[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

说明书

本发明公开了一种影响因子降维处理的人工神经网络能耗预测方法，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。该影响因子降维处理的人工神经网络能耗预测方法中，采用降维统计分析法，将能耗影响因子产生的多维输入变量进行预处理，既减少神经网络算法输入变量的维数，又消除了各输入变量间存在的相关性，简化了网络结构，提高网络处理速度，增加网络稳定性、收敛性、确定性等，其中，降维统计分析法，可以采用目前流行的主成分分析法、因子算法等成熟算法。

技术领域

本发明涉及降维统计分析技术领域，具体为一种影响因子降维处理的人工神经网络能耗预测方法。

背景技术

能耗预测在节能分析、能耗监管等各方面都有十分重要的作用，是实现建筑节能的重要手段。目前进行能耗分析及预测的模拟软件比较多，比如著名的EnergyPlus，可以进行建筑冷热负荷和建筑全年动态能耗计算。

建筑能耗影响因子众多，针对这些因子，需要做降维处理，比较合适的降维算法有独立成分分析法(ICA)、主成分分析法(PCA)、因子分析法(FA)、线性判别分析法(LDA)等。以主成分分析法为例，说明其工作原理，主成分分析法是对所有原始变量，将有相关性的变量删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映原始信息方面尽可能保持原有的信息。数据信息主要体现在数据变量的方差上，方差越大，包含信息越多，主成分分析是对多个样本的输入变量形成的数据矩阵求取相关矩阵，根据相关矩阵的特征值，获得累计方差贡献率，再根据相关矩阵的特征向量，确定主成分。

BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，通过PCA处理后的能耗影响因子变量数据，作为BP神经网络的输入变量，经过神经网络计算后，得到我们期望的输出变量，也就是最终的能耗预测结果。

但这类软件需要事先准备很多影响建筑能耗的因子参数，比如建筑自身特性因素、人为影响因素、外界自然环境影响因素等，需要有比较强专业性的人员才能使用起来，普通人员使用的难度比较大，建筑能耗预测因影响因子繁多而导致的算法复杂度高、预测结果不准确，为此，我们提出一种影响因子降维处理的人工神经网络能耗预测方法。

发明内容

本发明的目的在于提供一种影响因子降维处理的人工神经网络能耗预测方法，以解决上述背景技术中提出的现有的软件需要事先准备很多影响建筑能耗的因子参数，比如建筑自身特性因素、人为影响因素、外界自然环境影响因素等，需要有比较强专业性的人员才能使用起来，普通人员使用的难度比较大，建筑能耗预测因影响因子繁多而导致的算法复杂度高、预测结果不准确的问题。

为实现上述目的，本发明提供如下技术方案：一种影响因子降维处理的人工神经网络能耗预测方法，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：