本發(fā)明涉及一種建筑能耗的預測方法，屬于建筑能耗預測技術(shù)領域，具體說涉及一種基于分項計量時間序列建筑能耗預測方法、實施這樣的方法的系統(tǒng)，以及裝備了這樣的系統(tǒng)的建筑物。

背景技術(shù)：

隨著城市化進程的不斷加速，能源問題日益突出。建筑能耗在社會總能耗中所占比例從上個世紀七十年代末的10％上升到28％。國家辦公機關(guān)建筑和各類公共建筑年能耗電量約占全國城鎮(zhèn)總能耗的22％。單位面積耗電量是普通居民住宅的10～20倍，是歐洲、日本等發(fā)達國家同類建筑的1.5～2倍。大型公共建筑的用電量超過社會建筑總用電量的30％，是建筑節(jié)能監(jiān)管和改造的主要對象。因此，對大型公共建筑的能耗的預測顯得尤為重要，這樣可以為大型公共建筑的用電額度提供科學的依據(jù)。

建筑用能巨大，尤其是在大型商場，實驗室，寫字樓等。目前對于建筑內(nèi)能源供應設備的能耗數(shù)據(jù)分項采集是了解建筑能耗大小，尋找能耗浪費點前提。而隨著國家節(jié)能減排政策的落實，各地區(qū)對很多建筑的能耗數(shù)據(jù)進行了采集，但主要為實現(xiàn)能耗的分項計量和分項能耗數(shù)據(jù)的統(tǒng)計展示。同時，目前的數(shù)據(jù)采集方法多集中在對能耗數(shù)據(jù)本身進行采集，對能耗影響因素數(shù)據(jù)采集較少。此外，這些能耗數(shù)據(jù)采集設備多為定時對設備各項數(shù)據(jù)進行測量，讀取，并沒有注重某些設備從一個狀態(tài)過度到另一個狀態(tài)消耗的時間以及能耗。而了解可這些信息，才能對不同設備的開啟時間，開啟狀態(tài)順序進行規(guī)劃，尋找最優(yōu)調(diào)度方案。

技術(shù)實現(xiàn)要素：

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

鑒于上述和/或現(xiàn)有基于分項計量時間序列建筑能耗預測方法、基于該方法建立的系統(tǒng)及使用該系統(tǒng)的建筑物中存在的問題，提出了本發(fā)明。

因此，本發(fā)明其中的一個目的是提供一種基于分項計量時間序列建筑能耗預測方法。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于分項計量時間序列建筑能耗預測方法，其包括，采集建筑的能耗以及溫度的數(shù)據(jù)并存儲；將采集存儲的能耗和溫度數(shù)據(jù)作為時間序列分析方法的輸入?yún)?shù)；根據(jù)分項計量和相關(guān)性分析，將時間序列分析方法預測出能耗和溫度趨勢以及時間因子作為建筑能耗的主要影響因素；將確立好的主要影響因數(shù)和采集的能耗作為建立好的bp神經(jīng)網(wǎng)絡模型中的參數(shù)，來預測出未來建筑的能耗。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述采集建筑的能耗及溫度的數(shù)據(jù)并存儲，其是通過能耗數(shù)據(jù)采集系統(tǒng)進行，所述能耗數(shù)據(jù)采集系統(tǒng)包括，計量層，包括能耗計量采集設備和溫度監(jiān)測設備，所述能耗計量采集設備對建筑的照明用電、動力用電、空調(diào)用電和特殊用電的能耗進行采集，所述溫度監(jiān)測設備對空間溫度進行采集；通信層，建立計量層和管理層之間的通信聯(lián)系；以及，管理層，發(fā)出數(shù)據(jù)采集指令并對采集的相應能耗和溫度數(shù)據(jù)進行存儲；其中，所述管理層發(fā)出數(shù)據(jù)采集指令，經(jīng)所述通信層的通信協(xié)議轉(zhuǎn)換后，傳至所述計量層的能耗計量采集設備和溫度監(jiān)測設備，所述能耗計量采集設備和溫度監(jiān)測設備接收指令經(jīng)校驗后進行響應，將相應的能耗和溫度數(shù)據(jù)反饋至所述管理層，經(jīng)過處理分項存儲至數(shù)據(jù)庫。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述將采集存儲的能耗和溫度數(shù)據(jù)作為時間序列分析方法的輸入?yún)?shù)，其中，所述時間序列是計算所述能耗和溫度數(shù)據(jù)的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：

所述自相關(guān)系數(shù)，其定義：

因為對于一個平穩(wěn)過程有：

所以

當k＝0時，有ρ0＝1，以滯后期k為變量的自相關(guān)系數(shù)列ρkk＝0,1,2,...稱為自相關(guān)函數(shù)。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述偏自相關(guān)函數(shù)用以描述隨機過程結(jié)構(gòu)特征，其中，

用φkj表示k階自回歸過程中第j個回歸系數(shù)，則k階自回歸模型表示為：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一個回歸系數(shù)；

若把φkk看作是滯后期k的函數(shù)，則稱φkk，k＝1,2,...為偏自相關(guān)函數(shù)；

設時間序列{yt}，取移動平均的項數(shù)為n，則第t+1期預測值的計算公式

為：

上式中yt表示第t期實際值；表示第t期一次移動平均數(shù)；yt+1表示t+1期預測值(t≥n)。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡模型，其中，

根據(jù)神經(jīng)網(wǎng)絡的數(shù)據(jù)處理特點，對輸入數(shù)據(jù)進行歸一化處理，采用premnmx函數(shù)把訓練樣本歸一化在[0，1]之間，方法如下：

其中，x、x′是歸一化前、后的值，xmax是樣本中最大值，xmin是樣本中最小值。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡模型，其建立過程包括，

網(wǎng)絡的創(chuàng)建、訓練、仿真、預測、反歸一化處理；其中，

所述網(wǎng)絡的創(chuàng)建，其類型選擇“feed-forwardbackprop”；

所述訓練函數(shù)采用trainlm；

將網(wǎng)絡輸出結(jié)果經(jīng)反歸一化處理后，即可得到預測能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對預測的能耗數(shù)據(jù)進行反歸一化處理。

作為本發(fā)明所述的基于分項計量時間序列建筑能耗預測方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡模型，包括3個輸入神經(jīng)元、9個隱含神經(jīng)元和4個輸出神經(jīng)元的網(wǎng)絡；網(wǎng)絡隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin。

本發(fā)明的另一個目的是提供一種利用基于分項計量時間序列建筑能耗預測方法建立的系統(tǒng)。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種預測建筑物的能量消耗的預測系統(tǒng)，其中，該預測系統(tǒng)包括控制單元，該控制單元實施基于分項計量時間序列建筑能耗預測方法。

本發(fā)明的再一個目的是提供一種建筑物，其包括實施基于分項計量時間序列建筑能耗預測方法的預測建筑物的能量消耗的預測系統(tǒng)。

本發(fā)明的有益效果：本發(fā)明提供的一種基于分項計量時間序列建筑能耗預測方法，由于bp神經(jīng)網(wǎng)絡學習效率低，收斂速度慢，對參數(shù)選擇較為敏感，在bp神經(jīng)網(wǎng)絡的基礎上加入分項計量和時間序列的建筑能耗預測算法，可以大大提高了能耗預測的精確度，縮短了預測的時間，使得預測出的數(shù)據(jù)更加準確。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。其中：

圖1為本發(fā)明所述能耗數(shù)據(jù)采集監(jiān)測平臺系統(tǒng)示意圖；

圖2為本發(fā)明能耗數(shù)據(jù)采集預測流程示意圖；

圖3為本發(fā)明平穩(wěn)時間序列模型流程示意圖；

圖4為本發(fā)明在一個實施方式中為南京某大廈建立的能耗預測bp神經(jīng)網(wǎng)絡模型示意圖；

圖5為本發(fā)明圖4所述能耗預測bp神經(jīng)網(wǎng)絡模型的訓練結(jié)果示意圖；

圖6為本發(fā)明圖4所示實施方式中南京某大廈照明能耗預測結(jié)果示意圖；

圖7為本發(fā)明圖4所示實施方式中南京某大廈空調(diào)能耗預測結(jié)果示意圖；

圖8為本發(fā)明圖4所示實施方式中南京某大廈動力能耗預測結(jié)果示意圖；

圖9為本發(fā)明圖4所示實施方式中南京某大廈特殊能耗預測結(jié)果示意圖；

圖10為本發(fā)明圖4所示實施方式中南京某大廈四大項能耗預測的絕對誤差示意圖；

圖11為本發(fā)明圖4所示實施方式中南京某大廈四大項能耗預測的相對誤差示意圖；

圖12為本發(fā)明圖4所示實施方式中南京某大廈能耗預測的平均絕對誤差示意圖；

圖13為本發(fā)明圖4所示實施方式中南京某大廈能耗預測的均方根誤差示意圖。

具體實施方式

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合說明書附圖對本發(fā)明的具體實施方式做詳細的說明。

在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實施，本領域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施例的限制。

其次，此處所稱的“一個實施例”或“實施例”是指可包含于本發(fā)明至少一個實現(xiàn)方式中的特定特征、結(jié)構(gòu)或特性。在本說明書中不同地方出現(xiàn)的“在一個實施例中”并非均指同一個實施例，也不是單獨的或選擇性的與其他實施例互相排斥的實施例。

步驟一：如圖1所示，為獲取預測數(shù)據(jù)樣本，需建立能耗監(jiān)測平臺，能耗數(shù)據(jù)采集系統(tǒng)采用3層架構(gòu)設計。

能耗數(shù)據(jù)采集系統(tǒng)分為現(xiàn)場計量層100、網(wǎng)絡通信層200以及管理層300。

管理層300計算機發(fā)出數(shù)據(jù)采集指令，經(jīng)網(wǎng)絡通信層200協(xié)議轉(zhuǎn)換后，傳至現(xiàn)場計量層100各能耗計量采集設備101和溫度監(jiān)測設備102。

能耗計量采集設備101溫度監(jiān)測設備102接收指令經(jīng)校驗后進行響應，將相應的能耗和溫度數(shù)據(jù)反饋至管理層300計算機，經(jīng)過處理分項存儲至數(shù)據(jù)庫。

預測模型通過調(diào)用數(shù)據(jù)庫即可獲得訓練樣本。

步驟二：如圖2所示，能耗監(jiān)測平臺分別采集建筑的照明用電、動力用電、空調(diào)用電、特殊用電以及溫度的數(shù)據(jù)并存儲。

將能耗監(jiān)測平臺采集存儲的照明用電和溫度數(shù)據(jù)作為時間序列分析方法的輸入?yún)?shù)來預測出未來照明用電能耗和未來溫度趨勢。

根據(jù)分項計量和相關(guān)性分析，將時間序列分析方法預測出照明用電能耗和溫度趨勢以及時間因子作為建筑能耗的主要影響因素。

將確立好的主要影響因數(shù)和通過能耗監(jiān)測平臺分別采集的動力用電、空調(diào)用電和特殊用電作為建立好的bp網(wǎng)絡模型中的參數(shù)，來預測出未來建筑的照明用電、動力用電、空調(diào)用電、特殊用電這四大項能耗。

步驟三：采用時間序列分析方法來預測建筑的照明能耗，在時間序列分析中，首先是判別時間序列的穩(wěn)定性。

時間序列是平穩(wěn)的就可以計算這些數(shù)據(jù)的自相關(guān)函數(shù)autocorr和偏自相關(guān)函數(shù)parcorr。

自相關(guān)系數(shù)定義：

因為對于一個平穩(wěn)過程有：

所以

當k＝0時，有ρ0＝1，以滯后期k為變量的自相關(guān)系數(shù)列ρkk＝0,1,2,...稱為自相關(guān)函數(shù)。

偏自相關(guān)函數(shù)是描述隨機過程結(jié)構(gòu)特征的另一種說法。

用φkj表示k階自回歸過程中第j個回歸系數(shù)，則k階自回歸模型表示為：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一個回歸系數(shù)。

若把φkk看作是滯后期k的函數(shù)，則稱φkk，k＝1,2,...為偏自相關(guān)函數(shù)。

設時間序列{yt}，取移動平均的項數(shù)為n，則第t+1期預測值的計算公式

為：

上式中yt表示第t期實際值；表示第t期一次移動平均數(shù)；yt+1表示t+1期預測值(t≥n)。

如圖3所示，首先進行模式識別，判斷此模型為平穩(wěn)時間序列模型，進一步進行參數(shù)估計，得出自相關(guān)函數(shù)是拖著長長的尾巴，數(shù)值逐漸減小，符合拖尾性；而偏自相關(guān)函數(shù)是突然收斂到臨界值水平范圍內(nèi)，數(shù)值突然變很小，符合截尾性，且n＝3，進一步的進行模型診斷與檢驗判斷此時間序列模型符合自回歸ar(3)模型，此模型可取的情況下進行預測，如此模型不可取則重新回到模式識別步驟。

步驟四：主要影響因素和樣本數(shù)據(jù)的處理

根據(jù)神經(jīng)網(wǎng)絡的數(shù)據(jù)處理特點，需要對輸入數(shù)據(jù)進行歸一化處理，采用premnmx函數(shù)把訓練樣本歸一化在[0，1]之間，方法如下：

其中，x、x′是歸一化前、后的值，xmax是樣本中最大值，xmin是樣本中最小值。

步驟五：將時間序列模型中預測出照明能耗值用于bp網(wǎng)絡的預測。

建立bp神經(jīng)網(wǎng)絡模型，其過程包括網(wǎng)絡的創(chuàng)建、訓練、仿真、預測、反歸一化處理等5個步驟。

1、網(wǎng)絡的創(chuàng)建

實施操作中，以南京某大廈為例：網(wǎng)絡的創(chuàng)建是在matlab人工神經(jīng)網(wǎng)絡的操作界面上，創(chuàng)建一個包括3個輸入神經(jīng)元、9個隱含神經(jīng)元和4個輸出神經(jīng)元的網(wǎng)絡。網(wǎng)絡類型選擇“feed-forwardbackprop”，訓練函數(shù)采用trainlm，該函數(shù)的學習算法為反向傳播算法，其優(yōu)點在于收斂速度很快。網(wǎng)絡隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin，創(chuàng)建后的bp神經(jīng)網(wǎng)絡模型如圖4所示。

2、網(wǎng)絡的訓練

為提高預測的準確性，網(wǎng)絡需經(jīng)過訓練后才可以實際應用于能耗的預測。本網(wǎng)絡采用前250組數(shù)據(jù)作為樣本數(shù)據(jù)進行訓練，訓練結(jié)果如圖5所示。可以看出，網(wǎng)絡的訓練過程收斂得很快，經(jīng)過18步后，網(wǎng)絡已達到要求，可用于預測。

3、網(wǎng)絡的仿真與預測

通過訓練可以檢測訓練后的網(wǎng)絡對于輸入信號的逼近效果，因此，訓練好的網(wǎng)絡還需要進行仿真。針對該大廈，其將時間序列模型預測出的7月31號9組照明能耗，以及31號這9組照明能耗時刻所對應的溫度和時間因子這三個影響因素用于建立好的bp網(wǎng)絡模型中，來預測出31號這9組四大項能耗。得到四大項的預測結(jié)果如圖6～9所示。通過分析可以知道，圖6由于訓練擬合值非常接近期望值，圖中擬合值和期望值基本重疊在一條線上，而圖7～9預測效果大都能反映能耗的變化，只是有個別時刻的偏差較大，總的來說，整個模型預測效果還是很理想的。

利用樣本數(shù)據(jù)來預測這一天的9組四大項能耗，能耗預測的輸出結(jié)果如表1所示，表1為網(wǎng)絡輸出結(jié)果。

表1

4、反歸一化處理

將網(wǎng)絡輸出結(jié)果經(jīng)反歸一化處理后，即可得到預測能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對預測的能耗數(shù)據(jù)進行反歸一化處理，得出7月31號的9組能耗反歸一化處理的結(jié)果如表2所示。表2中前41組為仿真后得到的四大項能耗的預測值和實際值對比數(shù)據(jù)，以及絕對誤差值，最后9組為預測的7月31號能耗數(shù)據(jù)。

表2

5、誤差評價

為了從整體上評價預測模型的預測精度和穩(wěn)定性，本文采用了絕對誤差e、相對誤差re、平均絕對誤差mae和均方根誤差rmse四個性能指標對預測模型進行評估。

式中n表示樣本數(shù)、i表示預測序列、表示第i序列的預測值、x(i)表示第i序列的實際值。

絕對誤差反映了測量值偏離真值的大小，相對誤差更能反映測量的可信度，平均絕對誤差更好地反映預測值誤差的實際情況，均方根誤差反映了誤差分布的離散程度，rmse越大，誤差序列越離散，預測效果越差。四個誤差指標都是越小，預測效果越好。

仿真得到預測的絕對誤差和相對誤差如圖10和圖11所示，平均絕對誤差和均方根誤差如圖12和圖13所示。從圖10、11中可以得出：空調(diào)能耗絕對誤差相對比較大，預測效果沒有其他三項好，其他三項能耗誤差都是在0值上下浮動，而圖12、13可以看出誤差有個別偏差較大，但是總體還是比較理想。仿真得到的平均絕對誤差最大值為-0.0169，均方根誤差的最大值為8.3176，誤差都比較小，能夠進行網(wǎng)絡預測。

從表2可以看出：7月31號能耗的預測結(jié)果還是比較理想的。這是由于時間序列算法不需要復雜的影響因子，只需前一時刻的實際值，彌補了bp神經(jīng)網(wǎng)絡算法需要的復雜的影響因子的缺點，得到了無法測出的未來的照明能耗值，使得網(wǎng)絡能夠快速訓練，并很快達到訓練目標，而分項計量又能更好地看清每一項能耗的值。由此可見本文提出的分項計量時間序列神經(jīng)網(wǎng)絡算法可以滿足短期預測對實時性的要求。短期預測不僅要求快速預測，而且需要滿足一定的精度，達到工程應用的要求。利用訓練好的網(wǎng)絡對接下來的電能耗進行預測，預測較為理想。總體來看，分項計量時間序列神經(jīng)網(wǎng)絡算法的預測精度較高，最大平均絕對誤差為0.0245，最小平均絕對誤差0.0001。綜上所述基于分項計量時間序列神經(jīng)網(wǎng)絡預測模型適用于建筑能耗短期預測。

網(wǎng)絡類型選擇“feed-forwardbackprop”，訓練函數(shù)采用trainlm，該函數(shù)的學習算法為反向傳播算法，其優(yōu)點在于收斂速度很快。

網(wǎng)絡隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin。

將網(wǎng)絡輸出結(jié)果經(jīng)反歸一化處理后，即可得到預測能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對預測的能耗數(shù)據(jù)進行反歸一化處理。

由于時間序列算法不需要復雜的影響因子，只需前一時刻的實際值，彌補了bp神經(jīng)網(wǎng)絡算法需要的復雜的影響因子的缺點，得到了無法測出的未來的照明能耗值，使得網(wǎng)絡能夠快速訓練，并很快達到訓練目標，而分項計量又能更好地預測出每一項能耗的值。

本發(fā)明還涉及一種預測建筑物的能量消耗的預測系統(tǒng)，其包括一個控制單元，該控制單元實施如前所述的預測建筑物的能量消耗的預測方法。預測建物筑的能量消耗的預測系統(tǒng)包括照明和/或動力和/或特殊用電和/或供熱和/或空調(diào)設備以及控制單元，該控制單元能夠根據(jù)所需要的溫度設定值，通過對相關(guān)設備致動來調(diào)節(jié)建筑物的內(nèi)部溫度。

本發(fā)明還涉及一種建筑物，其包括預測建筑物的能量消耗的預測系統(tǒng)，所述預測系統(tǒng)實施如上述的預測建筑物的能量消耗的預測方法。

本發(fā)明還涉及預測建筑物的能量需求的預測系統(tǒng)，其包括允許實施前文描述的方法的計算機。該系統(tǒng)有利地與建筑物的供熱和空調(diào)設備相關(guān)聯(lián)，以便基于為達到居住著希望的舒適度而計算出的能量消耗來實施熱調(diào)節(jié)。該系統(tǒng)包括例如控制單元，該控制單元包括實施前文描述的方法的計算機。該方法可以通過存儲在信息載體上的軟件裝置來實施。

最后，建筑物可以配備實施前文描述的方法的建筑物的能量消耗預測系統(tǒng)，用于調(diào)節(jié)或是更廣義地管理其相關(guān)設備。

應說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應涵蓋在本發(fā)明的權(quán)利要求范圍當中。