一种基于BP神经网络模型的建筑空调能耗预测方法技术

本发明专利技术公开了一种基于BP神经网络模型的建筑空调能耗预测方法，其包括：分析建筑空调能耗的影响因素；根据影响参数，采集历史建筑空调能耗样本参数，并对其进行预处理；采用BP神经网络，根据样本参数的维度建立建筑空调能耗预测模型；采用预处理后的样本参数作为训练样本对建筑空调能耗预测模型进行训练；采集近期的实时建筑空调能耗样本参数对建筑空调能耗预测模型进行评估，若误差在允许范围内，则模型的输出即为建筑空调能耗预测值，否则对模型重新进行训练。本发明专利技术的基于BP神经网络模型的建筑空调能耗预测方法，具备学习规则简单，便于计算机实现，具有很强的鲁棒型、记忆能力、非线性映射能力以及强大的自学习能力等优点。

A prediction method for energy consumption of building air conditioning system based on BP neural network model

The invention discloses a method to predict the energy consumption of air conditioning, based on the BP neural network model which includes: analysis of the factors influencing the energy consumption of air conditioning; according to the parameters that affect the energy consumption of air conditioning parameters of the sample collection history, and carries on the pretreatment; using BP neural network, according to the parameters of the sample dimension to establish prediction model of the energy consumption of air conditioning the parameters of the sample; after pretreatment as training samples for building air conditioning energy consumption prediction model is trained; prediction model for the energy consumption of air conditioning energy consumption of air conditioning to collect the sample parameters of the near future, if the error is in the allowable range, the output model for building air conditioning energy consumption prediction value, otherwise the model to carry on training. Prediction of energy consumption of air conditioning BP neural network model based on the method of the invention has simple learning rules, easily implemented, robust, strong ability of memory, nonlinear mapping ability and strong self-learning ability etc..

【技术实现步骤摘要】
一种基于BP神经网络模型的建筑空调能耗预测方法
本专利技术涉及空调能耗预测
，特别涉及一种基于BP神经网络模型的建筑空调能耗预测方法。
技术介绍
当前现代化的建筑，特别是公共建筑中，空调系统的能耗一直占据着建筑能耗大约50～60％的比重，节能潜力巨大。如何有效地管理空调系统的运行能耗一直是当前研究的热点之一。建筑空调系统能耗的准确预测，对于优化采暖空调系统运行模式，实现建筑空调系统的综合节能运行具有重要理论指导意义和现实意义。空调能耗预测对于建筑空调统一调度、空调定额能耗管理等方面具有重要的意义。行业内已有的建筑空调能耗预测方法有三类：(1)第一类是采用回归分析法进行建筑空调系统的能耗预测。该方法假设与空调系统能耗具有相关性的N类影响因素，其与空调能耗之间呈非线性关系，通过数据拟合得到表示空调系统能耗的高阶多项式函数。回归分析方法在建模的过程中有很多的试计算过程，将增大建模的难度，此外输入参数和输出参数之间的依赖程度很大，预测精度不高。(2)第二类是基于时间序列预测模型的空调负荷方法。该方法的基本出发点是利用过去一段时间建筑空调负荷的变化特征描述来预测末来的变化特征。空调负荷的本文档来自技高网...

【技术保护点】
一种基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，包括以下步骤：S11：分析建筑空调能耗的影响因素；S12：根据所述影响因素，采集历史建筑空调能耗样本参数，对所述历史建筑空调能耗样本参数进行预处理，得到预处理后的历史建筑空调能耗样本参数；S13：采用BP神经网络，根据所述历史建筑空调能耗样本参数的维度建立建筑空调能耗预测模型；S14：采用预处理后的所述历史建筑空调能耗样本参数作为训练样本对所述建筑空调能耗预测模型进行训练；S15：采集近期的实时建筑空调能耗样本参数对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内，若在允许范围内，则所述...

【技术特征摘要】
2016.12.30 CN 20161127145521.一种基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，包括以下步骤：S11：分析建筑空调能耗的影响因素；S12：根据所述影响因素，采集历史建筑空调能耗样本参数，对所述历史建筑空调能耗样本参数进行预处理，得到预处理后的历史建筑空调能耗样本参数；S13：采用BP神经网络，根据所述历史建筑空调能耗样本参数的维度建立建筑空调能耗预测模型；S14：采用预处理后的所述历史建筑空调能耗样本参数作为训练样本对所述建筑空调能耗预测模型进行训练；S15：采集近期的实时建筑空调能耗样本参数对所述建筑空调能耗预测模型的建模质量进行评估，以判断所述建筑空调能耗预测模型的误差是否在允许范围内，若在允许范围内，则所述建筑空调能耗预测模型的输出即为建筑空调能耗预测值；若不在允许范围内，则返回S12或返回S14。2.根据权利要求1所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S11中所述建筑空调能耗的影响因素包括：静态影响因素和动态影响因素。3.根据权利要求2所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S12具体包括：S121：对所述历史建筑空调能耗样本参数根据所述静态影响因素进行组合分类；S122：对组合分类之后的所述历史建筑空调能耗样本参数中的坏值进行剔除；S123：对坏值剔除之后的所述历史建筑空调能耗样本参数进行归一化处理。4.根据权利要求3所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S13具体包括：S131：输入层神经元设计所述输入神经元的个数由所述建筑空调能耗的动态影响参数的维度来决定；S132：输出层神经元设计所述输出层神经元的个数由所述历史建筑空调能耗样本参数的输出向量的维数来决定；S133：隐含层神经元设计所述隐含层神经元的个数由下式决定：式中：n为隐含层神经元的个数；a为输入层神经元的个数；b为输出层神经元的个数；l为1-10之间的常数。5.根据权利要求1或4所述的基于BP神经网络模型的建筑空调能耗预测方法，其特征在于，所述步骤S14具体包括：S141：BP神经网络的参数初始化对所述输入层神经元的输入值以及所述输出层神经元的输出值进行归一化，对所述BP神经网络的参数及各权系数进行赋值；S142：前向传输输入所述历史建筑空调能耗样本输入参数，计算所述BP神经网...

【专利技术属性】
技术研发人员：李鸿亮，李佳鹤，李寅雷，龙克垒，徐雨明，
申请(专利权)人：浙江大学，浙江中易和节能技术有限公司，
类型：发明
国别省市：浙江,33