本发明公开了一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统，该方法通过分布在不同区位的神经网络模型分别训练对应区位楼宇空间单元冷负荷预测模型权重并计算对应区位空调负荷预测值与单位空调负荷预测值；获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位模型，将归为一类的模型利用横向联邦学习方法聚合权值；利用纵向联邦学习方法将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；根据聚合的不同区位的模型权值更新对应区位的神经网络模型。本发明方法具有较强的泛化性，加速网络训练效率，降低实现空调负荷预测功能所需的通信成本。
1.一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，包括：S1：获取楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；
S2：根据S1获取的数据，通过分布在不同区位的神经网络模型分别训练出对应区位的楼宇空间单元冷负荷预测模型权重并计算出对应区位空调负荷预测值与对应区位单位空调负荷预测值；
S3：获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；所述有聚合价值的区位的判断方法为：当计算出的部署在不同区位的神经网络模型的权值更新值满足以下公式时，则认为有聚合价值：t
其中，w为区位第t次迭代更新的权值， 为区位第t次迭代更新的权值梯度，mh为用来拟合的历史权值的个数，mh取值大于5，m为区位总数量，α为学习率，α取(0,1]之间一常数；
其中， 为第j个区位的第t次迭代的权值向量，h为用来判别关联性的历史权值的个数，h取值大于10；
将以上公式遍历mv‑1遍形成不同区位权值之间关联度的方阵，mv为有聚合价值的区位数量，将方阵中高于一关联性阈值的区位权值归为一类模型权值；
判断为同一类模型后，采用下式方法将同一类模型权值聚合：
其中， 为第t轮迭代后聚合的权值，ms为属于同一类模型的区位数量；
S4：利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；所述回归预测模型建立方法包括以下步骤：步骤S41：对于来自不同模型的空调冷负荷预测数据，将其看作是楼宇总空调冷负荷的多元回归自变量，建立两者的多元线性回归模型：其中，βl为第l类区位预测值的回归系数，xl为第l类区位的空调负荷预测值之和，β0为回归模型的常数项系数，ε为噪声项，N为一种高斯分布，σ为白噪声的标准差，mk为不同种类区位数量，y为楼宇的实际总空调负荷；
其中， 为第l1轮楼宇的实际总空调负荷ml为用来确定回归系数的每个区位的历史空调负荷预测值之和的数据个数， 为第l类区位第l1轮空调负荷预测值之和；
S5：根据聚合的不同区位的模型权值更新对应区位的神经网络模型。
2.根据权利要求1所述的一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，分别将从不同区位获取的数据进行预处理，处理为可直接输入到神经网络模型的输入数据；所述预处理过程为剔除采样错误数据，取采样点的平均数值作为预测周期的代表值，之后通过归一化方法将采样数据无量纲化；剔除采样错误数据的方法为：首先每分钟采集一个数据点，获取1小时采样周期内采样数据的统计量F：其中si为第i次采样点， 为采样点的均值， 为第i次采样点的回归拟合值，该回归拟合值由一次函数的回归方程获得，通过最小二乘法计算回归方程参数；
获取统计量F后判断其与Fα(1,58)的大小，Fα(1,58)表示自由度为1、数据点为60的拒绝域的临界值，当F＞Fα(1,58)时，则无需剔除数据，当F≤Fα(1,58)时，则剔除采样点中与采样点回归拟合值差值最大的点，再进行如上判断；
3.根据权利要求1所述的一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，所述神经网络模型的结构为BP神经网络结构，通过粒子群优化的方式更新BP神经网络的权值；粒子适应度V采取如下公式计算：其中，n2为采样点类别数，yi为第i个时序单元冷负荷的真实值，oi为第i个时序单元冷负荷的预测值；
其中， 分别为第t次迭代第i个粒子的速度和位置，u为惯性权值，c1与c2为加速因t子，c3为扰动系数，c3取(0,1)之间一常数，Pi 为第t次迭代第i个粒子的极值， 为第t次迭代中总粒子的极值， r1与r2为介于(0,1)之间的随机数。
4.根据权利要求1所述的一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，当进行多轮迭代后，如果 出现不收敛的情况时，聚合方法切换为：其中，λ为速度常数，取(0,1)之间一常数。
5.一种基于联邦学习的楼宇空间单元冷负荷预测系统，其特征在于，包括：数据采集模块，采集楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；
边缘计算模块，接收并处理对应区位采集的数据，通过该区位的神经网络模型训练出该区位的楼宇空间单元冷负荷预测模型权重并计算该区位空调负荷预测值与该区位单位空调负荷预测值；并判断本轮区位的模型权重是否有上传到云端计算模块的聚合价值；判断区位聚合价值的过程如下：当计算出的部署在不同区位的神经网络模型的权值更新值满足以下公式时，则认为有聚合价值：t
其中，w为区位第t次迭代更新的权值， 为区位第t次迭代更新的权值梯度，mh为用来拟合的历史权值的个数，mh取值大于5，m为区位总数量，α为学习率，α取(0,1]之间一常数；
云端计算模块，接收并处理由楼宇不同区位边缘计算模块发送的权值、负荷预测值和单位负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；将聚合的不同区位的模型权值回传到不同区位的边缘计算模块；
其中， 为第j个区位的第t次迭代的权值向量，h为用来判别关联性的历史权值的个数，h取值大于10；
将以上公式遍历mv‑1遍形成不同区位权值之间关联度的方阵，mv为有聚合价值的区位数量，将方阵中高于一关联性阈值的区位权值归为一类模型权值；
判断为同一类模型后，采用下式方法将同一类模型权值聚合：
其中， 为第t轮迭代后聚合的权值，ms为属于同一类模型的区位数量；
对于来自不同模型的空调冷负荷预测数据，将其看作是楼宇总空调冷负荷的多元回归自变量，建立两者的多元线性回归模型：其中，βl为第l类区位预测值的回归系数，xl为第l类区位的空调负荷预测值之和，β0为回归模型的常数项系数，ε为噪声项，N为一种高斯分布，σ为白噪声的标准差，mk为不同种类区位数量，y为楼宇的实际总空调负荷；
其中， 为第l1轮楼宇的实际总空调负荷ml为用来确定回归系数的每个区位的历史空调负荷预测值之和的数据个数， 为第l类区位第l1轮空调负荷预测值之和；
楼宇每个区位对应一个边缘计算模块，每个边缘计算模块连接有多个数据采集模块，多个边缘计算模块与一个云端计算模块相连。
6.根据权利要求5所述的一种基于联邦学习的楼宇空间单元冷负荷预测系统，其特征在于：某一区位的多个数据采集模块采集到数据并转换为数字量后，向边缘计算模块发送模型输入源数据，边缘计算模块在接收到由数据采集模块发送的数据后，对接收的数据进行预处理，并进行训练或预测，边缘计算模块处理完数据后，由云端计算模块聚合不同区位的处理结果，并将聚合后的信息反向发送给边缘计算模块。
7.根据权利要求5所述的一种基于联邦学习的楼宇空间单元冷负荷预测系统，其特征在于：所述边缘计算模块包含数据预处理单元、神经网络模型和权值上传判断单元；当边缘计算模块接收到由数据采集模块发送的源数据后，将数据进行预处理，预处理后的数据作为神经网络模型的输入数据，进而对该神经网络参数寻优；经权值上传判断单元聚合价值判断处理后，边缘计算模块将有聚合价值的网络权值与负荷预测值发送到云端计算模块，并接收由云端计算模块反向发送的权值调整数据。
8.根据权利要求5所述的一种基于联邦学习的楼宇空间单元冷负荷预测系统，其特征在于：所述云端计算模块包含模型相似度判别单元、模型聚合单元和多元回归模型；当云端计算模块接收到由边缘计算模块发送的数据后，根据接收的更新权值判别相同类别预测模型的区位，针对同一类预测模型，利用横向联邦学习方法将更新权值聚合并将聚合后的权值反向发送到边缘计算单元；针对不同类预测模型的负荷预测值，通过建立回归预测模型，确定不同区位模型预测值对于总空调负荷的贡献度，云端计算模块计算得到总空调负荷后，获取总建筑面积并计算楼宇空间单元冷负荷预测值。
一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
技术领域
[0001] 本发明涉及分布式空调负荷预测技术，尤其涉及一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统。
背景技术
[0002] 近年来，随着国内环保意识的逐渐加强，环保节能一直是企业乃至社会大环境追求的目标。我国在建筑方面的总能耗占据社会总能耗的30％，而暖通设备产生的能耗占建筑能耗的60％以上，因此通过优化暖通设备的运行负荷曲线来降低不必要的能耗可以在可观的程度上节约资源。对于运用冰蓄冷技术空调设备的企业来说，通过在电价较低时蓄冷取代在电价峰值时从电网获取电能的方法可以为企业节约可观的成本。
[0003] 但为实现空调机组的优化运行，控制机构及时响应优化策略，需要提前对负荷需求进行准确地预测，进而保障空调设备的安全平稳运行。近年来，常用的空调负荷预测方法有如下几种：时间序列分析法、多元回归分析法和人工神经网络。时间序列分析法对于平稳楼宇空间单元冷负荷的预测效果较好，且计算简单，但针对因非时间因素对负荷大小产生影响的情况时，预测效果下降。多元回归分析法虽然可以将非时间因素考虑进去，但是模型泛化性较低，不同类型建筑物适用效果不同。人工神经网络是一新兴的预测方法，其泛化性强，并且当给予充足的样本时可以达到很高的预测精度，不过该方法运行速度较前两者慢，容易出现因预测速度不足导致不能够满足实时控制的问题，因此还需根据硬件计算单元改进常规的人工神经网络预测方法。
[0004] 现今，绝大多数的大型楼宇都通过中央暖通设备调节温度，因此在获取楼宇的负荷预测的源数据时需要尽可能分散且均匀地布置传感器，如果传感器采集到的数据都通过通信的方式向预测单元传输时会产生一定的通信压力，并且布置如此多的通信设施成本较大。为了解决通信的开销问题，需要采用云边协同技术，由一边缘计算设备收集周围传感器的数据并进行运算，再将运算结果传输到云端计算设备，通过联邦学习技术优化人工神经网络的预测方法。
[0005] 现有的一些空调负荷预测的实施方案中，大多数倾向于利用神经网络或者支持向量机预测，但都为单机计算，在规模越来越大的建筑发展趋势下，通信成本越来越高，因此需要一种联邦学习与云边协同技术完成空调负荷的预测。
发明内容
[0006] 本发明的目的在于针对现有技术的不足，提供一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统。
[0007] 本发明的目的是通过以下技术方案实现的：
[0008] 第一方面，本发明提供一种基于联邦学习的楼宇空间单元冷负荷预测方法，包括：
[0009] 步骤S1：获取楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；
[0010] 步骤S2：根据S1获取的数据，通过分布在不同区位的神经网络模型分别训练出对应区位的楼宇空间单元冷负荷预测模型权重并计算出对应区位空调负荷预测值与对应区位单位空调负荷预测值；
[0011] 步骤S3：获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；
[0012] 步骤S4：利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；
[0013] 步骤S5：根据聚合的不同区位的模型权值更新对应区位的神经网络模型。
[0014] 进一步地，获取楼宇不同区位与预测楼宇空间单元冷负荷相关的数据为当前预测时刻T的室外空气温度、上一个时刻T‑1的室外空气温度、当前时刻T室内人流量、上一个时刻T‑1室内人流量、当前时刻T太阳辐射强度、上一个时刻T‑1太阳辐射强度、当前时刻T相对湿度、当前时刻T的单元空调冷负荷、上一个时刻T‑1的单元空调冷负荷、两个时刻前T‑2的空调冷负荷和前一日期同时刻T‑24的空调冷负荷。
[0015] 进一步地，上述T时刻为预测时刻，上述预测步长周期为1小时，一个预测周期内获取60次采样值，通过以上数据源预测T时刻的空调冷负荷，进而求得空间单元冷负荷。
[0016] 进一步地，所述步骤S2中，分别将从不同区位获取的数据进行预处理，处理为可直接输入到神经网络模型的输入数据；数据预处理方法具体包括以下步骤：
[0017] 步骤S21：剔除采样错误数据。
[0018] 首先每分钟采集一个数据点，获取1小时采样周期内采样数据的统计量F：
[0019]
[0020] 其中si为第i次采样点， 为采样点的均值， 为第i次采样点的回归拟合值，该回归拟合值由一次函数的回归方程获得，通过最小二乘法计算回归方程参数。
[0021] 随后获取统计量后判断其与Fα(1，58)的大小，Fα(1，58)表示自由度为1、数据点为60的拒绝域的临界值，当F＞Fα(1，58)时，则无需剔除数据，当F≤Fα(1，58)时，则剔除采样点中与采样点拟合值差值最大的点，再进行如上判断。
[0022] 步骤S22：取采样值预测周期内的平均数值作为当前预测周期的代表值。
[0023] 步骤S23：通过公式 归一化方法将采样数据无量纲化。
[0024] 其中n1为剔除采样错误数据后采样点的数量。
[0025] 进一步地，所述步骤S2中的神经网络模型的结构为BP神经网络结构，通过粒子群优化的方式更新BP神经网络的权值，粒子适应度V采取如下公式计算：
[0026]
[0027] 其中，n2为采样点类别数，yi为第i个时序单元冷负荷的真实值，oi为第i个时序单元冷负荷的预测值。
[0028] 粒子的速度与位置更新公式为：
[0029]
[0030]
[0031] 其中， 分别为第t次迭代第i个粒子的速度和位置，u为惯性权值，c1与c2为加速因子，c3为扰动系数，c3通常取(0，1)之间一常数， 为第t次迭代第i个粒子的极值， 为第t次迭代中总粒子的极值， 为第t次迭代第i个粒子的位置，r1与r2为介于(0，1)之间的随机数。
[0032] 进一步地，所述步骤S3中的有聚合价值的区域的判断方法为：
[0033] 当计算出的部署在不同区位的神经网络的权重更新值满足以下公式时则认为有聚合价值：
[0034]
[0035]
[0036]t
[0037] 其中，w 为区位第t次迭代更新的权值， 为区位第t次迭代更新的权值梯度，mh为用来拟合的历史权值的个数，mh取值大于5，m为区位总数量，α为一学习率，α通常取(0，1]之间一常数。
[0038] 进一步地，所述步骤S3中的不同区域的模型判断与归类方法包含以下步骤：
[0039] 步骤S31：将来自不同区位的权值的历史值按照时序进行排列：
[0040]
[0041] 其中， 为第j个区位的第t次迭代的权值向量，h为用来判别关联性的历史权值的个数，h取值大于10。
[0042] 步骤S32：将权值归一化：
[0043]
[0044] 步骤S33：针对被比较区位网络权值产生求差序列：
[0045]
[0046] 其中 为被比较区位o的归一化权值向量。
[0047] 步骤S34：判断与被比较区位网络权重的关联度：
[0048]
[0049] 步骤S35：将以上步骤S31‑S34遍历mv‑1遍形成不同区位权值之间关联度的方阵，mv为有聚合价值的区位数量，将方阵中高于一关联性阈值的区位权值归为一类模型权值。
[0050] 进一步地，所述步骤S3中的横向联邦学习的方法如下式：
[0051]
[0052] 其中， 为第t轮迭代后聚合的权值，ms为属于同一类模型的区位数量。
[0053] 进一步地，当进行多轮迭代后，如果 出现不收敛的情况时，聚合方法切换为：
[0054]
[0055] 其中，λ为一速度常数，通常取(0，1)之间一常数。
[0056] 进一步地，所述步骤S4中的回归预测模型建立方法包括以下步骤：
[0057] 步骤S41：对于来自不同模型的空调冷负荷预测数据，将其看作是楼宇总空调冷负荷的多元回归自变量，建立两者的多元线性回归模型：
[0058]
[0059] 其中，βl为第l类区位预测值的回归系数，xl为第l类区位的空调负荷预测值之和，β0为回归模型的常数项系数，ε为噪声项，N为一种高斯分布，σ为白噪声的标准差，mk为不同种类区位数量，y为楼宇的实际总空调负荷。
[0060] 步骤S42：求取回归系数，公式如下：
[0061]
[0062] 其中，m1为用来确定回归系数的每个区位的历史空调负荷预测值之和的数据个数， 为第l类区位第l1轮空调负荷预测值之和。
[0063] 进一步地，所述步骤S4中预测方法为：获取不同区位的空调负荷预测值后，经回归预测模型计算出整栋楼宇的空调预测负荷，获取整栋楼宇的室内建筑面积，整栋楼宇的空调预测负荷与室内建筑面积之比即为楼宇空间单元冷负荷预测值。
[0064] 进一步地，所述步骤S5中的更新不同区域对应的神经网络模型的方法为：将聚合的不同区位的模型权值替换对应区位的神经网络权值。
[0065] 进一步地，以上模型在预测前需要通过历史采样数据进行训练，随后再通过实时性采样数据进一步修正预测模型的参数并实时预测。
[0066] 第二方面，本发明提供一种基于联邦学习的楼宇空间单元冷负荷预测系统，包括数据采集模块、边缘计算模块和云端计算模块；楼宇每个区位对应一个边缘计算模块，每个边缘计算模块连接有多个数据采集模块，多个边缘计算模块与一个云端计算模块相连。
[0067] 数据采集模块，采集楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；
[0068] 边缘计算模块，接收并处理对应区位采集的数据，通过该区位的神经网络模型训练出该区位的楼宇空间单元冷负荷预测模型权重并计算该区位空调负荷预测值与对应区位单位空调负荷预测值；并判断本轮区位的模型权重是否有上传到云端计算模块的聚合价值；
[0069] 云端计算模块，接收并处理由楼宇不同区位边缘计算模块发送的权值、负荷预测值和单位负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；将聚合的不同区位的模型权值回传到不同区位的边缘计算模块。
[0070] 云端计算模块获取不同区位的边缘计算模块的训练结果并回传模型训练参数，以此减少通信设施及数据传输的成本，提高模型计算速度，保证实时做出相应的控制策略并执行。
[0071] 进一步地，某一区位的多个数据采集模块采集到数据并转换为数字量后，向边缘计算模块发送模型输入源数据，边缘计算模块在接收到由数据采集模块发送的数据后，对接收的数据进行预处理，并进行训练或预测，边缘计算模块处理完数据后，由云端计算模块聚合不同区位的处理结果，并将聚合后的信息反向发送给边缘计算模块。
[0072] 进一步地，数据采集模块采集与预测空调冷负荷相关联的数据。数据采集模块每分钟采集一次室外空气温度、室内人流量、太阳辐射强度、相对湿度和空调冷负荷。一个区位的数据采集模块的室外空气温度采集单元、太阳辐射强度采集单元、相对湿度采集单元在该区位内均匀分布，采集同一区域内不同位置的数据，室内人流量采集单元统计该区位内人流量，空调冷负荷采集单元采集本区位消耗的空调冷负荷。数据采集完成后，数据采集模块将其转换为数字量并传输到对应区位的边缘计算模块。
[0073] 进一步地，边缘计算模块接收并处理对应区位采集的数据并进行预测。边缘计算模块包含数据预处理单元、神经网络模型和权值上传判断单元。当边缘计算模块接收到由数据采集模块发送的源数据后，将数据进行预处理，预处理后的数据作为神经网络模型的输入数据，进而对该神经网络参数寻优。经权值上传判断单元聚合价值判断处理后，边缘计算模块将有聚合价值的网络权值与负荷预测值发送到云端计算模块，并接收由云端计算模块反向发送的权值调整数据。
[0074] 进一步地，云端计算模块包含模型相似度判别单元、模型聚合单元和多元回归模型。当云端计算模块接收到由边缘计算模块发送的数据后，根据接收的更新权值判别相同类别预测模型的区位，针对同一类预测模型，利用横向联邦学习方法将更新权值聚合并将聚合后的权值反向发送到边缘计算单元。针对不同类预测模型的负荷预测值，通过建立回归预测模型，确定不同区位模型预测值对于总空调负荷的贡献度，云端计算模块计算得到总空调负荷后，获取总建筑面积并计算楼宇空间单元冷负荷预测值。
[0075] 进一步地，所述基于联邦学习的楼宇空间单元冷负荷预测系统首先根据历史数据确定所有预测模型的参数，进而随暖通系统运行进行实时参数调整并实时预测楼宇空间单元冷负荷。
[0076] 进一步地，所述边缘计算模块按照每小时的采样数据计算一次，数据采集单元完成60次数据采集后将采集数据发送给边缘计算模块，当边缘计算模块每计算k次后，将优化后权值与预测值传送到云端计算模块，云端计算模块聚合权值数据后向边缘计算模块返回聚合后的权值。
[0077] 进一步地，上述单个边缘计算模块负责一个区位的数据处理，需要预测单位冷负荷的楼宇被划分为多个典型区位，当选取的区位与区位之间的差异较大时即被认定为选取了典型区位，所选取的区位可以不覆盖整栋楼宇。
[0078] 进一步地，所述温度采集单元为温度传感器。
[0079] 进一步地，所述太阳辐射采集单元为光敏传感器。
[0080] 进一步地，所述相对湿度采集单元为湿度传感器。
[0081] 进一步地，所述室内人流量采集单元为一红外线传感器，该传感器布置在人员进出对应区位的通道口，通过计算被遮挡的次数与时间获取人流量。
[0082] 进一步地，所述空调冷负荷采集单元为温度传感器与风速检测仪。通过获取室内温度与该区位空调出风口的温度差、风口横截面积与风速获取空调冷负荷。
[0083] 进一步地，所述边缘计算模块为MCU，所述云端计算模块为MCU。
[0084] 综上所述，本发明具有以下有益效果：
[0085] 本发明提供的一种基于联邦学习的楼宇空间单元冷负荷预测方法考虑了楼宇不同区位预测模型的差异问题，通过神经网络识别不同区位的模型，通过多元回归模型寻找不同类型的网络模型输出对总负荷的贡献度，与单一网络预测相比提高了预测速度，且该方法泛化性较强。通过联邦学习机制提高了神经网络训练效率，降低了通信成本，并在训练时发现收敛异常状况出现时，调整训练方法加强收敛的稳定性。
[0086] 本发明提供的一种基于联邦学习的楼宇空间单元冷负荷预测系统，减轻了传感设备与计算单元通信的压力。通过云边协同计算的架构增强了预测过程的实时性。只需挑选典型区位布置数据采集模块与边缘计算模块，节省了硬件成本。
附图说明
[0087] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0088] 图1为本发明实施例中的系统框架图；
[0089] 图2为本发明实施例中的方法流程图。
具体实施方式
[0090] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，所描述的实施例仅仅是本发明一部分实施例，而不是全部的施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0091] 如图1所示，本发明实施例提供的一种基于联邦学习的楼宇空间单元冷负荷预测系统，包括数据采集模块、边缘计算模块和云端计算模块。
[0092] 数据采集模块，采集楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；
[0093] 边缘计算模块，接收并处理对应区位采集的数据，通过该区位的神经网络模型训练出该区位的楼宇空间单元冷负荷预测模型权重并计算该区位空调负荷预测值与对应区位单位空调负荷预测值；并判断本轮区位的模型权重是否有上传到云端计算模块的聚合价值；
[0094] 云端计算模块，接收并处理由楼宇不同区位边缘计算模块发送的权值、负荷预测值和单位负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；将聚合的不同区位的模型权值回传到不同区位的边缘计算模块；
[0095] 其中，楼宇每个区位对应一个边缘计算模块，每个边缘计算模块连接有多个数据采集模块，多个边缘计算模块与一个云端计算模块相连。
[0096] 单个边缘计算模块负责一个区位的数据处理，需要预测单位冷负荷的楼宇被划分为多个典型区位，当选取的区位与区位之间的差异较大时即被认定为选取了典型区位，所选取的区位可以不覆盖整栋楼宇。
[0097] 位于同一区位的数据采集模块每分钟采集一次室外空气温度、室内人流量、太阳辐射强度、相对湿度和空调冷负荷。一个区域的数据采集模块的室外空气温度采集单元、太阳辐射强度采集单元、相对湿度采集单元在该区位内均匀分布，采集同一区域内不同位置的数据，室内人流量采集单元统计该区位内人流量，空调冷负荷采集单元采集本区位消耗的空调冷负荷。其中，温度采集单元为温度传感器。太阳辐射采集单元为光敏传感器。相对湿度采集单元为湿度传感器。室内人流量采集单元为一红外线传感器，该传感器布置在人员进出对应区位的通道口，通过计算被遮挡的次数与时间获取人流量。空调冷负荷采集单元为温度传感器与风速检测仪。通过获取室内温度与该区位空调出风口的温度差、风口横截面积与风速获取空调冷负荷。
[0098] 针对于预测时刻T的空调冷负荷时，每小时获取以下大型建筑不同区位与预测楼宇空间单元冷负荷相关的数据：当前时刻T的室外空气温度、上一个时刻T‑1的室外空气温度、当前时刻T室内人流量、上一个时刻T‑1室内人流量、当前时刻T太阳辐射强度、上一个时刻T‑1太阳辐射强度、当前时刻T相对湿度、当前时刻T的单元空调冷负荷、上一个时刻T‑1的单元空调冷负荷、两个时刻前T‑2的空调冷负荷和前一日期同时刻T‑24的空调冷负荷。一个预测周期内所获取的每类数据有60组，每组数据之间相隔一分钟采样。
[0099] 数据采集模块采集足够上述数据后发送到对应区位的边缘计算模块，边缘计算模块为一MCU。边缘计算模块接收到上述数据后对数据进行预处理，预处理包括错误采样值的剔除与无量纲化。
[0100] 剔除错误采样数据的方法为：
[0101] 首先每分钟采集一个数据点，获取1小时采样周期内采样数据的统计量F：
[0102]
[0103] 其中si为第i次采样点， 为采样点的均值， 为第i次采样点的回归拟合值。该回归拟合值由一次函数的回归方程获得，通过最小二乘法计算回归方程参数。
[0104] 获取统计量后判断其与Fα(1，58)的大小，Fα(1，58)表示自由度为1、数据点为60的拒绝域的临界值，当F＞Fα(1，58)时，则无需剔除数据，当F≤Fα(1，58)时，则剔除采样点中与采样点拟合值差值最大的点，再进行如上判断。
[0105] 数据无量纲化的方法为：
[0106] 利用公式 实现上述采样点的无量纲化。
[0107] 其中n1为剔除采样错误数据后采样点的数量。
[0108] 通过以上步骤将数据进行预处理后，作为BP神经网络的输入数据。利用粒子群优化方法调整BP神经网络权值。
[0109] 首先依据BP神经网络的结构特点构造粒子个体长度：
[0110] L＝S1*S2+S2*S3+S2+S3 (2)
[0111] 其中，S1，S2和S3分别为BP神经网络的输入层、隐含层和输出层的节点参数。
[0112] 其次计算粒子适应度V，适应度采取如下公式计算：
[0113]
[0114] 其中，n2为采样点类别数，yi为第i个时序单元冷负荷的真实值，oi为第i个时序单元冷负荷的预测值。
[0115] 随后比较不同粒子的适应度，将具有最佳适应度的粒子记录为该种群本轮迭代的最佳粒子个体。
[0116] 最后更新每个粒子的速度与位置，更新公式为：
[0117]
[0118]
[0119] 其中， 分别为第t次迭代第i个粒子的速度和位置，u为惯性权值，c1与c2为加速因子，c3为扰动系数，c3通常取(0，1)之间一常数， 为第t次迭代第i个粒子的极值， 为第t次迭代中总粒子的极值， 为第t次迭代第i个粒子的位置，r1与r2为介于(0，1)之间的随机数。
[0120] 通过迭代重复以上步骤，直至网络权值收敛，每更新一次权值便预测一次空调负荷预测值和单位空调负荷预测值。
[0121] 不同区位的边缘计算模块在进行k轮上述计算后，首先判断更新的权值是否有聚合价值，当权重更新值满足以下公式时则认为有聚合价值：
[0122]
[0123]
[0124]t
[0125] 其中，w 为区位第T次迭代更新的权值， 为区位第t次迭代更新的权值梯度，mh为用来拟合的历史权值的个数，mh取值大于5，m为区位总数量，α为一学习率，α通常取(0，1]之间一常数。
[0126] 当满足上述判断准则后，边缘计算单元将模型权重、空调负荷预测值和单位空调负荷预测值发送到云端计算模块。
[0127] 云端计算模块为MCU，云端计算模块接收到不同区位发送的模型权重、空调负荷预测值和单位空调负荷预测值后将模型权重进行聚合。
[0128] 首先判断来自不同区位的模型重合情况：
[0129] 判断模型是否重合方法为：将来自不同区位的权值历史值按照时序进行排列：
[0130]
[0131] 其中， 为第j个区位的第t次迭代的权值向量，h为用来判别关联性的历史权值的个数，h取值大于10。
[0132] 随后将权值按归一化：
[0133]
[0134] 进而针对被比较区位网络权重产生求差序列：
[0135]
[0136] 最后判断与被比较区位网络权重的关联度：
[0137]
[0138] 将以上步骤遍历mv‑1遍形成不同区位权值之间关联度的方阵，mv为有聚合价值的区位数量，将方阵中高于一关联性阈值的区位权值归为一类模型权值。关联性阈值的取值规则如表1。
[0139] 表1
[0140]相关系数 相关程度
0.8～1.0 极强相关
0.6～0.8 强相关
0.4～0.6 中等强度相关
0.2～0.4 弱相关
0.0～0.2 极弱相关或无相关
[0141] 当判断为同一类权值模型时，利用横向联邦学习技术将来自不同区位的权值进行聚合，利用参数平均方法将同一类模型权值聚合：
[0142]
[0143] 其中， 为第t轮迭代后聚合的权值，ms为属于同一类模型的区位数量。
[0144] 如果所有区位的模型都相同时，将接收到的单位空调负荷预测值平均后作为大型建筑的楼宇空间单元冷负荷预测值。
[0145] 如果进行多轮迭代后，出现 不收敛的情况时，则切换聚合算法。判断是否收敛的方法为在经过多轮迭代后， 是否为一含有噪声的定值。当判断为不收敛时，聚合方法切换为：
[0146]
[0147] 其中，λ为一速度常数，通常取(0，1)之间一常数。
[0148] 当云端计算单元检测到存在两种及两种以上的模型权值后，首先寻找属于同一模型的权值并通过公式(13)进行聚合，判别是否属于同一模型的方法还是通过计算公式(12)与关联性阈值进行比较。针对于来自不同模型的空调冷负荷预测数据，将其看作是楼宇总空调冷负荷的多元回归自变量，建立两者的多元线性回归模型：
[0149]
[0150] 其中，βl为第l类区位预测值的回归系数，xl为第l类区位的空调负荷预测值之和，β0为回归模型的常数项系数，ε为噪声项，N为一种高斯分布，σ为白噪声的标准差，mk为不同种类区位数量，y为楼宇的实际总空调负荷。
[0151] 步骤S42：求取回归系数，公式如下：
[0152]
[0153] 其中，ml为用来确定回归系数的每个区位的历史空调负荷预测值之和的数据个数， 为第l类区位第l1轮空调负荷预测值之和。
[0154] 通过上述方法确定回归模型系数后，计算出整栋楼宇的空调预测负荷，获取整栋楼宇的室内建筑面积，整栋楼宇的空调预测负荷与室内建筑面积之比即为楼宇空间单元冷负荷预测值。随后云端计算模块将聚合的不同区位的模型权值替换对应区位的神经网络权值。
[0155] 该预测系统首先根据历史数据确定所有预测模型的参数，进而随暖通系统运行进行实时参数调整并预测楼宇空间单元冷负荷预测值。
[0156] 本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
