本发明涉及物联网建筑信息，尤其是智能处理与应用的，具体涉及神经网络模型技术在物联网建筑信息中关于能耗分析的应用，特别涉及基于物联网绿色建筑的能耗监测方法及系统。
背景技术：
1、在现阶段，基于物联网的绿色建筑能耗监测系统中，卷积神经网络(cnn)和长短期记忆网络(lstm)等神经网络技术得到了广泛应用。这些技术通过物联网技术采集建筑能耗数据，并利用深度学习模型对数据进行处理和分析，以实现能耗的精准监测和预测。
2、文献runge j，zmeureanu r.a review of deep learning techniques forforecasting energy use in buildings[j].energies，2021，14(3)：608公开了一种卷积神经网络(cnn)在物联网建筑的能耗分析技术，用于处理如温度分布图、光照强度图等二维图像数据，从而识别出影响能耗的关键因素。然而，在直接处理时间序列数据时，cnn的优势相对有限。
3、而文献kim t y，cho s b.predicting residential energy consumption usingcnn-lstm neural networks[j].energy，2019，182(6)：72-81和文献marino d l，amarasinghe k，manic m.building energy load forecasting using deep neuralnetworks[c]//iecon 2016-42nd annual conference of the ieee industrialelectronics society，2016：7046-7051则均公开了使用lstm神经网络物联网建筑的能耗分析技术，本质上存在只能处理序列到序列等长问题的缺陷。
4、即，如果输入序列和输出序列的长度不一致，传统的rnn和lstm模型就难以直接应用。具体来说，传统的rnn和lstm模型在训练时，通常假设输入序列和输出序列具有相同的长度。模型中的每个时间步都会接收一个输入并产生一个输出，这种结构限制了模型处理不等长序列的能力。在现阶段，上述缺陷具象化的表现为：当需要处理输入任意时间段内的所有建筑能耗数据，并预测之后某段时间内所有时刻的建筑能耗数据时，传统的rnn和lstm模型就显得力不从心。因为它们无法直接生成比输入序列更长或更短的输出序列。为了绕过这个问题，有时会对输入或输出序列进行填充或截断操作，但这往往会引入噪声或丢失有用信息，从而导致预测精度的下降。
5、为此，本发明提出基于物联网绿色建筑的能耗监测方法及系统。
技术实现思路
1、有鉴于此，本发明希望提供基于物联网绿色建筑的能耗监测方法及系统，以解决或缓解现有技术中存在的技术问题，即如何解决神经网络在面对物联网建筑信息中关于能耗分析的应用时只能处理序列到序列等长的问题，并对此至少提供一种有益的选择；本发明的技术方案是这样实现的：
2、第一方面，基于物联网绿色建筑的能耗监测方法：
3、(一)概述：
4、本发明旨在将seq2seq模型与双向bi-gru循环神经网络模型相结合，以解决物联网建筑能耗分析中的数据序列不等长问题。通过引入seq2seq模型能够将输入和输出分成编码层和解码层两部分处理，从而支持输入和输出序列不等长的情况。同时，利用双向bi-gru循环神经网络模型的优势，该方案能够同时捕捉时序数据中的正向和反向依赖关系，提高能耗预测的准确性和鲁棒性。具体来说，编码层负责处理输入序列，生成包含所有重要信息的中间向量；解码层则根据这个中间向量和给定的隐藏状态，生成可变长度的输出序列，即未来某段时间内的能耗预测值。这一结合有望为物联网建筑能耗分析提供更有效的解决方案。
5、(二)技术方案：
6、为实现上述技术目标，本发明选择执行如下操作步骤：
7、2.1步骤s1，数据收集与预处理：
8、通过物联网设备(如智能电表、温湿度传感器等)收集建筑能耗的数据集d。
9、然后对收集到的数据集d进行清洗，包括去除异常值和缺失值，确保数据的准确性和完整性。
10、引入kappa一致性检验算法，提取数据集d对能耗预测有用的特征，即历史能耗数据、时间特征(小时、日期或季节)和建筑面积，形成输入序列s。
11、2.1.1步骤s100，数据收集：
12、数据集d包括电力消耗a、用水量b和气体消耗c，以及与这三者对应的外部因素数据，包括天气d和人员流动量e：
13、d＝{(ai,bi,ci,di,ei)|i＝1,2,…,n}；
14、其中，ai表示第i个样本的电力消耗；bi表示第i个样本的用水量；ci表示第i个样本的气体消耗；di表示第i个样本的天气条件；ei表示第i个样本的人员流动量；n是样本总数。
15、2.1.2步骤s101，数据提取：
16、对于每个特征fj∈{a,b,c,d,e,area}，计算其与能耗y的kappa一致性得分。选择得分高于阈值θ的特征作为有用特征，其中area是第i个样本的建筑面积：
17、s1010，将特征fj和能耗都进行离散化处理，然后计算它们之间的交叉表，进而得到kappa得分；
18、s1011，当特征的kappa得分高于预设阈值θ时，认为这个特征对能耗预测是有用的。然后选择所有kappa得分高于阈值θ的特征作为后续模型训练的有用特征；
19、s1012，然后形成输入序列s：
20、s＝(xi,ti,areai)|i＝1,2,…,m；
21、其中，xi＝(ai-τ,ai-τ+1,…,ai-1)，表示第i个输入序列的历史电力消耗数据(滑动窗口)；τ是滑动窗口的大小。ti表示第i个输入序列的时间特征(小时、日期或季节)；areai表示第i个输入序列的建筑面积；m是输入序列的总数，等于或小于n；在实际应用中，y是实际的能耗数据(如电力消耗)，用于计算kappa一致性得分。
22、2.2步骤s2，激活seq2seq-bi-gru循环神经网络模型：
23、该循环神经网络模型包括：seq2seq模型和双向bi-gru循环神经网络模型；其中：使用双向bi-gru作为编码器的组成部分以接收输入序列s，并通过前向和后向两个方向的gru层提取输入序列s中的正向和反向依赖关系；然后将编码层输出的隐藏状态通过eca注意力机制器聚合成一个固定长度的中间向量c输入到解码层中；解码层通过前向和后向两个方向的gru层在每个时间步接收来自上一时间步的隐藏状态和输出，以及中间向量c作为额外的输入，生成可变长度的作为未来某段时间内的能耗预测值的输出序列s’。
24、其中，上述seq2seq-bi-gru循环神经网络模型的层结构包括如下依次连接的：
25、2.2.1编码器(encoder):
26、编码器负责接收输入序列s，通过双向bi-gru网络，能够同时从前向和后向两个方向提取输入序列中的依赖关系，从而捕捉到更全面的特征信息，并将这些信息编码为一系列隐藏状态。
27、(1)使用双向bi-gru接收输入序列s：
28、s＝{(xi,ti,areai)|i＝1,2,…,m}；
29、(2)前向gru层：
30、
31、其中，是编码器的前向gru层的前向隐藏状态，是上一个时间步的编码器的前向gru层的前向隐藏状态。
32、(3)后向gru层：
33、
34、其中，是编码器的后向gru层的后向隐藏状态，是上一个时间步的编码器的后向gru层的后向隐藏状态。
35、(4)将前向和后向的隐藏状态拼接，形成编码器输出hi：
36、
37、2.2.2eca注意力机制器(encoder-decoder attention)：
38、在编码器和解码器之间建立一个桥梁，它通过对编码器输出的隐藏状态进行加权求和，生成一个固定长度的中间向量c。这个中间向量c能够聚焦于输入序列中与当前解码步骤最相关的部分，从而提高解码的准确性和效率。
39、
40、其中，αi是注意力权重，通过计算编码器输出hi与解码层当前隐藏状态的相似度得到。
41、2.2.3解码器(decoder)：
42、负责生成未来某段时间内的能耗预测值，形成输出序列s’。它同样采用双向bi-gru网络，结合中间向量c和上一时间步的隐藏状态和输出，逐步生成预测结果。解码器能够捕捉到输出序列中的时间依赖关系，并生成可变长度的预测序列，以满足不同时间段内的能耗监测需求。
43、使用双向bi-gru作为解码器的组成部分，包括：
44、(1)前向gru层：
45、
46、其中，是解码器的前向gru层的后向隐藏状态，是上一个时间步的解码器的前向gru层的前向隐藏状态，yt是解码器在第t个时间步的输出，yt-1是解码器在上个时间步的输出。
47、(2)后向gru层：
48、
49、其中，是解码器的后向gru层的后向隐藏状态，是上一个时间步的解码器的后向gru层的后向隐藏状态。
50、(3)将前向和后向的隐藏状态拼接，形成解码器输出st：
51、
52、(4)生成输出序列s’：
53、s＝{ytt＝1,2,..,t}；
54、2.3步骤s3，解码：
55、对步骤s2获取的输出序列s’按照时间序列的形式形成能耗矩阵a，以实现建筑的能耗监测。
56、
57、其中，yt是解码器在第t个时间步的输出，表示未来某段时间内的能耗预测值。具体来说，yt视作一个多维向量，表示不同能耗指标或不同区域的预测值。
58、2.4模型训练：
59、虽然上述步骤s2使用了seq2seq-bi-gru循环神经网络模型，但是该模型仍需训练方可部署。训练步骤包括：
60、p1、收集并划分历史数据集d’：
61、按照步骤s1的形式，从历史数据中收集数据并形成数据集d’，然后将预处理后的数据集划分为训练集dtrain和测试集dtest；
62、p2、设置训练参数：
63、包括学习率、批处理大小、迭代次数和adam优化器。
64、p3、训练模型：
65、使用训练集dtrain对模型进行训练，通过反向传播算法更新模型参数，以最小化预测值与实际值之间的均方误差mse，并根据需要进行参数调优和模型结构调整。
66、p4、模型评估与部署：
67、重复前向传播、损失计算和反向传播，不断迭代训练过程，直到满足停止条件(达到最大迭代次数或损失函数值小于阈值)。
68、(三)解决技术问题的机制：
69、3.1seq2seq模型的引入：
70、seq2seq模型的核心在于其编码-解码结构。编码层接收不等长的输入序列(如历史能耗数据及其相关特征)，通过双向bi-gru循环神经网络进行处理。双向bi-gru能够同时捕捉序列中的正向和反向依赖关系，提取出更加全面和深入的特征信息。编码层的输出是一个固定长度的中间向量c，这个向量浓缩了输入序列的所有重要信息。
71、解码层在给定隐藏状态和中间向量c的条件下，生成可变长度的输出序列。这相当于无论输入序列的长度如何变化，输出序列的长度都可以根据实际需求进行调整，从而解决了序列到序列等长的问题。解码层同样采用gru或类似的循环神经网络结构，以保证生成序列的连续性和相关性。
72、3.2双向bi-gru循环神经网络的优势：
73、双向bi-gru结合了前向和后向两个方向的gru层，能够同时捕捉序列中的正向和反向依赖关系。这对于能耗分析来说尤为重要，因为能耗数据往往受到多种因素的共同影响，这些因素可能在不同的时间点上对能耗产生作用。通过捕捉这些复杂的依赖关系，模型能够更准确地预测未来的能耗情况。
74、相比传统的rnn模型或lstm模型，双向bi-gru通过引入门控机制(如更新门和重置门)有效地缓解了梯度消失或爆炸的问题，尤其是传统单一seq2seq模型的内部神经元是循环神经网络rnn，容易发生梯度消失和梯度爆炸的问题也得以解决，使得模型能够更好地处理长序列数据。这对于能耗分析来说同样具有重要意义，因为能耗数据往往涉及较长的时间跨度。
75、3.2整体机制原理：
76、当面对物联网建筑信息中关于能耗分析的任务时，本发明首先通过数据收集与预处理步骤获取到完整且准确的数据集。然后，利用seq2seq模型的编码-解码结构对输入序列进行编码和解码处理。在编码阶段，双向bi-gru循环神经网络提取输入序列的重要特征信息并生成中间向量c；在解码阶段，模型根据中间向量c和给定的隐藏状态生成可变长度的输出序列作为能耗预测结果。通过这种方式，本发明成功解决了神经网络在面对序列到序列等长问题时的局限性，为物联网建筑能耗分析提供了更加灵活和有效的解决方案。
77、第二方面，基于物联网绿色建筑的能耗监测系统：
78、如图2所示，所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如上述的能耗监测方法，所述处理器连接有：
79、(1)负责通过物联网设备数据收集建筑能耗数据的收集与预处理模块：负责通过物联网设备(如智能电表、温湿度传感器等)收集建筑能耗数据，包括电力消耗、用水量、气体消耗等，以及与之相关的外部因素数据(如天气、人员流动量等)。收集到的数据需经过清洗处理，去除异常值和缺失值，确保数据的准确性和完整性。此外，该模块还需进行特征提取，筛选出对能耗预测有用的特征，形成输入序列s。其关键技术包括：
80、1.1)数据清洗：通过统计学方法识别并处理异常值和缺失值。
81、1.2)特征提取：利用相关性分析、主成分分析等方法提取关键特征。
82、(2)负责构建seq2seq-bi-gru循环神经网络模型的seq2seq-bi-gru模型构建模块：由编码器和解码器两部分组成，编码器采用双向bi-gru循环神经网络，能够同时捕捉序列中的正向和反向依赖关系；解码器则基于编码器的输出生成可变长度的输出序列，即未来某段时间内的能耗预测值。其关键技术包括：
83、2.1)seq2seq模型：实现输入序列到输出序列的不等长映射。
84、2.2)双向bi-gru：增强模型对序列数据的处理能力，捕捉更全面的依赖关系。
85、2.3)注意力机制：在解码过程中引入注意力机制，使模型能够更精准地关注输入序列中的关键部分。
86、(3)负责使用预处理后的数据集对seq2seq-bi-gru模型进行训练的模型训练模块：训练过程中，通过反向传播算法更新模型参数，以最小化预测值与实际值之间的误差。同时，还需进行参数调优和模型结构调整，以提高模型的预测性能。其关键技术包括：
87、3.1)反向传播算法：用于模型参数的更新。
88、3.2)损失函数：即均方误差mse，用于衡量预测值与实际值之间的差异。
89、3.3)adam优化器：用于加速模型的训练过程。
90、(4)负责对模型进行评估和部署的模型评估与部署模块：评估阶段使用测试集对模型的预测性能进行测试，计算相关性能指标(mae)。若模型性能满足要求，则进行部署，使其能够在实际的生产环境中运行。其关键技术包括：
91、4.1)性能评估指标：用于量化模型的预测性能。
92、4.2)模型部署技术：将训练好的模型部署到实际的应用场景中。
93、与现有技术相比，本发明的有益效果是：
94、一、解决了序列不等长问题：本发明通过引入seq2seq模型，本发明成功打破了传统神经网络在处理序列数据时输入和输出必须等长的限制。使得模型能够更灵活地应用于实际场景中，尤其是物联网建筑能耗分析领域，解决输入的历史能耗数据序列和输出的未来能耗预测序列往往长度不一的技术问题。
95、二、提高了预测准确性：本发明结合了双向bi-gru循环神经网络，能够同时捕捉时序数据中的正向和反向依赖关系。这种全面的特征提取方式使得模型能够更准确地捕捉到能耗数据中的复杂模式，从而提高预测的准确性。
96、三、增强了模型的鲁棒性：由于本发明能够处理不等长的序列数据，并且能够有效地捕捉时序数据中的依赖关系，因此它在面对缺失数据、异常数据或数据波动等实际情况时表现出更强的鲁棒性。使得模型在实际应用中更加稳定可靠。
1.基于物联网绿色建筑的能耗监测方法，包括通过物联网设备收集建筑能耗的数据集d，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的能耗监测方法，其特征在于：在所述s1中，所述数据集d包括电力消耗a、用水量b和气体消耗c，以及与这三者对应的外部因素数据，包括天气d和人员流动量e：
3.根据权利要求2所述的能耗监测方法，其特征在于：在所述s1中，所述提取的方法为kappa一致性检验算法，方法为：
4.根据权利要求1所述的能耗监测方法，其特征在于：所述seq2seq-bi-gru循环神经网络模型的架构包括如下依次连接的：
5.根据权利要求4所述的能耗监测方法，其特征在于：所述编码器包括：
6.根据权利要求4所述的能耗监测方法，其特征在于：所述eca注意力机制器中：
7.根据权利要求4所述的能耗监测方法，其特征在于：所述解码器包括：
8.根据权利要求7所述的能耗监测方法，其特征在于：所述输出序列s’的计算方法为：s′＝{yt|t＝1,2,…,t}。
9.根据权利要求1所述的能耗监测方法，其特征在于：在所述s3中，所述能耗矩阵a为：
10.基于物联网绿色建筑的能耗监测系统，其特征在于：所述系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任意一项所述的能耗监测方法，所述处理器连接有，
