买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州科技大学

摘要：本发明涉及一种基于WGAN算法的建筑能耗预测方法及监测预测系统。主要是采集了建筑物的能耗数据以及相关的能耗特征数据，使用变分自动编码器提取高级特征，并通过极限梯度增强算法检测特征重要性。然后将所有获得的所有能耗特征输入至生成对抗网络模型中训练，同时利用强化学习算法对模型中的超参数优化，最终获得一个预测模型，用于预测建筑能耗。本发明的能耗预测方法不仅提高了模型训练的性能和速度，同时充分利用各种数据之间的紧密联系和相互作用，使得预测模型更加稳定和精准。

主权项：1.一种基于WGAN算法的建筑能耗预测方法，其特征在于，包括：S100、获取建筑能耗数据以及建筑能耗特征数据集Rd，其中，Rd＝{x11,x12,x13......x1j,x21,x22,x23......x2j......xi1,xi2,xi3......xij},d代表特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；S200、将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，将步骤S100的建筑能耗特征数据集Rd和高级能耗特征数据集Rg合并，形成输入特征数据集Rr；S300、将Rr通过XGBoost算法进行特征筛选；S400、建立GAN预测模型，将步骤S300处理后的Rr输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；S500、通过最优GAN预测模型预测建筑能耗值，所述步骤S200中将Rd输入变分自动编码器，以获取高级能耗特征数据集Rg，具体包括：S210、构造一个编码器Encoder和解码器Decoder；S220、将真实能耗特征数据x∈Rd输入编码器，获得x的映射输出z，真正输出为z的分布函数S230、根据步骤S220的输出计算编码器的目标函数KL；S240、通过参数置换获取采样z～Nμx,σ2x；S250、将z输入解码器，获得z的映射输出fz，由于各维度取值具有不同的方差，所以实际完成的映射输出为fz＝μ,σ2；S260、根据步骤S250的输出计算解码器的目标函数L；S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序列Rg，也就是高级能耗特征数据集Rg，所述编码器和解码器均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，所述编码器目标函数KL具体定义为： 其中G是z的维度，所述通过参数置换获取采样z～Nμx,σ2x包括：新的输入端由标准高斯分布产生样本ε～N0,1，并定义z＝μx+σx*ε，所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：

全文数据：

权利要求：

百度查询： 苏州科技大学 基于WGAN算法的建筑能耗预测方法及监测预测系统