一种基于时间序列和神经网络的建筑节假日能耗预测方法
【专利摘要】本发明提出一种基于时间序列和神经网络的建筑节假日能耗预测的方法。本发明的实质是，先利用时间序列对建筑物能耗进行拟合预测，然后求取节假日的预测误差，利用节假日的能耗影响因素和求解出的预测误差进行神经网络模拟，计算节假日能耗的修正值，最后对节假日的能耗预测结果进行修正，从而实现对建筑节假日的能耗预测，这在很大程度上提高了预测精度。
【专利说明】一种基于时间序列和神经网络的建筑节假日能耗预测方法
【技术领域】
[0001] 本发明涉及一种建筑能耗的预测方法，属于建筑能耗预测领域，具体说涉及一种 基于时间序列和神经网络的建筑节假日能耗预测方法。
【背景技术】
[0002] 随着我国经济的发展，办公建筑和大型公共建筑高耗能的问题日益突出，做好其 节能管理工作，对实现"十二五"建筑节能规划目标具有重要的意义。建筑节能是当今城 市建设和社会发展的前沿和研究热点，对建筑的能耗现状进行综合分析和评估是建筑节能 的前提和基础，而建立一种较为简单同时又能比较准确预测建筑物能耗的模型显得格外重 要。
[0003] 目前，国内好多学者都对建筑能耗的预测方法进行了研究和探讨。例如，文献"基 于BP神经网络的建筑物用电能耗预测"中，作者采用LM算法，构造了基于BP神经网络的建 筑物用电量预测模型，对神经网络应用于建筑物用电能耗预测进行了初步探讨。文献"基于 多规则实时学习组合型BP神经网络的城市建筑能耗预测模型"中，作者考虑到了建筑用电 量的周期变化，构造网络结构时加入了月份周期变量和月份序列变量，对建筑能耗的预测 精度有了进一步的提高。文献"时间序列方法及其在实际办公楼能耗预测中的应用"中，作 者建立了基于时间序列分析方法的建筑能耗预测模型，对某办公建筑的逐月能耗进行了预 测。以上各种方法通过对具体建筑物的能耗进行模拟、预测，结果显示应用于正常日的能耗 预测具有一定的可行性，且预测误差均在允许范围内，但是由于考虑的建筑能耗影响因素 的不全，没有考虑节假日的影响，使得节假日时的能耗预测结果不是很理想。因此，本发明 提出一种基于时间序列和神经网络的建筑节假日能耗预测方法。
【发明内容】
[0004] 针对现有建筑物能耗预测方法的不足，本发明提出一种基于时间序列和神经网络 的建筑节假日能耗预测的新方法。本发明的实质是，先利用时间序列对建筑物能耗进行拟 合预测，然后求取节假日的预测误差，利用节假日的能耗影响因素和求解出的预测误差进 行神经网络模拟，计算节假日能耗的修正值，最后对节假日的能耗预测结果进行修正，从而 实现对建筑节假日的能耗预测，并提高其预测精度。
[0005] 本发明为了实现节假日建筑能耗的精确预测，提出一种基于时间序列和神经网络 的建筑节假日能耗预测的新方法，主要包含以下步骤：
[0006] -种基于时间序列和神经网络的用于预测建筑在节假日情况下能耗的方法，主要 包括以下步骤：
[0007] 第一步，收集该建筑的能耗数据，并对数据进行差分运算，使其变为平稳的时间序 列Y ;
[0008] 第二步，利用第一步得到的建筑能耗数据的平稳序列Y，采用自回归移动平均模型 对其进行建模，基本表达式为：
[0009] Ff - ---·. ~ φΑ-η = St ~ hi-..·· ~ hm (公式 I)
[0010] 其中{^ = 1，2,3，一?，1_1，一，1_11为￥在卜1，一卜11时刻的值，￡是均值 为零，方差为〇 ε2的平稳白噪声，ε t, ε t_i, ···，ε ^为ε在t, t-1, "·1：-ηι时刻的值，式中 釣(/:1Α···?)为自回归系数，Θ」(j = 1，2，···，πι)为滑动平均系数；
[0011] 利用该模型，根据建筑能耗平稳时序Y在t时刻及以前时刻的取值，对未来t+Ι时 刻的建筑能耗做出预测；
[0012] 第三步，计算节假日的情况下，建筑能耗的预测误差Λ y，其中41，= ^-IUlh Υ? 为t+i时刻的真实能耗值，Ml丨为利用第二步中的模型预测出的t+i时刻的建筑能耗估计 值；
[0013] 第四步，建立用于预测在节假日的情况下，建筑能耗预测误差Ay的神经网络模 型，其中包括确定神经网络模型的输入变量个数，神经网络模型的输出变量个数，神经网络 模型的隐含层元素个数，并对神经网络模型初始化及进行网络训练，然后，利用神经网络模 型，得到节假日情况下，建筑能耗的预测误差Ay ;
[0014] 第五步，计算节假日情况下建筑的能耗预测值，其计算公式为：Γ = f+Af
[0015] 其中，f为利用第二步中的模型得到的能耗预测值，八7为节假日的能耗预测误 差，疒即为修正后的节假日能耗预测值。
【专利附图】
【附图说明】
[0016] 图1为本发明中节假日的建筑物能耗预测流程图。
[0017] 图2为本发明中计算节假日能耗修正值的BP神经网络结构图。
【具体实施方式】
[0018] 下面结合具体实例，参照图1对本发明方法的【具体实施方式】进行详细的说明。
[0019] 步骤一：收集数据并进行数据预处理
[0020] 该实施例为深圳市某一办公建筑，收集该建筑的日耗电量数据（要求时间至少为 2年），以及该段时间内的节假日信息、日平均温度、湿度的数据，并对日耗电量时间序列进 行平稳性检验。如果时间序列不平稳，则通过差分运算对样本序列进行调整，消除其趋势 性和季节性，使得变化后的序列是平稳序列。设原始日耗电量时间数据序列为{x t}(t = 1，2, "·，Ν)，一般地，对周期为s的建筑的日耗电量的不平稳时间序列，可进行差分运算后 变为平稳的时间序列{Yt} (t = 1，2,…，Ν)，简记为Υ，其中差分运算为：
[0021] Yt = Xt-Xt_s
[0022] Xt为数据序列{Xt} (t = 1，2, "·，Ν)在t时刻的值，Xt_s为数据序列{Xt} (t = 1，2, "·，Ν)在t-s时刻的取值。
[0023] 步骤二：对步骤一得到的平稳日耗电量时间序列{Yt} (t = 1，2,…，吣进行回归分 析，建立ARMA (n，m)模型，具体包括：
[0024] (1)模型的建立
[0025] 对得到的平稳日耗电量时间序列{Yt} (t = 1，2, ···，N)进行回归分析，建立ARMA模 型：八-" = A -沒A 1-----θη!ε, .
[0026] 其中{Yt}，t = 1，2, 3,…Ν，Υη，…，Yt_n 为 t-1，...t-n 时刻平稳序列 Y 的
[0027] 值，ε为零均值，方差为σ ε2的平稳白噪声，ε ^，…，ε t_m为ε在t-Ι,…!:-!!!时 刻的值。式中釣(/ = 1三…《)为自回归系数，θ」〇_ = 1，2，···，πι)为滑动平均系数。
[0028] (2)模型参数的估计
[0029] a.本发明采用长自回归模型法实现对模型参数的初估计，步骤如下：
[0030] ①对平稳时间序列{Yt} (t = 1，2,…，N)拟合出长自回归模型AR(p)，
[0031] Z = Φ Xff,
[0032] 其中，Z为平稳时序Y在某一时刻的值，W为平稳时序Y在该时刻之前的其它时刻 的取值矩阵，Φ为其参数矩阵。
[0033] 然后采用最小二乘法估计其参数矩阵φ，估计值记做^，即 I = (FrJry1IfrZ，4为参数矩阵I中的元素，当i增加到某数值p时，4+1，4.2……均 趋于〇,则认为长自回归模型中自回归部分的阶数为P。于是得到长自回归模型AR(P)的逆 函数系数Ji =爲，（i = U,.··,P):和模型阶次P。
[0034] ②取η为ARMA(n，m)模型AR部分的阶数，m为MA部分的阶数。令m = 1开始搜 索。
[0035] ③因n+m = P，则n = p-m。解线性方程组，得Θ」(j = 1，2,…，m)。
【权利要求】
1. 一种基于时间序列和神经网络的用于预测建筑在节假日情况下能耗的方法，主要包 括以下步骤： 第一步，收集该建筑的能耗数据，并对数据进行差分运算，使其变为平稳的时间序列Y； 第二步，利用建筑能耗数据平稳的时间序列Y，采用自回归移动平均模型ARMA(n，m)对 其进行建模，基本表达式为： Y丨-iPlKI-----ΨηΚπ =ε,^^?ε,ih,(公式I) 其中{Yt，t=l，2,3,…H，…，Yt_n为Y在t-1，"·?-η时刻的值，ε是均值为零，方差 为σε2的平稳白噪声，et，ε^···，￡^为ε在t，t-l，?t_m时刻的值，式中= 为自回归系数，Θ」(j= 1，2,…，m)为滑动平均系数； 利用该模型，根据建筑能耗平稳时序Y在t时刻及以前时刻的取值，对未来t+Ι时刻的 建筑能耗做出预测； 第三步，计算节假日的情况下，建筑能耗的预测误差Λy，其中· =Fttl-：!丨ClhY?为 t+1时刻的真实能耗值，为利用第二步中的模型预测出的t+1时刻的建筑能耗估计值； 第四步，建立用于预测在节假日的情况下，建筑能耗预测误差Λy的神经网络模型，其 中包括确定神经网络模型的输入变量个数，神经网络模型的输出变量个数，神经网络模型 的隐含层元素个数，并对神经网络模型初始化及进行网络训练，然后，利用神经网络模型， 得到节假日情况下，建筑能耗的预测误差Λy; 第五步，计算节假日情况下建筑的能耗预测值，其计算公式为：F=f+ 其中，f为 利用第二步中的模型得到的能耗预测值，Λy为利用第四步中的神经网络模型得到的节假 日的能耗预测误差，r即为修正后的节假日能耗预测值。
2. 如权利要求1所述的方法，在第二步中，采用长自回归模型法对公式1的模型参数进 行初估计，然后，采用非线性最小二乘法实现公式1的模型参数的精估计。
3. 如权利要求1所述的方法，其中在第一步中，设收集的建筑的能耗数据为IxJ(t= 1，2,…，N)，且其周期为s，则差分运算为： F=ViXf=H 其中，Y是经过差分后的平稳的时间序列，^为S阶差分算子，Xt为数据序列在t时刻 的值，Xh为数据序列在t-S时刻的取值。
4. 如权利要求2所述的方法，其中在进行初估计时， 步骤一，对平稳时间序列Y拟合出长自回归模型AR(p)， Z=ΦXff, 其中，Z为平稳时间序列Y在某一时刻的值，W为平稳时间序列Y在该时刻之前的其它 时刻的取值矩阵，Φ为其参数矩阵； 然后采用最小二乘法估计其参数矩阵Φ，估计值记做# 5即#二⑶/7+?+Τ4为参 数矩阵纟中的元素，当i增加到某数值P时，All; 2……均趋于〇,则认为长自回归模型 中自回归部分的阶数为p，于是得到模型参数（即逆函数）/,=Isα=ι，2，···，Ρ)和模型 阶次P; 步骤二，取η为ARMA(n,m)模型AR部分的阶数，m为MA部分的阶数；令m= 1开始搜 索； 步骤三，因n+m=P，则n=p-m，解下列线性方程组，得Θ』(j= 1，2,…，m):
步骤四，检查Iθπ|是否趋近于0,若否，则令m =m+l，返回步骤三循环；如果趋于0,则 确定前一次循环的Θj(j= 1，2, "'m)为滑动平均参数，且MA部分的阶次为m=m-Ι，再令 n=p-m执行下一步； 步骤五，解下列线性方程组，得供
步骤六，检查錢的最后几个值是否小于1〇_6,如果是，则省去后面的與值，保留剩下的與 为自回归参数，确定AR部分的阶次η等于剩余的ft值的个数，此时n〈p-m;若不小于，则不 必略去,此时n=p-m,釣（i= 1，2, ...,η)为自回归参数。
5.如权利要求1所述的方法，其中在第二步中， 对于ARMA(n，m)模型，根据其逆转形式6 ;+得到1步预报公式为： m=±F：s%^ j=^ 其中，Yt+1-j为平稳序列Y在t+1-j时刻取值，系数Fj(1)可以由逆函数{Fj，j= 1，2，?} 决定，计算公式如下： = -1 逆函数计算公式"F=之0厂a+供yΘ和-分别为ARMA模型中的系数 (F1J = I 系数F/1)的计算公式：=jF "+父^尸(/ "，,爹里 I?=ι - 〇
【文档编号】G06Q10/04GK104239982SQ201410535675
【公开日】2014年12月24日 申请日期:2014年10月12日 优先权日:2014年10月12日
【发明者】牛丽仙, 吴忠宏, 刘岩 申请人:刘岩