本技术涉及能源管理，尤其是涉及一种基于机器学习的建筑能耗预测方法、产品、设备及介质。
背景技术：
1、建筑业作为国民经济的坚实支柱，在推动社会发展的同时，也不可避免地成为了能源消耗的主要领域之一。为了实现社会的可持续发展，建筑节能减排成为了一项迫切且重要的任务。其中，建筑能耗的精细管理是实现节能减排目标的关键环节。而这一工作的基石，便是对建筑能耗进行精确而科学的预测，从而能够支持建筑运行的优化管理，有效实现节能减排的目标。
2、相关技术通过现有模型对建筑能耗进行一定程度的预测，但不同类型的建筑数据之间存在显著的差异，这导致不同类型的预测模型在性能上各有优劣，难以普遍使用所有情况，从而导致预测结果的准确度不高。
技术实现思路
1、为了解决现有技术对建筑能耗预测准确度不高的问题，本技术提供一种基于机器学习的建筑能耗预测方法、产品、设备及介质。
2、第一方面，本技术提供了一种基于机器学习的建筑能耗预测方法，采用如下技术方案：
3、一种基于机器学习的建筑能耗预测方法，包括：
4、获取待处理历史建筑能耗数据，并对所述待处理历史建筑能耗数据进行异常数据识别和修复，得到处理后的历史建筑能耗数据；
5、对所述历史建筑能耗数据进行分析，确定所述历史建筑能耗数据的数据特性，所述数据特性表示所述建筑能耗数据随时间因素的波动情况；
6、获取预测需求，根据所述预测需求和所述数据特性确定预测模型类型，并根据所述历史建筑能耗数据对所述预测模型进行训练，得到建筑能耗预测模型；
7、获取当前时刻之前的建筑能耗数据，将所述建筑能耗数据作为所述建筑能耗预测模型的输入，得到预测建筑能耗数据。
8、通过采用上述技术方案，对异常数据进行识别和修复，能够确保后续数据分析的数据质量，提高预测结果的准确性和可靠性，数据特性表示建筑能耗随时间变化的趋势和规律，根据预测需求和数据特性选择合适的预测模型类型，可以确保预测结果的准确性和实用性，使用历史建筑能耗数据训练模型，可以使其学习到建筑能耗的潜在模式和规律，获取当前时刻之前的建筑能耗数据，通过不断输入新的建筑能耗数据，预测模型可以持续进行预测，得到准确的预测建筑能耗数据，提高了建筑能耗预测的准确度和效率，有助于降低能源成本。
9、本技术在一较佳示例中可以进一步配置为：所述对所述历史建筑能耗数据进行分析，确定所述历史建筑能耗数据的数据特性，包括：
10、根据多个预设时间因素分别对所述历史建筑能耗数据进行分组，每一组对应一个预设时间因素标签；
11、确定目标预设时间因素对应的分组结果中每两个标签不同的组之间的差异度，得到多个差异度，所述目标预设时间因素为所述多个预设时间因素中任一个；
12、根据所述多个差异度，确定所述历史建筑能耗数据在所述目标预设时间因素下的数据特性。
13、通过采用上述技术方案，根据多个预设时间因素对历史建筑能耗数据进行分组，并未每个分组分配相应的预设时间因素标签，使得数据更加有序和结构化，不同时间段的能耗模式可能存在差异，通过分组和标签化，可以更容易识别和理解这种差异，确定目标预设因素对应的分组结果中每两个标签不同的组之间的差异度，可以量化不同时间段的能耗差异，差异度可以作为数据波动和周期性评估的重要指标，能够准确确定历史建筑能耗数据在目标预设时间因素下的数据特性。
14、本技术在一较佳示例中可以进一步配置为：所述根据所述多个差异度，确定所述历史建筑能耗数据在所述目标预设时间因素下的数据特性，包括：
15、确定所述多个差异度中超过预设差异度阈值的差异度占所述多个差异度的比例，并判断所述比例是否超过预设比例阈值；
16、若所述比例超过所述预设比例阈值，则确定所述历史建筑能耗数据在所述目标预设时间因素下的数据特性为，所述历史建筑能耗数据随所述目标预设时间因素的波动显著。
17、通过采用上述技术方案，利用预设差异度阈值和预设比例阈值，能够为量化历史建筑能耗数据随时间因素的波动显著性提供了一种客观的方式，提高了确定数据特性的精准度。
18、本技术在一较佳示例中可以进一步配置为：所述预测需求包括预测效率需求和预测准确度需求，
19、所述根据所述预测需求和所述数据特性确定预测模型类型，包括：
20、根据所述数据特性确定至少两个可选模型类型；
21、根据所述预测效率需求和所述预测准确度需求，确定所述至少两个可选模型类型中每一可选模型类型的预测需求匹配指数；
22、根据所述每一可选模型类型的预测需求匹配指数，从所述至少两个可选模型类型中确定预测需求匹配指数最高的一个作为预测模型类型。
23、通过采用上述技术方案，根据数据特性确定至少两个可选模型类型，确定了模型类型选择时基于数据的实际特性的，进一步集合预测效率需求和预测准确度需求，筛选出最适合的模型类型，使得模型的选择更具有针对性，能够更好地满足实际需求。
24、本技术在一较佳示例中可以进一步配置为：所述根据所述预测效率需求和所述预测准确度需求，确定所述至少两个可选模型类型中每一可选模型类型的预测需求匹配指数，包括：
25、获取每一可选模型类型对应的效率性能指数和准确度性能指数；
26、若所述预测效率需求为需求高效率预测，且，所述预测准确度需求为需求高准确度预测，则任一可选模型的预测需求匹配指数为对应的效率性能指数和准确度性能指数的和；
27、若所述预测效率需求为不需求高效率预测，且，所述预测准确度需求为需求高准确度预测，则任一可选模型的预测需求匹配指数为对应的准确度性能指数；
28、若所述预测效率需求为需求高效率预测，且，所述预测准确度需求为不需求高准确度预测，则任一可选模型的预测需求匹配指数为对应的效率性能指数；
29、若所述预测效率需求为不需求高效率预测，且，所述预测准确度需求为不需求高准确度预测，则任一可选模型的预测需求匹配指数为对应的效率性能指数和准确度性能指数的和。
30、通过采用上述技术方案，能够处理不同的预测需求场景，根据具体情况选择最适合的预测模型类型，将预测效率需求和预测准确度需求转化为性能指数，并据此计算预测需求匹配指数，可以简化模型选择的决策过程，提高匹配效率。
31、本技术在一较佳示例中可以进一步配置为：所述对所述待处理历史建筑能耗数据进行异常数据识别和修复，得到处理后的历史建筑能耗数据，包括：
32、对所述历史建筑能耗数据进行预设次数的聚类处理，并从每一次聚类完成后得到的聚类结果中识别并剔除异常数据，得到所述预设次数的聚类处理和异常数据剔除后的目标聚类结果；根据所述目标聚类结果，对每一次聚类结果中剔除出的异常数据进行修复，修复后的异常数据和所述目标聚类结果构成处理后的历史建筑能耗数据。
33、通过采用上述技术方案，经过预设次数的聚类处理，能够逐步将历史建筑能耗数据中的正常数据和异常区分开来，聚类算法可以基于数据之间的相似性进行分组，使得异常数据因其与正常数据的显著不同而被识别出来，剔除异常数据之后，得到的目标聚类结果将更加接近真的数据分布情况，从而提高整体数据的质量，对异常数据进行修复，使得修复后的数据既保留了原始数据的特征，又避免了异常值对数据分析结果的影响，进一步增强了数据的可靠性。
34、本技术在一较佳示例中可以进一步配置为：所述根据所述目标聚类结果，对每一次聚类结果中剔除出的异常数据进行修复，包括：
35、对于每一次聚类结果中剔除出的异常数据中任一异常数据点，计算所述异常数据点和所述目标聚类结果中每一数据点的距离，得到多个距离值；
36、从所述多个距离值中确定预设数量的距离值；
37、根据所述预设数量的距离值，确定所述异常数据点的替代值，并通过所述替代值对所述异常数据点进行修复。
38、通过采用上述技术方案，计算异常数据点与目标聚类结果中每一数据点之间的距离，可以得到异常数据点与正常数据点之间的相似度，选择预设数量的最小距离值，即选取与异常数据点最为接近的正常数据点，确定的替代值更加精确。
39、第二方面，本技术提供一种计算机程序产品，采用如下的技术方案：
40、一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，实现如第一方面任一项所述的基于机器学习的建筑能耗预测方法。
41、第三方面，本技术提供一种电子设备，采用如下的技术方案：
42、一个或多个处理器；
43、存储器；
44、至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行如第一方面任一项所述的基于机器学习的建筑能耗预测方法。
45、第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：
46、一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行如第一方面任一项所述的基于机器学习的建筑能耗预测方法。
47、综上所述，本技术包括以下有益技术效果：
48、本技术通过对异常数据进行识别和修复，能够确保后续数据分析的数据质量，提高预测结果的准确性和可靠性，数据特性表示建筑能耗随时间变化的趋势和规律，根据预测需求和数据特性选择合适的预测模型类型，可以确保预测结果的准确性和实用性，使用历史建筑能耗数据训练模型，可以使其学习到建筑能耗的潜在模式和规律，获取当前时刻之前的建筑能耗数据，通过不断输入新的建筑能耗数据，预测模型可以持续进行预测，得到准确的预测建筑能耗数据，提高了建筑能耗预测的准确度和效率，有助于降低能源成本。
1.一种基于机器学习的建筑能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的建筑能耗预测方法，其特征在于，所述对所述历史建筑能耗数据进行分析，确定所述历史建筑能耗数据的数据特性，包括：
3.根据权利要求2所述的基于机器学习的建筑能耗预测方法，其特征在于，所述根据所述多个差异度，确定所述历史建筑能耗数据在所述目标预设时间因素下的数据特性，包括：
4.根据权利要求1所述的基于机器学习的建筑能耗预测方法，其特征在于，所述预测需求包括预测效率需求和预测准确度需求，
5.根据权利要求4所述的基于机器学习的建筑能耗预测方法，其特征在于，所述根据所述预测效率需求和所述预测准确度需求，确定所述至少两个可选模型类型中每一可选模型类型的预测需求匹配指数，包括：
6.根据权利要求1所述的基于机器学习的建筑能耗预测方法，其特征在于，所述对所述待处理历史建筑能耗数据进行异常数据识别和修复，得到处理后的历史建筑能耗数据，包括：
7.根据权利要求6所述的基于机器学习的建筑能耗预测方法，其特征在于，所述根据所述目标聚类结果，对每一次聚类结果中剔除出的异常数据进行修复，包括：
8.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于机器学习的建筑能耗预测方法的步骤。
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-7任一项所述的基于机器学习的建筑能耗预测方法。
