一种考虑因果干预的城市区域能耗预测方法技术

本发明专利技术属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
一种考虑因果干预的城市区域能耗预测方法


[0001]本专利技术属于城市能耗管理
，尤其涉及一种考虑因果干预的城市区域能耗预测方法。

技术介绍

[0002]城市能耗预测通常是指利用历史数据预测未来一段时间内的某城市能源消耗量。通过科学的手段对能源消耗量进行预测，有利于制定完善的能源规划，降低生产生活成本，对提高能源利用效率、优化能源使用结构和促进构建节约型社会具有重要的意义。
[0003]公开号为CN112906956A的中国专利技术专利公开了一种联合BIM与CIM的城市能耗预测方法，该方法基于历史建筑能耗数据和影响因素与时间的相关性建立时间序列模型，然后基于BP算法建立能耗预测模型，进而以两者处理后得到的时间序列作为BP模型的输入获取建筑能耗预测功率，该模型有效减少由于各影响因素与建筑能耗之间的非线性关系带来的预测误差。公开号为CN110648018A的中国专利技术专利公开了了一种寒冷地区的城市居民建筑系统的能耗预测方法，通过将围护结构传热耗热量和空气渗透热量作为耗能因素进行综合分析和预测，结合寒冷地区城市居民建筑系统中建筑数据、实测数据、设备数据和行为数据等相关数据的计算分析，得出的拟合数据更加适合用于预测建筑系统的能耗，预测结果精度高。
[0004]但上述方法均无法消除历史数据中的时域混杂偏倚，导致预测结果不准确。

技术实现思路

[0005]基于现有技术中的不足，本专利技术通过挖掘不可见的混杂因素，并引入因果干预，提出了一种考虑因果干预的城市区域能耗预测方法，本专利技术的技术方案具体如下：一种考虑因果干预的城市区域能耗预测方法，包括以下步骤：步骤S1：将城市划分为多个区域，获取各个区域内多个等时间间隔的能耗样本数据，步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，最后一个空域特征提取子网络连接能耗预测模块；步骤S3：采用步骤S1中获得的能耗样本数据，对因果干预深度学习模型进行训练，保存训练好的因果干预深度学习模型；步骤S4：将现有城市区域能耗数据输入因果干预深度学习模型，预测未来的城市区域能耗。
[0006]优选的，所述城市区域能耗包括用电量或天然气用量。
[0007]优选的，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。
[0008]优选的，所述潜在混杂估计器部分通过构建分层矩阵将能耗样本数据分层为具有不同混杂因素的聚簇。
[0009]优选的，所述不同混杂因素的数量通过以下方式确定：初始化可训练分层矩阵，其中N表示城市中区域的数量，p为混杂因素总层数，第i行第j列的元素值代表第i个区域属于第j层混杂因素的概率，为了保证第i个区域仅属于某一层混杂因素，使用Gumbel
‑
Softmax技巧进行正则化，具体公式如下：其中，代表分层矩阵的第i行，代表正则化分层矩阵的第i行，从分布中采样，为超参数，正则化分层矩阵第i行第j列的元素值代表第i个区域是否属于第j层混杂因素，取值为0或1，若为1则属于，若为0则不属于。
[0010]优选的，所述因果干预部分将各聚簇分别通过独立的门控递归单元，并通过后门调整公式生成无偏的时域特征。
[0011]优选的，所述后门调整公式阻断能耗样本数据与混杂因素的因果路径，消除混杂因素带来的虚假相关性。
[0012]优选的，所述空域特征提取子网络以前一时域特征提取子网络提取的时域特征为输入，输出时空特征。
[0013]优选的，所述能耗预测模块以最后一个空域特征提取子网络输出的时空特征为输入，利用堆叠的全连接层和Relu激活函数生成城市区域能耗预测结果。
[0014]相比于现有技术，本专利技术的有益效果在于：（1）本专利技术提供了一种考虑因果干预的城市区域能耗预测方法，与现有技术中预设混杂因素的方式不同，该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，对于不同混杂因素分布的能耗样本数据集均有很好的适应性。
[0015]（2）本专利技术提供了一种考虑因果干预的城市区域能耗预测方法，该方法利用因果干预消除了时域上的混杂偏倚，能够获取无偏的时域特征，有效地提升了能耗预测的准确性。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
[0017]图1是本专利技术考虑因果干预的城市区域能耗预测方法流程图。
[0018]图2是本专利技术因果干预深度学习模型的构成示意图。
[0019]图3是本专利技术中时域因果干预示意图。
[0020]图4 是本专利技术实施例1中的预测结果图。
具体实施方式
[0021]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。
[0022]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0023]为了便于理解，以城市用电量为例，提出一种考虑因果干预的城市区域用电量预测方法，如图1所示，该方法能够实现对城市区域未来时段的用电量进行准确预测。
[0024]步骤S1：将某城市划分为N个区域，获取N个区域内Q个等时间间隔的用电量样本数据。
[0025]步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，如图2所示，最后一个空域特征提取子网络连接能耗预测模块。
[0026]其中，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。
[0027]所述潜在混杂估计器部分通过构建分层矩阵将用电量样本数据分层为具有不同混杂因素的聚簇。初始化可训练分层矩阵，其中N表示城市中区域的数量，p为混杂因素总层数，p为混杂因素总层数，第i行第j列的元素值代表第i个区域属于第j层混杂因素的概率，为了保证第i个区域仅属于某一层混杂因素，使用Gumbel
‑
Softmax技巧进行正则化，具体公式如下：其中，代表分层矩阵的第i行，代表正则化分层矩阵的第i行，从分布中采样，为超参数，取值0.1，正则化分层矩阵第i行第j列的元素值代表第i个区域是否属于第j层混杂因素，取值为0或1，若为1则属于，若为0则不属于。
[0028]为消除时域上的混杂偏倚，本专利技术引入因果干预。时域因果图如图3所示，共包含四个变量，历史城市区域用电量数据X、混杂因素C、时域特征FT和预测城本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑因果干预的城市区域能耗预测方法，其特征在于，包括以下步骤：步骤S1：将城市划分为多个区域，获取各个区域内多个等时间间隔的能耗样本数据，步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，最后一个空域特征提取子网络连接能耗预测模块；步骤S3：采用步骤S1中获得的能耗样本数据，对因果干预深度学习模型进行训练，保存训练好的因果干预深度学习模型；步骤S4：将现有城市区域能耗数据输入因果干预深度学习模型，预测未来的城市区域能耗。2.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述城市区域能耗包括用电量或天然气用量。3.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。4.根据权利要求3所述的城市区域能耗预测方法，其特征在于，所述潜在混杂估计器部分通过构建分层矩阵将能耗样本数据分层为具有不同混杂因素的聚簇。5.根据权利要求4所述的城市区域能耗预测方法，其特征在于，所述不同混杂因素的数量通过以下方式确定：初始化可训练分层矩阵，其中N表示城市中...

【专利技术属性】
技术研发人员：邓攀，刘俊廷，裴赟昶，赵宇，汪慕澜，
申请(专利权)人：北京市西城区科学技术和信息化局北京市西城区大数据管理局，
类型：发明
国别省市：