[发明专利]一种建筑物冷负荷需求预测方法、系统、设备及存储介质

权利要求书

1.一种建筑物冷负荷需求预测方法，其特征在于，包括:

采集影响目标建筑物冷负荷的特征变量数据，组成总数据集，根据所述总数据集构建训练数据集和测试数据集；

将所述训练数据集分批次训练，构建双向循环神经网络冷负荷预测模型；

通过所述测试数据集测试所述双向循环神经网络冷负荷预测模型，得到预测值；

通过所述预测值与所述总数据集计算所述双向循环神经网络冷负荷预测模型的均方根误差；

根据所述均方根误差选取最优的所述双向循环神经网络冷负荷预测模型，并将待预测的所述特征变量数据输入，输出建筑物冷负荷预测结果。

2.根据权利要求1所述的一种建筑物冷负荷需求预测方法，其特征在于，所述采集影响目标建筑物冷负荷的特征变量数据，组成总数据集，根据所述总数据集构建训练数据集和测试数据集具体包括：

采集每一个影响目标建筑物冷负荷的特征变量的数据，组成若干个特征变量数据集；

将每一个所述特征变量数据集按照时间序列划分为四个季度，并根据每个季度的特征变量均值数据对特征变量缺失数据进行填充；

对填充后的每一个所述特征变量数据集进行特征提取，并将提取之后特征数据进行特征融合，组成总数据集；

按照预设的比例将总数据集分为训练数据集和测试数据集。

3.根据权利要求2所述的一种建筑物冷负荷需求预测方法，其特征在于，所述将所述训练数据集分批次训练，构建双向循环神经网络冷负荷预测模型具体包括：

以128个训练数据为一个批次，将所述训练数据集分为若干个批次；

将每一批次的所述训练数据集分别调整为正序列训练数据集和逆序列训练数据集；

使用所述正序列训练数据集和所述逆序列训练数据集进行训练，构建第一双向循环神经网络和第二双向循环神经网络；

将所述第一双向循环神经网络和所述第二双向循环神经网络进行特征融合输入至DNN神经网络中，得到建筑物冷负荷预测模型。

4.根据权利要求3所述的一种建筑物冷负荷需求预测方法，其特征在于，所述使用所述正序列训练数据集和所述逆序列训练数据集进行训练，构建第一双向循环神经网络和第二双向循环神经网络具体包括：

使用所述正序列训练数据集对GRU神经网络进行训练，并使用所述逆序列训练数据集对LSTM神经网络进行训练，将训练后得到的数据进行特征融合，得到第一双向循环神经网络；

使用所述正序列训练数据集对LSTM神经网络进行训练，并使用所述逆序列训练数据集对GRU神经网络进行训练，将训练后得到的数据进行特征融合，得到第二双向循环神经网络。

5.根据权利要求4所述的一种建筑物冷负荷需求预测方法，其特征在于，所述特征融合均为对数据进行相加或者拼接。

6.一种建筑物冷负荷需求预测系统，其特征在于，包括：

数据采集模块，用于采集影响目标建筑物冷负荷的特征变量数据；

数据处理模块，用于对所述特征变量数据进行处理，得到总数据集，根据所述总数据集构建训练数据集和测试数据集；

模型构建模块，用于通过所述训练数据集构建双向循环神经网络冷负荷预测模型；

模型测试模块，用于通过所述测试数据集测试所述双向循环神经网络冷负荷预测模型，输出预测值；

模型评估模块，用于通过所述预测值和所述总数据集得到所述双向循环神经网络冷负荷预测模型的均方根误差；

模型预测模块，用于根据所述均方根误差选取最优的所述双向循环神经网络冷负荷预测模型，并输入待测的所述特征变量数据，得到建筑物冷负荷预测结果。

7.一种电子设备，其特征在于，包括：

存储器，用于存储程序；

处理器，用于执行所述存储器存储的程序，当所述处理器执行所述存储器存储的程序时，所述处理器用于执行如权利要求1至5中任一项所述的一种建筑物冷负荷需求预测方法。

8.一种存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至5中任一项所述的一种建筑物冷负荷需求预测方法。