基于贝叶斯校准的社区能源能耗预测方法、装置及设备与流程

本发明涉及能耗预测，具体而言，涉及一种基于贝叶斯校准的社区能源能耗预测方法、装置及设备。

背景技术：

1、社区能源能耗预测是优化能源使用、提高能效以及制定有效节能减排策略的关键环节。社区能耗预测涉及多个层面的数据分析和技术应用，旨在准确估计未来一段时间内社区的能源消耗情况。这不仅有助于资源的有效配置，还能促进清洁能源的利用和环境友好型社区的建设。

2、在现有技术中，主要依赖于统计模型和基于规则的方法进行社区层面的能耗预测，这类方法虽然可以给出预测数据，但社区能源能耗预测存在非线性和不确定性的环境因素，导致现在技术的方法难以处理的复杂多变的实际状况，预测的精度较低。

技术实现思路

1、本发明解决的问题是如何提高能源能耗预测的精度。

2、为解决上述问题，第一方面，本发明提供了一种基于贝叶斯校准的社区能源能耗预测方法，包括：

3、获取历史能耗数据、历史社区能源影响数据以及未来社区能源影响数据；

4、将所述历史能耗数据和所述历史社区能源影响数据输入到训练好的能耗预测模型，生成第一预测数据，并确定所述第一预测数据与所述历史能耗数据的差异数据；

5、分别提取所述历史能耗数据和所述历史社区能源影响数据的时间序列直方图，根据所述时间序列直方图，确定影响数据分布特征，并根据所述影响数据分布特征和专家知识，确定所述能耗预测模型的先验分布；

6、基于贝叶斯定理，根据所述差异数据，确定似然值，并根据所述先验分布和所述似然值，生成后验分布；

7、将所述后验分布和多个不同的未来时间区间内的所述未来社区能源影响数据输入至所述训练好的能耗预测模型中，生成第二预测数据和对应的预测置信度，其中，所述第二预测数据包括多个所述未来时间区间内的预测数据，所述历史能耗数据包括多个不同的历史时间区间内的能耗数据，所述历史社区能源影响数据包括多个所述历史时间区间内的影响数据，所述历史时间区间与所述未来时间区间一一对应；

8、提取每个所述历史时间区间内的所述影响数据与对应的所述未来时间区间内的所述未来社区能源影响数据的第一相似度，并提取大于预设阈值的所述第一相似度对应的目标时间区间，所述目标时间区间包括目标历史时间区间和目标未来时间区间；

9、分别提取所述历史能耗数据中与所述目标历史时间区间对应的历史相似能耗数据，以及所述第二预测数据中与所述目标未来时间区间对应的预测相似能耗数据，确定所述历史相似能耗数据和所述预测相似能耗数据的第二相似度；

10、根据所述第二预测数据、所述预测置信度以及所述第二相似度，生成最终能耗预测结果。

11、可选地，所述根据所述第二预测数据、所述预测置信度以及所述第二相似度，生成最终能耗预测结果，包括：

12、提取所述第二预测数据中所述预测置信度大于预设置信度的高置信度预测数据；

13、关联所述高置信度预测数据和所述第二相似度，根据所述第二相似度和第二预设相似度划分所述高置信度预测数据，生成确定预测结果和待定预测结果；

14、提取所述待定预测结果的待定未来时间区间以及与所述待定未来时间区间对应的待定历史时间区间，并根据所述待定未来时间区间，提取与所述待定未来时间区间对应的未来社区能源影响数据，根据所述待定历史时间区间，提取与所述待定历史时间区间对应的历史能耗数据；

15、将所述与所述待定历史时间区间对应的历史能耗数据和所述与所述待定未来时间区间对应的未来社区能源影响数据输入至所述训练好的能耗预测模型中，生成重测结果；

16、整合所述确定预测结果和所述重测结果，生成所述最终能耗预测结果。

17、可选地，所述训练好的能耗预测模型包括：输入层、特征提取模块、多模态融合模块、集成学习模块、不确定性量化模块以及输出层；

18、所述输入层用于获取所述历史能耗数据和所述历史社区能源影响数据，或者用于获取所述后验分布和所述未来社区能源影响数据；

19、所述特征提取模块用于分别提取所述历史能耗数据和所述历史社区能源影响数据的第一长期时间特征和第一空间特征，或者用于分别提取所述后验分布和所述未来社区能源影响数据的第二长期时间特征和第二空间特征；

20、所述多模态融合模块用于分别融合对应的所述第一长期时间特征和所述第一空间特征，生成第一综合特征，或者用于分别融合对应的所述第二长期时间特征和所述第二空间特征，生成第二综合特征；

21、所述集成学习模块用于对所有所述第一综合特征进行集成学习，生成所述第一预测数据，或者用于对所有所述第二综合特征进行集成学习，生成所述第二预测数据；

22、所述不确定性量化模块用于根据所述第二综合特征和所述第二预测数据，生成对应的所述预测置信度；

23、所述输出层用于输出所述第一预测数据，或者用于输出所述第二预测数据以及所述预测置信度。

24、可选地，所述特征提取模块包括卷积神经网络、长短期记忆网络以及图神经网络；

25、所述卷积神经网络用于分别提取所述历史能耗数据和所述历史社区能源影响数据的第一局部时间特征，或者用于分别提取所述后验分布和所述未来社区能源影响数据的第二局部时间特征；

26、所述长短期记忆网络用于根据所述第一局部时间特征，生成所述第一长期时间特征，或者用于根据所述第二局部时间特征，生成所述第二长期时间特征；

27、所述图神经网络用于分别提取所述历史能耗数据和所述历史社区能源影响数据的第一空间特征，或者用于分别提取所述后验分布和所述未来社区能源影响数据的第二空间特征；

28、所述多模态融合模块包括注意力单元和多模态特征融合单元；

29、所述注意力单元用于采用自注意力机制，分别将所述第一长期时间特征和所述第一空间特征转化为第一加权时间特征和第一加权空间特征，并采用交叉注意力机制，将所述第一加权时间特征和第一加权空间特征转化为第一跨模态融合特征，或者用于采用所述自注意力机制，分别将所述第二长期时间特征和所述第二空间特征转化为第二加权时间特征和第二加权空间特征，并采用所述交叉注意力机制，将所述第二加权时间特征和所述第二加权空间特征转化为第二跨模态融合特征；

30、所述多模态特征融合单元用于采用多层感知机，将所述第一跨模态融合特征转化为所述第一综合特征，或者用于将所述第二跨模态融合特征转化为所述第二综合特征。

31、可选地，所述集成学习模块包括多个子预测模型、集成单元和加权平均单元；

32、所述子预测模型用于根据所述第一综合特征，生成对应的第一子预测结果，或者用于根据所述第二综合特征，生成对应的第二子预测结果；

33、所述集成单元用于堆叠所有的所述第一子预测结果，生成第一预测结果数据集，或者用于堆叠所有的所述第二子预测结果，生成第二预测结果数据集；

34、所述加权平均单元用于根据所述第一预测结果数据集和权重数据集，生成所述第一预测数据，或者用于根据所述第二预测结果数据集和所述权重数据集，生成所述第二预测数据；

35、所述不确定性量化模块包括蒙特卡洛单元和置信区间单元；

36、所述蒙特卡洛单元用于根据蒙特卡洛方法和所述第二综合特征，生成与所述第二预测数据对应的均值方差数据；

37、所述置信区间单元用于根据所述均值方差数据，生成所述预测置信度。

38、可选地，所述基于贝叶斯定理，根据所述差异数据，确定似然值，包括：

39、基于所述贝叶斯定理，根据所述差异数据，采用高斯似然函数公式，确定所述似然值，其中，所述高斯似然函数公式包括：

40、；

41、其中，为第i个所述第一预测数据的所述似然值，为模型参数，为所述第i个所述第一预测数据，为第i个所述第一预测数据的输入特征向量，为所述第i个所述历史能耗数据，为噪声方差。

42、可选地，所述根据所述影响数据分布特征和专家知识，确定所述能耗预测模型的先验分布，包括：

43、根据所述影响数据分布特征和所述专家知识，采用加权平均法，确定所述先验分布。

44、第二方面，本发明提供了一种基于贝叶斯校准的社区能源能耗预测装置，实现如第一方面所述的基于贝叶斯校准的社区能源能耗预测方法，基于贝叶斯校准的社区能源能耗预测装置包括：

45、获取模块，用于获取历史能耗数据、历史社区能源影响数据以及未来社区能源影响数据；

46、差异模块，用于将所述历史能耗数据和所述历史社区能源影响数据输入到训练好的能耗预测模型，生成第一预测数据，并确定所述第一预测数据与所述历史能耗数据的差异数据；

47、分布模块，用于分别提取所述历史能耗数据和所述历史社区能源影响数据的时间序列直方图，根据所述时间序列直方图，确定影响数据分布特征，并根据所述影响数据分布特征和专家知识，确定所述能耗预测模型的先验分布；

48、校准模块，用于基于贝叶斯定理，根据所述差异数据，确定似然值，并根据所述先验分布和所述似然值，生成后验分布；

49、预测模块，用于将所述后验分布和多个不同的未来时间区间内的所述未来社区能源影响数据输入至所述训练好的能耗预测模型中，生成第二预测数据和对应的预测置信度，其中，所述第二预测数据包括多个所述未来时间区间内的预测数据，所述历史能耗数据包括多个不同的历史时间区间内的能耗数据，所述历史社区能源影响数据包括多个所述历史时间区间内的影响数据，所述历史时间区间与所述未来时间区间一一对应；

50、区间模块，用于提取每个所述历史时间区间内的所述影响数据与对应的所述未来时间区间内的所述未来社区能源影响数据的第一相似度，并提取大于预设阈值的所述第一相似度对应的目标时间区间，所述目标时间区间包括目标历史时间区间和目标未来时间区间；

51、相似模块，用于分别提取所述历史能耗数据中与所述目标历史时间区间对应的历史相似能耗数据，以及所述第二预测数据中与所述目标未来时间区间对应的预测相似能耗数据，确定所述历史相似能耗数据和所述预测相似能耗数据的第二相似度；

52、结果模块，用于根据所述第二预测数据、所述预测置信度以及所述第二相似度，生成最终能耗预测结果。

53、第三方面，本发明提供了一种电子设备，包括存储器和处理器；

54、所述存储器，用于存储计算机程序；

55、所述处理器，用于当执行所述计算机程序时，实现如第一方面所述的基于贝叶斯校准的社区能源能耗预测方法。

56、第四方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面所述的基于贝叶斯校准的社区能源能耗预测方法。

57、本发明的基于贝叶斯校准的社区能源能耗预测方法、装置、电子设备及存储介质的有益效果是：

58、通过将获取的历史能耗数据和社区能源影响数据输入到训练好的能耗预测模型，生成第一预测数据，并确定第一预测数据与历史能耗数据的差异数据，可以评估模型的基本性能，确定当前能耗预测模型的预测精度，便于后续进行贝叶斯校准。再通过历史能耗数据和历史社区能源影响数据的时间序列直方图，确定影响数据分布特征，并结合专家知识设定合理的先验分布，可以提高现有贝叶斯方法中参数估计的准确性，避免现有贝叶斯方法完全依赖专家经验造成的主观性问题。然后基于贝叶斯定理，根据差异数据，确定似然值，将模型观测到的数据，即差异数据，纳入考虑，并根据先验分布和似然值，通过贝叶斯更新过程，得到更准确的参数估计，即后验分布，从而进行第一次校准，以提升模型的适应性和预测精度。再利用更新后的参数分布和未来的输入数据进行预测，同时给出对应的置信度，使预测结果不仅包含点估计还包含不确定性信息，增强了预测的可靠性，同时还便于进行第二次校准，通过每个历史时间区间内的影响数据与对应的未来时间区间内的未来社区能源影响数据的第一相似度，并提取第一相似度大于预设阈值的目标时间区间，同时确定在该目标时间区间中对应的历史相似能耗数据和预测相似能耗数据的第二相似度，以识别出在类似条件下能耗的可能表现，为第二次预测校准提供了可靠的信息，最后根据第二预测数据、预测置信度以及第二相似度进行第二次校准，得到精准的最终能耗预测结果。