(19)中华 人民共和国 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 202111020470.0 (22)申请日 2021.09.01 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 马武彬　顾桐菲　吴亚辉　邓苏　 周浩浩　皇甫先鹏 　 (74)专利代理 机构 长沙大珂知识产权代理事务 所(普通合伙) 4323 6 代理人 伍志祥 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多尺度卷积循环神经网络的建筑物能 耗预测方法 (57)摘要 本发明公开了基于多尺度卷积循环神经网 络的建筑物能耗预测方法， 包括以下步骤： 构建 基于多尺度卷积循环神经网络的建筑物能耗预 测模型； 利用训练集数据， 对所述的建筑物能耗 预测模型进行训练； 将测试集数据输入训练完毕 的建筑物能耗预测模型， 计算获得建筑物能源消 耗的预测值。 本发明方法将多尺度卷积层引入到 循环神经网络中， 从不同尺度上分布注意力机 制， 从而使得模型能够从不同尺度采集历史信 息； 双向GRU层更加充分的获取序列数据的上下 文信息， 整个模 型采用卷积结构 对不同尺度注意 力机制的识别输出进行融合， 并通过卷积连接对 不同尺度对输出进行筛选和识别， 由此对建筑物 能耗值的预测获取 更好的精度。 权利要求书2页 说明书8页 附图2页 CN 114065335 A 2022.02.18 CN 114065335 A 1.基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其特 征在于， 包括以下步骤： 步骤1， 构建基于多尺度卷积循环神经网络的建筑物能耗预测模型； 步骤2， 利用训练集数据， 对所述的建筑物能耗预测模型进行训练， 所述的训练集数据 包括影响因素 数据和已知的建筑物能源消耗数据； 步骤3， 将测试集数据输入训练完毕的建筑物能耗预测模型， 计算获得建筑物能源消耗 的预测值； 所述的建筑物能耗预测模型包括第一卷积层、 第一双向GRU层、 第一多尺度卷积层、 第 二双向GRU层、 第二多尺度卷积层、 第一全连接层和第二全连接层， 各层之间依次顺序连接， 第一卷积层的输出和 第一双向GRU层的输出连接后同时作为第一多尺度卷积层和第二多尺 度卷积层的输入， 所述的双向GRU层由一个前向GRU模型和一个后向GRU模型并联形成一个 双向结构， 所述的双向GRU层输出两个合并的GRU信号， 所述的第一全连接层的输出层为 100， 第二全连接层的输出层为1， 所述的建筑物能耗预测模型中第一卷积层的输入为影响 因素数据序列， 第二全连接层的输出为建筑物能耗 值。 2.根据权利要求1所述的基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其特 征在于， 对于所述的建筑物 能耗预测模型为 x0,...,xT 为影响因素序列 数据， (y0,...,yK),K<T为已知的建筑物能耗值， (yK+1,...,yT)为需要预测 的建筑物能耗值， 为相应的估计值， 输入为x0,...,xT,y0,...,yK变量， 依次输入 所述的建筑物能耗预测模 型中开始训练， 损失函数采用标准归一化MSE， 激活函数采用Relu 函数。 3.根据权利要求1所述的基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其特 征在于， 所述的建筑物能耗预测模型的解析表达式如下： 其中， xt为t时刻模型的输入， η1(·)和 η2(·)为两个卷积操作， [ ·,·]为合并连接操 作， MutiScalConv( ·,Scale1)和MutiScalConv( ·,Scale2)分别是尺度为Scale1和Scale2 的两个多尺度卷积 操作， 具体的融合卷积的过程如下： 第一卷积层 η1(xt)接受序列数据xt的输入， 输 出为 同时作为第一多尺度卷积层和第权　利　要　求　书 1/2 页 2 CN 114065335 A 2二多尺度卷积层的输入； 为第一双向GRU层的输出， 表示将前向GRU的输出 与后向GRU输出 进行合并连接； 是对第一双向GRU层乘以权 重向量 并加上偏移向量 的结果； 将 与 η1(xt)的输出 进行合并为Pt1， 作为第一多尺度卷积层的输入； 是尺度为Scale1的第一多尺度卷积层的输出， 连接 到第二双向GRU层； 为第二双向GRU层的输出， 表示将其中前向GRU的输出 与后向 GRU输出 进行合并连接； 是对第二双向GRU层乘以权重向量 并加上偏移向量 的 结果； 以此类推， 通过表达式得到 通过一个尺度为Scale2的卷积操作， 对[C2 t,C3 t]进行提 取， 使得那些对目标更为重要的尺度信息能够保留下来， 得到 输出 再经过全连接操作得 到输出Ot； 其中， 和 均是通过 学习训练所 得。 4.根据权利要求1或3所述的基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其 特征在于， 所述的双向GRU层通过连接前向GRU和后向GRU两个GRU模型形成的一个双向结 构， 前向GRU中第一层遗忘门输出： f1 t＝σ(W1 f[H1 t‑1,x”t]+B1 f)， σ(x)＝1/(1+e‑x)， 在前向GRU 更 新 门 中 ， 第 一 输 出 为 ： z1 t＝σ(W1 z[ H1 t‑1,x”t] + B1 z) ， 第 二 输 出 为 ： 同理， 后向G RU相应的第一输出为： z2 t＝σ(W2 z[H2 t‑1,x”t] + B2 z) ，第 二 输 出 ： 前 向 G R U 的 中 间 输 出 以及后向GRU的中间输出 通过对中间 输出的聚合操作， 得到输出 表示将前向GRU的输出 与后向GRU输出 进行合并连接， 作为双向GRU层的输出 x”t为双向GRU层的输入， [W1 f,B1 f]， [W1 Z,B1 Z]， [W1 h,B1 h]为前向GRU模型参数， [W2 f,B2 f],[W2 Z,B2 Z]， [W2 h,B2 h]为反向GRU 模型参数， [W12 o,B12 o]为输出层参数。 5.根据权利要求4所述的基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其特 征在于， 所述的卷积层为1 维卷积网络 。 6.根据权利要求1所述的基于多尺度卷积循环神经网络的建筑物能耗预测方法， 其特 征在于， 所述的影响因素数据包括： 建筑物内各房间的温度和湿度、 以及外部气压， 外部湿 度和外部风速。权　利　要　求　书 2/2 页 3 CN 114065335 A 3