本發(fā)明涉及空調(diào)能耗預(yù)測技術(shù)領(lǐng)域，特別涉及一種基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法。

背景技術(shù)：

當(dāng)前現(xiàn)代化的建筑，特別是公共建筑中，空調(diào)系統(tǒng)的能耗一直占據(jù)著建筑能耗大約50～60％的比重，節(jié)能潛力巨大。如何有效地管理空調(diào)系統(tǒng)的運(yùn)行能耗一直是當(dāng)前研究的熱點(diǎn)之一。建筑空調(diào)系統(tǒng)能耗的準(zhǔn)確預(yù)測，對于優(yōu)化采暖空調(diào)系統(tǒng)運(yùn)行模式，實(shí)現(xiàn)建筑空調(diào)系統(tǒng)的綜合節(jié)能運(yùn)行具有重要理論指導(dǎo)意義和現(xiàn)實(shí)意義?？照{(diào)能耗預(yù)測對于建筑空調(diào)統(tǒng)一調(diào)度、空調(diào)定額能耗管理等方面具有重要的意義。

行業(yè)內(nèi)已有的建筑空調(diào)能耗預(yù)測方法有三類：

(1)第一類是采用回歸分析法進(jìn)行建筑空調(diào)系統(tǒng)的能耗預(yù)測。該方法假設(shè)與空調(diào)系統(tǒng)能耗具有相關(guān)性的N類影響因素，其與空調(diào)能耗之間呈非線性關(guān)系，通過數(shù)據(jù)擬合得到表示空調(diào)系統(tǒng)能耗的高階多項(xiàng)式函數(shù)?；貧w分析方法在建模的過程中有很多的試計算過程，將增大建模的難度，此外輸入?yún)?shù)和輸出參數(shù)之間的依賴程度很大，預(yù)測精度不高。

(2)第二類是基于時間序列預(yù)測模型的空調(diào)負(fù)荷方法。該方法的基本出發(fā)點(diǎn)是利用過去一段時間建筑空調(diào)負(fù)荷的變化特征描述來預(yù)測末來的變化特征?？照{(diào)負(fù)荷的時間序列預(yù)測模型的特點(diǎn)是計算速度快和能反映負(fù)荷近期變化的連續(xù)性。其存在的不足是對原始時間序列的平穩(wěn)性要求高、而實(shí)際空調(diào)負(fù)荷一般均不滿足平穩(wěn)性的要求，因此預(yù)測精度不理想。

(3)第三類是將支持向量機(jī)應(yīng)用于空調(diào)逐時負(fù)荷預(yù)測。該方法建立了基于支持向量機(jī)理論的建筑物空調(diào)負(fù)荷預(yù)測模型，并利用遺傳算法、蟻群算法及粒子群算法等對支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，該方法具有學(xué)習(xí)速度快、全局最優(yōu)和推廣能力強(qiáng)等優(yōu)點(diǎn)，但同時，支持向量機(jī)也有對大規(guī)模訓(xùn)練樣本難以實(shí)施以及同時解決多類問題困難的缺點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對上述現(xiàn)有技術(shù)中存在的問題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法，BP神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，相比于現(xiàn)有方法，具備學(xué)習(xí)規(guī)則簡單，便于計算機(jī)實(shí)現(xiàn)，具有很強(qiáng)的魯棒型、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力等優(yōu)點(diǎn)。

為解決上述技術(shù)問題，本發(fā)明是通過如下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法，其包括以下步驟：

S11：分析建筑空調(diào)能耗的影響因素；

S12：根據(jù)所述影響因素，采集歷史建筑空調(diào)能耗樣本參數(shù)，對所述歷史建筑空調(diào)能耗樣本參數(shù)進(jìn)行預(yù)處理，得到預(yù)處理后的歷史建筑空調(diào)能耗樣本參數(shù)；

S13：采用BP神經(jīng)網(wǎng)絡(luò)，根據(jù)所述歷史建筑空調(diào)能耗樣本參數(shù)的維度建立建筑空調(diào)能耗預(yù)測模型；

S14：采用預(yù)處理后的所述歷史建筑空調(diào)能耗樣本參數(shù)作為訓(xùn)練樣本對所述建筑空調(diào)能耗預(yù)測模型進(jìn)行訓(xùn)練；

S15：采集近期的實(shí)時建筑空調(diào)能耗樣本參數(shù)對所述建筑空調(diào)能耗預(yù)測模型的建模質(zhì)量進(jìn)行評估，以判斷所述建筑空調(diào)能耗預(yù)測模型的誤差是否在允許范圍內(nèi)，若在允許范圍內(nèi)，則所述建筑空調(diào)能耗預(yù)測模型的輸出即為建筑空調(diào)能耗預(yù)測值；若不在允許范圍內(nèi)，則返回S12或返回S14。

較佳地，所述步驟S11中所述建筑空調(diào)能耗的影響因素包括：靜態(tài)影響因素和動態(tài)影響因素。

較佳地，所述步驟S12具體包括：

S121：對所述歷史建筑空調(diào)能耗樣本參數(shù)根據(jù)所述靜態(tài)影響因素進(jìn)行組合分類；

S122：對組合分類之后的所述歷史建筑空調(diào)能耗樣本參數(shù)中的壞值進(jìn)行剔除；

S123：對壞值剔除之后的所述歷史建筑空調(diào)能耗樣本參數(shù)進(jìn)行歸一化處理。

較佳地，所述步驟S13具體包括：

S131：輸入層神經(jīng)元設(shè)計

所述輸入神經(jīng)元的個數(shù)由所述建筑空調(diào)能耗的動態(tài)影響參數(shù)的維度來決定；

S132：輸出層神經(jīng)元設(shè)計

所述輸出層神經(jīng)元的個數(shù)由所述樣本參數(shù)的輸出向量的維數(shù)來決定；

S133：隱含層神經(jīng)元設(shè)計

所述隱含層神經(jīng)元的個數(shù)由下式?jīng)Q定：

式中：n為隱含層神經(jīng)元的個數(shù)；a為輸入層神經(jīng)元的個數(shù)；b為輸出層神經(jīng)元的個數(shù)；l為1-10之間的常數(shù)。

較佳地，所述步驟S14具體包括：

S141：BP神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化

對所述輸入層神經(jīng)元的輸入值以及所述輸出層神經(jīng)元的輸出值進(jìn)行歸一化，對所述BP神經(jīng)網(wǎng)絡(luò)的參數(shù)及各權(quán)系數(shù)進(jìn)行賦值；

S142：前向傳輸

輸入所述歷史建筑空調(diào)能耗樣本輸入?yún)?shù)，計算所述BP神經(jīng)網(wǎng)絡(luò)的輸出值，并與所述歷史建筑空調(diào)能耗樣本輸出參數(shù)進(jìn)行比較，得出所述BP神經(jīng)網(wǎng)絡(luò)的輸出誤差；

S143：反向傳播

根據(jù)誤差反向傳播算法，修正隱含層之間以及隱含層與輸入層之間的權(quán)值系數(shù)和閾值；

S144：重復(fù)步驟S142～S143，直至預(yù)測誤差滿足條件或訓(xùn)練次數(shù)達(dá)到規(guī)定次數(shù)；

S145：將歸一化后的輸入值，代入所述BP神經(jīng)網(wǎng)絡(luò)的前向傳輸過程，獲得的輸出值經(jīng)過反歸一化處理，即可得到建筑空調(diào)能耗預(yù)測值。

較佳地，所述步驟S143中的所述誤差反向傳播算法采用動量-學(xué)習(xí)率自適應(yīng)的算法。

較佳地，所述動量-學(xué)習(xí)率自適應(yīng)的算法具體為：

帶有附加動量因子的權(quán)值系數(shù)和閾值的調(diào)節(jié)公式為：

Δw_ij(k+1)＝(1-mc)ηδ_ip_j+mcΔw_ij(k)，

Δb_i(k+1)＝(1-mc)ηδ_i+mcΔb_i(k)，

其中，k為訓(xùn)練次數(shù)，mc為動量因子；

mc的判斷條件為：

其中，E(k)為第k步誤差平方和；

學(xué)習(xí)率自適應(yīng)優(yōu)化公式為：

η(k)為第k步學(xué)習(xí)率，E(k)為第k步誤差平方和。

建筑空調(diào)能耗預(yù)測模型建筑空調(diào)能耗預(yù)測模型較佳地，所述步驟S15中，所述建筑空調(diào)能耗預(yù)測模型的誤差計算公式為：

其中，P為訓(xùn)練樣本的個數(shù)，L為輸出層神經(jīng)元的個數(shù)，O為輸出層神經(jīng)元的輸出值，T為訓(xùn)練樣本的輸出值。建筑空調(diào)能耗預(yù)測模型建筑空調(diào)能耗預(yù)測模型

較佳地，所述步驟S15之后還包括：

S16：定期對所述建筑空調(diào)能耗預(yù)測模型的建模質(zhì)量進(jìn)行評估，以判斷所述建筑空調(diào)能耗預(yù)測模型的誤差是否在允許范圍內(nèi)；

若在允許范圍內(nèi)，則所述建筑空調(diào)能耗預(yù)測模型可用；

若不在允許范圍內(nèi)，則所述建筑空調(diào)能耗預(yù)測模型不可用，采集近期的歷史建筑空調(diào)能耗以及影響參數(shù)收集起來，作為新的訓(xùn)練樣本，對所述建筑空調(diào)能耗預(yù)測模型重新進(jìn)行訓(xùn)練，以得到更適合當(dāng)前狀態(tài)下的建筑空調(diào)能耗預(yù)測模型。

較佳地，所述步驟S15之后還包括：

S17：定期采集近期的歷史建筑空調(diào)能耗以及影響參數(shù)收集起來，作為新的訓(xùn)練樣本，對所述建筑空調(diào)能耗預(yù)測模型重新進(jìn)行訓(xùn)練，以得到更適合當(dāng)前狀態(tài)下的建筑空調(diào)能耗預(yù)測模型建筑空調(diào)能耗預(yù)測模型建筑空調(diào)能耗預(yù)測模型。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下優(yōu)點(diǎn)：

(1)本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法，采用BP神經(jīng)網(wǎng)絡(luò)，具有極強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，相比于現(xiàn)有方法，具備學(xué)習(xí)規(guī)則簡單，便于計算機(jī)實(shí)現(xiàn)，具有很強(qiáng)的魯棒型、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力等優(yōu)點(diǎn)；

(2)本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法，采用動量學(xué)習(xí)率自適應(yīng)優(yōu)化的算法，可以幫助BP網(wǎng)絡(luò)模型突破局部極小值，達(dá)到全局最優(yōu)解；同時縮短訓(xùn)練時間，加速收斂，達(dá)到快速進(jìn)行大規(guī)模訓(xùn)練樣本的目的。

當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時達(dá)到以上所述的所有優(yōu)點(diǎn)。

附圖說明

下面結(jié)合附圖對本發(fā)明的實(shí)施方式作進(jìn)一步說明：

圖1為本發(fā)明的實(shí)施例1的基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法的流程圖；

圖2為本發(fā)明的實(shí)施例的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計結(jié)構(gòu)圖；

圖3為本發(fā)明的實(shí)施例的對建筑空調(diào)能耗預(yù)測模型進(jìn)行訓(xùn)練的流程圖；

圖4為本發(fā)明的實(shí)施例的建筑空調(diào)能耗預(yù)測模型的對數(shù)Sigmoid激活函數(shù)；

圖5為本發(fā)明的實(shí)施例的一訓(xùn)練樣本的建筑空調(diào)能耗預(yù)測曲線圖；

圖6為本發(fā)明的實(shí)施例2的基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法的流程圖；

圖7為本發(fā)明的實(shí)施例3的基于BP神經(jīng)網(wǎng)絡(luò)模型的建筑空調(diào)能耗預(yù)測方法的流程圖。

具體實(shí)施方式

下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例1：

結(jié)合圖1-圖4，本實(shí)施例對本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的建筑空調(diào)能耗預(yù)測方法進(jìn)行詳細(xì)描述，其流程圖如圖1所示，其包括以下步驟：

S11：分析建筑空調(diào)能耗的影響因素；

S12：根據(jù)影響參數(shù)，采集歷史建筑空調(diào)能耗樣本參數(shù)，對歷史建筑空調(diào)能耗樣本參數(shù)進(jìn)行預(yù)處理，得到預(yù)處理后的歷史建筑空調(diào)能耗樣本參數(shù)；

S13：采用BP神經(jīng)網(wǎng)絡(luò)，根據(jù)歷史建筑空調(diào)能耗樣本參數(shù)的維度建立建筑空調(diào)能耗預(yù)測模型；

S14：采用預(yù)處理后的歷史建筑空調(diào)能耗訓(xùn)練參數(shù)作為訓(xùn)練樣本對建筑空調(diào)能耗預(yù)測模型進(jìn)行訓(xùn)練；

S15：采集近期的實(shí)時建筑空調(diào)能耗樣本參數(shù)對建筑空調(diào)能耗預(yù)測模型的建模質(zhì)量進(jìn)行評估，以判斷建筑空調(diào)能耗預(yù)測模型的輸出值與實(shí)際能耗值之間的誤差是否在允許范圍內(nèi)，若在允許范圍內(nèi)，則模型可用，建筑空調(diào)能耗預(yù)測模型的輸出即為建筑空調(diào)能耗預(yù)測值；若不在允許范圍內(nèi)，則返回S12，重新采集更新的歷史建筑空調(diào)能耗樣本參數(shù)，采用更新后的歷史建筑空調(diào)能耗樣本參數(shù)對模型重新進(jìn)行訓(xùn)練，或者，返回S14，對訓(xùn)練參數(shù)進(jìn)行修改，然后再重新進(jìn)行訓(xùn)練，或者，也可以既對歷史建筑空調(diào)能耗樣本參數(shù)進(jìn)行更新，又對訓(xùn)練參數(shù)進(jìn)行修改。

本實(shí)施例中，步驟S11中將影響參數(shù)分為兩類：動態(tài)影響參數(shù)和靜態(tài)影響參數(shù)，如表1所示。

靜態(tài)因素主要從建筑自身的結(jié)構(gòu)特點(diǎn)、空調(diào)系統(tǒng)種類等影響建筑空調(diào)能耗的各類靜態(tài)因素出發(fā)，對建筑空調(diào)能耗影響因素進(jìn)行收集和分析。本發(fā)明考慮的靜態(tài)因素主要包括：建筑所在區(qū)域、建筑類型、建筑年代、建筑圍護(hù)結(jié)構(gòu)、空調(diào)系統(tǒng)類型等。

動態(tài)因素主要從建筑所處環(huán)境、不同時間等影響建筑空調(diào)能耗的各類動態(tài)因素出發(fā)，對建筑空調(diào)能耗影響因素進(jìn)行收集和分析。本發(fā)明考慮的動態(tài)因素主要包括：季節(jié)、氣象、室外溫度、空氣濕度、太陽輻射強(qiáng)度、時刻、建筑面積、是否工作日等。

表1建筑空調(diào)能耗影響因素

本實(shí)施例中，步驟S12具體包括：

S121：對樣本參數(shù)根據(jù)靜態(tài)影響因素進(jìn)行組合分類；

不同地區(qū)、不同類型、不同圍護(hù)結(jié)構(gòu)的建筑，其空調(diào)系統(tǒng)能耗的影響因素往往有其特殊性。首先通過分析比較，將樣本中的所有建筑根據(jù)靜態(tài)影響因素進(jìn)行組合歸類，具有同類靜態(tài)屬性(如建筑類型相同、圍護(hù)結(jié)構(gòu)相似)的建筑，其空調(diào)能耗樣本數(shù)據(jù)可以歸入該類建筑對應(yīng)的模型進(jìn)行訓(xùn)練。

S122：對組合分類之后的樣本參數(shù)中的壞值進(jìn)行剔除；

建立建筑空調(diào)能耗預(yù)測模型需要大量的建筑歷史能耗樣本數(shù)據(jù)，這些數(shù)據(jù)大多是通過傳感器等測量設(shè)備采集得來，它們會受到采集設(shè)備本身出現(xiàn)斷線狀態(tài)或數(shù)據(jù)傳輸過程中數(shù)據(jù)出錯問題影響，在大量的數(shù)據(jù)中可能會出現(xiàn)一些異常的數(shù)據(jù)。這些或者在量級上與正常值相差很大，或者雖然在量級上沒有顯著差別，但是誤差卻超過了正常的范圍。這些異常數(shù)據(jù)的存在對于負(fù)荷預(yù)測模型建立將產(chǎn)生嚴(yán)重影響，造成預(yù)測誤差較大，所以應(yīng)首先根據(jù)常識檢驗(yàn)預(yù)測數(shù)據(jù)是否落在正常的值域范圍內(nèi)，并根據(jù)數(shù)理統(tǒng)計方法剔除壞值。

S123：對壞值剔除之后的樣本參數(shù)進(jìn)行歸一化處理；

為使模型訓(xùn)練更加有效，防止奇異樣本數(shù)據(jù)的存在，在進(jìn)入模型訓(xùn)練之前，輸入樣本參數(shù)和輸出樣本參數(shù)需進(jìn)行歸一化處理。對模型的輸入、輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理可以加快模型的訓(xùn)練速度。訓(xùn)練結(jié)束后，再將模型的輸入和輸出參數(shù)反歸一化。

本實(shí)施例中，步驟S13具體包括：

S131：輸入層神經(jīng)元設(shè)計

輸入神經(jīng)元的個數(shù)由建筑空調(diào)能耗的動態(tài)影響參數(shù)的維度來決定；本實(shí)施例中，具體包括：季節(jié)、氣象、室外溫度、空氣濕度、太陽輻射強(qiáng)度、時刻、建筑面積、是否工作日8個輸入?yún)?shù)。

S132：輸出層神經(jīng)元設(shè)計

所述輸出層神經(jīng)元的個數(shù)由樣本參數(shù)的輸出向量的維數(shù)來決定；本實(shí)施例的輸出為建筑空調(diào)系統(tǒng)能耗預(yù)測值，因此輸出層只有1個神經(jīng)元。

S133：隱含層神經(jīng)元設(shè)計

隱含層神經(jīng)元數(shù)與求解問題的要求、輸入輸出神經(jīng)元數(shù)的多少有直接的關(guān)系。隱含層神經(jīng)元數(shù)過多會導(dǎo)致學(xué)習(xí)時間過長；隱含層神經(jīng)元數(shù)過少，容錯性差，識別未經(jīng)學(xué)習(xí)的能力樣本低，所以必須綜合多方面的因素進(jìn)行設(shè)計。根據(jù)經(jīng)驗(yàn)可參考以下公式進(jìn)行設(shè)計：

式中：n為隱含層神經(jīng)元的個數(shù)；a為輸入層神經(jīng)元的個數(shù)；b為輸出層神經(jīng)元的個數(shù)；l為1-10之間的常數(shù)。由于本模型為一個8輸入1輸出系統(tǒng)，經(jīng)過多次試驗(yàn)，最終確定建筑空調(diào)能耗預(yù)測模型的隱含層神經(jīng)元數(shù)為8個。

本實(shí)施例采用的BP神經(jīng)網(wǎng)絡(luò)設(shè)計結(jié)構(gòu)如圖2所示，其中，

x_j表示輸入層第j個節(jié)點(diǎn)的輸入，j＝1，2，3，4；

w_ij表示隱含層第i個節(jié)點(diǎn)到輸入層第j個節(jié)點(diǎn)之間的權(quán)值；

θ_i表示隱含層第i個節(jié)點(diǎn)的閾值；

φ(x)表示隱含層的激勵函數(shù)；

w_ki表示輸出層節(jié)點(diǎn)k到隱含層第i個節(jié)點(diǎn)之間的權(quán)值，i＝1，2，3；

a_k表示輸出層節(jié)點(diǎn)k的閾值；

ψ(x)表示輸出層的激勵函數(shù)；

o_k表示輸出層節(jié)點(diǎn)k的輸出。

本實(shí)施例中，步驟S14具體包括：

S141：BP神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化

對輸入層神經(jīng)元的輸入值以及輸出層神經(jīng)元的輸出值進(jìn)行歸一化，對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)及各權(quán)系數(shù)進(jìn)行賦值，其中各層節(jié)點(diǎn)之間的連接權(quán)值w可取(-1，1)的隨機(jī)數(shù)；

S142：前向傳輸

輸入歷史建筑空調(diào)能耗樣本輸入?yún)?shù)，計算BP神經(jīng)網(wǎng)絡(luò)的輸出值，并與歷史建筑空調(diào)能耗樣本輸出參數(shù)進(jìn)行比較，得出BP神經(jīng)網(wǎng)絡(luò)的輸出誤差；

S143：反向傳播

根據(jù)誤差反向傳播算法，修正隱含層之間以及隱含層與輸入層之間的權(quán)值系數(shù)和閾值；

S144：重復(fù)步驟S142～S143，直至預(yù)測誤差滿足條件或訓(xùn)練次數(shù)達(dá)到規(guī)定次數(shù)；

S145：將歸一化后的輸入值，代入BP神經(jīng)網(wǎng)絡(luò)的前向傳輸過程，獲得的輸出值經(jīng)過反歸一化處理，即可得到建筑空調(diào)能耗預(yù)測值。

如圖3所示為本實(shí)施例的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程圖，本實(shí)施例的訓(xùn)練模型為典型的反饋型神經(jīng)網(wǎng)絡(luò)，其中，隱含層和輸出層的傳遞函數(shù)采用對數(shù)Sigmoid函數(shù)；訓(xùn)練采用動量-學(xué)習(xí)率自適應(yīng)優(yōu)化的算法，該算法能夠大大提高BP網(wǎng)路找到全局最優(yōu)解的能力，同時減少了訓(xùn)練時間，收斂速度快，收斂誤差小。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法主要包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實(shí)際輸出時按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行。

隱含層和輸出層對數(shù)Sigmoid函數(shù)

φ(x)表示隱含層的激勵函數(shù)，ψ(x)表示輸出層的傳遞函數(shù)，它們是非線性可微非遞減函數(shù)，一般取為對數(shù)Sigmoid函數(shù)，即φ(x)＝ψ(x)＝1/(1+e^-x)(對數(shù)Sigmoid激活函數(shù))，它將輸入空間壓縮到一個有限的輸出空間內(nèi)(0-1)，如圖4所示：

1)信號的前向傳播過程

隱含層第i個節(jié)點(diǎn)的輸入net_i：

隱含層第i個節(jié)點(diǎn)的輸出y_i：

輸出層第k個節(jié)點(diǎn)的輸入net_k：

輸出層第k個節(jié)點(diǎn)的輸出o_k：

2)誤差的反向傳播過程

誤差的反向傳播，即首先由輸出層開始逐層計算各層神經(jīng)元的輸出誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閾值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。

對于每一個樣本p的二次型誤差準(zhǔn)則函數(shù)為E_p：

系統(tǒng)對p個訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δw_ki，輸出層閾值的修正量Δa_k，隱含層權(quán)值的修正量Δw_ij，隱含層閾值的修正量Δθ_i。

輸出層權(quán)值調(diào)整公式：

輸出層閾值調(diào)整公式：

隱含層權(quán)值調(diào)整公式：

隱含層閾值調(diào)整公式：

又因?yàn)椋?/p>

所以最后得到以下公式：

其中，P為訓(xùn)練樣本的個數(shù)，L為輸出層神經(jīng)元的個數(shù)，O為輸出層神經(jīng)元的輸出值，T為訓(xùn)練樣本的輸出值。

3)動量-學(xué)習(xí)率自適應(yīng)優(yōu)化的算法

本發(fā)明在模型訓(xùn)練過程中加入動量-學(xué)習(xí)率自適應(yīng)優(yōu)化的算法，該算法為附加動量法和學(xué)習(xí)率自適應(yīng)優(yōu)化法的組合。附加動量法可以幫助BP網(wǎng)絡(luò)模型突破局部極小值，達(dá)到全局最優(yōu)解；學(xué)習(xí)率自適應(yīng)優(yōu)化法可幫助BP網(wǎng)絡(luò)模型縮短訓(xùn)練時間，加速收斂。

①附加動量法

附加動量法使網(wǎng)絡(luò)在修正其權(quán)值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網(wǎng)絡(luò)可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。

該方法是在反向傳播法的基礎(chǔ)上在每一個權(quán)值(或閾值)的變化上加上一項(xiàng)正比于前次權(quán)值(或閾值)變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值(或閾值)變化。

帶有附加動量因子的權(quán)值和閾值調(diào)節(jié)公式為：

Δw_ij(k+1)＝(1-mc)ηδ_ip_j+mcΔw_ij(k)

Δb_i(k+1)＝(1-mc)ηδ_i+mcΔb_i(k)

其中k為訓(xùn)練次數(shù)，mc為動量因子，本實(shí)施例取0.95。

附加動量法的實(shí)質(zhì)是將最后一次權(quán)值(或閾值)變化的影響，通過一個動量因子來傳遞。當(dāng)動量因子取值為零時，權(quán)值(或閾值)的變化僅是根據(jù)梯度下降法產(chǎn)生；當(dāng)動量因子取值為1時，新的權(quán)值(或閾值)變化則是設(shè)置為最后一次權(quán)值(或閾值)的變化，而依梯度法產(chǎn)生的變化部分則被忽略掉了。以此方式，當(dāng)增加了動量項(xiàng)后，促使權(quán)值的調(diào)節(jié)向著誤差曲面底部的平均方向變化，當(dāng)網(wǎng)絡(luò)權(quán)值進(jìn)入誤差曲面底部的平坦區(qū)時，i將變得很小，于是Δw_ij(k+1)＝Δw_ij(k)，從而防止了Δw_ij＝0的出現(xiàn)，有助于使網(wǎng)絡(luò)從誤差曲面的局部極小值中跳出。

根據(jù)附加動量法的設(shè)計原則，當(dāng)修正的權(quán)值在誤差中導(dǎo)致太大的增長結(jié)果時，新的權(quán)值應(yīng)被取消而不被采用，并使動量作用停止下來，以使網(wǎng)絡(luò)不進(jìn)入較大誤差曲面；當(dāng)新的誤差變化率對其舊值超過一個事先設(shè)定的最大誤差變化率時，也得取消所計算的權(quán)值變化。其最大誤差變化率可以是任何大于或等于1的值，本實(shí)施例的取值為1.04。所以，在進(jìn)行附加動量法的模型訓(xùn)練過程中，需要加進(jìn)條件判斷以正確使用其權(quán)值修正公式。

本實(shí)施例在模型訓(xùn)練過程中采用動量法的判斷條件為：

其中，E(k)為第k步誤差平方和；

②學(xué)習(xí)率自適應(yīng)優(yōu)化

對于一個特定的工程問題，要選擇適當(dāng)?shù)膶W(xué)習(xí)率不是一件容易的事情。通常是憑經(jīng)驗(yàn)或?qū)嶒?yàn)獲取，但即使這樣，對訓(xùn)練開始初期功效較好的學(xué)習(xí)率，不見得對后來的訓(xùn)練合適。

為了解決這個問題，本實(shí)施例在訓(xùn)練過程中采用自動優(yōu)化學(xué)習(xí)率的方法。優(yōu)化學(xué)習(xí)率的準(zhǔn)則是：檢查權(quán)值是否真正降低了誤差函數(shù)，如果確實(shí)如此，則說明所選學(xué)習(xí)率小了，可以適當(dāng)增加一個量；若不是這樣，而產(chǎn)生了過調(diào)，要么就應(yīng)該減少學(xué)習(xí)率的值。學(xué)習(xí)率自適應(yīng)優(yōu)化公式如下：

其中，E(k)為第k步誤差平方和。

通過這種方法，網(wǎng)絡(luò)的初始學(xué)習(xí)率η(0)的選取范圍可以有很大的隨意性。

本實(shí)施例中，步驟S15中，建筑空調(diào)能耗預(yù)測模型的誤差計算公式為：

其中，P為訓(xùn)練樣本的個數(shù)，L為輸出層神經(jīng)元的個數(shù)，O為輸出層神經(jīng)元的輸出值，T為訓(xùn)練樣本的輸出值。

下面以某省某公共建筑為實(shí)驗(yàn)對象，選取某一年的某一個月進(jìn)行空調(diào)能耗預(yù)測，將預(yù)測結(jié)果與該時間段建筑空調(diào)能耗數(shù)據(jù)進(jìn)行對比，得到曲線如圖5所示，其中，表示模型值，表示實(shí)際值，從圖中可看出，經(jīng)過多個訓(xùn)練和修正，預(yù)測結(jié)果與實(shí)際建筑空調(diào)能耗數(shù)據(jù)趨勢幾乎一致，曲線吻合程度較高。

實(shí)施例2：

如圖6所示為其流程圖，本實(shí)施例是在實(shí)施例1的基礎(chǔ)上，在步驟S15之后增加了：

S16：定期對建筑空調(diào)能耗預(yù)測模型的建模質(zhì)量進(jìn)行評估，以判斷建筑空調(diào)能耗預(yù)測模型的誤差是否在允許范圍內(nèi)。具體做法為：通過將建筑最近一段時間的實(shí)時數(shù)據(jù)作為樣本，帶入訓(xùn)練好的模型仿真得到相應(yīng)的預(yù)測值，比對模型的預(yù)測值和實(shí)際空調(diào)能耗數(shù)據(jù)的偏差，判斷偏差是否在允許范圍內(nèi)，以確定模型是否可用，若在允許范圍內(nèi)，則建筑空調(diào)能耗預(yù)測模型可用；若不在允許范圍內(nèi)，則建筑空調(diào)能耗預(yù)測模型不可用，采集近期的歷史建筑空調(diào)能耗以及影響參數(shù)收集起來，作為新的訓(xùn)練樣本，對建筑空調(diào)能耗預(yù)測模型重新進(jìn)行訓(xùn)練，以得到更適合當(dāng)前狀態(tài)下的建筑空調(diào)能耗預(yù)測模型。

本實(shí)施例中，建筑空調(diào)能耗預(yù)測模型的誤差計算公式也為：

實(shí)施例3：

如圖7所示為其流程圖，本實(shí)施例是在實(shí)施例1的基礎(chǔ)上，在步驟S15之后增加了：

S17：定期采集近期的歷史建筑空調(diào)能耗以及影響參數(shù)收集起來，作為新的訓(xùn)練樣本，對建筑空調(diào)能耗預(yù)測模型重新進(jìn)行訓(xùn)練，以得到更適合當(dāng)前狀態(tài)下的建筑空調(diào)能耗預(yù)測模型。

此處公開的僅為本發(fā)明的優(yōu)選實(shí)施例，本說明書選取并具體描述這些實(shí)施例，是為了更好地解釋本發(fā)明的原理和實(shí)際應(yīng)用，并不是對本發(fā)明的限定。任何本領(lǐng)域技術(shù)人員在說明書范圍內(nèi)所做的修改和變化，均應(yīng)落在本發(fā)明所保護(hù)的范圍內(nèi)。