CN110544180A - 一种基于能耗预测和分析诊断的建筑节能*** - Google Patents
一种基于能耗预测和分析诊断的建筑节能*** Download PDFInfo
- Publication number
- CN110544180A CN110544180A CN201910778614.5A CN201910778614A CN110544180A CN 110544180 A CN110544180 A CN 110544180A CN 201910778614 A CN201910778614 A CN 201910778614A CN 110544180 A CN110544180 A CN 110544180A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- value
- module
- analysis
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 181
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 238000007726 management method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于能耗预测和分析诊断的建筑节能***,包括能耗数据采集模块、数据存储模块、数据监测模块、数据统计模块、数据分析预测模块和诊断模块,能耗数据采集模块通过多个智能仪表实时采集建筑物使用的各种能源消费数据,然后通过多个不同的通讯方式发送至数据采集服务器,数据存储模块在对采集的数据进行清洗判断,本发明涉及建筑能耗监测及建筑节能技术领域。该基于能耗预测和分析诊断的建筑节能***,通过采用数据分析预测和诊断,分析得到各用能单位合理能耗数据,再与实际能耗数据进行对比,发现各用能单位用能管理和用能行为的问题,然后进行针对性的管理与考核,改善用能管理和用能行为,从而实现节能目标。
Description
技术领域
本发明涉及建筑能耗监测及建筑节能技术领域,具体为一种基于能耗预测和分析诊断的建筑节能***。
背景技术
在建筑节能方面,常见的方法包括各种节能设备和节能工艺的使用,如采用高能效的产品、保温材料墙体等,除此之外,建筑日常用能管理也是非常重要的组成部分,良好的用能管理和监督考核能取得非常巨大的节能收益,建筑能耗监测***广泛运用于建筑用能管理,通过更加详细的数据统计和精细化的管理,提高了建筑用能管理水平,目前建筑节能***主要通过计量仪表收集建筑物的各种用能数据,然后再按日、周、月、年进行统计汇总或按线路、分项进行统计汇总,得到各种统计报表,只能通过监测***得到用能量的多少和差异,不能判定用能量是否合理,本发明通过采用数据分析预测和诊断,分析得到各用能单位合理能耗数据,再与实际能耗数据进行对比,发现各用能单位用能管理和用能行为的问题,然后进行针对性的管理与考核,改善用能管理和用能行为,从而实现节能目标。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于能耗预测和分析诊断的建筑节能***,通过对不同用能单位的各种能源的用能历史能耗数据以及关联的气温数据进行大数据分析,采用BP神经网络算法,预测在当前温度条件下的能耗值,再与实际能耗值进行比较,根据差异值比例得出哪些用能单位存在用能问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于能耗预测和分析诊断的建筑节能***,包括能耗数据采集模块、数据存储模块、数据监测模块、数据统计模块、数据分析预测模块和诊断模块。
所述能耗数据采集模块通过多个智能仪表实时采集建筑物使用的各种能源消费数据,然后通过多个不同的通讯方式发送至数据采集服务器。
所述数据存储模块在对采集的数据进行清洗判断,对存在错误的数据进行修正,对因通讯和采集原因未采集到的数据按数据存储规则和采集对象数据变化规律进行补齐,得到完整的各时间段和各采集点的能耗数据,并形成历史数据库。
所述数据监测模块根据能耗数据采集模块采集到的仪表数据显示各能耗计量点的实时值、累计值、最大值和最小值,以及监测各计量点的用能情况。
所述数据分析预测模块和诊断模块通过对不同用能单位的各种能源的用能历史能耗数据以及关联的气温数据进行大数据分析,再与实际能耗值进行比较,根据差异值比例得出哪些用能单位存在用能问题。
优选的,所述数据分析预测模块和诊断模块的大数据分析是采用BP神经网络算法预测在当前温度条件下的能耗值。
优选的,所述数据分析预测模块和诊断模块具体的预测算法包括如下步骤:
S1、采集用能单位的用能数据和建筑所在地的温度数据,用能数据通过智能仪表获取,温度数据从互联网获取,得到依据时间排列的用能单位用能和温度数据系列数组(X,T),取近3年工作日的能耗数据和温度数据,其中用能数据系列分别记为:Q:(q1,q2,q3,…,qn),对应的温度数据系列分别记为:T:(t1,t2,t3,…,tn),其中输入为T,输出为Q;
S2、分别对用能数据系列和温度数据系列进行归一化处理;
S3、网络初始化,通过界面选择隐含层节点数,设置学习率η,初始权值ω1由***随机生成,ω1的取值范围为(-1,1)之间的值,初始隐含层阈值a,输出层阈值b随机选择(-1,1)之间的值,由***随机生成;
S4、隐含层输出计算,即根据输入变量,输入层、隐含层连接权值ωi以及隐含层阈值a计算,计算输出H:Hi=f(ωix-ai),f为隐含层激励函数
S5、输出层计算,根据隐含层输出和输出层阈值b计算,计算输出层O:
S6、计算误差:e=Q-O;
S7、权值更新,
S8、阈值更新,b'=b+ηe;
S9、根据新得到的权值ω'i,阈值a'i,b'代替初始权值和阈值,对下一个样本进行计算,再得到新的权值和阈值,直至用完所有的样本数据,从而得到最终的权值ω'i,阈值a'i,b'即为输入和输出对用函数的权值和阈值;
S10、计算预测能耗值,根据最终的权值ω'i,阈值a'i,b',代入当前的实际气温值t,即可得到预测的能耗值;
S11、根据计算得到的预测能耗值Q与实际能耗值Q'进行比较,当实际能耗值高于预测能耗值时,提示实际能耗偏高,与数据分析能耗高(Q'-Q),请加强管理。
优选的,所述步骤S2中归一化计算公式为:qk=(qk-qmin)/(qmax-qmin),tk=(tk-tmin)/(tmax-tmin)。
优选的,所述步骤S3中节点数选择范围为1-10。
优选的,所述步骤S3中学习率设置范围为0.01-0.1。
优选的,所述步骤S3中隐含层激励函数选择对数s形函数,表达式为:且输出层激励函数选择线性函数,表达式为:f(x)=x。
优选的,所述步骤S10中算预测能耗值的公式分别为:
(三)有益效果
本发明提供了一种基于能耗预测和分析诊断的建筑节能***。与现有技术相比具备以下有益效果:该基于能耗预测和分析诊断的建筑节能***,包括能耗数据采集模块、数据存储模块、数据监测模块、数据统计模块、数据分析预测模块和诊断模块,能耗数据采集模块通过多个智能仪表实时采集建筑物使用的各种能源消费数据,然后通过多个不同的通讯方式发送至数据采集服务器,数据存储模块在对采集的数据进行清洗判断,对存在错误的数据进行修正,对因通讯和采集原因未采集到的数据按数据存储规则和采集对象数据变化规律进行补齐,得到完整的各时间段和各采集点的能耗数据,并形成历史数据库,数据监测模块根据能耗数据采集模块采集到的仪表数据显示各能耗计量点的实时值、累计值、最大值和最小值,以及监测各计量点的用能情况,能够根据历史能耗数据和气温数据,采用BP神经网络算法,得到在不同气温条件下的参考能耗,再与实际能耗数据进行直接对比,得到实际能耗高、低的具体数值,很好的解决了现有的建筑能源监测***,只能比较出实际能耗与历史同期,上期的差异,并不能判断出用能单位的实际用能是合理还是不合理的问题,同时通过采用数据分析预测和诊断,分析得到各用能单位合理能耗数据,再与实际能耗数据进行对比,发现各用能单位用能管理和用能行为的问题,然后进行针对性的管理与考核,改善用能管理和用能行为,从而实现节能目标。
附图说明
图1为本发明***的框架图;
图2为本发明数据分析预测模块和诊断模块具体的算法流程图。
图中,1能耗数据采集模块、2数据存储模块、3数据监测模块、4数据统计模块、5数据分析预测模块、6诊断模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明实施例提供一种技术方案:一种基于能耗预测和分析诊断的建筑节能***,包括能耗数据采集模块1、数据存储模块2、数据监测模块3、数据统计模块4、数据分析预测模块5和诊断模块6,能耗数据采集模块1通过多个智能仪表实时采集建筑物使用的各种能源消费数据,然后通过多个不同的通讯方式发送至数据采集服务器,数据存储模块2在对采集的数据进行清洗判断,对存在错误的数据进行修正,对因通讯和采集原因未采集到的数据按数据存储规则和采集对象数据变化规律进行补齐,得到完整的各时间段和各采集点的能耗数据,并形成历史数据库,数据监测模块3根据能耗数据采集模块1采集到的仪表数据显示各能耗计量点的实时值、累计值、最大值和最小值,以及监测各计量点的用能情况,数据分析预测模块5和诊断模块6通过对不同用能单位的各种能源的用能历史能耗数据以及关联的气温数据进行大数据分析,再与实际能耗值进行比较,根据差异值比例得出哪些用能单位存在用能问题,数据分析预测模块5和诊断模块6的大数据分析是采用BP神经网络算法预测在当前温度条件下的能耗值。
本发明中,数据分析预测模块5和诊断模块6具体的预测算法包括如下步骤:
S1、采集用能单位的用能数据和建筑所在地的温度数据,用能数据通过智能仪表获取,温度数据从互联网获取,得到依据时间排列的用能单位用能和温度数据系列数组(X,T),取近3年工作日的能耗数据和温度数据,其中用能数据系列分别记为:Q:(q1,q2,q3,…,qn),对应的温度数据系列分别记为:T:(t1,t2,t3,…,tn),其中输入为T,输出为Q;
S2、分别对用能数据系列和温度数据系列进行归一化处理,归一化计算公式为:qk=(qk-qmin)/(qmax-qmin),tk=(tk-tmin)/(tmax-tmin);
S3、网络初始化,通过界面选择隐含层节点数,设置学习率η,初始权值ω1由***随机生成,ω1的取值范围为(-1,1)之间的值,初始隐含层阈值a,输出层阈值b随机选择(-1,1)之间的值,由***随机生成,节点数选择范围为1-10,学习率设置范围为0.01-0.1,隐含层激励函数选择对数s形函数,表达式为:且输出层激励函数选择线性函数,表达式为:f(x)=x;
S4、隐含层输出计算,即根据输入变量,输入层、隐含层连接权值ωi以及隐含层阈值a计算,计算输出H:Hi=f(ωix-ai),f为隐含层激励函数
S5、输出层计算,根据隐含层输出和输出层阈值b计算,计算输出层O:
S6、计算误差:e=Q-O;
S7、权值更新,
S8、阈值更新,b'=b+ηe;
S9、根据新得到的权值ω'i,阈值a'i,b'代替初始权值和阈值,对下一个样本进行计算,再得到新的权值和阈值,直至用完所有的样本数据,从而得到最终的权值ω'i,阈值a'i,b'即为输入和输出对用函数的权值和阈值;
S10、计算预测能耗值,根据最终的权值ω'i,阈值a'i,b',代入当前的实际气温值t,即可得到预测的能耗值,算预测能耗值的公式分别为:
S11、根据计算得到的预测能耗值Q与实际能耗值Q'进行比较,当实际能耗值高于预测能耗值时,提示实际能耗偏高,与数据分析能耗高(Q'-Q),请加强管理。
综上所述
本发明能够根据历史能耗数据和气温数据,采用BP神经网络算法,得到在不同气温条件下的参考能耗,再与实际能耗数据进行直接对比,得到实际能耗高、低的具体数值,很好的解决了现有的建筑能源监测***,只能比较出实际能耗与历史同期,上期的差异,并不能判断出用能单位的实际用能是合理还是不合理的问题,同时通过采用数据分析预测和诊断,分析得到各用能单位合理能耗数据,再与实际能耗数据进行对比,发现各用能单位用能管理和用能行为的问题,然后进行针对性的管理与考核,改善用能管理和用能行为,从而实现节能目标。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于能耗预测和分析诊断的建筑节能***,包括能耗数据采集模块(1)、数据存储模块(2)、数据监测模块(3)、数据统计模块(4)、数据分析预测模块(5)和诊断模块(6);
所述能耗数据采集模块(1)通过多个智能仪表实时采集建筑物使用的各种能源消费数据,然后通过多个不同的通讯方式发送至数据采集服务器;
所述数据存储模块(2)在对采集的数据进行清洗判断,对存在错误的数据进行修正,对因通讯和采集原因未采集到的数据按数据存储规则和采集对象数据变化规律进行补齐,得到完整的各时间段和各采集点的能耗数据,并形成历史数据库;
所述数据监测模块(3)根据能耗数据采集模块(1)采集到的仪表数据显示各能耗计量点的实时值、累计值、最大值和最小值,以及监测各计量点的用能情况;
所述数据分析预测模块(5)和诊断模块(6)通过对不同用能单位的各种能源的用能历史能耗数据以及关联的气温数据进行大数据分析,再与实际能耗值进行比较。
2.根据权利要求1所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述数据分析预测模块(5)和诊断模块(6)的大数据分析是采用BP神经网络算法预测在当前温度条件下的能耗值。
3.根据权利要求1所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述数据分析预测模块(5)和诊断模块(6)具体的预测算法包括如下步骤:
S1、采集用能单位的用能数据和建筑所在地的温度数据,用能数据通过智能仪表获取,温度数据从互联网获取,得到依据时间排列的用能单位用能和温度数据系列数组(X,T),取近3年工作日的能耗数据和温度数据,其中用能数据系列分别记为:Q:(q1,q2,q3,…,qn),对应的温度数据系列分别记为:T:(t1,t2,t3,…,tn),其中输入为T,输出为Q;
S2、分别对用能数据系列和温度数据系列进行归一化处理;
S3、网络初始化,通过界面选择隐含层节点数,设置学习率η,初始权值ω1由***随机生成,ω1的取值范围为(-1,1)之间的值,初始隐含层阈值a,输出层阈值b随机选择(-1,1)之间的值,由***随机生成;
S4、隐含层输出计算,即根据输入变量,输入层、隐含层连接权值ωi以及隐含层阈值a计算,计算输出H:Hi=f(ωix-ai),f为隐含层激励函数
S5、输出层计算,根据隐含层输出和输出层阈值b计算,计算输出层O:
S6、计算误差:e=Q-O;
S7、权值更新,
S8、阈值更新,b'=b+ηe;
S9、根据新得到的权值ω'i,阈值a'i,b'代替初始权值和阈值,对下一个样本进行计算,再得到新的权值和阈值,直至用完所有的样本数据,从而得到最终的权值ω'i,阈值a'i,b'即为输入和输出对用函数的权值和阈值;
S10、计算预测能耗值,根据最终的权值ω'i,阈值a'i,b',代入当前的实际气温值t,即可得到预测的能耗值;
S11、根据计算得到的预测能耗值Q与实际能耗值Q'进行比较,当实际能耗值高于预测能耗值时,提示实际能耗偏高,与数据分析能耗高(Q'-Q),请加强管理。
4.根据权利要求3所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述步骤S2中归一化计算公式为:qk=(qk-qmin)/(qmax-qmin),tk=(tk-tmin)/(tmax-tmin)。
5.根据权利要求3所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述步骤S3中节点数选择范围为1-10。
6.根据权利要求3所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述步骤S3中学习率设置范围为0.01-0.1。
7.根据权利要求3所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述步骤S3中隐含层激励函数选择对数s形函数,表达式为:且输出层激励函数选择线性函数,表达式为:f(x)=x。
8.根据权利要求3所述的一种基于能耗预测和分析诊断的建筑节能***,其特征在于:所述步骤S10中算预测能耗值的公式分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778614.5A CN110544180A (zh) | 2019-08-22 | 2019-08-22 | 一种基于能耗预测和分析诊断的建筑节能*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910778614.5A CN110544180A (zh) | 2019-08-22 | 2019-08-22 | 一种基于能耗预测和分析诊断的建筑节能*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110544180A true CN110544180A (zh) | 2019-12-06 |
Family
ID=68711774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910778614.5A Pending CN110544180A (zh) | 2019-08-22 | 2019-08-22 | 一种基于能耗预测和分析诊断的建筑节能*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544180A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988556A (zh) * | 2019-12-20 | 2020-04-10 | 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 |
CN112232550A (zh) * | 2020-09-23 | 2021-01-15 | 万洲电气股份有限公司 | 一种基于节能专家决策分析的政府能源监管*** |
CN113038406A (zh) * | 2021-03-01 | 2021-06-25 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于5g通信的冷站能耗采集分析可信计算*** |
CN113128895A (zh) * | 2021-04-29 | 2021-07-16 | 重庆城市管理职业学院 | 基于大数据的智慧车间管理*** |
CN113887986A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 一种基于模型的能效诊断方法、***、设备和介质 |
CN114002971A (zh) * | 2021-09-17 | 2022-02-01 | 中国中建设计集团有限公司 | 建筑节能控制方法及*** |
CN114239972A (zh) * | 2021-12-20 | 2022-03-25 | 广州汇锦能效科技有限公司 | 基于人工智能技术的校园能效与电气安全管理方法和*** |
CN114580876A (zh) * | 2022-02-24 | 2022-06-03 | 山西省交通新技术发展有限公司 | 一种基于节能环保的能源数据采集分析管控***及方法 |
CN115766280A (zh) * | 2022-12-02 | 2023-03-07 | 广州市汇源通信建设监理有限公司 | 一种建筑数据分析方法及*** |
CN117371624A (zh) * | 2023-12-07 | 2024-01-09 | 邢台职业技术学院 | 一种建筑节能改造优化管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106991504A (zh) * | 2017-05-09 | 2017-07-28 | 南京工业大学 | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 |
-
2019
- 2019-08-22 CN CN201910778614.5A patent/CN110544180A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104915562A (zh) * | 2015-06-11 | 2015-09-16 | 上海新长宁低碳投资管理有限公司 | 建筑能效诊断方法和*** |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN106991504A (zh) * | 2017-05-09 | 2017-07-28 | 南京工业大学 | 基于分项计量时间序列的建筑能耗预测方法、***及建筑物 |
Non-Patent Citations (1)
Title |
---|
王博等: "基于改进的BP神经网络的入侵检测研究" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988556A (zh) * | 2019-12-20 | 2020-04-10 | 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 |
CN112232550A (zh) * | 2020-09-23 | 2021-01-15 | 万洲电气股份有限公司 | 一种基于节能专家决策分析的政府能源监管*** |
CN113038406A (zh) * | 2021-03-01 | 2021-06-25 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于5g通信的冷站能耗采集分析可信计算*** |
CN113038406B (zh) * | 2021-03-01 | 2021-09-14 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于5g通信的冷站能耗采集分析可信计算*** |
CN113128895A (zh) * | 2021-04-29 | 2021-07-16 | 重庆城市管理职业学院 | 基于大数据的智慧车间管理*** |
CN114002971A (zh) * | 2021-09-17 | 2022-02-01 | 中国中建设计集团有限公司 | 建筑节能控制方法及*** |
CN113887986A (zh) * | 2021-10-14 | 2022-01-04 | 广东电网有限责任公司 | 一种基于模型的能效诊断方法、***、设备和介质 |
CN114239972A (zh) * | 2021-12-20 | 2022-03-25 | 广州汇锦能效科技有限公司 | 基于人工智能技术的校园能效与电气安全管理方法和*** |
CN114580876A (zh) * | 2022-02-24 | 2022-06-03 | 山西省交通新技术发展有限公司 | 一种基于节能环保的能源数据采集分析管控***及方法 |
CN115766280A (zh) * | 2022-12-02 | 2023-03-07 | 广州市汇源通信建设监理有限公司 | 一种建筑数据分析方法及*** |
CN117371624A (zh) * | 2023-12-07 | 2024-01-09 | 邢台职业技术学院 | 一种建筑节能改造优化管理方法 |
CN117371624B (zh) * | 2023-12-07 | 2024-02-20 | 邢台职业技术学院 | 一种建筑节能改造优化管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544180A (zh) | 一种基于能耗预测和分析诊断的建筑节能*** | |
Liu et al. | A data mining-based framework for the identification of daily electricity usage patterns and anomaly detection in building electricity consumption data | |
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN108053082B (zh) | 基于温度区间分解的电网中长期负荷预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN109508835A (zh) | 一种融合环境反馈的智慧电网短期电力负荷预测方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及*** | |
CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及*** | |
CN117220441A (zh) | 基于全景监控下的信息监测智能预警方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、***及计算机可读存储介质 | |
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 | |
CN110880055A (zh) | 楼宇智能电表*** | |
CN114707120A (zh) | 一种测算碳排放规模的统计学建模方法 | |
CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN108461150A (zh) | 一种职业卫生预测研究方法 | |
CN114548475A (zh) | 一种基于大数据预测的碳排放强度分级评价方法和可视化*** | |
CN112578213A (zh) | 轨道电源屏的故障预测方法及装置 | |
CN114626562A (zh) | 大型公共建筑设备运行状态智能监测方法及*** | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN117787508A (zh) | 基于模型预测的建筑施工过程碳排放处理方法及*** | |
CN117454059A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 |
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 |