一种动态调整的建筑能耗预算管理目标确定方法及装置

摘要

本发明公开了一种动态调整的建筑能耗预算管理目标确定方法及装置。该方法包括：建立并训练能耗预测机器学习模型；根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值；根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值；根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值；根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值。可见，本发明动态更新的建筑能耗预算目标可以体现天气、人流量等动态参数带来的影响，即能耗预测计算的输入参数更加符合实际情况，使得计算出来的能耗管控值结果更加符合实际，实现更加合理的能耗管控。

说明书

技术领域

本发明涉及建筑能耗预算管理领域，特别涉及一种动态调整的建筑能耗预算管理目标确定方法、装置、电子设备、计算机可读存储介质。

背景技术

我国建筑能耗占全国总能源消耗约22％，能耗高，用能情况复杂，影响因素多，需要提升能耗管理水平。通过事先制定建筑能耗预算目标进行用能过程的管控是比较常见的方式，这其中重要的工作就是如何确定建筑能耗预算管理目标。

现有技术中的一种方式是根据线下统计，或者根据行业经验人为确定能耗定额和预算。该方式无法体现参数差异化影响，并且无法体现外部参数动态变化的影响，很不科学。

现有技术中另一种方式是依据数学模型或机器学习模型，获取各参数影响规律，根据典型气象年天气数据以及未来年人流量预测，计算未来逐日能耗预测值，并在此预测值的基础上人工调整确定管理目标值。这种方式虽然考虑到了各因素差异化影响，但是提前一年进行预测时，天气数据和人流量参数的预报不够准确，与实际偏差较大，无法体现外部参数动态变化的影响，不够科学和精细，管理水平受限。

可见，现有的建筑能耗预算管理中，能耗管理目标确定的方法无法体现参数动态变化的影响，导致能耗预测的目标值与实际情况偏差较大，管理效果不佳。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的动态调整的建筑能耗预算管理目标确定方法、装置、电子设备、计算机可读存储介质。

本发明的一个实施例提供一种动态调整的建筑能耗预算管理目标确定方法，该方法包括：

建立并训练能耗预测机器学习模型；

根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值；

根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值；

根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值；

根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值。

可选地，所述建立并训练能耗预测机器学习模型，包括：

建立能耗预测机器学习模型；

输入建筑历史能耗数据、历史日历信息、历史天气数据、历史人流量数据，对所述能耗预测机器学习模型进行训练。

可选地，所述根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值，包括：

将未来年日历信息、未来典型气象年天气数据、未来年逐日人流量预测数据输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值。

可选地，在所述根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值之前，所述方法还包括：

对所述未来年逐日能耗预测值进行人工调整和优化，获得未来年逐日能耗管理目标值。

可选地，所述预设时间段内为七日内。

可选地，所述根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值，包括：

将当时的七日后天气预报数据、当时对于未来七日内人流量预测数据、未来七日的日历信息输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型计算未来七日的能耗预测更新值；

所述根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值，包括：

对于任一能耗分项和任一日期，能耗预测修正值＝未来七日内能耗预测更新值－未来年逐日能耗预测值。

可选地，所述根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值，包括：

若某日能耗预测修正值的绝对值大于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值+某日能耗预测修正值；

若某日能耗预测修正值的绝对值小于等于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值。

本发明的另一个实施例提供一种动态调整的建筑能耗预算管理目标确定装置，包括：

模型建立单元，用于建立并训练能耗预测机器学习模型；

未来年逐日能耗预测值获取单元，用于根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值；

能耗预测更新值计算单元，用于根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值；

能耗预测修正值计算单元，用于根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值；

能耗动态管控值计算单元，用于根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值。

可选地，所述模型建立单元用于：

建立能耗预测机器学习模型；

输入建筑历史能耗数据、历史日历信息、历史天气数据、历史人流量数据，对所述能耗预测机器学习模型进行训练。

可选地，所述未来年逐日能耗预测值获取单元用于：

将未来年日历信息、未来典型气象年天气数据、未来年逐日人流量预测数据输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值。

可选地，所述装置还包括：

未来年逐日能耗管理目标值获取单元，用于对所述未来年逐日能耗预测值进行人工调整和优化，获得未来年逐日能耗管理目标值。

可选地，所述预设时间段内为七日内。

可选地，所述能耗预测更新值计算单元用于：

将当时的七日后天气预报数据、当时对于未来七日内人流量预测数据、未来七日的日历信息输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型计算未来七日的能耗预测更新值；

所述能耗预测修正值计算单元用于：

对于任一能耗分项和任一日期，能耗预测修正值＝未来七日内能耗预测更新值－未来年逐日能耗预测值。

可选地，所述能耗动态管控值计算单元用于：

若某日能耗预测修正值的绝对值大于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值+某日能耗预测修正值；

若某日能耗预测修正值的绝对值小于等于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值。

本发明的另一个实施例提供一种电子设备，其中，该电子设备包括：

处理器；以及，

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的动态调整的建筑能耗预算管理目标确定方法。

本发明的另一个实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的动态调整的建筑能耗预算管理目标确定方法。

本发明的有益效果是，根据天气、人流量等动态参数，以每天或每周的时间尺度，通过能耗预测模型的更新计算，动态修正并调整能耗日管控值。动态更新的建筑能耗预算目标可以体现天气、人流量等动态参数带来的影响，即能耗预测计算的输入参数更加符合实际情况，使得计算出来的能耗管控值结果更加符合实际，实现更加合理的能耗管控。

附图说明

图1为本发明一个实施例的动态调整的建筑能耗预算管理目标确定方法的流程示意图；

图2为本发明一个实施例的建立并训练能耗预测机器学习模型的原理图；

图3为本发明一个实施例的动态调整的建筑能耗预算管理目标确定方法的原理图；

图4为本发明一个实施例的动态调整的建筑能耗预算管理目标确定装置的结构示意图；

图5示出了根据本发明一个实施例的电子设备的结构示意图；

图6示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

对本发明中的名词做如下解释：

【日历信息】：任何一天的星期、月份、日、是否假节日信息。

【未来典型气象年天气】：是在能耗模拟预测领域中的通用概念，是由12个逐月的典型气象月构成的一个假想年，以近10年的月平均值为依据，从近10年的资料中选取一年各月接近10年的平均值，作为该假想年的天气数据。

【人流量】：指每日进出建筑的人数。

【未来年逐日能耗预测值】：提前一年进行计算的，利用提前一年获取的未来年日历信息、典型气象年数据、人流量预测数据，预测出的未来年建筑每日各分项能耗值。

【未来年逐日能耗管理目标值】：在参考【未来年逐日能耗预测值】的基础上，建筑管理者施加管理意志，人为进行调整，形成的能耗目标值。若没有人工调整，则与【未来年逐日能耗预测值】相同。

【未来七日内能耗预测更新值】：提前七日计算的，利用提前七日获取的日历信息、天气预报数据、人流量预测数据，预测出的未来七日建筑每日各分项能耗值。

【能耗预测修正值】：基于【未来七日内能耗预测更新值】，和原来的【未来年逐日能耗预测值】，进行对比得到的调整幅度。

【未来七日内能耗动态管控值】：动态修正调整后最终得到的建筑各分项每日能耗值，用于实际建筑能耗管理的能耗值，每七天动态更新。

本发明核心改进在于对“未来年逐日能耗管理目标值”进行基于动态参数变化带来影响的修正和调整，即：当需要修正时，

对于任一能耗分项和任一日期，能耗预测修正值＝未来七日内能耗预测更新值－未来年逐日能耗预测值；

未来年能耗管理目标值+能耗预测修正值＝未来七日内能耗动态管控值。

图1为本发明一个实施例的动态调整的建筑能耗预算管理目标确定方法的流程示意图。如图1所示，该方法包括：

S11：建立并训练能耗预测机器学习模型；

S12：根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值；

S13：根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值；

S14：根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值；

S15：根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值。

本发明实施例的动态调整的建筑能耗预算管理目标确定方法，根据天气、人流量等动态参数，以每天或每周的时间尺度，通过能耗预测模型的更新计算，动态修正并调整能耗日管控值。动态更新的建筑能耗预算目标可以体现天气、人流量等动态参数带来的影响，即能耗预测计算的输入参数更加符合实际情况，使得计算出来的能耗管控值结果更加符合实际，实现更加合理的能耗管控。

在本发明实施例一种可选的实施方式中，如图2所示，所述建立并训练能耗预测机器学习模型，包括：

建立能耗预测机器学习模型；

输入建筑历史能耗数据、历史日历信息、历史天气数据、历史人流量数据，对所述能耗预测机器学习模型进行训练。

本发明实施例对能耗预测机器学习模型进行训练输入的参数具体包括：所计算的建筑用能分项每日历史能耗值、对应的历史日期以及星期数据、对应历史的当地日最高温度、最低温度和相对湿度、对应历史的每日建筑人流量数据。

在实际应用中，选取一种合适的机器学习算法进行监督学习训练，得到能耗预测的机器学习模型，该模型训练得到建筑历史能耗数据与上述其他数据的关系，可以通过输入其他几类数据计算得出能耗数据的预测值。

优选地，机器学习算法为LightGBM算法。

具体地，所述根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值，包括：

将未来年日历信息、未来典型气象年天气数据、未来年逐日人流量预测数据输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值。

其中，“典型气象年”是在能耗模拟预测领域中的通用概念，是由12个逐月的典型气象月构成的一个假想年，以近10年的月平均值为依据，从近10年的资料中选取一年各月接近10年的平均值，作为该假想年的天气数据。由于是在当前年份计算未来一整年的逐日能耗，因此只能使用典型气象年的天气数据，以及提前一年进行的人流量预测数据。

优选地，在所述根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值之前，所述方法还包括：

对所述未来年逐日能耗预测值进行人工调整和优化，获得未来年逐日能耗管理目标值。

可理解的是，可以在步骤S12利用能耗预测机器学习模型计算出未来年逐日能耗预测值的基础上，人工对不合适的能耗值进行调整和优化。此步骤不是本发明的必要步骤。对于部分建筑管理者，也可能会省去这一步，即直接采用步骤S12计算得出的未来年逐日能耗预测值，作为逐日能耗管理目标值。

可选地，所述预设时间段内为七日内。

具体地，所述根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值，包括：

将当时的七日后天气预报数据、当时对于未来七日内人流量预测数据、未来七日的日历信息输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型计算未来七日的能耗预测更新值；

所述根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值，包括：

对于任一能耗分项和任一日期，能耗预测修正值＝未来七日内能耗预测更新值－未来年逐日能耗预测值。

需要说明的是，此步骤并非在当年年份进行，而是在未来年的任何一天进行。使用步骤S11建立的能耗预测模型，输入数据为当时的七日后天气预报数据、当时对于未来七日内人流量预测数据以及未来七日的日历信息，输出数据为未来七日的能耗预测更新值。该步骤与步骤S12的区别仅在于其输入的天气数据和人流量数据更接近于计算的日期，因此必定更加与实际相近。例如对于未来七日内的突发事件带来的人流量变化，以及未来七日内的特殊天气，会有更好的预测效果。

具体地，所述根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值，包括：

若某日能耗预测修正值的绝对值大于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值+某日能耗预测修正值；

若某日能耗预测修正值的绝对值小于等于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值。

在实际应用中，预设百分比可以依据各建筑管理者的需要，自行配置。优选为20％。

此设置目的在于避免频繁更改前一年制定的能耗预算目标，只在动态参数(天气参数、人流量参数)变化对能耗的影响足够大时才进行修正。

图4为本发明一个实施例的动态调整的建筑能耗预算管理目标确定装置的结构示意图。如图4所示，该装置包括：

模型建立单元41，用于建立并训练能耗预测机器学习模型；

未来年逐日能耗预测值获取单元42，用于根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值；

能耗预测更新值计算单元43，用于根据所述能耗预测机器学习模型计算未来预设时间段内能耗预测更新值；

能耗预测修正值计算单元44，用于根据所述未来年逐日能耗预测值和所述未来预设时间段内能耗预测更新值计算能耗预测修正值；

能耗动态管控值计算单元45，用于根据未来预设时间段内能耗预测修正值计算未来预设时间段内能耗动态管控值。

本发明实施例的动态调整的建筑能耗预算管理目标确定装置，根据天气、人流量等动态参数，以每天或每周的时间尺度，通过能耗预测模型的更新计算，动态修正并调整能耗日管控值。动态更新的建筑能耗预算目标可以体现天气、人流量等动态参数带来的影响，即能耗预测计算的输入参数更加符合实际情况，使得计算出来的能耗管控值结果更加符合实际，实现更加合理的能耗管控。

可选地，模型建立单元41用于：

建立能耗预测机器学习模型；

输入建筑历史能耗数据、历史日历信息、历史天气数据、历史人流量数据，对所述能耗预测机器学习模型进行训练。

可选地，未来年逐日能耗预测值获取单元42用于：

将未来年日历信息、未来典型气象年天气数据、未来年逐日人流量预测数据输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型进行未来年逐日能耗预测，获得未来年逐日能耗预测值。

可选地，所述装置还包括：

未来年逐日能耗管理目标值获取单元，用于对所述未来年逐日能耗预测值进行人工调整和优化，获得未来年逐日能耗管理目标值。

可选地，所述预设时间段内为七日内。

可选地，能耗预测更新值计算单元43用于：

将当时的七日后天气预报数据、当时对于未来七日内人流量预测数据、未来七日的日历信息输入到所述能耗预测机器学习模型，根据所述能耗预测机器学习模型计算未来七日的能耗预测更新值。

可选地，能耗预测修正值计算单元44用于：

对于任一能耗分项和任一日期，能耗预测修正值＝未来七日内能耗预测更新值－未来年逐日能耗预测值。

可选地，能耗动态管控值计算单元45用于：

若某日能耗预测修正值的绝对值大于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值+某日能耗预测修正值；

若某日能耗预测修正值的绝对值小于等于预设百分比×未来年某日能耗管理目标值，则某日能耗动态管理值＝某日能耗管理目标值。

需要说明的是，上述实施例中的动态调整的建筑能耗预算管理目标确定装置可分别用于执行前述实施例中的方法，因此不再一一进行具体的说明。

综上所述，本发明根据天气、人流量等动态参数，以每天或每周的时间尺度，通过能耗预测模型的更新计算，动态修正并调整能耗日管控值。动态更新的建筑能耗预算目标可以体现天气、人流量等动态参数带来的影响，即能耗预测计算的输入参数更加符合实际情况，使得计算出来的能耗管控值结果更加符合实际，实现更加合理的能耗管控。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图5示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器51和被安排成存储计算机可执行指令(程序代码)的存储器52。存储器52可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器52具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码54的存储空间53。例如，用于存储程序代码的存储空间53可以包括分别用于实现上面的方法中的各种步骤的各个程序代码54。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图6所述的计算机可读存储介质。该计算机可读存储介质可以具有与图5的电子设备中的存储器52类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储空间存储有用于执行根据本发明的方法步骤的程序代码61，即可以有诸如处理器51读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。