(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 202111648640.X (22)申请日 2021.12.2 9 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 于军琪　李想　赵安军　侯雪妍　 代俊伟　刘海燕　 (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 高博 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 10/04(2012.01) (54)发明名称 基于短期建筑能耗预测模型的异常能耗诊 断方法及系统 (57)摘要 本发明公开了一种基于短期建筑能耗预测 模型的异常能耗诊断方法及系 统， 经过Pearson 相关性分析、 数据预处理， 构建能耗样本集并划 分为训练集、 验证集和测试集； 提出了一种基于 历史能耗数据、 居住者行为、 气象因素和时间因 素等10个输入参数的LSTM网络多步超前短期能 耗预测模型； 采用MIMO策略在监督学习方式下预 测建筑每小时能耗； 根据预测模型， 在较小的时 间尺度上提出一种基于预测值与实际值之间的 数学关系的诊断方法； 本发明具有诊断速度快， 诊断精度高， 实用性强的优点。 权利要求书2页 说明书9页 附图5页 CN 114169254 A 2022.03.11 CN 114169254 A 1.基于短期建筑能耗预测模型的异常能耗诊断方法， 其特 征在于， 包括以下步骤： S1、 采集建筑历史能耗数据和影响能耗因素的数据， 通过Pearson相关性分析筛选出 Pearson相关系数在阈值内的特 征作为能耗预测模型输入特 征； S2、 对步骤S1得到的输入特征数据进行预处理， 构 建能耗样本集， 并将能耗样本集划分 为训练集、 验证集和 测试集； S3、 使用多输入多输出策略优化长短期记忆网络， 建立监督式的多步超前短期能耗预 测模型； S4、 利用步骤S2得到的训练集数据对步骤S3建立的监督式的多步超前短期能耗预测模 型进行训练， 利用步骤S2得到的验证集优化训练后的监督式的多步超前短期能耗预测模型 的超参数， 得到优化后的短期建筑能耗预测模型， 利用步骤S2得到的一部分测试集对短期 建筑能耗预测模型进行评估； S5、 基于步骤S4评估后的短期建筑能耗预测模型， 在每小时的时间尺度上确定异常能 耗诊断方法； S6、 利用步骤S5确定的异常能耗诊断方法对步骤S2得到的剩余测试集进行能耗诊断， 根据诊断结果实现异常能耗分析。 2.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S1中， 影响能耗因素的数据包括居住者行为、 气象因素和时间因素。 3.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S1中， Pearso n相关系数计算如下： 其中， ρX,Y为变量X、 Y的相关性系数， E为样本的数 学期望。 4.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S2中， 将能耗样本集按6： 2： 2划分为训练集、 验证集和 测试集。 5.根据权利要求4所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 将测试集按1： 1划分为两部 分， 分别用于步骤S4对短期建筑能耗预测模型进 行评估和步 骤S6进行能耗诊断。 6.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S4中， 将以每小时为时间尺度下的均方根误差的变异系数小于30％时的短期建筑 能耗预测模型用于能耗诊断。 7.根据权利要求6所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 均方根 误差的变异系数CV ‑RMSE具体为： 其中， yi和 分别为第i个时刻的实际值和预测值， n 为样本个数。 8.根据权利要求1所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S5中， 异常能耗诊断方法具体为：权　利　要　求　书 1/2 页 2 CN 114169254 A 2S501、 视预测模型 得到的数据为节能数据， 实际数据为非节能数据； S502、 用残差ε表示实际能耗值与预测值之间的差异， 用平均绝对误差MAE表示用于评 估预测模型性能的测试集中， 实际值大于预测值下的平均绝对误差； S503、 根据评价标准， 将用能情况分为节能状态、 注意状态和非节能状态。 9.根据权利要求8所述的基于短期建筑能耗预测模型的异常能耗诊断方法， 其特征在 于， 步骤S5 03中， 评价标准 为： 当 ε≤0时， 为节能状态， 当0 < ε≤MAE时， 为注意状态， 当 ε>MAE时， 为非节能状态。 10.一种基于短期建筑能耗预测模型的异常能耗诊断系统， 其特 征在于， 包括： 筛选模块， 采集建筑历史能耗数据和影响能耗因素的数据， 通过Pearson相关性分析筛 选出Pearso n相关系数在阈值内的特 征作为能耗预测模型输入特 征； 处理模块， 对筛选模块得到的输入特征数据进行预处理， 构建能耗样本集， 并将能耗样 本集划分为训练集、 验证集和 测试集； 输出模块， 使用多输入多输出策略优化长短期记忆网络， 建立监督式的多步超前短期 能耗预测模型； 优化模块， 利用处理模块得到的训练集数据对输出模块建立的监督式的多步超前短期 能耗预测模型进 行训练， 利用处理模块得到的验证集优化训练后监督式的多步超前短期能 耗预测模型 的超参数， 得到优化后的短期建筑能耗预测模型， 利用处理模块得到的一部分 测试集对短期建筑能耗预测模型进行评估； 诊断模块， 基于优化模块评估后的短期建筑能耗预测模型， 在每小时的时间尺度上确 定异常能耗诊断方法； 分析模块， 利用诊断模块确定的异常能耗诊断方法对处理模块得到的剩余测试集进行 能耗诊断， 根据诊断结果实现异常能耗分析。权　利　要　求　书 2/2 页 3 CN 114169254 A 3