CN105205558A - 一种面向建筑能耗预测的bp神经网络模型配置方法 - Google Patents

Abstract

本发明公开了一种面向建筑能耗预测的BP神经网络模型配置方法，包括（A），创建可配置化的BP神经网络模型；（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型；（C），进行建筑能耗数据预测。本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测系统易于实现，具有良好的应用前景。

Description

一种面向建筑能耗预测的BP神经网络模型配置方法

技术领域

本发明涉及一种面向建筑能耗预测的BP神经网络模型配置方法，属于建筑能耗预测技术领域。

背景技术

随着中国人口的急剧增长和人们生活水平的不断提高，我国建筑面积成倍增加，建筑能耗费用也不断增加。据统计，我国建筑能耗约占全社会总能耗的1/3。目前，建筑能耗预测主要是根据历史能耗信息和相关环境信息，为未来建筑的可能用能情况进行预测。建筑能耗预测不仅能够帮助管理人员合理安排系统运行方式，而且还能够利用实际值与预测值的比较，进行建筑能耗异常检测，从而保证用能的安全进行。

近几年，有关建筑能耗预测方法的研究已经出现很多，主要涉及到的方法有BP神经网络算法、支持向量机、时间序列分析方法等。但是，现有的方法多以单一建筑、单一能耗为对象实施进行的，研究结果都最终给出一个较好的实验模型作为最佳预测模型。还有，虽然建筑能耗预测的方法理论研究较多，然而，实际的建筑能耗预测系统却出现空白，主要是由于实际建筑能耗预测时，针对的建筑对象规模较多，能耗类型繁多，对于不同的建筑、不同的分类分项能耗预测模型则不同，理论研究所给出的单一的预测模型很难满足实际复杂多变的预测系统要求，因此，如何建立一种有效的、灵活的、可配置的预测模型配置设计方案来满足实际预测系统复杂多变的需求，是当前急需解决的问题。

发明内容

本发明的目的是为了克服现有的单一预测模型很难满足实际复杂多变的预测系统要求的问题。本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测系统易于实现，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：包括以下步骤，

步骤(A)，创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络结构配置，并进行模型校验、基础网络模型保存；

步骤(B)，训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存；

步骤(C)，进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存。

前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤(A)，创建可配置化的BP神经网络模型，包括以下过程，

(A1)对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解析方式和数据加载方式；

(A2)定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；

(A3)进行BP神经网络模型的范围筛选；

(A4)建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及到的参数进行设置；

(A5)建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及到的参数进行设置；

(A6)建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层神经元个数、训练周期、预测周期的配置；

(A7)进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配置与网络结构的匹配校验，输入输出数据提取参数配置校验；

(A8)进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输入配置信息。

前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤(B)，训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括以下过程，

(B1)能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出进行相应的数据提取；

(B2)基础网络模型选择，选择是对步骤(A)中已经保存好的BP神经网络模型进行选择；

(B3)对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行选取训练；

(B4)预测训练模型的保存，将训练前、训练后的相关数据进行保存，相关数据包括基础网络模型ID、训练时间、训练数据提取开始时间、训练数据提取结束时间、权重修正系数、学习速率、归一化最大值、归一化最小值、训练代数、输入层到隐含层的权重信息，隐含层到输出层的权重信息。

前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤(C)，进行建筑能耗数据预测，包括以下过程，

(C1)预测训练模型选择，对步骤(B)已经训练好的预测训练模型选择,并对需要进行预测的时间段进行设置；

(C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预测；

(C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据展示与追踪，包括选择的训练模型ID，预测时间，预测能耗值。

本发明的有益效果是：本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测系统易于实现，具有良好的应用前景。

附图说明

图1是本发明的面向建筑能耗预测的BP神经网络模型配置方法的流程图。

图2是本发明的形成预测训练模型的流程图。

图3是本发明的进行建筑能耗数据预测的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测系统易于实现，如图1所示，包括以下步骤，

步骤(A)，创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络结构配置，并进行模型校验、基础网络模型保存，创建过程如下，

(A1)对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解析方式和数据加载方式；

(A2)定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；

(A3)进行BP神经网络模型的范围筛选；

(A4)建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及到的参数进行设置；

(A5)建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及到的参数进行设置；

(A6)建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层神经元个数、训练周期、预测周期的配置；

(A7)进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配置与网络结构的匹配校验，输入输出数据提取参数配置校验；

(A8)进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输入配置信息；

步骤(B)，训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存，形成过程如下，

(B1)能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出进行相应的数据提取；

(B2)基础网络模型选择，选择是对步骤(A)中已经保存好的BP神经网络模型进行选择；

(B3)对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行选取训练；

步骤(C)，进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存，预测过程如下，

(C1)预测训练模型选择，对步骤(B)已经训练好的预测训练模型选择,并对需要进行预测的时间段进行设置；

(C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预测；

(C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据追踪，包括选择的训练模型ID，预测时间，预测能耗值。

上述的步骤(A)-步骤(C)，建立的BP神经网络模型、形成预测训练模型，选择预测训练模型，执行时具有先后顺序关系，模型之间的调用关系是一对多的关系，即一个BP神经网络模型可对应多个预测训练模型，一个预测训练模型可进行多个数据的预测。

如图2所示，步骤(B)训练嵌入能耗模式的BP神经网络模型，形成预测训练模型的流程图，对基础网络模型进行解析，根据解析后的输入输出因素结合训练数据提取时间进行数据提取，然后依次进行数据预处理、输出数据归一化、能耗模式过滤、BP神经网络训练、训练模型保存等步骤。

如图3所示，步骤(C)进行建筑能耗数据预测的流程图，根据已经训练好的预测训练模型，利用BP神经网络算法进行预测。

根据本发明的面向建筑能耗预测的BP神经网络模型配置方法，介绍一实施例，

1)对BP神经网络模型的输入因素进行描述，定义BP神经网络模型输入的类别具有两层，第一层根据因素类别进行分类，如温度数据、能耗数据等，第二层主要依据时间进行分项，输入因素描述如表1所示：

表1

2)对BP神经网络模型的输出进行描述，定义预测模型输出的类别具有两层，第一层根据属性类别进行分类，如单体建筑能耗数据、园区能耗数据等，第二层主要依据时间进行分项，输出因素描述如表2所示：

表2

3)网络结构配置的输入采用统一格式定义、存储和解析，输入构建方式为，不同的输入之间用‘&’进行隔开，输入内部中相关参数之间利用‘|’进行隔开，参数中第一项表示分类、第二项表示分项，前两项合起来构成需要提取的数据项，第三到第六项表示提取数据项所需要的参数，输入神经元的个数为‘&’的总数。

如，输入为&1|1|110101|||&2|1|320100A000|01000||，其表示输入参数共有两项；第一个输入为当前小时的温度数据，需要的温度数据属于110101城市的温度；第二个输入为前一小时的能耗数据，具体数据来自于建筑号为320100A000的01000用电能耗；

输入的解析方法与构建方法相对应，依据相关的字符‘&’和‘|’的分隔提取相关参数项；

输入数据的加载方式为：根据解析后的输入的分类和分项信息确定需要提取的数据表Table_A和提取数据列Column_A、涉及参数列Column_B和Column_C，然后依据第3到第4项所给定的参数Param1、Param2对数据进行提取；

提取格式为：SelectColumn_AfromTable_AWhereColumn_Blike“Param1”andColumn_Clike“Param2”；

4)网络结构配置的输出采用统一格式定义、存储和解析，输出构建方式为：不同的输入之间用‘&’进行隔开，输出内部中相关参数之间利用‘|’进行隔开，参数中第一项表示分类、第二项表示分项，前两项合起来构成需要提取的数据项，第三到第六项表示提取数据项所需要的参数；

如，输出为&1|1|320100A000|01000||，表示需要预测的数据建筑号为320100A000，能耗分类为01000的用电负荷；

输出的解析方法与构建方法相对应，依据相关的字符‘&’和‘|’的分隔提取相关参数项；

输出数据的加载方式为：根据解析后的输出的分类和分项信息确定需要提取的数据表Table_A和提取数据列Column_A、涉及参数列Column_B和Column_C，然后依据第3到第4项所给定的参数Param1、Param2对数据进行提取；

提取格式为：SelectColumn_AfromTable_AWhereColumn_Blike“Param1”andColumn_Clike“Param2”；

5)输入层到隐含层的权重、隐含层到输出层的权重采用统一格式定义、存储和解析，权重矩阵的行与行之间利用字符‘&’隔开，行内的列与列之间利用字符‘|’隔开，‘&’字符的个数为权重矩阵的总行数，前后连续的两个字符‘&’之间的‘|’字符的个数为权重矩阵的总列数，

如，输入层到隐含层的权重矩阵为w：

$w=\left[\begin{array}{cccc}0.948& 0.802& -2.052& 2.662\\ 0.199& 0.989& 6.614& 0.628\\ 0.576& 0.755& 0.712& 0.650\end{array}\right]$

进行构建后，权重存储形式为：

&0.948|0.802|-2.052|2.662|&0.199|0.989|6.614|0.628|&0.576|0.755|0.712|0.650|

权重的解析方法与构建方法相对应，依据相关的字符‘&’和‘|’的分隔提取相关数据项；

6)定义能耗模式用5个字符位表示，前两位表示小时开始时间，第3、4位表示小时结束时间、第5为表示是否节假日，如表3所示：

表3

考虑带有节假日、或上班下班等能耗模式的预测模型，为了保证预测模型的兼容性和可扩展性，在数据预处理完毕后，根据能耗模型进行数据过滤即可。如能耗模式为20081，则对于已经提取的设置时间段的全数据进行过滤，将时间段大于等于20点，小于08点的节假日的数据保留，其他的数据去除。

7)手动模型训练时，可依据图2建筑能耗预测模型训练处理流程由上而下依次执行；对于自动模型训练，模型训练采用周期处理机制，在基础模型保存接口中定义特定基础模型i训练周期项和下次训练时间项采用小于训练周期的短时间的检测机制，不断训练，当到达下次训练时间时，则进行训练，训练完毕后更改下次训练时间为继续训练检测；

8)手动能耗数据预测测试时，可依据图3建筑能耗预测模型数据预测处理流程由上而下依次执行；对于自动建筑能耗数据预测，采用周期处理机制，在基础模型保存接口中定义特定基础模型i的预测周期项和下次预测时间项采用小于预测周期的短时间的检测机制，不断预测，当到达下次预测时间时，进行预测，预测完毕后更改下次预测时间为继续训练检测。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：包括以下步骤，

步骤（A），创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络结构配置，并进行模型校验、基础网络模型保存；

步骤（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存；

步骤（C），进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存。

2.根据权利要求1所述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（A），创建可配置化的BP神经网络模型，包括以下过程，

（A1）对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解析方式和数据加载方式；

（A2）定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；

（A3）进行BP神经网络模型的范围筛选；

（A4）建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及到的参数进行设置；

（A5）建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及到的参数进行设置；

（A6）建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层神经元个数、训练周期、预测周期的配置；

（A7）进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配置与网络结构的匹配校验，输入输出数据提取参数配置校验；

（A8）进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输入配置信息。

3.根据权利要求1所述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括以下过程，

（B1）能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出进行相应的数据提取；

（B2）基础网络模型选择，选择是对步骤（A）中已经保存好的BP神经网络模型进行选择；

（B3）对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行选取训练；

（B4）预测训练模型的保存，将训练前、训练后的相关数据进行保存，相关数据包括基础网络模型ID、训练时间、训练数据提取开始时间、训练数据提取结束时间、权重修正系数、学习速率、归一化最大值、归一化最小值、训练代数、输入层到隐含层的权重信息，隐含层到输出层的权重信息。

4.根据权利要求1所述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（C），进行建筑能耗数据预测，包括以下过程，

（C1）预测训练模型选择，对步骤（B）已经训练好的预测训练模型选择,并对需要进行预测的时间段进行设置；

(C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预测；

(C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据展示与追踪，包括选择的训练模型ID，预测时间，预测能耗值。