一种基于inception结构负荷分解模型的楼宇负荷分解方法

1.一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，包括以下步骤：S1：获取楼宇能耗负荷数据和楼宇对应的气象数据；S2：对楼宇能耗负荷数据进行预处理和去噪处理；S3：将楼宇能耗负荷数据和气象数据分别输入多个深度神经网络，分别提取得到特征数据；S4：构建基于inception结构的负荷分解模型；S5：将多个深度神经网络提取得到的特征数据输入负荷分解模型，得到负荷分解结果；所述的步骤S4具体包括：根据不同深度神经网络提取得到的不同的特征数据，分别训练弱学习器，并将各弱学习器的结果进行融合，得到基于inception结构的负荷分解模型；所述的多个深度神经网络分别包括卷积神经网络、LSTM神经网络和MLP神经网络；所述的卷积神经网络、LSTM神经网络和MLP神经网络分别对楼宇能耗负荷数据和气象数据进行特征提取，得到三个特征提取结果，并将三个特征提取结果输入基于inception结构的负荷分解模型，得到楼宇负荷分解结果，所述的楼宇负荷分解结果包括照明用能、空调用能和动力用能。 2.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，所述的楼宇能耗负荷数据为楼宇总能耗负荷数据，所述的对应的气象数据为楼宇当地当年的气象数据。 3.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，训练时，获取的楼宇能耗负荷数据包括楼宇低频有功数据和楼宇分量负荷有功数据，所述的楼宇分量负荷有功数据包括照明用能数据、空调用能数据、动力用能数据和其他用能数据。 4.根据权利要求2所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，所述的气象数据包括温度、风速、气压、露点和湿度。 5.根据权利要求1所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，所述的预处理包括数据清洗、填补缺失值和去除异常值，所述的去噪处理采用滑动滤波降噪。 6.根据权利要求5所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，所述的预处理具体包括：首先对每栋楼宇进行最大负荷估计，将超过估计值1.5倍的值作为异常值进行删除；然后对删除值以及缺失值进行补漏，具体为，对于离散缺失值，采用缺失值前后两小时数据的算数平均值进行补漏；对于连续缺失值，采用缺失值前一周和后一周同一天每个点的平均值进行补漏。 7.根据权利要求5所述的一种基于inception结构负荷分解模型的楼宇负荷分解方法，其特征在于，所述的滑动滤波公式为：式中为P t 第t个功率采样值数值。