[发明专利]用于净零能耗建筑的能耗缺数的计算方法以及填充系统

权利要求书

1.一种用于净零能耗建筑的能耗缺数计算方法，所述方法包括如下步骤：

采集能耗数据，采集所述净零能耗建筑的供给侧能耗数据和需求侧能耗数据；

建立固定信息和内外部数据的数据库，

其中，固定信息包括建筑信息和设备信息，内外部数据包括人员活动和天气数据；

标记数据，对采集的能耗数据进行标记，区分为正常数据和缺失数据，选取正常数据/未缺失数据时间段作为训练集和验证集，选取缺失数据时间段作为测试集；

特征提取，对训练集、验证集和测试集中的能耗时序数据进行特征抽取，对应形成训练特征集、验证特征集和测试特征集；

提取最大似然值，以训练特征集、验证特征集和测试特征集作为输入项，计算出最大似然值和最大似然距离；

形成训练和验证特征子集，通过比对最大似然距离找寻与测试特征集最匹配的训练和验证特征子集；

缺失值预测，在所述训练特征子集和验证特征子集上，获得缺失值预测的缺数填充模型；以及

填充数据，对所述缺失数据进行填充。

2.根据权利要求1所述的能耗缺数计算方法，其中，所述特征提取为对训练特征集和验证特征集采用自助聚合的方式无放回地抽取。

3.根据权利要求1所述的能耗缺数计算方法，其中，所述特征提取的特征包括：时间特征、统计特征、时序特征、交叉项特征。

4.根据权利要求1所述的能耗缺数计算方法，其中，所述提取最大似然值应用隐马尔科夫模型提取所述能耗时序数据的最大似然值，并且通过欧式距离、余弦距离、闵可夫斯基距离等计算出最大似然距离。

5.根据权利要求1所述的能耗缺数计算方法，其中，所述缺失值预测应用轻量化梯度提升模型通过单边梯度采样和互斥特征捆绑进行训练，并应用训练所得模型完成数据融合，获得缺失值预测的缺数填充模型。

6.根据权利要求4所述的能耗缺数计算方法，其中，将所述隐马尔科夫模型计算相应能耗时序数据所得的最大似然值保存，以后每次采集到新数据时，只需计算一次。

7.根据权利要求5所述的能耗缺数计算方法，其中，在所述缺失值预测步骤，在所述训练特征子集和验证特征子集上，应用轻量化梯度提升模型进行训练时，选取小部分数据样本在子集上进行运算。

8.根据权利要求1所述的能耗缺数计算方法，其中，所述缺失值预测步骤，还包括：

微调，保存最新的轻量化梯度提升模型的缺数填充模型，对于新增数据通过应用增量学习和交叉验证的方法实现模型的微调。

9.根据权利要求1所述的能耗缺数计算方法，其中，所述能耗时序数据选取最近的20-30时间序列窗口作为输入项。

10.根据权利要求1所述的能耗缺数计算方法，其中，所述采集能耗数据的时间间隔为5分钟。

11.一种用于净零能耗建筑的能耗缺数填充系统，包括：

数据采集系统，其包括：数据采集器和传感器，实时采集光伏、地源热泵、储能等建筑的供给侧的能耗数据，所述数据采集系统安装于净零能耗建筑中；

智能电表，采集照明、插座、空调设备等建筑的需求侧的能耗数据，所述智能电表安装于净零能耗建筑中；

电脑，计算所述供给侧和需求侧能耗缺失数据数，并填充对应缺失数据，

其中，计算所述供给侧和需求侧能耗缺失数据数的方法包括如权利要求1-10中任一项所述的能耗缺数的计算方法；以及

显示设备，显示所述供给侧的能耗和需求侧的能耗监测数据，并显示能耗平衡曲线图。

12.根据权利要求11所述的能耗缺数填充系统，其中，所述数据采集器为单片机Raspberry Pi 4B。

13.根据权利要求11所述的能耗缺数填充系统，其中，所述传感器采用RS485串口协议。