本技術涉及物聯(lián)網(wǎng)能耗分析的，尤其是涉及一種基于多模態(tài)的能耗預測與節(jié)能方案生成方法及系統(tǒng)。

背景技術：

1、近些年開展節(jié)能降耗，對倡導節(jié)能降耗好習慣意義重大。但是如何對能耗做預算，并且如何管理能耗的使用成為迫在眉睫的問題。

2、公開號為cn118211721a的中國發(fā)明公開了一種基于人工智能的建筑能耗預測方法，具體利用溫度傳感器和濕度傳感器并通過原始數(shù)據(jù)采集站點輸入能源賬單以及連接能源供應管理系統(tǒng)、氣象站點獲取建筑能耗相關數(shù)據(jù),有助于提高建筑能耗預測模型的準確性和全面性,對建筑能耗相關數(shù)據(jù)進行檢測和處理,將數(shù)據(jù)與時間戳進行關聯(lián)并提取時間戳數(shù)據(jù)的平均時間特征,構建線性回歸模型并輸入溫度數(shù)據(jù)、濕度數(shù)據(jù)以及建筑特性數(shù)據(jù)的平均時間特征,構建決策樹模型并輸入建筑的特性數(shù)據(jù)、建筑的歷史能耗數(shù)據(jù)以及建筑所在地區(qū)的氣候數(shù)據(jù),創(chuàng)建可視化界面并實時展示兩種模型集成后的最終預測結果、性能指標以及實際能耗數(shù)據(jù)，幫助用戶直觀了解建筑能耗情況。

3、公開號為cn118211713a的中國發(fā)明公開了一種能耗的預測方法、裝置、可讀存儲介質(zhì)和處理器，其包括：獲取目標對象的當前能源消耗數(shù)據(jù),其中,當前能源消耗數(shù)據(jù)用于指示目標對象在當前時間段內(nèi)的固定能耗；調(diào)用能耗預測模型對當前能源消耗數(shù)據(jù)進行預測,得到能耗預測結果,其中,能耗預測模型為通過目標對象的歷史能源消耗數(shù)據(jù)和目標對象的歷史環(huán)境數(shù)據(jù)構建得到的,能耗預測結果用于至少指示目標對象在未來時間段內(nèi)消耗的能源；顯示能耗預測結果。

4、在上述相關技術中，皆只對未來一定時間內(nèi)的建筑能耗數(shù)據(jù)進行了監(jiān)控和預測，但并未對能耗的超額情況進行定義，無法作出超額的定性結果，故無法根據(jù)超額情況進行預警和節(jié)能策略的制定生成。

技術實現(xiàn)思路

1、為了實現(xiàn)對預測的能耗超額進行定性分析以提早作出節(jié)能預案，本技術提供一種基于多模態(tài)的能耗預測與節(jié)能方案生成方法及系統(tǒng)。

2、第一方面，本技術提供一種基于多模態(tài)的能耗預測與節(jié)能方案生成方法，采用如下的技術方案：

3、一種基于多模態(tài)的能耗預測與節(jié)能方案生成方法，包括以下步驟：

4、獲取能耗歷史數(shù)據(jù)，并基于預設的能耗算法計算第一時間上的能耗定額，所述能耗定額表征為規(guī)定可使用的定量能耗數(shù)；

5、獲取第二時間上的多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)，并將若干所述多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)作為參數(shù)以訓練多元回歸模型；

6、基于所述多元回歸模型生成未來時間的預測能耗，所述預測能耗中包括若干預測條件，所述預測條件表征為所述預測能耗對應的用于預測的內(nèi)容指標；

7、將所述能耗定額與所述預測能耗進行比對，并在所述預測能耗大于所述能耗定額時觸發(fā)超額預警；

8、在所述超額預警下基于所述多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)獲取對應的預測條件，根據(jù)所述預測條件與預設的所述方案知識庫中若干節(jié)能方案對應的推理指標進行比對關聯(lián)，并基于樸素貝葉斯算法推理出最優(yōu)節(jié)能方案，所述推理指標表征為各所述節(jié)能方案所對應的生成條件。

9、在其中的一些實施例中，獲取能耗歷史數(shù)據(jù)，并基于預設的能耗算法計算第一時間上的能耗定額，包括以下步驟：

10、基于lstm算法推測出所述第一時間對應的能耗估值；

11、判斷所述能耗估值是否滿足當前管理要求；

12、若是，則將所述能耗估值作為最終的所述能耗定額；

13、若否，則等待數(shù)值調(diào)整指令，并基于所述數(shù)值調(diào)整指令對所述能耗估值進行調(diào)整以得到最終的所述能耗定額。

14、在其中的一些實施例中，所述第一時間的時間長度為一個月，基于預設的能耗算法計算第一時間上的能耗定額，還包括以下步驟：

15、以時間標度為一日對所述能耗定額進行數(shù)據(jù)分割以獲取每一日對應的能耗子定額；

16、列舉所述能耗子定額對應的響應指標，所述響應指標對應于所述預測條件，所述響應指標至少包括人員數(shù)量、天氣、溫度、日期、用能設備；

17、遍歷若干所述能耗子定額與對應的所述響應指標，以預測各所述響應指標與所述能耗子定額之間的慣性向量，若干所述慣性向量之和為1，所述慣性向量表征為能耗子定額的變化與各所述響應指標之間的影響程度。

18、在其中的一些實施例中，將所述能耗定額與所述預測能耗進行比對，包括以下步驟：

19、單量比對：

20、以時間標度為一日對將所述預測能耗進行數(shù)據(jù)分割以獲取每一日對應的預測子能耗，將所述預測子能耗與所述能耗子定額進行比對；

21、總量比對：

22、判斷所述預測能耗對應的未來時間與所述第一時間的大??；

23、若所述未來時間等于所述第一時間，則將所述預測能耗與所述能耗定額進行比對；

24、若所述未來時間小于所述第一時間，則以所述未來時間的時間長度作為比對窗口，并將所述比對窗口依次在所述第一時間對應的時間長度滑動并選定，并依次判斷選定的所述比對窗口內(nèi)對應的部分所述能耗定額的響應指標與所述預測能耗的預測條件之間的重合度，并選擇重合度最高的所述比對窗口對應的部分能耗定額與所述預測能耗進行比對。

25、在其中的一些實施例中，所述方案知識庫的生成，包括以下步驟：

26、生成若干推理組，每個所述推理組中皆包括若干與所述預測條件相對應的推理指標和能耗模擬量，且每個所述推理組對應的若干推理指標和能耗模擬量皆通過經(jīng)驗算法結合能耗歷史數(shù)據(jù)隨機生成；

27、基于若干所述推理組，獲取所述推理組對應的節(jié)能意見，將所述節(jié)能意見添加至相應的所述推理組以形成節(jié)能方案；

28、將若干所述節(jié)能方案進行整合以形成所述方案知識庫。

29、在其中的一些實施例中，所述方案知識庫的生成，包括以下步驟：

30、生成節(jié)能語句框架，其上包括前置條件組、后置條件組和節(jié)能意見組；

31、在所述前置條件組中添加情景推理指標對應的語句，所述情景推理指標至少包括人員數(shù)量、天氣、溫度、日期；

32、在所述后置條件組中添加能耗推理指標對應的語句，所述能耗推理指標至少包括用能設備量、用能設備類型、用能時長；

33、在所述節(jié)能意見組中添加節(jié)能意見對應的語句；

34、當所述節(jié)能語句框架添加成功，基于所述節(jié)能語句框架生成相應的節(jié)能方案；

35、將若干所述節(jié)能方案進行整合以形成所述方案知識庫。

36、在其中的一些實施例中，根據(jù)所述預測條件與預設的所述方案知識庫中若干節(jié)能方案對應的推理指標進行比對關聯(lián)，并基于樸素貝葉斯算法推理出最優(yōu)節(jié)能方案，包括以下步驟：

37、依次選擇所述預測子能耗對應的各所述預測條件，并從所述方案知識庫中匹配相同的推理指標，計算在該推理指標下各節(jié)能方案為最優(yōu)節(jié)能方案的第一概率；

38、將各所述第一概率乘以該所述預測條件對應的慣性向量以得到第二概率；

39、計算所述預測子能耗對應的所有所述預測條件對應的各節(jié)能方案的第二概率的乘積以得到第三概率；

40、選擇所述第三概率最高的所述節(jié)能方案作為最優(yōu)日節(jié)能方案。

41、在其中的一些實施例中，根據(jù)所述預測條件與預設的所述方案知識庫中若干節(jié)能方案對應的推理指標進行比對關聯(lián)，并基于樸素貝葉斯算法推理出最優(yōu)節(jié)能方案，包括以下步驟：

42、依次選擇所述預測能耗對應的各所述預測條件組，每個所述預測條件組中皆包含若干同一類別的若干預測條件，并從所述方案知識庫中匹配相應的推理指標以預測每個所述預測條件組中節(jié)能高概率區(qū)域；

43、獲取若干所述預測條件組之間的高概率區(qū)域的交集以生成待節(jié)能區(qū)域；

44、計算在該所述待節(jié)能區(qū)域?qū)耐评碇笜讼赂鞴?jié)能方案為最優(yōu)節(jié)能方案的第四概率；

45、將各所述第四概率乘以該所述預測條件對應的慣性向量以得到第五概率；

46、計算所述預測能耗對應的所有所述預測條件對應的各節(jié)能方案的第五概率的乘積以得到第六概率；

47、選擇所述第六概率最高的所述節(jié)能方案作為最優(yōu)總節(jié)能方案。

48、在其中的一些實施例中，還包括以下步驟：

49、基于所述最優(yōu)節(jié)能方案對所述預測能耗進行節(jié)能調(diào)整后的重新計算，以獲取節(jié)能后預測能耗；

50、將所述節(jié)能后預測能耗與所述能耗定額進行比對；

51、若小于所述能耗定額，則將所述最優(yōu)節(jié)能方案進行輸出；

52、若不小于所述能耗定額，則重新推理出最優(yōu)節(jié)能方案。

53、第二方面，本技術提供一種基于多模態(tài)的能耗預測與節(jié)能方案生成系統(tǒng)，采用如下的技術方案：

54、一種基于多模態(tài)的能耗預測與節(jié)能方案生成系統(tǒng)，包括：

55、能耗定額模塊，用于獲取能耗歷史數(shù)據(jù)，并基于預設的能耗算法計算第一時間上的能耗定額，所述能耗定額表征為規(guī)定可使用的定量能耗數(shù)；

56、多模態(tài)預測模塊，用于獲取第二時間上的多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)，并將若干所述多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)作為參數(shù)以訓練多元回歸模型；基于所述多元回歸模型生成未來時間的預測能耗，所述預測能耗中包括若干預測條件，所述預測條件表征為所述預測能耗對應的用于預測的內(nèi)容指標；將所述能耗定額與所述預測能耗進行比對，并在所述預測能耗大于所述能耗定額時觸發(fā)超額預警；

57、節(jié)能預案推理模塊，用于在所述超額預警下基于所述多模態(tài)物聯(lián)網(wǎng)數(shù)據(jù)獲取對應的預測條件，根據(jù)所述預測條件與預設的所述方案知識庫中若干節(jié)能方案對應的推理指標進行比對關聯(lián)，并基于樸素貝葉斯算法推理出最優(yōu)節(jié)能方案，所述推理指標表征為各所述節(jié)能方案所對應的生成條件。

58、通過本技術實施例提供的技術方案，包括以下技術效果：

59、通過對能耗定額的設定結合未來短期能耗的預測做出能耗超額情況下的定性分析，隨后基于對節(jié)能預案的推理，自動推理出何時的節(jié)能方案以在能耗超額實際出現(xiàn)之前預先做好能耗控制管理，作出的節(jié)能方案更加精準有效。