(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 202111568758.1 (22)申请日 2021.12.21 (71)申请人 中国科学院理化 技术研究所 地址 100190 北京市海淀区中关村东路2 9 号 (72)发明人 沈俊　李振兴　王浩　高新强　 徐田园　徐少山　郑文帅　 (74)专利代理 机构 北京正理专利代理有限公司 11257 专利代理师 付生辉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种构建楼宇用能舒适度预测模型的方法、 装置和设备 (57)摘要 本发明涉及提出了一种构建楼宇用能舒适 度预测模型的方法， 包括获取选定楼 宇的能源系 统中的目标对象的历史用能数据， 并对历史用能 数据进行归一化处理得到楼宇能源系统的数据 集； 搭建长短时记忆网络， 并利用历史用能数据 初始化长短时记忆网络的参数； 基于数据集对长 短时记忆网络进行训练， 生 成楼宇用能舒适度预 测模型。 本发 明利用长短期记忆神经网络对楼宇 用能舒适度进行预测， 改变楼宇能源系统综合需 求响应能力。 此外， 可以更好地存储和访问信息， 并能对长时间序列的数据进行预测， 提高楼宇用 能舒适度的预测精度。 本发明还 涉及一种构建楼 宇用能舒 适度预测模型的装置和设备。 权利要求书3页 说明书8页 附图2页 CN 114492928 A 2022.05.13 CN 114492928 A 1.一种构建楼宇用能舒 适度预测模型的方法， 其特 征在于， 所述方法包括： 获取选定楼宇的能源系统中的目标对象的历史用能数据， 并对所述历史用能数据进行 归一化处理， 得到所述选 定楼宇的能源系统的数据集； 搭建长短时记 忆网络， 并利用所述历史用能数据初始化所述长短时记 忆网络的参数； 基于所述数据集对所述长短时记忆网络进行训练， 生成所述选定楼宇的用能舒适度 预 测模型。 2.根据权利要求1所述的构建楼宇用能舒 适度预测模型的方法， 其特 征在于， 所述选定楼宇的能源系统中的目标对象包括所述选定楼宇的用电量、 用气量和用水 量： 所述目标对象的历史用能数据包括按历史时间维度采集的所述选定楼宇能源系统的 所述用电量、 所述用气量和所述用水量； 所述对所述历史用能数据进行归一化处理， 得到所述选定楼宇能源系统的数据集， 具 体包括： 对预设时间段内所述用电量、 所述用气量和所述用水量进行min ‑max归一化处理， 得到 所述数据集， 并将所述数据集划分为训练集和 测试集。 3.根据权利要求2所述的构建楼宇用能舒适度 预测模型的方法， 其特征在于， 所述搭建 长短时记 忆网络， 并利用所述历史用能数据初始化所述长短时记 忆网络的参数， 具体包括： 建立长短时记 忆网络如下： it＝σ(Wi·[ht‑1,xt]+bi) ot＝σ(Wo[ht‑1,xt]+bo) ft＝σ(Wf·[ht‑1,xt]+bf) ht＝ot*tanh(Ct) 其中， σ 是sigmoid函数， 即σ(x)＝ 1/(1+e‑x)， f是所述长短时记忆网络的任意激活函数， it是所述长 短时记忆网络的输入门向量， ft是所述长 短时记忆网络的遗忘门向量， ot是所述 长短时记忆网络的输出门向量， 是所述长短时记忆网络的更新门向量， Wi、 Wo、 Wf、 WC分别 为所述长短时记忆网络的可训练权重， 所述长短 时记忆网络的输入信息由输入特征xt和t‑ 1时刻隐藏层ht‑1共同组成， xt为按所述历史时间维度采集 的所述用电量、 所述用气量和 所 述用水量， ht为所述历史时间维度中第t时刻所述选定楼宇的用能消耗预测值， bi、 bo、 bf和bC 分别是对应的偏置项， Ct‑1是所述历史时间维度中第t ‑1时刻用能舒适度， Ct是所述历史时 间维度中第t时刻用能舒 适度。 4.根据权利要求1所述的构建楼宇用能舒适度 预测模型的方法， 其特征在于， 所述基于 所述数据集对所述长短时记忆网络进行训练， 生成所述选定楼宇的用能舒适度预测模型， 具体包括： 采用Adam训练算法对所述长短时记忆网络进行训练， 连接SoftMax层输出所述选定楼 宇的按所述历史时间维度的用能舒适度级别， 并和所述选定楼宇的真实用能舒适度级别进权　利　要　求　书 1/3 页 2 CN 114492928 A 2行比较， 用均方误差MS E作为Adam训练算法的误差计算公式， 设定电负荷舒适度的第一目标 函数和冷热负荷舒适度的第二 目标函数 的总和为损失函数值， 其中， 损失函数值最小为优 化目标， 调整 所述长短时记忆网络的可训练权重， 并结合网络初始 化的随机种子数seed、 初 始学习率 η 以及最大迭代次数Maxit对长 短期记忆神经网络进 行训练， 得到所述选定楼 宇的 用能舒适度预测模型。 5.一种楼宇用能舒适度预测方法， 基于权利要求1 ‑4中任一项所述的构建楼宇用能舒 适度预测模型的方法所构建的楼宇用能舒 适度预测模型， 其特 征在于， 所述方法包括： 获取选定楼宇的能源系统中的目标对象的当前用能数据， 并将所述当前用能数据输入 至所述选 定楼宇的用能舒 适度预测模型， 得到所述选 定楼宇的楼宇用能舒 适度级别。 6.一种构建楼宇用能舒 适度预测模型的装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取选定楼宇的能源系统中的目标对象的历史用能数据， 并对所述历 史用能数据进行归一 化处理， 得到所述选 定楼宇的能源系统的数据集； 初始化模块， 用于搭建长短时记忆网络， 并利用所述历史用能数据初始化所述长短时 记忆网络的参数； 生成模块， 用于基于所述数据集对所述长短时记忆网络进行训练， 生成所述选定楼宇 的用能舒 适度预测模型。 7.根据权利要求6所述的构建楼宇用能舒 适度预测模型的装置， 其特 征在于， 所述选定楼宇的能源系统中的目标对象包括所述选定楼宇的用电量、 用气量和用水 量： 所述目标对象的历史用能数据包括按历史时间维度采集的所述选定楼宇能源系统的 所述用电量、 所述用气量和所述用水量； 所述对所述历史用能数据进行归一化处理， 得到所述选定楼宇能源系统的数据集， 具 体包括： 对预设时间段内所述用电量、 所述用气量和所述用水量进行min ‑max归一化处理， 得到 所述数据集， 并将所述数据集划分为训练集和 测试集。 8.根据权利要求7所述的构建楼宇用能舒适度 预测模型的装置， 其特征在于， 所述初始 化模块， 具体用于建立长短时记 忆网络如下： it＝σ(Wi·[ht‑1,xt]+bi) ot＝σ(Wo[ht‑1,xt]+bo) ft＝σ(Wf·[ht‑1,xt]+bf) ht＝ot*tanh(Ct) 其中， σ 是sigmoid函数， 即σ(x)＝ 1/(1+e‑x)， f是所述长短时记忆网络的任意激活函数， it是所述长 短时记忆网络的输入门向量， ft是所述长 短时记忆网络的遗忘门向量， ot是所述 长短时记忆网络的输出 门向量， 是所述长短时记忆网络的更新门向量， Wi、 Wo、 Wf、 WC分别 为所述长短时记忆网络的可训练权重， 所述长短 时记忆网络的输入信息由输入特征xt和t‑权　利　要　求　书 2/3 页 3 CN 114492928 A 3