(19)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 202210185021.X (22)申请日 2022.02.28 (71)申请人 山东国地水利土地勘察设计有限公 司 地址 250000 山东省济南市历下区龙奥北 路1577号龙奥天街3号楼13 03室 (72)发明人 蔡永康　战晓东　郑善吉　纪淳　 王禹杰　刘敏洁　刘佳　王载言　 马华晓　王景　王凯华　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 张贵宾 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/84(2022.01) (54)发明名称 基于迁移学习的自适应建筑日前负荷预测 方法 (57)摘要 本发明公开了基于迁移学习的自适应建筑 日前负荷预测方法， 涉及建筑与环保技术领域。 本发明包括如下步骤： S1数据采集与处理， 原始 数据集分为目标建筑的小数据集和基础建筑群 的大数据集， 填补全部原始数据集的缺失值； S2 用能模式聚类； S3源域数据筛选， 筛选负荷目标 建筑用能模式的历史日负荷曲线， 分别构建数据 迁移训练集和模型迁移训练集； S4日前负荷预测 模型构建； S5自适应模型优化， 利用贝叶斯优化 不断调整模 型参数， 实现目标建筑的自适应负荷 预测。 本发 明通过迁移学习的数据迁移和模型迁 移方法， 结合数据充足建筑群的历史数据， 实现 目标建筑的负荷预测。 权利要求书1页 说明书3页 附图1页 CN 114548575 A 2022.05.27 CN 114548575 A 1.基于迁移学习的自适应建筑日前负荷预测方法， 其特 征在于， 包括如下步骤： S1数据采集与处理， 通过智能电表获取到目标建筑数据和基础建筑群数据， 将原始数 据集分解为 目标建筑的小数据集和基础建筑群的大数据集， 获取步长为1小时的历史负荷 数据； 填补全部原 始数据集的缺失值， 将前后两周对应时间点的数值均值 填补缺失值； S2用能模式聚类， 将目标建筑数据以天为单位， 构 建日负荷曲线； 通过肘部法则寻找K ‑ means++的最佳K值， 对目标建筑日负荷曲线进 行聚类， 获得聚类模 型； 聚类结果中每一个簇 代表目标建筑的一种用能模式； S3源域数据筛选， 将基础建筑群的大数据集以一天为单位组成日负荷曲线， 将其作为 聚类模型输入， 筛选负荷目标建筑用能模式的历史日负荷曲线， 分别构建数据迁移训练集 和模型迁移训练集； S4日前负荷预测模型构建， 利用数据迁移训练集训练长短期记忆神经网络， 构架数据 迁移预测模型； 利用模型迁移训练集训练卷积神经网络 ‑长短期记忆网络， 再利用目标建筑 负荷数据微调网络结构， 构建模型迁移预测模型， 将数据迁移预测模型和模型迁移预测模 型的输出均值作为目标建筑日前 预测结果； S5自适应模型优化， 在日前负荷预测模型运行过程中， 根据 更新的历史负荷， 利用贝叶 斯优化不断调整模型参数， 实现目标建筑的自适应负荷预测。 2.根据权利要求1所述的基于迁移学习的自适应建筑日前负荷预测方法， 其特征在于， 肘部法则具体步骤包括： 指定一个i值， 即可能的最大类簇数； 然后将类簇数从1开始递增， 一直到i， 计算出i个SSE； 根据数据的潜在模式， 当设定的类簇数不断逼近真实类簇数时， SSE呈现快速下降态势， 而当设定类簇数超过真实类簇数时， SSE也会继续下降， 当下降迅速 趋于缓慢时， 通过画出 K‑SSE曲线， 找出 下降途中的拐点， 即可确定K值。 3.根据权利要求1所述的基于迁移学习的自适应建筑日前负荷预测方法， 其特征在于， 构建数据迁移训练集和模 型迁移训练集分别为： （1） 数据迁移训练集， 将 筛选出的历史数据 与目标建筑历史数据合并， 构建数据迁移训练集； （2） 模型迁移训练集， 选出符合目标建筑 用能模式的历史数据比例最高的建筑作为最大相似建筑， 选择其历史数据作为模型迁移训 练集。权　利　要　求　书 1/1 页 2 CN 114548575 A 2基于迁移 学习的自适应建筑日前负荷预测方 法 技术领域 [0001]本发明属于建筑技术领域， 用于智能建筑、 建筑能量管理等相关系统， 涉及 基于迁 移学习的自适应建筑日前负荷预测方法。 背景技术 [0002]建筑能耗在社会总能耗中的占比日趋增加， 随着科技的发展， 建筑渐渐从简单的 用能终端转变为小型、 复杂的能量转换设备。 建筑能量管理、 智能建筑、 用户行为引导等智 能化系统通过合理分配用能和储能设备， 有效提高建筑用能效率。 而实现建筑能量优化管 理的前提就是精准的负荷预测。 深度学习算法作为近几年的新型模型， 有更好的非线性描 述能力， 可以有效提高负荷预测精度， 已被广泛研究和应用。 [0003]检索发现， 基于深度学习算法的负荷预测研究已日趋成熟。 中国发明专利 CN111563610A 《一种 基于LSTM神经网络的建筑物电负荷综合预测方法及系统》 将典型建筑 的负荷数据、 天气参数和建筑物数据作为输入， 利用LSTM构建预测模型。 中国发明专利 CN113836823A 《一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法》 ， 利用 变分模态分解方法将历史负荷按趋势分解， 在将各子序列分别构建双向长 短期记忆神经网 络模型， 以提高预测精度。 但是， 深度学习算法往往需要大量历史数据作为支撑， 否则 极易 出现无法收敛的情况。 然而事实上， 大部 分建筑由于运行时间短、 数据采集系统不健全等情 况， 往往无法提供充足的历史数据建立预测模型。 发明内容 [0004]本发明为了弥补现有技术的不足， 提出了一种针对数据匮乏建筑的负荷预测方 法， 通过迁移学习的数据迁移和模型迁移方法， 结合数据充足建筑群的历史数据， 实现目标 建筑的负荷预测。 本发明是通过如下技术方案实现的： 本发明提供了基于迁移学习的自适 应建筑日前负荷预测方法， 包括S1数据采集与处理， 通过智能电表获取到目标建筑数据和 基础建筑群数据， 将原始数据集分解为 目标建筑的小数据集和基础建筑群的大数据集， 获 取步长为1小时的历史负荷数据； 填补 全部原始数据集的缺 失值， 将前后两周对应时间点的 数值均值 填补缺失值； S2用能模式聚类， 将目标建筑数据以天为单位， 构建日负荷曲线； 通过肘部法则寻 找K‑means++ （k均值++） 的最佳K值， 对目标建筑日负荷曲线进行聚类， 获得聚类模型； 聚类 结果中每一个簇代 表目标建筑的一种用能模式； S3源域数据筛选， 将基础建筑群 的大数据集以一天为单位组成日负荷曲线， 将其 作为聚类模型输入， 筛选负荷目标建筑用能模式的历史日负荷曲线， 分别构建数据迁移训 练集和模型迁移训练集； S4日前负荷预测模型构建， 利用数据迁移训练集训练长短期记忆神 经网络 （LSTM 网络） ， 构架数据迁移预测模型； 利用模型迁移训练集训练卷积神经网络 ‑长短期记忆网络 （CNN‑LSTM网络） ， 再利用目标建筑负荷数据微调网络结构， 构建模 型迁移预测模 型， 将两个说　明　书 1/3 页 3 CN 114548575 A 3