CN110046743A - 基于ga-ann的公共建筑能耗预测方法和*** - Google Patents
基于ga-ann的公共建筑能耗预测方法和*** Download PDFInfo
- Publication number
- CN110046743A CN110046743A CN201910168405.9A CN201910168405A CN110046743A CN 110046743 A CN110046743 A CN 110046743A CN 201910168405 A CN201910168405 A CN 201910168405A CN 110046743 A CN110046743 A CN 110046743A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- public buildings
- prediction
- error
- 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 154
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 210000005036 nerve Anatomy 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 3
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000005183 dynamical system Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000019552 anatomical structure morphogenesis Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于GA‑ANN的公共建筑能耗预测方法和***，采集公共建筑逐时能耗及其影响因素的数据，整理数据并进行预处理；划分训练集和测试集，并通过相关系数法筛选输入变量；输入测试数据，通过遗传算法优化人工神经网络模型的相关参数，之后使用训练集数据训练模型；通过输入被预测时期的输入变量，预测公共建筑能耗；最后通过误差指标评价对测试集的预测效果，给出容许误差范围。本发明给出了利用遗传算法和人工神经网络对公共建筑能耗预测的流程与方法。针对公共建筑，实现了高精度的预测，为公共建筑能耗的监测、管理和诊断提供了依据。
Description
技术领域
本发明涉及建筑能源智能化技术领域，具体地，涉及一种基于GA-ANN的公共建筑能耗预测方法和***，尤其是利用机器学习的方法对公共建筑能耗进行预测的方法。
背景技术
随着社会的发展，建筑能耗不断升高，公共建筑作为能耗大户其能源管理受到社会的重视。而公共建筑能耗的预测是公共建筑管理与建筑节能过程中的重要组成部分，对提高建筑能源利用率、保护环境具有重要意义。近年来针对公共建筑的能耗监控***和数据平台不断发展，通过传感器和互联网采集相关数据，近年来已经获得了预测的数据基础。基于历史数据，通过数据方法驱动预测和控制，为建筑能源的科学管理提供了数据支撑。
传统的建筑能耗预测分析方法通常为物理建模方法，它有着建模与计算耗时长，模型复杂度高，应用繁琐等缺点。而基于数据驱动方法的建筑能耗模型，不需要物理参数和热力学平衡方程，可以仅依靠过往历史数据的分析对建筑能耗做出较准确的预测，同时可以不断改善模型性能，获得较好的预测精度。
人工神经网络作为一种重要的预测方法，有模拟时间短，且适用于非线性问题等优点，但建模过程中模型参数的选择将会极大地影响模型性能。选取合适的模型参数，是应用ANN模型预测建筑能耗的关键步骤。
与本申请相关的现有技术是专利文献CN 104134097A，公开了一种基于GANN-BIM模型的严寒地区办公建筑形态节能设计方法。该发明应用遗传优化算法(GA)将神经网络模型(ANN)与建筑信息模型(BIM)结合起来，实现了基于能耗数据的办公建筑形态生成过程，达成了对严寒地区办公建筑形态解空间的连续、量化搜索，该方法所建构的GANN-BIM平台引入了神经网络模型(ANN)进行能耗预测。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于GA-ANN的公共建筑能耗预测方法和***。
根据本发明提供的一种基于GA-ANN的公共建筑能耗预测方法，包括：
步骤S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
步骤S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；
步骤S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；
步骤S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
步骤S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
优选地，所述影响因素信息包括室外气象参数和建筑运行信息；
室外气象参数来自于网络获取的气象站历史数据，建筑运行信息依靠实地调研获得或者类似建筑运行规律获得。
优选地，通过所述预处理，进行包括异常值、缺失值的判定和处理。
当进行判定异常值时，通过区间检验进行判定，所述区间检验是将能耗数据进行大小排序后，使用位于α％处的百分位数作为区间上限，区间下限为0，再将所述区间扩展为125％以保证建筑正常波动时的数据不被误判，最终的判定区间S的表达式为：
S＝[0,125％×X(α％)]
式中，S为判定异常值的区间；
X(α％)为第α百分位数，是指能耗数据按大小排列，累积α％处的值；
不处于区间内的数据被判定为异常数据，异常数据被去除。
当进行缺失值判定时，使用完整时间轴与历史数据的时间轴对比，无数据的时间点记为缺失；一整天所有时间数据均为0的数据记为缺失；连续缺失点少于5的情况下，使用线性插值法进行补全，计算公式为：
N(N≤5)为缺失点数目，Yn(n＝1,2,…,N)为第n个缺失点的数据值，Y0和YN+1分别为缺失序列前后紧邻的数据。
优选地，所述各变量间的相关系数的计算采用皮尔逊相关系数计算，通过下式：
式中r(X,Y)为变量X，Y的相关系数；
Cov(X,Y)为X，Y的协方差；
Var(X)为变量X的方差，Var(Y)为变量Y的方差；
当相关系数绝对值大于0.3时，设定所述变量与建筑能耗有关联性，将所述变量确定为输入变量。
优选地，所述使用遗传优化算法是使用遗传算法优化ANN,所述遗传算法优化ANN为多层感知机MLP，具体优化步骤如下：
第一步，算法参数的初始化，需要初始化的参数有：隐藏层层数，每层隐藏层的神经元数目，L2正则化惩罚系数α，初始学习速率η；确定优化参数的取值范围和精确度，同时设定种群个体数量N为20，交叉概率Pc为80％，以及变异概率Pm为10％，最大迭代次数30；
第二步，将十进制转换为二进制编码生成随机生成初始种群，编码长度l满足如下公式：
2l-1<(Lupper-Llower)/δ≤2l-1
式中，Lupper与Llower分别表示该决策变量取值范围的上限与下限，δ则表示计算的精确度；
使用随机生成的0/1填满序列，生成含有20个个体的初始种群，每一个序列称为该个体染色体；
第三步，计算个体适应度，采用的适应度准则为，预测误差的倒数，此处的预测误差指经过相同训练集数据训练后的人工神经网络预测结果的平均绝对百分比误差。
Fi＝1/MAPEi
式中，Fi表示第i个个体的适应度，MAPEi是第i个个体的绝对百分比误差；MAPE指平均绝对百分比误差，指模型对训练数据的预测值，yk为能耗数据的真实值；
第四步，判断最大适应度是否已达到设定值或者循环次数达到上限，适应度大于50或者循环次数达到30时停止循环；
第五步，选择父代中的优良个体，使优良个体的优良基因能遗传到下一代中，所述适应度的大小按比例分配被选择的概率，概率的计算公式如下
式中，Pi表示第i个个体被选择的概率，Fi表示该个体的适应度，N表示个体的数目；按概率随机选取个体，组成新种群。
第六步，交叉与变异，交叉为随机选择两个个体和一个节点，交换两染色体节点之后的部分；变异为随机选择一点，将该点位置的数值翻转，即0置换为1，1置换为0。
第七步，将第六步产生的新种群，重新回到第三步进行循环。
第八步，当第四步判断完成循环后，输入此时最优的个体，重新解码为十进制数，输出即为优化后的MLP人工神经网络的模型参数。
优选地，所述平均绝对百分比误差，通过下式计算：
式中，MAPE指平均绝对百分比误差；指模型对第i个测试数据集的预测值，yi为第i个测试数据集的建筑能耗的真实值；n表示测试数据集的数目；
所述误差允许范围的误差上限emax为
emax＝200％×MAPE
当建筑能耗超出误差允许范围的误差上限时，发出异常警报。
根据本发明提供的一种基于GA-ANN的公共建筑能耗预测***，包括：
模块S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
模块S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；
模块S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；
模块S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
模块S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
与现有技术相比，本发明具有如下的有益效果：
1.预测速度快，通过GA-ANN建模预测公共建筑能耗，完成训练后可以快速提供的公共建筑能耗预测，解决了物理建模周期长，工程量大的问题。
2.预测精度高，通过遗传算法优化了人工神经网络的参数，提高了模型性能，对公共建筑的能耗预测精度明显提高。
3.实用性强，本方法可广泛应用与各类公共建筑的能耗预测，依据此预测结果优化建筑能源管理策略，同时提供的误差分析功能能够为建筑运行诊断提供参考。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中公共建筑能耗预测过程示意图；
图2为遗传算法优化人工神经网络的流程图；
图3为本发明对某办公楼的能耗预测效果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明基于GA-ANN的公共建筑能耗预测方法和***，通过数据预处理，变量选择，划分数据集，优化参数，训练模型，预测能耗和误差评价的完整流程，该算法可以对公共建筑的实时和未来能耗进行高精度预测。
如图1所示，根据本发明提供的一种基于GA-ANN的公共建筑能耗预测方法，包括：
步骤S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
步骤S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；优选地，计算各变量间的相关系数，对比获得与能耗相关性高的参数，确定为模型的输入变量；
步骤S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；优选地，人工神经网络(ANN)模型性能与隐藏层结构相关，使用遗传算法(GA)，根据适应度选择最优的模型参数，建立起人工神经网络模型；之后再使用训练集数据训练模型，得到能耗预测模型；
步骤S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
步骤S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
具体地，所述影响因素信息包括室外气象参数和建筑运行信息；
室外气象参数来自于网络获取的气象站历史数据，建筑运行信息依靠实地调研获得或者类似建筑运行规律获得。优选地，其中使用到的公共建筑历史能耗数据来源于能耗监控***。能耗监控***采集公共建筑的总能耗和照明与插座、空调***、动力***和特殊能耗等分项能耗数据。
具体地，通过所述预处理，进行包括异常值、缺失值的判定和处理。
当进行判定异常值时，通过区间检验进行判定，所述区间检验是将能耗数据进行大小排序后，使用位于α％处的百分位数作为区间上限，区间下限为0，再将所述区间扩展为125％以保证建筑正常波动时的数据不被误判，最终的判定区间S的表达式为：
S＝[0,125％×X(α％)]
式中，S为判定异常值的区间；
X(α％)为第α百分位数，是指能耗数据按大小排列，累积α％处的值；优选地，默认α大小为95，数据可靠性高时对应提高。
不处于区间内的数据被判定为异常数据，异常数据被去除。
当进行缺失值判定时，使用完整时间轴与历史数据的时间轴对比，无数据的时间点记为缺失；一整天所有时间数据均为0的数据记为缺失；连续缺失点少于5的情况下，使用线性插值法进行补全，计算公式为：
N(N≤5)为缺失点数目，Yn(n＝1,2,…,N)为第n个缺失点的数据值，Y0和YN+1分别为缺失序列前后紧邻的数据。
具体地，所述各变量间的相关系数的计算采用皮尔逊相关系数计算，通过下式：
式中r(X,Y)为变量X，Y的相关系数；
Cov(X,Y)为X，Y的协方差；
Var(X)为变量X的方差，Var(Y)为变量Y的方差；
当相关系数绝对值大于0.3时，设定所述变量与建筑能耗有关联性，将所述变量确定为输入变量。优选地，所述变量包括建筑室外温度、室外湿度、建筑运行状态、前一小时能耗。
具体地，所述使用遗传优化算法时使用遗传算法优化ANN,所述遗传算法优化ANN为多层感知机MLP，所选择使用的ANN的网络模型为多层感知机(MLP)，需要优化的模型参数有：隐含层层数以及各层神经元个数、L2正则化惩罚系数α、学习速率η。
如图2所示，具体优化步骤如下：
第一步，算法参数的初始化，需要初始化的参数有：隐藏层层数，每层隐藏层的神经元数目，L2正则化惩罚系数α，初始学习速率η；确定优化参数的取值范围和精确度，同时设定种群个体数量N为20，交叉概率Pc为80％，以及变异概率Pm为10％，最大迭代次数30；优选地，确定优化参数的取值范围和精确度，隐藏层层数范围1～4层，精度为1；每层神经元个数取值范围2～200，精度为1；L2正则化惩罚系数α范围为10-5～10-3，精度为10-5；学习速率范围0.0001到0.01，精度为0.0001。同时设定种群个体数量N为20，交叉概率Pc为80％，以及变异概率Pm为10％，最大迭代次数30。
第二步，将十进制转换为二进制编码生成随机生成初始种群，编码长度l满足如下公式：
2l-1<(Lupper-Llower)/δ≤2l-1
式中，Lupper与Llower分别表示该决策变量取值范围的上限与下限，δ则表示计算的精确度；
使用随机生成的0/1填满序列，生成含有20个个体的初始种群，每一个序列称为该个体染色体；
第三步，计算个体适应度，个体适应度是评价染色体优劣的标准和算法寻优的依据；采用的适应度准则为，预测误差的倒数，此处的预测误差指经过相同训练集数据训练后的人工神经网络预测结果的平均绝对百分比误差。
Fi＝1/MAPEi
式中，Fi表示第i个个体的适应度，MAPEi是第i个个体的绝对百分比误差；MAPE指平均绝对百分比误差，指模型对训练数据的预测值，yk为能耗数据的真实值；
第四步，判断最大适应度是否已达到设定值或者循环次数达到上限，适应度大于50或者循环次数达到30时停止循环；
第五步，选择父代中的优良个体，使优良个体的优良基因能遗传到下一代中，选择的依据是个体适应度，个体适应度越高的个体，其被选择的概率也就越高。所述适应度的大小按比例分配被选择的概率，概率的计算公式如下
式中，Pi表示第i个个体被选择的概率，Fi表示该个体的适应度，N表示个体的数目；按概率随机选取个体，组成新种群。
第六步，交叉与变异，交叉为随机选择两个个体和一个节点，交换两染色体节点之后的部分；变异为随机选择一点，将该点位置的数值翻转，即0置换为1，1置换为0。
第七步，将第六步产生的新种群，重新回到第三步进行循环。
第八步，当第四步判断完成循环后，输入此时最优的个体，重新解码为十进制数，输出即为优化后的MLP人工神经网络的模型参数。
具体地，所述平均绝对百分比误差，通过下式计算：
式中，MAPE指平均绝对百分比误差；指模型对第i个测试数据集的预测值，yi为第i个测试数据集的建筑能耗的真实值；n表示测试数据集的数目；
所述误差允许范围的误差上限emax为
emax＝200％×MAPE
当建筑能耗超出误差允许范围的误差上限时，发出异常警报。实际应用中得到数据的误差超过该上限，该公共建筑的运行可能出现异常，可以向监控***发出警报。
根据本发明提供的一种基于GA-ANN的公共建筑能耗预测***，包括：
模块S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
模块S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；
模块S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；
模块S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
模块S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
本发明提供的基于GA-ANN的公共建筑能耗预测***，可以通过基于GA-ANN的公共建筑能耗预测方法的步骤流程实现。本领域技术人员可以将基于GA-ANN的公共建筑能耗预测方法理解为所述基于GA-ANN的公共建筑能耗预测***的优选例。
根据本发明以数据基础预测建筑能耗的思想，针对公共建筑能耗高精度预测的需求和ANN算法参数优化的目标，对公共建筑的实时和未来能耗进行高精度预测，为建筑能源的科学管理提供依据，将遗传算法应用于人工神经网络的参数优化，有效的改善模型的预测精度。遗传算法是一种模型生物进化过程搜索最优解的优化算法，因为其是多个个体共同进行搜索，所以更容易得到全局最优解。
在具体实施例中，以本发明技术方案为前提下进行实施，依靠上海某办公楼的历史数据和开源Python代码，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
基于GA-ANN的公共建筑能耗预测方法，其包含以下主要实施步骤：
步骤S1，使用能耗监控***获取公共建筑的能耗数据，包括能耗监控***采集公共建筑的总能耗和照明与插座、空调***、动力***和特殊能耗四大分项能耗数据，本例中数据长度总共两年，使用其中3个月的数据；影响因素包括室外气象参数和建筑运行信息，影响因素包括室外气象参数，由气象监测站数据取得，取得对应时间点的气象数据。对取得的数据进行预处理，包括异常值、缺失值的判别与处理，最后进行数据归一化；
具体地，使用的公共建筑历史能耗数据来源于能耗监控***，室外气象参数来自于网络获取的气象站历史数据，包括室外温湿度，日照度，风速，降雨量等。建筑运行信息依靠实地调研获得或类似建筑运行规律；预处理判定异常值时，通过区间检验判定能耗异常，所使用区间获得方法为依据大部分能耗为正常数据，将数据由小到大排序后，使用位于α％处的百分位数作为区间上限，区间下限为0，然后将该区间扩展为125％以保证建筑正常波动时的数据不被误判，最终的判定区间S的表达式为：
S＝[0,125％×X(α％)]
式中，S为判定异常值的区间；X(α％)为第α百分位数，指数据按大小排列，累积α％处的值，默认α大小为95，数据可靠性高时对应提高；
不处于区间内的数据被判定为异常数据，去除这部分数据点。缺失值判定方法是使用完整时间轴与历史数据的时间轴对比，无数据的时间点记为缺失；一整天所有时间数据均为0的数据记为缺失。连续缺失点少于5的情况下，使用线性插值法进行补全，计算公式为：
N(N≤5)为缺失点数目，Yn(n＝1,2,…,N)为第n个缺失点的数据值，Y0和YN+1分别为缺失序列前后紧邻的数据。
步骤S2，划分训练集和测试集，训练集用于训练模型，测试集用于测试模型预测精度；本例中训练集为夏季两个月的历史能耗，测试集为同为夏季的一周连续能耗序列。计算各变量间的相关系数，对比获得与能耗相关性高的参数，满足相关性标准的参数，确定为模型的输入变量；
具体地，所述步骤S2中使用的相关系数计算方法为皮尔逊相关系数，计算公式为：
式中r(X,Y)为变量X，Y的相关系数，Cov(X,Y)为X，Y的协方差，Var(X)为变量X的方差。
当相关系数绝对值大于0.3时，认为该变量与建筑能耗有关联性，本例中确定的输入变量，包括建筑室外温度，室外湿度，建筑运行状态，前一小时能耗。
步骤S3，人工神经网络(ANN)模型性能与隐藏层结构相关，使用遗传算法(GA)，根据适应度选择最优的模型参数，建立起人工神经网络模型，具体流程在之后的说明中详细给出；然后再使用训练集数据训练模型，得到能耗预测模型；
使用遗传算法优化ANN的参数选择。所选择使用的ANN的网络模型为多层感知机(MLP)，需要优化的模型参数有：隐含层层数以及各层神经元个数、学习速率η。具体优化步骤如下：
第一步，算法参数的初始化，需要初始化的参数有：隐藏层层数，每层隐藏层的神经元数目，L2正则化惩罚系数α，初始学习速率η；确定优化参数的取值范围和精确度，隐藏层层数范围1～4层，精度为1；每层神经元个数取值范围2～200，精度为1；L2正则化惩罚系数α范围为10-5～10-3，精度为10-5；学习速率范围0.0001到0.01，精度为0.0001。同时设定种群个体数量N为20，交叉概率Pc为80％，以及变异概率Pm为10％，最大迭代次数30。
第二步，将十进制转换为二进制编码生成随机生成初始种群。编码长度l满足如下公式：
2l-1<(Lupper-Llower)/δ≤2l-1
式中，Lupper与Llower分别表示该决策变量取值范围的上限与下限，δ则表示计算的精确度。
之后使用随机生成的0/1填满序列，生成含有20个个体的初始种群，每一个序列称为该个体染色体。
第三步，计算个体适应度，个体适应度是评价染色体优劣的标准和算法寻优的依据。采用的适应度准则为，预测误差的倒数，此处的预测误差指经过相同训练集数据训练后的人工神经网络预测结果的平均绝对百分比误差。
Fi＝1/MAPEi
式中，Fi表示第i个个体的适应度，MAPE指平均绝对百分比误差，指模型对训练数据的预测值，yk为能耗数据的真实值。
第四步，判断最大适应度是否已达到设定值或者循环次数达到上限。适应度大于50或者循环次数达到30时停止循环。
第五步，选择父代中的优良个体，使之其优良基因能遗传到下一代中。选择的依据是个体适应度，个体适应度越高的个体，其被选择的概率也就越高。此处以适应度的大小按比例分配被选择的概率，概率的计算公式如下
式中，Pi表示第i个个体被选择的概率，Fi表示该个体的适应度。
之后按概率Pi随机选取个体，组成新的种群。
第六步，交叉与变异，交叉为随机选择两个个体和一个节点，交换两染色体节点之后的部分；变异为随机选择一点，将该点位置的数值翻转，即0置换为1，1置换为0。交叉与变异的概率分别为80％和10％。
第七步，将第六步产生的新种群，重新返回到第三步进行下一个循环，直到循环满足条件终止。
第八步，当第四步判断完成循环后，输入此时最优的个体，重新解码为十进制数，输出即为优化后的MLP人工神经网络的模型参数。本例中经过算法优化后模型参数为1层隐藏层，32个隐藏神经元，L2正则化惩罚系数为0.0518，初始学习率为0.0171。
步骤S4，输入需要预测的时期的对应的输入变量，即将测试集中的输入变量序列，作为训练后模型的输出，从而得到的输出值对应的公共建筑能耗预测值；
步骤S5，在测试集中验证模型，通过平均百分比误差(MAPE)，并给出允许的误差范围，如果有能耗误差大于误差上限，则发出警报；预测值和误差范围共同为公共建筑能耗的监测与诊断提供依据。选用的模型误差指标为平均绝对百分比误差MAPE，计算式如下：
式中，指模型对测试数据的预测值，yi为测试数据集能耗的真实值。得到模型自身的预测误差值后，允许的误差上限为
emax＝200％×MAPE
实际应用中得到数据的误差超过该上限，则该建筑运行可能出现异常。
将上述方法应用到上海某办公楼，使用两个月的能耗数据预测接下来五天的能耗，结果如图3所示，可以看到本方法可以实现高精度的能耗预测。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的***、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于GA-ANN的公共建筑能耗预测方法，其特征在于，包括：
步骤S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
步骤S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；
步骤S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；
步骤S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
步骤S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
2.根据权利要求1所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，所述影响因素信息包括室外气象参数和建筑运行信息；
室外气象参数来自于网络获取的气象站历史数据，建筑运行信息依靠实地调研获得或者类似建筑运行规律获得。
3.根据权利要求1所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，通过所述预处理，进行包括异常值、缺失值的判定和处理。
4.根据权利要求3所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，
当进行判定异常值时，通过区间检验进行判定，所述区间检验是将能耗数据进行大小排序后，使用位于α％处的百分位数作为区间上限，区间下限为0，再将所述区间扩展为125％以保证建筑正常波动时的数据不被误判，最终的判定异常值的区间S的表达式为：
S＝[0，125％×X(α％)]
式中，S为判定异常值的区间；
X(α％)为第α百分位数，是指能耗数据按大小排列，累积α％处的值；
不处于区间内的数据被判定为异常数据，异常数据被去除。
5.根据权利要求3所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，
当进行缺失值判定时，使用完整时间轴与历史数据的时间轴对比，无数据的时间点记为缺失；一整天所有时间数据均为0的数据记为缺失；连续缺失点少于5的情况下，使用线性插值法进行补全，计算公式为：
N(N≤5)为缺失点数目，Yn(n＝1，2，...，N)为第n个缺失点的数据值，Y0和YN+1分别为缺失序列前后紧邻的数据。
6.根据权利要求1所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，所述各变量间的相关系数的计算采用皮尔逊相关系数计算，通过下式：
式中r(X，Y)为变量X，Y的相关系数；
Cov(X，Y)为X，Y的协方差；
Var(X)为变量X的方差，Var(Y)为变量Y的方差；
当相关系数绝对值大于0.3时，设定所述变量与建筑能耗有关联性，将所述变量确定为输入变量。
7.根据权利要求1所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，所述使用遗传优化算法时使用遗传算法优化ANN。
8.根据权利要求7所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，所述遗传算法优化ANN为多层感知机MLP，具体优化步骤如下：
第一步，算法参数的初始化，需要初始化的参数有：隐藏层层数，每层隐藏层的神经元数目，L2正则化惩罚系数α，初始学习速率η；确定优化参数的取值范围和精确度，同时设定种群个体数量N为20，交叉概率Pc为80％，以及变异概率Pm为10％，最大迭代次数30；
第二步，将十进制转换为二进制编码生成随机生成初始种群，编码长度l满足如下公式：
2l-1＜(Lupper-Llower)/δ≤2l-1
式中，Lupper与Llower分别表示该决策变量取值范围的上限与下限，δ则表示计算的精确度；
使用随机生成的0/1填满序列，生成含有20个个体的初始种群，每一个序列称为该个体染色体；
第三步，计算个体适应度，采用的适应度准则为，预测误差的倒数，此处的预测误差指经过相同训练集数据训练后的人工神经网络预测结果的平均绝对百分比误差。
Fi＝1/MAPEi
式中，Fi表示第i个个体的适应度，MAPEi是第i个个体的绝对百分比误差；MAPE指平均绝对百分比误差，指模型对训练数据的预测值，yk为能耗数据的真实值，n表示个体的数目；
第四步，判断最大适应度是否已达到设定值或者循环次数达到上限，适应度大于50或者循环次数达到30时停止循环；
第五步，选择父代中的优良个体，使优良个体的优良基因能遗传到下一代中，所述适应度的大小按比例分配被选择的概率，概率的计算公式如下
式中，Pi表示第i个个体被选择的概率，Fi表示该个体的适应度，N表示个体的数目；按概率随机选取个体，组成新种群。
第六步，交叉与变异，交叉为随机选择两个个体和一个节点，交换两染色体节点之后的部分；变异为随机选择一点，将该点位置的数值翻转，即0置换为1，1置换为0。
第七步，将第六步产生的新种群，重新回到第三步进行循环。
第八步，当第四步判断完成循环后，输入此时最优的个体，重新解码为十进制数，输出即为优化后的MLP人工神经网络的模型参数。
9.根据权利要求1所述的基于GA-ANN的公共建筑能耗预测方法，其特征在于，所述平均绝对百分比误差，通过下式计算：
式中，MAPE指平均绝对百分比误差；指模型对第i个测试数据集的预测值，yi为第i个测试数据集的建筑能耗的真实值；n表示测试数据集的数目；
所述误差允许范围的误差上限emax为
emax＝200％×MAPE
当建筑能耗超出误差允许范围的误差上限时，发出异常警报。
10.一种基于GA-ANN的公共建筑能耗预测***，其特征在于，包括：
模块S1：监控能耗以获取公共建筑的能耗数据，获取影响因素信息，对能耗数据和影响因素信息进行预处理，得到归一化数据；
模块S2：对归一化数据进行划分训练集和测试集，所述训练集能够训练模型，所述测试集能够对模型进行预测精度检验，计算归一化数据中各变量间的相关系数，基于相关系数的大小确定模型的输入变量；
模块S3：使用遗传优化算法，建立人工神经网络模型，并使用训练集训练所述模型，得到能耗预测模型；
模块S4：将设定的输入变量输入能耗预测模型，得到输出值对应的公共建筑能耗预测值；
模块S5：通过测试集对公共建筑能耗预测值进行模型验证，得到平均绝对百分比误差，并根据平均绝对百分比误差设置误差允许范围，基于公共建筑能耗预测值和误差允许范围共同预测与诊断公共建筑能耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168405.9A CN110046743B (zh) | 2019-03-06 | 2019-03-06 | 基于ga-ann的公共建筑能耗预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168405.9A CN110046743B (zh) | 2019-03-06 | 2019-03-06 | 基于ga-ann的公共建筑能耗预测方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110046743A true CN110046743A (zh) | 2019-07-23 |
| CN110046743B CN110046743B (zh) | 2021-06-04 |
Family
ID=67274563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910168405.9A Active CN110046743B (zh) | 2019-03-06 | 2019-03-06 | 基于ga-ann的公共建筑能耗预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046743B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
| CN110471380A (zh) * | 2019-08-15 | 2019-11-19 | 四川长虹电器股份有限公司 | 一种用于智能家居***的空调故障监控及预警方法 |
| CN111126707A (zh) * | 2019-12-26 | 2020-05-08 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
| CN111597609A (zh) * | 2020-04-28 | 2020-08-28 | 马辰龙 | 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法 |
| CN111766832A (zh) * | 2020-06-29 | 2020-10-13 | 重庆大学 | 一种不完备数据驱动的数控机床切削能耗预测建模方法 |
| CN112182720A (zh) * | 2020-10-13 | 2021-01-05 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
| CN112365082A (zh) * | 2020-11-25 | 2021-02-12 | 马鞍山学院 | 一种基于机器学习的公共能源消耗预测方法 |
| CN112464554A (zh) * | 2020-11-03 | 2021-03-09 | 桂林理工大学 | 一种汽油精制设备的操作参数优化方法 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和*** |
| CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
| CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及*** |
| CN112906956A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种联合bim与cim的城市能耗预测方法 |
| WO2021120829A1 (zh) * | 2019-12-20 | 2021-06-24 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
| CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充*** |
| CN113705867A (zh) * | 2021-08-16 | 2021-11-26 | 浙江浙大中控信息技术有限公司 | 一种基于能耗区间预测的设备异常诊断方法 |
| CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
| CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
| CN117688846A (zh) * | 2024-02-02 | 2024-03-12 | 杭州经纬信息技术股份有限公司 | 用于建筑能耗的强化学习预测方法及***、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101173823B1 (ko) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | 공동주택의 에너지 사용량 예측 시스템 및 방법 |
| CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
| CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调***能耗预测方法 |
| CN109242088A (zh) * | 2018-07-23 | 2019-01-18 | 大冶特殊钢股份有限公司 | 基于ga-ann人工神经网络模型的热处理方法和装置 |
-
2019
- 2019-03-06 CN CN201910168405.9A patent/CN110046743B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101173823B1 (ko) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | 공동주택의 에너지 사용량 예측 시스템 및 방법 |
| CN104134097A (zh) * | 2014-07-01 | 2014-11-05 | 哈尔滨工业大学 | 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法 |
| CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调***能耗预测方法 |
| CN109242088A (zh) * | 2018-07-23 | 2019-01-18 | 大冶特殊钢股份有限公司 | 基于ga-ann人工神经网络模型的热处理方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| JONATHAN REYNOLDS等: ""A zone-level，building energy optimisation combining an artificial neural network，a genetic algorithm，and model predictive control"", 《ENERGY》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443425A (zh) * | 2019-08-09 | 2019-11-12 | 长江慧控科技(武汉)有限公司 | 基于Prophet的智能铁路车站电能能耗预测方法 |
| CN110471380A (zh) * | 2019-08-15 | 2019-11-19 | 四川长虹电器股份有限公司 | 一种用于智能家居***的空调故障监控及预警方法 |
| WO2021120829A1 (zh) * | 2019-12-20 | 2021-06-24 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
| CN111126707A (zh) * | 2019-12-26 | 2020-05-08 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
| CN111126707B (zh) * | 2019-12-26 | 2023-10-27 | 华自科技股份有限公司 | 能耗方程构建、能耗预测方法与装置 |
| CN111597609A (zh) * | 2020-04-28 | 2020-08-28 | 马辰龙 | 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法 |
| CN111766832A (zh) * | 2020-06-29 | 2020-10-13 | 重庆大学 | 一种不完备数据驱动的数控机床切削能耗预测建模方法 |
| CN112182720A (zh) * | 2020-10-13 | 2021-01-05 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
| CN112182720B (zh) * | 2020-10-13 | 2023-07-28 | 北京建筑技术发展有限责任公司 | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 |
| CN112464554A (zh) * | 2020-11-03 | 2021-03-09 | 桂林理工大学 | 一种汽油精制设备的操作参数优化方法 |
| CN112365082A (zh) * | 2020-11-25 | 2021-02-12 | 马鞍山学院 | 一种基于机器学习的公共能源消耗预测方法 |
| CN112700037A (zh) * | 2020-12-28 | 2021-04-23 | 成都国铁电气设备有限公司 | 一种高速铁路接触网异物缺陷数预测方法及预测装置 |
| CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和*** |
| CN113486433A (zh) * | 2020-12-31 | 2021-10-08 | 上海东方低碳科技产业股份有限公司 | 用于净零能耗建筑的能耗缺数的计算方法以及填充*** |
| CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及*** |
| CN112906956A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种联合bim与cim的城市能耗预测方法 |
| CN113705867A (zh) * | 2021-08-16 | 2021-11-26 | 浙江浙大中控信息技术有限公司 | 一种基于能耗区间预测的设备异常诊断方法 |
| CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
| CN116579506A (zh) * | 2023-07-13 | 2023-08-11 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
| CN116579506B (zh) * | 2023-07-13 | 2023-09-19 | 陕西通信规划设计研究院有限公司 | 一种基于大数据的建筑能耗数据智能管理方法及*** |
| CN117688846A (zh) * | 2024-02-02 | 2024-03-12 | 杭州经纬信息技术股份有限公司 | 用于建筑能耗的强化学习预测方法及***、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110046743B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046743A (zh) | 基于ga-ann的公共建筑能耗预测方法和*** | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
| CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| CN109063366A (zh) | 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 | |
| Alamin et al. | An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system | |
| CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| CN114444561A (zh) | 基于CNNs-GRU融合深度学习模型的PM2.5预测方法 | |
| CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及*** | |
| CN113868954A (zh) | 一种空调负荷预测方法及*** | |
| CN113111419A (zh) | 办公建筑内空调负荷预测模型建立、预测方法及*** | |
| Yang et al. | Prediction research on the energy consumption of public building based on mlr-bp neural network | |
| Balabanova et al. | Voice control and management in smart home system by artificial intelligence | |
| Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
| Groumpos et al. | New advanced technology methods for energy efficiency of buildings | |
| CN117318051B (zh) | 一种基于物联网技术的智慧能源储能管控***及方法 |
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 |