CN106874581A - 一种基于bp神经网络模型的建筑空调能耗预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络模型的建筑空调能耗预测方法，其包括：分析建筑空调能耗的影响因素；根据影响参数，采集历史建筑空调能耗样本参数，并对其进行预处理；采用BP神经网络，根据样本参数的维度建立建筑空调能耗预测模型；采用预处理后的样本参数作为训练样本对建筑空调能耗预测模型进行训练；采集近期的实时建筑空调能耗样本参数对建筑空调能耗预测模型进行评估，若误差在允许范围内，则模型的输出即为建筑空调能耗预测值，否则对模型重新进行训练。本发明的基于BP神经网络模型的建筑空调能耗预测方法，具备学习规则简单，便于计算机实现，具有很强的鲁棒型、记忆能力、非线性映射能力以及强大的自学习能力等优点。

Description

一种基于BP神经网络模型的建筑空调能耗预测方法

技术领域

本发明涉及空调能耗预测技术领域，特别涉及一种基于BP神经网络模型的建筑空调能耗预测方法。

背景技术

当前现代化的建筑，特别是公共建筑中，空调系统的能耗一直占据着建筑能耗大约50～60％的比重，节能潜力巨大。如何有效地管理空调系统的运行能耗一直是当前研究的热点之一。建筑空调系统能耗的准确预测，对于优化采暖空调系统运行模式，实现建筑空调系统的综合节能运行具有重要理论指导意义和现实意义。空调能耗预测对于建筑空调统一调度、空调定额能耗管理等方面具有重要的意义。

行业内已有的建筑空调能耗预测方法有三类：

(1)第一类是采用回归分析法进行建筑空调系统的能耗预测。该方法假设与空调系统能耗具有相关性的N类影响因素，其与空调能耗之间呈非线性关系，通过数据拟合得到表示空调系统能耗的高阶多项式函数。回归分析方法在建模的过程中有很多的试计算过程，将增大建模的难度，此外输入参数和输出参数之间的依赖程度很大，预测精度不高。

(2)第二类是基于时间序列预测模型的空调负荷方法。该方法的基本出发点是利用过去一段时间建筑空调负荷的变化特征描述来预测末来的变化特征。空调负荷的时间序列预测模型的特点是计算速度快和能反映负荷近期变化的连续性。其存在的不足是对原始时间序列的平稳性要求高、而实际空调负荷一般均不满足平稳性的要求，因此预测精度不理想。

(3)第三类是将支持向量机应用于空调逐时负荷预测。该方法建立了基于支持向量机理论的建筑物空调负荷预测模型，并利用遗传算法、蚁群算法及粒子群算法等对支持向量机的参数进行优化，该方法具有学习速度快、全局最优和推广能力强等优点，但同时，支持向量机也有对大规模训练样本难以实施以及同时解决多类问题困难的缺点。

发明内容

本发明针对上述现有技术中存在的问题，提出一种基于BP神经网络模型的建筑空调能耗预测方法，BP神经网络具有极强的非线性拟合能力，可映射任意复杂的非线性关系，相比于现有方法，具备学习规则简单，便于计算机实现，具有很强的鲁棒型、记忆能力、非线性映射能力以及强大的自学习能力等优点。

为解决上述技术问题，本发明是通过如下技术方案实现的：

本发明提供一种基于BP神经网络模型的建筑空调能耗预测方法，其包括以下步骤：

S11：分析建筑空调能耗的影响因素；

S12：根据所述影响因素，采集历史建筑空调能耗样本参数，对所述历史建筑空调能耗样本参数进行预处理，得到预处理后的历史建筑空调能耗样本参数；

S13：采用BP神经网络，根据所述历史建筑空调能耗样本参数的维度建立建筑空调能耗预测模型；

S14：采用预处理后的所述历史建筑空调能耗样本参数作为训练样本对所述建筑空调能耗预测模型进行训练；

S15：采集近期的实时建筑空调能耗样本参数对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内，若在允许范围内，则所述建筑空调能耗预测模型的输出即为建筑空调能耗预测值；若不在允许范围内，则返回S12或返回S14。

较佳地，所述步骤S11中所述建筑空调能耗的影响因素包括：静态影响因素和动态影响因素。

较佳地，所述步骤S12具体包括：

S121：对所述历史建筑空调能耗样本参数根据所述静态影响因素进行组合分类；

S122：对组合分类之后的所述历史建筑空调能耗样本参数中的坏值进行剔除；

S123：对坏值剔除之后的所述历史建筑空调能耗样本参数进行归一化处理。

较佳地，所述步骤S13具体包括：

S131：输入层神经元设计

所述输入神经元的个数由所述建筑空调能耗的动态影响参数的维度来决定；

S132：输出层神经元设计

所述输出层神经元的个数由所述样本参数的输出向量的维数来决定；

S133：隐含层神经元设计

所述隐含层神经元的个数由下式决定：

式中：n为隐含层神经元的个数；a为输入层神经元的个数；b为输出层神经元的个数；l为1-10之间的常数。

较佳地，所述步骤S14具体包括：

S141：BP神经网络的参数初始化

对所述输入层神经元的输入值以及所述输出层神经元的输出值进行归一化，对所述BP神经网络的参数及各权系数进行赋值；

S142：前向传输

输入所述历史建筑空调能耗样本输入参数，计算所述BP神经网络的输出值，并与所述历史建筑空调能耗样本输出参数进行比较，得出所述BP神经网络的输出误差；

S143：反向传播

根据误差反向传播算法，修正隐含层之间以及隐含层与输入层之间的权值系数和阈值；

S144：重复步骤S142～S143，直至预测误差满足条件或训练次数达到规定次数；

S145：将归一化后的输入值，代入所述BP神经网络的前向传输过程，获得的输出值经过反归一化处理，即可得到建筑空调能耗预测值。

较佳地，所述步骤S143中的所述误差反向传播算法采用动量-学习率自适应的算法。

较佳地，所述动量-学习率自适应的算法具体为：

带有附加动量因子的权值系数和阈值的调节公式为：

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为训练次数，mc为动量因子；

mc的判断条件为：

其中，E(k)为第k步误差平方和；

学习率自适应优化公式为：

η(k)为第k步学习率，E(k)为第k步误差平方和。

建筑空调能耗预测模型建筑空调能耗预测模型较佳地，所述步骤S15中，所述建筑空调能耗预测模型的误差计算公式为：

其中，P为训练样本的个数，L为输出层神经元的个数，O为输出层神经元的输出值，T为训练样本的输出值。建筑空调能耗预测模型建筑空调能耗预测模型

较佳地，所述步骤S15之后还包括：

S16：定期对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内；

若在允许范围内，则所述建筑空调能耗预测模型可用；

若不在允许范围内，则所述建筑空调能耗预测模型不可用，采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对所述建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型。

较佳地，所述步骤S15之后还包括：

S17：定期采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对所述建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型建筑空调能耗预测模型建筑空调能耗预测模型。

相较于现有技术，本发明具有以下优点：

(1)本发明提供的基于BP神经网络模型的建筑空调能耗预测方法，采用BP神经网络，具有极强的非线性拟合能力，可映射任意复杂的非线性关系，相比于现有方法，具备学习规则简单，便于计算机实现，具有很强的鲁棒型、记忆能力、非线性映射能力以及强大的自学习能力等优点；

(2)本发明的基于BP神经网络模型的建筑空调能耗预测方法，采用动量学习率自适应优化的算法，可以帮助BP网络模型突破局部极小值，达到全局最优解；同时缩短训练时间，加速收敛，达到快速进行大规模训练样本的目的。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

下面结合附图对本发明的实施方式作进一步说明：

图1为本发明的实施例1的基于BP神经网络模型的建筑空调能耗预测方法的流程图；

图2为本发明的实施例的BP神经网络的设计结构图；

图3为本发明的实施例的对建筑空调能耗预测模型进行训练的流程图；

图4为本发明的实施例的建筑空调能耗预测模型的对数Sigmoid激活函数；

图5为本发明的实施例的一训练样本的建筑空调能耗预测曲线图；

图6为本发明的实施例2的基于BP神经网络模型的建筑空调能耗预测方法的流程图；

图7为本发明的实施例3的基于BP神经网络模型的建筑空调能耗预测方法的流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1：

结合图1-图4，本实施例对本发明的基于BP神经网络的建筑空调能耗预测方法进行详细描述，其流程图如图1所示，其包括以下步骤：

S11：分析建筑空调能耗的影响因素；

S12：根据影响参数，采集历史建筑空调能耗样本参数，对历史建筑空调能耗样本参数进行预处理，得到预处理后的历史建筑空调能耗样本参数；

S13：采用BP神经网络，根据历史建筑空调能耗样本参数的维度建立建筑空调能耗预测模型；

S14：采用预处理后的历史建筑空调能耗训练参数作为训练样本对建筑空调能耗预测模型进行训练；

S15：采集近期的实时建筑空调能耗样本参数对建筑空调能耗预测模型的建模质量进行评估，以判断建筑空调能耗预测模型的输出值与实际能耗值之间的误差是否在允许范围内，若在允许范围内，则模型可用，建筑空调能耗预测模型的输出即为建筑空调能耗预测值；若不在允许范围内，则返回S12，重新采集更新的历史建筑空调能耗样本参数，采用更新后的历史建筑空调能耗样本参数对模型重新进行训练，或者，返回S14，对训练参数进行修改，然后再重新进行训练，或者，也可以既对历史建筑空调能耗样本参数进行更新，又对训练参数进行修改。

本实施例中，步骤S11中将影响参数分为两类：动态影响参数和静态影响参数，如表1所示。

静态因素主要从建筑自身的结构特点、空调系统种类等影响建筑空调能耗的各类静态因素出发，对建筑空调能耗影响因素进行收集和分析。本发明考虑的静态因素主要包括：建筑所在区域、建筑类型、建筑年代、建筑围护结构、空调系统类型等。

动态因素主要从建筑所处环境、不同时间等影响建筑空调能耗的各类动态因素出发，对建筑空调能耗影响因素进行收集和分析。本发明考虑的动态因素主要包括：季节、气象、室外温度、空气湿度、太阳辐射强度、时刻、建筑面积、是否工作日等。

表1建筑空调能耗影响因素

本实施例中，步骤S12具体包括：

S121：对样本参数根据静态影响因素进行组合分类；

不同地区、不同类型、不同围护结构的建筑，其空调系统能耗的影响因素往往有其特殊性。首先通过分析比较，将样本中的所有建筑根据静态影响因素进行组合归类，具有同类静态属性(如建筑类型相同、围护结构相似)的建筑，其空调能耗样本数据可以归入该类建筑对应的模型进行训练。

S122：对组合分类之后的样本参数中的坏值进行剔除；

建立建筑空调能耗预测模型需要大量的建筑历史能耗样本数据，这些数据大多是通过传感器等测量设备采集得来，它们会受到采集设备本身出现断线状态或数据传输过程中数据出错问题影响，在大量的数据中可能会出现一些异常的数据。这些或者在量级上与正常值相差很大，或者虽然在量级上没有显著差别，但是误差却超过了正常的范围。这些异常数据的存在对于负荷预测模型建立将产生严重影响，造成预测误差较大，所以应首先根据常识检验预测数据是否落在正常的值域范围内，并根据数理统计方法剔除坏值。

S123：对坏值剔除之后的样本参数进行归一化处理；

为使模型训练更加有效，防止奇异样本数据的存在，在进入模型训练之前，输入样本参数和输出样本参数需进行归一化处理。对模型的输入、输出数据进行一定的预处理可以加快模型的训练速度。训练结束后，再将模型的输入和输出参数反归一化。

本实施例中，步骤S13具体包括：

S131：输入层神经元设计

输入神经元的个数由建筑空调能耗的动态影响参数的维度来决定；本实施例中，具体包括：季节、气象、室外温度、空气湿度、太阳辐射强度、时刻、建筑面积、是否工作日8个输入参数。

S132：输出层神经元设计

所述输出层神经元的个数由样本参数的输出向量的维数来决定；本实施例的输出为建筑空调系统能耗预测值，因此输出层只有1个神经元。

S133：隐含层神经元设计

隐含层神经元数与求解问题的要求、输入输出神经元数的多少有直接的关系。隐含层神经元数过多会导致学习时间过长；隐含层神经元数过少，容错性差，识别未经学习的能力样本低，所以必须综合多方面的因素进行设计。根据经验可参考以下公式进行设计：

式中：n为隐含层神经元的个数；a为输入层神经元的个数；b为输出层神经元的个数；l为1-10之间的常数。由于本模型为一个8输入1输出系统，经过多次试验，最终确定建筑空调能耗预测模型的隐含层神经元数为8个。

本实施例采用的BP神经网络设计结构如图2所示，其中，

x_j表示输入层第j个节点的输入，j＝1，2，3，4；

w_ij表示隐含层第i个节点到输入层第j个节点之间的权值；

θ_i表示隐含层第i个节点的阈值；

φ(x)表示隐含层的激励函数；

w_ki表示输出层节点k到隐含层第i个节点之间的权值，i＝1，2，3；

a_k表示输出层节点k的阈值；

ψ(x)表示输出层的激励函数；

o_k表示输出层节点k的输出。

本实施例中，步骤S14具体包括：

S141：BP神经网络的参数初始化

对输入层神经元的输入值以及输出层神经元的输出值进行归一化，对BP神经网络的参数及各权系数进行赋值，其中各层节点之间的连接权值w可取(-1，1)的随机数；

S142：前向传输

输入历史建筑空调能耗样本输入参数，计算BP神经网络的输出值，并与历史建筑空调能耗样本输出参数进行比较，得出BP神经网络的输出误差；

S143：反向传播

根据误差反向传播算法，修正隐含层之间以及隐含层与输入层之间的权值系数和阈值；

S144：重复步骤S142～S143，直至预测误差满足条件或训练次数达到规定次数；

S145：将归一化后的输入值，代入BP神经网络的前向传输过程，获得的输出值经过反归一化处理，即可得到建筑空调能耗预测值。

如图3所示为本实施例的BP神经网络训练过程图，本实施例的训练模型为典型的反馈型神经网络，其中，隐含层和输出层的传递函数采用对数Sigmoid函数；训练采用动量-学习率自适应优化的算法，该算法能够大大提高BP网路找到全局最优解的能力，同时减少了训练时间，收敛速度快，收敛误差小。

BP神经网络的训练算法主要包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。

隐含层和输出层对数Sigmoid函数

φ(x)表示隐含层的激励函数，ψ(x)表示输出层的传递函数，它们是非线性可微非递减函数，一般取为对数Sigmoid函数，即φ(x)＝ψ(x)＝1/(1+e^-x)(对数Sigmoid激活函数)，它将输入空间压缩到一个有限的输出空间内(0-1)，如图4所示：

1)信号的前向传播过程

隐含层第i个节点的输入net_i：

隐含层第i个节点的输出y_i：

输出层第k个节点的输入net_k：

输出层第k个节点的输出o_k：

2)误差的反向传播过程

误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

对于每一个样本p的二次型误差准则函数为E_p：

系统对p个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i。

输出层权值调整公式：

输出层阈值调整公式：

隐含层权值调整公式：

隐含层阈值调整公式：

又因为：

所以最后得到以下公式：

其中，P为训练样本的个数，L为输出层神经元的个数，O为输出层神经元的输出值，T为训练样本的输出值。

3)动量-学习率自适应优化的算法

本发明在模型训练过程中加入动量-学习率自适应优化的算法，该算法为附加动量法和学习率自适应优化法的组合。附加动量法可以帮助BP网络模型突破局部极小值，达到全局最优解；学习率自适应优化法可帮助BP网络模型缩短训练时间，加速收敛。

①附加动量法

附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。

该方法是在反向传播法的基础上在每一个权值(或阈值)的变化上加上一项正比于前次权值(或阈值)变化量的值，并根据反向传播法来产生新的权值(或阈值)变化。

带有附加动量因子的权值和阈值调节公式为：

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为训练次数，mc为动量因子，本实施例取0.95。

附加动量法的实质是将最后一次权值(或阈值)变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值(或阈值)的变化仅是根据梯度下降法产生；当动量因子取值为1时，新的权值(或阈值)变化则是设置为最后一次权值(或阈值)的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，当网络权值进入误差曲面底部的平坦区时，i将变得很小，于是Δw_ij(k+1)＝Δw_ij(k)，从而防止了Δw_ij＝0的出现，有助于使网络从误差曲面的局部极小值中跳出。

根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值，本实施例的取值为1.04。所以，在进行附加动量法的模型训练过程中，需要加进条件判断以正确使用其权值修正公式。

本实施例在模型训练过程中采用动量法的判断条件为：

其中，E(k)为第k步误差平方和；

②学习率自适应优化

对于一个特定的工程问题，要选择适当的学习率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习率，不见得对后来的训练合适。

为了解决这个问题，本实施例在训练过程中采用自动优化学习率的方法。优化学习率的准则是：检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习率小了，可以适当增加一个量；若不是这样，而产生了过调，要么就应该减少学习率的值。学习率自适应优化公式如下：

其中，E(k)为第k步误差平方和。

通过这种方法，网络的初始学习率η(0)的选取范围可以有很大的随意性。

本实施例中，步骤S15中，建筑空调能耗预测模型的误差计算公式为：

其中，P为训练样本的个数，L为输出层神经元的个数，O为输出层神经元的输出值，T为训练样本的输出值。

下面以某省某公共建筑为实验对象，选取某一年的某一个月进行空调能耗预测，将预测结果与该时间段建筑空调能耗数据进行对比，得到曲线如图5所示，其中，表示模型值，表示实际值，从图中可看出，经过多个训练和修正，预测结果与实际建筑空调能耗数据趋势几乎一致，曲线吻合程度较高。

实施例2：

如图6所示为其流程图，本实施例是在实施例1的基础上，在步骤S15之后增加了：

S16：定期对建筑空调能耗预测模型的建模质量进行评估，以判断建筑空调能耗预测模型的误差是否在允许范围内。具体做法为：通过将建筑最近一段时间的实时数据作为样本，带入训练好的模型仿真得到相应的预测值，比对模型的预测值和实际空调能耗数据的偏差，判断偏差是否在允许范围内，以确定模型是否可用，若在允许范围内，则建筑空调能耗预测模型可用；若不在允许范围内，则建筑空调能耗预测模型不可用，采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型。

本实施例中，建筑空调能耗预测模型的误差计算公式也为：

实施例3：

如图7所示为其流程图，本实施例是在实施例1的基础上，在步骤S15之后增加了：

S17：定期采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型。

此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。

Claims (10)

1.一种基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，包括以下步骤：

S11：分析建筑空调能耗的影响因素；

S12：根据所述影响因素，采集历史建筑空调能耗样本参数，对所述历史建筑空调能耗样本参数进行预处理，得到预处理后的历史建筑空调能耗样本参数；

S13：采用BP神经网络，根据所述历史建筑空调能耗样本参数的维度建立建筑空调能耗预测模型；

S14：采用预处理后的所述历史建筑空调能耗样本参数作为训练样本对所述建筑空调能耗预测模型进行训练；

S15：采集近期的实时建筑空调能耗样本参数对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内，若在允许范围内，则所述建筑空调能耗预测模型的输出即为建筑空调能耗预测值；若不在允许范围内，则返回S12或返回S14。

2.根据权利要求1所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S11中所述建筑空调能耗的影响因素包括：静态影响因素和动态影响因素。

3.根据权利要求2所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S12具体包括：

S121：对所述历史建筑空调能耗样本参数根据所述静态影响因素进行组合分类；

S122：对组合分类之后的所述历史建筑空调能耗样本参数中的坏值进行剔除；

S123：对坏值剔除之后的所述历史建筑空调能耗样本参数进行归一化处理。

4.根据权利要求3所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S13具体包括：

S131：输入层神经元设计

所述输入神经元的个数由所述建筑空调能耗的动态影响参数的维度来决定；

S132：输出层神经元设计

所述输出层神经元的个数由所述历史建筑空调能耗样本参数的输出向量的维数来决定；

S133：隐含层神经元设计

所述隐含层神经元的个数由下式决定：

式中：n为隐含层神经元的个数；a为输入层神经元的个数；b为输出层神经元的个数；l为1-10之间的常数。

5.根据权利要求1或4所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S14具体包括：

S141：BP神经网络的参数初始化

对所述输入层神经元的输入值以及所述输出层神经元的输出值进行归一化，对所述BP神经网络的参数及各权系数进行赋值；

S142：前向传输

输入所述历史建筑空调能耗样本输入参数，计算所述BP神经网络的输出值，并与所述历史建筑空调能耗样本输出参数进行比较，得出所述BP神经网络的输出误差；

S143：反向传播

根据误差反向传播算法，修正隐含层之间以及隐含层与输入层之间的权值系数和阈值；

S144：重复步骤S142～S143，直至预测误差满足条件或训练次数达到规定次数；

S145：将归一化后的输入值，代入所述BP神经网络的前向传输过程，获得的输出值经过反归一化处理，即可得到建筑空调能耗预测值。

6.根据权利要求5所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S143中的所述误差反向传播算法采用动量-学习率自适应的算法。

7.根据权利要求6所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述动量-学习率自适应的算法具体为：

带有附加动量因子的权值系数和阈值的调节公式为：

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为训练次数，mc为动量因子；

mc的判断条件为：

其中，E(k)为第k步误差平方和；

学习率自适应优化公式为：

η(k)为第k步学习率，E(k)为第k步误差平方和。

8.根据权利要求1所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S15中，所述建筑空调能耗预测模型的误差计算公式为：

其中，P为训练样本的个数，L为输出层神经元的个数，O为输出层神经元的输出值，T为训练样本的输出值。

9.根据权利要求1所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S15之后还包括：

S16：定期对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内；

若在允许范围内，则所述建筑空调能耗预测模型可用；

若不在允许范围内，则所述建筑空调能耗预测模型不可用，采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对所述建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型。

建筑空调能耗预测模型建筑空调能耗预测模型建筑空调能耗预测模型。

10.根据权利要求1所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S15之后还包括：

S17：定期采集近期的历史建筑空调能耗以及影响参数收集起来，作为新的训练样本，对所述建筑空调能耗预测模型重新进行训练，以得到更适合当前状态下的建筑空调能耗预测模型。建筑空调能耗预测模型建筑空调能耗预测模型。