CN114239991B 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 （西安交通大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114239991B(45)授权公告日2025.07.04

(21)申请号202111604996.3

(22)申请日2021.12.24

(65)同一申请的已公布的文献号申请公布号CN114239991A

(43)申请公布日2022.03.25

(73)专利权人西安交通大学

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61200

专利代理师李鹏威

(51)Int.CI.

GO6Q10/04(2023.01)

GO6Q50/08(2012.01)

GO6N3/0442(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN107239859A,2017.10.10CN107944594A,2018.04.20

审查员龚希珂

权利要求书2页说明书10页附图3页

(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

CN114239991B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

CN114239991B

建筑结构

建筑结构

楼宇建筑等效热损失系数楼宇透明围护结构面积占比

用户-环境联合等效热损失系数

环境天气

外部环境温度相对湿度

平均光照强度平均风速

用户行为

当前时刻对应的时

当前时刻对应的周当前时刻对应的月份

当前时刻对应的季度

CN114239991B权利要求书1/2页

2

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，具体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：

(11)

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，y;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，x;为第i个训练样本；

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；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；

用户-环境联合等效热损失系数k°cc,en综合衡量用户行为和环境天气的影响，相应的计算式如下：

基于热平衡方程，利用历史时刻i的楼宇供热功率P,以及相应的楼宇内部空气温度Tin和外部环境温度Tut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kbui?d,具体计算式如下：

式中，n为采样的历史时刻总量。

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，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：

y,=tanh(W:hfor+Wbackhback)

式中，W。和Wback分