[发明专利]基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法

说明书

技术领域

本发明属于能耗数据预测方法。利用小波分析对能耗数据进行多尺度分解和重构，并结合考虑季节因素的三次指数平滑模型对能耗数据进行预测的方法。首先利用小波分析对能耗数据进行多尺度分解，然后对不同尺度上的数据分别建立三次指数平滑模型并计算预测值，最后将各尺度上的预测数据进行小波重构，得到能耗数据的预测值。对能耗数据进行多尺度分析，可以依据不同尺度上的数据特征进行有效的建模，提高预测的准确性。

背景技术

近年来，我国的经济发展迅猛，建筑能耗已经占据社会总能耗的30％以上，并且有逐年上升的趋势。同时，我国正处于能源相对短缺的时期，建筑高能耗状况加大了我国能源压力，制约着国民经济的可持续发展，建筑节能已是刻不容缓。因此，监测和预测公共建筑能耗成为了当前建筑节能工作的一项重要内容。

目前，已有部分建筑实现了能耗计量，在运行过程中积累了大量的能耗数据。如何利用这些大量的数据快速而有效地预测能耗趋势对现实有指导意义。经典的时间序列分析方法预测主要有确定性时间序列分析法和随机时间序列方法两种。确定性时间序列分析方法主要包括移动平均法、指数平滑法、时间回归法和季节周期预测法等。确定性时间序列预测刻画了序列的主要趋势，简单直观，易于计算和运用。但是由于方法比较粗略，而且假定严格，在预测中存在不足和局限。随机时序模型是现今最常用的方法，经典的模型主要有自回归滑动平均模型、自回归条件异方差模型等，在统计领域应用非常广泛，但是由于在于这些模型通常都有一定的假设，如正态性、平稳性等，能耗数据通常不能完全满足这些假设。

小波分析理论作为一门新兴的数学理论和方法，已经被应用到各个领域的研究之中。在数据预测中引入小波理论能通过小波独特的在不同尺度上分解序列的能力，将时间序列分解为特性各异的不同组成部分，再根据各部分的特性分别进行数据建模预测，从而能有效提高数据预测的效率。鉴于小波分析的优势，本发明利用小波分析对能耗数据进行多尺度分解和重构，结合时间序列模型进行能耗数据预测。

发明内容

本发明提出一种对能耗数据进行预测的方法。该方法在对建筑能耗数据特点进行深入研究的基础上，利用小波分析对时间序列数据进行多尺度分解和重构，从而获得更多的信息，减低预测问题的不确定性和复杂性。由于能耗数据这类时间序列，包含大量的无用的成分，利用小波分析将信号进行多层分解，分别对细节数据和近似数据建立模型进行预测，最后将预测后的数据重构可以提高预测的准确性。

一个时间序列的波动是由许多因素共同变动造成的，其中季节变动是指序列在一年内随季节改变而表现出的季节性的周期变动。季节变动常常会掩盖数据的长期趋势。所以在建筑能耗数据预测中，必须选用可以处理季节变动的模型。三次指数平滑模型可以对同时含有趋势和季节性的时间序列进行预测，因而可以较为精确的对建筑能耗数据进行预测。三次指数平滑模型包括加法模型、乘法模型和无季节模型三种，对于能耗数据这类变化因素较为独立的时间序列，加法模型更为适合。

由于三次指数平滑算法可以同时处理数据的趋势和季节性，所以该模型包含水平项a_t、趋势项b_t和季节项S_t三个参数。这三个参数通过数据之间的递推关系确定，递推公式定义如下：

at＝α(X_t-S_t-s)+(1-α)(a_t-1+b_t-1)      (1)

b_t＝β(a_t-a_t-1)+(1-β)b_t-1      (2)

S_t＝γ(X_t-a_t)+(1+γ)S_t-s      (3)

其中X_t为时间序列观测值，式中的s表示季节周期长度，α、β和γ为平滑参数，取值在区间[0,1]之间。

在水平项、趋势项和季节项三个参数已知或者估计出的情况下，时间序列X_t的k步预测可以由如下公式计算