[发明专利]一种影响因子降维处理的人工神经网络能耗预测方法

权利要求书

1.一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：该预测方法的实现方式如下：

输入模块，将历史能耗数据、环境数据、人为数据以及建筑自身的特性参数，作为因子降维模块的输入；

降维模块，做原始数据标准化，对原始变量进行标准化处理将每个因子设定为有m个指标参数：X₁，X₂，...，X_m，分别表示每个因子的各个特征，如果有n个因子，可以用n×m矩阵表示输入矩阵：

首先进行中心标准化处理生成标准矩阵Y，即

建立相关矩阵R，并计算其特征值和特征向量，即

R＝X^*TX^*/(n-1)

确定主成分的个数了，方差贡献率和累计方差贡献率分别为：

p个主成分对应的特征向量为U_m×p＝[μ₁，μ₂，...，μ_p]，则n个样本的p个主成分构成的矩阵为

BP神经网络模块，经降维模块输出的P个主成分组成的矩阵z_x×p，作为BP神经网络预测模型的输入变量，按照一年365天，共365个输入样本，将样本分组，每月1日、2日、…、30日、31日作为一组，每组12个能耗历史数据，以及对应的其他参数，对于某个月份没有29、30、31日的月份，考虑用上一月的数据补充，预测出下一年某天的能耗数据，对于按周、月、季度、年度维度的预测，也用类似的方法来实现。

2.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述环境数据包括过去一年的温度历史数据、湿度历史数据、酒店位置数据，通过EnergyPlus官网查询。

3.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述人为数据包括居住类型、居住人员动态数据、每天离开/返回房间的时间。

4.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述建筑自身的特性参数包括窗墙比、朝向。

5.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述历史能耗数据包括过去一年的历史数据，按照月提供。

6.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述降维模块，X^*为标准化后的数据矩阵，求得自相关矩阵R的特征值λ₁≥λ₂≥...≥λ_m及相应的特征向量μ₁，μ₂，...，μ_m。

7.根据权利要求1所述的一种影响因子降维处理的人工神经网络能耗预测方法，其特征在于：所述BP神经网络模块的网络模型设计采用单隐层结构。