一種面向建筑能耗預(yù)測的bp神經(jīng)網(wǎng)絡(luò)模型配置方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，屬于建筑能耗 預(yù)測技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著中國人口的急劇增長和人們生活水平的不斷提高，我國建筑面積成倍增加， 建筑能耗費用也不斷增加。據(jù)統(tǒng)計，我國建筑能耗約占全社會總能耗的1/3。目前，建筑能 耗預(yù)測主要是根據(jù)歷史能耗信息和相關(guān)環(huán)境信息，為未來建筑的可能用能情況進行預(yù)測。 建筑能耗預(yù)測不僅能夠幫助管理人員合理安排系統(tǒng)運行方式，而且還能夠利用實際值與預(yù) 測值的比較，進行建筑能耗異常檢測，從而保證用能的安全進行。
[0003] 近幾年，有關(guān)建筑能耗預(yù)測方法的研究已經(jīng)出現(xiàn)很多，主要涉及到的方法有BP神 經(jīng)網(wǎng)絡(luò)算法、支持向量機、時間序列分析方法等。但是，現(xiàn)有的方法多以單一建筑、單一能耗 為對象實施進行的，研究結(jié)果都最終給出一個較好的實驗?zāi)Ｐ妥鳛樽罴杨A(yù)測模型。還有，雖 然建筑能耗預(yù)測的方法理論研究較多，然而，實際的建筑能耗預(yù)測系統(tǒng)卻出現(xiàn)空白，主要是 由于實際建筑能耗預(yù)測時，針對的建筑對象規(guī)模較多，能耗類型繁多，對于不同的建筑、不 同的分類分項能耗預(yù)測模型則不同，理論研究所給出的單一的預(yù)測模型很難滿足實際復(fù)雜 多變的預(yù)測系統(tǒng)要求，因此，如何建立一種有效的、靈活的、可配置的預(yù)測模型配置設(shè)計方 案來滿足實際預(yù)測系統(tǒng)復(fù)雜多變的需求，是當(dāng)前急需解決的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了克服現(xiàn)有的單一預(yù)測模型很難滿足實際復(fù)雜多變的預(yù)測系 統(tǒng)要求的問題。本發(fā)明的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，將復(fù)雜的建筑能 耗預(yù)測相關(guān)影響因素、參數(shù)、算法與建筑能耗實際預(yù)測功能進行解耦分離，實現(xiàn)任意預(yù)測模 型的可配置化創(chuàng)建，降低了建筑能耗預(yù)測系統(tǒng)的開發(fā)和維護成本，使得大規(guī)模建筑的能耗 預(yù)測系統(tǒng)易于實現(xiàn)，具有良好的應(yīng)用前景。
[0005] 為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：
[0006] -種面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，其特征在于：包括以下步 驟，
[0007] 步驟（A)，創(chuàng)建可配置化的BP神經(jīng)網(wǎng)絡(luò)模型，包括建立輸入配置、輸出配置、網(wǎng)絡(luò) 結(jié)構(gòu)配置，并進行模型校驗、基礎(chǔ)網(wǎng)絡(luò)模型保存；
[0008] 步驟（B)，訓(xùn)練嵌入能耗模式的BP神經(jīng)網(wǎng)絡(luò)模型，形成預(yù)測訓(xùn)練模型，包括預(yù)測訓(xùn) 練模型選擇、預(yù)測輸入數(shù)據(jù)時間設(shè)置、建筑能耗預(yù)測、預(yù)測結(jié)果保存；
[0009] 步驟（C)，進行建筑能耗數(shù)據(jù)預(yù)測，包括預(yù)測訓(xùn)練模型選擇、預(yù)測輸入數(shù)據(jù)時間設(shè) 置、建筑能耗預(yù)測、預(yù)測結(jié)果保存。
[0010] 前述的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，其特征在于：步驟（A)，創(chuàng) 建可配置化的BP神經(jīng)網(wǎng)絡(luò)模型，包括以下過程，
[0011] (A1)對能耗預(yù)測的影響因素進行抽象，定義BP神經(jīng)網(wǎng)絡(luò)模型的輸入存儲方式、解 析方式和數(shù)據(jù)加載方式；
[0012] (A2)定義BP神經(jīng)網(wǎng)絡(luò)模型輸出的存儲方式、解析方式和數(shù)據(jù)加載方式；
[0013] (A3)進行BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選；
[0014] (A4)建立輸入配置，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選全范圍的輸入因素實現(xiàn)任 意輸入因素選擇、任意輸入數(shù)目選擇，同時，對每個輸入因素所涉及到的相關(guān)數(shù)據(jù)提取涉及 到的參數(shù)進行設(shè)置；
[0015] (A5)建立輸出配置，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選全范圍的輸出因素實現(xiàn)任 意輸出因素選擇、任意輸出數(shù)目選擇，同時，對每個輸出因素所涉及到的相關(guān)數(shù)據(jù)提取涉及 到的參數(shù)進行設(shè)置；
[0016] (A6)建立網(wǎng)絡(luò)結(jié)構(gòu)配置，包括對輸入層的神經(jīng)元個數(shù)、隱含層神經(jīng)元個數(shù)、輸出層 神經(jīng)元個數(shù)、訓(xùn)練周期、預(yù)測周期的配置；
[0017] (A7)進行模型校驗，對已經(jīng)配置好的BP神經(jīng)網(wǎng)絡(luò)模型進行校驗，包括輸入輸出配 置與網(wǎng)絡(luò)結(jié)構(gòu)的匹配校驗，輸入輸出數(shù)據(jù)提取參數(shù)配置校驗；
[0018] (A8)進行基礎(chǔ)網(wǎng)絡(luò)模型保存，包括保存網(wǎng)絡(luò)結(jié)構(gòu)配置信息、輸入配置信息、輸入配 置信息。
[0019] 前述的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，其特征在于：步驟（B)，訓(xùn) 練嵌入能耗模式的BP神經(jīng)網(wǎng)絡(luò)模型，形成預(yù)測訓(xùn)練模型，包括以下過程，
[0020] (B1)能耗模式配置是根據(jù)節(jié)假日、是否上班情況的能耗模型對訓(xùn)練數(shù)據(jù)進行過濾 提取訓(xùn)練，保證預(yù)測BP神經(jīng)網(wǎng)絡(luò)模型的準確性；訓(xùn)練參數(shù)設(shè)置，包括權(quán)重修正系數(shù)、學(xué)習(xí)速 率、訓(xùn)練代數(shù)的設(shè)置；訓(xùn)練數(shù)據(jù)提取時間設(shè)置，對訓(xùn)練數(shù)據(jù)提取的開始時間和結(jié)束時間進行 設(shè)置，進行實際訓(xùn)練時，則該時間范圍根據(jù)選擇的BP神經(jīng)網(wǎng)絡(luò)模型所配置好的輸入、輸出 進行相應(yīng)的數(shù)據(jù)提?。?br>[0021] (B2)基礎(chǔ)網(wǎng)絡(luò)模型選擇，選擇是對步驟（A)中已經(jīng)保存好的BP神經(jīng)網(wǎng)絡(luò)模型進行 選擇；
[0022] (B3)對選擇的基礎(chǔ)網(wǎng)絡(luò)模型訓(xùn)練，形成預(yù)測訓(xùn)練模型，根據(jù)已經(jīng)配置好的能耗模 式、訓(xùn)練參數(shù)、訓(xùn)練數(shù)據(jù)提取時間范圍，利用BP神經(jīng)網(wǎng)絡(luò)算法對選擇的基礎(chǔ)網(wǎng)絡(luò)模型進行 選取訓(xùn)練；
[0023] (B4)預(yù)測訓(xùn)練模型的保存，將訓(xùn)練前、訓(xùn)練后的相關(guān)數(shù)據(jù)進行保存，相關(guān)數(shù)據(jù)包括 基礎(chǔ)網(wǎng)絡(luò)模型ID、訓(xùn)練時間、訓(xùn)練數(shù)據(jù)提取開始時間、訓(xùn)練數(shù)據(jù)提取結(jié)束時間、權(quán)重修正系 數(shù)、學(xué)習(xí)速率、歸一化最大值、歸一化最小值、訓(xùn)練代數(shù)、輸入層到隱含層的權(quán)重信息，隱含 層到輸出層的權(quán)重信息。
[0024] 前述的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，其特征在于：步驟（C)，進 行建筑能耗數(shù)據(jù)預(yù)測，包括以下過程，
[0025] (C1)預(yù)測訓(xùn)練模型選擇，對步驟⑶已經(jīng)訓(xùn)練好的預(yù)測訓(xùn)練模型選擇，并對需要 進行預(yù)測的時間段進行設(shè)置；
[0026] (C2)建筑能耗預(yù)測，根據(jù)選擇的預(yù)測訓(xùn)練模型，利用BP神經(jīng)網(wǎng)絡(luò)算法進行能耗預(yù) 測；
[0027] (C3)預(yù)測結(jié)果保存，對建筑能耗預(yù)測出的數(shù)據(jù)進行保存，便于數(shù)據(jù)展示與追蹤，包 括選擇的訓(xùn)練模型ID，預(yù)測時間，預(yù)測能耗值。
[0028] 本發(fā)明的有益效果是：本發(fā)明的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法， 將復(fù)雜的建筑能耗預(yù)測相關(guān)影響因素、參數(shù)、算法與建筑能耗實際預(yù)測功能進行解耦分離， 實現(xiàn)任意預(yù)測模型的可配置化創(chuàng)建，降低了建筑能耗預(yù)測系統(tǒng)的開發(fā)和維護成本，使得大 規(guī)模建筑的能耗預(yù)測系統(tǒng)易于實現(xiàn)，具有良好的應(yīng)用前景。
【附圖說明】
[0029] 圖1是本發(fā)明的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法的流程圖。
[0030] 圖2是本發(fā)明的形成預(yù)測訓(xùn)練模型的流程圖。
[0031] 圖3是本發(fā)明的進行建筑能耗數(shù)據(jù)預(yù)測的流程圖。
【具體實施方式】
[0032] 下面將結(jié)合說明書附圖，對本發(fā)明作進一步說明。以下實施例僅用于更加清楚地 說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護范圍。
[0033] 本發(fā)明的面向建筑能耗預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型配置方法，將復(fù)雜的建筑能耗預(yù) 測相關(guān)影響因素、參數(shù)、算法與建筑能耗實際預(yù)測功能進行解耦分離，實現(xiàn)任意預(yù)測模型的 可配置化創(chuàng)建，降低了建筑能耗預(yù)測系統(tǒng)的開發(fā)和維護成本，使得大規(guī)模建筑的能耗預(yù)測 系統(tǒng)易于實現(xiàn)，如圖1所示，包括以下步驟，
[0034] 步驟（A)，創(chuàng)建可配置化的BP神經(jīng)網(wǎng)絡(luò)模型，包括建立輸入配置、輸出配置、網(wǎng)絡(luò) 結(jié)構(gòu)配置，并進行模型校驗、基礎(chǔ)網(wǎng)絡(luò)模型保存，創(chuàng)建過程如下，
[0035] (A1)對能耗預(yù)測的影響因素進行抽象，定義BP神經(jīng)網(wǎng)絡(luò)模型的輸入存儲方式、解 析方式和數(shù)據(jù)加載方式；
[0036] (A2)定義BP神經(jīng)網(wǎng)絡(luò)模型輸出的存儲方式、解析方式和數(shù)據(jù)加載方式；
[0037] (A3)進行BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選；
[0038] (A4)建立輸入配置，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選全范圍的輸入因素實現(xiàn)任 意輸入因素選擇、任意輸入數(shù)目選擇，同時，對每個輸入因素所涉及到的相關(guān)數(shù)據(jù)提取涉及 到的參數(shù)進行設(shè)置；
[0039] (A5)建立輸出配置，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的范圍篩選全范圍的輸出因素實現(xiàn)任 意輸出因素選擇、任意輸出數(shù)目選擇，同時，對每個輸出因素所涉及到的相關(guān)數(shù)據(jù)提取涉及 到的參數(shù)進行設(shè)置；
[0040] (A6)建立網(wǎng)絡(luò)結(jié)構(gòu)配置，包括對輸入層的神經(jīng)元個數(shù)、隱含層神經(jīng)元個數(shù)、輸出層 神經(jīng)元個數(shù)、訓(xùn)練周期、預(yù)測周期的配置；
[0041] (A7)進行模型校驗，對已經(jīng)配置好的BP神經(jīng)網(wǎng)絡(luò)模型進行校驗，包括輸入輸出配 置與網(wǎng)絡(luò)結(jié)構(gòu)的匹配校驗，輸入輸出數(shù)據(jù)提取參數(shù)配置校驗；
[0042] (A8)進行基礎(chǔ)網(wǎng)絡(luò)模型保存，包括保存網(wǎng)絡(luò)結(jié)構(gòu)配置信息、輸入配置信息、輸入配 置信息；
[0043] 步驟（B)，訓(xùn)練嵌入能耗模式的BP神經(jīng)網(wǎng)絡(luò)模型，形成預(yù)測訓(xùn)練模型，包括預(yù)測訓(xùn) 練模型選擇、預(yù)測輸入數(shù)據(jù)時間設(shè)置、建筑能耗預(yù)測、預(yù)測結(jié)果保存，形成過程如下，
[0044] (B1)能耗模式配置是根據(jù)節(jié)假日、是否上班情況的能耗模型對訓(xùn)練數(shù)據(jù)進行過濾 提取訓(xùn)練，保證預(yù)測BP神經(jīng)網(wǎng)絡(luò)模型的準確性；訓(xùn)練參數(shù)設(shè)置，包括權(quán)重修正系數(shù)、學(xué)習(xí)速 率、訓(xùn)練代數(shù)的設(shè)置；訓(xùn)練數(shù)據(jù)提取時間設(shè)置，對訓(xùn)練數(shù)據(jù)提取的開始時間和結(jié)束時間進行 設(shè)置，進行實際訓(xùn)練時，則該時間范圍根據(jù)選擇的BP神經(jīng)網(wǎng)絡(luò)模型所配置好的輸入、輸出 進行相應(yīng)的數(shù)據(jù)提??；
[0045] (B2)基礎(chǔ)網(wǎng)絡(luò)模型選擇，選擇是對步驟（A)中已經(jīng)保存好的BP神經(jīng)網(wǎng)絡(luò)模型進行 選擇；
[0046] (B3)對選擇的基礎(chǔ)網(wǎng)絡(luò)模型訓(xùn)練，形成預(yù)測訓(xùn)練模型，根據(jù)已經(jīng)配置好的能耗模 式、訓(xùn)練參數(shù)、訓(xùn)練數(shù)據(jù)提取時間范圍，利用BP神經(jīng)網(wǎng)絡(luò)算法對選擇的基礎(chǔ)網(wǎng)絡(luò)模型進行 選取訓(xùn)練；
[0047] 步驟（C)，進行建筑能耗數(shù)據(jù)預(yù)測，包括預(yù)測訓(xùn)練模型選擇、預(yù)測輸入數(shù)據(jù)時間設(shè) 置、建筑能耗預(yù)測、預(yù)測結(jié)果保存，預(yù)測過程如下，
[0048] (C1)預(yù)測訓(xùn)練模型選擇，對步驟⑶已經(jīng)訓(xùn)練好的預(yù)測訓(xùn)練模型選擇，并對需要 進行預(yù)測的時間段進行設(shè)置；
[0049] (C2)建筑能耗預(yù)測，根據(jù)選擇的預(yù)測訓(xùn)練模型，利用BP神經(jīng)網(wǎng)絡(luò)算法進行能耗預(yù) 測；
[0050] (C3)預(yù)測結(jié)果保存，對建筑能耗預(yù)測出的數(shù)據(jù)進行保存，便于數(shù)據(jù)追蹤，包括選擇 的訓(xùn)練模型ID，預(yù)測時間，預(yù)測能耗值。
[0051] 上述的步驟（A)-步驟（C)，建立的BP神經(jīng)網(wǎng)絡(luò)模型、形成預(yù)測訓(xùn)練模型，選擇預(yù)測 訓(xùn)練模型，執(zhí)行時具有先后順序關(guān)系，模型之間的調(diào)用關(guān)系是一對多的關(guān)系，即一個BP神 經(jīng)網(wǎng)絡(luò)模型可對應(yīng)多個預(yù)測訓(xùn)練模型，一個預(yù)測訓(xùn)練模型可進行多個數(shù)據(jù)的預(yù)測。
[0052] 如圖2所示，步驟（B)訓(xùn)練嵌入能耗模式的BP神經(jīng)網(wǎng)絡(luò)模型，形成預(yù)測訓(xùn)練模型 的流程圖，對基礎(chǔ)網(wǎng)絡(luò)模型進行解析，根據(jù)解析后的輸入輸出因素結(jié)合訓(xùn)練數(shù)據(jù)提取時間 進行數(shù)據(jù)提取，然后依次進行數(shù)據(jù)預(yù)處理、輸出數(shù)據(jù)歸一化、能耗模式過濾、BP神經(jīng)網(wǎng)絡(luò)訓(xùn) 練、訓(xùn)練模型保存等