CN111753470A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111753470A CN111753470A CN202010622331.4A CN202010622331A CN111753470A CN 111753470 A CN111753470 A CN 111753470A CN 202010622331 A CN202010622331 A CN 202010622331A CN 111753470 A CN111753470 A CN 111753470A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building energy
- neural network
- building
- rough set
- 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 165
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 230000037237 body shape Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了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,包括以下步骤,步骤一:进行用于粗糙集约简建筑能耗影响因子的数据实测,确定各能耗等级的数值范围;步骤二:利用粗糙集对建筑能耗影响因子进行属性约简预处理;步骤三:进行用于深度神经网络预测建筑能耗的样本数据实测;步骤四:叠加受限玻尔兹曼机,构建深度置信神经网络对训练样本进行学习训练;步骤五:利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数,建筑能耗作为深度置信神经网络的输出,进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题,为建筑能耗的预测提供了一种新的方法。
Description
技术领域
本发明属于建筑能耗预测技术领域,具体涉及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。
背景技术
全球经济快速发展,由此带来的能源消耗量增加的问题愈加剧烈。建筑能耗作为能耗形式的一种,现已经在全球能耗总量的占比中超过三分之一。因此,如何减少建筑能耗以缓解能源压力已变得尤为重要。提升能源利用率正是降低建筑能耗量的一种有效手段,而对建筑能耗进行预测又是提高能源利用率的重要途径。准确的建筑能耗预测能帮助建筑管理者改善建筑能源的需求和供应管理,达到更好地控制电力***的目的,从而提升能源利用率,降低建筑能耗量。
建筑能耗预测方法有物理建模方法和数据驱动方法两类。其中物理建模方法通过使用物理学原理去评估建筑热力变化,在模拟建筑能耗过程中,这类方法需要大量有关建筑物及其***的详细信息来表征建筑的热行为。数据驱动方法则分为两类,一类是统计学方法,另一类是机器学习方法。统计学方法其优点在于结构简单,模型相对容易建立。但是同时由于灰盒模型存在输入元素之间的复杂交互性,通常会容易导致计算效率低下,预测准确度不高的问题。而已有的机器学习算法相比于物理模型和统计学方法在各方面都有所精进,却仍存在能耗数据特征提取不足,预测结果不够精确,难以挖掘出重要的建筑能耗影响因子等问题。鉴于此,本文发明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,以便能进行更准确有效的建筑能耗预测。
发明内容
本发明旨在提供一种更准确客观和更有效实用的基于粗糙集和深度置信神经网络的建筑能耗预测方法,以解决传统的建筑能耗方法准确度不高以及难以运用到实际场合中的技术问题,以便更好的准确预测建筑的能源消耗。
为了解决以上技术问题,本发明采用以下技术方案:
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,包括以下步骤:
步骤一:进行用于粗糙集约简建筑能耗影响因子的数据实测,确定各能耗等级的数值范围;
步骤二:利用粗糙集对建筑能耗影响因子进行属性约简预处理;
步骤三:进行用于深度置信神经网络预测建筑能耗的样本数据实测;
步骤四:叠加受限玻尔兹曼机,构建深度置信神经网络对训练样本进行学习训练;
步骤五:利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数,建筑能耗作为深度置信神经网络的输出,进行建筑能耗预测。
进一步地,步骤一中所述的建筑能耗的影响因子包括四个方面:(1)建筑外部气象条件参数包括:室外温度、相对湿度、太阳辐照度和风速;(2)建筑自身情况:分为体形参数和热工参数,体形参数包括层数、建筑朝向、建筑面积,建筑长宽比和窗墙面积比,热工参数包括外墙传热系数、屋顶传热系数和遮阳系数;(3)建筑使用情况包括:室内温度、人员密度和照明功率密度;(4)空调***因子包括:人均新风量、送风温度、制冷机组COP、风机效率和水泵效率。
进一步地,步骤一中所述的能耗等级划分为四个等级,所述四个等级分别为:低能耗、中能耗、较高能耗和高能耗。
进一步地,步骤二中所述粗糙集对建筑能耗影响因子进行属性约简预处理可以简化包括以下步骤:
(1)以等距离划分思想为基础,并结合建筑能耗数据的基本特性和集中化程度微调个别条件属性的离散点,对实测原始数据进行离散化处理;
(2)建立关于建筑能耗的粗糙集决策表;
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。
进一步地,步骤(1)中对原始数据进行离散化处理如下:将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。
进一步地,步骤(2)中建立关于建筑能耗的粗糙集决策表是以包括室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率的建筑能耗影响因子作为条件属性的。
进一步地,步骤(2)中建立关于建筑能耗的粗糙集决策表是以耗电量作为决策属性的。
进一步地,步骤三中进行用于深度置信神经网络预测建筑能耗的样本数据实测对象为经过粗糙集进行属性约简后剩余的建筑能耗影响因子,以及每组建筑能耗影响因子数据对应的耗电量。
进一步地,步骤四中叠加受限玻尔兹曼机,构建深度置信神经网络对训练样本进行学习训练,包括以下步骤:
1)进行样本分类;
2)初始化受限玻尔兹曼机参数,构建第一个受限玻尔兹曼机;
3)叠加多个受限玻尔兹曼机,单独无监督地训练每一个受限玻尔兹曼机网络,形成深度置信神经网络模型;
4)在深度置信神经网络的最后一层设置分类器模型,有监督地训练实体关系分类器;
5)微调整个深度置信神经网络;
6)根据微调结果修正网络权值,判断算法是否结束,假如权值达到最优,训练结束。
进一步地,步骤1)中进行样本分类是通过如下实现的:把用于深度置信神经网络预测建筑能耗的实测样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行预测。
本发明具有以下优点:
本发明首先采用粗糙集来降低影响建筑能耗的不重要特征维度,得到影响建筑能耗的重要影响因子,并以此作为深度置信神经网络的输入参数,随后以建筑能耗作为深度置信神经网络的输出,建立基于粗糙集-深度置信神经网络的建筑能耗预测模型,这样得到的建筑能耗预测模型对建筑能耗的预测具有准确及有效的特征,解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题,为建筑能耗预测带来了一种切实可行的解决方案,同时对帮助建筑管理者改善能源供需管理具有极其重要的指导意义。
附图说明
图1为本发明的基于粗糙集和深度置信神经网络的建筑能耗预测方法的工作流程图;
图2为本发明的深度置信神经网络结构及训练过程图;
图3为粗糙集—深度置信神经网络预测的建筑能耗与实际的建筑能耗对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚和清楚,下面将结合具体实施例并参考附图来清楚和完整地描述本发明实施例中的技术方案。应当注意,本发明的所述实施例是说明性的,但是这不是对本发明的限制,因此本发明不限于上述实施例。基于本发明原理,凡是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其它实施方式,均视为在本发明的保护之内。
本发明的基于粗糙集和深度置信神经网络的建筑能耗预测方法的技术方案主要分为两个部分,首先将粗糙集作为深度置信神经网络的前端处理器,利用粗糙集理论对建筑能耗的影响因素进行属性约简,再将深度置信神经网络作为后置信息处理***,进行建筑能耗预测。实施步骤如下,见图1的工作流程图。
步骤一:进行用于粗糙集(RS)约简建筑能耗影响因子的数据实测,确定各能耗等级的数值范围;
步骤二:利用粗糙集(RS)对建筑能耗影响因子进行属性约简预处理;
步骤三:进行用于深度置信神经网络预测建筑能耗的样本数据实测;
步骤四:叠加受限玻尔兹曼机(RBM),构建深度置信神经网络(DBN)对训练样本进行学习训练;
步骤五:利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为DBN的输入参数,建筑能耗作为DBN的输出,进行建筑能耗预测。
步骤一中:
测量人员对民用公共建筑之类的建筑物进行建筑能耗影响因子小时数据和耗电量小时数据的现场检测,采集一一对应的室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率等建筑能耗影响因子的小时平均数值数据和代表建筑能耗量的小时耗电量数据,组成一个原始数据样本集。
将用于粗糙集属性约简的耗电量数据的原始域离散为低能耗、中能耗、较高能耗和高能耗四个能耗等级,低能耗用等级序列1表示,中能耗用等级序列2表示,较高能耗用等级序列3表示,高能耗用等级序列4表示。
步骤二中:
粗糙集理论:
粗糙集(RS)理论是一种从不确定数据中获得知识和信息的方法,可以对信息约简,挖掘隐含知识和潜在规律。其知识表达***是一个数据集合,可表示为知识表达***K=(U,Q,V,f),U为论域,Q为属性的非空有限集合,V为所有属性的值域,f是信息函数。以下是它的两个知识点:
(2)上近似、下近似及近似精度
粗糙集属性约简:
通过粗糙集对建筑能耗影响因子进行属性约简,有效地降原始数据的属性维数,在保留关键信息的前提下去除掉了不重要属性,降低了噪音数据的干扰,使得深度神经网络的输入参数量减少,从而很大程度上缩短了深度神经网络训练的时间,提高了预测的精度。由于粗糙集理论只能处理离散数据,所以在进行属性约简的时候需先对连续数据进行离散化,再构造一个分辨矩阵M=[mij]n×n,M为分辨矩阵,m表示M中的元素,从而来确定D的C正域posc(D)。对C中各属性ci而言,若去掉属性ci,有C正域不等式posc(D)≠posc-{ci}(D)成立,则表示属性ci不可约简,否则,表示属性ci可以被约简。D表示决策属性,C表示条件属性,posc(D)表示D关于C的正域,posc-{ci}(D)表示D关于(C-Ci)的正域。把C中所有属性都检验了一遍后,得到一个不可约简的属性集合,该属性集合即为条件属性C对于决策属性D的一个相对约简。
本发明中粗糙集对建筑能耗影响因子进行属性约简可以简化为以下步骤:
(1)以等距离划分思想为基础,结合数据的基本特性和集中化程度微调个别建筑能耗影响因子的离散点,对用于RS约简建筑能耗影响因子的原始数据样本集进行离散化处理。将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。令C1,C2,C3,C4,C5,C6,C7,……分别表示评价指标中的室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率等,各属性离散点的确定如表1所示(以20个环境指标为例)。
表1各属性离散断点的确定
(2)建立粗糙集关于建筑能耗的决策表。室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率等建筑能耗影响因子作为条件属性,耗电量作为决策属性。(例:给出如表2的训练样本数据,可建立如表3所示的关于建筑能耗的决策表。)
表2部分训练数据
表3部分建筑能耗决策表
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。在Rosetta软件中的新建部分,通过structures找到ODBC Import指令,从而导入步骤(2)中建立的建筑能耗决策表。再通过Sheet1$找到Reduce指令中的GeneticAlgorithm(基于遗传算法的属性约简方式)来对决策表数据进行属性约简。通过属性约简操作,部分冗杂的条件属性(建筑能耗影响因子)被约简掉,一定程度上精简了样本结构,加快了步骤三中的深度置信神经网络的训练速度及识预测精度。
步骤三中:
测试人员对建筑耗电量和经过RS进行属性约简后剩余的重要建筑能耗影响因子进行一个完整时间周期的数据实测,得到的数据用于深度置信神经网络预测建筑能耗。
步骤四中:
深度置信神经网络(DBN):深度学习是神经网络的一个大分支,深度学习的基本结构是深度神经网络。深度神经网络与传统神经网络之间的相同之处,就是二者都是相似的分层结构。包括输入层、隐含层和输出层的多层网络。其中只有相邻层之间有链接,同一层及跨层之间是没有连接的。不同之处在于,传统神经网络一般只有两层至三层的神经网络,参数和计算单元有限,对复杂函数的表示能力有限,学习能力也有限。而深度学习具有五层至十层,甚至更多的神经网络,且它引入了更有效的算法。深度置信神经网络(DBN)是深度神经网络中的一种,深度置信神经网络(DBN)由多个受限玻尔兹曼机(RBM)堆栈而成。
受限玻尔兹曼机(RBM):假设有一个二部图,它的每一层的节点之间没有链接。一层是可视层,即输入数据层(v),一层是隐藏层(h)。如果假设所有的节点都是随机二值变量节点(只能取0或者1),同时假设全概率分布p(v,h)满足Boltzmann分布,那么就称这个模型是RBM。且RBM的结构就可由这个包括可见层和隐含层的二部图表示。与传统前馈神经网络不同,RBM在可见层和隐含层之间的链接是方向不定的和完全链接的,即这两层之间的值可以进行隐层到可见层和可见层到隐层的双向传播。
DBN对步骤三得到的用于建筑能耗预测的训练数据进行学习训练可以简化为以下步骤:
1、进行样本分类。把样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行预测。把训练样本按照矩阵的形式导入Matlab软件之中,以约简后的条件属性作为输入参数,决策属性作为识别输出结果,建立DBN训练模型进行学习训练。
2、初始化RBM参数。对可视层与隐藏层之间的权重矩阵Wm×n,可视节点的偏移量b和隐藏节点的偏移量c,分别给定它们初始值。
3、叠加多个RBM,单独无监督地训练每一个RBM网络,形成DBN模型(主要过程分为三步,训练过程如图2所示)。
1)对所有训练样本训练第一个RBMHo。
2)固定第一个RBMHo的权重和偏移量,随后训练第二个RBMH1。由于H1的可见层是Ho隐含层,训练开始于将数据赋至可见层V0,通过前向传播的方法传至隐含层Ho。然后作为H1的对比差异训练的初始数据。
3)对所有层重复前面的过程。最终,使得网络可以通过连接到一个或多个层间全连接的RBM隐含层进行扩展,从而构成了一个可以通过反向传璠进行微调的多层感知机。
4、在DBN的最后一层设置分类器模型,有监督地训练实体关系分类器。例:设置为常用的BP网络。通过接收最顶层RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。
5、微调整个DBN。每一层RBM网络只能确保自身层内的权值W1、W2......对该层特征向量映射达到最优,并不是对整个DBN的特征向量映射达到最优。所以反向传播网络还将错误信息自顶向下传播至每一层RBM,微调整个DBN网络的权值。
6、根据微调结果修正网络权值,判断算法是否结束。权值W对整个DBN的特征向量映射达到最优,DBN的训练过程结束。
步骤5中:
将按照严格时间序列的一个时间周期(如一周)的测试样本导入Matlab软件之中,以RS约简后的剩余的重要建筑能耗影响因子作为训练好的DBN模型的输入参数,以耗电量作为训练好的DBN模型的输出结果,对这个时间周期内的测试样本进行建筑能耗预测。
下面通过更具体的实施例进行说明
实施例1
测量人员对民用公共建筑之类的建筑物进行建筑能耗影响因子小时数据和耗电量小时数据的现场检测,采集一一对应的室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率这20个建筑能耗影响因子的小时平均数值数据和代表建筑能耗量的小时耗电量数据,组成一个用于粗糙集约简建筑能耗影响因子的100组原始数据样本集,见表4。每组数据的测试时段为1小时。在每个测试时段内,该栋楼的关于20项建筑能耗影响因子的各测试值和该栋楼的耗电量的观测值为一一对应的一组测试数据。
表4用于粗糙集约简的原始数据
将用于粗糙集属性约简的耗电量数据的原始域离散为低能耗、中能耗、较高能耗和高能耗四个能耗等级,低能耗用等级序列1表示,中能耗用等级序列2表示,较高能耗用等级序列3表示,高能耗用等级序列4表示。
以等距离划分思想为基础,结合数据的基本特性和集中化程度微调个别建筑能耗影响因子的离散点,对用于RS约简建筑能耗影响因子的原始数据样本集进行离散化处理。将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。令C1,C2,C3,C4,C5,C6,C7,……,C20分别表示评价指标中的室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率,各属性离散点的确定如表5所示。
表5各属性离散断点的确定
(2)建立粗糙集关于建筑能耗的决策表。室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率这20个建筑能耗影响因子作为条件属性,耗电量作为决策属性。由表4的100组数据可得到表6的决策表。
表6建筑能耗决策表
利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。在Rosetta软件中的新建部分,通过structures找到ODBCImport指令,从而导入表6中的建筑能耗决策表。再通过Sheet1$找到Reduce指令中的GeneticAlgorithm(基于遗传算法的属性约简方式)来对决策表数据进行属性约简。通过属性约简操作,将冗杂的20个建筑能耗影响因子约简为室外温度(C1),相对湿度(C2),室外太阳辐射照度(C4),建筑朝向(C7),窗墙面积比(C8),外墙传热系数(C9),遮阳系数(C10),屋顶传热系数(C12),照明功率密度(C13),人员密度(C14),室内温度(C15),冷机COP(C17),送风温度(C18),风机效率(C19)及水泵效率(C20)这15个重要的建筑能耗影响因子,剔除风速(C3),层数(C5),建筑面积(C6),建筑长宽比(C11)和人均新风量(C16)这五个冗杂的不重要建筑能耗影响因子。这使得深度神经网络的输入参数由20维降到了15维,相当程度上增加了深度置信神经网络的预测准确度和训练速度。达到了降维而又保持原有信息不变的目的。
测试人员对某高校一栋实验楼在2019.1.1.0:00至2019.12.07.16:00(共8176小时)这一个基于严格时间序列的完整时间周期内,进行建筑耗电量的数据和经粗糙集约简后的剩余的15个重要建筑能耗影响因子的数据的全年逐时测量,得到8176组用于深度置信神经网络预测建筑能耗的实验数据。
进行样本分类。把实验数据分成训练数据和测试数据两部分,其中选择2019.1.1.0:00至2019.12.07.16:00内完整的一周时间(共168个小时)的168组数据作为测试数据,余下的8008组数据为训练数据。将训练数据按照矩阵的形式导入Matlab之中,RS约简后的剩余的15个建筑能耗影响因子作为DBN输入参数,耗电量作为DBN输出结果,建立DBN训练模型进行学习训练。
初始化RBM参数。对可视层与隐藏层之间的权重矩阵Wm×n,可视节点的偏移量b和隐藏节点的偏移量c,分别给定它们初始值。
叠加多个RBM,单独无监督地训练每一个RBM网络,形成DBN模型(主要过程分为三步,训练过程如图2所示)。
1)对所有训练样本训练第一个RBMHo。
2)固定第一个RBMHo的权重和偏移量,随后训练第二个RBMH1。由于H1的可见层是Ho隐含层,训练开始于将数据赋至可见层V0,通过前向传播的方法传至隐含层Ho。然后作为H1的对比差异训练的初始数据。
3)对所有层重复前面的过程。最终,使得网络可以通过连接到一个或多个层间全连接的RBM隐含层进行扩展,从而构成了一个可以通过反向传璠进行微调的多层感知机。
在DBN的最后一层设置分类器模型,有监督地训练实体关系分类器。设置BP网络作为分类器模型,通过接收最顶层RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。
微调整个DBN。每一层RBM网络只能确保自身层内的权值W1、W2......对该层特征向量映射达到最优,并不是对整个DBN的特征向量映射达到最优。所以反向传播网络还将错误信息自顶向下传播至每一层RBM,微调整个DBN网络的权值。
根据微调结果修正网络权值,判断算法是否结束。权值W对整个DBN的特征向量映射达到最优,DBN的训练过程结束。
步骤5中:
将按照严格时间序列的一周(以小时为单位,2019.09.110:00开始,2019.09.1724:00结束,共168小时)的168组测试样本导入Matlab软件之中,以RS约简后的剩余的重要建筑能耗影响因子作为8008组训练样本训练好的DBN模型的输入参数,以耗电量作为训练好的DBN模型的输出结果,对168个测试样本进行建筑能耗预测。从图3中的预测结果可以看到,在误差允许范围内,粗糙集—深度置信神经网络预测建筑能耗时有一个相当不错的精度表现,它对2019.09.110:00至2019.09.1724:00这一周时间的168个测试样本的预测能耗值曲线与它们的实际能耗值曲线的拟合度很高,改方法能准确预测建筑能耗,具有相当高的实用价值。
尽管已经描述和叙述了被看作本发明的示范实施例,本领域技术人员将会明白,可以对其作出各种改变和替换,而不会脱离本发明的精神。另外,可以做出许多修改以将特定情况适配到本发明的教义,而不会脱离在此描述的本发明中心概念。所以,本发明不受限于在此披露的特定实施例,但本发明可能还包括属于本发明范围的所有实施例及其等同物。
Claims (10)
1.一种基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,包括以下步骤:
步骤一:进行用于粗糙集约简建筑能耗影响因子的数据实测,确定各能耗等级的数值范围;
步骤二:利用粗糙集对建筑能耗影响因子进行属性约简预处理;
步骤三:进行用于深度神经网络预测建筑能耗的样本数据实测;
步骤四:叠加受限玻尔兹曼机,构建深度置信神经网络对训练样本进行学习训练;
步骤五:利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数,建筑能耗作为深度置信神经网络的输出,进行建筑能耗预测。
2.根据权利要求1所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤一中所述的建筑能耗的影响因子包括四个方面:(1)建筑外部气象条件参数包括:室外温度、相对湿度、太阳辐照度和风速;(2)建筑自身情况:分为体形参数和热工参数,体形参数包括层数、建筑朝向、建筑面积,建筑长宽比和窗墙面积比,热工参数包括外墙传热系数、屋顶传热系数和遮阳系数;(3)建筑使用情况包括:室内温度、人员密度和照明功率密度;(4)空调***因子包括:人均新风量、送风温度、制冷机组COP、风机效率和水泵效率。
3.根据权利要求1所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤一中所述的能耗等级划分为四个等级,所述四个等级分别为:低能耗、中能耗、较高能耗和高能耗。
4.根据权利要求1所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤二中所述粗糙集对建筑能耗影响因子进行属性约简预处理可以简化包括以下步骤:
(1)以等距离划分思想为基础,并结合建筑能耗数据的基本特性和集中化程度微调个别条件属性的离散点,对实测原始数据进行离散化处理;
(2)建立关于建筑能耗的粗糙集决策表;
(3)利用粗糙集理论软件Rosetta对样本数据进行属性约简,去除冗杂属性,精简样本结构。
5.根据权利要求4所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤(1)中对原始数据进行离散化处理如下:将数据的原始域离散为4个区间,分别编码为1、2、3和4,1表示样本中的指标值未超标,2表示指标值轻度超标,3表示指标值中度超标,4表示指标值严重超标。
6.根据权利要求4所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤(2)中建立关于建筑能耗的粗糙集决策表是以包括室外温度,相对湿度,风速,室外太阳辐射照度,层数,建筑面积,建筑朝向,窗墙面积比,外墙传热系数,遮阳系数,建筑长宽比,屋顶传热系数,照明功率密度,人员密度,室内温度,人均新风量,冷机COP,送风温度,风机效率及水泵效率的建筑能耗影响因子作为条件属性的。
7.根据权利要求4所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤(2)中建立关于建筑能耗的粗糙集决策表是以耗电量作为决策属性的。
8.根据权利要求1所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤三中进行用于深度神经网络预测建筑能耗的样本数据实测对象为经过粗糙集进行属性约简后剩余的建筑能耗影响因子,以及每组建筑能耗影响因子数据对应的耗电量。
9.根据权利要求1所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤四中叠加受限玻尔兹曼机,构建深度置信神经网络对训练样本进行学习训练,包括以下步骤:
1)进行样本分类;
2)初始化受限玻尔兹曼机参数,构建第一个受限玻尔兹曼机;
3)叠加多个受限玻尔兹曼机,单独无监督地训练每一个受限玻尔兹曼机网络,形成深度置信神经网络模型;
4)在深度置信神经网络的最后一层设置分类器模型,有监督地训练实体关系分类器;
5)微调整个深度置信神经网络;
6)根据微调结果修正网络权值,判断算法是否结束,假如权值达到最优,训练结束。
10.根据权利要求9所述的基于粗糙集和深度置信神经网络的建筑能耗预测方法,其特征在于,步骤1)中进行样本分类是通过如下实现的:把用于深度神经网络预测建筑能耗的实测样本数据分成训练样本和测试样本两部分,训练样本进行学习训练,测试样本用来进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622331.4A CN111753470B (zh) | 2020-06-30 | 2020-06-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622331.4A CN111753470B (zh) | 2020-06-30 | 2020-06-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753470A true CN111753470A (zh) | 2020-10-09 |
CN111753470B CN111753470B (zh) | 2022-09-16 |
Family
ID=72680297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622331.4A Expired - Fee Related CN111753470B (zh) | 2020-06-30 | 2020-06-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753470B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析***及其方法 |
CN102663232A (zh) * | 2012-03-13 | 2012-09-12 | 江苏润和软件股份有限公司 | 一种面向用户能效评估的多维仿真分析***及其方法 |
WO2012152939A1 (fr) * | 2011-05-11 | 2012-11-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de prevision de la consommation energetique d'un batiment |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
US20160305678A1 (en) * | 2015-04-20 | 2016-10-20 | Alexandre PAVLOVSKI | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings |
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 |
CN107918832A (zh) * | 2017-11-27 | 2018-04-17 | 罗娅 | 一种针对建筑物耗电量智能采集方法 |
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 |
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*** |
CN109146145A (zh) * | 2018-07-26 | 2019-01-04 | 南京绿耀节能科技有限公司 | 基于MapReduce的BP神经网络建筑能耗预测方法 |
CN109934421A (zh) * | 2019-04-24 | 2019-06-25 | 中南大学 | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 |
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN110570022A (zh) * | 2019-08-15 | 2019-12-13 | 珠海米枣智能科技有限公司 | 一种基于mGBDT的建筑能耗预测方法和*** |
US20200151836A1 (en) * | 2017-05-31 | 2020-05-14 | Green Power Labs Inc. | Method and system for generating a building energy model for a client building |
-
2020
- 2020-06-30 CN CN202010622331.4A patent/CN111753470B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析***及其方法 |
WO2012152939A1 (fr) * | 2011-05-11 | 2012-11-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de prevision de la consommation energetique d'un batiment |
CN102663232A (zh) * | 2012-03-13 | 2012-09-12 | 江苏润和软件股份有限公司 | 一种面向用户能效评估的多维仿真分析***及其方法 |
CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
US20160305678A1 (en) * | 2015-04-20 | 2016-10-20 | Alexandre PAVLOVSKI | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings |
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 |
US20200151836A1 (en) * | 2017-05-31 | 2020-05-14 | Green Power Labs Inc. | Method and system for generating a building energy model for a client building |
CN107918832A (zh) * | 2017-11-27 | 2018-04-17 | 罗娅 | 一种针对建筑物耗电量智能采集方法 |
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 |
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*** |
CN109146145A (zh) * | 2018-07-26 | 2019-01-04 | 南京绿耀节能科技有限公司 | 基于MapReduce的BP神经网络建筑能耗预测方法 |
CN109934421A (zh) * | 2019-04-24 | 2019-06-25 | 中南大学 | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 |
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN110570022A (zh) * | 2019-08-15 | 2019-12-13 | 珠海米枣智能科技有限公司 | 一种基于mGBDT的建筑能耗预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111753470B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858647B (zh) | 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法 | |
CN106453293A (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及*** | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN113868954A (zh) | 一种空调负荷预测方法及*** | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
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*** | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN112801344A (zh) | 基于dpsir模型的海岸带生态***健康预测方法、电子设备及计算机可读介质 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN111753470B (zh) | 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 | |
CN116796291A (zh) | 一种基于lstm-mea-svr空气质量预报的*** | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN113177675B (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 | |
CN111626465B (zh) | 一种新能源功率短期区间预测方法及*** | |
Guo et al. | Establishment of air quality forecast model based on deep learning |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220916 |
|
CF01 | Termination of patent right due to non-payment of annual fee |