本發(fā)明涉及一種建筑能耗的預(yù)測(cè)方法，屬于建筑能耗預(yù)測(cè)技術(shù)領(lǐng)域，具體說涉及一種基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法、實(shí)施這樣的方法的系統(tǒng)，以及裝備了這樣的系統(tǒng)的建筑物。

背景技術(shù)：

隨著城市化進(jìn)程的不斷加速，能源問題日益突出。建筑能耗在社會(huì)總能耗中所占比例從上個(gè)世紀(jì)七十年代末的10％上升到28％。國(guó)家辦公機(jī)關(guān)建筑和各類公共建筑年能耗電量約占全國(guó)城鎮(zhèn)總能耗的22％。單位面積耗電量是普通居民住宅的10～20倍，是歐洲、日本等發(fā)達(dá)國(guó)家同類建筑的1.5～2倍。大型公共建筑的用電量超過社會(huì)建筑總用電量的30％，是建筑節(jié)能監(jiān)管和改造的主要對(duì)象。因此，對(duì)大型公共建筑的能耗的預(yù)測(cè)顯得尤為重要，這樣可以為大型公共建筑的用電額度提供科學(xué)的依據(jù)。

建筑用能巨大，尤其是在大型商場(chǎng)，實(shí)驗(yàn)室，寫字樓等。目前對(duì)于建筑內(nèi)能源供應(yīng)設(shè)備的能耗數(shù)據(jù)分項(xiàng)采集是了解建筑能耗大小，尋找能耗浪費(fèi)點(diǎn)前提。而隨著國(guó)家節(jié)能減排政策的落實(shí)，各地區(qū)對(duì)很多建筑的能耗數(shù)據(jù)進(jìn)行了采集，但主要為實(shí)現(xiàn)能耗的分項(xiàng)計(jì)量和分項(xiàng)能耗數(shù)據(jù)的統(tǒng)計(jì)展示。同時(shí)，目前的數(shù)據(jù)采集方法多集中在對(duì)能耗數(shù)據(jù)本身進(jìn)行采集，對(duì)能耗影響因素?cái)?shù)據(jù)采集較少。此外，這些能耗數(shù)據(jù)采集設(shè)備多為定時(shí)對(duì)設(shè)備各項(xiàng)數(shù)據(jù)進(jìn)行測(cè)量，讀取，并沒有注重某些設(shè)備從一個(gè)狀態(tài)過度到另一個(gè)狀態(tài)消耗的時(shí)間以及能耗。而了解可這些信息，才能對(duì)不同設(shè)備的開啟時(shí)間，開啟狀態(tài)順序進(jìn)行規(guī)劃，尋找最優(yōu)調(diào)度方案。

技術(shù)實(shí)現(xiàn)要素：

本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡(jiǎn)要介紹一些較佳實(shí)施例。在本部分以及本申請(qǐng)的說明書摘要和發(fā)明名稱中可能會(huì)做些簡(jiǎn)化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡(jiǎn)化或省略不能用于限制本發(fā)明的范圍。

鑒于上述和/或現(xiàn)有基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法、基于該方法建立的系統(tǒng)及使用該系統(tǒng)的建筑物中存在的問題，提出了本發(fā)明。

因此，本發(fā)明其中的一個(gè)目的是提供一種基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法，其包括，采集建筑的能耗以及溫度的數(shù)據(jù)并存儲(chǔ)；將采集存儲(chǔ)的能耗和溫度數(shù)據(jù)作為時(shí)間序列分析方法的輸入?yún)?shù)；根據(jù)分項(xiàng)計(jì)量和相關(guān)性分析，將時(shí)間序列分析方法預(yù)測(cè)出能耗和溫度趨勢(shì)以及時(shí)間因子作為建筑能耗的主要影響因素；將確立好的主要影響因數(shù)和采集的能耗作為建立好的bp神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)，來預(yù)測(cè)出未來建筑的能耗。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述采集建筑的能耗及溫度的數(shù)據(jù)并存儲(chǔ)，其是通過能耗數(shù)據(jù)采集系統(tǒng)進(jìn)行，所述能耗數(shù)據(jù)采集系統(tǒng)包括，計(jì)量層，包括能耗計(jì)量采集設(shè)備和溫度監(jiān)測(cè)設(shè)備，所述能耗計(jì)量采集設(shè)備對(duì)建筑的照明用電、動(dòng)力用電、空調(diào)用電和特殊用電的能耗進(jìn)行采集，所述溫度監(jiān)測(cè)設(shè)備對(duì)空間溫度進(jìn)行采集；通信層，建立計(jì)量層和管理層之間的通信聯(lián)系；以及，管理層，發(fā)出數(shù)據(jù)采集指令并對(duì)采集的相應(yīng)能耗和溫度數(shù)據(jù)進(jìn)行存儲(chǔ)；其中，所述管理層發(fā)出數(shù)據(jù)采集指令，經(jīng)所述通信層的通信協(xié)議轉(zhuǎn)換后，傳至所述計(jì)量層的能耗計(jì)量采集設(shè)備和溫度監(jiān)測(cè)設(shè)備，所述能耗計(jì)量采集設(shè)備和溫度監(jiān)測(cè)設(shè)備接收指令經(jīng)校驗(yàn)后進(jìn)行響應(yīng)，將相應(yīng)的能耗和溫度數(shù)據(jù)反饋至所述管理層，經(jīng)過處理分項(xiàng)存儲(chǔ)至數(shù)據(jù)庫。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述將采集存儲(chǔ)的能耗和溫度數(shù)據(jù)作為時(shí)間序列分析方法的輸入?yún)?shù)，其中，所述時(shí)間序列是計(jì)算所述能耗和溫度數(shù)據(jù)的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：

所述自相關(guān)系數(shù)，其定義：

因?yàn)閷?duì)于一個(gè)平穩(wěn)過程有：

所以

當(dāng)k＝0時(shí)，有ρ0＝1，以滯后期k為變量的自相關(guān)系數(shù)列ρkk＝0,1,2,...稱為自相關(guān)函數(shù)。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述偏自相關(guān)函數(shù)用以描述隨機(jī)過程結(jié)構(gòu)特征，其中，

用φkj表示k階自回歸過程中第j個(gè)回歸系數(shù)，則k階自回歸模型表示為：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一個(gè)回歸系數(shù)；

若把φkk看作是滯后期k的函數(shù)，則稱φkk，k＝1,2,...為偏自相關(guān)函數(shù)；

設(shè)時(shí)間序列{yt}，取移動(dòng)平均的項(xiàng)數(shù)為n，則第t+1期預(yù)測(cè)值的計(jì)算公式

為：

上式中yt表示第t期實(shí)際值；表示第t期一次移動(dòng)平均數(shù)；yt+1表示t+1期預(yù)測(cè)值(t≥n)。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡(luò)模型，其中，

根據(jù)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理特點(diǎn)，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，采用premnmx函數(shù)把訓(xùn)練樣本歸一化在[0，1]之間，方法如下：

其中，x、x′是歸一化前、后的值，xmax是樣本中最大值，xmin是樣本中最小值。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡(luò)模型，其建立過程包括，

網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練、仿真、預(yù)測(cè)、反歸一化處理；其中，

所述網(wǎng)絡(luò)的創(chuàng)建，其類型選擇“feed-forwardbackprop”；

所述訓(xùn)練函數(shù)采用trainlm；

將網(wǎng)絡(luò)輸出結(jié)果經(jīng)反歸一化處理后，即可得到預(yù)測(cè)能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對(duì)預(yù)測(cè)的能耗數(shù)據(jù)進(jìn)行反歸一化處理。

作為本發(fā)明所述的基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述bp神經(jīng)網(wǎng)絡(luò)模型，包括3個(gè)輸入神經(jīng)元、9個(gè)隱含神經(jīng)元和4個(gè)輸出神經(jīng)元的網(wǎng)絡(luò)；網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin。

本發(fā)明的另一個(gè)目的是提供一種利用基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法建立的系統(tǒng)。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)系統(tǒng)，其中，該預(yù)測(cè)系統(tǒng)包括控制單元，該控制單元實(shí)施基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法。

本發(fā)明的再一個(gè)目的是提供一種建筑物，其包括實(shí)施基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法的預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)系統(tǒng)。

本發(fā)明的有益效果：本發(fā)明提供的一種基于分項(xiàng)計(jì)量時(shí)間序列建筑能耗預(yù)測(cè)方法，由于bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率低，收斂速度慢，對(duì)參數(shù)選擇較為敏感，在bp神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入分項(xiàng)計(jì)量和時(shí)間序列的建筑能耗預(yù)測(cè)算法，可以大大提高了能耗預(yù)測(cè)的精確度，縮短了預(yù)測(cè)的時(shí)間，使得預(yù)測(cè)出的數(shù)據(jù)更加準(zhǔn)確。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。其中：

圖1為本發(fā)明所述能耗數(shù)據(jù)采集監(jiān)測(cè)平臺(tái)系統(tǒng)示意圖；

圖2為本發(fā)明能耗數(shù)據(jù)采集預(yù)測(cè)流程示意圖；

圖3為本發(fā)明平穩(wěn)時(shí)間序列模型流程示意圖；

圖4為本發(fā)明在一個(gè)實(shí)施方式中為南京某大廈建立的能耗預(yù)測(cè)bp神經(jīng)網(wǎng)絡(luò)模型示意圖；

圖5為本發(fā)明圖4所述能耗預(yù)測(cè)bp神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果示意圖；

圖6為本發(fā)明圖4所示實(shí)施方式中南京某大廈照明能耗預(yù)測(cè)結(jié)果示意圖；

圖7為本發(fā)明圖4所示實(shí)施方式中南京某大廈空調(diào)能耗預(yù)測(cè)結(jié)果示意圖；

圖8為本發(fā)明圖4所示實(shí)施方式中南京某大廈動(dòng)力能耗預(yù)測(cè)結(jié)果示意圖；

圖9為本發(fā)明圖4所示實(shí)施方式中南京某大廈特殊能耗預(yù)測(cè)結(jié)果示意圖；

圖10為本發(fā)明圖4所示實(shí)施方式中南京某大廈四大項(xiàng)能耗預(yù)測(cè)的絕對(duì)誤差示意圖；

圖11為本發(fā)明圖4所示實(shí)施方式中南京某大廈四大項(xiàng)能耗預(yù)測(cè)的相對(duì)誤差示意圖；

圖12為本發(fā)明圖4所示實(shí)施方式中南京某大廈能耗預(yù)測(cè)的平均絕對(duì)誤差示意圖；

圖13為本發(fā)明圖4所示實(shí)施方式中南京某大廈能耗預(yù)測(cè)的均方根誤差示意圖。

具體實(shí)施方式

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合說明書附圖對(duì)本發(fā)明的具體實(shí)施方式做詳細(xì)的說明。

在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實(shí)施例的限制。

其次，此處所稱的“一個(gè)實(shí)施例”或“實(shí)施例”是指可包含于本發(fā)明至少一個(gè)實(shí)現(xiàn)方式中的特定特征、結(jié)構(gòu)或特性。在本說明書中不同地方出現(xiàn)的“在一個(gè)實(shí)施例中”并非均指同一個(gè)實(shí)施例，也不是單獨(dú)的或選擇性的與其他實(shí)施例互相排斥的實(shí)施例。

步驟一：如圖1所示，為獲取預(yù)測(cè)數(shù)據(jù)樣本，需建立能耗監(jiān)測(cè)平臺(tái)，能耗數(shù)據(jù)采集系統(tǒng)采用3層架構(gòu)設(shè)計(jì)。

能耗數(shù)據(jù)采集系統(tǒng)分為現(xiàn)場(chǎng)計(jì)量層100、網(wǎng)絡(luò)通信層200以及管理層300。

管理層300計(jì)算機(jī)發(fā)出數(shù)據(jù)采集指令，經(jīng)網(wǎng)絡(luò)通信層200協(xié)議轉(zhuǎn)換后，傳至現(xiàn)場(chǎng)計(jì)量層100各能耗計(jì)量采集設(shè)備101和溫度監(jiān)測(cè)設(shè)備102。

能耗計(jì)量采集設(shè)備101溫度監(jiān)測(cè)設(shè)備102接收指令經(jīng)校驗(yàn)后進(jìn)行響應(yīng)，將相應(yīng)的能耗和溫度數(shù)據(jù)反饋至管理層300計(jì)算機(jī)，經(jīng)過處理分項(xiàng)存儲(chǔ)至數(shù)據(jù)庫。

預(yù)測(cè)模型通過調(diào)用數(shù)據(jù)庫即可獲得訓(xùn)練樣本。

步驟二：如圖2所示，能耗監(jiān)測(cè)平臺(tái)分別采集建筑的照明用電、動(dòng)力用電、空調(diào)用電、特殊用電以及溫度的數(shù)據(jù)并存儲(chǔ)。

將能耗監(jiān)測(cè)平臺(tái)采集存儲(chǔ)的照明用電和溫度數(shù)據(jù)作為時(shí)間序列分析方法的輸入?yún)?shù)來預(yù)測(cè)出未來照明用電能耗和未來溫度趨勢(shì)。

根據(jù)分項(xiàng)計(jì)量和相關(guān)性分析，將時(shí)間序列分析方法預(yù)測(cè)出照明用電能耗和溫度趨勢(shì)以及時(shí)間因子作為建筑能耗的主要影響因素。

將確立好的主要影響因數(shù)和通過能耗監(jiān)測(cè)平臺(tái)分別采集的動(dòng)力用電、空調(diào)用電和特殊用電作為建立好的bp網(wǎng)絡(luò)模型中的參數(shù)，來預(yù)測(cè)出未來建筑的照明用電、動(dòng)力用電、空調(diào)用電、特殊用電這四大項(xiàng)能耗。

步驟三：采用時(shí)間序列分析方法來預(yù)測(cè)建筑的照明能耗，在時(shí)間序列分析中，首先是判別時(shí)間序列的穩(wěn)定性。

時(shí)間序列是平穩(wěn)的就可以計(jì)算這些數(shù)據(jù)的自相關(guān)函數(shù)autocorr和偏自相關(guān)函數(shù)parcorr。

自相關(guān)系數(shù)定義：

因?yàn)閷?duì)于一個(gè)平穩(wěn)過程有：

所以

當(dāng)k＝0時(shí)，有ρ0＝1，以滯后期k為變量的自相關(guān)系數(shù)列ρkk＝0,1,2,...稱為自相關(guān)函數(shù)。

偏自相關(guān)函數(shù)是描述隨機(jī)過程結(jié)構(gòu)特征的另一種說法。

用φkj表示k階自回歸過程中第j個(gè)回歸系數(shù)，則k階自回歸模型表示為：xt＝φk1xt-1+φk2xt-2+...+φkkxt-k+ut，其中φkk是最后一個(gè)回歸系數(shù)。

若把φkk看作是滯后期k的函數(shù)，則稱φkk，k＝1,2,...為偏自相關(guān)函數(shù)。

設(shè)時(shí)間序列{yt}，取移動(dòng)平均的項(xiàng)數(shù)為n，則第t+1期預(yù)測(cè)值的計(jì)算公式

為：

上式中yt表示第t期實(shí)際值；表示第t期一次移動(dòng)平均數(shù)；yt+1表示t+1期預(yù)測(cè)值(t≥n)。

如圖3所示，首先進(jìn)行模式識(shí)別，判斷此模型為平穩(wěn)時(shí)間序列模型，進(jìn)一步進(jìn)行參數(shù)估計(jì)，得出自相關(guān)函數(shù)是拖著長(zhǎng)長(zhǎng)的尾巴，數(shù)值逐漸減小，符合拖尾性；而偏自相關(guān)函數(shù)是突然收斂到臨界值水平范圍內(nèi)，數(shù)值突然變很小，符合截尾性，且n＝3，進(jìn)一步的進(jìn)行模型診斷與檢驗(yàn)判斷此時(shí)間序列模型符合自回歸ar(3)模型，此模型可取的情況下進(jìn)行預(yù)測(cè)，如此模型不可取則重新回到模式識(shí)別步驟。

步驟四：主要影響因素和樣本數(shù)據(jù)的處理

根據(jù)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理特點(diǎn)，需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，采用premnmx函數(shù)把訓(xùn)練樣本歸一化在[0，1]之間，方法如下：

其中，x、x′是歸一化前、后的值，xmax是樣本中最大值，xmin是樣本中最小值。

步驟五：將時(shí)間序列模型中預(yù)測(cè)出照明能耗值用于bp網(wǎng)絡(luò)的預(yù)測(cè)。

建立bp神經(jīng)網(wǎng)絡(luò)模型，其過程包括網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練、仿真、預(yù)測(cè)、反歸一化處理等5個(gè)步驟。

1、網(wǎng)絡(luò)的創(chuàng)建

實(shí)施操作中，以南京某大廈為例：網(wǎng)絡(luò)的創(chuàng)建是在matlab人工神經(jīng)網(wǎng)絡(luò)的操作界面上，創(chuàng)建一個(gè)包括3個(gè)輸入神經(jīng)元、9個(gè)隱含神經(jīng)元和4個(gè)輸出神經(jīng)元的網(wǎng)絡(luò)。網(wǎng)絡(luò)類型選擇“feed-forwardbackprop”，訓(xùn)練函數(shù)采用trainlm，該函數(shù)的學(xué)習(xí)算法為反向傳播算法，其優(yōu)點(diǎn)在于收斂速度很快。網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin，創(chuàng)建后的bp神經(jīng)網(wǎng)絡(luò)模型如圖4所示。

2、網(wǎng)絡(luò)的訓(xùn)練

為提高預(yù)測(cè)的準(zhǔn)確性，網(wǎng)絡(luò)需經(jīng)過訓(xùn)練后才可以實(shí)際應(yīng)用于能耗的預(yù)測(cè)。本網(wǎng)絡(luò)采用前250組數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖5所示?？梢钥闯?，網(wǎng)絡(luò)的訓(xùn)練過程收斂得很快，經(jīng)過18步后，網(wǎng)絡(luò)已達(dá)到要求，可用于預(yù)測(cè)。

3、網(wǎng)絡(luò)的仿真與預(yù)測(cè)

通過訓(xùn)練可以檢測(cè)訓(xùn)練后的網(wǎng)絡(luò)對(duì)于輸入信號(hào)的逼近效果，因此，訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行仿真。針對(duì)該大廈，其將時(shí)間序列模型預(yù)測(cè)出的7月31號(hào)9組照明能耗，以及31號(hào)這9組照明能耗時(shí)刻所對(duì)應(yīng)的溫度和時(shí)間因子這三個(gè)影響因素用于建立好的bp網(wǎng)絡(luò)模型中，來預(yù)測(cè)出31號(hào)這9組四大項(xiàng)能耗。得到四大項(xiàng)的預(yù)測(cè)結(jié)果如圖6～9所示。通過分析可以知道，圖6由于訓(xùn)練擬合值非常接近期望值，圖中擬合值和期望值基本重疊在一條線上，而圖7～9預(yù)測(cè)效果大都能反映能耗的變化，只是有個(gè)別時(shí)刻的偏差較大，總的來說，整個(gè)模型預(yù)測(cè)效果還是很理想的。

利用樣本數(shù)據(jù)來預(yù)測(cè)這一天的9組四大項(xiàng)能耗，能耗預(yù)測(cè)的輸出結(jié)果如表1所示，表1為網(wǎng)絡(luò)輸出結(jié)果。

表1

4、反歸一化處理

將網(wǎng)絡(luò)輸出結(jié)果經(jīng)反歸一化處理后，即可得到預(yù)測(cè)能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對(duì)預(yù)測(cè)的能耗數(shù)據(jù)進(jìn)行反歸一化處理，得出7月31號(hào)的9組能耗反歸一化處理的結(jié)果如表2所示。表2中前41組為仿真后得到的四大項(xiàng)能耗的預(yù)測(cè)值和實(shí)際值對(duì)比數(shù)據(jù)，以及絕對(duì)誤差值，最后9組為預(yù)測(cè)的7月31號(hào)能耗數(shù)據(jù)。

表2

5、誤差評(píng)價(jià)

為了從整體上評(píng)價(jià)預(yù)測(cè)模型的預(yù)測(cè)精度和穩(wěn)定性，本文采用了絕對(duì)誤差e、相對(duì)誤差re、平均絕對(duì)誤差mae和均方根誤差rmse四個(gè)性能指標(biāo)對(duì)預(yù)測(cè)模型進(jìn)行評(píng)估。

式中n表示樣本數(shù)、i表示預(yù)測(cè)序列、表示第i序列的預(yù)測(cè)值、x(i)表示第i序列的實(shí)際值。

絕對(duì)誤差反映了測(cè)量值偏離真值的大小，相對(duì)誤差更能反映測(cè)量的可信度，平均絕對(duì)誤差更好地反映預(yù)測(cè)值誤差的實(shí)際情況，均方根誤差反映了誤差分布的離散程度，rmse越大，誤差序列越離散，預(yù)測(cè)效果越差。四個(gè)誤差指標(biāo)都是越小，預(yù)測(cè)效果越好。

仿真得到預(yù)測(cè)的絕對(duì)誤差和相對(duì)誤差如圖10和圖11所示，平均絕對(duì)誤差和均方根誤差如圖12和圖13所示。從圖10、11中可以得出：空調(diào)能耗絕對(duì)誤差相對(duì)比較大，預(yù)測(cè)效果沒有其他三項(xiàng)好，其他三項(xiàng)能耗誤差都是在0值上下浮動(dòng)，而圖12、13可以看出誤差有個(gè)別偏差較大，但是總體還是比較理想。仿真得到的平均絕對(duì)誤差最大值為-0.0169，均方根誤差的最大值為8.3176，誤差都比較小，能夠進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)。

從表2可以看出：7月31號(hào)能耗的預(yù)測(cè)結(jié)果還是比較理想的。這是由于時(shí)間序列算法不需要復(fù)雜的影響因子，只需前一時(shí)刻的實(shí)際值，彌補(bǔ)了bp神經(jīng)網(wǎng)絡(luò)算法需要的復(fù)雜的影響因子的缺點(diǎn)，得到了無法測(cè)出的未來的照明能耗值，使得網(wǎng)絡(luò)能夠快速訓(xùn)練，并很快達(dá)到訓(xùn)練目標(biāo)，而分項(xiàng)計(jì)量又能更好地看清每一項(xiàng)能耗的值。由此可見本文提出的分項(xiàng)計(jì)量時(shí)間序列神經(jīng)網(wǎng)絡(luò)算法可以滿足短期預(yù)測(cè)對(duì)實(shí)時(shí)性的要求。短期預(yù)測(cè)不僅要求快速預(yù)測(cè)，而且需要滿足一定的精度，達(dá)到工程應(yīng)用的要求。利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)接下來的電能耗進(jìn)行預(yù)測(cè)，預(yù)測(cè)較為理想?？傮w來看，分項(xiàng)計(jì)量時(shí)間序列神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)精度較高，最大平均絕對(duì)誤差為0.0245，最小平均絕對(duì)誤差0.0001。綜上所述基于分項(xiàng)計(jì)量時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型適用于建筑能耗短期預(yù)測(cè)。

網(wǎng)絡(luò)類型選擇“feed-forwardbackprop”，訓(xùn)練函數(shù)采用trainlm，該函數(shù)的學(xué)習(xí)算法為反向傳播算法，其優(yōu)點(diǎn)在于收斂速度很快。

網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)采用是tansig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用是線性函數(shù)purelin。

將網(wǎng)絡(luò)輸出結(jié)果經(jīng)反歸一化處理后，即可得到預(yù)測(cè)能耗的數(shù)據(jù)；

采用mapminmax函數(shù)對(duì)預(yù)測(cè)的能耗數(shù)據(jù)進(jìn)行反歸一化處理。

由于時(shí)間序列算法不需要復(fù)雜的影響因子，只需前一時(shí)刻的實(shí)際值，彌補(bǔ)了bp神經(jīng)網(wǎng)絡(luò)算法需要的復(fù)雜的影響因子的缺點(diǎn)，得到了無法測(cè)出的未來的照明能耗值，使得網(wǎng)絡(luò)能夠快速訓(xùn)練，并很快達(dá)到訓(xùn)練目標(biāo)，而分項(xiàng)計(jì)量又能更好地預(yù)測(cè)出每一項(xiàng)能耗的值。

本發(fā)明還涉及一種預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)系統(tǒng)，其包括一個(gè)控制單元，該控制單元實(shí)施如前所述的預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)方法。預(yù)測(cè)建物筑的能量消耗的預(yù)測(cè)系統(tǒng)包括照明和/或動(dòng)力和/或特殊用電和/或供熱和/或空調(diào)設(shè)備以及控制單元，該控制單元能夠根據(jù)所需要的溫度設(shè)定值，通過對(duì)相關(guān)設(shè)備致動(dòng)來調(diào)節(jié)建筑物的內(nèi)部溫度。

本發(fā)明還涉及一種建筑物，其包括預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)系統(tǒng)，所述預(yù)測(cè)系統(tǒng)實(shí)施如上述的預(yù)測(cè)建筑物的能量消耗的預(yù)測(cè)方法。

本發(fā)明還涉及預(yù)測(cè)建筑物的能量需求的預(yù)測(cè)系統(tǒng)，其包括允許實(shí)施前文描述的方法的計(jì)算機(jī)。該系統(tǒng)有利地與建筑物的供熱和空調(diào)設(shè)備相關(guān)聯(lián)，以便基于為達(dá)到居住著希望的舒適度而計(jì)算出的能量消耗來實(shí)施熱調(diào)節(jié)。該系統(tǒng)包括例如控制單元，該控制單元包括實(shí)施前文描述的方法的計(jì)算機(jī)。該方法可以通過存儲(chǔ)在信息載體上的軟件裝置來實(shí)施。

最后，建筑物可以配備實(shí)施前文描述的方法的建筑物的能量消耗預(yù)測(cè)系統(tǒng)，用于調(diào)節(jié)或是更廣義地管理其相關(guān)設(shè)備。

應(yīng)說明的是，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。