CN106096761A - 一种基于神经网络的建筑负荷预测方法及装置 - Google Patents
一种基于神经网络的建筑负荷预测方法及装置 Download PDFInfo
- Publication number
- CN106096761A CN106096761A CN201610383732.2A CN201610383732A CN106096761A CN 106096761 A CN106096761 A CN 106096761A CN 201610383732 A CN201610383732 A CN 201610383732A CN 106096761 A CN106096761 A CN 106096761A
- Authority
- CN
- China
- Prior art keywords
- history cycle
- building load
- prediction
- network model
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007935 neutral effect Effects 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 121
- 238000005259 measurement Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims description 35
- 240000002853 Nelumbo nucifera Species 0.000 claims description 7
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 7
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域，尤其涉及一种基于神经网络的建筑负荷预测方法及装置，包括：获取预测周期的前N个历史周期的气象参数及对应的实测建筑负荷，针对所述前N个历史周期中的每个历史周期，确定所述历史周期对应的预测误差；根据预测周期的前N个历史周期分别对应的预测误差，确定目标误差；若目标预测误差不大于误差阈值，则根据预测周期的预测气象参数及当前神经网络模型得到预测周期的预测建筑负荷。该方法通过预测周期的前N个历史周期的气象参数及对应的实测建筑负荷来使用神经网络模型，如果预测结果符合预期，则使用当前神经网络模型对预测周期进行建筑负荷的预测，因而可以保证预测结果的准确性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于神经网络的建筑负荷预测方法及装置。
背景技术
建筑负荷预测指的是基于建筑负荷历史数据，对建筑未来的负荷能力做一个预测，例如预测建筑的承载能力等。目前建筑负荷预测方法主要分为两种，一种是数学统计方法(也称经典负荷预测方法)，另一种是人工智能方法(也称现代负荷预测方法)，目前人工智能预测方法取得了较大突破，已经成功应用到建筑负荷的预测中。
目前在使用神经网络模型来做建筑负荷预测时，一般是先根据历史数据训练神经网络模型，在训练结束后，后续直接使用该神经网络模型来进行建筑负荷预测。该方法存在的主要问题是：在做建筑负荷预测时，有可能使用一个没有及时得到更新的神经网络模型，从而导致预测结果不准确。
综上所述，现有技术在使用神经网络模型做建筑负荷预测时，无法判别神经网络模型的准确性，从而可能导致预测结果不准确。
发明内容
本发明提供一种基于神经网络的建筑负荷预测方法及装置，用以解决现有技术中存在的使用神经网络模型做建筑负荷预测时，无法判别神经网络模型的准确性，从而可能导致预测结果不准确的技术问题。
一方面，本发明实施例提供一种基于神经网络的建筑负荷预测方法，包括：
获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；
根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
本发明实施例提供的方法，获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。该方法中，由于预先通过预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷来使用神经网络模型，如果预测结果符合预期，即满足目标预测误差不大于误差阈值，则使用当前神经网络模型对预测周期进行建筑负荷的预测，因而该方法可以保证使用的神经网络模型是满足要求的，进而可以保证预测结果的准确性。
可选地，所述神经网络模型为反馈BP神经网络模型；所述方法还包括：
若所述目标误差大于所述误差阈值，则获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差的步骤。
可选地，根据下列公式确定所述目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
可选地，所述获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，包括：
根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
可选地，所述气象参数包括下列部分或者全部：
时刻、温度、湿度、辐照度。
另一方面，本发明实施例提供一种基于神经网络的建筑负荷预测装置，包括：
获取单元，用于获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
确定单元，用于针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；以及根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
预测单元，用于若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
可选地，所述神经网络模型为反馈BP神经网络模型；所述装置还包括训练单元，用于：
若所述目标误差大于所述误差阈值，则获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差的步骤。
可选地，所述确定单元，具体用于根据下列公式确定所述目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
可选地，所述获取单元，具体用于：
根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
可选地，所述气象参数包括下列部分或者全部：
时刻、温度、湿度、辐照度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为BP神经网络模型示意图；
图2为本发明实施例提供的一种基于神经网络的建筑负荷预测方法流程图；
图3为本发明实施例提供的一种基于神经网络的建筑负荷预测方法详细流程图；
图4为本发明实施例提供的一种基于神经网络的建筑负荷预测装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明中，主要是使用神经网络模型来做建筑负荷的预测，其中神经网络主要分为前馈神经网络，反馈神经网络(Back Propagation，BP)和自组织神经网络，本发明对于神经网络的具体类型没有限定，只要是神经网络模型，均可以应用于本发明中实现对建筑负荷的预测，为发明说明，本发明以神经网络模型为BP神经网络模型为例进行说明。
在介绍本发明实施例的方案之前，首先简单介绍下BP神经网络模型。
如图1所示，为神经网络模型示意图，其中，输入层有n个神经元，隐藏层有p个神经元(本发明实施例以隐藏层的层数为1为例进行说明)，输出层有m个神经元，并且输入层的第i个神经元与隐藏层的第j个神经元之间权重可以用ωij(i＝1,2,...,n,j＝1,2,...,p)来表示，隐藏层的第j个神经元与输出层的第k个神经元之间的权重可以使用ωjk(j＝1,2,...,p，k＝1,2,...,m)来表示。
在BP神经网络模型的使用中，主要包含以下参数：输入层神经元个数，隐藏层个数，每个隐藏层的神经元个数，输出层神经元个数，输入层神经元与隐藏层神经元之间的权重，隐藏层神经元与输出层神经元之间的权重，以及在BP神经元模型进行训练时，还包括学习率，误差率，迭代次数等参数。
在本发明实施例的建筑负荷预测中，是通过气象参数来预测建筑负荷，可选地，所述气象参数包括下列部分或者全部：时刻、温度、湿度、辐照度。本发明实施例中，以气象参数同时包括时刻、温度、湿度和辐照度为例进行说明，则此时选择的输入层神经元个数为4，4个神经元分别为时刻、温度、湿度和辐照度，隐藏层的层数不限制，例如可以选择为1个隐藏层，由于只是做建筑负荷的预测，因此输出层的神经元个数为1，即为预测的建筑负荷。
下面给出一个具体例子来说明如何使用BP神经网络模型，假设当前是4月27日，且根据天气预报，可以得到4月28日的预测气象参数如表1所示：
表1气象参数表
基于上述表1，如果想预测0时刻的建筑负荷，则将0时刻的预测气象参数(0，18，60，560)作为输入参数，输入到BP神经网络模型中，可以得到一个预测建筑负荷，同样地，对于其它时刻，以相同的方式进行预测，分别得到每个时刻对应的预测建筑负荷，假设预测得到的预测建筑负荷如表2所示。
表2预测建筑负荷表
并且在4月28日之后，可以对4月28日中的24个时刻的进行实际测试(例如，可以在4月29日进行实际测试)，从而得到每个时刻的实测建筑负荷，如表3所示，为预测建筑负荷和实测建筑负荷表。
表3预测建筑负荷和实测建筑负荷表
以上是本发明实施例基于气象参数和BP神经网络模型来预测建筑负荷的具体方法。另外，如果想要对BP神经网络模型进行训练，则可以通过历史数据(包括历史气象输入参数、历史预测建筑负荷、历史实测建筑负荷)，对BP神经网络模型进行训练，具体地，可以基于预先设定的误差精度反向调整BP神经网络模型中的所有权重(即调整BP神经网络模型中的ωij(i＝1,2,...,n,j＝1,2,...,p)和ωjk(j＝1,2,...,p，k＝1,2,...,m))，从而得到新的BP神经网络模型。
基于本发明对BP神经网络模型的上述使用和训练方法，下面结合说明书附图对本发明实施例作进一步详细描述。
如图2所示，本发明实施例提供的一种基于神经网络的建筑负荷预测方法，包括：
步骤201、获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
步骤202、针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；
步骤203、根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
步骤204、若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
本发明中，一个周期可以是一个月，一天，一个小时等，没有具体限定，如何定义一个周期，视实际需要而定。本发明实施例中，后续以一个周期为一天为例进行说明，并且在一天中包含有24个时刻，分别为0时刻、1时刻、2时刻、3时刻、4时刻、5时刻、6时刻、7时刻、8时刻、9时刻、10时刻、11时刻、12时刻、13时刻、14时刻、15时刻、16时刻、17时刻、18时刻、19时刻、20时刻、21时刻、22时刻、23时刻。
下面给出一个统一的例子，后续均根据该例子对本发明进行说明：假设当前时刻为4月27日23点30点，在此时刻执行本发明方法，预测周期为4月28日全天，即想要预测4月28日中24个时刻的建筑负荷。
在上述步骤201中，获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，其中，所述气象参数为预设的影响建筑负荷的气象参数，在本发明实施例中，气象参数以时刻、湿度、温度和辐照度为例进行说明，且N为正整数。例如当N为1时，则获取的是4月27日的24个时刻的气象参数及对应的实测建筑负荷；如果N为2，则获取的是4月27日的24个时刻的气象参数及对应的实测建筑负荷，以及4月26日的24个时刻的气象参数及对应的实测建筑负荷；以此类推。
上述步骤202中，针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差。
例如，N取值为2，则N个历史周期分别为4月27日和4月26日，下面以计算4月27日对应的预测误差为例进行说明。
由于4月27日是历史周期，因此其气象参数都是已知参数，是可以直接获取到的，并且4月27日中每个时刻的实测建筑负荷也都是可以直接获取到的。
假设4月27日的气象参数和实测建筑负荷如表4所示：
表4 4月27日气象参数和实测建筑负荷
首先根据4月27日的气象参数及当前神经网络模型，得到4月27日的预测建筑负荷，然后根据4月27日的预测建筑负荷及实测建筑负荷来计算4月27日的预测误差。
如表5所示，为4月27日气象参数、实测建筑负荷及预测建筑负荷表。
表5 4月27日气象参数、实测建筑负荷及预测建筑负荷表
基于当前神经网络模型对4月27日的建筑负荷进行预测，得到预测建筑负荷，然后跟实测建筑负荷进行比较，从而可以得到4月27日的预测误差。一个历史周期的预测误差可以使用下列公式进行计算：
其中，ε为一个历史周期的预测误差，P为一个历史周期内的预测时刻的总数量，yi为一个历史周期内的第i预测时刻的预测建筑负荷，di为一个历史周期内的第i预测时刻的实测建筑负荷。
具体地，在计算4月27日的预测误差时，使用上述公式，则P＝24，根据表5中的数据，可以得到4月27日的预测误差ε1为:
基于同样的方法，可以计算4月26日的预测误差ε2，假设ε2＝0.04。
在上述步骤203中，根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差，具体地，可以使用下列公式得到预测日期的前N个历史周期的目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
具体地，4月28日的前2个周期(即4月27日和4月26日)的目标误差为：
在上述步骤204中，将步骤203中得到的目标误差与预先设定的误差阈值进行比较，若所述目标预测误差不大于误差阈值，则认为当前神经网络模型的预测结果符合预期，因此接下来直接将当前神经网络模型用于对预测周期的建筑负荷进行预测，具体地，获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
通过上述步骤201～步骤204，首先利用预先周期前N个历史周期的气象参数和对应的实测建筑负荷，对当前神经网络模型的预测准确性进行检验，如果当前神经网络模型的预测准确性符合预期要求，则可以直接使用当前神经网络模型对预测周期的建筑负荷进行预测，从而保证了对预测周期的建筑负荷的预测准确性。
在上述步骤204中，可选地，所述神经网络模型为反馈BP神经网络模型；若所述目标误差大于所述误差阈值，则对当前神经网络模型进行训练，即调整当前神经网络模型中的权重值，具体地，首先获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到步骤202。
例如，假设在上述例子中，N＝2，根据4月26日和4月27日的气象参数、实测建筑负荷和预测建筑负荷，得到的目标误差大于误差阈值，则对当前BP神经网络模型进行训练：
第一次训练：选择预测日期前M0个历史周期的气象参数及对应的实测建筑负荷，根据这些数据对当前BP神经网络模型进行训练，假设M0＝5，则第一次训练选择的相关数据来自：4月27日、4月26日、4月25日、4月24日及4月23日。
具体地，根据历史数据对BP神经网络模型进行训练，指的是根据历史数据及预先设定的误差精度，来调整当前BP神经网络模型中的权重，训练结束的条件为：训练结果达到误差精度0.01或者训练次数达到设定的最大训练次数。
对于如何根据历史数据对BP神经网络模型进行训练，属于现有技术，对此本发明不做过多赘述。
在第一次训练结束之后，将训练后得到的BP神经网络模型作为当前BP神经网络模型，则返回到步骤202，继续对预测周期的前N个历史周期的建筑负荷进行预测，再次计算预测周期的前N个历史周期对应的目标误差，如果目标误差不大于误差阈值，则表明训练后的BP神经网络模型满足了要求，如果目标误差还是大于误差阈值，则继续对当前BP神经网络模型进行训练，即进入第二次训练。
第二次训练：选择预测日期前M1个历史周期的气象参数及对应的实测建筑负荷，根据这些数据对当前BP神经网络模型进行训练，假设M1＝10，则第一次训练选择的相关数据来自：4月27日、4月26日、4月25日、4月24日及4月23日、4月22日、4月21日、4月20日、4月19日及4月18日。
在训练结束之后，讲训练后的BP神经网络模型作为当前BP神经网络模型，返回到步骤202。
对BP神经网络模型进行训练的次数取决于训练后得到的BP神经网络模型是否满足预期要求，如果满足了，则无需再进行训练了。
此外，在上述步骤201中，可选地，所述获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，包括：根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
例如筛选条件可以是根据历史周期是否为节假日，举例来说，如果4月28日是一个节假日，由于可能节假日的建筑负荷于非节假日建筑负荷相差较大，那么在对神经网络模型进行验证的时候，选择的预测日期前N个历史周期的气象参数及对应的的实测建筑负荷可以也选择节假日的数据，例如N取值为3，并且4月27日为非节假日，4月26日为节假日，4月25日为节假日，4月24日为非节假日，4月23日为非节假日，4月22日为非节假日，4月21日为节假日，那么选择的预测日期(即4月28日)的前3个历史周期的气象参数及对应的的实测建筑负荷分别为4月26日，4月25日，4月21日的气象参数及对应的的实测建筑负荷，从而通过该方法，可以更好地对当前神经网络模型的精确度进行判断。
例如，筛选条件还可以是根据入住率，如历史数据入住率为50％，训练结果按照50％入住率进行，若某天入住率突然增加到70％，且没有入住率为70％的历史数据，则需要用50％入住率的数据训练拟合预测，最后在乘以偏差值1.2即为当前70％入住率时的负荷。其中，在本发明实施例中，入住率为业主手动输入。
本发明实施例提供的方法，获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。该方法中，由于预先通过预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷来使用神经网络模型，如果预测结果符合预期，即满足目标预测误差不大于误差阈值，则使用当前神经网络模型对预测周期进行建筑负荷的预测，因而该方法可以保证使用的神经网络模型是满足要求的，进而可以保证预测结果的准确性。
下面对本发明实施例提供的一种基于神经网络的建筑负荷预测方法做详细描述，如图3所示，包括：
步骤301、获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
步骤302、针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；
步骤303、根据预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
步骤304、判断目标预测误差是否小于或等于误差阈值，若是则转到步骤305，否则转到步骤306；
步骤305、获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷；
步骤306、获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
步骤307、根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到步骤302。
本发明实施例提供的方法，获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。该方法中，由于预先通过预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷来使用神经网络模型，如果预测结果符合预期，即满足目标预测误差不大于误差阈值，则使用当前神经网络模型对预测周期进行建筑负荷的预测，因而该方法可以保证使用的神经网络模型是满足要求的，进而可以保证预测结果的准确性。
基于相同的技术构思，如图4所示，本发明实施例还提供一种基于神经网络的建筑负荷预测装置，包括：
获取单元401，用于获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
确定单元402，用于针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；以及根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
预测单元403，用于若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
可选地，所述神经网络模型为反馈BP神经网络模型；所述装置还包括训练单元404，用于：
若所述目标误差大于所述误差阈值，则获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差的步骤。
可选地，所述确定单元402，具体用于根据下列公式确定所述目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
可选地，所述获取单元401，具体用于：
根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
可选地，所述气象参数包括下列部分或者全部：
时刻、温度、湿度、辐照度。
本发明实施例，获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。本发明实施例，由于预先通过预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷来使用神经网络模型，如果预测结果符合预期，即满足目标预测误差不大于误差阈值，则使用当前神经网络模型对预测周期进行建筑负荷的预测，因而该方法可以保证使用的神经网络模型是满足要求的，进而可以保证预测结果的准确性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于神经网络的建筑负荷预测方法，其特征在于，包括：
获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；
根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
2.如权利要求1所述的方法，其特征在于，所述神经网络模型为反馈BP神经网络模型；所述方法还包括：
若所述目标误差大于所述误差阈值，则获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差的步骤。
3.如权利要求1所述的方法，其特征在于，根据下列公式确定所述目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
4.如权利要求1-3中任一项所述的方法，其特征在于，所述获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，包括：
根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
5.如权利要求1-3中任一项所述的方法，其特征在于，所述气象参数包括下列部分或者全部：
时刻、温度、湿度、辐照度。
6.一种基于神经网络的建筑负荷预测装置，其特征在于，包括：
获取单元，用于获取预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述气象参数为预设的影响建筑负荷的气象参数，N为正整数；
确定单元，用于针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差；以及根据所述预测周期的前N个历史周期分别对应的预测误差，确定目标误差；
预测单元，用于若所述目标预测误差不大于误差阈值，则获取所述预测周期的预测气象参数，并根据所述预测周期的预测气象参数及所述当前神经网络模型得到所述预测周期的预测建筑负荷。
7.如权利要求6所述的装置，其特征在于，所述神经网络模型为反馈BP神经网络模型；所述装置还包括训练单元，用于：
若所述目标误差大于所述误差阈值，则获取所述预测周期的前Mk个历史周期的气象参数及对应的实测建筑负荷，K为对所述当前神经网络模型的已训练次数，Mk大于N；
根据所述预测周期的前Mk个历史周期的气象参数及对应的的实测建筑负荷，对所述神经网络模型进行训练，将训练得到的神经网络模型作为当前神经网络模型，并返回到针对所述前N个历史周期中的每个历史周期，根据所述历史周期的气象参数及当前神经网络模型，得到所述历史周期的预测建筑负荷；根据所述历史周期的预测建筑负荷及所述历史周期的实测建筑负荷，确定所述历史周期对应的预测误差的步骤。
8.如权利要求6所述的装置，其特征在于，所述确定单元，具体用于根据下列公式确定所述目标误差：
其中，δ为所述目标误差，P为所述N个历史周期中每个历史周期内的预测时刻的总数量，yi为所述N个历史周期中每个历史周期内的第i预测时刻的预测建筑负荷，di为所述N个历史周期中每个历史周期内的第i预测时刻的实测建筑负荷。
9.如权利要求6-8中任一项所述的装置，其特征在于，所述获取单元，具体用于：
根据选择的参数筛选条件，选择符合所述参数筛选条件的所述预测周期的前N个历史周期的气象参数及对应的的实测建筑负荷，所述参数筛选条件用于表示待选择的气象参数的类型。
10.如权利要求6-8中任一项所述的装置，其特征在于，所述气象参数包括下列部分或者全部：
时刻、温度、湿度、辐照度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610383732.2A CN106096761A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的建筑负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610383732.2A CN106096761A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的建筑负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106096761A true CN106096761A (zh) | 2016-11-09 |
Family
ID=57447929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610383732.2A Pending CN106096761A (zh) | 2016-06-01 | 2016-06-01 | 一种基于神经网络的建筑负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106096761A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348404A (zh) * | 2019-07-16 | 2019-10-18 | 湖南人文科技学院 | 一种农村道路景观视觉评价分析方法 |
| CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
| CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
| CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
-
2016
- 2016-06-01 CN CN201610383732.2A patent/CN106096761A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力系统负荷预测方法 |
| CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
| CN104484715A (zh) * | 2014-11-28 | 2015-04-01 | 江苏大学 | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348404A (zh) * | 2019-07-16 | 2019-10-18 | 湖南人文科技学院 | 一种农村道路景观视觉评价分析方法 |
| CN110348404B (zh) * | 2019-07-16 | 2023-05-02 | 湖州学院 | 一种农村道路景观视觉评价分析方法 |
| CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tasadduq et al. | Application of neural networks for the prediction of hourly mean surface temperatures in Saudi Arabia | |
| CN106067077A (zh) | 一种基于神经网络的负荷预测方法及装置 | |
| CN111104732B (zh) | 一种基于深度强化学习的机动通信网智能规划方法 | |
| CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
| CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
| CN110738344A (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| CN107506938A (zh) | 一种基于机器学习的物料质量评估方法 | |
| Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
| CN104239659A (zh) | 一种bp神经网络的碳钢腐蚀速率预测方法 | |
| CN108898249A (zh) | 一种电网故障预测方法 | |
| CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
| CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
| CN106991493A (zh) | 基于灰色神经网络组合模型的污水处理出水参数预测方法 | |
| CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
| CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
| CN110135634A (zh) | 中长期电力负荷预测装置 | |
| CN110738429A (zh) | 一种电能表状态评价方法及装置 | |
| Kaveh et al. | Feasibility of PSO-ANFIS-PSO and GA-ANFIS-GA models in prediction of peak ground acceleration | |
| CN112711902A (zh) | 一种基于蒙特卡洛采样和深度学习的电网电压计算方法 | |
| CN106096761A (zh) | 一种基于神经网络的建筑负荷预测方法及装置 | |
| Nguang et al. | Robust H/sub/spl infin//control design for uncertain fuzzy systems with Markovian jumps: an LMI approach | |
| Sineglazov et al. | An algorithm for solving the problem of forecasting | |
| Parsapoor et al. | A brain emotional learning-based prediction model for the prediction of geomagnetic storms | |
| CN108197424A (zh) | 大规模网络教育中网络学习行为幂律分布概率建模方法 | |
| CN106067075A (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
| RJ01 | Rejection of invention patent application after publication |