CN113743538A - 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质 - Google Patents

基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质 Download PDF

Info

Publication number
CN113743538A
CN113743538A CN202111197923.7A CN202111197923A CN113743538A CN 113743538 A CN113743538 A CN 113743538A CN 202111197923 A CN202111197923 A CN 202111197923A CN 113743538 A CN113743538 A CN 113743538A
Authority
CN
China
Prior art keywords
data
energy consumption
building
neural network
tree
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
CN202111197923.7A
Other languages
English (en)
Inventor
肖荣洋
江世雄
黄鸿标
陈苏芳
邱玉长
黄雁
蒋国钧
江顺源
张丽镪
涂永昌
陈全民
陈泓霖
丘雪娇
陈炜明
李鹏
陈志明
张超武
颜巧燕
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.)
Longyan Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
Longyan Power Supply Co of State Grid Fujian Electric Power 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 Longyan Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical Longyan Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority to CN202111197923.7A priority Critical patent/CN113743538A/zh
Publication of CN113743538A publication Critical patent/CN113743538A/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明涉及一种基于IPSO‑BP神经网络的智能楼宇能耗预测方法，包括以下步骤：采集已有楼宇的历史负荷数据以及气象数据并进行预处理，得到原始数据；将原始数据划分为楼宇总用电量数据以及若干类型的影响因子，并采用K‑均值聚类算法进行聚类，得到若干对应的聚类结果；根据聚类结果对原始数据添加标签，得到泛化数据集；进行关联度分析，基于能耗泛化数据集中影响因子与楼宇总用电量之间的置信度，将保留下的强关联的影响因子收集至训练样本集；建立BP神经网络，通过训练样本集对BP神经网络进行训练，并利用IPSO改进粒子群算法优化BP神经网络的参数；保存训练好的网络参数，得到楼宇能耗预测模型；通过楼宇能耗预测模型对目标楼宇进行能耗预测。

Description

基于IPSO-BP神经网络的智能楼宇能耗预测方法、设备和介质
技术领域
本发明涉及基于IPSO-BP神经网络的智能楼宇能耗预测方法、设备和介质，属于建筑物能耗预测技术领域。
背景技术
近年来，我国城市化进程迅速发展。伴随着对基础设施、住房、办公空间、教育、医疗、休闲空间的巨大需求，我国大型建筑不断涌现，建筑能耗占社会总能耗的比重不断上升。根据前瞻产业研究院的数据显示，我国建筑能耗占社会总能耗的比重已经达到27.45％，并最终将继续上升至35％左右。建筑节能降耗越来越受到人们的重视，成为亟待解决的问题。在建筑能耗设备的管理中，时常会出现设备设置不当、漏管、错管等现象；亦是能耗设备管理失当，造成冗余操作，导致耗能设备长期非必要的大功率运行这些不当的操作造成了巨大的能源浪费。
目前，我国建筑能耗约占社会总能耗的四分之一，中国建筑行业规模位居世界第一。中国的建筑业要在整个生命周期内实现脱碳，需要对行业进行彻底的改革，其中也提及了通过应用一些绿色创新技术来提高建筑自身的能效水平。从供电侧和用电侧“双管齐下”做出改变，将对实现“碳中和”起到重要作用。为了确保企业在转型过程中自身发展的可持续性，加大对现代化和技术驱动的解决方案的投资将成为一种明智的选择，而电气化和数字化的深度融合正是此类解决方案的重要特征之一。
随着数字化时代的到来，数据成为建筑转型升级的突破口。楼宇中有无数设备，每天在产生无数的“看不见”和“无关联的”数据，例如电力损耗、能源损耗等，如果能在设备上搭建一座桥梁，把设备与人联系起来，这将给楼宇管理者带来巨大的价值，通过对楼宇进行数字化升级将带来巨大的收益。数字技术的应用能使楼宇“知道”使用者的位置，以及他们当下的需求；此外，端到端的数字化架构则有潜力通过减少碳排放量和减少能源使用，将楼宇对环境的影响平均降低30％。而实现这一目标的最佳方法，则是通过楼宇管理系统实现对实时可再生能源使用情况与主动能源管理方式的整合，这一变化将使楼宇本身成为我们应对气候变化过程中“更主动的合作伙伴”，而不仅仅只是一个“被使用的空间”。
随着智能物联网、5G、大数据等新兴技术的发展，这些前沿科技也为满足以用户为中心的设施和链接需求带来可能性，使楼宇重新焕发了生机。同时，电气化、智能化建筑，也将成为新的建设指标，实现更好的发展。为实现“双碳”目标，势必对社会总能耗提出更高的要求，对建筑能耗的节能减排也必然首当其冲。
比利时的欧洲系统分析公司，开发了EFOM-12系统(能源流供应系统最优化模型)，其为一个包含多部门能源网络的线性规划模型，用于分析满足给定需求下的投资和供给政策，还可被修改以满足更具体的需求。在传统的能源部门之前耦合环境部门，可用于分析二氧化碳减排政策、潜力等问题。该模型曾用于多个欧洲共同体成员国的能源系统分析和能源规划。
德国玉里希核能研究所开发了MARKAL模型(能源规划)，所用的结构算法与美国布鲁克海文国立实验室的能源系统最优化模型((BESON)非常相似。MARKAL模型是一个综合能源系统的通用优化模型，该模型可以在满足区域内给定的能源需求量和污染物排放量限额的条件下，确定出一次能源供应结构和用能技术结构，使能源系统成本最小化。作为一个线性模型,MARKAL模型可以选择满足能源需求的最佳技术组合，即其目的就是选择总能源成本最低条件下的复合工艺。
以上最优模型均是在能源网络结构的基础上，采用线性规划方法求出最优解来进行能源系统的总体分析。使用线性函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合。线性函数的问题在于不管如何加深神经网络的层数，总是存在与之等效的无隐藏层的神经网络。传统的预测方法可以预测一段时间内楼宇能耗的大致趋势，但楼宇能耗受不确定因素，如受环境因素、突发事件的影响比较大，具有较强的波动性，因此对短期的能耗预测精度往往不高。
相反BP神经网络采用非线性回归求最优解，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。也就是说，使用线性神经网络时，无法发挥多层网络带来的优势。BP神经网络模型具有识别复杂非线性系统的特性，在一定程度上克服了传统预测方法在解决非线性、不确定、时变系统预测上的不足，使预测趋于准确。
而目前对BP神经网络的应用几乎全部是采用MATLAB自带工具箱(Neural NetFitting)进行预测，而没有研究通过分析BP神经网络算法，优化设置合适建筑能耗预测的参数的研究。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，通过建立基于IPSO算法优化的BP神经网络模型对建筑能耗预测，发现建筑节能潜力，为实现建筑能耗定额奠定基础，为建立能耗监管平台提供依据。
本发明的技术方案如下：
一方面，本发明提供一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，包括以下步骤：
数据预处理；采集已有楼宇的历史负荷数据以及气象数据并进行预处理，得到原始数据；
泛化处理；将原始数据划分为楼宇总用电量数据以及若干类型的影响因子，并采用K-均值聚类算法分别对楼宇总用电量数据以及各类型影响因子的原始数据进行聚类，得到若干对应的聚类结果；根据聚类结果对楼宇总用电量数据的原始数据添加能耗标签，并对各类型影响因子的原始数据添加影响级别标签，得到泛化数据集；
建立训练样本集；对所述泛化数据集进行关联度分析，基于泛化数据集中影响楼宇能耗的影响因子与楼宇总用电量之间的置信度，剔除能耗泛化数据集中弱关联的影响因子，保留能耗泛化数据集强关联的影响因子；将保留下的所述强关联的影响因子收集至训练样本集；
建立预测模型；建立BP神经网络，通过训练样本集对BP神经网络进行训练，并利用IPSO改进粒子群算法优化BP神经网络的参数；保存训练好的网络参数，得到楼宇能耗预测模型；
通过所述楼宇能耗预测模型对目标楼宇进行能耗预测。
作为优选实施例，所述数据预处理的步骤具体为：
对历史负荷数据中对能查明原因的异常电量数据通过均值法和趋势比例法进行修改；对历史负荷数据中原因不明且没有修改依据的异常电量数据进行删除。
作为优选实施例，所述影响因子包括若干项楼宇子系统用电数据以及若干项子类别气象数据；
所述楼宇总用电量数据的能耗标签包括高能耗、中能耗和低能耗；
所述楼宇子系统用电数据以及所述子类别气象数据的影响级别标签包括高水平、中水平和低水平。
作为优选实施例，对所述能耗泛化数据集进行关联度分析的具体步骤为：
基于FP-Growth关联算法构建FP-tree频繁树，将能耗泛化数据集整合为树结构；
构建关联置信度公式表示影响楼宇能耗的影响因子与楼宇总用电量之间的置信度：
Figure BDA0003303884650000051
其中，c(X→Y)表示X对于Y的置信度，σ(X∪Y)表示，X和Y同时发生的支持度，σ(X)为X的支持度；
遍历能耗泛化数据集以获得所有频繁1项集的的支持度；然后删除支持度低于阈值的项，将频繁1项集放入项头表中，并按照支持度降序排列；
扫描数据，从读到的能耗泛化数据集中剔除非频繁1项集中的项，并按照支持度降序排列；
读入已降序排序后的数据集，并将其插入FP-tree频繁树中；插入时，按照排序后的顺序插入到FP-tree频繁树中，顶部节点是祖先节点，底部节点是子孙节点；如果有共同祖先，则相应的共同祖先节点计数加1；插入后，如果出现新节点，则项头表对应的节点将通过节点链表链接到新节点；直到所有的数据都插入到FP-tree频繁树后，FP-tree频繁树的建立完成；
从项头表的底部项，依次向上找到与项头表项对应的条件模式基；从条件模式基中递归挖掘得到项头表中所有的频繁2项集，通过关联置信度公式计算出所有频繁2项集的置信度，并从频繁2项集中提取所有高置信度的规则，将所述高置信度的规则作为强关联的影响因子，收录至训练样本集。
另一方面，本发明还提供一种基于IPSO-BP神经网络的智能楼宇能耗预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的预测方法。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的预测方法。
本发明具有如下有益效果：
1、本发明一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，建立基于IPSO算法的优化BP神经网络预测模型，利用IPSO对BP神经网络的初始权值和初始阈值进行优化，输出预测值为楼宇的能耗水平，其预测结果可指导楼宇控制系统的智能调度，以及对楼宇进行能耗评价。
2、本发明一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，通过K-均值聚类算法对逐日各个类别的楼宇能耗数据进行聚类，划分为高能耗、中能耗、低能耗三类，生成泛化数据集；用类别的标签代替实际的数据值实现对楼宇能耗的模式划分。
3、本发明一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，通过关联度分析筛选出对楼宇能耗起关键性影响的强关联的影响因子，并以此作为BP神经网络的输入变量，减少了BP神经网络的输入节点数，降低了网络训练样本的数据规模，能够有效提高网络的学习速度。
附图说明
图1为本发明一实施例的流程图；
图2为本发明实施例中BP神经网络的拓扑示例图；
图3为本发明实施例中BP神经网络的训练流程示例图；
图4为本发明实施例中IPSO算法的流程示例图；
图5和图6为本发明实施例中对原始数据进行聚类的示例图；
图7为本发明实施例中通过能耗泛化数据建立FP树的示例图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，本发明提供一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，包括以下步骤：
数据预处理；采集已有楼宇的历史负荷数据以及气象数据并进行预处理，得到楼宇能耗数据；数据预处理是构建神经网络模型的重要环节，往往能够影响网络的学习和对数据的挖掘，决定着训练结果。
泛化处理；将原始数据划分为楼宇总用电量数据以及若干类型的影响因子，影响因子例如空调系统用电量、照明系统用电量、通风系统用电量、气温、空气湿度、降雨量等等；采用K-均值聚类算法对每日楼宇总用电量数据以及各类型影响因子的原始数据进行聚类，得到若干对应的聚类结果；根据聚类结果对楼宇总用电量数据的原始数据添加能耗标签，并对各类型影响因子的原始数据添加影响级别标签，得到能耗泛化数据集；通过泛化处理对连续的数据进行离散化聚类，用类型的标签代替实际的数据值实现对楼宇能耗的模式划分。
建立训练样本集；对所述能耗泛化数据集进行关联度分析，基于能耗泛化数据集中影响楼宇能耗的影响因子与楼宇总用电量之间的置信度，剔除能耗泛化数据集中弱关联的影响因子，保留能耗泛化数据集强关联的影响因子；将保留下的所述强关联的影响因子收集至训练样本集；影响建筑楼宇用电负荷的因素有很多，不同的建筑楼宇中会搭配不同的用电设备，涉及供暖、供热、通风和空调等。同时还存在着大量的不确定因素，比如天气、人员流动等，促使用电负荷具有很大的不确定性和随机性。通过关联度分析筛选出对特定楼宇能耗起关键性影响的因素，并以此作为BP神经网络的输入变量，减少了BP神经网络的输入节点数，降低了网络训练样本的数据规模，能够有效提高网络的学习速度。
建立预测模型；建立BP神经网络，通过训练样本集对BP神经网络进行训练，BP神经网络是一种具有反向传播和误差修正功能的多层前馈非线性映射网络。BP神经网络的基本思想是网络学习，包括两个过程：输入信号的前向传播和误差的反向传播。在前向传播中，输入信号从输入层经过隐含层逐层处理，然后传输到输出层。每一层神经元的状态只影响下一层神经元的状态。如果在输出层无法得到想要的输出，则转向反向传播，将误差信号沿原连接通道返回，并通过修改各层神经元的权值使误差信号最小化，BP神经网络结构图如图2所示。以图2为例分析，X1、X2、…、Xd为神经元的输入，输入变量对神经网络的训练结果起着关键影响，W1、W2、…、Wd为连接权值调节各个输入量的占重比，网络隐含层神经元q个，输出层L个。对于第i个神经元，第i个神经元通过线性加权求和可得Neti神经元净输入：
Figure BDA0003303884650000101
Bi表示该神经元的阈值，比较Neti和Bi，只有当接收到的信息达到阈值时，神经元才会被激活。然后，通过激活函数处理以产生神经元的输出，BP网络常用的激活函数是非线性变换函数——Sigmoid函数(又称S函数)。它可以将输入范围在从负无穷大到正无穷大的输入信号转换为0到1之间输出。
Figure BDA0003303884650000102
然后逐层传递，最后到输出层。如果网络输出与期望输出不相等，存在输出误差E，预测结果的误差可以使用最小二乘法表示，定义如下：
Figure BDA0003303884650000111
那么根据这个误差去调整参数的值，逐步降低误差E。神经网络通常采用梯度下降法来更新参数。梯度下降法就是对每一个需要调整的参数求偏导数，如果偏导数大于0，则其变化方向按与偏导数相反的方向；如果偏导数小于0，则沿该方向变化。参数需要改变的值可以通过偏导数乘以负数1得到。同时，可以设定一个学习速率η。由此可以得到逐层之间的参数调整公式：
Figure BDA0003303884650000112
将全部连接权值和阈值更新完之后，根据更新之后的参数重新正向计算网络输出以及误差Ek，然后以新的误差继续反向传播调整权值和阈值，直到E小于期望指标e为止。综上所述，BP神经网络是一种具有导师训练方式的多层前向神经网络，能够实现输入和输出的任意映射，具有高度非线性和很强的自适应学习能力。
但是标准的BP神经网络存在一些不足，如收敛速度低和易陷入局部极小值点，网络训练时对初始权值和阈值很敏感，因此，研究改进标准BP算法尤为重要。而工程应用上通常采用粒子群优化算法(PSO)，它是一种基于群体智能理论的优化算法，具有较好的鲁棒性及全局搜素能力，该算法的目的就是找出问题的最优解，利用PSO优化BP网络的参数可以克服BP神经网络的不足。不过，标准PSO算法属于线性递减惯性权重策略，容易陷入局部极小点和过早收敛的问题。所以针对这些弊端，我们提出了一种非线性惯性递减权重的方法，即改进的PSO方法(IPSO)。它可以改进PSO算法的优化能力，可使训练时间更短、收敛速度更快、预测精度更高。这种算法可描述为：
vi(t+1)＝Wi×vi(t)+r1C1[Pi(t)-xi(t)]+r2C2[gi(t)-xi(t)]
xi(t+1)＝xi(t)+vi(t+1)
Figure BDA0003303884650000121
式中，W为PSO算法的惯性权重；参数C1为粒子群体学习因子；C2为粒子个体学习因子；而r1和r2为介于[0,1]之间的随机数；maxgen为最大迭代次数。算法迭代前期惯性权重取值较大，进行全局搜索，此时有助于个体进行全局搜索。到了后期惯性权重取值较小，进行局部搜索，此时有助于局部搜索时群体的学习。其中，惯性权重随着迭代次数的变化非线性减小或增大，使得提高了算法的全局搜索性能和收敛速度。结合图4，粒子群优化算法的算法框架如下：
步骤1：参数初始化，包括学习因子、种群规模、进化次数、最大速度等参数。
步骤2：随机产生一个种群，产生初始粒子和速度，计算每个个体的适应度值，从而选择出个体的局部最优位置向量和种群的全局最优位置向量。
步骤3：迭代寻优，更新每个粒子的位置向量和速度向量。
步骤4：局部位置和全局位置向量更新：更新每个个体的局部最优解和种群的全局最优解。
步骤5：终止条件判断：是否达到最大迭代次数，如果是，输出全局最优解，反之继续进行迭代，跳转至步骤3。
步骤6：把最优初始阈值权值赋予网络预测。
参见图3，在本实施例中，基于MATLAB仿真平台创建IPSO-BP神经网络，导入历史能耗原始数据并将其分成两份，一部分作为训练集，另一部分作为测试集。设置训练参数，使用训练集数据训练网络。然后使用测试集数据对训练好的BP神经网络返回测试集样本的预测值，接着对预测值与真实值进行性能评价，计算相对误差和决定系数。如果性能优秀，那么保存训练好的神经网络作为预测模型，反之，修改并检查输入数据重新训练。
将IPSO-BP神经网络应用于楼宇能耗预测，可以实现预测未来某日楼宇的总用电量、子系统用电量等能耗模式，且预测效果满足预期指标。分析结果可以精准指明楼宇能耗模式中的关键耗电设备，指引用户在楼宇的关键耗电设备装设监测系统，将设备状况与碳排放实时数据化，实现精准化电碳监测。
作为本实施例的优选实施方式，所述数据预处理的步骤具体为：
实际中的电力数据在采集、传输和记录过程中，可能会受到干扰，也可能由于电力系统故障，导致数据异常或丢失。另外，由于突发恶劣天气的特殊性，负荷曲线的规律性会发生变化，影响数据挖掘的潜力。因此，在进行聚类分析和关联分析之前，需要对历史负荷数据进行预处理。对能查明原因的电量异常值，用均值法、趋势比例法加以修改，对原因不明而又没有可靠修改根据的电量数据，进行删除处理。从而获得完整的原始数据，包括系统总用电量数据、分项计量子系统(如供暖、通风、空调、照明、电脑、烹饪、给排水、热水供应等影响楼宇能耗的因子)用电量数据和气象数据(如气温、空气湿度、降雨量)。
作为本实施例的优选实施方式，所述影响因子包括若干项楼宇子系统用电数据以及若干项子类别气象数据；
所述楼宇总用电量数据的能耗标签包括高能耗、中能耗和低能耗；
所述楼宇子系统用电数据以及所述子类别气象数据的影响级别标签包括高水平、中水平和低水平。
K-均值聚类的原理就是预先确定质点K，K指聚类类别的最终个数，本实施例中K＝3，首先随机选取初始的聚类中心(质心)，并通过计算每个样本与质心之间的相似度(欧式距离)，将样本点划分到最相似的类中，然后重新计算每个类的质心，重复此过程，直到质心位置基本不变，最终确定每个样本所属的类别以及每个类的质心。K-均值聚类算法的基本步骤如下：
步骤1：输入样本集D＝{x1，x2，…，xm}，聚类的簇数K，输出簇划分C＝{C1，C2，…，CK}。
步骤2：从数据集D中随机选择K个样本作为初始的K个聚类中心：{μ1，μ2，…，μk}。
步骤3：对于i＝1，2，…，m，计算样本xi和各个质心μj(j＝1，2，…，K)的距离:
Figure BDA0003303884650000151
将xi标记最小的为dij所对应的类别λi。此时更新Cλi＝Cλi∪{xi}。
步骤4：对于j＝1，2，…，K，对Cj中所有的样本点重新计算新的质心：
Figure BDA0003303884650000152
如果更新后的新质心位置同初始质心的位置发生明显偏移，重复步骤3，步骤4，直至所有的质心位置基本不发生变化为止。
步骤5：输出最终簇划分C＝{C1，C2，…，CK}。
参见图5和图6，对楼宇总用电数据、子系统用电数据以及气象数据进行泛化处理，取K＝3，将数据集分成三类，可以得到相应的聚类结果，再将聚类结果的类型数据簇添加低能耗、中能耗、高能耗三种标签，得到楼宇能耗泛化数据集；
其中图5为楼宇总用电数据的聚类示意图，图6为平均气温数据的聚类示意图；通过聚类，可以获取泛化等级的取值范围，如通过对楼宇总用电数据进行聚类，可以得到泛化等级的取值区间分别为：高能耗∈(674.56KWh,849.80KWh)，中能耗∈(456.53KWh,674.56KWh)，低能耗∈(0KWh,456.53KWh)，根据上述泛化等级的取值范围，即可快速对原始数据添加标签；分别对当天的楼宇总用电数据、各个子系统用电数据以及气象数据的原始数据添加标签后，即可得到当天的楼宇能耗泛化数据，收集历史每天的楼宇能耗泛化数据，即可得到楼宇能耗泛化数据集；生成的楼宇能耗泛化数据集举例如下表所示：
Figure BDA0003303884650000161
表1：楼宇能耗泛化数据示例表
作为本实施例的优选实施方式，对所述能耗泛化数据集进行关联度分析的具体步骤为：
采用FP-Growth关联算法对楼宇能耗泛化数据集进行关联规则分析，计算出各个影响楼宇能耗的影响因子与楼宇总用电量之间的置信度，得到强关联规则以获得楼宇能耗规律结论，并剔除与楼宇总用电量弱关联的影响因子，根据关联度排序选取与楼宇总用电量之间关联度大的因子，将其作为变量输入到BP神经网络预测模型中。
基于FP-Growth关联算法构建FP-tree频繁树，将能耗泛化数据集整合为树结构；构建FP-tree频繁树可以快速的发现与目标元素共现的元素集合，利用条件模式基去挖掘频繁项集；
构建关联置信度公式表示影响楼宇能耗的影响因子与楼宇总用电量之间的置信度：
Figure BDA0003303884650000171
其中，c(X→Y)表示X对于Y的置信度，σ(X∪Y)表示，X和Y同时发生的支持度，σ(X)为X的支持度；
遍历能耗泛化数据集以获得所有频繁1项集的的支持度(计数)；然后删除支持度低于阈值的项，并按照支持度降序排列；
扫描数据，从读到的能耗泛化数据集中剔除非频繁1项集中的项，并按照支持度降序排列；扫描表1中前4项能耗泛化数据，若以a1、a2、a3分别代表总用电量的高能耗、中能耗和低能耗，以b1、b2、b3分别代表空调系统用电量的高水平、中水平和低水平，以c1、c2、c3分别代表照明系统用电量的高水平、中水平和低水平，以d1、d2、d3分别代表通风系统用电量的高水平、中水平和低水平，以e1、e2、e3分别代表气温的高水平、中水平和低水平，以f1、f2、f3分别代表降雨量的高水平、中水平和低水平，则此时表1中前4项能耗泛化数据可表示为：
1、{a1，b1，c3，d1，e1，f3}；
2、{a1，b1，c1，d1，e3，f2}；
3、{a2，b2，c1，d3，e2，f3}；
4、{a3，b3，c2，d3，e2，f3}；
可以得到以下项头表：
Figure BDA0003303884650000172
Figure BDA0003303884650000181
表2：4项能耗泛化数据的项头表
继续扫描能耗泛化数据集中的后续数据，能够得到完整的项头表，例如：
a1:219 a2:83 a3:121 b1:193 b2:95 b3:135
c1:195 c2:133 c3:95 d1:212 d2:102 d3:109
e1:188 e2:89 e3:146 f1:105 f2:144 f3:174
表3：完整能耗泛化数据的项头表
支持度阈值取最大支持度的50％，删除支持度小于阈值的项，得到：
Figure BDA0003303884650000182
根据以上项头表对能耗泛化数据进行降序排序，例如此时对表1中前4项能耗泛化数据进行降序排序后可分别得到：
1、{a1,d1,b1,e1,f3}；
2、{a1,d1,c1,b1,e3,f2}；
3、{c1,f3}；
4、{f3}；
读入已降序排序后的数据集，并将其插入FP-tree频繁树中；插入时，按照排序后的顺序插入到FP-tree频繁树中，顶部节点是祖先节点，底部节点是子孙节点；如果有共同祖先，则相应的共同祖先节点计数加1；插入后，如果出现新节点，则项头表对应的节点将通过节点链表链接到新节点；直到所有的数据都插入到FP-tree频繁树后，FP-tree频繁树的建立完成；
如图7所示，当插入前2项数据时，FP-tree频繁树的变化如图所示；后续插入过程因FP-tree频繁树过于庞大，本实施例中不再举例。
从项头表的底部项，依次向上找到与项头表项对应的条件模式基；从条件模式基中递归挖掘得到项头表中所有的频繁2项集，通过关联置信度公式计算出所有频繁2项集的置信度，并从频繁2项集中提取所有高置信度的规则，将所述高置信度的规则作为强关联的影响因子，收录至训练样本集。
以图7为例分析：例如a1和b1同时发生的支持度σ(b1∪a1)＝2，σ(a1)＝2，则
Figure BDA0003303884650000191
物理含义可描述为影响因子中空调系统用电量为高水平对楼宇总用电量为高能耗事件的置信度为1；a1和c1同时发生的支持度σ(c1∪a1)＝1，σ(a1)＝2，则
Figure BDA0003303884650000192
物理含义可描述为影响因子中照明系统用电量为高水平对楼宇总用电量为高能耗事件的置信度为0.5，依次类推，可以计算出所有影响因子相对于楼宇总用电量能耗水平的置信度；设置一置信度阈值，例如≥0.7为强关联，则可以自动筛选出影响因子作为强关联的影响因子(如空调系统用电量认为是强关联的影响因子，照明系统用电量则认为是若关联项)至训练样本集。
对于聚类之后的得到的泛化数据集，其将楼宇总用电量，各个分项计量子系统用电量以及气象数据划分成了高能耗、中能耗、低能耗三类，通过以上步骤可以建立关于楼宇能耗FP树，并通过条件模式基计算置信度，挖掘出楼宇能耗的强关联规则。去除与总用电量弱关联的项，从而得到用于训练BP神经网络的训练样本集。
实施例二：
本实施例提供一种基于IPSO-BP神经网络的智能楼宇能耗预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的预测方法。
实施例三：
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的预测方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，其特征在于，包括以下步骤：
数据预处理；采集已有楼宇的历史负荷数据以及气象数据并进行预处理，得到原始数据；
泛化处理；将原始数据划分为楼宇总用电量数据以及若干类型的影响因子，并采用K-均值聚类算法分别对楼宇总用电量数据以及各类型影响因子的原始数据进行聚类，得到若干对应的聚类结果；根据聚类结果对楼宇总用电量数据的原始数据添加能耗标签，并对各类型影响因子的原始数据添加影响级别标签，得到泛化数据集；
建立训练样本集；对所述泛化数据集进行关联度分析，基于泛化数据集中影响楼宇能耗的影响因子与楼宇总用电量之间的置信度，剔除能耗泛化数据集中弱关联的影响因子，保留能耗泛化数据集强关联的影响因子；将保留下的所述强关联的影响因子收集至训练样本集；
建立预测模型；建立BP神经网络，通过训练样本集对BP神经网络进行训练，并利用IPSO改进粒子群算法优化BP神经网络的参数；保存训练好的网络参数，得到楼宇能耗预测模型；
通过所述楼宇能耗预测模型对目标楼宇进行能耗预测。
2.根据权利要求1所述的一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，其特征在于，所述数据预处理的步骤具体为：
对历史负荷数据中对能查明原因的异常电量数据通过均值法和趋势比例法进行修改；对历史负荷数据中原因不明且没有修改依据的异常电量数据进行删除。
3.根据权利要求1所述的一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，其特征在于：
所述影响因子包括若干项楼宇子系统用电数据以及若干项子类别气象数据；
所述楼宇总用电量数据的能耗标签包括高能耗、中能耗和低能耗；
所述楼宇子系统用电数据以及所述子类别气象数据的影响级别标签包括高水平、中水平和低水平。
4.根据权利要求1所述的一种基于IPSO-BP神经网络的智能楼宇能耗预测方法，其特征在于，对所述能耗泛化数据集进行关联度分析的具体步骤为：
基于FP-Growth关联算法构建FP-tree频繁树，将能耗泛化数据集整合为树结构；
构建关联置信度公式表示影响楼宇能耗的影响因子与楼宇总用电量之间的置信度：
Figure FDA0003303884640000021
其中，c(X→Y)表示X对于Y的置信度，σ(X∪Y)表示，X和Y同时发生的支持度，σ(X)为X的支持度；
遍历能耗泛化数据集以获得所有频繁1项集的的支持度；然后删除支持度低于阈值的项，将频繁1项集放入项头表中，并按照支持度降序排列；
扫描数据，从读到的能耗泛化数据集中剔除非频繁1项集中的项，并按照支持度降序排列；
读入已降序排序后的数据集，并将其插入FP-tree频繁树中；插入时，按照排序后的顺序插入到FP-tree频繁树中，顶部节点是祖先节点，底部节点是子孙节点；如果有共同祖先，则相应的共同祖先节点计数加1；插入后，如果出现新节点，则项头表对应的节点将通过节点链表链接到新节点；直到所有的数据都插入到FP-tree频繁树后，FP-tree频繁树的建立完成；
从项头表的底部项，依次向上找到与项头表项对应的条件模式基；从条件模式基中递归挖掘得到项头表中所有的频繁2项集，通过关联置信度公式计算出所有频繁2项集的置信度，并从频繁2项集中提取所有高置信度的规则，将所述高置信度的规则作为强关联的影响因子，收录至训练样本集。
5.一种基于IPSO-BP神经网络的智能楼宇能耗预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的预测方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的预测方法。
CN202111197923.7A 2021-10-14 2021-10-14 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质 Pending CN113743538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197923.7A CN113743538A (zh) 2021-10-14 2021-10-14 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197923.7A CN113743538A (zh) 2021-10-14 2021-10-14 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质

Publications (1)

Publication Number Publication Date
CN113743538A true CN113743538A (zh) 2021-12-03

Family

ID=78726677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197923.7A Pending CN113743538A (zh) 2021-10-14 2021-10-14 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质

Country Status (1)

Country Link
CN (1) CN113743538A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935557A (zh) * 2021-12-21 2022-01-14 中船重工(武汉)凌久高科有限公司 一种基于深度学习的相同模式能耗大数据预测方法
CN115115260A (zh) * 2022-07-19 2022-09-27 东南大学溧阳研究院 基于bp神经网络的突发事件对社会用电影响量化分析方法
CN115600764A (zh) * 2022-11-17 2023-01-13 中船重工（武汉）凌久高科有限公司（Cn） 基于权重邻域粗糙集快速约简的滚动时域能耗预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935557A (zh) * 2021-12-21 2022-01-14 中船重工(武汉)凌久高科有限公司 一种基于深度学习的相同模式能耗大数据预测方法
CN115115260A (zh) * 2022-07-19 2022-09-27 东南大学溧阳研究院 基于bp神经网络的突发事件对社会用电影响量化分析方法
CN115115260B (zh) * 2022-07-19 2023-04-07 东南大学溧阳研究院 基于bp神经网络的突发事件对社会用电影响量化分析方法
CN115600764A (zh) * 2022-11-17 2023-01-13 中船重工（武汉）凌久高科有限公司（Cn） 基于权重邻域粗糙集快速约简的滚动时域能耗预测方法

Similar Documents

Publication Publication Date Title
CN113743538A (zh) 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质
Cheng et al. Artificial intelligence approaches to achieve strategic control over project cash flows
CN106951611A (zh) 一种基于使用者行为的严寒地区建筑节能设计优化方法
CN111489036A (zh) 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN110276393A (zh) 一种绿色建筑能耗复合预测方法
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及系统
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和系统
CN109523021A (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN112734135A (zh) 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN112990500A (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN113780684A (zh) 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法
CN115310782A (zh) 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN112767692A (zh) 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN116485582A (zh) 一种基于深度学习的供热优化调控方法及装置
CN111784019A (zh) 电力负荷处理方法和装置
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
CN116541166A (zh) 一种超算算力调度服务器及资源管理方法
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN111143774B (zh) 一种基于影响因素多状态模型的电力负荷预测方法和装置
Yang et al. BP-GA mixed algorithms for short-term load forecasting

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