CN105184094A - 一种建筑物周边气温预测方法 - Google Patents

Abstract

本发明公开了一种建筑物周边气温预测方法，包含以下顺序的步骤：将每日的室外气温和城市气温的数值分别记录为一维时间序列，得到准备训练序列；计算预测系数；进行局部线性预测；进行连续性预测。本发明的预测方法，将建筑物室外气温和建筑物所在城市气温的历史数据、气象部门提供的未来城市气温的预测数据都纳入预测模型之中，相对于单一数据源的预测方法，本方法可以显著提高预测精度。

Description

一种建筑物周边气温预测方法

技术领域

本发明涉及气温预测领域，特别涉及一种建筑物周边气温预测方法。

背景技术

现有的气温预测系统(或模型)中，一般研究对象是针对某一片大区域(如城市)，基于对该区域历史统计数据得出一个统计模型，再利用某些算法进行修正。较常采用的是连续算法或者离散算法，如人工神经网络模型、指数平滑模型等，或由连续算法和离散算法相结合衍生出新型神经网络算法模型。

具体地，传统气温预测模型主要存在以下缺点：

一、主要针对的是大片区域，体现的是一个相对宏观的区域温度值，一般无法精确到某一建筑物，其对于具体到该建筑物内的相关内容，如空调温度设定、能耗情况分析等，是没有任何指导意义的。现实中的气温数据都是非平稳的，其变化受许多相关参数的影响,如湿度、照度、风速、风向等等，有些起着长期的、决定性的作用,使气温的变化呈现某种趋势和一定的规律性；有些则起着短期的、非决定性的作用,使气温的变化呈现出某种不规则性。这些因素与实际气温的相关性是不一样的。

二、不能有效地给出这些因素与实际气温相关性的解决方案，导致气温预测结果出现较大偏差。

三、没有考虑地形、地貌等对气温可能造成的影响。比如，处在山坡下和处于河流边的建筑物的气温变化情况肯定不同。比如，建筑物处于北部则会比处于南部的建筑物，会更早受到寒流的影响。这些因素，对建筑物室外的气温预测势必造成极大的影响，若预测模型对此不进行考虑，则预测结果会产生较大误差。

四、由于算法复杂，系统运行效率低下，很难做到实时、连续地对温度进行预测。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种建筑物周边气温预测方法，通过建立建筑物室外气温预测模型，对未来一定时间内的建筑物室外气温进行预测。

本发明的目的通过以下的技术方案实现：

一种建筑物周边气温预测方法，包含以下顺序的步骤：

将每日的室外气温和城市气温的数值分别记录为一维时间序列，得到准备训练序列；

计算预测系数；

进行局部线性预测；

进行连续性预测。

所述建筑物周边气温预测方法，具体包含以下顺序的步骤：

S1.准备训练序列：

将每日的室外气温和城市气温的数值分别记录为一维时间序列：

x(1),x(2),x(3),......,

x'(1),x'(2),x'(3),......

设待预测的值(即期望响应)为x(n+1)，局部线性预测器的阶数为K，则对x(n+1)的预测可表示为：

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中x＝[x'(n+1),x(n),x(n-1),...,x(n-K+1)]^T为样本向量，c＝[c₁,c₂,...,c_K]^T为系数向量，为预测值；根据线性估计的最小均方误差准则，c应满足尤利沃克方程：

Rc＝d

其中,R＝E(xx^T)为样本向量的局部自相关矩阵(注意不是全局自相关)，d＝E(x·x(n+1))为输入向量与期望响应的局部互相关向量(注意不是全局互相关)；E(·)表示取随机变量期望的操作；为了得到系数向量，需要使用一定长度的训练序列来估计自相关矩阵和互相关向量；设训练序列的长度为M，意味着两组训练数据为：

x(n),x(n-1),...,x(n-M+1)，

x'(n),x'(n-1),...,x'(n-M+1)；

S2.计算预测系数：

通过S1中两组长为M的训练序列，可以构造M-K+1个预测方程；即可以将训练序列分成M-K+1组，其中第i组的样本向量为：x_i＝[x'(i),x(i-1),...,x(i-K+1)]^T，期望响应为：x(i)，构造的预测方程为：n-M+K≤i≤n；则自相关矩阵和互相关向量可以按下式进行估计：

$R=\frac{1}{M-K+1}{\mathrm{XX}}^T$

$d=\frac{1}{M-K+1}\·\underset{i=n-M+K}{\overset{n}{\Σ}}{x}_{i}x\left(i\right)$

其中，为各个样本向量按列合成的矩阵；然后，即可计算系数向量：

c＝R^-1d

S3.进行线性预测：

由估计出的系数向量，即可对次日室外气温进行预测；

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中，为待预测的次日室外最高气温，x'(n+1)为次日城市最高气温，它可以从气象部门的天气预报中获知；

S4.连续性预测：

当时间向前推移一天(或一段时间段)后，训练序列和样本向量会随之更新，从而估计出新的预测系数，进行后面一天(或一段时间段)的室外气温预测。

可见，预测模型是自适应的、动态、可持续的。

本发明与现有技术相比，具有如下优点和有益效果：

(1)提出针对建筑物室外的气温预测算法：本发明提出一种基于MA模型的局部线性气温预测方法，建立建筑物室外气温预测模型，对未来一定时间内的建筑物室外气温进行预测。

(2)根据建筑物室外的气温预测值，实现对室内设备的控制：对建筑物室外气温进行预测后，将预测结果应用于建筑智慧能源管理系统，用于对建筑内环境参数的预先设定，进而实现对制冷(热)和通风设备的智能控制。

(3)提高气温预测模型的预测精度：该建筑物室外气温预测模型，主要为将建筑物室外气温和建筑物所在城市气温的历史数据、气象部门提供的未来城市气温的预测数据都纳入预测模型之中，相对于单一数据源的预测方法，本方法可以显著提高预测精度。

(4)提高气温预测系统的运行效率：该建筑物室外气温预测模型，采用局部线型预测方法，线性预测器的阶数较低，以及训练序列的长度是固定的较短时间长度。通过算法的递归方式，使预测模型是自适应的、动态、可持续的。相对与传统预测方法，本方法可显著提高系统运行效率。

附图说明

图1为本发明所述的一种建筑物周边气温预测方法的流程图。

图2为图1所述预测方法的预测气温与真实气温对比图。

图3为图1所述预测方法的预测气温与真实气温的误差分析图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，建筑物周边气温预测方法，具体包含以下顺序的步骤：

S1.准备训练序列：

将每日的室外气温和城市气温的数值分别记录为一维时间序列：

x(1),x(2),x(3),......,

x'(1),x'(2),x'(3),......

设待预测的值(即期望响应)为x(n+1)，局部线性预测器的阶数为K，则对x(n+1)的预测可表示为：

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中x＝[x'(n+1),x(n),x(n-1),...,x(n-K+1)]^T为样本向量，c＝[c₁,c₂,...,c_K]^T为系数向量，为预测值；根据线性估计的最小均方误差准则，c应满足尤利沃克方程：

Rc＝d

其中,R＝E(xx^T)为样本向量的局部自相关矩阵(注意不是全局自相关)，d＝E(x·x(n+1))为输入向量与期望响应的局部互相关向量(注意不是全局互相关)；E(·)表示取随机变量期望的操作；为了得到系数向量，需要使用一定长度的训练序列来估计自相关矩阵和互相关向量；设训练序列的长度为M，意味着两组训练数据为：

x(n),x(n-1),...,x(n-M+1)，

x'(n),x'(n-1),...,x'(n-M+1)；

S2.计算预测系数：

通过S1中两组长为M的训练序列，可以构造M-K+1个预测方程；即可以将训练序列分成M-K+1组，其中第i组的样本向量为：x_i＝[x'(i),x(i-1),...,x(i-K+1)]^T，期望响应为：x(i)，构造的预测方程为：则自相关矩阵和互相关向量可以按下式进行估计：

$R=\frac{1}{M-K+1}{\mathrm{XX}}^T$

$d=\frac{1}{M-K+1}\·\underset{i=n-M+K}{\overset{n}{\Σ}}{x}_{i}x\left(i\right)$

其中，为各个样本向量按列合成的矩阵；然后，即可计算系数向量：

c＝R^-1d

S3.进行线性预测：

由估计出的系数向量，即可对次日室外气温进行预测；

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中，为待预测的次日室外最高气温，x'(n+1)为次日城市最高气温，它可以从气象部门的天气预报中获知；

S4.连续性预测：

当时间向前推移一天(或一段时间段)后，训练序列和样本向量会随之更新，从而估计出新的预测系数，进行后面一天(或一段时间段)的室外气温预测。

可见，预测模型是自适应的、动态、可持续的。

以广州市2012年5月1日至2013年4月30日的日气温为城市气温数据，以同一时间段内华南理工大学建筑设计研究院东二办公楼外的日监测气温为室外气温数据。预测阶数K取4，训练序列长度M取100，进行次日室外气温预测。

源数据的长度为373天，训练序列的长度为100，故第一次预测发生在第101天，总共进行了273次预测。预测结果与真实气温的比较如附图2所示。预测气温与真实气温误差的绝对值如附图3所示。

根据图2和图3可知，在273次预测值中，有150天的预测误差值小于1℃,占比54.95％；有238天的预测误差值小于2℃,占比87.18％；有266天的预测误差值小于3℃,占比97.44％。

以上分析表明，本发明方法对建筑物的室外气温预测非常准确。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种建筑物周边气温预测方法，其特征在于，包含以下顺序的步骤：

将每日的室外气温和城市气温的数值分别记录为一维时间序列，得到准备训练序列；

计算预测系数；

进行局部线性预测；

进行连续性预测。

2.根据权利要求1所述建筑物周边气温预测方法，其特征在于，具体包含以下顺序的步骤：

S1.准备训练序列：

将每日的室外气温和城市气温的数值分别记录为一维时间序列：

x(1),x(2),x(3),......,

x'(1),x'(2),x'(3),......

设待预测的值为x(n+1)，局部线性预测器的阶数为K，则对x(n+1)的预测可表示为：

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中x＝[x'(n+1),x(n),x(n-1),...,x(n-K+1)]^T为样本向量，c＝[c₁,c₂,...,c_K]^T为系数向量，为预测值；根据线性估计的最小均方误差准则，c应满足尤利沃克方程：

Rc＝d

其中,R＝E(xx^T)为样本向量的局部自相关矩阵，d＝E(x·x(n+1))为输入向量与期望响应的局部互相关向量；E(·)表示取随机变量期望的操作；设训练序列的长度为M，意味着两组训练数据为：

x(n),x(n-1),...,x(n-M+1)，

x'(n),x'(n-1),...,x'(n-M+1)；

S2.计算预测系数：

通过S1中两组长为M的训练序列，可以构造M-K+1个预测方程；即可以将训练序列分成M-K+1组，其中第i组的样本向量为：x_i＝[x'(i),x(i-1),...,x(i-K+1)]^T，期望响应为：x(i)，构造的预测方程为：则自相关矩阵和互相关向量可以按下式进行估计：

$R=\frac{1}{M-K+1}{\mathrm{XX}}^T$

$d=\frac{1}{M-K+1}\·\underset{i=n-M+K}{\overset{n}{\Σ}}{x}_{i}x\left(i\right)$

其中，X＝[x_n,x_n-1,...,xn,x_n-M+K]为各个样本向量按列合成的矩阵；然后，即可计算系数向量：

c＝R^-1d

S3.进行线性预测：

由估计出的系数向量，即可对次日室外气温进行预测；

$\tilde{x}(n+1)=\[x^{\′}(n+1),x\left(n\right),x(n-1),...,x(n-K+1)\]\·{\[c_1,c_2,...,c_K\]}^T$

其中，为待预测的次日室外最高气温，x'(n+1)为次日城市最高气温，它可以从气象部门的天气预报中获知；

S4.连续性预测：

当时间向前推移一天(或一段时间段)后，训练序列和样本向量会随之更新，从而估计出新的预测系数，进行后面一天(或一段时间段)的室外气温预测。