本技术涉及建筑能耗预测，尤其涉及一种建筑能耗异常协同诊断方法、设备及介质。
背景技术：
1、在全球气候变化的严峻挑战下，能源效率与可持续发展已成为全球共识，推动着各行各业向更加绿色、低碳的方向转型。现代建筑，作为能源消耗的重要领域之一，其能效管理与节能优化不仅关乎资源的高效利用，更是实现全球可持续发展目标的关键环节。
2、现代建筑能耗数据来源于众多设备和系统，包括电力系统、暖通空调系统、照明系统等，这些数据源在采集方式、数据格式、更新频率等方面存在显著差异，形成了复杂且多源异构的数据环境。当前建筑能耗诊断技术多采用基于历史数据的统计回归，但往往缺乏足够的灵活性和适应性，难以应对复杂多变的建筑能耗环境。特别是当建筑使用模式、设备配置或外部环境发生显著变化时，模型的诊断精度往往会大幅下降。
技术实现思路
1、本技术实施例提供了一种建筑能耗异常协同诊断方法、设备及介质，用于解决如下技术问题：当前建筑能耗诊断技术多采用基于历史数据的统计回归，当建筑使用模式、设备配置或外部环境发生显著变化时，诊断精度较低。
2、本技术实施例采用下述技术方案：
3、本技术实施例提供一种建筑能耗异常协同诊断方法。包括，获取待测建筑内不同历史能耗数据分别对应的历史不确定度，基于历史不确定度建立不确定度模型；获取待测建筑内各能耗设备，并基于预置建筑能耗异常检测库，生成能耗设备对应的贝叶斯网络子单元；基于待测建筑内各能耗设备的分布与影响作用，构建待测建筑对应的能耗设备拓扑结构图，并基于能耗设备拓扑结构图，对贝叶斯网络子单元进行连接，生成待测建筑贝叶斯网络单元；基于不确定度模型，对获取到的待测建筑对应的能耗数据进行调节，并将调节后的数据输入预置gru模型，以通过gru模型输出待测建筑对应的预测能耗信息；将预测能耗信息输入待测建筑贝叶斯网络单元，以输出待测建筑对应的能耗异常预测信息。
4、本技术实施例通过建立不确定度模型，可以将能耗数据中的波动性和不确定性因素纳入预测考虑范围，从而提高预测结果的准确性和可靠性。本技术实施例将每个能耗设备视为一个独立的子单元，简化系统的复杂性，通过为每个能耗设备建立贝叶斯网络子单元，提高对设备能耗异常的精准检测。通过拓扑结构图连接贝叶斯网络子单元，实现设备间能耗数据的协同分析和预测，提高整体预测的准确性。此外，通过不确定度模型与gru模型，能够提高数据质量与能耗预测的高效性。将预测能耗信息输入贝叶斯网络单元进行异常检测，能够提高发现能耗异常情况的效率，为节能优化和故障排查提供依据。
5、在本技术的一种实现方式中，获取待测建筑内不同历史能耗数据分别对应的历史不确定度，基于历史不确定度建立不确定度模型，具体包括：确定待测建筑内不同历史能耗数据分别对应的数据来源，基于不同的数据来源确定出第一不确定度；确定出测量能耗设备对应的类型，基于类型确定出第一参考度；以及，确定出测量能耗设备对应的使用年限与维修记录，基于使用年限与维修记录，确定出第二参考度；以及，确定出测量能耗设备对应的放置环境信息，基于放置环境信息确定出第三参考度；基于第一参考度、第二参考度与第三参考度之间的相互作用，进行影响度叠加，以确定出测量能耗设备对应的第二不确定度；基于第一不确定度与第二不确定度，建立不确定度模型。
6、在本技术的一种实现方式中，获取待测建筑内各能耗设备，并基于预置建筑能耗异常检测库，生成能耗设备对应的贝叶斯网络子单元，具体包括：获取待测建筑内对应的各能耗设备，并将各能耗设备分别与预置建筑能耗异常检测库进行比对，将不存在于预置建筑能耗异常检测库中的能耗设备进行删除；以及获取各能耗设备分别对应的节点数据，并将节点数据分别与预置建筑能耗异常检测库进行比对，将不存在于预置建筑能耗异常检测库中的节点数据对应的能耗设备进行删除；以及获取各能耗设备分别对应的边数据，并将边数据分别与预置建筑能耗异常检测库进行比对，将不存在于预置建筑能耗异常检测库中的边数据对应的能耗设备进行删除；基于剩余的能耗设备，生成能耗设备对应的贝叶斯网络子单元。
7、在本技术的一种实现方式中，基于待测建筑内各能耗设备的分布与影响作用，构建待测建筑对应的能耗设备拓扑结构图，具体包括：基于待测建筑内各能耗设备的类型，对能耗设备进行划分，并确定出划分后的能耗设备分别对应的分布信息；基于各能耗设备之间的连接关系，对能耗设备进行初次连接；其中，连接关系包括物联连接与逻辑关联；基于预置能耗关联表，确定出不同能耗设备之间的能耗影响关系，基于能耗影响关系，对能耗设备进行二次连接；其中，预置能耗关联表中包括有多种不同能耗设备之间的能耗影响关系，以及还包括各能耗影响关系对应的能耗影响值；基于初次连接与二次连接，确定出各能耗设备对应的连接关系，以构建能耗设备拓扑结构图。
8、在本技术的一种实现方式中，基于能耗设备拓扑结构图，对贝叶斯网络子单元进行连接，生成待测建筑贝叶斯网络单元，具体包括：基于能耗设备在待测建筑中的分布情况，将能耗设备对应的贝叶斯网络子单元与能耗设备拓扑结构图中的设备节点进行匹配；基于能耗设备拓扑结构图对应的连接关系，将能耗设备对应的贝叶斯网络子单元进行连接，以生成参考待测建筑贝叶斯网络单元；基于连接关系中的能耗影响值以及历史数据，确定出各节点对应的第一概率值；以及，基于历史数据与连接关系，确定出参考待测建筑贝叶斯网络单元对应的误差数据，基于误差数据生成第二概率值；基于第一概率值与第二概率值，对参考待测建筑贝叶斯网络单元进行检测，并在检测通过的情况下，生成待测建筑贝叶斯网络单元。
9、在本技术的一种实现方式中，基于不确定度模型，对获取到的待测建筑对应的能耗数据进行调节，并将调节后的数据输入预置gru模型，以通过gru模型输出待测建筑对应的预测能耗信息，具体包括：将获取到的待测建筑对应的能耗数据输入不确定度模型，基于不确定度模型输出待测建筑能耗数据对应的调节后的数据；将调节后的数据输入预置gru模型，以通过预置gru模型输出不同时间尺度分别对应的能耗信息；对不同时间尺度分别对应的能耗信息进行权重分配，基于分配后的权重进行多尺度能耗信息加权计算，以得到加权和；基于加权和，确定出未来预设时间段内待测建筑对应的预测能耗信息。
10、在本技术的一种实现方式中，将预测能耗信息输入待测建筑贝叶斯网络单元，以输出待测建筑对应的能耗异常预测信息，具体包括：将预测能耗信息映射到待测建筑贝叶斯网络中的相应节点；根据输入的预测能耗信息，对相应节点的概率分布进行更新，以得到各节点分别对应的后验概率；基于待测建筑贝叶斯网络对应的后验概率分布，确定出待测建筑的能耗异常信息；基于能耗异常信息与预测能耗数据对应的预测时间段，确定出待测建筑对应的能耗异常预测信息。
11、在本技术的一种实现方式中，基于能耗异常信息与预测能耗数据对应的预测时间段，确定出待测建筑对应的能耗异常预测信息之后，方法还包括：基于能耗异常信息中的异常节点分布信息，确定出异常能耗设备的数量与异常能耗设备的类型；将数量与类型，输入预置异常原因检测模型，以通过预置异常原因检测模型输出相应的异常信息；基于预测时间段，对异常信息进行排序；基于排序后的异常信息，在异常发生前依次进行异常处理。
12、本技术实施例提供一种建筑能耗异常协同诊断设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：获取待测建筑内不同历史能耗数据分别对应的历史不确定度，基于历史不确定度建立不确定度模型；获取待测建筑内各能耗设备，并基于预置建筑能耗异常检测库，生成能耗设备对应的贝叶斯网络子单元；基于待测建筑内各能耗设备的分布与影响作用，构建待测建筑对应的能耗设备拓扑结构图，并基于能耗设备拓扑结构图，对贝叶斯网络子单元进行连接，生成待测建筑贝叶斯网络单元；基于不确定度模型，对获取到的待测建筑对应的能耗数据进行调节，并将调节后的数据输入预置gru模型，以通过gru模型输出待测建筑对应的预测能耗信息；将预测能耗信息输入待测建筑贝叶斯网络单元，以输出待测建筑对应的能耗异常预测信息。
13、本技术实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：获取待测建筑内不同历史能耗数据分别对应的历史不确定度，基于历史不确定度建立不确定度模型；获取待测建筑内各能耗设备，并基于预置建筑能耗异常检测库，生成能耗设备对应的贝叶斯网络子单元；基于待测建筑内各能耗设备的分布与影响作用，构建待测建筑对应的能耗设备拓扑结构图，并基于能耗设备拓扑结构图，对贝叶斯网络子单元进行连接，生成待测建筑贝叶斯网络单元；基于不确定度模型，对获取到的待测建筑对应的能耗数据进行调节，并将调节后的数据输入预置gru模型，以通过gru模型输出待测建筑对应的预测能耗信息；将预测能耗信息输入待测建筑贝叶斯网络单元，以输出待测建筑对应的能耗异常预测信息。
14、本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：本技术实施例通过建立不确定度模型，可以将能耗数据中的波动性和不确定性因素纳入预测考虑范围，从而提高预测结果的准确性和可靠性。本技术实施例将每个能耗设备视为一个独立的子单元，简化系统的复杂性，通过为每个能耗设备建立贝叶斯网络子单元，提高对设备能耗异常的精准检测。通过拓扑结构图连接贝叶斯网络子单元，实现设备间能耗数据的协同分析和预测，提高整体预测的准确性。此外，通过不确定度模型与gru模型，能够提高数据质量与能耗预测的高效性。将预测能耗信息输入贝叶斯网络单元进行异常检测，能够提高发现能耗异常情况的效率，为节能优化和故障排查提供依据。
1.一种建筑能耗异常协同诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种建筑能耗异常协同诊断方法，其特征在于，所述获取待测建筑内不同历史能耗数据分别对应的历史不确定度，基于所述历史不确定度建立不确定度模型，具体包括：
3.根据权利要求1所述的一种建筑能耗异常协同诊断方法，其特征在于，所述获取待测建筑内各能耗设备，并基于预置建筑能耗异常检测库，生成能耗设备对应的贝叶斯网络子单元，具体包括：
4.根据权利要求1所述的一种建筑能耗异常协同诊断方法，其特征在于，所述基于所述待测建筑内各能耗设备的分布与影响作用，构建所述待测建筑对应的能耗设备拓扑结构图，具体包括：
5.根据权利要求4所述的一种建筑能耗异常协同诊断方法，其特征在于，所述基于所述能耗设备拓扑结构图，对所述贝叶斯网络子单元进行连接，生成待测建筑贝叶斯网络单元，具体包括：
6.根据权利要求1所述的一种建筑能耗异常协同诊断方法，其特征在于，所述基于所述不确定度模型，对获取到的所述待测建筑对应的能耗数据进行调节，并将调节后的数据输入预置gru模型，以通过所述gru模型输出所述待测建筑对应的预测能耗信息，具体包括：
7.根据权利要求1所述的一种建筑能耗异常协同诊断方法，其特征在于，所述将所述预测能耗信息输入所述待测建筑贝叶斯网络单元，以输出所述待测建筑对应的能耗异常预测信息，具体包括：
8.根据权利要求7所述的一种建筑能耗异常协同诊断方法，其特征在于，所述基于所述能耗异常信息与所述预测能耗数据对应的预测时间段，确定出所述待测建筑对应的能耗异常预测信息之后，所述方法还包括：
9.一种建筑能耗异常协同诊断设备，其特征在于，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行权利要求1-8中的任一项所述的方法。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令能够执行权利要求1-8任一项所述的方法。
