1.一种基于WGAN算法的建筑能耗预测方法，其特征在于，包括：d

S100、获取建筑能耗数据以及建筑能耗特征数据集R，其中，d

R＝{(x11,x12,x13......x1j),(x21,x22,x23......x2j)......(xi1,xi2,xi3......xij)},d代表特征数量，xij代表一个特征，下标i表示第i个样本，i∈N*,j表示第j个特征，j∈N*；

d g

S200、将R 输入变分自动编码器，以获取高级能耗特征数据集R，将步骤S100的建筑能d g r耗特征数据集R和高级能耗特征数据集R合并，形成输入特征数据集R；

r

S300、将R通过XGBoost算法进行特征筛选；

r

S400、建立GAN预测模型，将步骤S300处理后的R输入GAN预测模型，通过WGAN算法训练GAN预测模型，其中，完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型；

d

S500、通过最优GAN预测模型预测建筑能耗值，所述步骤S200中将R输入变分自动编码g器，以获取高级能耗特征数据集R，具体包括：S210、构造一个编码器Encoder和解码器Decoder；

d

S220、将真实能耗特征数据x∈R输入编码器，获得x的映射输出z，真正输出为z的分布函数S230、根据步骤S220的输出计算编码器的目标函数KL；

2

S240、通过参数置换获取采样z～N(μ(x),σ(x))；

S250、将z输入解码器，获得z的映射输出f(z)，由于各维度取值具有不同的方差，所以2

实际完成的映射输出为f(z)＝(μ,σ)；

S260、根据步骤S250的输出计算解码器的目标函数L；

S270、将KL和L相加获得总的目标损失函数，优化总的目标损失函数；

S280、训练完成后，在创建输出时跳过解码器的最后一层，从而获得更高级别的特征序g g列R，也就是高级能耗特征数据集R ，所述编码器和解码器均采用卷积网络，编码器和解码器中稠密层为4层，每层300个神经元，所述编码器目标函数KL具体定义为：

其中G是z的维度，

2

所述通过参数置换获取采样z～N(μ(x),σ(x))包括：新的输入端由标准高斯分布产生样本ε～N(0,1)，并定义z＝μ(x)+σ(x)*ε，所述解码器的目标函数L为以均值μ和方差σ为参数的对数似然，定义为：

2.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤rS300中将R通过XGBoost算法进行特征筛选，具体包括：S310、每日的建筑能耗预测值 初始化为0，每日的建筑能耗真实值为yi；

S320、定义目标函数：O bj(t)；

S330、计算目标函数对于每个样本预测值的导数gi和hi；

S340、根据导数信息采用贪心算法建立一棵新的决策树ft(x)；

S350、利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到 上，以更新S360、重复步骤S330至步骤350；

S370、计算不同特征参与分离决策树的次数作为其特征重要性指标，筛选重要性特征。

3.根据权利要求2所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述目标函数具体定义为：其中 ft(x)为树的建模函数，T为树叶节点数，w为叶子权重值，γ为叶子树惩罚正则项，设置为40，λ为叶子权重惩罚正则项，设置为3，wj表示第j个特征权重；

所述贪心算法建立一棵新的决策树，具体依据增益公式：所述利用新的决策树ft(x)预测一新的建筑能耗值，并将该新预测的建筑能耗值累加到上，具体为：其中ε为收缩系数，ε设置为0.1。

4.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，r所述步骤S400中建立GAN预测模型，将R输入GAN预测模型，通过WGAN算法训练GAN预测模型，具体包括：S401、构建一个生成器G和鉴别器D；

S402、定义生成器的损失函数G_loss以及鉴别器的损失函数D_loss；

r i i

S403、从真实能耗数据样本R中采取样本x，从噪声变量分布中采样z；

S404、计算鉴别器损失D_loss；

S405、根据基于动量的优化算法momentum Adam更新鉴别器参数w；

S406、通过截取函数将鉴别器的参数绝对值截断到不超过一个固定常数c；

S407、重复步骤S403至S406，设定循环次数；

i

S408、从噪声变量分布中采样z，计算生成器损失G_loss；

S409、根据基于动量的优化算法momentum Adam更新生成器参数θ；

S410、重复步骤S402至S409，直至生成器参数不变，模型训练完成；

S411、使用真实能耗样本的采样结果x0作为状态连的初始值，即为xk；

S412、使用10％的能耗训练数据作为随机测试集，使用保序回归的方法对鉴别器D进行调整；

S413、生成k个随机噪声输入生成器G，产生K个样本，依次从K中选择一个样本x'；

S414、从均匀分布U～N(0,1)采样为U；

S415、先前选择的样本为xk，计算新样本x'接受概率S416、若U≤α，接受当前样本，即更新xk为x'；

S417、重复步骤S413至S416，循环次数为K次；

S418、若xk为真实样本x0，则从生成样本中重新开始抽样，否则输出当前预测能耗值。

5.根据权利要求4所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述生成器采用长短期记忆神经网络LSTM并使用Xavier初始化，LSTM的输入为采集及生成的能耗特征，然后进入500个隐藏单位，然后转换为单个输出为预测能耗值，其中序列步长参数设置为14，即采用14天的数据预测第15天；所述鉴别器采用卷积神经网络CNN,所述生成器损失函数G_loss具体定义为 鉴别器损失函数具体定义为 其中f需满足Lipschitz常数限制，w为鉴别器神经网络的参数,

K是一个超参数，对其调整可以在速度和置信度之间做出权衡,对于一个完美的判别器K趋近于无穷，即D的分布完美的接近了真实数据分布,D(x)为鉴别器分数，具体定义为：

6.根据权利要求1所述的基于WGAN算法的建筑能耗预测方法，其特征在于，所述步骤S400中完成一次GAN预测模型训练后，利用强化学习算法优化GAN、LSTM和CNN中的超参数，寻找超参数的最佳组合并更新，然后进入下一次GAN预测模型的训练，直至获得最优GAN预测模型，具体为：S501、跟踪及优化的超参数集θ包括：batch_size：LSTM和CNN的批量大小,cnn_lr：CNN的学习率,

strides：CNN中的strides,padding：CNN中的padding,kernel_size：CNN中的核大小,dropout：LSTM中的dropout,filters：初始filters数量；

‑

S502、初始化超参数集θ，目标超参数θ＝θ，初始化重放缓冲区S503、初始化超参数网格Λ，设置初始状态值S0；

S504、决定下一次的动作at；

S505、设置奖赏函数R，获得奖赏rt；

S506、获得下一次状态值St+1＝τ(st,λt,rt)，其中λt为最新评估的超参数配置；

S507、并将(st,st+1,at,r)添加至重放缓冲区Φ；

S508、从重放缓冲区Φ随机采样B＝{(s,a,Q(s,s',a,r))|(s,s',a,r)～Unif(Φ)}；

S509、由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'；

‑

S510、重复步骤S504至S508，并每循环指定次数Nu更新θ＝θ，Nu为更新频率；

S511、重复步骤S503至S509，次数为每组训练数据集的大小和数据集数量的乘积；

S512、获得新的超参数集θ。

7.根据权利要求6所述的基于WGAN算法的建筑能耗预测方法，其特征在于，设置初始状态值S0，具体定义为：dim(Λ)

S0＝(metafeatures(D),({0} ,0)),D～Unif(D*)，其中D*为训练数据集，

所述决定下一次的动作at，其中at具体定义为：所述奖赏函数具体设置为：

R＝2*G_loss+D_loss+G_accuracy,其中，G_loss是生成器的损失，G_accuracy是生成器的精确性，D_loss是鉴别器的损失，所述 其中γ为折扣因子，

所述由B更新最优值函数Q*，并获得下一次超参数集θ'，更新θ＝θ'，具体依据公式：

8.一种建筑能耗监测预测系统，其特征在于，包括：能耗实时数据采集模块、环境数据采集模块、数据通信模块、信息处理模块、服务器、显示器、人机交互模块以及信息存储模块；

所述环境数据采集模块包括：用于监测室内温度和湿度的温湿度传感器、用于监测室内二氧化碳浓度的二氧化碳传感器、用于监测室内易燃气体浓度的气体传感器、用于测量大气压强的大气压强传感器、光照强度传感器以及微控制器，所述温湿度传感器、二氧化碳传感器、气体传感器、大气压强传感器以及光照强度传感器分别与所述微控制器相连；

所述能耗实时数据采集模块和微控制器分别与所述数据通信模块相连；

所述数据通信模块与所述信息处理模块相连，所述信息处理模块与所述服务器相连，所述服务器与所述信息存储模块、显示器以及人机交互模块相连；

所述服务器中存储有至少一可执行指令，所述可执行指令使服务器可执行如权利要求

1至7中任意一项所述的建筑能耗预测方法对应的操作。