一種基于BP神經網絡模型的建筑空調能耗預測方法技術

本發明專利技術公開了一種基于BP神經網絡模型的建筑空調能耗預測方法，其包括：分析建筑空調能耗的影響因素；根據影響參數，采集歷史建筑空調能耗樣本參數，并對其進行預處理；采用BP神經網絡，根據樣本參數的維度建立建筑空調能耗預測模型；采用預處理后的樣本參數作為訓練樣本對建筑空調能耗預測模型進行訓練；采集近期的實時建筑空調能耗樣本參數對建筑空調能耗預測模型進行評估，若誤差在允許范圍內，則模型的輸出即為建筑空調能耗預測值，否則對模型重新進行訓練。本發明專利技術的基于BP神經網絡模型的建筑空調能耗預測方法，具備學習規則簡單，便于計算機實現，具有很強的魯棒型、記憶能力、非線性映射能力以及強大的自學習能力等優點。

A prediction method for energy consumption of building air conditioning system based on BP neural network model

The invention discloses a method to predict the energy consumption of air conditioning, based on the BP neural network model which includes: analysis of the factors influencing the energy consumption of air conditioning; according to the parameters that affect the energy consumption of air conditioning parameters of the sample collection history, and carries on the pretreatment; using BP neural network, according to the parameters of the sample dimension to establish prediction model of the energy consumption of air conditioning the parameters of the sample; after pretreatment as training samples for building air conditioning energy consumption prediction model is trained; prediction model for the energy consumption of air conditioning energy consumption of air conditioning to collect the sample parameters of the near future, if the error is in the allowable range, the output model for building air conditioning energy consumption prediction value, otherwise the model to carry on training. Prediction of energy consumption of air conditioning BP neural network model based on the method of the invention has simple learning rules, easily implemented, robust, strong ability of memory, nonlinear mapping ability and strong self-learning ability etc..

【技術實現步驟摘要】
一種基于BP神經網絡模型的建筑空調能耗預測方法
本專利技術涉及空調能耗預測
，特別涉及一種基于BP神經網絡模型的建筑空調能耗預測方法。
技術介紹
當前現代化的建筑，特別是公共建筑中，空調系統的能耗一直占據著建筑能耗大約50～60％的比重，節能潛力巨大。如何有效地管理空調系統的運行能耗一直是當前研究的熱點之一。建筑空調系統能耗的準確預測，對于優化采暖空調系統運行模式，實現建筑空調系統的綜合節能運行具有重要理論指導意義和現實意義。空調能耗預測對于建筑空調統一調度、空調定額能耗管理等方面具有重要的意義。行業內已有的建筑空調能耗預測方法有三類：(1)第一類是采用回歸分析法進行建筑空調系統的能耗預測。該方法假設與空調系統能耗具有相關性的N類影響因素，其與空調能耗之間呈非線性關系，通過數據擬合得到表示空調系統能耗的高階多項式函數。回歸分析方法在建模的過程中有很多的試計算過程，將增大建模的難度，此外輸入參數和輸出參數之間的依賴程度很大，預測精度不高。(2)第二類是基于時間序列預測模型的空調負荷方法。該方法的基本出發點是利用過去一段時間建筑空調負荷的變化特征描述來預測末來的變化特征。空調負荷的時間序列預測模型的特點是計算速度快和能反映負荷近期變化的連續性。其存在的不足是對原始時間序列的平穩性要求高、而實際空調負荷一般均不滿足平穩性的要求，因此預測精度不理想。(3)第三類是將支持向量機應用于空調逐時負荷預測。該方法建立了基于支持向量機理論的建筑物空調負荷預測模型，并利用遺傳算法、蟻群算法及粒子群算法等對支持向量機的參數進行優化，該方法具有學習速度快、全局最優和推廣能力強等優點，但同時，支持向量機也有對大規模訓練樣本難以實施以及同時解決多類問題困難的缺點。
技術實現思路
本專利技術針對上述現有技術中存在的問題，提出一種基于BP神經網絡模型的建筑空調能耗預測方法，BP神經網絡具有極強的非線性擬合能力，可映射任意復雜的非線性關系，相比于現有方法，具備學習規則簡單，便于計算機實現，具有很強的魯棒型、記憶能力、非線性映射能力以及強大的自學習能力等優點。為解決上述技術問題，本專利技術是通過如下技術方案實現的：本專利技術提供一種基于BP神經網絡模型的建筑空調能耗預測方法，其包括以下步驟：S11：分析建筑空調能耗的影響因素；S12：根據所述影響因素，采集歷史建筑空調能耗樣本參數，對所述歷史建筑空調能耗樣本參數進行預處理，得到預處理后的歷史建筑空調能耗樣本參數；S13：采用BP神經網絡，根據所述歷史建筑空調能耗樣本參數的維度建立建筑空調能耗預測模型；S14：采用預處理后的所述歷史建筑空調能耗樣本參數作為訓練樣本對所述建筑空調能耗預測模型進行訓練；S15：采集近期的實時建筑空調能耗樣本參數對所述建筑空調能耗預測模型的建模質量進行評估，以判斷所述建筑空調能耗預測模型的誤差是否在允許范圍內，若在允許范圍內，則所述建筑空調能耗預測模型的輸出即為建筑空調能耗預測值；若不在允許范圍內，則返回S12或返回S14。較佳地，所述步驟S11中所述建筑空調能耗的影響因素包括：靜態影響因素和動態影響因素。較佳地，所述步驟S12具體包括：S121：對所述歷史建筑空調能耗樣本參數根據所述靜態影響因素進行組合分類；S122：對組合分類之后的所述歷史建筑空調能耗樣本參數中的壞值進行剔除；S123：對壞值剔除之后的所述歷史建筑空調能耗樣本參數進行歸一化處理。較佳地，所述步驟S13具體包括：S131：輸入層神經元設計所述輸入神經元的個數由所述建筑空調能耗的動態影響參數的維度來決定；S132：輸出層神經元設計所述輸出層神經元的個數由所述樣本參數的輸出向量的維數來決定；S133：隱含層神經元設計所述隱含層神經元的個數由下式決定：式中：n為隱含層神經元的個數；a為輸入層神經元的個數；b為輸出層神經元的個數；l為1-10之間的常數。較佳地，所述步驟S14具體包括：S141：BP神經網絡的參數初始化對所述輸入層神經元的輸入值以及所述輸出層神經元的輸出值進行歸一化，對所述BP神經網絡的參數及各權系數進行賦值；S142：前向傳輸輸入所述歷史建筑空調能耗樣本輸入參數，計算所述BP神經網絡的輸出值，并與所述歷史建筑空調能耗樣本輸出參數進行比較，得出所述BP神經網絡的輸出誤差；S143：反向傳播根據誤差反向傳播算法，修正隱含層之間以及隱含層與輸入層之間的權值系數和閾值；S144：重復步驟S142～S143，直至預測誤差滿足條件或訓練次數達到規定次數；S145：將歸一化后的輸入值，代入所述BP神經網絡的前向傳輸過程，獲得的輸出值經過反歸一化處理，即可得到建筑空調能耗預測值。較佳地，所述步驟S143中的所述誤差反向傳播算法采用動量-學習率自適應的算法。較佳地，所述動量-學習率自適應的算法具體為：帶有附加動量因子的權值系數和閾值的調節公式為：Δwij(k+1)＝(1-mc)ηδipj+mcΔwij(k)，Δbi(k+1)＝(1-mc)ηδi+mcΔbi(k)，其中，k為訓練次數，mc為動量因子；mc的判斷條件為：其中，E(k)為第k步誤差平方和；學習率自適應優化公式為：η(k)為第k步學習率，E(k)為第k步誤差平方和。建筑空調能耗預測模型建筑空調能耗預測模型較佳地，所述步驟S15中，所述建筑空調能耗預測模型的誤差計算公式為：其中，P為訓練樣本的個數，L為輸出層神經元的個數，O為輸出層神經元的輸出值，T為訓練樣本的輸出值。建筑空調能耗預測模型建筑空調能耗預測模型較佳地，所述步驟S15之后還包括：S16：定期對所述建筑空調能耗預測模型的建模質量進行評估，以判斷所述建筑空調能耗預測模型的誤差是否在允許范圍內；若在允許范圍內，則所述建筑空調能耗預測模型可用；若不在允許范圍內，則所述建筑空調能耗預測模型不可用，采集近期的歷史建筑空調能耗以及影響參數收集起來，作為新的訓練樣本，對所述建筑空調能耗預測模型重新進行訓練，以得到更適合當前狀態下的建筑空調能耗預測模型。較佳地，所述步驟S15之后還包括：S17：定期采集近期的歷史建筑空調能耗以及影響參數收集起來，作為新的訓練樣本，對所述建筑空調能耗預測模型重新進行訓練，以得到更適合當前狀態下的建筑空調能耗預測模型建筑空調能耗預測模型建筑空調能耗預測模型。相較于現有技術，本專利技術具有以下優點：(1)本專利技術提供的基于BP神經網絡模型的建筑空調能耗預測方法，采用BP神經網絡，具有極強的非線性擬合能力，可映射任意復雜的非線性關系，相比于現有方法，具備學習規則簡單，便于計算機實現，具有很強的魯棒型、記憶能力、非線性映射能力以及強大的自學習能力等優點；(2)本專利技術的基于BP神經網絡模型的建筑空調能耗預測方法，采用動量學習率自適應優化的算法，可以幫助BP網絡模型突破局部極小值，達到全局最優解；同時縮短訓練時間，加速收斂，達到快速進行大規模訓練樣本的目的。當然，實施本專利技術的任一產品并不一定需要同時達到以上所述的所有優點。附圖說明下面結合附圖對本專利技術的實施方式作進一步說明：圖1為本專利技術的實施例1的基于BP神經網絡模型的建筑空調能耗預測方法的流程圖；圖2為本專利技術的實施例的BP神經網絡的設計結構圖；圖3為本專利技術的實施例的對建筑空調能耗預測模型進行訓練的流程圖；圖4為本專利技術的實施例的建筑空調本文檔來自技高網...

【技術保護點】
一種基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，包括以下步驟：S11：分析建筑空調能耗的影響因素；S12：根據所述影響因素，采集歷史建筑空調能耗樣本參數，對所述歷史建筑空調能耗樣本參數進行預處理，得到預處理后的歷史建筑空調能耗樣本參數；S13：采用BP神經網絡，根據所述歷史建筑空調能耗樣本參數的維度建立建筑空調能耗預測模型；S14：采用預處理后的所述歷史建筑空調能耗樣本參數作為訓練樣本對所述建筑空調能耗預測模型進行訓練；S15：采集近期的實時建筑空調能耗樣本參數對所述建筑空調能耗預測模型的建模質量進行評估，以判斷所述建筑空調能耗預測模型的誤差是否在允許范圍內，若在允許范圍內，則所述建筑空調能耗預測模型的輸出即為建筑空調能耗預測值；若不在允許范圍內，則返回S12或返回S14。

【技術特征摘要】
2016.12.30 CN 20161127145521.一種基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，包括以下步驟：S11：分析建筑空調能耗的影響因素；S12：根據所述影響因素，采集歷史建筑空調能耗樣本參數，對所述歷史建筑空調能耗樣本參數進行預處理，得到預處理后的歷史建筑空調能耗樣本參數；S13：采用BP神經網絡，根據所述歷史建筑空調能耗樣本參數的維度建立建筑空調能耗預測模型；S14：采用預處理后的所述歷史建筑空調能耗樣本參數作為訓練樣本對所述建筑空調能耗預測模型進行訓練；S15：采集近期的實時建筑空調能耗樣本參數對所述建筑空調能耗預測模型的建模質量進行評估，以判斷所述建筑空調能耗預測模型的誤差是否在允許范圍內，若在允許范圍內，則所述建筑空調能耗預測模型的輸出即為建筑空調能耗預測值；若不在允許范圍內，則返回S12或返回S14。2.根據權利要求1所述的基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，所述步驟S11中所述建筑空調能耗的影響因素包括：靜態影響因素和動態影響因素。3.根據權利要求2所述的基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，所述步驟S12具體包括：S121：對所述歷史建筑空調能耗樣本參數根據所述靜態影響因素進行組合分類；S122：對組合分類之后的所述歷史建筑空調能耗樣本參數中的壞值進行剔除；S123：對壞值剔除之后的所述歷史建筑空調能耗樣本參數進行歸一化處理。4.根據權利要求3所述的基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，所述步驟S13具體包括：S131：輸入層神經元設計所述輸入神經元的個數由所述建筑空調能耗的動態影響參數的維度來決定；S132：輸出層神經元設計所述輸出層神經元的個數由所述歷史建筑空調能耗樣本參數的輸出向量的維數來決定；S133：隱含層神經元設計所述隱含層神經元的個數由下式決定：式中：n為隱含層神經元的個數；a為輸入層神經元的個數；b為輸出層神經元的個數；l為1-10之間的常數。5.根據權利要求1或4所述的基于BP神經網絡模型的建筑空調能耗預測方法，其特征在于，所述步驟S14具體包括：S141：BP神經網絡的參數初始化對所述輸入層神經元的輸入值以及所述輸出層神經元的輸出值進行歸一化，對所述BP神經網絡的參數及各權系數進行賦值；S142：前向傳輸輸入所述歷史建筑空調能耗樣本輸入參數，計算所述BP神經網...

【專利技術屬性】
技術研發人員：李鴻亮，李佳鶴，李寅雷，龍克壘，徐雨明，
申請(專利權)人：浙江大學，浙江中易和節能技術有限公司，
類型：發明
國別省市：浙江,33