[發(fā)明專(zhuān)利]一種建筑能耗短期預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810191237.0
• 申請(qǐng)日: 2018-03-08
• 公開(kāi)（公告）號(hào): CN108320016B
• 公開(kāi)（公告）日: 2023-09-19
• 發(fā)明（設(shè)計(jì)）人: 唐桂忠;錢(qián)青
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/047;G06N3/048;G06N3/08
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

本發(fā)明公開(kāi)了一種建筑能耗短期預(yù)測(cè)方法，包括采集建筑分項(xiàng)能耗歷史數(shù)據(jù)，確定并采集影響建筑能耗分項(xiàng)預(yù)測(cè)的主要影響因素歷史數(shù)據(jù)；分析并確定基于時(shí)間序列自回歸模型構(gòu)建照明能耗預(yù)測(cè)模型；構(gòu)建基于深度學(xué)習(xí)DBN網(wǎng)絡(luò)的能耗預(yù)測(cè)模型；分項(xiàng)預(yù)測(cè)空調(diào)能耗、動(dòng)力能耗、特殊能耗。本發(fā)明的有益效果：本發(fā)明提供的一種建筑能耗短期預(yù)測(cè)方法，能夠更加精確有效地預(yù)測(cè)建筑能耗中的各分項(xiàng)能耗。

技術(shù)領(lǐng)域

本發(fā)明涉及建筑能耗預(yù)測(cè)的技術(shù)領(lǐng)域，尤其涉及一種基于時(shí)間序列AR模型和深度置信網(wǎng)絡(luò)的建筑能耗預(yù)測(cè)方法。

背景技術(shù)

近年來(lái)隨著建筑年耗電量逐年上升，建筑能耗已成為是建筑節(jié)能監(jiān)管和改造的主要對(duì)象。當(dāng)前主要預(yù)測(cè)方法有：多元線(xiàn)性回歸法、人工神經(jīng)網(wǎng)絡(luò)法、貝葉斯理論、灰色理論法等。以上預(yù)測(cè)方法大都屬于淺層結(jié)構(gòu)算法，在高維數(shù)據(jù)樣本中對(duì)復(fù)雜的非線(xiàn)性關(guān)系學(xué)習(xí)效果不佳，而深度學(xué)習(xí)是模擬人類(lèi)大腦活動(dòng)進(jìn)行分析的一種算法，由淺到深循序漸進(jìn)學(xué)習(xí)，不斷優(yōu)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，選擇理想學(xué)習(xí)參數(shù)，從而有效避免了淺層結(jié)構(gòu)算法在多隱層網(wǎng)絡(luò)中訓(xùn)練效果不理想問(wèn)題。不同于許多其他機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)可以從大量的無(wú)標(biāo)識(shí)歷史數(shù)據(jù)中自動(dòng)學(xué)習(xí)到數(shù)據(jù)有效特征，具有很強(qiáng)的數(shù)據(jù)分類(lèi)識(shí)別和數(shù)據(jù)預(yù)測(cè)能力。

深度置信網(wǎng)絡(luò)(deep?belief?network,DBN)是深度學(xué)習(xí)中一種應(yīng)用最廣泛的學(xué)習(xí)模型，而將時(shí)間序列的自回歸(AR)模型與DBN網(wǎng)絡(luò)相結(jié)合來(lái)預(yù)測(cè)大型建筑的分項(xiàng)能耗還未涉及。

發(fā)明內(nèi)容

本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡(jiǎn)要介紹一些較佳實(shí)施例。在本部分以及本申請(qǐng)的說(shuō)明書(shū)摘要和發(fā)明名稱(chēng)中可能會(huì)做些簡(jiǎn)化或省略以避免使本部分、說(shuō)明書(shū)摘要和發(fā)明名稱(chēng)的目的模糊，而這種簡(jiǎn)化或省略不能用于限制本發(fā)明的范圍。

鑒于上述現(xiàn)有建筑能耗短期預(yù)測(cè)方法存在的問(wèn)題，提出了本發(fā)明。

因此，本發(fā)明目的是提供一種能夠更加精確有效地預(yù)測(cè)建筑能耗中的各分項(xiàng)能耗。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：一種建筑能耗短期預(yù)測(cè)方法，包括采集建筑分項(xiàng)能耗歷史數(shù)據(jù)，確定并采集影響建筑能耗分項(xiàng)預(yù)測(cè)的主要影響因素歷史數(shù)據(jù)，所述主要影響因素包括建筑照明能耗歷史數(shù)據(jù)；

將采集的建筑照明能耗歷史數(shù)據(jù)區(qū)分為輸入數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，分析并確定基于時(shí)間序列自回歸模型構(gòu)建照明能耗預(yù)測(cè)模型，并將輸入數(shù)據(jù)作為預(yù)測(cè)模型的輸入?yún)?shù)，對(duì)照明能耗短期預(yù)測(cè)并通過(guò)驗(yàn)證數(shù)據(jù)驗(yàn)證結(jié)果；

根據(jù)建筑分項(xiàng)能耗歷史數(shù)據(jù)進(jìn)行綜合分析，建立建筑分項(xiàng)能耗數(shù)據(jù)庫(kù)，然后與采集到的建筑分項(xiàng)能耗的主要影響因素歸一化處理，最后再將預(yù)處理后的數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，利用訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)通過(guò)訓(xùn)練和測(cè)試構(gòu)建基于深度學(xué)習(xí)DBN網(wǎng)絡(luò)的能耗預(yù)測(cè)模型；

將時(shí)間序列模型預(yù)測(cè)出的照明能耗與實(shí)際監(jiān)測(cè)的主要影響因素一同作為訓(xùn)練后DBN模型的輸入?yún)?shù)，分項(xiàng)預(yù)測(cè)空調(diào)能耗、動(dòng)力能耗、特殊能耗。

作為本發(fā)明所述的建筑能耗短期預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述建筑分項(xiàng)能耗包括空調(diào)能耗、動(dòng)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(jié)假日、平均風(fēng)速和一天中的24個(gè)整點(diǎn)時(shí)刻這七個(gè)特征作為建筑能耗分項(xiàng)預(yù)測(cè)的主要影響因素。

作為本發(fā)明所述的建筑能耗短期預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述照明能耗預(yù)測(cè)模型基于時(shí)間序列分析方法來(lái)預(yù)測(cè)照明能耗，其包括照明能耗自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的定義；

自相關(guān)系數(shù)：給定某天24小時(shí)的照明能耗值的7階差分值為df_i+k和df_i之間的線(xiàn)性相依程度定義為：

其中，r(k)＝Cov(df_i,df_i+k)為自協(xié)方差，Var(df_i)為方差，表示k滯后數(shù)。由于平穩(wěn)時(shí)間序列的方差相等，所以