(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111604996.3 (22)申请日 2021.12.24 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 谢海鹏　汤凌峰　王晓阳　别朝红　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 李鹏威 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/08(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于数据驱动 的楼宇供热负荷预测方 法、 装置与设备 (57)摘要 本发明公开了一种基于数据驱动 的楼宇供 热负荷预测方法、 装置与设备， 根据建筑结构、 用 户行为、 环境天气构建特征集合， 基于不同时间 尺度的特征集合形成数据样本， 提取数据样本中 多个不同时间尺度的深层数据特征， 建立基于输 入样本与楼宇建筑供热功率的楼宇供热预测模 型， 采用离线训练和在线优化的神经网络训练框 架， 使用L1 ‑RDA在线学习方法对楼宇供热预测模 型进行在 线优化更新， 利用实际供热功率的动态 数据流对其进行实时更新， 使得预测模型可以更 好应对环 境天气和用户行为的不确定性， 增强了 模型的鲁棒性和泛化能力， 提高楼 宇建筑供热短 期预测的准确性， 对深度挖掘楼宇的节能潜力、 建设近零能耗的新型楼宇建 筑具有重要意 义。 权利要求书2页 说明书10页 附图3页 CN 114239991 A 2022.03.25 CN 114239991 A 1.一种基于数据驱动的楼宇供 热负荷预测方法， 其特 征在于， 包括以下步骤： S1， 根据建筑结构、 用户行为、 环境天气构建特征集合， 基于不同时间尺度的特征集合 形成数据样本； S2， 使用双向长短期记忆网络分别提取数据样本中多个不同时间尺度的深层数据特 征， 并将提取 的深层数据特征与当前时刻的深层数据特征共同输入至多层感知机中， 建立 基于输入样本与楼宇建筑供 热功率的楼宇供 热预测模型； S3， 采用不同时间尺度的数据样本中历史样本数据对楼宇供热预测模型进行参数更 新， 然后采用动态生成的楼宇供热实际功率数据流， 使用L1 ‑RDA在线学习方法对楼宇供热 预测模型进行在线优化更新； S4， 采集对应楼宇的特征集合对优化更新的楼宇供热预测模型进行训练， 利用训练后 的楼宇供 热预测模型， 以楼宇供 热实际功率的动态数据流 为基础实现楼宇供 热负荷预测。 2.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 基 于建筑结构的特征包括楼宇建筑等效热损失系数和楼宇透明 围护结构面积占比， 基于用户 行为的特征包括当前时刻的时间属 性， 基于环境天气的特征包括外部环境温度、 平均光照 强度、 相对湿度和平均风速,基于用户行为和环境天气的用户 ‑环境联合 等效热损失系数。 3.根据权利要求2所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 基 于热平衡方程， 利用历史时刻i的楼宇 供热功率Pi， 以及相应的楼宇内部空气温度 和外部 环境温度 得到当前时刻的热损失系数， 并平均得到最终的楼宇建筑等效热损失系数 kbuild， 具体计算式如下： 式中， n为采样的历史时刻总量。 4.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 采 用Bi‑LSTM分别提取其对应的深层特 征， Bi‑LSTM神经网络在t时刻的输出为： 式中， Wfor和Wback分别为前向层和后向层的输出映射矩阵， 和 分别为前向层和后 向层在t时刻隐藏层输出的短期记 忆。 5.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 以 当前时刻对应的特征， 以及多个不同时间尺度数据中提取的序列特征为输入， 使用MLP建立 其与楼宇建筑供 热功率值的映射关系， MLP中第l层感知 层的前向传播公式为： hl＝ELU(Wlhl‑1+bl) 式中， hl为第l层感知层的输出， ELU函数为感知层使用的非线性函数， Wl为第l层感知层 的连接权重矩阵， hl‑1为第l层感知 层的输入， bl为第l层感知 层的输入偏置 。 6.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 以 均方误差为损失函数优化楼宇供 热预测模型， 均方差损失函数L的具体 计算式为： 权　利　要　求　书 1/2 页 2 CN 114239991 A 2式中， X为N个训练样本构成的输入矩阵， N为输入的训练样本总数， θ为神经网络的参 数， yi为第i个训练样本对应的实际供热功率， 为第i个训练样本对应的预测供热功率， xi 为第i个训练样本 。 7.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， 间 隔采集楼宇建筑供热系统的输出功 率， 并构建成相应的训练样本， 基于在 线学习的方法， 以 最小化累计在线损失为目标， 挖掘数据流的深层特 征， 实时优化供 热预测网络的参数。 8.根据权利要求1所述的一种基于数据驱动的楼宇供热负荷预测方法， 其特征在于， L1‑RDA在线学习算法是一个在线求解神经网络最优参数的方法， L1 ‑RDA算法在第t个时间 步的优化目标为： 式中， θt为第t个时间步更新后的神经网络参数， Gr为第r个时间步的梯度， <Gr, θ>为梯 度Gr对 θ 的积分中值， γ和 λ为 L1‑RDA算法的参数。 9.一种基于数据驱动的楼宇供 热负荷预测系统， 其特 征在于， 包括： 数据样本采集模块， 用于根据建筑结构、 用户行为、 环境天气构建特征集合， 基于不同 时间尺度的特 征集合形成数据样本； 楼宇供热预测模块， 基于双向长短期记忆网络分别提取数据样本 中多个不同时间尺度 的深层数据特征， 并将提取的深层数据特征与当前时刻的深层数据特征共同输入至多层感 知机中， 建立基于 输入样本与楼宇建筑供 热功率的楼宇供 热预测模型； 网络优化模块， 用于采用不同时间尺度的数据样本 中历史样本数据对楼宇供热预测模 型进行参数更新， 然后采用动态生成的楼宇供热实际功率数据流， 使用L1 ‑RDA在线学习方 法对楼宇供 热预测模型进行在线优化更新； 预测模块， 根据对应楼宇的特征集合对优化更新的楼宇供热预测模型进行训练， 利用 训练后的楼宇供热预测模型， 以楼宇供热实际功 率的动态数据流为基础实现楼宇供热负荷 预测。 10.一种终端设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上 运行的计算机程序， 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8任 一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114239991 A 3