买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军国防科技大学

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。

主权项：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；所述的建筑物能耗预测模型的解析表达式如下： C4t＝η2[C2t,C3t] 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η1xt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η1xt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[C2t,C3t]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。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于多尺度卷积循环神经网络的建筑物能耗预测方法