19、基于模拟器的时间序列数据训练与IEEE1888标准的数据收集

基于模拟器的时间序列数据训练与IEEE1888标准的数据收集

在当今的科技发展中，时间序列数据在各个领域的应用愈发广泛，尤其是在智能建筑的能源管理和控制系统中。通过利用模拟器生成训练数据以及采用特定的通信标准进行数据收集，能够更有效地构建和评估机器学习模型，从而实现更精准的能源消耗预测和控制。

基于模拟器的基线估计模型训练

在智能建筑的能源管理中，准确估计设备的能源消耗基线至关重要。为了实现这一目标，我们采用了基于模拟器的训练方法，具体步骤如下：
1. 基线估计模型的构建 ：
- 模型选择 ：由于10分钟的设施能源消耗受前几个10分钟时间序列历史的影响较大，因此选择长短期记忆（LSTM）神经网络作为AI模型结构，以模拟历史的后续行为。
- 模型结构 ：LSTM神经网络的记忆单元由输入、输入门、遗忘门、输出门和记忆单元组成。通过递归使用记忆单元中的过去输出信息，并在遗忘门中丢弃过去信息，能够保留长期时间序列的特征。输入门、遗忘门、输出门和输入变量由以下公式表示：
[g(\mathbf{x}) = f\left(\sum_{i} \mathbf{u} {in} \mathbf{x} {i}(t) + \mathbf{u} {re} \mathbf{z} {i}(t - 1)\right)]
其中，(\mathbf{u} {in})是输入变量(\mathbf{x} {i})的权重，(\mathbf{u} {re})是来自记忆单元(\mathbf{z} {i}