【技术实现步骤摘要】
本专利技术涉及物联网建筑信息，尤其是智能处理与应用的，具体涉及神经网络模型技术在物联网建筑信息中关于能耗分析的应用，特别涉及基于物联网绿色建筑的能耗监测方法及系统。
技术介绍
1、在现阶段，基于物联网的绿色建筑能耗监测系统中，卷积神经网络(cnn)和长短期记忆网络(lstm)等神经网络技术得到了广泛应用。这些技术通过物联网技术采集建筑能耗数据，并利用深度学习模型对数据进行处理和分析，以实现能耗的精准监测和预测。
2、文献runge j，zmeureanu r.a review of deep learning techniques forforecasting energy use in buildings[j].energies，2021，14(3)：608公开了一种卷积神经网络(cnn)在物联网建筑的能耗分析技术，用于处理如温度分布图、光照强度图等二维图像数据，从而识别出影响能耗的关键因素。然而，在直接处理时间序列数据时，cnn的优势相对有限。
3、而文献kim t y，cho s b.predicting residential energy consumption usingcnn-lstm neural networks[j].energy，2019，182(6)：72-81和文献marino d l，amarasinghe k，manic m.building energy load forecasting using deep neuralnetworks[c]//iecon 2016-42
4、即，如果输入序列和输出序列的长度不一致，传统的rnn和lstm模型就难以直接应用。具体来说，传统的rnn和lstm模型在训练时，通常假设输入序列和输出序列具有相同的长度。模型中的每个时间步都会接收一个输入并产生一个输出，这种结构限制了模型处理不等长序列的能力。在现阶段，上述缺陷具象化的表现为：当需要处理输入任意时间段内的所有建筑能耗数据，并预测之后某段时间内所有时刻的建筑能耗数据时，传统的rnn和lstm模型就显得力不从心。因为它们无法直接生成比输入序列更长或更短的输出序列。为了绕过这个问题，有时会对输入或输出序列进行填充或截断操作，但这往往会引入噪声或丢失有用信息，从而导致预测精度的下降。
5、为此，本专利技术提出基于物联网绿色建筑的能耗监测方法及系统。
技术实现思路
1、有鉴于此，本专利技术希望提供基于物联网绿色建筑的能耗监测方法及系统，以解决或缓解现有技术中存在的技术问题，即如何解决神经网络在面对物联网建筑信息中关于能耗分析的应用时只能处理序列到序列等长的问题，并对此至少提供一种有益的选择；本专利技术的技术方案是这样实现的：
2、第一方面，基于物联网绿色建筑的能耗监测方法：
3、(一)概述：
4、本专利技术旨在将seq2seq模型与双向bi-gru循环神经网络模型相结合，以解决物联网建筑能耗分析中的数据序列不等长问题。通过引入seq2seq模型能够将输入和输出分成编码层和解码层两部分处理，从而支持输入和输出序列不等长的情况。同时，利用双向bi-gru循环神经网络模型的优势，该方案能够同时捕捉时序数据中的正向和反向依赖关系，提高能耗预测的准确性和鲁棒性。具体来说，编码层负责处理输入序列，生成包含所有重要信息的中间向量；解码层则根据这个中间向量和给定的隐藏状态，生成可变长度的输出序列，即未来某段时间内的能耗预测值。这一结合有望为物联网建筑能耗分析提供更有效的解决方案。
5、(二)技术方案：
6、为实现上述技术目标，本专利技术选择执行如下操作步骤：
7、2.1步骤s1，数据收集与预处理：
8、通过物联网设备(如智能电表、温湿度传感器等)收集建筑能耗的数据集d。
9、然后对收集到的数据集d进行清洗，包括去除异常值和缺失值，确保数据的准确性和完整性。
10、引入kappa一致性检验算法，提取数据集d对能耗预测有用的特征，即历史能耗数据、时间特征(小时、日期或季节)和建筑面积，形成输入序列s。
11、2.1.1步骤s100，数据收集：
12、数据集d包括电力消耗a、用水量b和气体消耗c，以及与这三者对应的外部因素数据，包括天气d和人员流动量e：
13、d＝{(ai,bi,ci,di,ei)|i＝1,2,…,n}；
14、其中，ai表示第i个样本的电力消耗；bi表示第i个样本的用水量；ci表示第i个样本的气体消耗；di表示第i个样本的天气条件；ei表示第i个样本的人员流动量；n是样本总数。
15、2.1.2步骤s101，数据提取：
16、对于每个特征fj∈{a,b,c,d,e,area}，计算其与能耗y的kappa一致性得分。选择得分高于阈值θ的特征作为有用特征，其中area是第i个样本的建筑面积：
17、s1010，将特征fj和能耗都进行离散化处理，然后计算它们之间的交叉表，进而得到kappa得分；
18、s1011，当特征的kappa得分高于预设阈值θ时，认为这个特征对能耗预测是有用的。然后选择所有kappa得分高于阈值θ的特征作为后续模型训练的有用特征；
19、s1012，然后形成输入序列s：
20、s＝(xi,ti,areai)|i＝1,2,…,m；
21、其中，xi＝(ai-τ,ai-τ+1,…,ai-1)，表示第i个输入序列的历史电力消耗数据(滑动窗口)；τ是滑动窗口的大小。ti表示第i个输入序列的时间特征(小时、日期或季节)；areai表示第i个输入序列的建筑面积；m是输入序列的总数，等于或小于n；在实际应用中，y是实际的能耗数据(如电力消耗)，用于计算kappa一致性得分。
22、2.2步骤s2，激活seq2seq-bi-gru循环神经网络模型：
23、该循环神经网络模型包括：seq2seq模型和双向bi-gru循环神经网络模型；其中：使用双向bi-gru作为编码器的组成部分以接收输入序列s，并通过前向和后向两个方向的gru层提取输入序列s中的正向和反向依赖关系；然后将编码层输出的隐藏状态通过eca注意力机制器聚合成一个固定长度的中间向量c输入到解码层中；解码层通过前向和后向两个方向的gru层在每个时间步接收来自上一时间步的隐藏状态和输出，以及中间向量c作为额外的输入，生成可变长度的作为未来某段时间内的能耗预测值的输出序列s’。
24、其中，上述seq2seq-bi-gru循环神经网络模型的层结构包括如下依次连接的：
25、2.2.1编码器本文档来自技高网...
【技术保护点】
1.基于物联网绿色建筑的能耗监测方法，包括通过物联网设备收集建筑能耗的数据集D，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的能耗监测方法，其特征在于：在所述S1中，所述数据集D包括电力消耗a、用水量b和气体消耗c，以及与这三者对应的外部因素数据，包括天气d和人员流动量e：
3.根据权利要求2所述的能耗监测方法，其特征在于：在所述S1中，所述提取的方法为Kappa一致性检验算法，方法为：
4.根据权利要求1所述的能耗监测方法，其特征在于：所述Seq2Seq-Bi-GRU循环神经网络模型的架构包括如下依次连接的：
5.根据权利要求4所述的能耗监测方法，其特征在于：所述编码器包括：
6.根据权利要求4所述的能耗监测方法，其特征在于：所述ECA注意力机制器中：
7.根据权利要求4所述的能耗监测方法，其特征在于：所述解码器包括：
8.根据权利要求7所述的能耗监测方法，其特征在于：所述输出序列S’的计算方法为：S′＝{yt|t＝1,2,…,T}。
9.根据权利要求1所述的能耗监测方法，
10.基于物联网绿色建筑的能耗监测系统，其特征在于：所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任意一项所述的能耗监测方法，所述处理器连接有，
...【技术特征摘要】
1.基于物联网绿色建筑的能耗监测方法，包括通过物联网设备收集建筑能耗的数据集d，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的能耗监测方法，其特征在于：在所述s1中，所述数据集d包括电力消耗a、用水量b和气体消耗c，以及与这三者对应的外部因素数据，包括天气d和人员流动量e：
3.根据权利要求2所述的能耗监测方法，其特征在于：在所述s1中，所述提取的方法为kappa一致性检验算法，方法为：
4.根据权利要求1所述的能耗监测方法，其特征在于：所述seq2seq-bi-gru循环神经网络模型的架构包括如下依次连接的：
5.根据权利要求4所述的能耗监测方法，其特征在于：所述编码器包括：
【专利技术属性】
技术研发人员：蒋武衡，
申请(专利权)人：广州科技职业技术大学，
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。