CN112906956A - 一种联合bim与cim的城市能耗预测方法 - Google Patents

一种联合bim与cim的城市能耗预测方法 Download PDF

Info

Publication number
CN112906956A
CN112906956A CN202110160198.XA CN202110160198A CN112906956A CN 112906956 A CN112906956 A CN 112906956A CN 202110160198 A CN202110160198 A CN 202110160198A CN 112906956 A CN112906956 A CN 112906956A
Authority
CN
China
Prior art keywords
layer
output
neuron
representing
value
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
Application number
CN202110160198.XA
Other languages
English (en)
Inventor
姚鸿方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ximengtek Chongqing Industrial Development Co ltd
Original Assignee
Ximengtek Chongqing Industrial Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ximengtek Chongqing Industrial Development Co ltd filed Critical Ximengtek Chongqing Industrial Development Co ltd
Priority to CN202110160198.XA priority Critical patent/CN112906956A/zh
Publication of CN112906956A publication Critical patent/CN112906956A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (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

本发明提出了一种联合BIM与CIM的城市能耗预测方法。包括以下步骤：S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；S4，使用测试集的数据对BP神经网络模型模型的性能进行评估。本发明能够有效的建立资源数据模型，同时使用BP网络进行能耗预测模型训练，还具有较高的能耗预测精度，为智慧城市的绿色生态建设提供参考。

Description

一种联合BIM与CIM的城市能耗预测方法
技术领域
本发明涉及能耗预测领域，尤其涉及一种联合BIM与CIM的城市能耗预测方法。
背景技术
能源种类越来越丰富，主要包括风电、天然气、水电等，经济的快速发展建立在对能源快速损耗上。尤其是高能耗行业的迅速衍生导致国家现有能源消耗激增，并且利用率低下，能源供应系统在多个层面均出现了不同层度的能源需求增长问题。能源作为城市运行的关键，随着城市规模的不断扩大，能源传输、消耗、供应成为影响城市环境的主要因素。因此，能耗分析成为智慧城市实现的重点研究内容。
传统的能源预测方法有指数平滑法、部门分析法、回归分析法等，回归分析法、指数平滑法分别具有内插能力和外推能力，因此前者被应用于平稳随机变化序列，后者使用于随时间增长的能耗变化序列。除此之外，情景分析法和周期图法、最小二乘法也被应用于能源需求的预测，选择最小二乘法分两步建模应用于具有确定趋势非平稳时间序列，对模型预测精度以及稳定度进行评估，最后对能源需求进行预测。目前，传统的预测方法仍在能源预测中占据重要地位。但是由于能源系统具有不确定性和复杂线性的特点，后期的科研人员开始对能源系统的模糊性、自组织性的进行了研究，以此引进数据挖掘、人工智能等领域。人工神经网络方法、小波分析方法、模糊预测方法、灰色预测方法在能源损耗预测中发挥着重要作用。
遗传算法能源需求模型的预测精度较高，和资源规划中心预测结果相比预测误差较小，该算法的通用性容易受到参数选取、编码方式的影响。人工神经网络具有同时预测多个变量预测值与训练值之间的非线性关系的特点，利用人工神经网络能够实现对城市电力损耗量进行预测。灰色预测方法的精度提高对单位运行成本的节约起到重要作用。建筑信息模型(Building Information Modeling，BIM)是一个完美的多维信息空间模型，是良好的建筑信息载体，能够整合各种建筑材料、系统的各种信息，实现集中管理，保证信息的完整性、准确性和可控性。城市信息模型(City Information Modeling，CIM)在城市规划、土地资源管理方面承担着越来越重要的角色，能够加载各类城市业务数据资源，开展系统化模拟仿真，实现对城市进行数字化描述管理。
综上所述，联合BIM与CIM，运用大数据、人工智能等新技术，对城市能源消耗进行预测能够实现对城市能源的合理规划，真正实现城市的智慧管理，公共资源智能化分配。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种联合BIM与CIM的城市能耗预测方法。
为了实现本发明的上述目的，本发明提供了一种联合BIM与CIM的城市能耗预测方法，包括以下步骤：
S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；
S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；
S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；
S4，使用测试集的数据对BP神经网络模型模型的性能进行评估。
进一步地，所述S1的建筑能耗检测的静态历史数据提取方法，包括：将BIM模型用相应的BIM软件导出为IFC格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据的提取；
所述S1的影响建筑能耗因素的特征值，包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值之一或者任意组合。
进一步地，所述S2的时序性处理包括：
建立时序模型，并对获取的静态能耗值和影响因素特征值进行差分运算，使其变成平稳的时间序列D，采用自回归移动平均模型对其进行时序性建模，然后对平稳时间序列{Dt}(t＝1,2,…N)，N是时间序列的长度；拟合出自回归模型：
Z＝φ×Q，
其中，Z为平稳时序D在某一时刻的值，平稳时序D＝{Dt}(t＝1,2,…N)＝{D1,D2,D3,...,DN}；Q为平稳时序D在该时刻之前的其他时刻的取值矩阵，φ为参数权值矩阵，采用最小二乘法估计其参数，至此得到平稳的时间序列。
进一步地，所述S2的归一化预处理包括：
将平稳的时间序列抽象为Q个样本
Figure BDA0002935167040000031
对于每一维特征x，进行归一化预处理后的特征值为：
Figure BDA0002935167040000032
其中，
Figure BDA0002935167040000033
表示每一维特征x归一化预处理后的特征值，
maxq(x(q))表示最大归一化的特征值，
minq(x(q))表示最小归一化的特征值，
x(q)表示第q个样本。
进一步地，所述S3的BP神经网络包括：
输入层、隐藏层、输出层，
其中，X＝(x1,x2,…xi,…xm)T是输入层的输入向量即经权重排序后的时间序列的特征值，x1表示输入层的第1个神经元，x2表示输入层的第2个神经元，xi表示输入层的第i个神经元，xm表示输入层的第m个神经元；
V＝(v1,v2,…vi,…vn)T是输入层到隐藏层之间的权值向量，v1表示输入层到隐藏层的第1个神经元的权值向量，v2表示输入层到隐藏层的第2个神经元的权值向量，vi表示输入层到隐藏层的第i个神经元的权值向量，vn表示输入层到隐藏层的第n个神经元的权值向量；
W＝(w1,w2,…wi,…wl)T是隐藏层到输出层之间的权值向量，w1表示隐藏层到输出层的第1个神经元的权值向量，w2表示隐藏层到输出层的第2个神经元的权值向量，wi表示隐藏层到输出层的第i个神经元的权值向量，wl表示隐藏层到输出层的第l个神经元的权值向量；
Y(1)＝(y(1) 1,y(1) 2,…y(1) j,…y(1) n)T是隐藏层的输出向量，y(1) 1表示隐藏层的第1个神经元的输出，y(1) 2表示隐藏层的第2个神经元的输出，y(1) j表示隐藏层的第i个神经元的输出，y(1) n表示隐藏层的第n个神经元的输出；
Y(2)＝(y(2) 1,y(2) 2,…y(2) k,…y(2) l)T是输出层的输出向量即预测的能耗，y(2) 1表示输出层的第1个神经元的输出，y(2) 2表示输出层的第2个神经元的输出，y(2) k表示输出层的第i个神经元的输出，y(2) l表示输出层的第l个神经元的输出；
Figure BDA0002935167040000041
是输出层的期望输出向量，
Figure BDA0002935167040000042
表示第1个期望输出向量，
Figure BDA0002935167040000043
表示第2个期望输出向量，
Figure BDA0002935167040000044
表示第i个期望输出向量，
Figure BDA0002935167040000045
表示第l个期望输出向量，l表示输出层的节点个数，(·)T表示转置；
隐藏层和输出层的结果如下：
Figure BDA0002935167040000046
Figure BDA0002935167040000047
其中，y(1) j表示隐藏层第j个神经元的输出，
y(2) k表示输出层第k个神经元的输出，
vij表示输入层第i个神经元到隐藏层第j个神经元之间的权值，
wjk表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
xi是输入层第i个神经元的输入值，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
所述f(·)采用的激励函数是sigmoid函数，函数表达式如下：
Figure BDA0002935167040000051
进一步地，所述S3包括：
根据期望值和输出层的实际输出计算出的误差值为：
Figure BDA0002935167040000052
其中，
Figure BDA0002935167040000053
表示输出层的期望输出向量，
Y(2)表示输出层的输出向量，
l是输出层节点个数，
k表示输出层第k个神经元，
Figure BDA0002935167040000054
表示输出层第k个神经元的期望输出向量，
Figure BDA0002935167040000055
表示输出层第k个神经元的实际输出向量，
(·)2表示平方，
将其反向传播到隐藏层得到：
Figure BDA0002935167040000056
其中，l是输出层节点个数，
k表示输出层第k个神经元，
Figure BDA0002935167040000057
表示输出层第k个神经元的期望输出向量，
n是隐藏层节点个数，
l是输出层节点个数，
Figure BDA0002935167040000061
表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
Figure BDA0002935167040000062
表示隐藏层第j个神经元的输出，
(·)2表示平方，
f(·)为sigmoid函数；
将
Figure BDA0002935167040000063
在输入层展开得到：
Figure BDA0002935167040000064
其中，l是输出层节点个数，
k表示输出层第k个神经元，
Figure BDA0002935167040000065
表示输出层第k个神经元的期望输出向量，
n是隐藏层节点个数，
Figure BDA0002935167040000066
表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
Figure BDA0002935167040000067
表示隐藏层第j个神经元的输出，
m是输入层节点个数，
xi是输入层第i个神经元的输入值，
vij表示输入层第i个神经元到隐藏层第j个神经元之间的权值，
(·)2表示平方，
f(·)为sigmoid函数；
通过调整权值vij和wjk，使误差不断减小，
V(t+1)＝V(t)+ΔV，
W(t+1)＝W(t)+ΔW，
其中，V(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，
V(t)表示t时刻输入层到隐藏层之间的权值向量，
ΔV表示输入层到隐藏层的权值调整值，
W(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，
W(t)表示t时刻输入层到隐藏层之间的权值向量，
ΔW表示隐藏层到输出层的权值调整值。
进一步地，所述S3还包括：
根据动量梯度下降算法，
Figure BDA0002935167040000071
Figure BDA0002935167040000072
其中，
Figure BDA0002935167040000073
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000074
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
Figure BDA0002935167040000075
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000076
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
ηd是第d次迭代周期的学习速率即学习步长，
Figure BDA0002935167040000077
代表求导，
E表示误差值，
τd为第d次迭代周期的动量系数，
N表示迭代周期总次数，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
k表示输出层第k个神经元；
令
Figure BDA0002935167040000081
Figure BDA0002935167040000082
其中，
Figure BDA0002935167040000083
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000084
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
Figure BDA0002935167040000085
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000086
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值；
N表示迭代周期总次数，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
k表示输出层第k个神经元；
则
Figure BDA0002935167040000087
Figure BDA0002935167040000088
即
Figure BDA0002935167040000089
Figure BDA0002935167040000091
其中，
Figure BDA0002935167040000092
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000093
表示隐藏层第j个神经元到输出层第k个神经元之间在第d次迭代更新的权值，
ηd是为第t次迭代周期的学习速率即学习步长，
Figure BDA0002935167040000094
代表求导，
E表示误差值，
Figure BDA0002935167040000095
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000096
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000097
是动量项且τd≥0，τd为第d次迭代周期的动量系数；
期望误差ξ通过总体目标函数求解得到误差值：
Figure BDA0002935167040000098
Figure BDA0002935167040000099
其中，T表示训练次数，
Y(i)表示经过归一化后输出层的输出矩阵第i个数值，
Figure BDA00029351670400000910
表示输出层输出矩阵第i个期望数值，
Y(i+1)表示经过归一化后输出层的输出矩阵第i+1个数值，
Figure BDA00029351670400000911
表示输出层输出矩阵第i+1个期望数值，
ξ为期望误差，
E为误差值，
α是全局学习率，
l是输出层节点个数，
ε是一个很小的正数；
如果E＜ξ或达到训练次数T则停止训练，得到网络的输出矩阵即输出层的输出向量Y(2)＝(y(2) 1,y(2) 2,…y(2) k,…y(2) l)T，然后对其进行反归一化处理得到输出矩阵Y＝(y1,y2,…yi,…yl)T，y1表示经过反归一化处理后得到的输出层的第1个神经元的输出值，y2表示经过反归一化处理后得到的输出层的第2个神经元的输出值，yi表示经过反归一化处理后得到的输出层的第i个神经元的输出值，yl表示经过反归一化处理后得到的输出层的第l个神经元的输出值；并计算得到均方根误差：
Figure BDA0002935167040000101
其中，|·|表示取绝对值，
Y(i)表示经过归一化后输出层的输出矩阵第i个数值，
Figure BDA0002935167040000102
表示输出层输出矩阵第i个期望数值，
S表示训练数据总的输出个数。
进一步地，所述S4包括：
S4-1，将测试集的数据输入到训练好的网络模型中进行训练，得出训练结果并计算出均方根误差值；
S4-2，如果输出结果与该建筑物能耗对应的判定边界之间的误差大于所述误差精度，则需重新进行数据预处理以及新模型的训练；
S4-3，如果输出结果与该建筑物能耗对应的判定边界之间的误差小于所述误差精度，则说明该模型的泛化能力满足需求，能够精准进行城市能耗预测。
综上所述，由于采用了上述技术方案，本发明能够基于历史建筑能耗数据和影响因素与时间的相关性建立时间序列模型，然后基于BP算法建立能耗预测模型，进而以两者处理后得到的时间序列作为BP模型的输入获取建筑能耗预测功率，该模型有效减少由于各影响因素与建筑能耗之间的非线性关系带来的预测误差，适于建筑能耗的短期预测，本发明提高了预测精度和数据处理的实时性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明能耗预测的总体流程图；
图2是本发明BP神经网络模型图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了更好的建设智慧城市，节约能源，避免能源浪费问题对环境造成污染，本申请提供一种联合BIM与CIM的城市能耗预测方法，准确对城市的能源消耗进行预测，能及时调整能源分析策略，提出节约能源的方法。
为了解决能源数据提取困难以及不完整的问题，本申请利用BIM能整合各种建筑数据并集中管理的特点，对能源初始数据进行提取。传统能源预测方法不能很好的解决不确定性和复杂的线性问题，因此本申请采用BP神经网络来建立能耗分析与预测模型。
参考附图1，示出了发明实施例中联合BIM与CIM的进行城市能耗预测的流程图，包括以下步骤：
步骤S101，开始。
步骤S102，根据BIM模型，用相应的BIM软件导出为建筑工程数据交换标准(Industry Foundation Classes，IFC)格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据。根据CIM模型进行影响建筑能耗因素的特征值的提取，其中影响建筑能耗因素包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值。
步骤S103，对静态能耗数据和影响能耗因素的特征值进行时序性处理。首先建立时序模型，并对所述获取的静态能耗值和影响因素特征值进行时间序列处理，按时间轴的顺序对上述数据进行权重分配处理得到平稳的时间序列。
步骤S104，将时间序列抽象为Q个样本
Figure BDA0002935167040000121
对于每一维特征x，进行归一化预处理后的特征值为
Figure BDA0002935167040000122
并将获得的数据集划分为训练集和测试集。
步骤S105，将训练集中的经权重排序后的时间序列的特征值，即X＝(x1,x2,…xi,…xm)T作为BP神经网络模型的输入进行训练，得到隐藏层和输出层的结果如下：
Figure BDA0002935167040000131
Figure BDA0002935167040000132
其中，BP神经网络模型参加附图2，V＝(v1,v2,…vi,…vn)T是输入层到隐藏层之间的权值向量，W＝(w1,w2,…wi,…wl)T是隐藏层到输出层之间的权值向量，Y(1)＝(y(1) 1,y(1) 2,…y(1) j,…y(1) n)T是隐藏层的输出向量，Y(2)＝(y(2) 1,y(2) 2,…y(2) k,…y(2) l)T是输出层的输出向量，
Figure BDA0002935167040000133
是输出层的期望输出向量。m是输入层节点个数，n是隐藏层节点个数，l是输出层节点个数。本发明实例的激励函数是sigmoid函数，函数表达式如下：
Figure BDA0002935167040000134
步骤S106，根据期望值和输出层的实际输出计算出的误差值为：
Figure BDA0002935167040000135
将其反向传播到隐藏层得到：
Figure BDA0002935167040000136
将
Figure BDA0002935167040000137
在输入层展开得到：
Figure BDA0002935167040000138
步骤S107，定义一个期望误差ξ和训练次数T，判断是否|E|＜ξ或达到训练次数T，若是则停止训练，得到网络的输出矩阵Y(2)，然后对其进行反归一化处理得到输出矩阵Y，并计算得到均方根误差：
Figure BDA0002935167040000139
跳转执行步骤S109；
若否，则执行步骤S108。
步骤S108，通过调整权值vij和wjk，使误差不断减小，
V(t+1)＝V(t)+ΔV，
W(t+1)＝W(t)+ΔW，
根据动量梯度下降算法，
Figure BDA0002935167040000141
Figure BDA0002935167040000142
其中，
Figure BDA0002935167040000143
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000144
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
Figure BDA0002935167040000145
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure BDA0002935167040000146
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，ηd是第d次迭代周期的学习速率(学习步长)，
Figure BDA0002935167040000147
代表求导，E表示误差值，τd≥0，τd为第d次迭代周期的动量系数，N表示迭代周期总次数，m是输入层节点个数n是隐藏层节点个数，l是输出层节点个数，k表示输出层第k个神经元；
重复以上步骤，将输出层得到的误差进行反向传播。
步骤S109，当误差值小于期望误差或者达到训练次数，模型训练结束，准备输出预测的结果。
步骤S110，将测试集的数据输入到训练好的网络模型中进行训练，得出训练结果并计算出均方根误差值，以此来判断该模型的预测精度。
步骤S111，如果输出结果与该建筑物能耗对应的判定边界之间的误差大于所述误差精度，重新分配数据集进行模型的训练，跳转至步骤S104。如果输出结果与该建筑物能耗对应的判定边界之间的误差小于所述误差精度，得到城市能耗的精准预测结果，执行步骤S112。
步骤S112，结束。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种联合BIM与CIM的城市能耗预测方法，其特征在于，包括以下步骤：
S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；
S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；
S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；
S4，使用测试集的数据对BP神经网络模型的性能进行评估。
2.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，包括：
所述S1的建筑能耗检测的静态历史数据提取方法，包括：将BIM模型用相应的BIM软件导出为IFC格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据的提取；
所述S1的影响建筑能耗因素的特征值，包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值之一或者任意组合。
3.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S2的时序性处理包括：
建立时序模型，并对获取的静态能耗值和影响因素特征值进行差分运算，使其变成平稳的时间序列D，采用自回归移动平均模型对其进行时序性建模，然后对平稳时间序列{Dt}(t＝1,2,…N)，N是时间序列的长度；拟合出自回归模型：
Z＝φ×Q，
其中，Z为平稳时序D在某一时刻的值，Q为平稳时序D在该时刻之前的其他时刻的取值矩阵，φ为参数权值矩阵，采用最小二乘法估计其参数，至此得到平稳的时间序列。
4.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S2的归一化预处理包括：
将平稳的时间序列抽象为Q个样本
Figure FDA0002935167030000021
对于每一维特征x，进行归一化预处理后的特征值为：
Figure FDA0002935167030000022
其中，
Figure FDA0002935167030000023
表示每一维特征x归一化预处理后的特征值，
maxq(x(q))表示最大归一化的特征值，
minq(x(q))表示最小归一化的特征值，
x(q)表示第q个样本。
5.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S3的BP神经网络包括：
输入层、隐藏层、输出层，
其中，X＝(x1,x2,…xi,…xm)T是输入层的输入向量即经权重排序后的时间序列的特征值，x1表示输入层的第1个神经元，x2表示输入层的第2个神经元，xi表示输入层的第i个神经元，xm表示输入层的第m个神经元；
V＝(v1,v2,…vi,…vn)T是输入层到隐藏层之间的权值向量，v1表示输入层到隐藏层的第1个神经元的权值向量，v2表示输入层到隐藏层的第2个神经元的权值向量，vi表示输入层到隐藏层的第i个神经元的权值向量，vn表示输入层到隐藏层的第n个神经元的权值向量；
W＝(w1,w2,…wi,…wl)T是隐藏层到输出层之间的权值向量，w1表示隐藏层到输出层的第1个神经元的权值向量，w2表示隐藏层到输出层的第2个神经元的权值向量，wi表示隐藏层到输出层的第i个神经元的权值向量，wl表示隐藏层到输出层的第l个神经元的权值向量；
Y(1)＝(y(1) 1,y(1) 2,…y(1) j,…y(1) n)T是隐藏层的输出向量，y(1) 1表示隐藏层的第1个神经元的输出，y(1) 2表示隐藏层的第2个神经元的输出，y(1) j表示隐藏层的第i个神经元的输出，y(1) n表示隐藏层的第n个神经元的输出；
Y(2)＝(y(2) 1,y(2) 2,…y(2) k,…y(2) l)T是输出层的输出向量即预测的能耗，y(2) 1表示输出层的第1个神经元的输出，y(2) 2表示输出层的第2个神经元的输出，y(2) k表示输出层的第i个神经元的输出，y(2) l表示输出层的第l个神经元的输出；
Figure FDA0002935167030000031
是输出层的期望输出向量，
Figure FDA0002935167030000032
表示第1个期望输出向量，
Figure FDA0002935167030000033
表示第2个期望输出向量，
Figure FDA0002935167030000034
表示第i个期望输出向量，
Figure FDA0002935167030000035
表示第l个期望输出向量，l表示输出层的节点个数，(·)T表示转置；
隐藏层和输出层的结果如下：
Figure FDA0002935167030000036
Figure FDA0002935167030000037
其中，y(1) j表示隐藏层第j个神经元的输出，
y(2) k表示输出层第k个神经元的输出，
vij表示输入层第i个神经元到隐藏层第j个神经元之间的权值，
wjk表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
xi是输入层第i个神经元的输入值，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
所述f(·)采用的激励函数是sigmoid函数，函数表达式如下：
Figure FDA0002935167030000038
6.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S3包括：
根据期望值和输出层的实际输出计算出的误差值为：
Figure FDA0002935167030000041
其中，
Figure FDA0002935167030000042
表示输出层的期望输出向量，
Y(2)表示输出层的输出向量，
l是输出层节点个数，
k表示输出层第k个神经元，
Figure FDA0002935167030000043
表示输出层第k个神经元的期望输出向量，
Figure FDA0002935167030000044
表示输出层第k个神经元的实际输出向量，
(·)2表示平方，
将其反向传播到隐藏层得到：
Figure FDA0002935167030000045
其中，l是输出层节点个数，
k表示输出层第k个神经元，
Figure FDA0002935167030000046
表示输出层第k个神经元的期望输出向量，
n是隐藏层节点个数，
l是输出层节点个数，
wjk表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
Figure FDA0002935167030000047
表示隐藏层第j个神经元的输出，
(·)2表示平方，
f(·)为sigmoid函数；
将
Figure FDA0002935167030000048
在输入层展开得到：
Figure FDA0002935167030000051
其中，l是输出层节点个数，
k表示输出层第k个神经元，
Figure FDA0002935167030000052
表示输出层第k个神经元的期望输出向量，
n是隐藏层节点个数，
wjk表示隐藏层第j个神经元到输出层第k个神经元之间的权值，
Figure FDA0002935167030000053
表示隐藏层第j个神经元的输出，
m是输入层节点个数，
xi是输入层第i个神经元的输入值，
vij表示输入层第i个神经元到隐藏层第j个神经元之间的权值，
(·)2表示平方，
f(·)为sigmoid函数；
通过调整权值vij和wjk，使误差不断减小，
V(t+1)＝V(t)+ΔV，
W(t+1)＝W(t)+ΔW，
其中，V(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，
V(t)表示t时刻输入层到隐藏层之间的权值向量，
ΔV表示输入层到隐藏层的权值调整值，
W(t+1)表示t+1时刻输入层到隐藏层之间的权值向量，
W(t)表示t时刻输入层到隐藏层之间的权值向量，
ΔW表示隐藏层到输出层的权值调整值。
7.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S3还包括：
根据动量梯度下降算法，
Figure FDA0002935167030000061
Figure FDA0002935167030000062
其中，
Figure FDA0002935167030000063
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000064
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
Figure FDA0002935167030000065
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000066
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
ηd是第d次迭代周期的学习速率即学习步长，
Figure FDA0002935167030000067
代表求导，
E表示误差值，
τd为第d次迭代周期的动量系数，
N表示迭代周期总次数，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
k表示输出层第k个神经元；
令
Figure FDA0002935167030000068
Figure FDA0002935167030000069
其中，
Figure FDA00029351670300000610
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000071
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值，
Figure FDA0002935167030000072
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000073
表示输入层第i个神经元到隐藏层第j个神经元之间在第d-1次迭代更新的权值；
N表示迭代周期总次数，
m是输入层节点个数，
n是隐藏层节点个数，
l是输出层节点个数，
k表示输出层第k个神经元；
则
Figure FDA0002935167030000074
Figure FDA0002935167030000075
即
Figure FDA0002935167030000076
Figure FDA0002935167030000077
其中，
Figure FDA0002935167030000078
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000079
表示隐藏层第j个神经元到输出层第k个神经元之间在第d次迭代更新的权值，
ηd是为第t次迭代周期的学习速率即学习步长，
Figure FDA0002935167030000081
代表求导，
E表示误差值，
Figure FDA0002935167030000082
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000083
表示输入层第i个神经元到隐藏层第j个神经元之间在第d次迭代更新的权值，
Figure FDA0002935167030000084
是动量项且τd≥0，τd为第d次迭代周期的动量系数；
期望误差ξ通过总体目标函数求解得到误差值：
Figure FDA0002935167030000085
Figure FDA0002935167030000086
其中，T表示训练次数，
Y(i)表示经过归一化后输出层的输出矩阵第i个数值，
Figure FDA0002935167030000087
表示输出层输出矩阵第i个期望数值，
Y(i+1)表示经过归一化后输出层的输出矩阵第i+1个数值，
Figure FDA0002935167030000088
表示输出层输出矩阵第i+1个期望数值，
ξ为期望误差，
E为误差值，
α是全局学习率，
l是输出层节点个数，
ε是一个很小的正数；
如果|E＜ξ|或达到训练次数T则停止训练，得到网络的输出矩阵即输出层的输出向量Y(2)＝(y(2) 1,y(2) 2,…y(2) k,…y(2) l)T，然后对其进行反归一化处理得到输出矩阵Y＝(y1,y2,…yi,…yl)T，y1表示经过反归一化处理后得到的输出层的第1个神经元的输出值，y2表示经过反归一化处理后得到的输出层的第2个神经元的输出值，yi表示经过反归一化处理后得到的输出层的第i个神经元的输出值，yl表示经过反归一化处理后得到的输出层的第l个神经元的输出值；并计算得到均方根误差：
Figure FDA0002935167030000091
其中，|·|表示取绝对值，
Y(i)表示经过归一化后输出层的输出矩阵第i个数值，
Figure FDA0002935167030000092
表示输出层输出矩阵第i个期望数值，
S表示训练数据总的输出个数。
8.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S4包括：
S4-1，将测试集的数据输入到训练好的网络模型中进行训练，得出训练结果并计算出均方根误差值；
S4-2，如果输出结果与该建筑物能耗对应的判定边界之间的误差大于所述误差精度，则需重新进行数据预处理以及新模型的训练；
S4-3，如果输出结果与该建筑物能耗对应的判定边界之间的误差小于所述误差精度，则说明该模型的泛化能力满足需求，能够精准进行城市能耗预测。
CN202110160198.XA 2021-02-05 2021-02-05 一种联合bim与cim的城市能耗预测方法 Pending CN112906956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110160198.XA CN112906956A (zh) 2021-02-05 2021-02-05 一种联合bim与cim的城市能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110160198.XA CN112906956A (zh) 2021-02-05 2021-02-05 一种联合bim与cim的城市能耗预测方法

Publications (1)

Publication Number Publication Date
CN112906956A true CN112906956A (zh) 2021-06-04

Family

ID=76122793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110160198.XA Pending CN112906956A (zh) 2021-02-05 2021-02-05 一种联合bim与cim的城市能耗预测方法

Country Status (1)

Country Link
CN (1) CN112906956A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780891A (zh) * 2021-09-29 2021-12-10 河北省科学院地理科学研究所 一种海岸带受损生态系统评估方法
CN114493039A (zh) * 2022-02-17 2022-05-13 东北大学 一种材料气敏性能预测方法
CN116976155A (zh) * 2023-09-25 2023-10-31 青岛理工大学 基于bim建筑能耗的模拟方法及系统
CN117236016A (zh) * 2023-09-18 2023-12-15 深圳市中科云驰环境科技有限公司 一种基于bim的水中生态系统构建方法和系统
CN117910538A (zh) * 2024-03-19 2024-04-19 成都三一能源环保技术有限公司 基于机器学习的井下钻井仪器运行状态监测系统
TWI847855B (zh) * 2022-08-31 2024-07-01 日商Ｉｘｓ股份有限公司 建築物或土木構造物之管理支援系統

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678407A (zh) * 2015-12-31 2016-06-15 国网上海市电力公司 一种基于人工神经网络的日用电量预测方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN109376941A (zh) * 2018-11-03 2019-02-22 中国建筑上海设计研究院有限公司 基于人工神经网络和bim的建筑能耗模拟和优化方法
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
CN111935124A (zh) * 2020-08-04 2020-11-13 佛山市海协科技有限公司 一种应用于智慧城市的多源异构数据压缩方法
CN113850412A (zh) * 2021-08-18 2021-12-28 华建数创(上海)科技有限公司 基于bim模型和图卷积神经网络的建筑内区域能耗预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678407A (zh) * 2015-12-31 2016-06-15 国网上海市电力公司 一种基于人工神经网络的日用电量预测方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN109376941A (zh) * 2018-11-03 2019-02-22 中国建筑上海设计研究院有限公司 基于人工神经网络和bim的建筑能耗模拟和优化方法
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和系统
CN111935124A (zh) * 2020-08-04 2020-11-13 佛山市海协科技有限公司 一种应用于智慧城市的多源异构数据压缩方法
CN113850412A (zh) * 2021-08-18 2021-12-28 华建数创(上海)科技有限公司 基于bim模型和图卷积神经网络的建筑内区域能耗预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李扬;刘平;王丹丹;: "基于5G网络和CIM的智慧城市系统构建探索", 智能建筑与智慧城市, no. 03 *
李晓宇;刘强;: "基于BIM与BP神经网络的绿色建筑全生命周期风险管理", 项目管理技术, no. 04 *
蒋佳欣;王博;王猛;蔡宋刚;倪婷;敖仪斌;刘燕;: "基于BIM技术和BP神经网络的成都理工大学图书馆天然采光研究", 土木建筑工程信息技术, no. 01, pages 48 - 49 *
黄玮;张智云;陈景华;: "BIM+GIS的综合管廊智慧管控一体平台应用探索", 福建电脑, no. 05 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780891A (zh) * 2021-09-29 2021-12-10 河北省科学院地理科学研究所 一种海岸带受损生态系统评估方法
CN113780891B (zh) * 2021-09-29 2022-11-04 河北省科学院地理科学研究所 一种海岸带受损生态系统评估方法
CN114493039A (zh) * 2022-02-17 2022-05-13 东北大学 一种材料气敏性能预测方法
TWI847855B (zh) * 2022-08-31 2024-07-01 日商Ｉｘｓ股份有限公司 建築物或土木構造物之管理支援系統
CN117236016A (zh) * 2023-09-18 2023-12-15 深圳市中科云驰环境科技有限公司 一种基于bim的水中生态系统构建方法和系统
CN117236016B (zh) * 2023-09-18 2024-07-30 深圳市中科云驰环境科技有限公司 一种基于bim的水中生态系统构建方法和系统
CN116976155A (zh) * 2023-09-25 2023-10-31 青岛理工大学 基于bim建筑能耗的模拟方法及系统
CN116976155B (zh) * 2023-09-25 2023-12-26 青岛理工大学 基于bim建筑能耗的模拟方法及系统
CN117910538A (zh) * 2024-03-19 2024-04-19 成都三一能源环保技术有限公司 基于机器学习的井下钻井仪器运行状态监测系统

Similar Documents

Publication Publication Date Title
CN112906956A (zh) 一种联合bim与cim的城市能耗预测方法
Gao et al. Interpretable deep learning model for building energy consumption prediction based on attention mechanism
Gong et al. Gradient boosting machine for predicting return temperature of district heating system: A case study for residential buildings in Tianjin
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN114119273B (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及系统
CN109255726A (zh) 一种混合智能技术的超短期风功率预测方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
Tian et al. Daily power demand prediction for buildings at a large scale using a hybrid of physics-based model and generative adversarial network
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN105160441A (zh) 基于增量式超限向量回归机集成网络的实时电力负荷预测方法
CN116307211A (zh) 一种风电消纳能力预测及优化方法及系统
Long et al. Research on energy-efficiency building design based on bim and artificial intelligence
CN113344279B (zh) 基于lstm-sam模型和池化的居民负荷预测方法
Wang et al. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Dai et al. Research on building energy consumption prediction based on bp neural network
Xiao et al. Load forecasting analysis based on the residential electricity consumption data of BP neural network
Liu et al. Line loss prediction method of distribution network based on long short-term memory
Shen et al. Net Load Forecasting Based on Residual Attention CNN-BiLSTM Model
Zhang et al. A Short-Term Traffic Flow Prediction Method of Improved PSO-LSTM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604

RJ01 Rejection of invention patent application after publication