【技术实现步骤摘要】
本专利技术属于建筑负荷预测，具体涉及一种基于迁移学习的建筑负荷预测方法及相关系统。
技术介绍
1、建筑负荷预测对提高能源调度效率起着至关重要的作用，已成为一个重要的研究课题。其主要问题在于没有一个特定的因素控制建筑的能耗，而是有多种因素影响着能耗的变化。天气条件、建筑规模、建筑类型、电子设备、人类活动等因素均可直接或间接影响预测结果。
2、在过去的几十年里，人们注意到提高能源预测的准确性已经成为一个活跃的问题。许多研究使用传统的统计技术和基于人工智能(ai)的方法来讨论这个问题。
3、目前已经开发并实施了多种能源预测软件，如energyplus、trnsys、doe-2、dest等，但由于建筑信息难以获取，模型难以适应环境变化，且模型构建时间较长，限制了该方法的实际应用。
4、传统的统计技术通常包括自回归综合移动平均(arima)、线性回归和指数平滑。统计方法快速且易于应用，因为它们依赖于线性函数来处理历史数据和预测数据之间的关系。由于时间序列负荷预测是一个非线性问题，这些模型的预测结果并不精确。
5、这一问题推动了基于人工智能的模型的发展，在人工智能技术的适用性和效率的驱动下，它们已经成为解决负荷预测问题的常见方法。人工智能模型可以分为机器学习模型和深度学习模型。
6、在机器学习模型方面，由于这些模型具有简单、计算速度快等优点。然而，深度学习模型已被证明在能源预测任务中更为准确。随着近年来建筑能耗数据维度的不断提高，具有处理高维非线性数据能力的深度学习模型，如长短期记
7、在传统的深度学习方法中，为了保证训练的可靠性和准确性，有两个基本假设:训练数据和测试数据满足相同的概率分布，并且有足够的样本来训练模型。然而，在许多实际应用中，时间序列(如能耗数据)的数据分布可能会随时间而变化。此外，新建建筑或需要节能改造的老建筑的历史数据很少，这使得模型无法达到较高的精度，因此在某些情况下可能不满足上述假设。迁移学习打破了传统机器学习方法的基本假设，即训练和测试数据应从相同的特征空间中提取，并满足相似的数据分布。当目标域数据有限时，通过迁移学习训练模型，提高预测性能非常有效。
8、在能源预测领域，迁移学习利用从类似建筑的历史数据中学习到的知识，对目标建筑进行能源预测，使目标建筑在可用数据量较少的情况下，也能获得更准确的预测数据。迁移学习结合深度学习算法作为一种框架，在建筑能耗预测领域得到越来越多的应用。
9、深度域自适应(deep domain adaptation,dda)是一种应用于建筑能耗预测领域的迁移学习方法。dda是一种结合深度学习算法的领域自适应技术，通过对源域和目标域的数据分布进行对齐，提取源域和目标域之间的共同特征，解决了领域漂移问题。dda包括三种方法:
10、(1)基于差异的域自适应:首先由tzeng等人提出，在深度神经网络中加入自适应层和差异损失，将不同分布的源域和目标域映射到同一特征空间。通过优化网络损耗，使源域和目标域的潜在特征在该空间内尽可能接近，以最大平均差来测量差值。
11、(2)基于对抗性的域自适应:ganin等首次将对抗性思想引入神经网络，提出了dann。dann包含一个特征提取器和一个域分类器。特征提取器的目标是提取源域和目标域的共同潜在特征，而领域分类器的目标是区分源域和目标域的特征。最后，通过博弈提取源域和目标域的共同特征。
12、(3)基于重构的域自适应:基于自编码器或者生成对抗网络结构上，增加一个数据重构任务，保证域适应过程中信息的完整性。konstantinos bousmalis提出了一种新的域分离网络domain separation networks(dsn)结构来学习域不变表示。dsn的主要工作分为两部分：(1)提取不同域之间的公有特征；(2)利用公有特征进行迁移。
13、域适应与迁移学习都是在源域目标域边缘概率分布不同的条件下解决如何使用源域数据来预测目标域数据的问题。与迁移学习相比，域适应还需要保证源域目标域的标签空间和特征空间都相同且条件概率分布相同。域适应是一种背景条件约束更加严格的迁移学习问题。因为域适应的条件约束更多且域适应方法能够被稍加改变来适应迁移学习中的其它问题，所以域适应是当前迁移学习问题的研究重点。
14、但研究发现，域适应会破坏源域特征中的可判别性信息，也会破坏目标域特征中的可判别性信息。在域适应过程中保持特征的可判别性不被破坏是提高域适应方法性能的一种措施，也是域适应问题的一个研究方向。基于重构的域适应方法能够保证迁移过程不会破坏数据原有信息。在域适应问题中重构可以起到三种作用，一是域适应过程会破坏样本中的可判别信息而重构方法可以降低信息的损失，二是重构方法可以将特征解耦为领域专属特征和领域不变性特征，领域不变性特征用来迁移知识而领域专属特征则被用来降低目标域泛化误差。三是重构可以提取特征的高层语义。
15、目前的研究大多集中在迁移学习方法的参数共享(预训练和微调)上。但当源域和目标域的概率分布不同时，微调通常无法获得令人满意的预测性能。深度域适应可以很好地解决这个问题。然而，现有的研究主要集中在对抗域适应上，基于重构的域适应研究相对较少。以前的研究试图找到源域表示到目标表示之间的映射，或者找到两个域之间共享的表示。虽然这种方法在迁移学习领域中获得了比较好的效果，但它使共享表示容易受到与底层共享分布噪声的污染。
技术实现思路
1、本专利技术的目的在于克服上述不足，提供一种基于迁移学习的建筑负荷预测方法及相关系统，能够减小底层共享分布噪声的影响，挖掘源域与目标域之间的共性信息，提取源-目标域共有特征和私有特征部分，保留特征完整性的同时，最小化特征差异。最后利用这些共性信息做下游的预测任务。
2、为了达到上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种基于迁移学习的建筑负荷预测方法，包括以下步骤：
4、获取源域数据和目标域数据；
5、根据源域数据对目标域数据中缺失的数据进行补足；
6、采用滑动窗口方法对源域数据和补足后的目标域数据中的时间序列数据进行处理，并构建源-目标输入对；
7、采用基于catrans-dsn的特征提取器从源域数据和目标域数据中提取时间特征，将提取到时间特征分为私有特征和公有特征；
8、采用catrans-dsn模型的特征重构器对私有特征和公有特征进行重构，得到重构源域和重构目标域；
9、采用catrans-dsn模型的回归预测器对负荷进行预测，得到建筑负荷预测值；
10、根据重构源域、重构目标域和建筑负荷预测值，完成catrans-dsn模型的训练；
11、将重新获取的目标域测试数据输入到训练好的catrans-ds本文档来自技高网...
【技术保护点】
1.一种基于迁移学习的建筑负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，根据源域数据对目标域数据中缺失的数据进行补足后，使用z分数归一化方法和one-hot编码将所有数据转换为所需格式。
3.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，特征提取器利用权重共享的三分支结构从源域数据和目标域数据中提取时间特征。
4.根据权利要求3所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，权重共享的三分支结构分别为源分支、源-目标分支和目标分支；
5.根据权利要求4所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，交叉注意力模块的Q数据来自于源分支中的Q数据，K数据和V数据来自于目标分支中的K数据和V数据；
6.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，回归预测器基于源域数据和目标域数据的时间特征，找到提取的时间特征与建筑负荷的映射关系。
7.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，
8.一种基于迁移学习的建筑负荷预测系统，其特征在于，包括：
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种基于迁移学习的建筑负荷预测方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种基于迁移学习的建筑负荷预测方法的步骤。
...【技术特征摘要】
1.一种基于迁移学习的建筑负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，根据源域数据对目标域数据中缺失的数据进行补足后，使用z分数归一化方法和one-hot编码将所有数据转换为所需格式。
3.根据权利要求1所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，特征提取器利用权重共享的三分支结构从源域数据和目标域数据中提取时间特征。
4.根据权利要求3所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，权重共享的三分支结构分别为源分支、源-目标分支和目标分支；
5.根据权利要求4所述的一种基于迁移学习的建筑负荷预测方法，其特征在于，交叉注意力模块的q数据来自于源分支中的q数据，k数据和v数据来自于目标分支中的k数据和v数据；
...
【专利技术属性】
技术研发人员：闫秀英，门琪，吴晓雪，何许馨，夏宇，侯帅旗，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。