[发明专利]基于神经网络弹性权重固化的建筑用能负荷实时预测方法

说明书

本发明提出了一种基于神经网络弹性权重固化的建筑用能负荷实时预测方法，包括神经网络模型离线训练和神经网络模型实时微调两个步骤。模型离线训练步骤包含六个子步骤，依次为建筑用能负荷历史数据获取、数据预处理、模型输入选择、模型超参数寻优、模型参数训练和参数重要性计算。模型实时微调步骤包含六个子步骤，依次为建筑用能负荷实时数据获取、数据预处理、保持模型输入一致、保持模型超参数一致、使用弹性权重固化对模型进行微调和参数重要性更新。特别地，模型微调以滑动窗的形式定期进行，从而保证模型能适应建筑用能规律的变化。该方法通过使用弹性权重固化技术对神经网络模型进行定期微调，从而实现准确可靠的建筑用能负荷实时预测。

技术领域

本发明属于建筑用能负荷预测领域，涉及基于神经网络的黑箱建模技术和基于弹性权重固化(elastic weight consolidation)的持续学习(continual learning)技术，具体涉及一种基于神经网络弹性权重固化的建筑用能负荷实时预测方法。

背景技术

准确的建筑用能负荷预测对于中央空调系统、照明系统等建筑机电系统的优化运行和故障诊断至关重要。随着楼宇自动化系统的普及，大量的建筑用能负荷数据得以离线保存和实时获取，从而为基于神经网络的建筑用能负荷预测技术提供了可靠的数据来源。大量研究表明，神经网络(BP神经网络、递归神经网络、卷积神经网络等)在建筑用能负荷预测任务上具有通用性和高准确性。但是，神经网络的泛化能力较弱。随着建筑性能衰减、人员变动、室内装修、季节更替等因素，建筑用能规律会逐渐或者显著发生变化。此时，基于某一固定历史数据训练得到的神经网络无法满足建筑用能负荷长期准确预测的需求。

为了解决以上问题，需要定期对神经网络进行重新训练，从而保证其能适应建筑用能规律的变化。累积训练和滑动窗训练是两种传统的定期训练方法。累积训练通过持续收集实时获取的新数据来不断扩充历史数据集，并定期使用扩充后的历史数据集对神经网络进行重新训练。此方法可以保证神经网络能够适应建筑用能规律的变化，但是由于需要不断收集新数据来扩充历史数据集，导致数据储存成本和神经网络训练时间会随着历史数据集的增长而增加。滑动窗训练通过设定某一时间间隔(滑动窗)，每次只保存固定时间间隔内的数据，并定期使用这些数据对模型进行重新训练。此方法可以大大降低数据存储成本和神经网络训练时间，但是由于训练数据有限，会导致神经网络无法学习到滑动窗以外的建筑历史用能规律。

发明内容

本发明旨在使用弹性权重固化技术使得神经网络每次重新训练只需要使用实时采集获取的新数据，并保证重新训练过程不会导致其遗忘之前通过历史数据学习到的用能规律。

有鉴于此，本发明基于神经网络弹性权重固化的建筑用能负荷实时预测方法包括以下基本操作步骤：

步骤1为模型离线训练，具体步骤如下：

第1-1步，获取历史的建筑用能负荷数据；

第1-2步，对所述建筑用能负荷数据进行预处理，剔除所述建筑用能负荷数据中的异常值和缺失值，同时对所述建筑用能负荷数据进行归一化处理，得到预处理后的历史数据；

第1-3步，选择与建筑用能负荷最为相关的变量作为神经网络模型的输入，以建筑用能负荷作为神经网络模型的输出，以构建用于实时预测建筑用能负荷的神经网络；

第1-4步，对神经网络的超参数进行优化，得到一组最优的超参数取值；

第1-5步，将所述历史数据以一定比例随机划分为训练集和验证集，在训练集上使用随机梯度下降算法对神经网络中包括权重和偏置在内的参数进行训练，以保证其在验证集上的精度；

第1-6步，计算所述神经网络中的每个参数的重要性，任意第i个参数θ_i的重要程度I_i用所述神经网络的损失函数对所述参数的二阶导数衡量，计算公式为：