本发明涉及电力领域，特别是涉及基于多模态数据融合的建筑群需求负荷调优方法及系统。
背景技术：
1、建筑群包括至少2栋建筑，建筑群需求负荷指的是建筑群包括的所有建筑所需的总负荷。现有技术中公开了基于负荷影响因素对建筑的负荷进行预测的方法，例如公布号为cn114037182a的中国专利申请公开了建筑物负荷预测模型训练方法、装置及非易失性存储介质，该专利申请将清洗后的历史数据作为训练样本，清洗的过程包括将暴增和骤降的负荷清洗掉；但是，这些暴增和骤降的负荷可能对应的是极端条件（如高温红色预警天气）下的真实的负荷，将这些暴增和骤降的负荷清洗掉不利于对建筑物负荷预测模型的训练，使得建筑物负荷预测模型不具备预测极端条件下的负荷的功能，而这些极端条件下的负荷往往是主要的负荷调优对象。如何提高模型对建筑群需求负荷预测的准确性，进而基于对建筑群需求负荷的预测结果对建筑群的需求负荷进行调整优化，是亟待解决的问题。
技术实现思路
1、本发明目的在于，提供基于多模态数据融合的建筑群需求负荷调优方法及系统，以提高模型对建筑群需求负荷预测的准确性，进而基于对建筑群需求负荷的预测结果对建筑群的需求负荷进行调整优化。
2、根据本发明的第一方面，提供了一种基于多模态数据融合的建筑群需求负荷调优方法，所述方法包括以下步骤：
3、s100，获取建筑群的历史数据集；所述建筑群包括至少2栋建筑，每一建筑的历史数据集包括对应的建筑在历史时间段的负荷数据和负荷影响因素数据。
4、s200，对所述建筑群的历史数据集进行清洗处理，得到清洗后的历史数据集；所述清洗处理包括删除历史数据集中暴增和骤降的负荷数据。
5、s300，根据清洗后的历史数据集获取每一建筑在不同时间段的参考负荷曲线。
6、s400，使用建筑群的历史数据集对目标神经网络模型进行训练，得到经训练的目标神经网络模型。
7、s500，使用经训练的目标神经网络模型对目标建筑在目标时间段的负荷数据进行预测，得到目标建筑在目标时间段的预测负荷曲线cur1；所述目标建筑为建筑群中的任一建筑。
8、s600，获取目标建筑在与目标时间段匹配的时间段的参考负荷曲线cur2。
9、s700，根据cur1和cur2获取目标建筑在目标时间段的目标负荷曲线。
10、根据本发明的第二方面，提供了一种基于多模态数据融合的建筑群需求负荷调优系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于多模态数据融合的建筑群需求负荷调优方法。
11、本发明与现有技术相比至少具有以下有益效果：
12、本发明基于建筑群的历史数据集得到经训练的神经网络模型，该经训练的神经网络模型具有根据输入的负荷影响因素数据推理对应的负荷数据的功能；由于本发明基于的建筑群的历史数据集是未经删除暴增和骤降的负荷数据处理后的数据集，是较为真实的数据集，因此，基于经训练的神经网络模型预测的目标建筑在目标时间段的负荷数据也是较为真实的负荷数据，其中也可能存在暴增或骤降的负荷数据；对于基于预测的负荷数据得到的目标建筑在目标时间段的负荷曲线，本发明根据目标建筑在对应同时间段的参考负荷曲线（基于经删除暴增和骤降的负荷数据处理的数据集得到，能够满足建筑低碳运转需求）对其进行修正，将修正后得到的目标负荷曲线作为目标建筑在目标时间段的负荷调整参考负荷曲线，以优化目标建筑在目标时间段的用电需求。本发明确定的目标负荷曲线是在预测负荷曲线的基础上根据历史时间段中同期的参考负荷曲线进行调整得到的，使得目标负荷曲线能够兼顾目标建筑的实际用电需求和低碳运转需求，基于该目标负荷曲线能够实现对目标建筑的需求负荷数据的优化。
1.一种基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s300包括：
3.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s350包括：
4.根据权利要求3所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s351还包括：如果所述方差小于预设的方差阈值，则进入s354；
5.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s700包括：
6.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s300包括：
7.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s500包括：
8.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s200还包括对历史数据集中暴增和骤降的负荷数据的判断过程，该判断过程包括：如果某采样时刻的负荷数据与上一采样时刻的负荷数据之差大于预设的差异值阈值，则将该采样时刻的负荷数据判定为暴增的负荷数据；如果某采样时刻的负荷数据与上一采样时刻的负荷数据之差的相反数大于预设的差异值阈值，则将该采样时刻的负荷数据判定为骤降的负荷数据。
9.根据权利要求1所述的基于多模态数据融合的建筑群需求负荷调优方法，其特征在于，s400包括：
10.一种基于多模态数据融合的建筑群需求负荷调优系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的基于多模态数据融合的建筑群需求负荷调优方法。
