基于深度学习的室内动态温度场预测方法、系统及设备

1.本发明属于建筑室温预测技术领域，具体涉及一种基于深度学习的室内动态温度场预测方法、系统及设备。


背景技术：

2.建筑能耗、环境与人员间具有强烈的耦合关系：建筑能耗主要由人员的生产生活行为产生，人员行为的高度不确定性影响着建筑环境，室内环境对人员舒适度的影响程度也因人而异，同时考虑到室内环境变化是一个缓慢的动态过程，人员舒适度要求和行动随机性给建筑能耗带来了不确定性。据统计，在发达国家，楼宇能耗占社会总能耗的20％-40％，同时，由于能源在生产、运输、转化、分配过程中存在着不同程度的损耗，随着人口增长和社会发展，未来建筑的能源需求将继续增长。因此在建筑需求侧进行优化控制以实现节能具有一定的放大作用，可以起到更好的减排效果，实现可持续发展。另一方面，据统计一个人的一生几乎有87％的时间是在封闭的建筑中度过的，建筑环境也极大影响着人员舒适水平。建筑环境涉及到热环境、湿环境、气体分布以及污染物浓度水平等，其中最值得关注的是对热环境的研究，这是因为人员的主要舒适需求是冷热需求，建筑能源中相当一部分被用于供冷供热，大多设备安全稳定的运行需要依赖合适的工作温度范围。因此，对建筑室内温度进行快速预测及分析对于识别建筑室内热环境状态、调节环境舒适度、优化控制暖通空调(hvac)系统和热源设备以及辅助决策建筑运行调度具有重要意义。一般来说，建筑室内温度分布一般被假定是均匀分布的。然而研究表明，室内温度并不是均匀分布的。实际上，在有hvac系统的房间里，不同位置的温度是有比较明显的差异的。因此，对建筑室内温度场的有效预测对于优化设备的调节、提高居住者的舒适度和降低建筑能耗具有重要意义。
3.建筑室内热环境是高维的、非线性、不连续的动态物理过程，它受到包括室外天气、太阳辐射、建筑布局、围护结构、人员行为、设备运行等多种不确定因素的影响，难以对其进行准确的描述与分析。目前建筑热环境建模方法主要有两类：基于机理的方法和数据驱动的方法。基于机理的方法是基于先验知识的数值建模，是目前热环境建模的主流方法，包括节点建模法、基于计算流体力学的建模方法、cri指数法、低维线性化通风模型及如rc网络模型的灰盒模型等。数据驱动的方法能够在事先不了解目标区域的详细情况下模拟热动力学，因此它成为预测室内热环境的一种具有潜力的方法。最常见的数据驱动方法是基于降阶模型的线性系统识别，此外还有基于回归树或神经网络的机器学习模型等。综上所述，虽然目前对建筑室内温度预测已经发展出许多方法，但仍存在局限性：首先，基于机理的方法模型复杂度高且依赖于先验知识，求解代价较高，计算效率较低；数据驱动的方法虽然提升了建模速度，然而大多数数据驱动方法都过于简化只应用于单节点建模，同时数据驱动模型由于缺乏物理可解释性可能会带来超乎物理规律的结果，容易造成过拟合。总之，建筑室内热环境建模的问题仍然缺乏一个综合的解决方案，以平衡计算时间、计算复杂性、预测精度、输入信息需求和泛化能力。


技术实现要素：

4.为解决上述现有技术中存在的局限性，本发明提供了一种基于深度学习的室内动态温度场预测方法、系统及设备，能够使预测精度、计算复杂度、先验信息需求与泛化能力等评估指标达到最佳平衡，同时能够可视化展示，提升建筑室内温度场预测方法的整体性能。
5.基于深度学习的室内动态温度场预测方法，包括以下步骤：
6.s1、构建动态温度场深度神经预测网络，并将源任务域大规模数据集作为训练集输入该动态温度场深度神经网络进行训练，生成预训练模型；
7.s2、获取目标任务的感知信息，目标任务的感知信息包括热扰信息及基本物理信息；
8.s3、根据空间结构特征库和s2获取的基本物理信息与进行集成学习生成目标任务空间结构特征；
9.s4、将s2得到的目标任务的感知信息进行处理并构建目标任务域数据集；
10.s5、根据目标任务域数据集特性对s1得到的预训练模型进行微调，输出动态温度场预测结果；
11.s6、计算s5获得的动态温度场预测结果中某节点在某时刻预测值与其对应的实际测量值之间的误差作为衡量精度的指标，并构建损失函数，判断此时的误差是否小于预期值：若是则输出动态温度场预测结果，并将学习到的空间结构特征收集至空间结构特征库；否则，返回s3，迭代优化空间结构特征。
12.进一步的，s3中，空间结构特征库通过以下步骤构建：
13.sa1、获取源任务的感知信息，所述感知信息包括热扰信息、温度场节点信息及空间结构信息；
14.sa2、将获取的源任务的感知信息进行数据预处理和空间网格划分处理，并构建源任务域大规模数据集；
15.sa3、收集空间结构信息构成空间结构特征库。
16.进一步的，步骤sa2包括以下步骤：
17.sa201、将sa1中获取的源任务的各类热扰信息和温度场节点信息进行数据预处理，然后进行基于相关性分析的特征选择，得到室内热源特征室外热扰特征其他扰动变量特征事件扰动特征和温度场节点特征y
t
，其中t＝n-1-r,...,n-1，t代表第t时刻，r代表时间序列的长度，n代表当前时刻；
18.sa202、将sa1中获取的源任务的空间结构信息进行空间网格划分处理，在源任务中每个网格均部署有一个温度传感器；
19.sa203、将sa201与sa202得到的数据进行整合处理，构建源任务域大规模数据集其中前四项代表输入特征，最后一项代表标签特征；
20.x
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量l
t
整合处理成的热源时空张量[x
n-1-r
,x
n-r
,...,x
t
,...,x
n-1
]，其中表示t时刻的热源时空张量。
[0021]
进一步的，步骤s1中，动态温度场深度神经预测网络包括：
[0022]
用于训练热源时空张量的深度卷积残差网络、用于训练其他热扰因素的特征提取结构以及用于输出预测结果的预测器，深度卷积残差网络和特征提取结构的输出端均与预测器的输入端连接；
[0023]
所述深度卷积残差网络包括临近性模块、趋势性模块和周期性模块，分别用来捕捉时间特征的临近性、趋势性以及周期性，临近性、趋势性以及周期性的时间序列分别定义为和其中dc、de、d
p
是采样时长，1、e、p是相应的时间采样间隔,0《1《e《p＜n；这三部分共享一个类似的网络结构，所述网络结构由若干个三维卷积层和残差单元组成；第l层的三维卷积定义为：
[0024]y(l)
＝α(x
(l)
*w
(l)
+b
(l)
)
[0025]
其中，x
(l)
和y
(l)
为第l层网络的输入和输出，w
(l)
和b
(l)
为第l层中的权重和偏置参数，*代表三维卷积运算，α(
·
)是激活函数运算；
[0026]
第l层的残差单元定义为：
[0027]
x
(l+1)
＝x
(l)
+f(x
(l)
,θ
(l)
)，l＝1,...,l；
[0028]
其中，x
(l)
和x
(l+1)
是第l个残差单元的输入和输出；f(
·
)为能实现层的非线性化和标准化和特征提取的操作，l是残差单元的总层数；
[0029]
临近性、趋势性及周期性三部分的输出经过特征矩阵匹配进行融合，定义为：
[0030][0031]
其中，x
fu
是融合的输出；mc、me、m
p
是分别与临近性、趋势性和周期性时间特征相匹配的矩阵，是模型训练过程中的可学习参数；表示矩阵点乘；
[0032]
最后，特征矩阵匹配的输出经过卷积长短期记忆网络模块以实现时序多步预测，该部分最终输出表示为xd；
[0033]
所述特征提取结构包括室外热扰特征、其他扰动特征和事件扰动特征，所述室外热扰特征、其他扰动特征和事件扰动特征沿特征轴合并，然后再由特征提取单元进行提取，然后连接一个全连接神经网络层，通过激活函数对结果进行非线性处理，最后将结果重塑为与xd同形状的输出xo；
[0034]
深度卷积网络模块和特征提取模块的输出进行融合，经过非线性化得到温度场的预测值，然后引入基于惩罚因子的优化策略，为模型施加具有物理意义的边界约束，使变量保持在物理现实允许的范围内；
[0035]
预测器的损失函数为带有正则化惩罚项的损失函数。
[0036]
进一步的，步骤s3包括以下步骤：
[0037]
先对目标任务基本物理信息和空间结构特征库进行基于距离的聚类，通过聚类得到目标任务物理信息与空间特征库中已知空间特征的距离，根据聚类距离进行权重分配，然后进行集成学习最后进一步进行热源空间位置的网格搜索，从而生成初始化的目标任务空间结构特征，所空间结构特征是目标任务域房间基本物理信息和热源空间位置分布信息的合集。
[0038]
进一步的，步骤s4包括以下步骤：
[0039]
s401、对s2获取的热扰信息进行数据预处理，得到热源特征室外热扰特征其他扰动变量特征事件扰动特征其中t＝n-1-r,...,n-1；
[0040]
s402、对s3生成的空间结构特征进行空间网格重划分处理，使得目标任务的输入和源任务的保持同样的形状；
[0041]
基于重划分好的网格并根据热源空间位置分布特征，假设室内共有m类热源，则在t时刻热源空间位置分布表示为其中表示第m类热源的网格坐标；将热源空间位置分布处理为空间张量形式，表示为其中是代表第m类热源在t时刻的空间位置的四维张量，第一维代表时间，定义为：
[0042][0043]
其中，是第m类热源在第t时刻在(w,d,h)网格的空间占用状态，1表示此时它占据该网格，否则表示为0；
[0044]
s403、将4701与s402得到的数据进行整合处理，构建目标任务域大规模数据集xt
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量lt
t
整合处理成的热源时空张量[xt
n-1-r
,xt
n-r
,...,xt
t
,...,xt
n-1
]，其中表示t时刻的热源时空张量。
[0045]
进一步的，步骤s5中，对预训练模型进行微调方法如下：
[0046]
a)、目标任务域数据集呈现出数据量大、数据分布与源任务域的数据分布相似的特性时：基于预训练模型，训练与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层；
[0047]
b)、目标任务域数据集呈现出数据量大，但数据分布与源任务域的数据分布不同的特性时：基于构建的模型架构，使用目标任务域数据集来训练整个模型，即重新学习一个新的模型；
[0048]
c)、目标任务域数据集呈现出数据量小，且数据分布与源任务域的数据分布不同的特性时：基于预训练模型，训练与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层；
[0049]
d)、目标任务域数据集呈现出数据量小，但数据分布与源任务域的数据分布相似的特性时：直接使用预训练模型而无需任何训练过程。
[0050]
基于深度学习的室内动态温度场预测系统，包括：
[0051]
信息感知模块，用于通过泛在感知传感器网络采集源任务与目标任务的热扰信息、源任务的温度场节点信息、源任务空间结构信息及目标任务基本物理信息；
[0052]
预训练模块，用于将信息感知模块采集到的源任务热扰信息及温度场节点信息通过数据预处理模块进行清洗及处理，并将源任务空间结构信息通过空间网格划分子模块进行处理，然后将经过处理的上述数据通过源任务域大规模训练集构建子模块生成源任务数据集，将该数据集输入动态温度场预测网络模块然后通过预训练模型生成子模块生成预训
练模型；
[0053]
空间结构特征库模块，用于收集和存储各类建筑室内空间结构特征并构成空间结构特征库；
[0054]
动态温度场预测模块，用于构建动态温度场深度神经预测网络；
[0055]
迁移学习模块，用于建立源任务与目标任务的映射关联，实现从源任务向目标任务的模型迁移，得到温度场预测结果。
[0056]
进一步的，步骤迁移学习模块包括：
[0057]
目标任务空间结构特征生成子模块，用于对目标任务基本物理信息进行网格搜索并结合空间特征库进行集成学习，输出初始的目标任务空间结构特征；
[0058]
空间网格重划分子模块，用于对初始的目标任务空间结构特征进行空间网格重划分；
[0059]
数据预处理子模块对信息感知模块获得的目标任务的热扰信息经过进行预处理；
[0060]
目标任务域训练集构建子模块，用于将经过处理的空间结构特征与热扰信息通过生成目标任务数据集；
[0061]
预训练模型微调子模块，用于根据目标任务数据集的分布特性通过对预训练模型进行微调；
[0062]
动态温度场生成子模块，用于根据微调后的预训练模型输出动态温度场预测张量结果。
[0063]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述室内动态温度场预测方法的步骤。
[0064]
与现有技术相比，本发明至少具有以下有益的技术效果：
[0065]
该方法采用数据机理双驱动的方法，一方面充分利用数据驱动优势，构建基于深度学习的深度卷积残差网络模型，实现在保证预测精度的同时降低模型的复杂度及对先验知识的需求；另一方面引入机理信息来提升数据驱动模型的可解释性与泛化能力，同时通过构建和施加具有物理意义的边界约束使得预测结果保持在物理现实允许的范围内，提升预测结果的可靠性与准确性。
[0066]
该方法利用迁移学习建立源任务与目标任务的映射关联，通过微调预训练模型实现迁移，提升模型的泛化能力。此外，在目标任务进行预测时，通过构建空间结构特征库并利用集成学习生成目标任务的空间结构特征，并不断根据温度场预测结果误差作为损失函数迭代优化该空间结构特征，当精度达到预期时将优化好的空间结构特征加入特征库作为扩充，这使得本方法能够进一步提升泛化能力并缩减先验知识需求。
[0067]
该方法以时空深度卷积残差网络作为预测模型，充分考虑了影响建筑室内温度分布的各种复杂因素，包括空间依赖性、时间依赖性、热扰影响及事件因素影响。其中空间依赖性指室内温度场每个区域的温度变化都受到其邻近区域以及其他遥远区域的热交互影响；时间依赖性指由于室内热过程的动态变化，某一时间段的温度分布会受到连续时间段的影响，包括短期和长期；热扰影响指室内温度分布受到室内外各种热扰因素的影响，表现为热对流、热传导和热辐射的形式；事件因素影响指与某些人为驱动的事件和其他变量也可能影响室内温度分布。在充分考虑上述的影响因素的同时，通过高效的特征工程构建高
度相关、必要和简洁的特征作为深度学习网络的输入，实现动态、精确、快速的室内温度场预测。
[0068]
进一步的，该方法将动态温度场预测结果进行三维云图可视化，使结果表现形式更形象，也更利于进一步分析与应用。
[0069]
综上所述，该方法能够使预测精度、计算复杂度、先验信息需求与泛化能力等评估指标达到最佳平衡，同时能够可视化展示，提升建筑室内温度场预测方法的整体性能，也更利于进一步分析与应用。
附图说明
[0070]
图1为基于深度学习的建筑室内动态温度场预测方法的流程图；
[0071]
图2为基于深度学习的建筑室内动态温度场预测系统的示意图；
[0072]
图3为动态温度场深度神经预测网络结构的示意图；
[0073]
图4为西安某办公楼一房间基于上述方案预测得到的室内动态温度场的可视化三维云图。
具体实施方式
[0074]
下面结合附图和具体实施方式对本发明进行详细说明。
[0075]
实施例1
[0076]
参照图1所示，本发明的实施例提供一种基于深度学习的建筑室内动态温度场预测方法，具体包括如下步骤：
[0077]
s1、获取源任务的感知信息，感知信息包括热扰信息、温度场节点信息及空间结构信息；
[0078]
其中，源任务指迁移学习中在已知领域进行回归或分类任务，在本实施例中指对已知的建筑进行温度场预测。
[0079]
热扰信息指影响室内温度分布的各类热扰动因素，在热力学中以热对流、热传导和热辐射的形式影响室内温度场的变化，由于本方案本质上是一个时序预测问题，因此在实施例中采集的信息都是时序的，主要包括各类室内热源信息、室外热扰信息、其他扰动变量和事件扰动信息，室内热源信息包括各类发热设备的热耗、人均散热量、家具表面温度等，室外热扰信息包括室外温度、太阳辐射等，其他扰动变量包括室内外湿度、室内二氧化碳、室内细颗粒物浓度，事件扰动信息包括开关灯、人员进出、开关空调等事件状态。
[0080]
温度场节点信息指在已知建筑搭建温度传感器网络，即在每的立方体网格部署一个温度传感器并将该立方体网格作为温度场中一个节点及通过实测获得的真实的室内温度场。，其中中s代表该立方体属于源任务域，r表示该立方体能代表着房间空间划分的分辨率，w,d,h代表长、宽、高，代表，即表示在源任务域长、宽、高尺寸分别为高尺寸分别为的分辨率。
[0081]
空间结构信息包括已知建筑的房间基本物理信息和热源空间位置分布信息，房间基本物理信息包括房间围护结构类型、房间尺寸、热源类型及数量等，热源空间位置分布信
息(即室内家具、发热设备、hvac和照明等布局；
[0082]
s2、将s1中获取的源任务的感知信息进行数据预处理和空间网格划分处理并构建源任务域大规模数据集。本步骤具体包括以下步骤：
[0083]
s201、将s1中获取的源任务的各类热扰信息和温度场节点信息进行数据预处理，在本实施例中预处理工作主要包括探索性数据分析、异常及缺失数据清洗、数据标准化处理，然后进行基于相关性分析的特征选择等，最后得到室内热源特征室外热扰特征其他扰动变量特征事件扰动特征温度场节点特征y
t
，其中t＝n-1-r,...,n-1，t代表第t时刻，r代表时间序列的长度，n代表当前时刻；
[0084]
s202、将s1中获取的源任务的空间结构信息进行空间网格划分处理。
[0085]
具体来说，根据房间的长、宽、高尺寸将其按照大于0且小于房间空间尺寸的分辨率划分为w
×d×
h个区域网格，其中w
×d×
h是代表网格个数的标量，比如可以将长宽高尺寸分别为5米、4米、3米的房间按照分别率划分为w
×d×
h＝5
×4×
3＝60个区域网格。(w,d,h)代表处于第w行、第d列、第h层的区域，在源任务中每个网格均部署有一个温度传感器。
[0086]
基于划分好的区域网格并根据热源空间位置分布信息，假设室内共有m类热源，则在t时刻热源空间位置分布可以表示为其..中表示第m类热源的网格坐标，(w1,d1,h1),表示第m类热源所占据的第1个网格的空间坐标，(w
x
,d
x
,h
x
)表示其占据的第x个网格的空间坐标；进一步地，将热源空间位置分布处理为空间张量形式，表示为t代表第t时刻，r代表时间序列的长度，n代表当前时刻，其中是代表第m类热源在t时刻的空间位置的四维张量，第一维代表时间，其余三维代表空间，具体来说它定义为：
[0087][0088]
其中，是第m类热源在第t时刻在(w,d,h)网格的空间占用状态，1表示此时它占据该网格，否则表示为0；
[0089]
s203、将s201与s202得到的数据进行整合处理，构建源任务域大规模数据集其中前四项代表输入特征，最后一项代表标签特征。
[0090]
x
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量l
t
整合处理成的热源时空张量[x
n-1-r
,x
n-r
,...,x
t
,...,x
n-1
]，其中表示t时刻的热源时空张量，定义为：
[0091][0092]
learning approach for precipitation nowcasting》。
[0109]
用于训练其他热扰因素的特征提取结构主要包括三类输入特征：室外热扰特征、其他扰动特征和事件扰动特征，这三类特征沿特征轴合并，然后再由特征提取单元进行提取，本实施例中特征提取单元可以由全连接神经网络层、激活函数和dropout操作组成，也可以由其他类型的特征提取结构组成。然后，连接一个全连接神经网络层，通过激活函数对结果进行非线性处理，最后将结果重塑为与xd同形状的输出xo。
[0110]
深度卷积网络模块和特征提取模块的输出进行融合，经过非线性化得到温度场的预测值本实施例中表示为：其中sigmoid()是一种常用的非线性激活函数，代表矩阵加法。然后引入一种基于惩罚因子的优化策略，为模型施加具有物理意义的边界约束，使变量保持在物理现实允许的范围内。通过惩罚函数对每个时间步t应用不等式约束来实现这一特性：
[0111][0112][0113]
其中，是约束的上下界，松弛变量和表示违反约束的程度。
[0114]
使预测器工作需要定义损失函数和设置优化器，深度学习开源框架pytorch、tensorflow可直接调用和设置各种类型的优化器，如sgd、adam、rmsprop等。本实施例中定义了带有正则化惩罚项的损失函数：
[0115][0116]
其中，l(θ)代表损失函数，θ代表在模型训练过程中需要学习的参数；smooth
l1
(
·
)代表huber损失函数，它是平均绝对误差和均方的组合函数；等式右边第二项表示惩罚因子，其中q
ineq
是正则化系数，通过加入加权松弛变量对输出边界条件的不等式约束的违反进行惩罚。
[0117]
s5、获取目标任务的感知信息，目标任务的感知信息包括热扰信息及基本物理信息；
[0118]
其中，目标任务指迁移学习中在新领域进行回归或分类任务，在本实施例中指对未知的建筑进行温度场预测；热扰信息指影响室内温度分布的各类热扰动因素，在热力学中以热对流、热传导和热辐射的形式影响室内温度场的变化，由于本方案本质上是一个时序预测问题，因此在实施例中采集的信息都是时序的，主要包括各类室内热源信息、室外热扰信息、其他扰动变量和事件扰动信息，室内热源信息包括各类发热设备的热耗、人均散热量、家具表面温度等，室外热扰信息包括室外温度、太阳辐射等，其他扰动变量包括室内外湿度、室内二氧化碳、室内细颗粒物浓度，事件扰动信息包括开关灯、人员进出、开关空调等事件状态；
[0119]
基本物理信息包括房间围护结构类型、房间尺寸、热源类型及数量等；
[0120]
s6、根据s5获取的基本物理信息与空间结构特征库进行集成学习生成目标任务空间结构特征；
[0121]
本实施例中，先对目标任务基本物理信息和空间结构特征库进行基于距离的聚
类，如最大最小聚类法、临近聚类法和k均值聚类法等，通过聚类可以得到目标任务物理信息与空间特征库中已知空间特征的距离，根据聚类距离进行权重分配，然后进行集成学习最后进一步进行热源空间位置的网格搜索从而生成初始化的目标任务空间结构特征，该空间结构特征是目标任务域房间基本物理信息和热源空间位置分布信息的合集。目标任务域房间基本物理信息包括房间围护结构类型、房间尺寸、热源类型及数量等，是此步骤进行集成学习的输入，热源空间位置分布信息包括室内家具、发热设备、hvac和照明等布局信息，是此步骤进行集成学习的输出。
[0122]
s7、将s5得到的目标任务的感知信息进行处理并构建目标任务域数据集
[0123]
s701、对s5获取的热扰信息进行数据预处理，在本实施例中预处理工作主要包括探索性数据分析、异常及缺失数据清洗、数据标准化处理、特征选择等，最后得到热源特征室外热扰特征其他扰动变量特征事件扰动特征其中t＝n-1-r,...,n-1；
[0124]
s702、对s6生成的空间结构特征进行空间网格重划分处理；
[0125]
为了利用预训练模型，目标任务的输入需和源任务的保持同样的形状，因此需要按照源任务空间网格的形状对目标任务的空间结构进行重划分处理。本实施例中假设源任务中的房间按照合适的分辨率被划分为w
×d×
h个区域网格，则目标任务中的房间也应当被划分为w
×d×
h个区域网格，其网格重划分可以被数学描述为：
[0126][0127][0128][0129]
其中，是目标任务的网格分辨率，(w
t
,d
t
,h
t
)和(ws,ds,hs)分别是目标任务和源任务的房间长、宽、高尺寸。因此，任何尺寸的目标任务建筑房间均能够经过这种处理被转化为预训练模型能够接受的输入。
[0130]
基于重划分好的网格并根据s6学习到的空间结构特征，假设室内共有m类热源，则在t时刻热源空间位置分布可以表示为其中表示第m类热源的网格坐标，进一步地，将热源空间位置分布处理为空间张量形式，表示为其中是代表第m类热源在t时刻的空间位置的四维张量，第一维代表时间，具体来说它定义为：
[0131][0132]
其中，是第m类热源在第t时刻在(w,d,h)网格的空间占用状态，1表示此时它占据该网格，否则表示为0；
[0133]
s703、将s701与s702得到的数据进行整合处理，构建目标任务域大规模数据集
这四项均代表输入特征。
[0134]
xt
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量lt
t
整合处理成的热源时空张量[xt
n-1-r
,xt
n-r
,...,xt
t
,...,xt
n-1
]，其中表示t时刻的热源时空张量，定义为：
[0135][0136][0137][0138][0139]
其中，表示第m类热源在t时刻的空间热特征分布张量，代表它在(w,d,h)网格的分布；代表第m类热源在t时刻的热特征数据在本实施例中为温度或热耗的形式；
[0140]
(lt
t
)m代表第m类热源在t时刻的空间位置分布；表示t时刻未被热源占用的网格的热特性，在本实施例中可以用平均室温或零热耗表示；
[0141]
s8、根据目标任务域数据集特性对s4得到的预训练模型进行微调，利用微调后的预训练模型输出动态温度场预测结果；
[0142]
其中，目标任务域数据集特性和预训练的微调策略根据情况分为以下几种：
[0143]
(1)目标任务域数据集呈现出数据量大、数据分布与源任务域的数据分布相似的特性。此场景适用的微调策略是：基于预训练模型，训练某些与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层，需要训练的层取决于目标任务和模型体系结构；
[0144]
(2)目标任务域数据集呈现出数据量大，但数据分布与源任务域的数据分布不同的特性。此场景适用的微调策略是：基于构建的模型架构，使用目标任务域数据集来训练整个模型，即重新学习一个新的模型；
[0145]
(3)目标任务域数据集呈现出数据量小，且数据分布与源任务域的数据分布不同的特性。在此场景下合适的策略是：基于预训练模型，训练某些与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层，同时需注意训练层数与保留层数的平衡以及训练轮数，过多过深的训练可能会导致过拟合，这比第(1)种情况的微调要困难一些。
[0146]
(4)目标任务域数据集呈现出数据量小，但数据分布与源任务域的数据分布相似的特性。此场景适用的微调策略是：直接使用预训练模型而无需任何训练过程。
[0147]
s9、计算s8获得的动态温度场预测结果中某节点在某时刻预测值与其对应的实际测量值之间的误差作为衡量精度的指标，并构建损失函数，判断此时的误差是否小于预期值，即e≤ζ。若是则进行下一步，并返回s3将现在学习到的空间结构特征收集至空间结构特征库；若否则返回s6，迭代优化空间结构特征，即向着损失下降的方向优化调整基于聚类的权重分配以及热源空间位置的网格搜索。
[0148]
s10、对s8得到的动态温度场预测结果进行可视化。
[0149]
本实施例中利用python的mpl_toolkits.mplot3d导入对象axes3d来以三维云图
的形式表示热场，从而实现动态温度场的可视化。
[0150]
实施例2
[0151]
参照图2，本发明提供了一种基于深度学习的建筑室内动态温度场预测系统，包括信息感知模块、预训练模块、建筑室内空间结构特征库模块(以下简称为空间结构特征库)、动态温度场深度学习网络预测模块(以下简称为动态温度场预测模块)、迁移学习模块和可视化模块。
[0152]
信息感知模块通过泛在感知传感器网络采集源任务与目标任务的热扰信息、源任务的温度场节点信息、源任务空间结构信息及目标任务基本物理信息；
[0153]
预训练模块用于将信息感知模块采集到的源任务热扰信息及温度场节点信息通过数据预处理模块进行清洗及处理，并将源任务空间结构信息通过空间网格划分子模块进行处理，然后将经过处理的上述数据通过源任务域大规模训练集构建子模块生成源任务数据集，将该数据集输入动态温度场预测网络模块然后通过预训练模型生成子模块生成预训练模型；
[0154]
空间结构特征库模块用于收集和存储各类建筑室内空间结构特征并构成空间结构特征库；
[0155]
动态温度场预测模块用于构建动态温度场深度神经预测网络；
[0156]
迁移学习模块用于建立源任务与目标任务的映射关联，实现从源任务向目标任务的模型迁移，具体来讲，首先由信息感知模块获得的目标任务基本物理信息(包括房间围护结构类型、房间尺寸、热源类型及数量等)进行网格搜索并结合空间特征库进行集成学习，经过目标任务空间结构特征生成子模块输出初始的目标任务空间结构特征，并对该特征通过空间网格重划分子模块进行处理，同时由信息感知模块获得的目标任务的热扰信息经过数据预处理子模块进行预处理，然后将上述经过处理的空间结构特征与热扰信息通过目标任务域训练集构建子模块生成目标任务数据集，根据目标任务数据集的分布特性通过预训练模型微调子模块对预训练模型进行微调，最后利用动态温度场生成子模块输出动态温度场预测张量结果，计算预测结果中某节点值与该节点实测值误差作为精度指标并建立损失函数若精度未达到预设值则通过对目标任务空间结构特征不断进行迭代优化，直到达到精度要求并将此时学习得到的空间结构特征输入至空间结构特征库以扩充库；
[0157]
可视化模块用以将得到的动态温度场预测张量以三维云图形式可视化。
[0158]
如图4为西安某办公楼一房间基于上述方案预测得到的室内动态温度场的可视化三维云图，该图展示了相邻两个时间步的温度场动态变化，从中可以形象地展示室内温度是如何分布的，以便进行进一步的分析和基于温度场的建筑优化控制工作。
[0159]
为了进一步评估和比较不同方法在不同数据集上的室内温度场预测任务的性能，我们建立了几个评估指标，并且通过在不同房间进行实验构建了三个数据集用于结果验证，如表1所示，其中考虑了预测精度、计算时间、先验知识、泛化能力等。在表1中，第三列代表预测室内温度所需的输入信息，即先验知识。用第四列来表示这些方法是否能够在这些数据集上进行迁移，这用来衡量各方法的泛化能力。rmse和分辨率用来衡量预测精度。从表4结果可以看出，对所需的先验知识而言，本方法比数据驱动方法多了空间结构信息，这类机理信息有利于提升数据驱动模型的可解释性，此外本方法所需的发热设备热耗要容易比数据驱动模型所需的发热设备温度信息获得，与cfd模型相比，本方法不需要复杂的边界条
件和先验知识；对泛化能力而言，由于arima和ann以外的机器学习方法与源任务域的数据分布存在较大差异，因此很难在lr和bs集上进行迁移，而ann则能够根据神经网络的结构对预训练的模型进行微调，从而实现迁移。cfd模型比较特殊，需要针对每个新的场景重新建模，才能运行仿真模型，所以根本无法迁移，本方法可以通过对预训练模型进行微调而进行迁移。虽然机器学习方法在rmse方面表现最佳，但它们的分辨率太大，这意味着它们只能预测温度场中的单个节点的温度来代表整个室内温度分布，cfd模型虽然具有最佳的分辨率和较低的rmse误差，但它的平均计算时间最长，而且会随着分辨率的细化而增加。本方法在考虑到rmse和分辨率的综合预测精度仅次于cfd，而相应的平均计算时间即使考虑到微调过程，也比cfd少很多。综上，表1结果表明，与其他方法相比，本方法在预测精度、计算时间、所需的先验知识以及泛化性能之间实现了最佳权衡。
[0160]
表一
[0161]
[0162]
实施例3
[0163]
本发明的实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，用于执行上述基于深度学习的建筑室内动态温度场预测方法。可以根据上述方法对系统模块进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0164]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0165]
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0166]
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.基于深度学习的室内动态温度场预测方法，其特征在于，包括以下步骤：s1、构建动态温度场深度神经预测网络，并将源任务域大规模数据集作为训练集输入该动态温度场深度神经网络进行训练，生成预训练模型；s2、获取目标任务的感知信息，目标任务的感知信息包括热扰信息及基本物理信息；s3、根据空间结构特征库和s2获取的基本物理信息与进行集成学习生成目标任务空间结构特征；s4、将s2得到的目标任务的感知信息进行处理并构建目标任务域数据集；s5、根据目标任务域数据集特性对s1得到的预训练模型进行微调，输出动态温度场预测结果；s6、计算s5获得的动态温度场预测结果中某节点在某时刻预测值与其对应的实际测量值之间的误差作为衡量精度的指标，并构建损失函数，判断此时的误差是否小于预期值：若是则输出动态温度场预测结果，并将学习到的空间结构特征收集至空间结构特征库；否则，返回s3，迭代优化空间结构特征。2.根据权利要求1所述的基于深度学习的室内动态温度场预测方法，其特征在于，s3中，空间结构特征库通过以下步骤构建：sa1、获取源任务的感知信息，所述感知信息包括热扰信息、温度场节点信息及空间结构信息；sa2、将获取的源任务的感知信息进行数据预处理和空间网格划分处理，并构建源任务域大规模数据集；sa3、收集空间结构信息构成空间结构特征库。3.根据权利要求2所述的基于深度学习的室内动态温度场预测方法，其特征在于，所述sa2包括以下步骤：sa201、将sa1中获取的源任务的各类热扰信息和温度场节点信息进行数据预处理，然后进行基于相关性分析的特征选择，得到室内热源特征室外热扰特征其他扰动变量特征事件扰动特征和温度场节点特征y
t
，其中t＝n-1-r,...,n-1，t代表第t时刻，r代表时间序列的长度，n代表当前时刻；sa202、将sa1中获取的源任务的空间结构信息进行空间网格划分处理，在源任务中每个网格均部署有一个温度传感器；sa203、将sa201与sa202得到的数据进行整合处理，构建源任务域大规模数据集其中前四项代表输入特征，最后一项代表标签特征；x
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量l
t
整合处理成的热源时空张量[x
n-1-r
,x
n-r
,...,x
t
,...,x
n-1
]，其中表示t时刻的热源时空张量。4.根据权利要求1所述的基于深度学习的室内动态温度场预测方法，其特征在于，所述步骤s1中，动态温度场深度神经预测网络包括：用于训练热源时空张量的深度卷积残差网络、用于训练其他热扰因素的特征提取结构以及用于输出预测结果的预测器，深度卷积残差网络和特征提取结构的输出端均与预测器
的输入端连接；所述深度卷积残差网络包括临近性模块、趋势性模块和周期性模块，分别用来捕捉时间特征的临近性、趋势性以及周期性，临近性、趋势性以及周期性的时间序列分别定义为和其中d
c
、d
e
、d
p
是采样时长，1、e、p是相应的时间采样间隔,0<1<e<p＜n；这三部分共享一个类似的网络结构，所述网络结构由若干个三维卷积层和残差单元组成；第l层的三维卷积定义为：y
(l)
＝α(x
(l)
*w
(l)
+b
(l)
)其中，x
(l)
和y
(l)
为第l层网络的输入和输出，w
(l)
和b
(l)
为第l层中的权重和偏置参数，*代表三维卷积运算，α(
·
)是激活函数运算；第l层的残差单元定义为：x
(l+1)
＝x
(l)
+f(x
(l)
,θ
(l)
)，l＝1,...,l；其中，x
(l)
和x
(l+1)
是第l个残差单元的输入和输出；f(
·
)为能实现层的非线性化和标准化和特征提取的操作，l是残差单元的总层数；临近性、趋势性及周期性三部分的输出经过特征矩阵匹配进行融合，定义为：其中，x
fu
是融合的输出；m
c
、m
e
、m
p
是分别与临近性、趋势性和周期性时间特征相匹配的矩阵，是模型训练过程中的可学习参数；表示矩阵点乘；最后，特征矩阵匹配的输出经过卷积长短期记忆网络模块以实现时序多步预测，该部分最终输出表示为x
d
；所述特征提取结构包括室外热扰特征、其他扰动特征和事件扰动特征，所述室外热扰特征、其他扰动特征和事件扰动特征沿特征轴合并，然后再由特征提取单元进行提取，然后连接一个全连接神经网络层，通过激活函数对结果进行非线性处理，最后将结果重塑为与x
d
同形状的输出x
o
；深度卷积网络模块和特征提取模块的输出进行融合，经过非线性化得到温度场的预测值，然后引入基于惩罚因子的优化策略，为模型施加具有物理意义的边界约束，使变量保持在物理现实允许的范围内；预测器的损失函数为带有正则化惩罚项的损失函数。5.根据权利要求1所述的基于深度学习的室内动态温度场预测方法，其特征在于，所述s3包括以下步骤：先对目标任务基本物理信息和空间结构特征库进行基于距离的聚类，通过聚类得到目标任务物理信息与空间特征库中已知空间特征的距离，根据聚类距离进行权重分配，然后进行集成学习最后进一步进行热源空间位置的网格搜索，从而生成初始化的目标任务空间结构特征，所空间结构特征是目标任务域房间基本物理信息和热源空间位置分布信息的合集。6.根据权利要求1所述的基于深度学习的室内动态温度场预测方法，其特征在于，所述s4包括以下步骤：s401、对s2获取的热扰信息进行数据预处理，得到热源特征室外热扰特征
其他扰动变量特征事件扰动特征其中t＝n-1-r,...,n-1；s402、对s3生成的空间结构特征进行空间网格重划分处理，使得目标任务的输入和源任务的保持同样的形状；基于重划分好的网格并根据热源空间位置分布特征，假设室内共有m类热源，则在t时刻热源空间位置分布表示为其中表示第m类热源的网格坐标；将热源空间位置分布处理为空间张量形式，表示为其中是代表第m类热源在t时刻的空间位置的四维张量，第一维代表时间，定义为：其中，是第m类热源在第t时刻在(w,d,h)网格的空间占用状态，1表示此时它占据该网格，否则表示为0；s403、将4701与s402得到的数据进行整合处理，构建目标任务域大规模数据集xt
n-1-r
→
n-1
是将热源特征和热源空间位置分布张量lt
t
整合处理成的热源时空张量[xt
n-1-r
,xt
n-r
,...,xt
t
,...,xt
n-1
]，其中表示t时刻的热源时空张量。7.根据权利要求1所述的基于深度学习的室内动态温度场预测方法，其特征在于，所述s5中，对预训练模型进行微调方法如下：a)、目标任务域数据集呈现出数据量大、数据分布与源任务域的数据分布相似的特性时：基于预训练模型，训练与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层；b)、目标任务域数据集呈现出数据量大，但数据分布与源任务域的数据分布不同的特性时：基于构建的模型架构，使用目标任务域数据集来训练整个模型，即重新学习一个新的模型；c)、目标任务域数据集呈现出数据量小，且数据分布与源任务域的数据分布不同的特性时：基于预训练模型，训练与当前目标任务形状不符的前部输入层或后部输出层，而保留其他层；d)、目标任务域数据集呈现出数据量小，但数据分布与源任务域的数据分布相似的特性时：直接使用预训练模型而无需任何训练过程。8.基于深度学习的室内动态温度场预测系统，其特征在于，包括：信息感知模块，用于通过泛在感知传感器网络采集源任务与目标任务的热扰信息、源任务的温度场节点信息、源任务空间结构信息及目标任务基本物理信息；预训练模块，用于将信息感知模块采集到的源任务热扰信息及温度场节点信息通过数据预处理模块进行清洗及处理，并将源任务空间结构信息通过空间网格划分子模块进行处理，然后将经过处理的上述数据通过源任务域大规模训练集构建子模块生成源任务数据集，将该数据集输入动态温度场预测网络模块然后通过预训练模型生成子模块生成预训练
模型；空间结构特征库模块，用于收集和存储各类建筑室内空间结构特征并构成空间结构特征库；动态温度场预测模块，用于构建动态温度场深度神经预测网络；迁移学习模块，用于建立源任务与目标任务的映射关联，实现从源任务向目标任务的模型迁移，得到温度场预测结果。9.根据权利要求8所述的基于深度学习的室内动态温度场预测系统，其特征在于，所述迁移学习模块包括：目标任务空间结构特征生成子模块，用于对目标任务基本物理信息进行网格搜索并结合空间特征库进行集成学习，输出初始的目标任务空间结构特征；空间网格重划分子模块，用于对初始的目标任务空间结构特征进行空间网格重划分；数据预处理子模块对信息感知模块获得的目标任务的热扰信息经过进行预处理；目标任务域训练集构建子模块，用于将经过处理的空间结构特征与热扰信息通过生成目标任务数据集；预训练模型微调子模块，用于根据目标任务数据集的分布特性通过对预训练模型进行微调；动态温度场生成子模块，用于根据微调后的预训练模型输出动态温度场预测张量结果。10.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述室内动态温度场预测方法的步骤。

技术总结
本发明公开了基于深度学习的室内动态温度场预测方法、系统及设备，该方法以时空深度卷积残差网络作为预测模型，充分考虑了影响建筑室内温度分布的各种复杂因素，采用数据机理双驱动的方法，一方面充分利用数据驱动优势，构建基于深度学习的深度卷积残差网络模型，实现在保证预测精度的同时降低模型的复杂度及对先验知识的需求；另一方面引入机理信息来提升数据驱动模型的可解释性与泛化能力，同时通过构建和施加具有物理意义的边界约束使得预测结果保持在物理现实允许的范围内，提升预测结果的可靠性与准确性。此外，该方法利用迁移学习建立源任务与目标任务的映射关联，通过微调预训练模型实现迁移，提升模型的泛化能力。提升模型的泛化能力。提升模型的泛化能力。


技术研发人员：徐占伯 刘亚萍 吴江 刘坤
受保护的技术使用者：西安交通大学
技术研发日：2023.03.31
技术公布日：2023/7/22