CN116049938A - 一种基于多因素指数和gm灰色系统的建筑能耗预测方法 - Google Patents
一种基于多因素指数和gm灰色系统的建筑能耗预测方法 Download PDFInfo
- Publication number
- CN116049938A CN116049938A CN202211661708.2A CN202211661708A CN116049938A CN 116049938 A CN116049938 A CN 116049938A CN 202211661708 A CN202211661708 A CN 202211661708A CN 116049938 A CN116049938 A CN 116049938A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- model
- building
- prediction
- sequence
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 230000002087 whitening effect Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 108010014173 Factor X Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013329 compounding Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多因素指数和GM灰色系统的建筑能耗预测方法，包括：构建并获取建筑模型一年的总仿真能耗；结合总仿真能耗获取影响建筑能耗的影响因素的权重；结合影响建筑能耗的影响因素和相应的权重求取多因素指数，并结合总仿真能耗求取新的时间序列；通过新的时间序列求取累加后序列和紧邻均值生成序列；通过新的时间序列、累加后序列、紧邻均值生成序列建立GM模型，并求取GM模型的参数，得到预测模型；检验预测模型的精度，若预测模型的精度不符合预测要求，则对该预测模型进行修正，直至得到符合预测要求的预测模型；结合符合预测要求的预测模型进行预测。本发明充分考虑和分析建筑能耗的多因素综合驱动效果，预测的准确度更高。
Description
技术领域
本发明涉及建筑能耗预测的技术领域，尤其涉及到一种基于多因素指数和GM灰色系统的建筑能耗预测方法。
背景技术
建筑能耗是环境污染加重和温室气体排放增多的主要原因之一，因此，对建筑能耗进行预测显得尤为重要。
纵观国内外现有的建筑能耗预测方法，主要包括机器学习、指数平滑法以及与神经网络相联系的组合预测等数据驱动方法，在一定程度上填补了建筑能耗数据的空缺。但现有的建筑能耗预测理论研究中，大部分研究着重于探讨建筑总能耗的规律性与趋势性，往往忽略了影响建筑能耗的因素(包括建筑体特征、外部环境及外围传热系数等)是多元的，而且，这些影响因素之间的关系也非常复杂。此外，较少考虑多种因素对建筑能耗预测的影响，在建筑节能规划方面的作用相对较弱。还有的是，大部分研究运用改良后的人工神经网络、机器学习等算法，从而进一步提高了建筑能耗预测模型的准确度，但没有充分考虑和分析建筑能耗的多因素综合驱动效果。
发明内容
本发明的目的在于克服现有技术的不足，提供一种综合考虑了建筑能耗的运行机制、预测精度高的基于多因素指数和GM灰色系统的建筑能耗预测方法。
为实现上述目的，本发明所提供的技术方案为：
一种基于多因素指数和GM灰色系统的建筑能耗预测方法，包括以下步骤：
S1、构建建筑模型，并获取该建筑模型一年12个月的总仿真能耗y；
S2、结合总仿真能耗y获取影响建筑能耗的影响因素的权重；
S3、结合影响建筑能耗的影响因素和相应的权重求取多因素指数，并结合总仿真能耗y求取新的时间序列X(0)；
S4、通过新的时间序列X(0)求取累加后序列X(1)和紧邻均值生成序列z(1)；
S5、通过新的时间序列X(0)、累加后序列X(1)、紧邻均值生成序列z(1)建立GM(1，1)模型，并求取GM(1，1)模型的参数，得到预测模型；
S6、检验预测模型的精度，若预测模型的精度不符合预测要求，则对该预测模型进行修正，直至得到符合预测要求的预测模型；
S7、结合符合预测要求的预测模型进行建筑能耗预测。
进一步地，获取建筑模型的总仿真能耗具体包括：
S1-1、将绘制完成的建筑图纸导入建模软件中进行建模；
S1-2、在计算软件中对建成的建筑模型的结构设计参数、热工构造进行设置；
S1-3、计算建筑模型的总仿真能耗。
进一步地，通过多元线性回归求取影响因素的权重，公式如下：
式(1)中，y为总仿真能耗，x1,x2,…,xk为影响因素，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；b0表示常数项，b1，b2，...，bk表示对应影响因素的权重；ε为随机变量；
为根据回归方程带入x得到的值。
进一步地，所述影响因素包括建筑体特征、外部环境、外围热传递系数。
进一步地，获取的影响建筑能耗的影响因素，还包括通过复相关分析法求取复合后对建筑能耗产生影响的影响因素；
复相关分析法依据复相关系数r进行复相关判断，而复相关系数r的计算公式如下：
式(2)中，r和corr(y,X1,X2,…,XK‘)表示建筑总仿真能耗y与复合的因素X1,X2,…,XK‘的复相关系数，K‘为复合因素的数量，
表示回归方程带入影响因素得到的值；cov()表示括号内变量的协方差；复相关系数r的取值范围为[0,1]，复相关系数r越大，表明变量之间的线性相关程度越密切。
进一步地，步骤S3包括：
S3-1、求取多因素指数Mk，公式如下：
Mk＝x1×b1+x2×b2+…+xk×bk (3)
式(3)中，x1,x2,…,xk为影响因素，b1，b2，...，bk表示对应影响因素的权重；k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S3-2、将总仿真能耗y除以多因素指数Mk得到新的时间序列X (0)。
进一步地，步骤S4包括：
S4-1、对新的时间序列X(0)进行累加，以便弱化序列的波动性和随机性，得到累加后序列X(1)，具体公式如下：
其中，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S4-2、对新的时间序列X(0)作级比检验处理，计算X(0)的级比：
如果所有的级别λ(k)都落在可容覆盖范围
内，则说明级比检验通过，并进入步骤S4-3；若不通过，则对新的时间序列X(0)进行变换处理，即取常数c，对其作平移变换后返回步骤S4-1；
S4-3、依据累加后序列X(1)求取紧邻均值生成序列z(1)：
z(1)＝(z(1)(1),z(1)(2),...,z(1)(k))
z(1)(k)＝0.5X(1)(k-1)+0.5X(1)(k) (6)。
进一步地，步骤S5包括：
建立GM(1，1)模型的灰微分方程：
X(0)(k)+az(1)(k)＝u,k＝2,3,…,n (7)
以及相应的白化微分方程：
其中，a为发展系数，根据发展系数a的范围来评判所建立的微分方程适合预测的数列长度，当-a≤0.3时，GM(1，1)模型做中长期预测；当0.3<-a≤0.5时，GM(1，1)模型做短期预测；当0.5<-a≤0.8时，GM(1，1)模型做短期预测；当0.8<-a≤1时，采用残差校正GM模型；当-a>1时，则不宜采用GM模型；u为灰色作用量；白化微分方程的解为数列的预测公式；
对累加生成数据X(1)做均值生成B与常数向量Yn：
其中，[a,u]T＝(BTB)-1BTY；
根据白化微分方程，由最小二乘法解得响应函数为：
最后经过一次累减即可获得符合原数列规律的预测值为X(0)(k+1)：
X(0)(k+1)＝X(1)(k+1)X(1)(k) (12)。
进一步地，步骤S6包括：
采用残差检验法检验GM(1，1)模型精度：
式(13)中，ε(0)表示残差；X(0)表示新的时间序列；
表示预测值；
根据公式(11)、(12)计算新的时间序列方差、残差序列方差：
式(14)、(15)中，S1 2表示新的时间序列方差，
表示新的时间序列的均值，S2 2表示残差序列方差，
表示残差均值；
求取后验差之比C和小误差概率P：
C＝S2/S1 (16)
通过后验差之比C和小误差概率P综合评定预测模型精度。
进一步地，步骤S7包括：对公式(12)计算出的预测值乘以对应的多因素指数，得到最终的预测结果。
与现有技术相比，本方案原理及优点如下：
把建筑自身特征与其周围环境考虑在内，着重研究建筑建筑体特征、外部环境、外围热传递系数等多因素驱动的作用。利用多因素指数分析方法将这些综合影响融入到灰色系统GM(1，1)中，建立了一种结合多因素指数和GM灰色系统模型的建筑能耗预测方法，其充分考虑和分析建筑能耗的多因素综合驱动效果，预测的准确度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于多因素指数和GM灰色系统的建筑能耗预测方法的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
本实施例所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，包括以下步骤：
S1、构建建筑模型，并获取该建筑模型一年12个月的总仿真能耗y；
本步骤包括：
S1-1、将T20天正建筑绘制的图纸导入天正节能计算软件中进行建模；
S1-2、在天正节能计算软件中对建成的建筑模型的结构设计参数、热工构造进行设置；
S1-3、计算建筑模型的总仿真能耗。
S2、结合总仿真能耗y获取影响建筑能耗的影响因素以及影响因素的权重；
本步骤中，影响因素包括建筑体特征、外部环境、外围热传递系数，其具体包括东西南北向窗墙比、南北向百叶挑出宽度、外墙外窗传热系数、月平均温度等。
具体通过多元线性回归求取影响因素的权重，公式如下：
式(1)中，y为总仿真能耗，x1,x2,…,xk为影响因素，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；b0表示常数项，b1，b2，...，bk表示对应影响因素的权重；ε为随机变量；
为根据回归方程带入x得到的值。
更进一步地，在实际环境中，建筑能耗的变化通常会受到多个变量因素的复合影响，因此，本实施例中，影响因素，还包括通过复相关分析法求取复合后对建筑能耗产生影响的影响因素；
而多个变量因素的相关性通过复相关分析求得：
复相关分析法依据复相关系数r进行复相关判断，而复相关系数r的计算公式如下：
式(2)中，r和corr(y,X1,X2,…,XK‘)表示建筑总仿真能耗y与复合的因素X1,X2,…,XK‘的复相关系数，K‘为复合因素的数量，
表示回归方程带入影响因素得到的值；cov()表示括号内变量的协方差；复相关系数r的取值范围为[0,1]，复相关系数r越大，表明变量之间的线性相关程度越密切。
通常来说，复相关系数分为以下五个等级，具体见表1。
表1负相关系数对照表
| 复相关系数r值 | 相关程度 |
| 0.0-0.2 | 极弱相关或无相关 |
| 0.2-0.4 | 弱项关 |
| 0.4--0.6 | 中等相关 |
| 0.6-0.8 | 强相关 |
| 0.8-1.0 | 极强相关 |
S3、结合影响建筑能耗的影响因素和相应的权重求取多因素指数，并结合总仿真能耗y求取新的时间序列X(0)；
本步骤包括：
S3-1、求取多因素指数Mk，公式如下：
Mk＝x1×b1+x2×b2+…+xk×bk (3)
式(3)中，x1,x2,…,xk为影响因素，b1，b2，...，bk表示对应影响因素的权重；k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S3-2、将总仿真能耗y除以多因素指数Mk得到新的时间序列X(0)。
S4、通过新的时间序列X(0)求取累加后序列X(1)和紧邻均值生成序列z(1)；
本步骤包括：
S4-1、对新的时间序列X(0)进行累加，以便弱化序列的波动性和随机性，得到累加后序列X(1)，具体公式如下：
X(0)＝(X(0)(1),X(0)(2),...,X(0)(k))
X(1)＝(X(1)(1),X(1)(2),...,X(1)(k))
其中，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S4-2、对新的时间序列X(0)作级比检验处理，计算X(0)的级比：
如果所有的级别λ(k)都落在可容覆盖范围
内，则说明级比检验通过，并进入步骤S4-3；若不通过，则对新的时间序列X(0)进行变换处理，即取常数c，对其作平移变换后返回步骤S4-1；
新的时间序列X(0)的可容覆盖区间范围如表2所示。
表2可容覆盖区间范围
| 数据长度 | 可容覆盖区间 | 数据长度 | 可容覆盖区间 | 数据长度 | 可容覆盖区间 |
| 4 | (0.6703,1.4918) | 7 | (0.7788,1.2824) | 10 | (0.8338,1.1994) |
| 5 | (0.7165,1.3956) | 8 | (0.8007,1.2488) | 11 | (0.8465,1.1814) |
| 6 | (0.7515,1.3307) | 9 | (0.8187,1.2214) | 12 | (0.8574.1.1663) |
S4-3、依据累加后序列X(1)求取紧邻均值生成序列z(1)：
z(1)＝(z(1)(1),z(1)(2),...,z(1)(k))
z(1)(k)＝0.5X(1)(k-1)+0.5X(1)(k) (6)。
S5、通过新的时间序列X(0)、累加后序列X(1)、紧邻均值生成序列z(1)建立GM(1，1)模型，并求取GM(1，1)模型的参数，得到预测模型；
本步骤包括：
建立GM(1，1)模型的灰微分方程：
X(0)(k)+az(1)(k)＝u,k＝2,3,…,n (7)
以及相应的白化微分方程：
其中，a为发展系数，根据发展系数a的范围来评判所建立的微分方程适合预测的数列长度，当-a≤0.3时，GM(1，1)模型做中长期预测；当0.3<-a≤0.5时，GM(1，1)模型做短期预测；当0.5<-a≤0.8时，GM(1，1)模型做短期预测；当0.8<-a≤1时，采用残差校正GM模型；当-a>1时，则不宜采用GM模型；u为灰色作用量；白化微分方程的解为数列的预测公式；
对累加生成数据X(1)做均值生成B与常数向量Yn：
其中，[a,u]T＝(BTB)-1BTY；
根据白化微分方程，由最小二乘法解得响应函数为：
最后经过一次累减即可获得符合原数列规律的预测值为X(0)(k+1)：
X(0)(k+1)＝X(1)(k+1)X(1)(k) (12)。
S6、检验预测模型的精度，若预测模型的精度不符合预测要求，则对该预测模型进行修正，直至得到符合预测要求的预测模型；
本步骤包括：
采用残差检验法检验GM(1，1)模型精度：
式(13)中，ε(0)表示残差；X(0)表示新的时间序列；
表示预测值；
根据公式(11)、(12)计算新的时间序列方差、残差序列方差：
式(14)、(15)中，S1 2表示新的时间序列方差，
表示新的时间序列的均值，S2 2表示残差序列方差，
表示残差均值；
求取后验差之比C和小误差概率P：
C＝S2/S1 (16)
在式(16)中，C表示后验差之比，C值越小代表S1越大，即表示实际数据离散程度大，S2越小，代表残差方差也就越小。因此，指标C应尽可能小，尽管实际数据离散程度大，但残差方差离散程度小；在式(17)中，指标P越大越好，代表预测值分布比较均匀，即残差和参差值之差小于给定值0.6745S1的点较多。
通过后验差之比C，小误差概率P综合评定预测模型精度，其中，模型精度分为四个等级，具体见表3。
表3精度检验参照表
S7、结合符合预测要求的预测模型进行建筑能耗预测，具体为：对公式(12)计算出的预测值乘以对应的多因素指数(相当于结合权重值还原数据)，得到最终的预测结果。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，包括以下步骤：
S1、构建建筑模型，并获取该建筑模型一年12个月的总仿真能耗y；
S2、结合总仿真能耗y获取影响建筑能耗的影响因素的权重；
S3、结合影响建筑能耗的影响因素和相应的权重求取多因素指数，并结合总仿真能耗y求取新的时间序列X(0)；
S4、通过新的时间序列X(0)求取累加后序列X(1)和紧邻均值生成序列z(1)；
S5、通过新的时间序列X(0)、累加后序列X(1)、紧邻均值生成序列z(1)建立GM(1，1)模型，并求取GM(1，1)模型的参数，得到预测模型；
S6、检验预测模型的精度，若预测模型的精度不符合预测要求，则对该预测模型进行修正，直至得到符合预测要求的预测模型；
S7、结合符合预测要求的预测模型进行建筑能耗预测。
2.根据权利要求1所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，获取建筑模型的总仿真能耗具体包括：
S1-1、将绘制完成的建筑图纸导入建模软件中进行建模；
S1-2、在计算软件中对建成的建筑模型的结构设计参数、热工构造进行设置；
S1-3、计算建筑模型的总仿真能耗。
3.根据权利要求1所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，通过多元线性回归求取影响因素的权重，公式如下：
式(1)中，y为总仿真能耗，x1,x2,…,xk为影响因素，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；b0表示常数项，b1，b2，...，bk表示对应影响因素的权重；ε为随机变量；
为根据回归方程带入x得到的值。
4.根据权利要求3所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，所述影响因素包括建筑体特征、外部环境、外围热传递系数。
5.根据权利要求3或4所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，获取的影响建筑能耗的影响因素，还包括通过复相关分析法求取复合后对建筑能耗产生影响的影响因素；
复相关分析法依据复相关系数r进行复相关判断，而复相关系数r的计算公式如下：
式(2)中，r和corr(y,X1,X2,…,XK‘)表示建筑总仿真能耗y与复合的因素X1,X2,…,XK‘的复相关系数，K‘为复合因素的数量，
表示回归方程带入影响因素得到的值；cov()表示括号内变量的协方差；复相关系数r的取值范围为[0,1]，复相关系数r越大，表明变量之间的线性相关程度越密切。
6.根据权利要求1所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，步骤S3包括：
S3-1、求取多因素指数Mk，公式如下：
Mk＝x1×b1+x2×b2+…+xk×bk (3)
式(3)中，x1,x2,…,xk为影响因素，b1，b2，...，bk表示对应影响因素的权重；k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S3-2、将总仿真能耗y除以多因素指数Mk得到新的时间序列X(0)。
7.根据权利要求1所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，步骤S4包括：
S4-1、对新的时间序列X(0)进行累加，以便弱化序列的波动性和随机性，得到累加后序列X(1)，具体公式如下：
X(0)＝(X(0)(1),X(0)(2),...,X(0)(k))
X(1)＝(X(1)(1),X(1)(2),...,X(1)(k))
其中，k＝1,2,...,n，k表示第k个影响因素，n表示影响因素的总数；
S4-2、对新的时间序列X(0)作级比检验处理，计算X(0)的级比：
如果所有的级别λ(k)都落在可容覆盖范围
内，则说明级比检验通过，并进入步骤S4-3；若不通过，则对新的时间序列X(0)进行变换处理，即取常数c，对其作平移变换后返回步骤S4-1；
S4-3、依据累加后序列X(1)求取紧邻均值生成序列z(1)：
8.根据权利要求1所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，步骤S5包括：
建立GM(1，1)模型的灰微分方程：
X(0)(k)+az(1)(k)＝u,k＝2,3,…,n (7)
以及相应的白化微分方程：
其中，a为发展系数，根据发展系数a的范围来评判所建立的微分方程适合预测的数列长度，当-a≤0.3时，GM(1，1)模型做中长期预测；当0.3<-a≤0.5时，GM(1，1)模型做短期预测；当0.5<-a≤0.8时，GM(1，1)模型做短期预测；当0.8<-a≤1时，采用残差校正GM模型；当-a>1时，则不宜采用GM模型；u为灰色作用量；白化微分方程的解为数列的预测公式；
对累加生成数据X(1)做均值生成B与常数向量Yn：
其中，[a,u]T＝(BTB)-1BTY；
根据白化微分方程，由最小二乘法解得响应函数为：
最后经过一次累减即可获得符合原数列规律的预测值为X(0)(k+1)：
X(0)(k+1)＝X(1)(k+1)X(1)(k)(12)。
9.根据权利要求8所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，步骤S6包括：
采用残差检验法检验GM(1，1)模型精度：
式(13)中，ε(0)表示残差；X(0)表示新的时间序列；
表示预测值；
根据公式(11)、(12)计算新的时间序列方差、残差序列方差：
式(14)、(15)中，S1 2表示新的时间序列方差，
表示新的时间序列的均值，S2 2表示残差序列方差，
表示残差均值；
求取后验差之比C和小误差概率P：
C＝S2/S1(16)
通过后验差之比C和小误差概率P综合评定预测模型精度。
10.根据权利要求9所述的一种基于多因素指数和GM灰色系统的建筑能耗预测方法，其特征在于，步骤S7包括：对公式(12)计算出的预测值乘以对应的多因素指数，得到最终的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211661708.2A CN116049938A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多因素指数和gm灰色系统的建筑能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211661708.2A CN116049938A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多因素指数和gm灰色系统的建筑能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116049938A true CN116049938A (zh) | 2023-05-02 |
Family
ID=86120986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211661708.2A Pending CN116049938A (zh) | 2022-12-23 | 2022-12-23 | 一种基于多因素指数和gm灰色系统的建筑能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116049938A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081056A (zh) * | 2022-05-18 | 2022-09-20 | 同济大学 | 一种考虑时间变量的建筑动态生命周期评价方法 |
-
2022
- 2022-12-23 CN CN202211661708.2A patent/CN116049938A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081056A (zh) * | 2022-05-18 | 2022-09-20 | 同济大学 | 一种考虑时间变量的建筑动态生命周期评价方法 |
| CN115081056B (zh) * | 2022-05-18 | 2024-08-09 | 同济大学 | 一种考虑时间变量的建筑动态生命周期评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| Zhang et al. | Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO) | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| CN112990500B (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 | |
| CN112182709B (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
| CN113177675B (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN107919983B (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN113205228B (zh) | 一种短期风力发电输出功率的预测方法 | |
| CN116049938A (zh) | 一种基于多因素指数和gm灰色系统的建筑能耗预测方法 | |
| CN115496286A (zh) | 基于大数据环境下神经网络碳排放预测方法及应用 | |
| CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| CN116862077A (zh) | 基于多模态组合模型的电采暖运行成本预测方法和介质 | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| Khairunizam et al. | Energy Consumption and Energy Efficiency Prediction using Artificial Neural Network | |
| CN118468152B (zh) | 一种面向余热锅炉的动态运行特性计算建模方法 | |
| CN115146833B (zh) | 一种锅炉氮氧化物生成浓度的预测方法 |
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 |