本发明涉及电气负荷预测领域，尤其涉及一种基于深度学习的建筑电气负荷预测方法及系统。
背景技术：
1、建筑电力能耗管理在提高能源利用效率、减少环境污染等方面发挥着关键作用，精准预测建筑电气负荷是实现智能化能耗管理的基础，对于有效调度电力资源、优化用电结构、减少电力浪费具有重要意义，然而，传统的建筑电气负荷预测方法通常依赖于人工观测、经验模型等，存在预测精度低、自适应性差等问题，随着大数据及人工智能技术的飞速发展，利用深度学习方法进行建筑电气负荷预测成为，深度学习是机器学习的一个分支，它从海量数据中自动学习特征并建立复杂的预测模型，在各种预测和分类问题上都取得了突破性进展，在建筑电气负荷预测领域，深度学习模型利用历史用电数据、气象数据、建筑特征等多源异构数据，自动挖掘数据中蕴含的复杂关联，构建自适应性强、预测精度高的负荷预测模型，因此，需要一种智能化的建筑电气负荷预测方法，有效解决传统方法存在的问题，为建筑能耗管理提供强有力的技术支撑。
技术实现思路
1、本发明为解决上述技术问题，提出了一种基于深度学习的建筑电气负荷预测方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，本发明提供一种基于深度学习的建筑电气负荷预测方法，包括以下步骤：
3、步骤s1：获取用电设备运行参数及建筑人流量监控参数；基于传感器识别建筑内用电设备，标记建筑用电设备节点；对建筑用电设备节点进行空间拓扑位面重构，构建用电设备空间拓扑网络；
4、步骤s2：对用电设备运行参数进行多尺度时频分解，生成多时频频域段；对多时频频域段进行频率能量分布分析，生成时频分布特征；
5、步骤s3：对用电设备运行参数进行时序电压特征抽取处理，生成时序电压特征序列；基于时频分布特征对时序电压特征序列进行多时段趋势演化，生成多时段负载趋势特征数据；
6、步骤s4：基于建筑人流量监控参数得到行人动态轨迹；基于用电设备空间拓扑网络对行人动态轨迹进行空间用电负载需求计算，从而得到各区域空间用电需求数据；
7、步骤s5：利用多时段负载趋势特征数据及各区域空间用电需求数据对用电设备空间拓扑网络进行动态负载多时步预测，生成区域多时步负载预测数据；
8、步骤s6：对区域多时步负载预测数据进行深层负载预测学习，构建深层负载预测模型；以执行建筑电气负荷预测作业。
9、本发明通过获取用电设备的运行参数，了解每个设备的功率、电流、电压等关键参数，以及它们的变化和趋势，获取建筑人流量监控参数提供关于建筑内人员活动和流动的信息，这对电气负荷的分析和预测十分重要，通过传感器识别建筑内的用电设备，并将它们标记为节点，构建用电设备的拓扑结构，使得对电力系统的分析更加准确和可行，对建筑用电设备节点进行空间拓扑位面重构，建立用电设备之间的连接和关系，形成一个用电设备空间拓扑网络，这个网络反映了不同设备之间的物理位置和连接方式，为后续的负载预测和优化提供了基础，对用电设备运行参数进行多尺度时频分解，将参数分解为不同的时频频域段，从而捕捉到不同时间和频率尺度上的变化特征，对这些时频频域段进行频率能量分布分析，了解不同频率范围内的能量分布情况，帮助识别和理解设备运行的特征，通过对用电设备运行参数进行时序电压特征抽取处理，提取出与时间相关的电压特征序列，这些时序电压特征序列反映设备运行的动态变化情况，为后续的负载预测和故障检测提供重要信息，基于时频分布特征，对时序电压特征序列进行多时段趋势演化，分析设备负载在不同时间段内的变化趋势，这些多时段负载趋势特征数据用于了解设备负载的周期性、季节性和趋势性变化，为负载预测和优化提供参考，利用建筑人流量监控参数获得行人动态轨迹了解建筑内人员的移动路径和分布情况，这对于预测不同区域的用电需求以及优化建筑电气负荷分布具有重要作用，基于用电设备空间拓扑网络对行人动态轨迹进行空间用电负载需求计算，将行人活动与用电设备的位置和连接关系相结合，计算各区域的用电需求，优化用电负载的分配和供电策略，利用多时段负载趋势特征数据和各区域空间用电需求数据，对用电设备空间拓扑网络进行动态负载预测，预测未来多个时间步长内的用电负载情况，为电力系统的运行和规划提供参考，生成的区域多时步负载预测数据用于制定电力供应策略、负荷平衡和能源优化决策，预测数据的准确性和及时性对于确保电力系统的稳定运行和高效利用至关重要，对区域多时步负载预测数据进行深层负载预测学习，利用深度学习等技术构建负载预测模型，这种模型更准确地预测建筑电气负荷的未来变化趋势，提供更可靠的预测结果，构建的深层负载预测模型应用于建筑电力系统的运行管理、能源调度和负荷控制等方面，通过精确的负荷预测，实现能源的有效利用、负荷的合理分配和电力系统的高效运行。
10、优选地，步骤s1包括以下步骤：
11、步骤s11：获取用电设备运行参数及建筑人流量监控参数；基于传感器识别建筑内用电设备，标记建筑用电设备节点；
12、步骤s12：对建筑用电设备节点进行空间位置计算，以得到节点空间坐标；
13、步骤s13：基于节点空间坐标对建筑用电设备节点进行空间分布分析，以得到用电设备节点空间分布数据；
14、步骤s14：对建筑用电设备节点进行设备间交互关联挖掘，生成节点间交互关联关系；
15、步骤s15：基于节点间交互关联关系对用电设备节点空间分布数据进行空间拓扑位面重构，构建用电设备空间拓扑网络。
16、本发明通过获取用电设备运行参数和建筑人流量监控参数提供关键数据，为建筑电气负荷预测提供基础信息，这些参数包括用电设备的功率、电流、电压等运行参数，以及建筑人流量监控参数，如人员数量和位置信息，通过传感器识别建筑内的用电设备，并对其进行标记，建立用电设备的节点，识别和区分不同的用电设备，并为后续的空间分析和拓扑重构提供基础，通过对建筑用电设备节点进行空间位置计算，确定每个节点在建筑中的具体位置，了解用电设备在建筑内的分布情况，并为后续的空间分析和拓扑重构提供准确的位置信息，基于节点空间坐标进行建筑用电设备节点的空间分布分析揭示用电设备在建筑内的分布模式和特征，了解不同区域的用电设备密度、集中度以及空间关系，为负荷预测和优化提供基础，对建筑用电设备节点进行设备间交互关联挖掘发现不同设备之间的交互关系和连接方式，了解设备之间的相互影响和依赖关系，为电力系统的分析和优化提供重要信息，基于节点间交互关联关系对用电设备节点空间分布数据进行空间拓扑位面重构建立用电设备的空间拓扑网络，这个网络反映了设备之间的连接和关系，分析和预测电力系统中的负荷分布、传输路径和影响因素，构建的用电设备空间拓扑网络用于电力系统的分析、优化和故障诊断，通过分析网络的拓扑结构和特征，评估负荷分布的合理性、识别潜在的故障点，并制定相应的应对策略。
17、优选地，步骤s2包括以下步骤：
18、步骤s21：对用电设备运行参数进行分段低通滤波，以得到低通滤波运行参数；
19、步骤s22：基于低通滤波运行参数进行非重叠时序窗口划分，得到多个非重叠时序窗口；
20、步骤s23：利用多个非重叠时序窗口对低通滤波运行参数进行多尺度时频分解，生成多时频频域段；
21、步骤s24：对多时频频域段进行频率能量分布分析，以生成各频域段能量分布数据；
22、步骤s25：对各频域段能量分布数据进行时频分布拟合，生成时频分布特征。
23、本发明通过对用电设备运行参数进行分段低通滤波，降低高频噪声和瞬时波动的影响，提取出更平滑的低频成分，消除运行参数的瞬时变化，使其更具代表性和稳定性，为后续的时频分析和特征提取提供更可靠的数据基础，通过对低通滤波运行参数进行非重叠时序窗口划分，将长期运行参数序列划分为多个相对独立的时序窗口，分析和捕捉不同时间段内的特征和变化趋势，提供更详细和全面的信息，利用多个非重叠时序窗口对低通滤波运行参数进行多尺度时频分解将时域数据转换为时频域数据，捕捉不同频率和时间尺度上的运行参数变化，提供更详细和全面的时频信息，生成的多时频频域段反映不同频率范围内的能量分布和特征，为后续的频率能量分布分析和时频分布拟合提供基础，对多时频频域段进行频率能量分布分析计算各频域段内不同频率上的能量分布情况，了解不同频率范围内的能量贡献和重要程度，为后续的时频分布拟合和特征提取提供依据，对各频域段能量分布数据进行时频分布拟合提取出时频分布特征，这些特征反映了不同频率范围内能量的时变特性和分布规律，识别和描述电气负荷的时频特征，为建筑电气负荷预测提供更全面和准确的特征描述。
24、优选地，步骤s3包括以下步骤：
25、步骤s31：对用电设备运行参数进行时序电压特征抽取处理，得到用电设备时序电压特征；
26、步骤s32：对用电设备时序电压特征进行时序分级表征重组，生成时序电压特征序列；
27、步骤s33：对时序电压特征序列进行电压负载推演，从而生成电压负载时序曲线；
28、步骤s34：基于时频分布特征对电压负载时序曲线进行负载频域变化分析，以得到电压负载频域变化数据；
29、步骤s35：对电压负载频域变化数据进行多时段趋势演化，生成多时段负载趋势特征数据。
30、本发明通过对用电设备运行参数进行时序电压特征抽取处理，提取出与电压相关的时序特征。这些特征包括电压的幅值、频率、相位以及其他与电压波形相关的信息。提取电压特征捕捉电压变化的动态特性，通过对用电设备时序电压特征进行时序分级表征重组，将电压特征按照不同的时间尺度进行组织和表示。分析不同时间尺度上的电压变化规律和趋势，提供多尺度的电压信息。通过对时序电压特征序列进行电压负载推演，根据电压特征推断出相应的负载变化情况。了解电压与负载之间的关系，推测负载的变化趋势和特征。生成的电压负载时序曲线提供负载变化的时间序列信息，基于时频分布特征对电压负载时序曲线进行负载频域变化分析将时域的负载时序曲线转换为频域的负载频域特征。分析不同频率范围内负载变化的能量分布和特征。生成的电压负载频域变化数据提供负载在频域上的能量分布情况，对电压负载频域变化数据进行多时段趋势演化分析不同时段内负载变化的趋势和演化规律。了解负载在不同时间段内的变化模式和趋势，提供负载的长期演化特征。生成的多时段负载趋势特征数据反映负载变化的周期性、季节性和趋势性。
31、优选地，步骤s34的具体步骤为：
32、对电压负载时序曲线进行小波分解，以生成电压负载频域数据；
33、基于时频分布特征对电压负载频域数据进行时频变换拟合，以得到电压负载时频矩阵；
34、对电压负载时频矩阵进行邻间时频特征差计算，生成各频率点负载功率变化值；
35、对各频率点负载功率变化值进行变化幅度分布分析，以得到电压负载频域变化数据。
36、本发明通过对电压负载时序曲线进行小波分解，将时域的电压负载信号分解为不同频率的小波系数，提取不同频率范围内的负载频域特征，捕捉负载在不同频率上的能量分布情况，生成的电压负载频域数据提供更详细和准确的频域信息，通过对电压负载频域数据进行时频变换拟合，将频域的负载信息转换为时频矩阵表示，分析负载在不同时间段和频率上的变化特征，提供负载的时频分布信息，通过对电压负载时频矩阵进行邻间时频特征差计算，得到各频率点上负载功率的变化值，量化负载在不同频率上的功率变化程度，提供各频率点上负载的变化信息，生成的负载功率变化值反映负载在不同频率上的动态变化情况，通过对各频率点负载功率变化值进行变化幅度分布分析，得到负载在不同频率上的变化幅度分布情况，了解负载在不同频率范围内的变化幅度和分布特征，提供更全面和准确的电压负载频域变化数据。
37、优选地，步骤s4的具体步骤为：
38、步骤s41：对建筑人流量监控参数进行实时行人位置跟踪，提取实时行人位置序列；
39、步骤s42：对实时行人位置进行异常时间间隙过滤，得到过滤行人位置序列；
40、步骤s43：对过滤行人位置序列进行离散样本连接，得到行人动态轨迹；
41、步骤s44：基于用电设备空间拓扑网络对行人动态轨迹进行区域行人轨迹特征挖掘，从而生成区域内行人轨迹特征；
42、步骤s45：对区域内行人轨迹特征进行空间用电负载需求计算，从而得到各区域空间用电需求数据。
43、本发明通过对建筑人流量监控参数进行实时行人位置跟踪，获取建筑内行人在不同时间点的位置信息，提取实时行人位置序列得到一系列时间上连续的行人位置数据，为后续分析提供基础，通过对实时行人位置进行异常时间间隙过滤，排除异常或不准确的行人位置数据，提高数据的准确性和可靠性，得到过滤行人位置序列消除噪声或错误，得到更可靠的行人位置数据，通过对过滤行人位置序列进行离散样本连接，将时间上相邻的行人位置样本连接起来，形成行人的动态轨迹，得到行人动态轨迹揭示行人在建筑内的移动路径和行为模式，为后续分析提供更详细的行人活动信息，基于用电设备空间拓扑网络，对行人动态轨迹进行区域行人轨迹特征挖掘，即分析行人在不同区域内的轨迹特征，通过区域行人轨迹特征挖掘，发现行人在不同区域内的活动模式、密度分布或其他相关特征，为后续的负荷预测提供更精细化的信息，对区域内行人轨迹特征进行空间用电负载需求计算根据行人活动模式和密度分布等特征，估计各个区域的用电负荷需求，得到各区域空间用电需求数据提供不同区域的电力需求信息，为建筑电气负荷预测和优化提供更准确的依据。
44、优选地，步骤s44的具体步骤为：
45、对建筑人流量监控参数进行人流量波动统计，以得到人流量波动数据；
46、对用电设备空间拓扑网络进行区域分割，从而得到用电设备空间区域；
47、基于人流量波动数据对用电设备空间区域进行区域人流量密度计算，以生成多个区域人流量密度数据；
48、基于多个区域人流量密度数据对行人动态轨迹进行空间交汇分布分析，以得到动态轨迹空间交汇分布数据；
49、对行人动态轨迹进行停留时间计算，以得到轨迹停留时间；
50、对动态轨迹空间交汇分布数据及轨迹停留时间进行区域行人轨迹特征挖掘，从而生成区域内行人轨迹特征。
51、本发明通过人流量波动统计，分析建筑内的人流量变化情况，包括高峰期和低谷期等，人流量波动数据提供人流量的时序信息，用于了解不同时间段内人流量的变化趋势和周期性特征，预测建筑内未来的人流量情况，为电气负荷预测提供时间维度上的数据支持，通过用电设备空间拓扑网络的区域分割，将建筑内的用电设备划分为不同的区域，用电设备空间区域的划分基于设备之间的物理位置关系或功能关系等因素，将建筑内的用电设备划分为相对独立的部分，基于人流量波动数据对用电设备空间区域进行人流量密度计算，估计各个区域的人流量强度，通过将人流量波动数据与用电设备空间区域进行关联，推测不同区域的人流量密度情况，对行人动态轨迹进行空间交汇分布分析揭示行人在建筑内的空间交汇情况，通过结合多个区域人流量密度数据，分析不同区域间行人的交汇情况和流动路径，了解行人在建筑内的集聚和分散情况，提供行人交汇分布数据用于后续的行人轨迹特征挖掘和电气负荷预测，对行人动态轨迹进行停留时间计算分析行人在不同区域内的停留时长，通过识别轨迹中的停留点和停留时间，推测行人在不同区域内的活动强度和停留偏好。
52、优选地，步骤s5的具体步骤为：
53、步骤s51：利用多时段负载趋势特征数据对用电设备空间拓扑网络进行三维映射渲染处理，构建三维空间负载网络；
54、步骤s52：基于各区域空间用电需求数据对三维空间负载网络进行区域负载演化，以得到区域负载演化数据；
55、步骤s53：对区域负载演化数据进行动态负载多时步预测，生成区域多时步负载预测数据。
56、本发明通过三维空间负载网络将用电设备的空间分布以可视化的方式展示出来，提供了对建筑内用电设备布局的直观认知。
57、通过三维映射渲染处理，将多时段负载趋势特征数据与用电设备空间拓扑网络结合起来，为后续的区域负载演化和负载预测提供了可视化的数据支持。区域负载演化数据反映了不同区域内用电需求的变化情况，揭示建筑内各个区域的负载分布和负载变化趋势。
58、通过基于各区域空间用电需求数据对三维空间负载网络进行区域负载演化，将用电需求与空间位置关联起来，为后续的负载预测提供了空间分布上的数据支持。区域多时步负载预测数据提供了建筑内各个区域未来多个时步的负载情况，用于评估电气系统的负载状况和规划电力供应。
59、基于区域负载演化数据进行动态负载多时步预测，利用历史负载数据和趋势信息，结合预测模型和算法，对未来的负载进行预测和推测。
60、优选地，步骤s6的具体步骤为：
61、步骤s61：对区域多时步负载预测数据进行损失误差计算，以生成负载预测误差参数；
62、步骤s62：基于负载预测误差参数对区域多时步负载预测数据进行反向传播迭代优化，得到误差优化负载预测数据；
63、步骤s63：对误差优化负载预测数据进行深层负载预测学习，构建深层负载预测模型，以执行建筑电气负荷预测作业。
64、本发明通过计算预测数据与实际数据之间的损失误差，评估负载预测模型的准确性和可靠性。
65、生成的负载预测误差参数提供了对预测结果的度量和反馈，用于后续的误差优化和模型改进。通过反向传播迭代优化，利用负载预测误差参数对预测数据进行校正和调整，降低预测误差，提高预测准确性。
66、误差优化负载预测数据反映了经过优化调整的负载预测结果，更接近实际负载情况，为后续的负载预测模型构建提供更准确的数据基础。深层负载预测学习利用误差优化负载预测数据进行模型训练和学习，能够从大量的数据中学习负载特征、变化趋势和规律，提高负载预测的准确性和鲁棒性。
67、构建的深层负载预测模型能够对建筑电气负荷进行预测，并提供具有较高精度和可靠性的预测结果，为电力系统的规划和调控提供决策支持。
68、在本说明书中，提供一种基于深度学习的建筑电气负荷预测系统，用于执行如上所述的基于深度学习的建筑电气负荷预测方法，包括：
69、拓扑网络模块，用于获取用电设备运行参数及建筑人流量监控参数；基于传感器识别建筑内用电设备，标记建筑用电设备节点；对建筑用电设备节点进行空间拓扑位面重构，构建用电设备空间拓扑网络；
70、时频分布模块，用于对用电设备运行参数进行多尺度时频分解，生成多时频频域段；对多时频频域段进行频率能量分布分析，生成时频分布特征；
71、负载趋势模块，用于对用电设备运行参数进行时序电压特征抽取处理，生成时序电压特征序列；基于时频分布特征对时序电压特征序列进行多时段趋势演化，生成多时段负载趋势特征数据；
72、用电负载需求模块，用于基于建筑人流量监控参数得到行人动态轨迹；基于用电设备空间拓扑网络对行人动态轨迹进行空间用电负载需求计算，从而得到各区域空间用电需求数据；
73、多时步预测模块，用于利用多时段负载趋势特征数据及各区域空间用电需求数据对用电设备空间拓扑网络进行动态负载多时步预测，生成区域多时步负载预测数据；
74、负载预测学习模块，用于对区域多时步负载预测数据进行深层负载预测学习，构建深层负载预测模型；以执行建筑电气负荷预测作业。
75、本发明通过获取用电设备运行参数和建筑人流量监控参数，提供了建筑内用电设备和人流的关联信息，为后续分析和预测提供基础数据，标记建筑用电设备节点，建立用电设备的拓扑结构，方便后续的空间分析和负载预测，进行多尺度时频分解，将用电设备运行参数的时域和频域信息分离并提取，揭示用电设备的运行特征和变化规律，频率能量分布分析提供了不同频率段上的能量分布情况，帮助识别用电设备的频率特征，为后续特征提取和分析提供依据，提取时序电压特征序列，捕捉用电设备运行参数的时序变化，为负载趋势分析提供了时间维度的信息，多时段趋势演化分析揭示了不同时间段内用电设备负载的变化趋势，理解用电设备的负载特性和规律，基于建筑人流量监控参数和用电设备空间拓扑网络，计算各区域的空间用电需求，提供了不同区域用电负载的分布和需求量，考虑行人动态轨迹对空间用电负载需求的计算，使得用电需求更加贴近实际情况，为精确预测建筑电气负荷提供了基础，利用多时段负载趋势特征数据和各区域空间用电需求数据，对用电设备空间拓扑网络进行动态负载多时步预测，提供了未来多个时步的负载预测结果，多时步负载预测数据为电力系统的规划和调控提供了决策依据，评估负载状况、优化电力供应和资源调配，通过对区域多时步负载预测数据进行深层负载预测学习，构建深层负载预测模型，提高负载预测的准确性和鲁棒性，深层负载预测模型能够对建筑电气负荷进行预测，为电力系统的运行和调控提供准确的预测结果，支持电力资源的合理分配和能源利用的优化。
1.一种基于深度学习的建筑电气负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s1的具体步骤为：
3.根据权利要求1所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s2的具体步骤为：
4.根据权利要求1所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s3的具体步骤为：
5.根据权利要求4所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s34的具体步骤为：
6.根据权利要求1所述的方法，其特征在于，步骤s4的具体步骤为：
7.根据权利要求6所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s44的具体步骤为：
8.根据权利要求1所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s5的具体步骤为：
9.根据权利要求1所述的基于深度学习的建筑电气负荷预测方法，其特征在于，步骤s6的具体步骤为：
10.一种基于深度学习的建筑电气负荷预测系统，其特征在于，用于执行如权利要求1所述的基于深度学习的建筑电气负荷预测方法，包括：
