[發明專利]一種建筑能耗短期預測方法

有效

• 申請號: 201810191237.0
• 申請日: 2018-03-08
• 公開（公告）號: CN108320016B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 唐桂忠;錢青
• 申請（專利權）人: 南京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/047;G06N3/048;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種建筑能耗短期預測方法，其特征在于：包括，

采集建筑分項能耗歷史數據，確定并采集影響建筑能耗分項預測的主要影響因素歷史數據，所述主要影響因素包括建筑照明能耗歷史數據；

將采集的建筑照明能耗歷史數據區分為輸入數據和驗證數據，分析并確定基于時間序列自回歸模型構建照明能耗預測模型，并將輸入數據作為預測模型的輸入參數，對照明能耗短期預測并通過驗證數據驗證結果；

根據建筑分項能耗歷史數據進行綜合分析，建立建筑分項能耗數據庫，然后與采集到的建筑分項能耗的主要影響因素歸一化處理，最后再將預處理后的數據劃分為訓練數據和測試數據，利用訓練數據和測試數據通過訓練和測試構建基于深度學習DBN網絡的能耗預測模型；

將時間序列模型預測出的照明能耗與實際監測的主要影響因素一同作為訓練后DBN模型的輸入參數，分項預測空調能耗、動力能耗、特殊能耗；

所述DBN網絡模型包括無監督受限制性玻爾茲曼機RBM與有監督反向傳播BP神經網絡相結合的DBN網絡模型來預測建筑分項能耗，其中：

RBM能量函數，又叫做專家乘積系統定義為：

其中，n表示可視單元數量，m表示隱含單元數量；

在式(5)表示的能量函數下，隱含層神經元h_j被激活的概率為：

由于RBM是雙向連接，可見層神經元同樣能被隱含層神經元激活，其概率為：

其中，S(x)是tanh激活函數，輸出在[-1,1]之間，相當于把輸入的均值調整為0，便于后續處理，其表達式

同一層神經元之間具有獨立性，所以概率密度滿足獨立性，得到下式：

采用逐層迭代的方式訓練RBM，獲得學習參數θ＝{W,b,c}的值，其中b_i為可見節點i的偏置，c_j為隱含層節點j的偏置，W_ij為可見節點i與隱含層節點j之間的連接矩陣，通過學習參數擬合給定訓練數據；

采用隨機梯度上升法最大化對數似然函數對訓練數據進行訓練，最終權重的更新公式為：

VW_ij＝η(v_ih_jdata-v_ih_jrecon)?(10)

Vb_i＝η(v_idata-v_irecon)?(11)

Vc_j＝η(h_jdata-h_jrecon)?(12)

其中，η為學習率，～_data為訓練樣本定義的分布，～_recon為模型重構后樣本定義的分布。

2.如權利要求1所述的建筑能耗短期預測方法，其特征在于：所述建筑分項能耗包括空調能耗、動力能耗和特殊能耗，所述主要影響因素包括照明能耗、室外平均溫度、室外平均濕度、天氣特征值、節假日、平均風速和一天中的24個整點時刻這七個特征作為建筑能耗分項預測的主要影響因素。