[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112183826B - 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 - Google Patents

基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 Download PDF

Info

Publication number
CN112183826B
CN112183826B CN202010964722.4A CN202010964722A CN112183826B CN 112183826 B CN112183826 B CN 112183826B CN 202010964722 A CN202010964722 A CN 202010964722A CN 112183826 B CN112183826 B CN 112183826B
Authority
CN
China
Prior art keywords
energy consumption
building
spatial
time sequence
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010964722.4A
Other languages
English (en)
Other versions
CN112183826A (zh
Inventor
胡书山
王鹏
余日季
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University
Original Assignee
Hubei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University filed Critical Hubei University
Priority to CN202010964722.4A priority Critical patent/CN112183826B/zh
Publication of CN112183826A publication Critical patent/CN112183826A/zh
Application granted granted Critical
Publication of CN112183826B publication Critical patent/CN112183826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本申请实施例公开了一种基于深度级联生成对抗网络的建筑能耗预测方法及相关产品，其中方法包括：将建筑的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑的空间特征；通过空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征；将所述量化后的空间特征与所述建筑的时序因子输入至双向长短期记忆网络，得到所述建筑的时序特征；通过时序注意力机制对所述时序特征进行局部特征量化，得到时空因子联合特征；根据所述时空联合特征预测得到所述建筑的能耗数据。

Description

基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于深度级联生成对抗网络的建筑能耗预测方法及相关产品。
背景技术
建筑能耗(即建筑的运行能耗)是建筑运行过程中各类设备(例如暖通空调、照明、办公设备)的用能总和。建筑能耗是当今能源消耗第一大户，例如，在欧洲和美国总能耗中占比约35％，在中国总能耗中约占30％，但大部分建筑暖通空调系统能耗和碳排放量高。中国2015年建筑总耗能高达9.64亿吨标准煤，国际能源署预测2030年中国建筑耗能总量将达到15.2亿吨标准煤。
计算机技术的发展为建筑能耗研究带来了一个新契机，两者相交叉的学术研究已成为近年来一个研究热点，受到众多国内外研究者关注，研究主题包括建筑建模、能耗优化等。其中，建筑能耗预测以建筑体形系数、气候状态等作为输入，利用计算机逐时、动态、精确地计算建筑热状态和能源消耗。作为一个多因素相关复杂非线性问题，该问题的解决需要结合数学建模、工程背景知识、计算机编程，并依托计算机强大算力输出结果。
准确的建筑能耗预测结果对建筑能效优化起着至关重要作用。针对单栋建筑，能耗预测可以帮助设计师优化建筑模型的设计和建筑材料的使用，提高设计模型的能效；还可以辅助管理者分析设备优化和建筑改造策略，从而选定更加合理的能效优化策略。面向区域性多栋建筑，能耗预测可以为智能电网中电能调度决策提供数据支撑，辅以能耗存储设备，削弱耗电峰值现象，降低区域性供电设备部署和管理成本。
发明内容
本申请实施例提供基于深度级联生成对抗网络的建筑能耗预测方法及相关产品，可以提高建筑物能耗预测的准确性。
一种基于深度级联生成对抗网络的建筑能耗预测方法，所述方法通过生成对抗网络实现，所述生成对抗网络中包括生成器和判别器，所述生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制；所述方法包括：
将建筑的空间因子输入所述对称残差网络，通过所述对称残差网络提取所述建筑的空间特征；
通过所述空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征；
将所述量化后的空间特征与所述建筑的时序因子输入至所述双向长短期记忆网络，得到所述建筑的时序特征；
通过所述时序注意力机制对所述时序特征进行局部特征量化，得到时空因子联合特征；
根据所述时空联合特征预测得到所述建筑的能耗数据；
其中，所述判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
进一步地，所述对称残差网络中包括卷积模块和解卷积模块，所述卷积模块中包括K个残差块，所述解卷积模块中包括K个解卷积块，其中，所述K为大于或等于1的整数；
所述将建筑的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑的空间特征，包括：
通过所述卷积模块中的K个残差块将所述空间因子进行卷积处理，得到中间特征；
通过所述解卷积模块中的K个解卷积块将所述中间特征进行解卷积处理，得到所述建筑的空间特征。
进一步地，所述空间注意力机制包括通道注意力模块和空间注意力模块；所述通过空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征，包括：
将所述空间特征输入至所述通道注意力模块，得到通道注意力权重，并根据所述空间特征和所述通道注意力权重得到第一特征；
将所述第一特征输入至所述空间注意力模块，得到空间注意力权重，并根据所述第一特征和所述空间注意力权重得到所述量化后的空间特征。
进一步地，所述双向长短期记忆网络包括向前传播网络和向后传播网络；
所述将所述量化后的空间特征与所述建筑的时序因子输入至双向长短期记忆网络，得到所述建筑的时序特征，包括：
将所述量化后的空间特征与所述建筑的时序因子输入所述向前传播网络，得到所述建筑的第一时序特征；
将所述量化后的空间特征与所述建筑的时序因子输入所述向后传播网络，得到所述建筑的第二时序特征；
根据所述第一时序特征和所述第二时序特征构建得到所述建筑的时序特征。
进一步地，所述方法还包括：
将建筑的空间因子样本和时序因子样本输入至生成对抗网络的生成器，得到所述建筑的预测能耗数据；
获取真实能耗数据，将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果；
根据所述判别结果调整所述生成器和所述判别器的参数。
进一步地，所述判别器包括依次连接的t个残差块和目标函数；
所述将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果，包括：
将所述预测能耗数据和所述真实能耗数据输入至所述t个残差块，分别得到每一个所述残差块输出的判别特征，其中，上一级残差块输出的判别特征作为下一级残差块的输入；
将所有残差块输出的所述判别特征输入至所述目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
进一步地，所述判别特征包括所述预测能耗数据的概率分布和所述真实能耗数据的概率分布，所述目标函数包括第一目标函数和第二目标函数；
所述将所有残差块输出的所述判别特征输入至所述目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果，包括：
根据所述预测能耗数据的概率分布和所述真实能耗数据的概率分布输出至所述第一目标函数，计算得到第一散度和第二散度；
将所述第一散度和第二散度输入至第二目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
一种基于深度级联生成对抗网络的建筑能耗预测装置，所述装置通过生成对抗网络实现，所述生成对抗网络中包括生成器和判别器，所述生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制；所述装置包括：
空间特征提取模块，用于将建筑的空间因子输入所述对称残差网络，通过所述对称残差网络提取所述建筑的空间特征；
空间特征量化模块，用于通过所述空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征；
时序特征提取模块，用于将所述量化后的空间特征与所述建筑的时序因子输入至所述双向长短期记忆网络，得到所述建筑的时序特征；
时序特征量化模块，用于通过所述时序注意力机制对所述时序特征进行局部特征量化，得到时空因子联合特征；
能耗数据预测模块，用于根据所述时空联合特征预测得到所述建筑的能耗数据，其中，所述判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
上述基于深度级联生成对抗网络的建筑能耗预测方法及相关产品，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重，生成时空因子联合特征。这样提取的特征更具有识别力和鲁棒性，从而根据提取的特征预测能耗数据，得到的能耗数据也更准确。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为一个实施例中基于深度级联生成对抗网络的建筑能耗预测方法的流程示意图。
图2为一个实施例中能耗影响因子的示意图。
图3为一个实施例中空间特征注意力机制的示意图。
图4为一个实施例中时空因子联合特征提取网络的示意图。
图5为一个实施例中生成对抗网络的判别器的示意图。
图6为一个实施例中能耗预测模型的示意图。
图7为一个实施例中基于深度级联生成对抗网络的建筑能耗预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
图1为一个实施例中基于深度级联生成对抗网络的建筑能耗预测方法的流程示意图，如图1所示。该方法通过生成对抗网络实现，生成对抗网络中包括生成器和判别器，生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制。该方法包括步骤102至步骤110。其中：
步骤102，将建筑的空间因子输入对称残差网络，通过对称残差网络提取建筑的空间特征；
步骤104，通过空间注意力机制对空间特征进行局部特征量化，得到量化后的空间特征；
步骤106，将量化后的空间特征与建筑的时序因子输入至双向长短期记忆网络，得到建筑的时序特征；
步骤108，通过时序注意力机制对时序特征进行局部特征量化，得到时空因子联合特征；
步骤110，根据时空联合特征预测得到建筑的能耗数据；其中，判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
在一个实施例中，建筑是指为了满足人们生产或生活的需要，运用各种建筑主要要素与形式所构成的内部空间(例如办公室、走廊)。以建筑为单位，分析建筑能耗的影响因子。
图2为一个实施例中能耗影响因子的示意图。如图2所示，能耗影响因子可以归纳为空间和时序两方面。空间因子指建筑形体特征，对建筑保温和光照等性能有重要影响，例如，墙体材料对建筑保温性能有重大影响，窗户朝向对采光量起着决定性作用。BIM(Building Information Modeling，建筑信息模型)模型是空间因子的数据源，可依据相关标准将BIM模型中的建筑拆分为多个建筑。单个建筑因子分为两个部分，即自身的空间参数以及实体组件的空间参数，建筑自身的空间参数包括面积、体积、所处楼层等。实体组件包括墙体、窗户、屋顶、地板、设备等，前四个组件的空间因子包括构建材料、面积、朝向、热传递系数等参数，设备参数包含了照明功率、暖通空调功率、温度设定等参数。
时序因子指建筑室外和室内时序状态，对室内照明和暖通空调系统的能耗有着重要影响，例如：炎热的室外环境会导致室内制冷负荷急剧上升。本项目将天气、日程数据作为时序因子的数据源，天气数据包含室外空气温度、太阳辐射量、太阳角度、空气湿度等参数。日程数据包括室内人员日程和灯光、暖通空调、其他等设备日程，室内人员日程的参数有室内人员数量、活动量。暖通空调系统日程的参数有开关状态、冷暖温度设定等。
针对建筑参数的提取，可以使用BIMserver完成BIM模型的解析，选用应用最广的IFC(Industry Foundation Class)标准作为BIM模型输入格式，以提升提取算法的通用性和可扩展性。提取算法分析建筑结构数据和设备数据，关于结构数据，以整栋建筑(IFCBUILDING)为根节点，建立建筑(IFCSPACE)的树形结构。先提取每个建筑的属性(如面积、朝向等)，将每个建筑拆分为多个围护实体(如墙体IFCWALLSTANDARDCASE、窗户IFCWINDOW等)，提取每个实体的三维几何坐标点序列、材料、热传递系数等参数。对于设备数据，提取算法依次处理空气调节系统(如IFCBOILER、IFCCHILLER等)、照明设备、其他设备，照明设备和其他设备只需获取它们的功率以及位置信息。空气调节系统的分析除了获取功率、温度设置等基本参数外，还需要分析空气循环路径(IFCDISTRIBUTIONPORT)，以得出暖通空调系统服务的建筑。建筑能耗空间与时序因子符号如表1。
表1建筑能耗空间与时序因子符号
时序因子的参数无需提取，但需要通过数据清洗保障数据质量。数据清洗包括缺失数据填充以及离群点检测，可以使用前后时刻点数值的均值填充缺失数据，即离群点指时间序列中显著偏离一般数据分布的数据对象，由于建筑能耗所涉及天气、日程等时序数据的体量不大，采用自回归综合移动平均线(ARIMA)模型完成时序数据离群点检测。ARIMA(p，d，q)模型可以表示为式(1)，基于二阶差分xt(式(2))，原序列的预测值xt表示为式(3)。
在一个实施例中，建筑能耗相关空间与时序因子具有异构互联性，即相互独立又有机关联。构建一个深度级联神经网络完成空间与时序因子的联合表征，并为该级联网络设计双注意力机制，实现空间和时序特征的局部加权。该网络模型包括两个主要部分：对称残差神经网络和双向长短期记忆网络，对称残差神经网络负责空间因子表征，双向长短期记忆网络负责时序因子表征。为提高模型的识别力和鲁棒性，可以为对称残差神经网络设计空间注意力机制，量化空间局部特征权重；为双向长短期记忆网络设计时序注意力机制，量化时序局部特征权重。
得到时空因子联合特征之后，根据时空因子联合特征就可以预测得到建筑的能耗数据。
上述实施例提供的基于深度级联生成对抗网络的建筑能耗预测方法，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重，生成时空因子联合特征。这样提取的特征更具有识别力和鲁棒性，从而根据提取的特征预测能耗数据，得到的能耗数据也更准确。
在一个实施例中，对称残差网络中包括卷积模块和解卷积模块，卷积模块中包括K个残差块，解卷积模块中包括K个解卷积块，其中，K为大于或等于1的整数；将建筑的空间因子输入对称残差网络，通过对称残差网络提取建筑的空间特征，包括：通过卷积模块中的K个残差块将空间因子进行卷积处理，得到中间特征；通过解卷积模块中的K个解卷积块将中间特征进行解卷积处理，得到建筑的空间特征。
例如，对称残差神经网络由卷积模块和解卷积模块两个模块组成。卷积模块由五个残差块组成，每个残差块包括五层，前三层为残差卷积层，第四层为批标准化(BatchNormalization)，最后一层是Dropout。残差卷积原理如式(4)所示，当x和F的通道数不同，改变x的维数(式(5))，使用RReLU(Rectified Linear Unit，线性整流函数)(式(6))作为卷积激活函数，ai符合均匀分布U(l，u)，l＜u，l&u∈[0，1)。
F＝W2*RReLU(W1x)，y＝F(x，{Wi})+x (4)
y＝F(x，{Wi})+Wsx (5)
残差块使用批标准化(Batch Normalization)将特征值分布拉回标准正态分布，落在激活函数对于输入较为敏感的区间。批标准化先计算小批量均值(mini-batch mean)和方差(式(7))，对计算结果归一化，通过特征变换使之处于较好的非线性区域(式(8))。
残差块采用Dropout缓解过拟合的发生，在一定程度上达到正则化的效果，Dropout原理如式(9)所示，其中Bernoulli函数生成概率r向量，即随机生成一个0、1的向量。
解卷积模块由五个解卷积块组成，每个解卷积块包括二维转置解卷积和批标准化两层。二维转置解卷积原理如式(10)所示，ki表示第i个解卷积核。将每次解卷积的中间特征图联合 得到解卷积最终输出特征图。
在一个实施例中，空间注意力机制包括通道注意力模块和空间注意力模块；通过空间注意力机制对空间特征进行局部特征量化，得到量化后的空间特征，包括：将空间特征输入至通道注意力模块，得到通道注意力权重，并根据空间特征和通道注意力权重得到第一特征；将第一特征输入至空间注意力模块，得到空间注意力权重，并根据第一特征和空间注意力权重得到量化后的空间特征。
在一个实施例中，通道注意力模块包括第一平均池化层、第一最大池化层和全连接层；将空间特征输入至通道注意力模块，得到通道注意力权重，包括：将空间特征分别输入第一平均池化层和第一最大池化层，得到平均池化后的空间特征和最大池化后的空间特征；将平均池化后的空间特征和最大池化后的空间特征，经过全连接层相加后得到注意力权重；空间注意力模块包括第二平均池化层、第二最大池化层和卷积层；将第一特征输入至空间注意力模块，得到空间注意力权重，包括：将第一特征分别输入第二平均池化层和第二最大池化层，得到平均池化后的第一特征和最大池化后的第一特征；通过卷积层将平均池化后的第一特征和最大池化后的第一特征进行卷积处理，得到空间注意力权重。
具体的，对空间特征的局部特征量化，具体为将解卷积模块输出的空间特征的通道信息及空间信息量化局部特征权重。如图3所示，该注意力机制包括通道注意力模块和空间注意力模块，通道注意力模块计算特征图的全局平均池化及全局最大池化信息，然后通过全连接层后相加得到通道注意力参数(式(11))，即通道注意力权重。空间注意力模块对各通道特征图的坐标进行全局最大及平均池化，得到两张特征图，然后对特征图进行卷积得到空间注意力参数(式(12))，即空间注意力权重。
在一个实施例中，双向长短期记忆网络包括向前传播网络和向后传播网络；将量化后的空间特征与建筑的时序因子输入至双向长短期记忆网络，得到建筑的时序特征，包括：将量化后的空间特征与建筑的时序因子输入向前传播网络，得到建筑的第一时序特征；将量化后的空间特征与建筑的时序因子输入向后传播网络，得到建筑的第二时序特征；根据第一时序特征和第二时序特征构建得到建筑的时序特征。
针对时序因子，本项目将采用双向长短期记忆网络表征。当前时刻的输出不仅与之前的状态有关，还可能与未来的状态有关系，双向长短期记忆网络通过前向传播和后向传播两个方向分别对输入状态进行表征，综合两个方向结果得到最终表征结果。将量化后的空间特征和时序因子输入到双向长短期记忆网络中，通过向前传播网络得到建筑的第一时序特征，通过向后传播得到建筑的第二时序特征，再根据第一时序特征和第二时序特征构建得到时序特征。
在本申请提供的实施例中，时序因子中包括对应于n个时刻的时刻因子，时序特征中包括对应于n个时刻的时刻特征，其中n为大于或等于1的整数；将量化后的空间特征与建筑的时序因子输入至双向长短期记忆网络，得到建筑的时序特征，包括：将量化后的空间特征与n个时刻因子输入向前传播网络，得到n个的第一时刻特征；将量化后的空间特征与n个时刻因子输入向后传播网络，得到n个的第二时刻特征；分别将对应于同一时刻的第一时刻特征和第二时刻特征组合，得到n个时刻特征。
具体的，通过时序注意力机制对时序特征进行局部特征量化，得到时空因子联合特征，包括：将n个时刻特征输入至时序注意力机制，得到对应于每个时刻特征的时序权重；根据时序权重将n个时刻特征进行加权求和，得到时空因子联合特征。
图4为一个实施例中时空因子联合特征提取网络的示意图，如图4所示。该时空因子联合特征提取网络包括对称残差网络、空间注意力机制、双向长短期记忆网络和时序注意力机制。其中双向长短记忆网络中，以前向传播为例，如式(13a)-(13e)所示，每个LSTM单元中包含遗忘门输入门/>输出门/>记忆单元/>基于上一单元的隐藏状态/>和记忆状态/>当前单元的隐藏状态输出/>(式(14))。结合前向传播与后向传播的特征信息，生成时间点t的特征表示/>
为进一步量化局部时序特征重要性，时序特征注意力机制，该注意力为时间点t输出的特征ht赋予一个相对权重αt，权重αt的计算原理如式(15)和式(16)所示。完成所有时间点相对权重计算后，双向长短期记忆网络的输出特征可表示为
在一个实施例中，上述基于深度级联生成对抗网络的建筑能耗预测方法，还包括：将建筑的空间因子样本和时序因子样本输入至生成对抗网络的生成器，得到所述建筑的预测能耗数据；获取真实能耗数据，将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果；根据所述判别结果调整所述生成器和所述判别器的参数。
该生成对抗网络包括生成器和判别器两个部分，生成器通过输入的空间和时序因子生成接近于真实的能耗数据，判别器负责判别生成数据和真实数据。源于博弈论中零和博弈的思想，该预测模型通过反复迭代使得生成器和判别器到达平衡(纳什均衡点)，得到高精度能预测结果。
具体的，可以将大量的样本(空间因子样本和时序因子样本)输入生成器，通过生成器生成预测的能耗数据。再将预测能耗数据和真实能耗数据输入到判别器中，得到判别结果。再根据判别结果来调整生成器和判别器，从而将生成器和判别器训练得更精确。
在本申请提供的一个实施例中，上述判别器包括依次连接的t个残差块和目标函数；所述将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果，包括：将所述预测能耗数据和所述真实能耗数据输入至所述t个残差块，分别得到每一个所述残差块输出的判别特征，其中，上一级残差块输出的判别特征作为下一级残差块的输入；将所有残差块输出的所述判别特征输入至所述目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
具体的，如图5所示，判别器包括依次连接的5个残差块和目标函数，每个残差块包括五个结构层，前三层通过两个卷积函数和RReLU激活函数实现残差卷积，第四层为批标准化函数，最后一层是Dropout函数。将真实能耗数据和所述预测能耗数据输入到第1个残差块，依次向后传递。为保留更多特征和提升判别能力，上一级残差块输出的判别特征作为下一级残差块的输入，每一个残差块都会输出一个判别特征，从而得到最终判别输出。
在一个实施例中，判别特征包括预测能耗数据的概率分布和真实能耗数据的概率分布，目标函数包括第一目标函数和第二目标函数；将所有残差块输出的判别特征输入至目标函数，得到真实能耗数据和预测能耗数据的判别结果，包括：根据预测能耗数据的概率分布和真实能耗数据的概率分布输出至第一目标函数，计算得到第一散度和第二散度；将第一散度和第二散度输入至第二目标函数，得到真实能耗数据和预测能耗数据的判别结果。
为了提升建筑能耗预测的精准度，项目结合Wasserstein距离(式(17))和梯度惩罚策略(gradient penalty)，为预测模型建立目标函数。Wasserstein距离改善第一目标函数(式(18)和式(19))计算得到第一散度(KL散度)和第二散度(JS散度)的梯度消失、等价优化目标存在不合理等不足。Pr是真实能耗数据的概率分布，Pg为预测能耗数据的概率分布。weight clipping方式独立限制每个网络参数取值范围，最优策略让所有参数走向极端(即最大值或最小值)，可能导致梯度消失或者梯度爆炸问题。
本模型采用梯度惩罚策略改善Wasserstein距离的不足，梯度惩罚策略的选取范围并不在全网络，仅在真假分布之间抽样处理(式(20))，进而得到建筑能耗预测模型的第二目标函数(式(21))。
为评估能耗预测模型的性能，本项目拟采用均方根误差(Root Mean SquareError，RMSE)(式(22))，平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)(式(23))，决定系数(R-square，R2)(式(24))三个指标量化预测结果的准确度。
图6为一个实施例中能耗预测模型的示意图。如图6所示，该能耗预测模型包括数据收集、数据处理、能耗预测、成果总结与凝练等四个关键步骤。第一步骤(数据收集步骤)，负责完成充实的数据收集工作，收集的数据包括四类：建筑信息模型、天气数据、日程数据、以及真实建筑能耗监测数据。第二步骤(数据处理步骤)，主要完成对收集的四类数据预处理，包括从BIM数据中提取建筑空间参数，对天气和日程数据完成数据清洗，以及完成Eenergyplus建模和矫正。第三步骤(能耗预测步骤)，主要构建一个面向建筑能耗的预测模型，结合残差神经网络、长短期记忆网络、注意力机制等技术表征能耗相关因子；以生成对抗网络为理论支撑，设计适合于建筑能耗的目标函数，提升能耗预测的精准度。最后一个步骤(成果总结与凝练步骤)结合建筑能耗预测模型以及预测结果，进一步凝练的面向智慧建筑能耗预测模型，输出预测结果。
图7为一个实施例中基于深度级联生成对抗网络的建筑能耗预测装置的结构示意图。如图7所示，该基于深度级联生成对抗网络的建筑能耗预测装置通过生成对抗网络实现，生成对抗网络中包括生成器和判别器，生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制和能耗预测网络；该装置包括：
空间特征提取模块702，用于将建筑的空间因子输入对称残差网络，通过对称残差网络提取建筑的空间特征；
空间特征量化模块704，用于通过空间注意力机制对空间特征进行局部特征量化，得到量化后的空间特征；
时序特征提取模块706，用于将量化后的空间特征与建筑的时序因子输入至双向长短期记忆网络，得到建筑的时序特征；
时序特征量化模块708，用于通过时序注意力机制对时序特征进行局部特征量化，得到时空因子联合特征；
能耗数据预测模块710，用于根据所述时空联合特征预测得到所述建筑的能耗数据，其中，所述判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
上述基于深度级联生成对抗网络的建筑能耗预测装置，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重，生成时空因子联合特征。这样提取的特征更具有识别力和鲁棒性，从而根据提取的特征预测能耗数据，得到的能耗数据也更准确。
在一个实施例中，对称残差网络中包括卷积模块和解卷积模块，卷积模块中包括K个残差块，解卷积模块中包括K个解卷积块，其中，K为大于或等于1的整数；空间特征提取模块702还用于通过卷积模块中的K个残差块将空间因子进行卷积处理，得到中间特征；通过解卷积模块中的K个解卷积块将中间特征进行解卷积处理，得到建筑的空间特征。
在一个实施例中，空间注意力机制包括通道注意力模块和空间注意力模块；空间特征量化模块704还用于将空间特征输入至通道注意力模块，得到通道注意力权重，并根据空间特征和通道注意力权重得到第一特征；将第一特征输入至空间注意力模块，得到空间注意力权重，并根据第一特征和空间注意力权重得到量化后的空间特征。
在一个实施例中，双向长短期记忆网络包括向前传播网络和向后传播网络；时序特征提取模块706还用于将量化后的空间特征与建筑的时序因子输入向前传播网络，得到建筑的第一时序特征；将量化后的空间特征与建筑的时序因子输入向后传播网络，得到建筑的第二时序特征；根据第一时序特征和第二时序特征构建得到建筑的时序特征。
在一个实施例中，上述装置还包括模型训练模块，用于将建筑的空间因子样本和时序因子样本输入至生成对抗网络的生成器，得到建筑的预测能耗数据；获取真实能耗数据，将预测能耗数据和真实能耗数据输入至生成对抗网络的判别器，得到真实能耗数据和预测能耗数据的判别结果；根据判别结果调整生成器和判别器的参数。
在一个实施例中，判别器包括依次连接的t个残差块和目标函数；模型训练模块还用于将预测能耗数据和真实能耗数据输入至t个残差块，分别得到每一个残差块输出的判别特征，其中，上一级残差块输出的判别特征作为下一级残差块的输入；将所有残差块输出的判别特征输入至目标函数，得到真实能耗数据和预测能耗数据的判别结果。
在一个实施例中，所述判别特征包括所述预测能耗数据的概率分布和所述真实能耗数据的概率分布，所述目标函数包括第一目标函数和第二目标函数；模型训练模块还用于根据所述预测能耗数据的概率分布和所述真实能耗数据的概率分布输出至所述第一目标函数，计算得到第一散度和第二散度；将所述第一散度和第二散度输入至第二目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
在一个实施例中提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述实施例中的方法。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述实施例中的方法。
在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本申请实施例的跨云平台的大数据管理方法的电子设备都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。
输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度级联生成对抗网络的建筑能耗预测方法，其特征在于，所述方法通过生成对抗网络实现，所述生成对抗网络中包括生成器和判别器，所述生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制；所述方法包括：
将建筑的空间因子输入所述对称残差网络，通过所述对称残差网络提取所述建筑的空间特征，其中，所述空间因子指所述建筑的形体特征；
通过所述空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征；
将所述量化后的空间特征与所述建筑的时序因子输入至所述双向长短期记忆网络，得到所述建筑的时序特征，其中，所述时序因子指所述建筑室外和室内时序状态，将天气、日程数据作为时序因子的数据源；
通过所述时序注意力机制对所述时序特征进行局部特征量化，得到时空因子联合特征；
根据所述时空因子联合特征预测得到所述建筑的能耗数据；
其中，所述判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
2.根据权利要求1所述的方法，其特征在于，所述对称残差网络中包括卷积模块和解卷积模块，所述卷积模块中包括K个残差块，所述解卷积模块中包括K个解卷积块，其中，所述K为大于或等于1的整数；
所述将建筑的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑的空间特征，包括：
通过所述卷积模块中的K个残差块将所述空间因子进行卷积处理，得到中间特征；
通过所述解卷积模块中的K个解卷积块将所述中间特征进行解卷积处理，得到所述建筑的空间特征。
3.根据权利要求1所述的方法，其特征在于，所述空间注意力机制包括通道注意力模块和空间注意力模块；所述通过空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征，包括：
将所述空间特征输入至所述通道注意力模块，得到通道注意力权重，并根据所述空间特征和所述通道注意力权重得到第一特征；
将所述第一特征输入至所述空间注意力模块，得到空间注意力权重，并根据所述第一特征和所述空间注意力权重得到所述量化后的空间特征。
4.根据权利要求1所述的方法，其特征在于，所述双向长短期记忆网络包括向前传播网络和向后传播网络；
所述将所述量化后的空间特征与所述建筑的时序因子输入至双向长短期记忆网络，得到所述建筑的时序特征，包括：
将所述量化后的空间特征与所述建筑的时序因子输入所述向前传播网络，得到所述建筑的第一时序特征；
将所述量化后的空间特征与所述建筑的时序因子输入所述向后传播网络，得到所述建筑的第二时序特征；
根据所述第一时序特征和所述第二时序特征构建得到所述建筑的时序特征。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
将建筑的空间因子样本和时序因子样本输入至生成对抗网络的生成器，得到所述建筑的预测能耗数据；
获取真实能耗数据，将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果；
根据所述判别结果调整所述生成器和所述判别器的参数。
6.根据权利要求5所述的方法，其特征在于，所述判别器包括依次连接的t个残差块和目标函数；
所述将所述预测能耗数据和所述真实能耗数据输入至所述生成对抗网络的判别器，得到所述真实能耗数据和所述预测能耗数据的判别结果，包括：
将所述预测能耗数据和所述真实能耗数据输入至所述t个残差块，分别得到每一个所述残差块输出的判别特征，其中，上一级残差块输出的判别特征作为下一级残差块的输入；
将所有残差块输出的所述判别特征输入至所述目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
7.根据权利要求6所述的方法，其特征在于，所述判别特征包括所述预测能耗数据的概率分布和所述真实能耗数据的概率分布，所述目标函数包括第一目标函数和第二目标函数；
所述将所有残差块输出的所述判别特征输入至所述目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果，包括：
根据所述预测能耗数据的概率分布和所述真实能耗数据的概率分布输出至所述第一目标函数，计算得到第一散度和第二散度；
将所述第一散度和第二散度输入至第二目标函数，得到所述真实能耗数据和所述预测能耗数据的判别结果。
8.一种基于深度级联生成对抗网络的建筑能耗预测装置，其特征在于，所述装置通过生成对抗网络实现，所述生成对抗网络中包括生成器和判别器，所述生成器中包括对称残差网络、空间注意力机制、双向长短期记忆网络、时序注意力机制；所述装置包括：
空间特征提取模块，用于将建筑的空间因子输入所述对称残差网络，通过所述对称残差网络提取所述建筑的空间特征，其中，所述空间因子指所述建筑的形体特征；
空间特征量化模块，用于通过所述空间注意力机制对所述空间特征进行局部特征量化，得到量化后的空间特征；
时序特征提取模块，用于将所述量化后的空间特征与所述建筑的时序因子输入至所述双向长短期记忆网络，得到所述建筑的时序特征，其中，所述时序因子指所述建筑室外和室内时序状态，将天气、日程数据作为时序因子的数据源；
时序特征量化模块，用于通过所述时序注意力机制对所述时序特征进行局部特征量化，得到时空因子联合特征；
能耗数据预测模块，用于根据所述时空因子联合特征预测得到所述建筑的能耗数据，其中，所述判别器用于在训练生成器时判别所述生成器输出的预测能耗数据的真实性。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1至7任一项所述的方法。
CN202010964722.4A 2020-09-15 2020-09-15 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 Active CN112183826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964722.4A CN112183826B (zh) 2020-09-15 2020-09-15 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964722.4A CN112183826B (zh) 2020-09-15 2020-09-15 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品

Publications (2)

Publication Number Publication Date
CN112183826A CN112183826A (zh) 2021-01-05
CN112183826B true CN112183826B (zh) 2023-08-01

Family

ID=73921027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964722.4A Active CN112183826B (zh) 2020-09-15 2020-09-15 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品

Country Status (1)

Country Link
CN (1) CN112183826B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343334B (zh) * 2021-05-28 2022-11-15 同济大学 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置
CN113469470B (zh) * 2021-09-02 2021-12-03 国网浙江省电力有限公司杭州供电公司 基于电力大脑中枢的用能数据与碳排放量关联分析方法
CN113947186A (zh) * 2021-10-13 2022-01-18 广东工业大学 一种基于生成对抗网络的供热能耗循环预测方法
CN114021811B (zh) * 2021-11-03 2024-06-25 重庆大学 基于注意力改进的交通预测方法及计算机介质
CN114579878A (zh) * 2022-03-15 2022-06-03 中国科学院空天信息创新研究院 虚假新闻判别模型的训练方法、虚假新闻判别方法及装置
CN116011088B (zh) * 2023-03-20 2023-06-06 天津大学 基于ifc扩展的装配式桥梁工程的碳排放计算方法与装置
CN118114350B (zh) * 2024-04-22 2024-07-26 华南理工大学建筑设计研究院有限公司 一种基于gan和ga的夏热冬暖地区低碳建筑设计决策方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991504A (zh) * 2017-05-09 2017-07-28 南京工业大学 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物
WO2018153322A1 (zh) * 2017-02-23 2018-08-30 北京市商汤科技开发有限公司 关键点检测方法、神经网络训练方法、装置和电子设备
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN108959716A (zh) * 2018-06-07 2018-12-07 湖北大学 一种建筑信息模型与建筑能耗模拟模型的转换方法及装置
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法
CN111426344A (zh) * 2020-03-20 2020-07-17 淮阴工学院 一种建筑物能耗智能检测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8738334B2 (en) * 2011-04-29 2014-05-27 International Business Machines Corporation Anomaly detection, forecasting and root cause analysis of energy consumption for a portfolio of buildings using multi-step statistical modeling
US9292888B2 (en) * 2013-06-28 2016-03-22 Globalfoundries Inc. Constructing and calibrating enthalpy based predictive model for building energy consumption
CN109062956A (zh) * 2018-06-26 2018-12-21 湘潭大学 一种面向区域综合能源系统的时空特征挖掘方法
CN109063903B (zh) * 2018-07-19 2021-04-09 山东建筑大学 一种基于深度强化学习的建筑能耗预测方法及系统
US11538143B2 (en) * 2018-10-26 2022-12-27 Nec Corporation Fully convolutional transformer based generative adversarial networks
CN109948691B (zh) * 2019-03-14 2022-02-18 齐鲁工业大学 基于深度残差网络及注意力的图像描述生成方法和装置
CN111091045B (zh) * 2019-10-25 2022-08-23 重庆邮电大学 一种基于时空注意力机制的手语识别方法
CN111080002A (zh) * 2019-12-10 2020-04-28 华南理工大学 基于深度学习的建筑用电负荷多步预测方法及系统
CN111178626B (zh) * 2019-12-30 2024-10-25 苏州科技大学 基于wgan算法的建筑能耗预测方法及监测预测系统
CN111223301B (zh) * 2020-03-11 2021-01-26 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
CN111475546A (zh) * 2020-04-09 2020-07-31 大连海事大学 一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018153322A1 (zh) * 2017-02-23 2018-08-30 北京市商汤科技开发有限公司 关键点检测方法、神经网络训练方法、装置和电子设备
CN106991504A (zh) * 2017-05-09 2017-07-28 南京工业大学 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN108959716A (zh) * 2018-06-07 2018-12-07 湖北大学 一种建筑信息模型与建筑能耗模拟模型的转换方法及装置
CN109961177A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的通用水冷中央空调能耗预测方法
CN111426344A (zh) * 2020-03-20 2020-07-17 淮阴工学院 一种建筑物能耗智能检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于GAN技术的自能源混合建模与参数辨识方法;孙秋野等;自动化学报(第05期);901-914 *
浅谈智能建筑新技术和建筑节能;王鹏;黑龙江科技信息(第06期);198 *

Also Published As

Publication number Publication date
CN112183826A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112183826B (zh) 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
Sha et al. Overview of computational intelligence for building energy system design
Luo et al. Development of an IoT-based big data platform for day-ahead prediction of building heating and cooling demands
CN105378391B (zh) 针对hvac需求响应的在线优化方案
Jihad et al. Forecasting the heating and cooling load of residential buildings by using a learning algorithm “gradient descent”, Morocco
CN103049612B (zh) 一种基于模型降阶技术的建筑室内环境优化方法
Bucking et al. An information driven hybrid evolutionary algorithm for optimal design of a net zero energy house
Abediniangerabi et al. A data-driven framework for energy-conscious design of building facade systems
Wei et al. Effects of building form on energy use for buildings in cold climate regions
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN115310727B (zh) 一种基于迁移学习的建筑冷热电负荷预测方法及系统
Tien et al. Occupancy heat gain detection and prediction using deep learning approach for reducing building energy demand
CN114282730A (zh) 一种用于建筑负荷预测的数据完备性检验与特征学习方法
CN112152840B (zh) 一种基于bim和模拟仿真的传感器部署方法和系统
Chen et al. A training pattern recognition algorithm based on weight clustering for improving cooling load prediction accuracy of HVAC system
Fang et al. Comprehensive clustering method to determine coincident design day for air-conditioning system design
Banda et al. Transfer learning for leisure centre energy consumption prediction
CN112232479B (zh) 基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品
Das et al. A study on the application of artificial intelligence techniques for predicting the heating and cooling loads of buildings
CN115879190B (zh) 模型构建方法及装置、建筑负荷预测方法及装置
CN110991638A (zh) 基于聚类及神经网络的广义负荷建模方法
Jiang GMM Clustering Based on WOA Optimization and Space‐Time Coupled Urban Rail Traffic Flow Prediction by CEEMD‐SE‐BiGRU‐AM
CN115081533A (zh) 基于两级聚类和mgru-at的客户侧负荷预测方法与系统
Ma et al. Short-Term Household Load Forecasting Based on Attention Mechanism and CNN-ICPSO-LSTM.
CN118114350B (zh) 一种基于gan和ga的夏热冬暖地区低碳建筑设计决策方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant