(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 202210963898.7 (22)申请日 2022.08.11 (71)申请人 河南康派智能技 术有限公司 地址 450001 河南省郑州市高新 技术产业 开发区枫林路27号 4幢2层208、 210号 (72)发明人 郝世林　刘庆永　董金辉　陈世辉　 张三杰　陈尚宇　 (74)专利代理 机构 郑州睿信知识产权代理有限 公司 41119 专利代理师 吴敏 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06Q 50/08(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于混合模型的建 筑物负荷预测方法 (57)摘要 本发明涉及一种基于混合模型的建筑物负 荷预测方法， 属于建筑物能耗预测技术领域。 本 发明通过 获取历史负荷相关数据， 建立采用机器 学习的负荷预测模型， 利用历史负荷相关数据对 建立的负荷预测模型进行训练， 从而得到负荷值 与时间和天气的关系， 利用该训练后的负荷预测 模型以及待预测时的时间和天气数据就可以实 现对负荷值的预测。 本发明采用由XGBoost模型 和Seq2Seq模型构成的混合模型作为负荷预测模 型， 该负荷预测模型能够兼顾XGBoost模型的短 期和长期预测性能以及Seq2Seq模型的超短期预 测性能， 解决了目前预测方式存在的预测范围 小、 预测精度不稳定的问题， 提升了负荷预测的 精度和鲁棒 性。 权利要求书2页 说明书6页 附图2页 CN 115330050 A 2022.11.11 CN 115330050 A 1.一种基于混合模型的建筑物负荷预测方法， 其特 征在于， 该 预测方法包括以下步骤： 1)获取待预测建筑物的历史负荷相关数据以及待预测时的时间数据和天气数据， 所述 的历史负荷相关数据包括历史负荷值以及对应的时间和天气数据； 2)对获取的历史负荷相关数据中的历史负荷值进行 预处理； 3)对时间数据和天气数据进行 特征提取， 以得到对应的时间特 征和天气特 征； 4)建立负荷预测模型， 并利用预处理后的历史负荷值以及提取出的对应的时间特征和 天气特征对 所述负荷预测模 型进行训练； 所述的负荷预测模型采用XGBoost模 型和Seq2Seq 模型构成的混合模型； 5)将待预测时的时间特征和天气特征输入到训练后的负荷预测模型中， 得到待测时的 负荷值。 2.根据权利要求1所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 所述的预 处理包括缺 失值处理和异常值处理， 所述缺 失值处理用于处理历史负荷值采集过程中存在 的缺失情况； 所述异常值处 理用于处 理历史负荷值采集过程中存在的负荷值 突变情况。 3.根据权利要求2所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 缺失值处 理过程如下： 判断设定时间段内缺 失值的比例， 若缺 失值比例小于第一设定阈值， 则前后或 者插值法进行缺失值的填充； 若缺失值比例大于第一设定阈值小第二设定阈值， 则利用相 似日的数据进行缺失值填充； 若缺失值比例大于第二设定阈值， 则舍弃当前时间段 的负荷 值数据。 4.根据权利要求2所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 异常值的 处理过程如下： 将每个采样时刻的负荷值的变化量作为该采样时刻振 幅， 根据振 幅的大小 判断是否发生突变， 若发生突变， 则将该采样时刻前一时刻的负荷值作为当前采样时刻的 负荷值。 5.根据权利要求3或4所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 该方 法还包括对提取的时间特 征进行编码， 对提取的天气特 征进行归一 化的步骤。 6.根据权利要求1所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 所述的混 合模型指的是XGBoost模型和Seq2Seq模型的加权融合， 将XGBoost模型的预测结果和 Seq2Seq模型的预测结果加权融合后作为 最终的预测结果。 7.根据权利要求6所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 所述的 Seq2Seq模型在训练时只采用的工作日的数据， 且训练时需要对样本数据按照 设定的窗口 大小进行滚动切分。 8.根据权利要求6所述的基于混合模型的建筑物负荷预测方法， 其特征在于， 所述的 XGBoost模型采用加法模型和前向分布算法进行训练， 训练时建立的目标函数为： 其中Obj(t)为模型最小正则化目标函数， l为损失函数， constant是一个常量， 为i个目标的预测值， yi为实际值， n为样本数， Ω(ft)为第t次迭代计算变量ft对 应树的复杂度， ft代表第t棵树， 在l中作为函数用于计算样本值， 在Ω(ft)中作为变量用于 计算ft对应树的复杂度。 9.根据权利要求6所述的基于混合模型的建筑物负荷预测方法， 其特征在于， XGBoost权　利　要　求　书 1/2 页 2 CN 115330050 A 2模型和Seq2Seq模型在加权融合时， XGBoost模型的预测权重为0.4， Seq2Seq模型的预测权 重为0.6。权　利　要　求　书 2/2 页 3 CN 115330050 A 3