一種基于時間序列和神經(jīng)網(wǎng)絡的建筑節(jié)假日能耗預測方法
【專利摘要】本發(fā)明提出一種基于時間序列和神經(jīng)網(wǎng)絡的建筑節(jié)假日能耗預測的方法。本發(fā)明的實質(zhì)是，先利用時間序列對建筑物能耗進行擬合預測，然后求取節(jié)假日的預測誤差，利用節(jié)假日的能耗影響因素和求解出的預測誤差進行神經(jīng)網(wǎng)絡模擬，計算節(jié)假日能耗的修正值，最后對節(jié)假日的能耗預測結果進行修正，從而實現(xiàn)對建筑節(jié)假日的能耗預測，這在很大程度上提高了預測精度。
【專利說明】一種基于時間序列和神經(jīng)網(wǎng)絡的建筑節(jié)假日能耗預測方法

【技術領域】
[0001] 本發(fā)明涉及一種建筑能耗的預測方法，屬于建筑能耗預測領域，具體說涉及一種 基于時間序列和神經(jīng)網(wǎng)絡的建筑節(jié)假日能耗預測方法。

【背景技術】
[0002] 隨著我國經(jīng)濟的發(fā)展，辦公建筑和大型公共建筑高耗能的問題日益突出，做好其 節(jié)能管理工作，對實現(xiàn)"十二五"建筑節(jié)能規(guī)劃目標具有重要的意義。建筑節(jié)能是當今城 市建設和社會發(fā)展的前沿和研究熱點，對建筑的能耗現(xiàn)狀進行綜合分析和評估是建筑節(jié)能 的前提和基礎，而建立一種較為簡單同時又能比較準確預測建筑物能耗的模型顯得格外重 要。
[0003] 目前，國內(nèi)好多學者都對建筑能耗的預測方法進行了研究和探討。例如，文獻"基 于BP神經(jīng)網(wǎng)絡的建筑物用電能耗預測"中，作者采用LM算法，構造了基于BP神經(jīng)網(wǎng)絡的建 筑物用電量預測模型，對神經(jīng)網(wǎng)絡應用于建筑物用電能耗預測進行了初步探討。文獻"基于 多規(guī)則實時學習組合型BP神經(jīng)網(wǎng)絡的城市建筑能耗預測模型"中，作者考慮到了建筑用電 量的周期變化，構造網(wǎng)絡結構時加入了月份周期變量和月份序列變量，對建筑能耗的預測 精度有了進一步的提高。文獻"時間序列方法及其在實際辦公樓能耗預測中的應用"中，作 者建立了基于時間序列分析方法的建筑能耗預測模型，對某辦公建筑的逐月能耗進行了預 測。以上各種方法通過對具體建筑物的能耗進行模擬、預測，結果顯示應用于正常日的能耗 預測具有一定的可行性，且預測誤差均在允許范圍內(nèi)，但是由于考慮的建筑能耗影響因素 的不全，沒有考慮節(jié)假日的影響，使得節(jié)假日時的能耗預測結果不是很理想。因此，本發(fā)明 提出一種基于時間序列和神經(jīng)網(wǎng)絡的建筑節(jié)假日能耗預測方法。


【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有建筑物能耗預測方法的不足，本發(fā)明提出一種基于時間序列和神經(jīng)網(wǎng)絡 的建筑節(jié)假日能耗預測的新方法。本發(fā)明的實質(zhì)是，先利用時間序列對建筑物能耗進行擬 合預測，然后求取節(jié)假日的預測誤差，利用節(jié)假日的能耗影響因素和求解出的預測誤差進 行神經(jīng)網(wǎng)絡模擬，計算節(jié)假日能耗的修正值，最后對節(jié)假日的能耗預測結果進行修正，從而 實現(xiàn)對建筑節(jié)假日的能耗預測，并提高其預測精度。
[0005] 本發(fā)明為了實現(xiàn)節(jié)假日建筑能耗的精確預測，提出一種基于時間序列和神經(jīng)網(wǎng)絡 的建筑節(jié)假日能耗預測的新方法，主要包含以下步驟：
[0006] -種基于時間序列和神經(jīng)網(wǎng)絡的用于預測建筑在節(jié)假日情況下能耗的方法，主要 包括以下步驟：
[0007] 第一步，收集該建筑的能耗數(shù)據(jù)，并對數(shù)據(jù)進行差分運算，使其變?yōu)槠椒€(wěn)的時間序 列Y ;
[0008] 第二步，利用第一步得到的建筑能耗數(shù)據(jù)的平穩(wěn)序列Y，采用自回歸移動平均模型 對其進行建模，基本表達式為：
[0009] Ff - ---·. ~ φΑ-η = St ~ hi-..·· ~ hm (公式 I)
[0010] 其中{^ = 1，2,3，一?，1_1，一，1_11為￥在卜1，一卜11時刻的值，￡是均值 為零，方差為〇 ε2的平穩(wěn)白噪聲，ε t, ε t_i, ···，ε ^為ε在t, t-1, "·1：-ηι時刻的值，式中 釣(/:1Α···?)為自回歸系數(shù)，Θ」(j = 1，2，···，πι)為滑動平均系數(shù)；
[0011] 利用該模型，根據(jù)建筑能耗平穩(wěn)時序Y在t時刻及以前時刻的取值，對未來t+Ι時 刻的建筑能耗做出預測；
[0012] 第三步，計算節(jié)假日的情況下，建筑能耗的預測誤差Λ y，其中41，= ^-IUlh Υ? 為t+i時刻的真實能耗值，Ml丨為利用第二步中的模型預測出的t+i時刻的建筑能耗估計 值；
[0013] 第四步，建立用于預測在節(jié)假日的情況下，建筑能耗預測誤差Ay的神經(jīng)網(wǎng)絡模 型，其中包括確定神經(jīng)網(wǎng)絡模型的輸入變量個數(shù)，神經(jīng)網(wǎng)絡模型的輸出變量個數(shù)，神經(jīng)網(wǎng)絡 模型的隱含層元素個數(shù)，并對神經(jīng)網(wǎng)絡模型初始化及進行網(wǎng)絡訓練，然后，利用神經(jīng)網(wǎng)絡模 型，得到節(jié)假日情況下，建筑能耗的預測誤差Ay ;
[0014] 第五步，計算節(jié)假日情況下建筑的能耗預測值，其計算公式為：Γ = f+Af
[0015] 其中，f為利用第二步中的模型得到的能耗預測值，八7為節(jié)假日的能耗預測誤 差，疒即為修正后的節(jié)假日能耗預測值。

【專利附圖】

【附圖說明】
[0016] 圖1為本發(fā)明中節(jié)假日的建筑物能耗預測流程圖。
[0017] 圖2為本發(fā)明中計算節(jié)假日能耗修正值的BP神經(jīng)網(wǎng)絡結構圖。

【具體實施方式】
[0018] 下面結合具體實例，參照圖1對本發(fā)明方法的【具體實施方式】進行詳細的說明。
[0019] 步驟一：收集數(shù)據(jù)并進行數(shù)據(jù)預處理
[0020] 該實施例為深圳市某一辦公建筑，收集該建筑的日耗電量數(shù)據(jù)（要求時間至少為 2年），以及該段時間內(nèi)的節(jié)假日信息、日平均溫度、濕度的數(shù)據(jù)，并對日耗電量時間序列進 行平穩(wěn)性檢驗。如果時間序列不平穩(wěn)，則通過差分運算對樣本序列進行調(diào)整，消除其趨勢 性和季節(jié)性，使得變化后的序列是平穩(wěn)序列。設原始日耗電量時間數(shù)據(jù)序列為{x t}(t = 1，2, "·，Ν)，一般地，對周期為s的建筑的日耗電量的不平穩(wěn)時間序列，可進行差分運算后 變?yōu)槠椒€(wěn)的時間序列{Yt} (t = 1，2,…，Ν)，簡記為Υ，其中差分運算為：
[0021] Yt = Xt-Xt_s
[0022] Xt為數(shù)據(jù)序列{Xt} (t = 1，2, "·，Ν)在t時刻的值，Xt_s為數(shù)據(jù)序列{Xt} (t = 1，2, "·，Ν)在t-s時刻的取值。
[0023] 步驟二：對步驟一得到的平穩(wěn)日耗電量時間序列{Yt} (t = 1，2,…，吣進行回歸分 析，建立ARMA (n，m)模型，具體包括：
[0024] (1)模型的建立
[0025] 對得到的平穩(wěn)日耗電量時間序列{Yt} (t = 1，2, ···，N)進行回歸分析，建立ARMA模 型：八-" = A -沒A 1-----θη!ε, .
[0026] 其中{Yt}，t = 1，2, 3,…Ν，Υη，…，Yt_n 為 t-1，...t-n 時刻平穩(wěn)序列 Y 的
[0027] 值，ε為零均值，方差為σ ε2的平穩(wěn)白噪聲，ε ^，…，ε t_m為ε在t-Ι,…!:-!!!時 刻的值。式中釣(/ = 1三…《)為自回歸系數(shù)，θ」〇_ = 1，2，···，πι)為滑動平均系數(shù)。
[0028] (2)模型參數(shù)的估計
[0029] a.本發(fā)明采用長自回歸模型法實現(xiàn)對模型參數(shù)的初估計，步驟如下：
[0030] ①對平穩(wěn)時間序列{Yt} (t = 1，2,…，N)擬合出長自回歸模型AR(p)，
[0031] Z = Φ Xff,
[0032] 其中，Z為平穩(wěn)時序Y在某一時刻的值，W為平穩(wěn)時序Y在該時刻之前的其它時刻 的取值矩陣，Φ為其參數(shù)矩陣。
[0033] 然后采用最小二乘法估計其參數(shù)矩陣φ，估計值記做^，即 I = (FrJry1IfrZ，4為參數(shù)矩陣I中的元素，當i增加到某數(shù)值p時，4+1，4.2……均 趨于〇,則認為長自回歸模型中自回歸部分的階數(shù)為P。于是得到長自回歸模型AR(P)的逆 函數(shù)系數(shù)Ji =爲，（i = U,.··,P):和模型階次P。
[0034] ②取η為ARMA(n，m)模型AR部分的階數(shù)，m為MA部分的階數(shù)。令m = 1開始搜 索。
[0035] ③因n+m = P，則n = p-m。解線性方程組，得Θ」(j = 1，2,…，m)。

【權利要求】
1. 一種基于時間序列和神經(jīng)網(wǎng)絡的用于預測建筑在節(jié)假日情況下能耗的方法，主要包 括以下步驟： 第一步，收集該建筑的能耗數(shù)據(jù)，并對數(shù)據(jù)進行差分運算，使其變?yōu)槠椒€(wěn)的時間序列Y； 第二步，利用建筑能耗數(shù)據(jù)平穩(wěn)的時間序列Y，采用自回歸移動平均模型ARMA(n，m)對 其進行建模，基本表達式為： Y丨-iPlKI-----ΨηΚπ =ε,^^?ε,ih,(公式I) 其中{Yt，t=l，2,3,…H，…，Yt_n為Y在t-1，"·?-η時刻的值，ε是均值為零，方差 為σε2的平穩(wěn)白噪聲，et，ε^···，￡^為ε在t，t-l，?t_m時刻的值，式中= 為自回歸系數(shù)，Θ」(j= 1，2,…，m)為滑動平均系數(shù)； 利用該模型，根據(jù)建筑能耗平穩(wěn)時序Y在t時刻及以前時刻的取值，對未來t+Ι時刻的 建筑能耗做出預測； 第三步，計算節(jié)假日的情況下，建筑能耗的預測誤差Λy，其中· =Fttl-：!丨ClhY?為 t+1時刻的真實能耗值，為利用第二步中的模型預測出的t+1時刻的建筑能耗估計值； 第四步，建立用于預測在節(jié)假日的情況下，建筑能耗預測誤差Λy的神經(jīng)網(wǎng)絡模型，其 中包括確定神經(jīng)網(wǎng)絡模型的輸入變量個數(shù)，神經(jīng)網(wǎng)絡模型的輸出變量個數(shù)，神經(jīng)網(wǎng)絡模型 的隱含層元素個數(shù)，并對神經(jīng)網(wǎng)絡模型初始化及進行網(wǎng)絡訓練，然后，利用神經(jīng)網(wǎng)絡模型， 得到節(jié)假日情況下，建筑能耗的預測誤差Λy; 第五步，計算節(jié)假日情況下建筑的能耗預測值，其計算公式為：F=f+ 其中，f為 利用第二步中的模型得到的能耗預測值，Λy為利用第四步中的神經(jīng)網(wǎng)絡模型得到的節(jié)假 日的能耗預測誤差，r即為修正后的節(jié)假日能耗預測值。
2. 如權利要求1所述的方法，在第二步中，采用長自回歸模型法對公式1的模型參數(shù)進 行初估計，然后，采用非線性最小二乘法實現(xiàn)公式1的模型參數(shù)的精估計。
3. 如權利要求1所述的方法，其中在第一步中，設收集的建筑的能耗數(shù)據(jù)為IxJ(t= 1，2,…，N)，且其周期為s，則差分運算為： F=ViXf=H 其中，Y是經(jīng)過差分后的平穩(wěn)的時間序列，^為S階差分算子，Xt為數(shù)據(jù)序列在t時刻 的值，Xh為數(shù)據(jù)序列在t-S時刻的取值。
4. 如權利要求2所述的方法，其中在進行初估計時， 步驟一，對平穩(wěn)時間序列Y擬合出長自回歸模型AR(p)， Z=ΦXff, 其中，Z為平穩(wěn)時間序列Y在某一時刻的值，W為平穩(wěn)時間序列Y在該時刻之前的其它 時刻的取值矩陣，Φ為其參數(shù)矩陣； 然后采用最小二乘法估計其參數(shù)矩陣Φ，估計值記做# 5即#二⑶/7+?+Τ4為參 數(shù)矩陣纟中的元素，當i增加到某數(shù)值P時，All; 2……均趨于〇,則認為長自回歸模型 中自回歸部分的階數(shù)為p，于是得到模型參數(shù)（即逆函數(shù)）/,=Isα=ι，2，···，Ρ)和模型 階次P; 步驟二，取η為ARMA(n,m)模型AR部分的階數(shù)，m為MA部分的階數(shù)；令m= 1開始搜 索； 步驟三，因n+m=P，則n=p-m，解下列線性方程組，得Θ』(j= 1，2,…，m):
步驟四，檢查Iθπ|是否趨近于0,若否，則令m =m+l，返回步驟三循環(huán)；如果趨于0,則 確定前一次循環(huán)的Θj(j= 1，2, "'m)為滑動平均參數(shù)，且MA部分的階次為m=m-Ι，再令 n=p-m執(zhí)行下一步； 步驟五，解下列線性方程組，得供
步驟六，檢查錢的最后幾個值是否小于1〇_6,如果是，則省去后面的與值，保留剩下的與 為自回歸參數(shù)，確定AR部分的階次η等于剩余的ft值的個數(shù)，此時n〈p-m;若不小于，則不 必略去,此時n=p-m,釣（i= 1，2, ...,η)為自回歸參數(shù)。
5.如權利要求1所述的方法，其中在第二步中， 對于ARMA(n，m)模型，根據(jù)其逆轉(zhuǎn)形式6 ;+得到1步預報公式為： m=±F：s%^ j=^ 其中，Yt+1-j為平穩(wěn)序列Y在t+1-j時刻取值，系數(shù)Fj(1)可以由逆函數(shù){Fj，j= 1，2，?} 決定，計算公式如下： = -1 逆函數(shù)計算公式"F=之0廠a+供yΘ和-分別為ARMA模型中的系數(shù) (F1J = I 系數(shù)F/1)的計算公式：=jF "+父^尸(/ "，,爹里 I?=ι - 〇
【文檔編號】G06Q10/04GK104239982SQ201410535675
【公開日】2014年12月24日 申請日期:2014年10月12日 優(yōu)先權日:2014年10月12日
【發(fā)明者】牛麗仙, 吳忠宏, 劉巖 申請人:劉巖