[发明专利]基于相似样本筛选的BP神经网络供暖系统能耗预测方法

说明书

本发明公开了一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法，依次经过构建初始训练样本集A、筛选主要影响因素、构建训练样本集构建影响因素矩阵B、计算综合相似系数、筛选相似样本子集构建最终训练样本集利用BP神经网络进行能耗预测等步骤对建筑物的供暖系统能耗进行预测，该方法克服了传统BP神经网络供暖系统能耗预测精度低的问题，方法简单，过程易于计算，准确度高，易于工程人员掌握学习；本发明适用于对建筑物的供暖系统能耗进行预测。

技术领域

本发明属于供暖系统能耗预测领域，具体涉及一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法。

背景技术

近年来，我国建筑能耗占社会总能耗的比重持续增加，其中暖通空调系统能耗占整个建筑能耗的比重高达40-60％，是建筑用能“大户”。提高暖通空调系统能效，减少暖通空调系统能耗，对改善建筑用能现状具有重要的意义。如何既保证室内人员对舒适度的需求，又能降低建筑能耗，是科研工作者及相关工程人员长期关注的焦点问题。而供暖能耗预测可以从需求侧的角度对建筑物的供暖能耗进行事先动态分析，为供给侧能源系统的精准匹配提供科学的依据，是进行能源系统规划、制定能源调度策略和确保供暖系统安全、科学运行的关键技术。

暖通空调系统能耗预测方法按照算法可以分为传统算法、统计学算法、仿真算法和人工智能算法。其中传统算法主要有面积指标法、体积指标法；统计学算法主要有时间序列分析、回归分析和相似日分析方法；仿真算法主要是利用EnergyPlus、DesignBuilder、DOE-2、eQUEST等仿真软件建立各类建筑物理模型进行的预测；人工智能算法主要有人工神经网络法、专家系统法、支持向量机、数据挖掘、混沌理论和聚类算法等。传统算法根据以往经验进行预测，具有较大的误差；统计学算法对输入数据的质量要求较高，如果数据离散化程度较大，预测精度会大大降低；仿真算法需要明确建筑物的基本信息和人员活动情况，建模过程比较繁琐，仿真过程也比较耗时，方法灵活性差；随着大数据时代的到来，人工智能算法在暖通空调系统能耗预测领域开展迅速，尤其是BP神经网络预测模型，因其无需掌握一定的先验知识和通过复杂的系统辨识来建立数学模型，却能得到较高的预测精度。

不同预测方法具有各自的优缺点，然而在实际工程中，判断暖通空调系统能耗预测方法的优劣通常以预测精度为准。提高人工神经网络预测精度的方法一般有两种：一是通过改进预测模型内部的核心算法；二是通过优化预测模型训练样本的质量。相比后者，改进人工神经网络内部核心算法，需要掌握比较专业的计算机知识，学习时间过长，过程繁琐，对于暖通空调领域的研究人员和工程人员来讲比较困难，且在学习过程中容易出现瘫痪现象。

发明内容

本发明要解决的技术问题，是提供一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法，该方法克服了传统BP神经网络供暖系统能耗预测精度低的问题，方法简单，过程易于计算，准确度高，易于工程人员掌握学习。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法，按照如下的步骤顺序依次进行：

步骤S1、构建初始训练样本集A

利用供暖系统能耗历史数据及其对应时刻的影响因素构建BP神经网络初始训练样本集A；

初始训练样本集A，A＝{x_h,y_h}，其中，x_h为气象参数特征向量x_h＝(x_h,1,x_h,2,…,x_h,t,…,x_h,m)；y_h为供暖系统能耗特征向量；下标h代表历史日，h＝1,2,…,n；下标t表示第t个影响因素，t＝1,2,…,m；

步骤S2、筛选主要影响因素

通过定量计算的方式，确定初始训练样本集A中影响供暖系统能耗变化的主要因素；