(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211237284.7 (22)申请日 2022.10.11 (71)申请人 山东建筑大学 地址 250100 山东省济南市历城区临港开 发区凤鸣路 (72)发明人 严毅　田崇翼　李成栋　王瑞琪　 田晨璐　邵珠亮　王璠　李骥　 乔镖　薛汇宇　曹玉康　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01)G06N 20/00(2019.01) (54)发明名称 一种基于迁移学习的建筑冷热电负荷预测 方法及系统 (57)摘要 本发明公开了一种基于迁移学习的建筑冷 热电负荷预测方法及系统， 涉及建筑电负荷预测 技术领域， 该方法包括： 获取多个源域建筑实际 和仿真的冷热电负荷数据以及目标域建筑的仿 真冷热电负荷数据， 计算得到多个源域建筑冷热 电负荷数据的时序误差， 利用斯 皮尔曼等级相关 系数计算得到目标域建筑和多个源域建筑的相 关性， 以此计算得到权重误差， 将该权重误差迁 移至目标域 建筑仿真冷热电负荷数据， 以此作为 目标域建筑的历史冷热电负荷数据， 构建并训练 预测模型， 通过训练完成的预测模型， 预测目标 域建筑的冷热电负荷数据。 本发 明解决了某区域 出现新建筑， 由于缺少历史冷热电数据而无法对 其负荷进行准确预测的问题， 提高了建筑冷热电 负荷预测的准确性。 权利要求书2页 说明书9页 附图2页 CN 115310727 A 2022.11.08 CN 115310727 A 1.一种基于 迁移学习的建筑 冷热电负荷预测方法， 其特 征是， 包括： 获取多个源域建筑的实 际冷热电负荷数据， 对目标域建筑和多个源域建筑分别建模， 得到目标域建筑和多个源域建筑的仿真冷热电负荷数据； 根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据， 得到多个源域建筑 冷热电负荷数据的时序误差； 利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建 筑仿真冷热电负荷数据的相关性， 根据相关性计算得到多个源域建筑冷热电负荷数据的权 重误差； 将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷 热电负荷数据， 将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据； 基于目标域建筑的历史冷热电负荷数据， 构建并训练预测模型， 通过训练完成的预测 模型， 对目标域建筑 冷热电负荷数据进行 预测。 2.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法， 其特征是， 设置 源域建筑的冷热电负荷误差阈值， 通过比较多个源域建筑的冷热电负荷误差数据和冷热电 负荷误差阈值， 判断多个源域建筑建模 是否准确， 若准确， 则进 行后续步骤， 若不准确， 则重 新建模直至建模准确。 3.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法， 其特征是， 设置 相关性阈值， 通过比较多个源域建筑仿 真冷热电负荷数据和目标域建筑仿 真冷热电负荷数 据的相关性与设定的相关性阈值， 判断多个源域建筑是否符合迁移学习的标准， 若符合， 则 进行后续 步骤， 若不符合， 则重新选择源域建筑直至符合标准。 4.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法， 其特征是， 根据 多个源域建筑仿真冷热电负荷数据与目标域仿 真冷热电负荷数据的相关性的大小， 分别对 多个源域建筑冷热电负荷数据时序误差赋予不同权重， 计算时序误差与其权重的乘积， 得 到多个源域建筑 冷热电负荷数据的权 重误差。 5.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法， 其特征是， 将多 个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿 真冷热电负荷数据相加， 进 行迁移学习， 得到源域建筑个数的迁移后的冷热电负荷数据。 6.一种基于迁移学习的建筑冷热电负荷预测系统， 其特征是， 包括： 数据获取模块， 用 于获取多个源域建筑的实际冷热电负荷数据， 对目标域建筑和多个源域建筑分别建模， 得 到目标域建筑和多个源域建筑的仿真冷热电负荷数据； 数据处理模块， 用于根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数 据， 得到多个源域建筑冷热电负荷数据的时序误差； 利用斯皮尔曼等级相关系数分别计算 目标域建筑仿 真冷热电负荷数据和多个源域建筑仿 真冷热电负荷数据的相关性， 根据相关 性计算得到多个源域建筑 冷热电负荷数据的权 重误差； 历史数据构建模块， 用于将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁 移至目标域建筑仿 真冷热电负荷数据， 将迁移后的冷热电负荷数据作为目标域建筑的历史 冷热电负荷数据； 建筑冷热电负荷预测模块， 用于基于目标域建筑的历史冷热电负荷数据， 构建并训练 预测模型， 通过训练完成的预测模型， 对目标域建筑 冷热电负荷数据进行 预测。权　利　要　求　书 1/2 页 2 CN 115310727 A 27.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统， 其特征是， 设置 源域建筑的冷热电负荷误差阈值， 通过比较多个源域建筑的冷热电负荷误差数据和冷热电 负荷误差阈值， 判断多个源域建筑建模 是否准确， 若准确， 则进 行后续步骤， 若不准确， 则重 新建模直至建模准确。 8.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统， 其特征是， 设置 相关性阈值， 通过比较多个源域建筑仿 真冷热电负荷数据和目标域建筑仿 真冷热电负荷数 据的相关性与设定的相关性阈值， 判断多个源域建筑是否符合迁移学习的标准， 若符合， 则 进行后续 步骤， 若不符合， 则重新选择源域建筑直至符合标准。 9.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统， 其特征是， 根据 多个源域建筑仿真冷热电负荷数据与目标域仿 真冷热电负荷数据的相关性的大小， 分别对 多个源域建筑冷热电负荷数据时序误差赋予不同权重， 计算时序误差与其权重的乘积， 得 到多个源域建筑 冷热电负荷数据的权 重误差。 10.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统， 其特征是， 将 多个源域建筑冷热电负荷数据权重误差 分别直接与目标域建筑仿真冷热电负荷数据相加， 进行迁移学习， 得到源域建筑个数的迁移后的冷热电负荷数据。权　利　要　求　书 2/2 页 3 CN 115310727 A 3