技术摘要：
本发明公开了一种基于三重融合卷积GRU的建筑物能耗预测方法，包括以下步骤：构建三重融合卷积GRU模型，包括第一融合层、第二融合层和输出层，依次顺序串联，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层；利用训练集数  全部
背景技术：
能源消耗问题成为了社会普遍关注的重要问题之一。其中，建筑耗电量占社会总 耗电量的比例超过50％，对某个建筑物或者家庭的耗电量预测问题是其中的关键问题之 一，引起了广大人员的关注。例如研究表明，在英国，由于对电脑不必要的待机和不关机行 为导致了20-30％的耗电浪费。在中国，尤其是在公共服务大楼以及大学研究机房，不合理 的电器使用导致了大量的能源浪费。对未来用电量的预测可以对电源的异常使用提供预 警，同时还能够为电量供应部门的供电策略与调度提供决策支持，具有重大意义。 目前对于能源消耗的预测精度仍然不够。传统的机器学习方法例如线性回归、支 持向量回归SVR、随机森林、XGBBoost以及集成学习等方法能够对能源的消耗进行预测，但 是由于影响能源消耗的因素较多，关系较为复杂，传统机器学习方法难以捕捉到长时依赖 关系，并且各个因素之间的时序重要性也没有很好的获取。而近来有学者采用深度学习的 方法(RNN、LSTM、GRU、Bi-LSTM、Bi-LSTM等)对能源消耗进行预测，取得了较好效果。然而无 论是传统的机器学习方法以及近年来比较流行的深度学习方法，都没有从时序上去捕捉各 个要素之间的关联特征，预测精度不够理想。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于三重融合卷积GRU的建筑物能耗预测 方法，通过卷积的方式将两个双向循环GRU进行连接，使得对建筑物能耗的预测有更高的精 度和更好的性能。 基于上述目的，提出一种基于三重融合卷积GRU的建筑物能耗预测方法，包括以下 步骤： 步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合 层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融 合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述 全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依 次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双 向结构，所述的双向结构的GRU模型输出两个合并的GRU信号； 步骤2，利用训练集数据，对所述的三重融合卷积GRU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建筑物能耗数据； 所述的影响因素数据包括建筑物内各房间的温度和湿度、外部气压、外部湿度、外 部风速、可见度和历史建筑物能源消耗； 步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得建筑物能 4 CN 111582588 A 说　明　书 2/6 页 耗的预测值。 具体地，第一卷积层接受序列数据的输入，其输出为 xt表示输入的序 列数据，η1( )表示第一卷积层的卷积函数， 同时作为第一双向GRU层和第二双向GRU层的 输入， 为第一双向GRU层的输出， 表示将第一双向GRU层中正向GRU的输出 与第一双向GRU层中反向GRU输出 进行合并，第一融合层的输出为 是对第一双 向GRU层的输出乘以权重向量 并加上偏移向量 的结果， 将 与η1(xt)的输出 进行合并成 作为第二层卷积层的输入； 是第二卷积层的 输出， 卷积函数η2中包含了一个全连接操作Dense( )，将 进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出 为 是对第二双向GRU层的输出乘以权重向量 并加上偏移向 量 的结果， 表示将第二双向GRU层中正向GRU的输出 与第一双向GRU层中反 向GRU输出 进行合并；将 与 进行合并，作为第三卷积层的输入，第三卷积层的输出为 卷积函数η3中还包含了一个全连接操作Dense( )； 第三卷积层通过全连接输出层得到输出Ot， Ot为一个具体值，代表一定 时间后的建筑物能耗预测值，其中， 和 为各部分的权重向量， 和 为各部分的偏移向量。。 进一步地，所述第一双向GRU层中正向GRU模型的输出 反向GRU模型的输出 对正向GRU模型和反向GRU模型的输出的聚 合操作，得到输出 表示将 与 进行合并连接，作为所述的第一双 向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出 反 向GRU模型的输出 对正向GRU模型和反向GRU模型的输出的聚合 操作，得到输出 表示将 与 进行合并连接，作为所述的第二双向 GRU层的输出，其中z1t、 为第一双向GRU层中正向GRU模型的中间值，z2t、 为第一双向 GRU层中反向GRU模型的中间值，z3t、 为第二双向GRU层中正向GRU模型的中间值，z4t、 为第二双向GRU层中反向GRU模型的中间值。 进一步地，所述的卷积层均为1维卷积网络。 本发明方法中的三重融合卷积GRU模型是改进的GRU模型，通过三个一维卷积网络 5 CN 111582588 A 说　明　书 3/6 页 将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用 融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性 和准确度，使得对建筑物能源消耗预测有较好的精度和效果。 附图说明 图1为本发明方法的流程示意图； 图2为本发明方法中三重卷积融合GRU模型的结构图； 图3为发明实施例中GRU的结构图； 图4为本发明实施例中双向GRU层的结构示意图； 图5为本发明实施例中1维卷积网络的结构示意图。