能耗预测模型构建方法、短期能耗预测方法及相关装置制造方法及图纸

本公开提供了一种能耗预测模型构建方法、短期能耗预测方法及相关装置，涉及深度学习、大数据等人工智能技术领域，可应用于能耗预测和节能减排场景。该方法包括：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列，编码器基于引入注意力机制的循环神经网络构建得到；利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。应用该方法提供的能耗预测模型可以更好对目标对象的短期能耗进行预测。能耗进行预测。能耗进行预测。

【技术实现步骤摘要】
能耗预测模型构建方法、短期能耗预测方法及相关装置


[0001]本公开涉及数据处理
，具体涉及深度学习、大数据等人工智能
，可应用于能耗预测、节能减排场景，尤其涉及一种能耗预测模型构建方法和短期能耗预测方法，以及对应的装置、电子设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]诸如大型购物商场、大型游乐场、大型游乐景点等大型商业综合体的节能减排是实行双碳战略的重要渠道。
[0003]为提高建筑的能耗效率、降低成本并减少排放，如何准确获取最优的能耗估值是关键。

技术实现思路

[0004]本公开实施例提出了一种能耗预测模型构建、短期能耗预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
[0005]第一方面，本公开实施例提出了一种能耗预测模型构建方法，包括：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，编码器基于引入注意力机制的循环神经网络构建得到，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
[0006]第二方面，本公开实施例提出了一种能耗预测模型构建装置，包括：编码器处理单元，被配置成利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，编码器基于引入注意力机制的循环神经网络构建得到，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；解码器处理单元，被配置成利用预设的解码器处理编码器的输出数据、目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，解码器基于循环神经网络构建得到，预测时段为在与历史时段在时间序列上具有连续性的时段；能耗预测模型训练单元，被配置成将训练完成的基于编码器和解码器构建的能耗预测模型，输出为目标能耗预测模型。
[0007]第三方面，本公开实施例提出了一种短期能耗预测方法，包括：获取目标预测对象的能耗预测信息；其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，目标能耗预测模型根据如第一方面中任一实现方式描述的能耗预测模型构建方法得到。
[0008]第四方面，本公开实施例提出了一种短期能耗预测装置，包括：能耗预测信息获取单元，被配置成获取目标预测对象的能耗预测信息；其中，能耗预测信息包括能耗预测时段和能耗预测时段的天气数据和节假日数据；历史时段能耗信息确定单元，被配置成确定与能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；能耗预测单元，被配置成将历史时段能耗信息和能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，目标能耗预测模型根据如第二方面中任一实现方式描述的能耗预测模型构建装置得到。
[0009]第五方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
[0010]第六方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
[0011]第七方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的能耗预测模型构建方法或如第三方面中任一实现方式描述的短期能耗预测方法。
[0012]本公开实施例提供的能耗预测模型构建、短期能耗预测方法，不仅同时使用天气、节假日、客流三个影响因子来共同分析对目标对象能耗之间的关联关系，且由于使用基于循环神经网络构建的编码器和解码器来从数据序列中更好的捕捉时间关联性，能够更好的进行短期预测，而注意力机制的引入则能够进一步的明确不同影响因子对预测结果的贡献程度，进而在合适特征权重的基础上提升预测准确性。同时，由于同时将编码器输出数据和预测时段的已知的天气和节假日数据一同输入解码器，可利用预测时段的已知数据进一步的提升预测结果的准确性。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
[0015]图1是本公开可以应用于其中的示例性系统架构；
[0016]图2为本公开实施例提供的一种能耗预测模型构建方法的流程图；
[0017]图3a、图3b和图3c分别为本公开实施例提供的温度、客流、节假日影响因子与能耗之间的关联关系示意图；
[0018]图4为本公开实施例提供的另一种能耗预测模型构建方法的流程图；
[0019]图5为本公开实施例提供的一种数据结构的示意图；
[0020]图6a和图6b分别为本公开实施例提供的数据经归一化处理前后的示意图；
[0021]图7为本公开实施例提供的一种目标能耗预测模型的结构示意图；
[0022]图8a和图8b分别为本公开实施例提供的在训练集和在测试集上损失值随不断迭代过程中的变化情况示意图；
[0023]图9为本公开实施例提供的一种短期能耗预测方法的流程图；
[0024]图10为本公开实施例提供的一种能耗预测模型构建装置的结构框图；
[0025]图11为本公开实施例提供的一种短期能耗预测装置的结构框图；
[0026]图12为本公开实施例提供的一种适用于执行能耗预测模型构建方法和/或短期能耗预测方法的电子设备的结构示意图。
具体实施方式
[0027]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能耗预测模型构建方法，包括：利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，所述编码器基于引入注意力机制的循环神经网络构建得到，所述影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；利用预设的解码器处理所述编码器的输出数据、所述目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，所述解码器基于循环神经网络构建得到，所述预测时段为在与所述历史时段在时间序列上具有连续性的时段；将训练完成的基于所述编码器和所述解码器构建的能耗预测模型，输出为目标能耗预测模型。2.根据权利要求1所述的方法，其中，所述利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列，包括：获取所述目标对象在历史时段的能耗数据序列和影响因子数据序列；融合所述能耗数据序列和所述影响因子数据序列中的特征，得到融合特征序列；利用所述编码器处理所述融合特征序列。3.根据权利要求1所述的方法，其中，所述利用预设的解码器处理所述编码器的输出数据、所述目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果，包括：针对由多个连续日构成的预测时段的首个预测日，拼接所述编码器的输出数据、所述目标对象在首个预测日的天气数据和节假日数据，得到首个拼接数据；利用所述解码器处理所述首个拼接数据，得到与所述首个预测日对应的首日能耗预测结果；针对由多个连续日构成的预测时段的非首个预测日，将上一个预测日的能耗预测结果与当前预测日对应的天气数据和节假日数据进行拼接，得到当日拼接数据；利用所述解码器处理所述当日拼接数据，得到与当前预测日对应的当日能耗预测结果直至得到最后一个预测日的能耗预测结果。4.根据权利要求1所述的方法，其中，响应于所述目标对象为目标商业中心，所述影响因子数据序列中的客流数据序列为所述目标商业中心中商业区域的客流量。5.根据权利要求1所述的方法，还包括：对所述能耗数据序列和所述影响因子数据序列中存在的异常值和/或缺失值，采用线性插值的方式进行填补。6.根据权利要求1所述的方法，还包括：对所述能耗数据序列中的能耗数据、所述影响因子数据序列中影响因子的数据进行归一化处理。7.根据权利要求1所述的方法，其中，所述节假日影响因子的数据被表示为预设的九维向量；其中，所述九维向量中的七维向量用于表征所述预测时段是一周中的哪一天、所述九维向量中剩余的两维向量用于表征所述预测时段是否受节日、假日影响导致工作日休息或公休日补班。8.根据权利要求1
‑
7任一项所述的方法，还包括：根据所述目标对象中用电对象的分布情况，确定用于计算能耗数据的数据结构；基于存储的所述数据结构和传感器采集得到的用电对象的用电数据，计算得到与所述目标对象对应的能耗数据。
9.根据权利要求8所述的方法，还包括：利用预设的消息队列接收并暂存所述传感器对所述用电对象采集得到的用电数据。10.一种短期能耗预测方法，包括：获取目标预测对象的能耗预测信息；其中，所述能耗预测信息包括能耗预测时段和所述能耗预测时段的天气数据和节假日数据；确定与所述能耗预测时段在时间序列上具有连续性的历史时段能耗信息；其中，所述历史时段能耗信息包括历史时段的能耗数据序列和影响因子数据序列，所述影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；将所述历史时段能耗信息和所述能耗预测信息输入目标能耗预测模型，得到输出的能耗预测结果；其中，所述目标能耗预测模型根据权利要求1
‑
9任一项所述的能耗预测模型构建方法得到。11.一种能耗预测模型构建装置，包括：编码器处理单元，被配置成利用预设的编码器处理目标对象在历史时段的能耗数据序列和影响因子数据序列；其中，所述编码器基于引入注意力机制的循环神经网络构建得到，所述影响因子数据序列包括：天气、客流、节假日三种影响因子的数据；解码器处理单元，被配置成利用预设的解码器处理所述编码器的输出数据、所述目标对象在预测时段的天气数据和节假日数据，得到能耗预测结果；其中，所述解码器基于循环神经网络构建得到，所述预测时段为在与所述历史时段在时间序列上具有连...

【专利技术属性】
技术研发人员：童厚杰，闻雅兰，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：