[发明专利]一种建筑能耗短期预测方法

说明书

本发明公开了一种建筑能耗短期预测方法，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；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；构建基于深度学习DBN网络的能耗预测模型；分项预测空调能耗、动力能耗、特殊能耗。本发明的有益效果：本发明提供的一种建筑能耗短期预测方法，能够更加精确有效地预测建筑能耗中的各分项能耗。

技术领域

本发明涉及建筑能耗预测的技术领域，尤其涉及一种基于时间序列AR模型和深度置信网络的建筑能耗预测方法。

背景技术

近年来随着建筑年耗电量逐年上升，建筑能耗已成为是建筑节能监管和改造的主要对象。当前主要预测方法有：多元线性回归法、人工神经网络法、贝叶斯理论、灰色理论法等。以上预测方法大都属于浅层结构算法，在高维数据样本中对复杂的非线性关系学习效果不佳，而深度学习是模拟人类大脑活动进行分析的一种算法，由浅到深循序渐进学习，不断优化网络拓扑结构，选择理想学习参数，从而有效避免了浅层结构算法在多隐层网络中训练效果不理想问题。不同于许多其他机器学习方法，深度学习可以从大量的无标识历史数据中自动学习到数据有效特征，具有很强的数据分类识别和数据预测能力。

深度置信网络(deep belief network,DBN)是深度学习中一种应用最广泛的学习模型，而将时间序列的自回归(AR)模型与DBN网络相结合来预测大型建筑的分项能耗还未涉及。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有建筑能耗短期预测方法存在的问题，提出了本发明。

因此，本发明目的是提供一种能够更加精确有效地预测建筑能耗中的各分项能耗。

为解决上述技术问题，本发明提供如下技术方案：一种建筑能耗短期预测方法，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。

作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：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。

作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述照明能耗预测模型基于时间序列分析方法来预测照明能耗，其包括照明能耗自相关系数和偏自相关系数的定义；

自相关系数：给定某天24小时的照明能耗值的7阶差分值为df_i+k和df_i之间的线性相依程度定义为：

其中，r(k)＝Cov(df_i,df_i+k)为自协方差，Var(df_i)为方差，表示k滞后数。由于平稳时间序列的方差相等，所以