CN106991504A - 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 - Google Patents
基于分项计量时间序列的建筑能耗预测方法、***及建筑物 Download PDFInfo
- Publication number
- CN106991504A CN106991504A CN201710321447.2A CN201710321447A CN106991504A CN 106991504 A CN106991504 A CN 106991504A CN 201710321447 A CN201710321447 A CN 201710321447A CN 106991504 A CN106991504 A CN 106991504A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- time series
- data
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005259 measurement Methods 0.000 title abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012731 temporal analysis Methods 0.000 claims abstract description 12
- 238000000700 time series analysis Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 17
- 238000005311 autocorrelation function Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000005654 stationary process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010019133 Hangover Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
Abstract
本发明公开了基于分项计量时间序列的建筑能耗预测方法、***及建筑物，其中，预测方法包括，采集建筑的能耗以及温度的数据并存储；将采集存储的能耗和温度数据作为时间序列分析方法的输入参数；根据分项计量和相关性分析，将时间序列分析方法预测出能耗和温度趋势以及时间因子作为建筑能耗的主要影响因素；将确立好的主要影响因数和采集的能耗作为建立好的BP神经网络模型中的参数，来预测出未来建筑的能耗。由于BP神经网络学习效率低，收敛速度慢，对参数选择较为敏感，在BP神经网络的基础上加入分项计量和时间序列的建筑能耗预测算法，可以大大提高了能耗预测的精确度，缩短了预测的时间，使得预测出的数据更加准确。
Description
技术领域
本发明涉及一种建筑能耗的预测方法，属于建筑能耗预测技术领域，具体说涉及一种基于分项计量时间序列建筑能耗预测方法、实施这样的方法的***，以及装备了这样的***的建筑物。
背景技术
随着城市化进程的不断加速，能源问题日益突出。建筑能耗在社会总能耗中所占比例从上个世纪七十年代末的10％上升到28％。国家办公机关建筑和各类公共建筑年能耗电量约占全国城镇总能耗的22％。单位面积耗电量是普通居民住宅的10～20倍，是欧洲、日本等发达国家同类建筑的1.5～2倍。大型公共建筑的用电量超过社会建筑总用电量的30％，是建筑节能监管和改造的主要对象。因此，对大型公共建筑的能耗的预测显得尤为重要，这样可以为大型公共建筑的用电额度提供科学的依据。
建筑用能巨大，尤其是在大型商场，实验室，写字楼等。目前对于建筑内能源供应设备的能耗数据分项采集是了解建筑能耗大小，寻找能耗浪费点前提。而随着国家节能减排政策的落实，各地区对很多建筑的能耗数据进行了采集，但主要为实现能耗的分项计量和分项能耗数据的统计展示。同时，目前的数据采集方法多集中在对能耗数据本身进行采集，对能耗影响因素数据采集较少。此外，这些能耗数据采集设备多为定时对设备各项数据进行测量，读取，并没有注重某些设备从一个状态过度到另一个状态消耗的时间以及能耗。而了解可这些信息，才能对不同设备的开启时间，开启状态顺序进行规划，寻找最优调度方案。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有基于分项计量时间序列建筑能耗预测方法、基于该方法建立的***及使用该***的建筑物中存在的问题，提出了本发明。
因此，本发明其中的一个目的是提供一种基于分项计量时间序列建筑能耗预测方法。
为解决上述技术问题，本发明提供如下技术方案：一种基于分项计量时间序列建筑能耗预测方法，其包括，采集建筑的能耗以及温度的数据并存储；将采集存储的能耗和温度数据作为时间序列分析方法的输入参数；根据分项计量和相关性分析，将时间序列分析方法预测出能耗和温度趋势以及时间因子作为建筑能耗的主要影响因素；将确立好的主要影响因数和采集的能耗作为建立好的BP神经网络模型中的参数，来预测出未来建筑的能耗。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述采集建筑的能耗及温度的数据并存储，其是通过能耗数据采集***进行，所述能耗数据采集***包括，计量层，包括能耗计量采集设备和温度监测设备，所述能耗计量采集设备对建筑的照明用电、动力用电、空调用电和特殊用电的能耗进行采集，所述温度监测设备对空间温度进行采集；通信层，建立计量层和管理层之间的通信联系；以及，管理层，发出数据采集指令并对采集的相应能耗和温度数据进行存储；其中，所述管理层发出数据采集指令，经所述通信层的通信协议转换后，传至所述计量层的能耗计量采集设备和温度监测设备，所述能耗计量采集设备和温度监测设备接收指令经校验后进行响应，将相应的能耗和温度数据反馈至所述管理层，经过处理分项存储至数据库。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述将采集存储的能耗和温度数据作为时间序列分析方法的输入参数，其中，所述时间序列是计算所述能耗和温度数据的自相关函数和偏自相关函数。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：
所述自相关系数，其定义：
因为对于一个平稳过程有：
所以
当k＝0时，有ρ0＝1，以滞后期k为变量的自相关系数列ρkk＝0,1,2,...称为自相关函数。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述偏自相关函数用以描述随机过程结构特征，其中，
用φkj表示k阶自回归过程中第j个回归系数，则k阶自回归模型表示为：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一个回归系数；
若把φkk看作是滞后期k的函数，则称φkk，k＝1,2,...为偏自相关函数；
设时间序列{yt}，取移动平均的项数为n，则第t+1期预测值的计算公式
为：
上式中yt表示第t期实际值；表示第t期一次移动平均数；yt+1表示t+1期预测值(t≥n)。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述BP神经网络模型，其中，
根据神经网络的数据处理特点，对输入数据进行归一化处理，采用premnmx函数把训练样本归一化在[0，1]之间，方法如下：
其中，x、x′是归一化前、后的值，xmax是样本中最大值，xmin是样本中最小值。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述BP神经网络模型，其建立过程包括，
网络的创建、训练、仿真、预测、反归一化处理；其中，
所述网络的创建，其类型选择“feed-forward backprop”；
所述训练函数采用trainlm；
将网络输出结果经反归一化处理后，即可得到预测能耗的数据；
采用mapminmax函数对预测的能耗数据进行反归一化处理。
作为本发明所述的基于分项计量时间序列建筑能耗预测方法的一种优选方案，其中：所述BP神经网络模型，包括3个输入神经元、9个隐含神经元和4个输出神经元的网络；网络隐含层的神经元传递函数采用是tansig函数，输出层神经元传递函数采用是线性函数purelin。
本发明的另一个目的是提供一种利用基于分项计量时间序列建筑能耗预测方法建立的***。
为解决上述技术问题，本发明提供如下技术方案：一种预测建筑物的能量消耗的预测***，其中，该预测***包括控制单元，该控制单元实施基于分项计量时间序列建筑能耗预测方法。
本发明的再一个目的是提供一种建筑物，其包括实施基于分项计量时间序列建筑能耗预测方法的预测建筑物的能量消耗的预测***。
本发明的有益效果：本发明提供的一种基于分项计量时间序列建筑能耗预测方法，由于BP神经网络学习效率低，收敛速度慢，对参数选择较为敏感，在BP神经网络的基础上加入分项计量和时间序列的建筑能耗预测算法，可以大大提高了能耗预测的精确度，缩短了预测的时间，使得预测出的数据更加准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明所述能耗数据采集监测平台***示意图；
图2为本发明能耗数据采集预测流程示意图；
图3为本发明平稳时间序列模型流程示意图；
图4为本发明在一个实施方式中为南京某大厦建立的能耗预测BP神经网络模型示意图；
图5为本发明图4所述能耗预测BP神经网络模型的训练结果示意图；
图6为本发明图4所示实施方式中南京某大厦照明能耗预测结果示意图；
图7为本发明图4所示实施方式中南京某大厦空调能耗预测结果示意图；
图8为本发明图4所示实施方式中南京某大厦动力能耗预测结果示意图；
图9为本发明图4所示实施方式中南京某大厦特殊能耗预测结果示意图；
图10为本发明图4所示实施方式中南京某大厦四大项能耗预测的绝对误差示意图；
图11为本发明图4所示实施方式中南京某大厦四大项能耗预测的相对误差示意图；
图12为本发明图4所示实施方式中南京某大厦能耗预测的平均绝对误差示意图；
图13为本发明图4所示实施方式中南京某大厦能耗预测的均方根误差示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
步骤一：如图1所示，为获取预测数据样本，需建立能耗监测平台，能耗数据采集***采用3层架构设计。
能耗数据采集***分为现场计量层100、网络通信层200以及管理层300。
管理层300计算机发出数据采集指令，经网络通信层200协议转换后，传至现场计量层100各能耗计量采集设备101和温度监测设备102。
能耗计量采集设备101温度监测设备102接收指令经校验后进行响应，将相应的能耗和温度数据反馈至管理层300计算机，经过处理分项存储至数据库。
预测模型通过调用数据库即可获得训练样本。
步骤二：如图2所示，能耗监测平台分别采集建筑的照明用电、动力用电、空调用电、特殊用电以及温度的数据并存储。
将能耗监测平台采集存储的照明用电和温度数据作为时间序列分析方法的输入参数来预测出未来照明用电能耗和未来温度趋势。
根据分项计量和相关性分析，将时间序列分析方法预测出照明用电能耗和温度趋势以及时间因子作为建筑能耗的主要影响因素。
将确立好的主要影响因数和通过能耗监测平台分别采集的动力用电、空调用电和特殊用电作为建立好的BP网络模型中的参数，来预测出未来建筑的照明用电、动力用电、空调用电、特殊用电这四大项能耗。
步骤三：采用时间序列分析方法来预测建筑的照明能耗，在时间序列分析中，首先是判别时间序列的稳定性。
时间序列是平稳的就可以计算这些数据的自相关函数autocorr和偏自相关函数parcorr。
自相关系数定义：
因为对于一个平稳过程有：
所以
当k＝0时，有ρ0＝1，以滞后期k为变量的自相关系数列ρkk＝0,1,2,...称为自相关函数。
偏自相关函数是描述随机过程结构特征的另一种说法。
用φkj表示k阶自回归过程中第j个回归系数，则k阶自回归模型表示为：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一个回归系数。
若把φkk看作是滞后期k的函数，则称φkk，k＝1,2,...为偏自相关函数。
设时间序列{yt}，取移动平均的项数为n，则第t+1期预测值的计算公式
为：
上式中yt表示第t期实际值；表示第t期一次移动平均数；yt+1表示t+1期预测值(t≥n)。
如图3所示，首先进行模式识别，判断此模型为平稳时间序列模型，进一步进行参数估计，得出自相关函数是拖着长长的尾巴，数值逐渐减小，符合拖尾性；而偏自相关函数是突然收敛到临界值水平范围内，数值突然变很小，符合截尾性，且n＝3，进一步的进行模型诊断与检验判断此时间序列模型符合自回归AR(3)模型，此模型可取的情况下进行预测，如此模型不可取则重新回到模式识别步骤。
步骤四：主要影响因素和样本数据的处理
根据神经网络的数据处理特点，需要对输入数据进行归一化处理，采用premnmx函数把训练样本归一化在[0，1]之间，方法如下：
其中，x、x′是归一化前、后的值，xmax是样本中最大值，xmin是样本中最小值。
步骤五：将时间序列模型中预测出照明能耗值用于BP网络的预测。
建立BP神经网络模型，其过程包括网络的创建、训练、仿真、预测、反归一化处理等5个步骤。
1、网络的创建
实施操作中，以南京某大厦为例：网络的创建是在MATLAB人工神经网络的操作界面上，创建一个包括3个输入神经元、9个隐含神经元和4个输出神经元的网络。网络类型选择“feed-forward backprop”，训练函数采用trainlm，该函数的学习算法为反向传播算法，其优点在于收敛速度很快。网络隐含层的神经元传递函数采用是tansig函数，输出层神经元传递函数采用是线性函数purelin，创建后的BP神经网络模型如图4所示。
2、网络的训练
为提高预测的准确性，网络需经过训练后才可以实际应用于能耗的预测。本网络采用前250组数据作为样本数据进行训练，训练结果如图5所示。可以看出，网络的训练过程收敛得很快，经过18步后，网络已达到要求，可用于预测。
3、网络的仿真与预测
通过训练可以检测训练后的网络对于输入信号的逼近效果，因此，训练好的网络还需要进行仿真。针对该大厦，其将时间序列模型预测出的7月31号9组照明能耗，以及31号这9组照明能耗时刻所对应的温度和时间因子这三个影响因素用于建立好的BP网络模型中，来预测出31号这9组四大项能耗。得到四大项的预测结果如图6～9所示。通过分析可以知道，图6由于训练拟合值非常接近期望值，图中拟合值和期望值基本重叠在一条线上，而图7～9预测效果大都能反映能耗的变化，只是有个别时刻的偏差较大，总的来说，整个模型预测效果还是很理想的。
利用样本数据来预测这一天的9组四大项能耗，能耗预测的输出结果如表1所示，表1为网络输出结果。
表1
4、反归一化处理
将网络输出结果经反归一化处理后，即可得到预测能耗的数据；
采用mapminmax函数对预测的能耗数据进行反归一化处理，得出7月31号的9组能耗反归一化处理的结果如表2所示。表2中前41组为仿真后得到的四大项能耗的预测值和实际值对比数据，以及绝对误差值，最后9组为预测的7月31号能耗数据。
表2
5、误差评价
为了从整体上评价预测模型的预测精度和稳定性，本文采用了绝对误差E、相对误差RE、平均绝对误差MAE和均方根误差RMSE四个性能指标对预测模型进行评估。
式中n表示样本数、i表示预测序列、表示第i序列的预测值、X(i)表示第i序列的实际值。
绝对误差反映了测量值偏离真值的大小，相对误差更能反映测量的可信度，平均绝对误差更好地反映预测值误差的实际情况，均方根误差反映了误差分布的离散程度，RMSE越大，误差序列越离散，预测效果越差。四个误差指标都是越小，预测效果越好。
仿真得到预测的绝对误差和相对误差如图10和图11所示，平均绝对误差和均方根误差如图12和图13所示。从图10、11中可以得出：空调能耗绝对误差相对比较大，预测效果没有其他三项好，其他三项能耗误差都是在0值上下浮动，而图12、13可以看出误差有个别偏差较大，但是总体还是比较理想。仿真得到的平均绝对误差最大值为-0.0169，均方根误差的最大值为8.3176，误差都比较小，能够进行网络预测。
从表2可以看出：7月31号能耗的预测结果还是比较理想的。这是由于时间序列算法不需要复杂的影响因子，只需前一时刻的实际值，弥补了BP神经网络算法需要的复杂的影响因子的缺点，得到了无法测出的未来的照明能耗值，使得网络能够快速训练，并很快达到训练目标，而分项计量又能更好地看清每一项能耗的值。由此可见本文提出的分项计量时间序列神经网络算法可以满足短期预测对实时性的要求。短期预测不仅要求快速预测，而且需要满足一定的精度，达到工程应用的要求。利用训练好的网络对接下来的电能耗进行预测，预测较为理想。总体来看，分项计量时间序列神经网络算法的预测精度较高，最大平均绝对误差为0.0245，最小平均绝对误差0.0001。综上所述基于分项计量时间序列神经网络预测模型适用于建筑能耗短期预测。
网络类型选择“feed-forward backprop”，训练函数采用trainlm，该函数的学习算法为反向传播算法，其优点在于收敛速度很快。
网络隐含层的神经元传递函数采用是tansig函数，输出层神经元传递函数采用是线性函数purelin。
将网络输出结果经反归一化处理后，即可得到预测能耗的数据；
采用mapminmax函数对预测的能耗数据进行反归一化处理。
由于时间序列算法不需要复杂的影响因子，只需前一时刻的实际值，弥补了BP神经网络算法需要的复杂的影响因子的缺点，得到了无法测出的未来的照明能耗值，使得网络能够快速训练，并很快达到训练目标，而分项计量又能更好地预测出每一项能耗的值。
本发明还涉及一种预测建筑物的能量消耗的预测***，其包括一个控制单元，该控制单元实施如前所述的预测建筑物的能量消耗的预测方法。预测建物筑的能量消耗的预测***包括照明和/或动力和/或特殊用电和/或供热和/或空调设备以及控制单元，该控制单元能够根据所需要的温度设定值，通过对相关设备致动来调节建筑物的内部温度。
本发明还涉及一种建筑物，其包括预测建筑物的能量消耗的预测***，所述预测***实施如上述的预测建筑物的能量消耗的预测方法。
本发明还涉及预测建筑物的能量需求的预测***，其包括允许实施前文描述的方法的计算机。该***有利地与建筑物的供热和空调设备相关联，以便基于为达到居住着希望的舒适度而计算出的能量消耗来实施热调节。该***包括例如控制单元，该控制单元包括实施前文描述的方法的计算机。该方法可以通过存储在信息载体上的软件装置来实施。
最后，建筑物可以配备实施前文描述的方法的建筑物的能量消耗预测***，用于调节或是更广义地管理其相关设备。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于分项计量时间序列的建筑能耗预测方法，其特征在于：包括，
采集建筑的能耗以及温度的数据并存储；
将采集存储的能耗和温度数据作为时间序列分析方法的输入参数；
根据分项计量和相关性分析，将时间序列分析方法预测出能耗和温度趋势以及时间因子作为建筑能耗的主要影响因素；
将确立好的主要影响因数和采集的能耗作为建立好的BP神经网络模型中的参数，来预测出未来建筑的能耗。
2.如权利要求1所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述采集建筑的能耗及温度的数据并存储，其是通过能耗数据采集***进行，
所述能耗数据采集***包括，
计量层(100)，包括能耗计量采集设备(101)和温度监测设备(102)，所述能耗计量采集设备(101)对建筑的照明用电、动力用电、空调用电和特殊用电的能耗进行采集，所述温度监测设备(102)对空间温度进行采集；
通信层(200)，建立计量层(100)和管理层(300)之间的通信联系；以及，
管理层(300)，发出数据采集指令并对采集的相应能耗和温度数据进行存储；其中，
所述管理层(300)发出数据采集指令，经所述通信层(200)的通信协议转换后，传至所述计量层(100)的能耗计量采集设备(101)和温度监测设备(102)，所述能耗计量采集设备(101)和温度监测设备(102)接收指令经校验后进行响应，将相应的能耗和温度数据反馈至所述管理层(300)，经过处理分项存储至数据库。
3.如权利要求2所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述将采集存储的能耗和温度数据作为时间序列分析方法的输入参数，其中，
所述时间序列是计算所述能耗和温度数据的自相关函数和偏自相关函数。
4.如权利要求3所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：
所述自相关系数，其定义：
因为对于一个平稳过程有：
所以
当k＝0时，有ρ0＝1，以滞后期k为变量的自相关系数列ρkk＝0,1,2,...称为自相关函数。
5.如权利要求3或4所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：
所述偏自相关函数用以描述随机过程结构特征，其中，
用φkj表示k阶自回归过程中第j个回归系数，则k阶自回归模型表示为：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一个回归系数；
若把φkk看作是滞后期k的函数，则称φkk，k＝1,2,...为偏自相关函数；
设时间序列{yt}，取移动平均的项数为n，则第t+1期预测值的计算公式为：
上式中yt表示第t期实际值；表示第t期一次移动平均数；yt+1表示t+1期预测值(t≥n)。
6.如权利要求1～4任一所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述BP神经网络模型，其中，
根据神经网络的数据处理特点，对输入数据进行归一化处理，采用premnmx函数把训练样本归一化在[0，1]之间，方法如下：
其中，x、x′是归一化前、后的值，xmax是样本中最大值，xmin是样本中最小值。
7.如权利要求6所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述BP神经网络模型，其建立过程包括，
网络的创建、训练、仿真、预测、反归一化处理；其中，
所述网络的创建，其类型选择BP神经网络；
所述训练，其函数采用trainlm；
所述反归一化处理，其是采用mapminmax函数对预测的能耗数据进行处理。
8.如权利要求7所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述BP神经网络模型，
包括三个输入神经元、九个隐含神经元和四个输出神经元的网络；
所述隐含神经元传递函数采用是tansig函数，所述输出神经元传递函数采用是线性函数purelin。
9.一种预测建筑物的能量消耗的预测***，其特征在于：该预测***包括控制单元，该控制单元实施如权利要求1～4、7或8任一所述的基于分项计量时间序列建筑能耗预测方法。
10.一种建筑物，其特征在于：包括实施如权利要求1～4、7或8任一所述的基于分项计量时间序列建筑能耗预测方法的预测建筑物的能量消耗的预测***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321447.2A CN106991504B (zh) | 2017-05-09 | 2017-05-09 | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321447.2A CN106991504B (zh) | 2017-05-09 | 2017-05-09 | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106991504A true CN106991504A (zh) | 2017-07-28 |
| CN106991504B CN106991504B (zh) | 2021-07-16 |
Family
ID=59418606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710321447.2A Active CN106991504B (zh) | 2017-05-09 | 2017-05-09 | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106991504B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
| CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
| CN109063366A (zh) * | 2018-08-22 | 2018-12-21 | 深圳市建筑科学研究院股份有限公司 | 一种基于时间和空间加权的建筑性能数据在线预处理方法 |
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
| CN110544180A (zh) * | 2019-08-22 | 2019-12-06 | 万洲电气股份有限公司 | 一种基于能耗预测和分析诊断的建筑节能*** |
| CN111753470A (zh) * | 2020-06-30 | 2020-10-09 | 桂林电子科技大学 | 一种基于粗糙集和深度置信神经网络的建筑能耗预测方法 |
| CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
| CN114593375A (zh) * | 2022-03-30 | 2022-06-07 | 常州通用自来水有限公司 | 基于泵房能耗的二次供水小区管道漏损监测和定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202649806U (zh) * | 2012-07-03 | 2013-01-02 | 上海同杭节能科技有限公司 | 建筑能耗分项计量*** |
| CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
| CN104239982A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 |
| US20150317589A1 (en) * | 2012-11-09 | 2015-11-05 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
-
2017
- 2017-05-09 CN CN201710321447.2A patent/CN106991504B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202649806U (zh) * | 2012-07-03 | 2013-01-02 | 上海同杭节能科技有限公司 | 建筑能耗分项计量*** |
| CN102938092A (zh) * | 2012-10-08 | 2013-02-20 | 珠海派诺科技股份有限公司 | 一种基于神经网络的建筑节假日能耗预测方法 |
| US20150317589A1 (en) * | 2012-11-09 | 2015-11-05 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
| CN104239982A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 |
| CN105631539A (zh) * | 2015-12-25 | 2016-06-01 | 上海建坤信息技术有限责任公司 | 基于支持向量机的智能楼宇能耗预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUANG SHI；DERONG LIU；QINGLAI WEI；: "Energy consumption prediction of office buildings based on echo state networks", 《NEUROCOMPUTING》 * |
| KADIR AMASYALI；NORAEL-GOHARY；: "Building lighting energy consumption prediction for supporting energy data analytics", 《PROCEDIA ENGINEERING》 * |
| 王文举等: "《经济预测、决策与对策》", 30 September 2013, 首都经济贸易大学出版社 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN107730006B (zh) * | 2017-09-13 | 2021-01-05 | 重庆电子工程职业学院 | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 |
| CN107730006A (zh) * | 2017-09-13 | 2018-02-23 | 重庆电子工程职业学院 | 一种基于可再生能源大数据深度学习的建筑近零能耗控制器 |
| CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
| CN108320016B (zh) * | 2018-03-08 | 2023-09-19 | 南京工业大学 | 一种建筑能耗短期预测方法 |
| CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
| CN108764568B (zh) * | 2018-05-28 | 2020-10-23 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
| CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
| CN109063903B (zh) * | 2018-07-19 | 2021-04-09 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
| CN109063366A (zh) * | 2018-08-22 | 2018-12-21 | 深圳市建筑科学研究院股份有限公司 | 一种基于时间和空间加权的建筑性能数据在线预处理方法 |
| CN109063366B (zh) * | 2018-08-22 | 2022-12-23 | 深圳市建筑科学研究院股份有限公司 | 一种基于时间和空间加权的建筑性能数据在线预处理方法 |
| CN110544180A (zh) * | 2019-08-22 | 2019-12-06 | 万洲电气股份有限公司 | 一种基于能耗预测和分析诊断的建筑节能*** |
| CN111753470A (zh) * | 2020-06-30 | 2020-10-09 | 桂林电子科技大学 | 一种基于粗糙集和深度置信神经网络的建筑能耗预测方法 |
| CN111753470B (zh) * | 2020-06-30 | 2022-09-16 | 桂林电子科技大学 | 一种基于粗糙集和深度置信神经网络的建筑能耗预测方法 |
| CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
| CN112183826B (zh) * | 2020-09-15 | 2023-08-01 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
| CN114593375A (zh) * | 2022-03-30 | 2022-06-07 | 常州通用自来水有限公司 | 基于泵房能耗的二次供水小区管道漏损监测和定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106991504B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106991504A (zh) | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 | |
| CN113746144B (zh) | 一种源网荷实时交互的电碳控制方法及其智能管理*** | |
| Tian et al. | Predictive model of energy consumption for office building by using improved GWO-BP | |
| CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
| CN106315319A (zh) | 一种电梯智能预调度方法及*** | |
| CN103018418A (zh) | 景观水体水质在线预警*** | |
| CN112633571A (zh) | 源网荷互动环境下基于lstm的超短期负荷预测方法 | |
| CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
| Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
| WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及*** | |
| CN114219212A (zh) | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 | |
| CN110198042A (zh) | 一种电网储能的动态优化方法及存储介质 | |
| CN113872228A (zh) | 一种应用于电网调峰调频的电动汽车调度方法和装置 | |
| Xuanrong et al. | Research and design of precision irrigation system based on artificial neural network | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| Wu et al. | A deep learning-based strategy to the energy management-advice for time-of-use rate of household electricity consumption | |
| CN117353276A (zh) | 一种分布式能源协同控制方法及*** | |
| CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
| CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
| CN104463683B (zh) | 一种含多源电网中长期负荷预测方法 | |
| Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
| CN113675866B (zh) | 一种规模化电动汽车的动态网格化金字塔调度方法 | |
| CN116307437A (zh) | 基于碳排放权兑换机制的虚拟电厂优化调度方法及*** | |
| Ou et al. | Non-intrusive load decomposition based demand responsiveness assessment of regional residents | |
| Guo et al. | Research on short-term traffic demand of taxi in large cities based on BP neural network algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |