CN102938092A - 一种基于神经网络的建筑节假日能耗预测方法 - Google Patents

Abstract

一种基于神经网络的建筑能耗预测的方法，主要包括以下步骤：第一步，收集建筑的能耗数据作为样本数据，并对样本数据进行归一化，使其范围在[0,1]之间；第二步，进行神经网络模拟，建立建筑能耗预测的神经网络模型1；第三步，利用神经网络模型1对建筑能耗进行预测，并计算在节假日的情况下，建筑能耗的预测误差；第四步，再次进行神经网络模拟，建立用于预测在节假日的情况下，建筑能耗修正值的神经网络模型2；第五步，分别计算在节假日和非节假日的情况下，建筑能耗的预测值。本发明的有益效果是，利用本发明方案可以大大提高建筑能耗的预测精度，尤其是节假日情况下的预测精度，对建筑的能源监控具有重要的意义。

Description

一种基于神经网络的建筑节假日能耗预测方法

技术领域

本发明涉及一种建筑能耗的预测方法，属于建筑能耗预测领域，具体说涉及一种基于神经网络的建筑能耗预测方法。

背景技术

随着我国经济的发展，办公建筑和大型公共建筑高耗能的问题日益突出，做好其节能管理工作，对实现“十二五”建筑节能规划目标具有重要的意义。建筑节能是当今城市建设和社会发展的前沿和研究热点，对建筑的能耗现状进行综合分析和评估是建筑节能的前提和基础，而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性，为公共建筑节能工作提供决策依据的有效途径和重要手段。

目前，国内好多学者都对建筑能耗的预测方法进行了研究和探讨。例如文献“办公建筑照明能耗预测模型及在方案阶段的应用”中，作者利用动力学方法，针对不同的照明控制方式、窗墙比、外区进深等设计参数的关系，建立照明能耗预测模型，对照明能耗进行了精确的预测。文献“基于BP神经网络的建筑能耗预测”中，作者利用MATLAB建立BP神经网络，将影响建筑能耗的18个因素作为网络的输入，进行学习训练，最后通过测试样本数据预测建筑能耗，从而证明了所建立网络模型的准确性。但是该方案中，作者考虑的因素只是建筑本身的一些因素，如墙体传热系数、建筑方位、遮阳系数、窗墙比等，外界的一些天气和人为因素并没有考虑。文献“基于气象热舒适度的建筑能耗灰色神经网络预测”中，作者针对建筑能耗受局地气候多因素影响的特点，引入了气象热舒适度来综合分析气候对建筑能耗的影响，并以该指数预测值、建筑能耗原始数据和日期类型作为输入层，进行复合灰色神经网络模型预测建筑能耗，并取得了较高精度的预测结果。但是，上述文献中所采用方案存在的共同缺点是，它们都只针对于正常日的建筑能耗进行了预测，而节假日因素并未考虑。在节假日中，人员会不办公或减少办公，办公设备的停用均会对整体的建筑能耗产生很大影响。如果不对节假日的能耗预测结果进行修正，那么将会产生较大的预测误差。

目前，建筑物能耗预测普遍针对的是正常日的能耗预测，考虑的影响因素也基本上都是建筑物本身的一些自身因素，极少的方案中考虑到了外界的天气因素对建筑能耗的影响，但是节假日因素始终没有考虑，这就造成了建筑物正常日的能耗预测精度很高，而节假日的能耗预测误差值却比较大的结果。因此，本发明提出一种基于神经网络的建筑能耗预测方法。

发明内容

针对现有建筑物能耗预测方法的不足，本发明提出一种基于神经网络的建筑能耗的预测方法。主要包含以下步骤：

步骤一：收集数据并进行数据预处理。收集影响建筑能耗的不同因素数据，包括温度、湿度、节假日类型、建筑面积、人员数量等，并且收集每日的建筑日能耗。为了减少奇异样本对神经网络性能的影响，对样本数据进行如下归一化，使其范围在[0,1]之间。归一化公式为：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }},$

其中，x为建筑的日能耗及其影响因素的取值，y为x的归一化输出，x_min为x的最小值，x_max为x的最大值。

步骤二：进行神经网络模拟，建立建筑能耗预测的神经网络模型1，具体过程如下：

(1)确定神经网络的输入变量个数。

(2)确定神经网络的输出变量个数。

(3)确定神经网络的隐含层元素个数。

(4)网络初始化并进行网络训练。

步骤三：利用神经网络模型1对建筑的能耗进行预测，并计算在节假日的情况下，建筑能耗的预测误差Δx，计算公式为：

其中x为实际能耗值，为神经网络模型1的能耗预测值。

步骤四：再次进行神经网络模拟，建立用于预测在节假日的情况下，建筑能耗修正值的神经网络模型2，利用神经网络模型2，得到节假日情况下，建筑能耗的修正值。

步骤五：计算建筑能耗预测值。首先判断待测日是否为节假日。

非节假日的建筑能耗预测值的计算公式为： $x^{*}=\hat{x}$

节假日的建筑能耗预测值的计算公式为： $x^{*}=\hat{x}+\mathrm{\Δx}$

其中，

为神经网络模型1的能耗预测结果，Δx为神经网络模型2输出的在节假日的情况下，建筑能耗修正值，x^*即为最终的建筑能耗预测结果。

附图说明

图1是根据本发明的一种基于神经网络的建筑能耗预测方法的流程图。

图2是本发明中模拟能耗预测值的BP神经网络模型1的网络结构图。

图3为本发明中模拟节假日能耗修正值的BP神经网络模型2的网络结构图。

具体实施方式

下面结合具体实例，参照图1对本发明方法的具体实施方式进行详细的说明。

步骤一：收集数据并进行数据预处理。

该实施例为深圳市某一办公建筑，收集最近两年的该办公建筑的日耗电量数据，以及该段时间内的节假日信息、日平均温度、日平均湿度、建筑面积、人员量，传热系数、遮阳系数等数据。然后，为了减少奇异样本对神经网络性能的影响，对样本数据进行如下归一化，使其范围在[0,1]之间。归一化公式为：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }},$

其中，x为建筑的日能耗及其影响因素的取值，y为x的归一化输出，x_min为x的最小值，x_max为x的最大值。

步骤二：进行神经网络模拟，建立建筑能耗预测的神经网络模型1。

(1)确定神经网络的输入变量个数。

影响建筑物能耗的因素很多，包括日平均温度、日平均湿度、建筑面积、人员量，传热系数、遮阳系数等数据。对于特定建筑，建筑本身的传热系数、遮阳系数、建筑面积等物理因素是确定的，对建筑的能耗影响也是固定不变的，近似常量。由于本发明是对某一特定建筑进行的能耗预测，因此只考虑随机的变化因素，建筑结构本身的一些物理系数不予考虑。另外，为了选择对建筑能耗影响最大的因素，本发明采用一种基于相关系数的方法来确定。

首先计算各影响因素的不同指标与建筑能耗的相关系数，相关系数绝对值的大小反映了相应指标影响建筑能耗程度的大小，相关系数计算公式如下，

$\mathrm{\ρ}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2{(y-\stackrel{\‾}{y})}^2}},$

其中，x与y分别代表影响因素指标和建筑能耗的样本值，

和

分别为x与y的平均值。

然后，根据相关系数的分析结果，把相关系数绝对值较大的影响因素作为网络的输入变量，相关系数绝对值较小的影响因素忽略不予考虑。根据实际情况，考虑到办公建筑能耗的周期性，再加入一个周变量(变量取值为1到7的整数，分别代表周一到周日)。综上，结合本发明的具体实例，选取日平均温度、日平均湿度、人员量和周变量作为神经网络模型1的输入变量。

(2)确定神经网络的输出变量个数。

由于神经网络模型1是建立的建筑能耗预测模型，所以网络的输出变量为建筑的日能耗。

(3)确定神经网络的隐含层元素个数。

神经网络模型1的隐含层元素个数P₁，计算公式如下：

$P_1=\sqrt{n+m}+a$

其中，n为输入变量个数，m为输出变量个数，a为[1,10]之间的常数。本发明具体实施例中，隐含层的元素个数介于3到12之间，结合实际，确定神经网络模型1的隐含层元素个数P₁为5。

(4)网络初始化并进行网络训练。

本发明把样本数据的80%作为训练样本，剩下的20%作为测试样本。神经网络模型1的初始权值被随机赋值，被设定为接近于零的非零值，设定学习误差ε₀=5×10^-4，学习速率η＝0.05，最大循环次数为5000次，隐含层和输出层的传递函数均选取非对称Sigmoid函数，即：

f(x)＝1/(1+e^-x)

然后利用神经网络算法，按照图2所示的网络结构进行训练。训练结束后，就得到了计算建筑日能耗的神经网络模型1。

步骤三：利用神经网络模型1对建筑的日能耗进行预测，并计算在节假日的情况下，建筑能耗预测误差Δx，其中x为建筑的实际能耗值，

为神经网络模型1的能耗预测值。

步骤四：再次进行神经网络模拟，建立计算在节假日的情况下，建筑能耗修正值的神经网络模型2。

神经网络模型2中，输入变量包括节假日类型，温度和湿度。其中节假日类型取值分为两种，取1代表周六日，取2代表国家法定节假日（国家法定节假日的优先级高于周六日的优先级，如1月1日为国家法定节假日中的元旦，同时又为周六，那么该天的节假日类型为国家法定节假日）；温度取节假日当天的平均温度，湿度取节假日当天的平均相对湿度。输出变量为节假日的能耗预测误差。

然后，将所有测试样本的相关信息构成样本数据，并取其中的80%作为训练样本，利用神经网络BP算法，按照图3所示的网络结构进行网络训练。

(1)网络的输入变量个数为3个，分别为节假日类型、温度、湿度。

(2)网络的输出变量个数为1个，为节假日的能耗预测误差Δx，即节假日情况下，建筑能耗的修正值。

(3)网络的隐含层元素个数选为4个。

神经网络训练结束后，就得到了计算在节假日的情况下，建筑能耗的修正值的神经网络模型2，我们可以根据任一个节假日的节假日类型、温度和湿度的相关信息，通过该神经网络模型2得到节假日情况下，建筑能耗的修正值，从而对神经网络模型1得出的预测结果进行修正补偿。

步骤五：计算建筑的日能耗预测值。首先判断待测日是否为节假日。

非节假日的建筑能耗预测值的计算公式为： $x^{*}=\hat{x}$

节假日的建筑能耗预测值的计算公式为： $x^{*}=\hat{x}+\mathrm{\Δx}$

其中，

为神经网络模型1的能耗预测结果，Δx为网络模型2输出的在节假日的情况下，建筑能耗的修正值，x^*即为最终的建筑的日能耗预测结果。

本发明在对建筑进行日能耗预测前，先判断待测日是否为节假日。如果待测日是正常日，则可以直接由神经网络模型1的输出结果得知建筑的日能耗量；如果待测日是节假日，就需要对神经网络模型1的预测结果进行修正，修正值为神经网络模型2的输出结果。利用本发明方法可以很大程度地提高节假日的建筑能耗预测精度。

本发明的一种基于神经网络的建筑能耗预测的实现方法，把待测日分为正常日和节假日两种情况。正常日的建筑能耗由神经网络模型1的输出结果得到，针对以往节假日能耗预测精度低的情况，本发明利用神经网络模型2对节假日能耗的预测结果进行了修正，大大提高了节假日建筑能耗的预测精度，对建筑的能源监控具有重要的意义。

Claims (4)

1.一种基于神经网络的建筑能耗的预测方法，主要包括以下步骤：

第一步，收集建筑的能耗数据作为样本数据，并对样本数据进行归一化，使其范围在[0,1]之间，其中归一化公式为：

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }},$

其中，x为建筑的实际日能耗值，y为x的归一化输出，x_min为x的最小值，x_max为x的最大值。

第二步，进行神经网络模拟，建立建筑能耗预测的神经网络模型1，其中包括确定神经网络模型1的输入变量个数，神经网络模型1的输出变量个数，神经网络模型1的隐含层元素个数，并对神经网络模型1初始化及进行网络训练。

第三步，利用神经网络模型1对建筑能耗进行预测，并计算在节假日的情况下，建筑能耗的预测误差Δx，计算公式为：

其中x为建筑的实际日能耗值，

为神经网络模型1的能耗预测值。

第四步，再次进行神经网络模拟，建立用于预测在节假日的情况下，建筑能耗修正值的神经网络模型2，其中包括确定神经网络模型2的输入变量个数，神经网络模型2的输出变量个数，神经网络模型2的隐含层元素个数，并对神经网络模型2初始化及进行网络训练，然后，利用神经网络模型2，得到节假日情况下，建筑能耗的修正值。

第五步，计算建筑能耗预测值，首先判断待测日是否为节假日，如果待测日为非节假日，那么，建筑能耗的预测值的计算公式为：

如果待测日为节假日，那么，建筑能耗预测值的计算公式为：

其中，

为神经网络模型1的能耗预测值，Δx为神经网络模型2输出的在节假日的情况下，建筑能耗修正值，x^*即为最终的建筑能耗预测值。

2.如权利要求1所述的方法，其中神经网络模型1的输入变量为日平均温度、日平均湿度、人员量和周变量。

3.如权利要求2所述的方法，其中周变量为取值1到7的整数。

4.如权利要求1所述的方法，其中神经网络模型2的输入变量为节假日类型，日平均温度和日平均湿度。

Images