還顯著提高了建筑能耗預測的精度和可靠性，為建筑能耗管理提供了有力的支持。
本文檔來自技高網...【技術保護點】
1.一種基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，包括：
2.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，所述時間序列數據包括電能消耗、水耗、燃氣使用量以及與建筑相關的環境參數，所述建筑相關的環境參數包括溫度、濕度、光照強度；
3.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，所述生成對抗網絡模型的生成器從簡單的線性生成器過渡到復雜的非線性生成器；所述非線性生成器包括自編碼器、變分自動編碼器；所述生成器將能耗時間序列的潛在關聯映射到數據空間，通過增加隨機性進行數據變換；
4.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，生成對抗網絡模型訓練過程中通過設置平均平均功率因數閾值對生成的數據進行過濾，當生成數據的平均平均功率因數大于該閾值時，將其納入訓練。
5.根據權利要求3所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，生成增強建筑能耗數據，具體步驟包括：
6.根據權利要求1所
7.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，所述建筑能耗平行預測模型采用BPNN、ELM或SVR算法的構建。
8.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，使用準確率、精確率、召回率評估預測模型的性能。
9.一種基于生成對抗網絡的建筑能耗數據生成及平行預測裝置，包括處理器和存儲有程序指令的存儲器，其特征在于，所述處理器被配置為在運行所述程序指令時，執行如權利要求1-8任一所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法。
10.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，該程序被處理器執行時實現如上述權利要求1-8任一所述的方法。
...【技術特征摘要】
1.一種基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，包括：
2.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，所述時間序列數據包括電能消耗、水耗、燃氣使用量以及與建筑相關的環境參數，所述建筑相關的環境參數包括溫度、濕度、光照強度；
3.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，所述生成對抗網絡模型的生成器從簡單的線性生成器過渡到復雜的非線性生成器；所述非線性生成器包括自編碼器、變分自動編碼器；所述生成器將能耗時間序列的潛在關聯映射到數據空間，通過增加隨機性進行數據變換；
4.根據權利要求1所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，生成對抗網絡模型訓練過程中通過設置平均平均功率因數閾值對生成的數據進行過濾，當生成數據的平均平均功率因數大于該閾值時，將其納入訓練。
5.根據權利要求3所述的基于生成對抗網絡的建筑能耗數據生成及平行預測方法，其特征在于，生成增強建筑能耗數據，具體步驟包括...
【專利技術屬性】
技術研發人員：張彥玉，李啟凱，李亮，劉浩瑞，
申請(專利權)人：山東浪潮智慧建筑科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。