[发明专利]一种建筑能耗短期预测方法

权利要求书

1.一种建筑能耗短期预测方法，其特征在于：包括，

采集建筑分项能耗历史数据，确定并采集影响建筑能耗分项预测的主要影响因素历史数据，所述主要影响因素包括建筑照明能耗历史数据；

将采集的建筑照明能耗历史数据区分为输入数据和验证数据，分析并确定基于时间序列自回归模型构建照明能耗预测模型，并将输入数据作为预测模型的输入参数，对照明能耗短期预测并通过验证数据验证结果；

根据建筑分项能耗历史数据进行综合分析，建立建筑分项能耗数据库，然后与采集到的建筑分项能耗的主要影响因素归一化处理，最后再将预处理后的数据划分为训练数据和测试数据，利用训练数据和测试数据通过训练和测试构建基于深度学习DBN网络的能耗预测模型；

将时间序列模型预测出的照明能耗与实际监测的主要影响因素一同作为训练后DBN模型的输入参数，分项预测空调能耗、动力能耗、特殊能耗；

所述DBN网络模型包括无监督受限制性玻尔兹曼机RBM与有监督反向传播BP神经网络相结合的DBN网络模型来预测建筑分项能耗，其中：

RBM能量函数，又叫做专家乘积系统定义为：

其中，n表示可视单元数量，m表示隐含单元数量；

在式(5)表示的能量函数下，隐含层神经元h_j被激活的概率为：

由于RBM是双向连接，可见层神经元同样能被隐含层神经元激活，其概率为：

其中，S(x)是tanh激活函数，输出在[-1,1]之间，相当于把输入的均值调整为0，便于后续处理，其表达式

同一层神经元之间具有独立性，所以概率密度满足独立性，得到下式：

采用逐层迭代的方式训练RBM，获得学习参数θ＝{W,b,c}的值，其中b_i为可见节点i的偏置，c_j为隐含层节点j的偏置，W_ij为可见节点i与隐含层节点j之间的连接矩阵，通过学习参数拟合给定训练数据；

采用随机梯度上升法最大化对数似然函数对训练数据进行训练，最终权重的更新公式为：

VW_ij＝η(v_ih_jdata-v_ih_jrecon) (10)

Vb_i＝η(v_idata-v_irecon) (11)

Vc_j＝η(h_jdata-h_jrecon) (12)

其中，η为学习率，～_data为训练样本定义的分布，～_recon为模型重构后样本定义的分布。

2.如权利要求1所述的建筑能耗短期预测方法，其特征在于：所述建筑分项能耗包括空调能耗、动力能耗和特殊能耗，所述主要影响因素包括照明能耗、室外平均温度、室外平均湿度、天气特征值、节假日、平均风速和一天中的24个整点时刻这七个特征作为建筑能耗分项预测的主要影响因素。