公开(公告)号：CN112711791A

公开(公告)日：2021-04-27

申请号：CN202110008719.X

申请日：2021-01-05

Applicant: 浙江大学

Inventor： 章超波 ,  李俊阳 ,  赵阳 ,  李婷婷 ,  张学军

IPC: G06F30/13 ,  G06F30/27 ,  G06Q10/04 ,  G06Q50/08 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04 ,  G06F111/08

Abstract: 本发明提出了一种基于神经网络弹性权重固化的建筑用能负荷实时预测方法，包括神经网络模型离线训练和神经网络模型实时微调两个步骤。模型离线训练步骤包含六个子步骤，依次为建筑用能负荷历史数据获取、数据预处理、模型输入选择、模型超参数寻优、模型参数训练和参数重要性计算。模型实时微调步骤包含六个子步骤，依次为建筑用能负荷实时数据获取、数据预处理、保持模型输入一致、保持模型超参数一致、使用弹性权重固化对模型进行微调和参数重要性更新。特别地，模型微调以滑动窗的形式定期进行，从而保证模型能适应建筑用能规律的变化。该方法通过使用弹性权重固化技术对神经网络模型进行定期微调，从而实现准确可靠的建筑用能负荷实时预测。

公开(公告)号：CN112711791B

公开(公告)日：2022-04-19

申请号：CN202110008719.X

申请日：2021-01-05

Applicant: 浙江大学

Inventor： 章超波 ,  李俊阳 ,  赵阳 ,  李婷婷 ,  张学军

IPC: G06F30/13 ,  G06F30/27 ,  G06Q10/04 ,  G06Q50/08 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04 ,  G06F111/08

Abstract: 本发明提出了一种基于神经网络弹性权重固化的建筑用能负荷实时预测方法，包括神经网络模型离线训练和神经网络模型实时微调两个步骤。模型离线训练步骤包含六个子步骤，依次为建筑用能负荷历史数据获取、数据预处理、模型输入选择、模型超参数寻优、模型参数训练和参数重要性计算。模型实时微调步骤包含六个子步骤，依次为建筑用能负荷实时数据获取、数据预处理、保持模型输入一致、保持模型超参数一致、使用弹性权重固化对模型进行微调和参数重要性更新。特别地，模型微调以滑动窗的形式定期进行，从而保证模型能适应建筑用能规律的变化。该方法通过使用弹性权重固化技术对神经网络模型进行定期微调，从而实现准确可靠的建筑用能负荷实时预测。