一种联合BIM与CIM的城市能耗预测方法技术

本发明专利技术提出了一种联合BIM与CIM的城市能耗预测方法。包括以下步骤：S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；S4，使用测试集的数据对BP神经网络模型模型的性能进行评估。本发明专利技术能够有效的建立资源数据模型，同时使用BP网络进行能耗预测模型训练，还具有较高的能耗预测精度，为智慧城市的绿色生态建设提供参考。为智慧城市的绿色生态建设提供参考。为智慧城市的绿色生态建设提供参考。

【技术实现步骤摘要】
一种联合BIM与CIM的城市能耗预测方法


[0001]本专利技术涉及能耗预测领域，尤其涉及一种联合BIM与CIM的城市能耗预测方法。

技术介绍

[0002]能源种类越来越丰富，主要包括风电、天然气、水电等，经济的快速发展建立在对能源快速损耗上。尤其是高能耗行业的迅速衍生导致国家现有能源消耗激增，并且利用率低下，能源供应系统在多个层面均出现了不同层度的能源需求增长问题。能源作为城市运行的关键，随着城市规模的不断扩大，能源传输、消耗、供应成为影响城市环境的主要因素。因此，能耗分析成为智慧城市实现的重点研究内容。
[0003]传统的能源预测方法有指数平滑法、部门分析法、回归分析法等，回归分析法、指数平滑法分别具有内插能力和外推能力，因此前者被应用于平稳随机变化序列，后者使用于随时间增长的能耗变化序列。除此之外，情景分析法和周期图法、最小二乘法也被应用于能源需求的预测，选择最小二乘法分两步建模应用于具有确定趋势非平稳时间序列，对模型预测精度以及稳定度进行评估，最后对能源需求进行预测。目前，传统的预测方法仍在能源预测中占据重要地位。但是由于能源系统具有不确定性和复杂线性的特点，后期的科研人员开始对能源系统的模糊性、自组织性的进行了研究，以此引进数据挖掘、人工智能等领域。人工神经网络方法、小波分析方法、模糊预测方法、灰色预测方法在能源损耗预测中发挥着重要作用。
[0004]遗传算法能源需求模型的预测精度较高，和资源规划中心预测结果相比预测误差较小，该算法的通用性容易受到参数选取、编码方式的影响。人工神经网络具有同时预测多个变量预测值与训练值之间的非线性关系的特点，利用人工神经网络能够实现对城市电力损耗量进行预测。灰色预测方法的精度提高对单位运行成本的节约起到重要作用。建筑信息模型(Building Information Modeling，BIM)是一个完美的多维信息空间模型，是良好的建筑信息载体，能够整合各种建筑材料、系统的各种信息，实现集中管理，保证信息的完整性、准确性和可控性。城市信息模型(City Information Modeling，CIM)在城市规划、土地资源管理方面承担着越来越重要的角色，能够加载各类城市业务数据资源，开展系统化模拟仿真，实现对城市进行数字化描述管理。
[0005]综上所述，联合BIM与CIM，运用大数据、人工智能等新技术，对城市能源消耗进行预测能够实现对城市能源的合理规划，真正实现城市的智慧管理，公共资源智能化分配。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种联合BIM与CIM的城市能耗预测方法。
[0007]为了实现本专利技术的上述目的，本专利技术提供了一种联合BIM与CIM的城市能耗预测方法，包括以下步骤：
[0008]S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取
影响建筑能耗因素的特征值；
[0009]S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；
[0010]S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；
[0011]S4，使用测试集的数据对BP神经网络模型模型的性能进行评估。
[0012]进一步地，所述S1的建筑能耗检测的静态历史数据提取方法，包括：将BIM模型用相应的BIM软件导出为IFC格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据的提取；
[0013]所述S1的影响建筑能耗因素的特征值，包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值之一或者任意组合。
[0014]进一步地，所述S2的时序性处理包括：
[0015]建立时序模型，并对获取的静态能耗值和影响因素特征值进行差分运算，使其变成平稳的时间序列D，采用自回归移动平均模型对其进行时序性建模，然后对平稳时间序列{D
t
}(t＝1,2,
…
N)，N是时间序列的长度；拟合出自回归模型：
[0016]Z＝φ
×
Q，
[0017]其中，Z为平稳时序D在某一时刻的值，平稳时序D＝{D
t
}(t＝1,2,
…
N)＝{D1,D2,D3,...,D
N
}；Q为平稳时序D在该时刻之前的其他时刻的取值矩阵，φ为参数权值矩阵，采用最小二乘法估计其参数，至此得到平稳的时间序列。
[0018]进一步地，所述S2的归一化预处理包括：
[0019]将平稳的时间序列抽象为Q个样本对于每一维特征x，进行归一化预处理后的特征值为：
[0020][0021]其中，表示每一维特征x归一化预处理后的特征值，
[0022]max
q
(x
(q)
)表示最大归一化的特征值，
[0023]min
q
(x
(q)
)表示最小归一化的特征值，
[0024]x
(q)
表示第q个样本。
[0025]进一步地，所述S3的BP神经网络包括：
[0026]输入层、隐藏层、输出层，
[0027]其中，X＝(x1,x2,
…
x
i
,
…
x
m
)
T
是输入层的输入向量即经权重排序后的时间序列的特征值，x1表示输入层的第1个神经元，x2表示输入层的第2个神经元，x
i
表示输入层的第i个神经元，x
m
表示输入层的第m个神经元；
[0028]V＝(v1,v2,
…
v
i
,
…
v
n
)
T
是输入层到隐藏层之间的权值向量，v1表示输入层到隐藏层的第1个神经元的权值向量，v2表示输入层到隐藏层的第2个神经元的权值向量，v
i
表示输入层到隐藏层的第i个神经元的权值向量，v
n
表示输入层到隐藏层的第n个神经元的权值向量；
[0029]W＝(w1,w2,
…
w
i
,
…
w
l
)
T
是隐藏层到输出层之间的权值向量，w1表示隐藏层到输出层的第1个神经元的权值向量，w2表示隐藏层到输出层的第2个神经元的权值向量，w
i
表示隐藏层到输出层的第i个神经元的权值向量，w
l
表示隐藏层到输出层的第l个神经元的权值向量；
[0030]Y
(1)
＝(y
(1)1
,y
(1)2
,
…
y
(1)j
,
…
y...

【技术保护点】

【技术特征摘要】
1.一种联合BIM与CIM的城市能耗预测方法，其特征在于，包括以下步骤：S1，根据BIM模型获取所需预测建筑能耗检测的静态历史数据，根据CIM模型获取影响建筑能耗因素的特征值；S2，将获取到的数据进行时序性处理和归一化预处理得到数据集，并将获得的数据集划分为训练集和测试集；S3，将训练集中经权重排序后的时间序列的特征值作为BP神经网络模型的输入，将预测的能耗作为模型的输出，并通过梯度下降算法对模型参数进行优化；S4，使用测试集的数据对BP神经网络模型的性能进行评估。2.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，包括：所述S1的建筑能耗检测的静态历史数据提取方法，包括：将BIM模型用相应的BIM软件导出为IFC格式文件，然后应用建筑能耗检测静态数据提取方法，对导出的IFC文件进行静态数据的提取；所述S1的影响建筑能耗因素的特征值，包括：电器能耗、动力能耗、天气特征值、人员密度和相关时间的特征值之一或者任意组合。3.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S2的时序性处理包括：建立时序模型，并对获取的静态能耗值和影响因素特征值进行差分运算，使其变成平稳的时间序列D，采用自回归移动平均模型对其进行时序性建模，然后对平稳时间序列{D
t
}(t＝1,2,
…
N)，N是时间序列的长度；拟合出自回归模型：Z＝φ
×
Q，其中，Z为平稳时序D在某一时刻的值，Q为平稳时序D在该时刻之前的其他时刻的取值矩阵，φ为参数权值矩阵，采用最小二乘法估计其参数，至此得到平稳的时间序列。4.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S2的归一化预处理包括：将平稳的时间序列抽象为Q个样本对于每一维特征x，进行归一化预处理后的特征值为：其中，表示每一维特征x归一化预处理后的特征值，max
q
(x
(q)
)表示最大归一化的特征值，min
q
(x
(q)
)表示最小归一化的特征值，x
(q)
表示第q个样本。5.根据权利要求1所述的一种联合BIM与CIM的城市能耗预测方法，其特征在于，所述S3的BP神经网络包括：输入层、隐藏层、输出层，其中，X＝(x1,x2,
…
x
i
,
…
x
m
)
T
是输入层的输入向量即经权重排序后的时间序列的特征
值，x1表示输入层的第1个神经元，x2表示输入层的第2个神经元，x
i
表示输入层的第i个神经元，x
m
表示输入层的第m个神经元；V＝(v1,v2,
…
v
i
,
…
v
n
)
T
是输入层到隐藏层之间的权值向量，v1表示输入层到隐藏层的第1个神经元的权值向量，v2表示输入层到隐藏层的第2个神经元的权值向量，v
i
表示输入层到隐藏层的第i个神经元的权值向量，v
n
表示输入层到隐藏层的第n个神经元的权值向量；W＝(w1,w2,
…
w
i
,
…
w
l
)
T
是隐藏层到输出层之间的权值向量，w1表示隐藏层到输出层的第1个神经元的权值向量，w2表示隐藏层到输出层的第2个神经元的权值向量，w
i
表示隐藏层到输出层的第i个神经元的权值向量，w
l
表示隐藏层到输出层的第l个神经元的权值向量；Y
(1)
＝(y
(1)1
,y
(1)2
,
…
y
(1)j
,
…
y
(1)n
)
T
是隐藏层的输出向量，y
(1)1
表示隐藏层的第1个神经元的输出，y
(1)2
表示隐藏层的第2个神经元的输出，y
(1)j
表示隐藏层的第i个神经元的输出，y
(1)n
表示隐藏层的第n个神经元的输出；Y
(2)
＝(y
(2)1
,y
(2)2
,
…
y
(2)k
,
…
y
(2)l
)
T
是输出层的输出向量即预测的能耗，y
(2)1
表示输出层的第1个神经元的输出，y
(2)2
表示输出层的第2个神经元的输出，y
(2)k
表示输出层的第i个神经元的输出，y
(2)l
表示输出层的第l个神经元的输出；是输出层的期望输出向量，表示第1个期望输出向量，表示第2个期望输出向量，表示第i个期望输出向量，表示第l个期望输出向量，l表示输出层的节点个数，(
·
)
T
表示转置；隐藏层和输出层的结果如下：隐藏层和输出层的结果如下：其中，y
(1)j
表示隐藏层第j个神经元的输出，y
(2)k
表示输出层第k个神经元的输出，v
ij
表示输入层第i个神经元到隐藏层第j个神经元之间的权值，w
jk
表示隐藏层第j个神经元到输出层第k个神经元之间的权值，x
i
是输入层第i个神经元的输入值，m是输入层节点个数，n是隐藏层节点个数，l是输出层节点个数，所述f(
·
)采用的激励函数是sigmoid函数，函数表达式如下：6.根据权利要求1所述的一种联合BIM与CI...

【专利技术属性】
技术研发人员：姚鸿方，
申请(专利权)人：希盟泰克重庆实业发展有限公司，
类型：发明
国别省市：