【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。