[发明专利]一种隐私安全的楼宇集群能耗协同预测方法及系统

说明书

本发明公开了一种隐私安全的楼宇集群能耗协同预测方法及系统，提出的多楼宇能耗预测模型分布式优化方法突破了现有中心化的迁移学习框架，为解决楼宇负荷建模过程中的小样本问题提供一个可行的途径；能够在隐私保护的前提下，实现多个楼宇间能耗预测模型的知识共享，有效解决部分楼宇面临的运行数据匮乏问题，针对不同楼宇用能模式的数据异质性现象，建立了基于动态聚类的联邦学习框架，将用能模式相近的楼宇划分为同一个聚类，并在不泄露用户用能信息的前提下进行聚类内和聚类间楼宇集群的知识共享，实现楼宇集群中联邦聚类模型选择性、导向性的协同优化。

技术领域

本发明属于建筑能耗领域，具体涉及一种隐私安全的楼宇集群能耗协同预测方法及系统。

背景技术

随着城镇化的发展和人口基数的增长，楼宇能量消耗总量和碳排放总量也在快速增长。联合国环境署发布的《2021年全球建筑建造业现状报告》显示，2020年内，建筑领域能耗总量占全球能耗总量的36％，建筑造成的二氧化碳排放量占全球相应碳排放的37％。因此，在不改变楼宇现有结构、工艺和设备的前提下，降低楼宇运行能耗已经成为建筑领域的共识。楼宇能耗预测技术作为楼宇能量管理系统的基础，需要减少预测误差，为楼宇优化运行提供可信的参考。

随着建筑量测系统的大规模部署和大数据分析技术的飞速发展，高质量、大容量的楼宇运行数据使得数据驱动方法在楼宇能耗预测中取得了显著的成效。然而，大量建筑的量测系统存在可靠性低、数据存储能力差等问题，同时，新投入使用的建筑也不可避免地面临运行时间短、数据收集周期不完整的问题。因此，现有数据驱动方法很难在上述小样本场景中得到较高的楼宇能耗预测精度。

现有研究中通常采用中心化的迁移学习框架解决楼宇能耗预测中的小样本问题。迁移学习框架主要是通过利用其他楼宇的存量数据，以机器学习模型为载体进行知识迁移，从而促进研究楼宇能耗预测精度的提升。然而，迁移学习框架需要聚合多个楼宇的历史运行数据进行处理和分析，这种中心化方法需要将分布式数据传输至数据中心，带来较大的通信压力；同时，不同楼宇运行数据的直接聚合会造成楼宇用户用能行为的信息泄露，与我国现行的《中华人民共和国个人信息保护法》相违背。因此，存在隐私泄露风险的迁移学习方法很难在实际场景中进行应用和推广，亟需提出兼具隐私保护性和知识迁移性的数据驱动方法解决部分楼宇用能预测存在的小样本问题。

发明内容

本发明的目的在于提供一种隐私安全的楼宇集群能耗协同预测方法及系统，以克服现有楼宇面临的运行数据匮乏问题。

一种隐私安全的楼宇集群能耗协同预测方法，包括以下步骤：

S1，从环境天气、时间属性、用户行为、楼宇结构特征以及历史用能需求五个方面构建多个楼宇能耗预测的统一特征集合，基于统一特征集合构建楼宇能耗预测模型；

S2，针对不同楼宇用能模式的固有异质性，建立基于动态聚类的联邦学习框架，根据联邦学习框架在单一楼宇本地数据中的性能表现，实现楼宇集群能耗预测模型协同训练过程中的动态聚类；

S3，利用动态聚类的聚类结果和联邦学习框架，使用基于网络的迁移学习方法和楼宇的本地数据，冻结LSTM参数从而保持楼宇集群知识共享后模型提取时序特征的能力，同时微调MLP部分的模型参数，实现楼宇的能耗预测模型的优化，利用优化后的能耗预测模型进行楼宇集群能耗协同预测。

优选的，采用长短期记忆网络和多层感知机构建楼宇能耗预测模型，建立单个楼宇输入特征与能耗预测值间的映射关系。

优选的，环境天气的特征包括空气温度、露点温度、降水量、大气压强、风速和风向；时间属性的特征包括当前时刻的小时属性、当天的星期属性、当天在一个月的属性以及当前月份；用户行为的特征包括是否为工作日、是否为节假日以及每天的时段；楼宇结构特征包括楼宇的占地面积和楼宇的主要用途；选择楼宇历史能耗作为历史用能需求特征。

优选的，使用LSTM神经网络提取输入多变量时间序列的时序特征，建立提取的时间特征与楼宇能耗预测值之间的映射关系。