一种基于神经网络的办公建筑房间分类方法
【技术领域】
[0001] 本发明属于办公用电建模技术领域，具体涉及一种基于神经网络的办公建筑房间 分类方法。
【背景技术】
[0002] 建筑能耗随着人们采暖、空调、采光等基本需求和娱乐、工作等过程产生。随着经 济发展与社会进步，人们对建筑使用的要求也将越来越高；这种变化直接体现在建筑能耗 的逐年增加上。截至2012年，建筑能耗占全球总能耗的比例已达30%。随着能源供应的日 益紧张，与人类生活息息相关的建筑节能，也受到越来越广泛的关注和重视，而办公建筑节 能在其中具有至关重要的意义。
[0003] -般而言，办公建筑由不同类型的房间构成，包括办公室、机房、储藏室、会议室 等，不同类型房间的用电模式也不尽相同，因此针对不同类型的房间展开节能行为能够为 优化整个建筑的能源管理并提高用电效率提供参考。
【发明内容】
[0004] 针对上述问题，本发明提出了一种基于神经网络的办公建筑房间分类方法，基于 办公建筑的房间用电数据，利用神经网络模型对办公建筑的房间进行分类，优化了整个建 筑的能源管理并提尚用电效率提供参考。
[0005] 本发明提出的一种基于神经网络的办公建筑房间分类方法，包括以下步骤：
[0006] 步骤S1 :数据预处理，其方法为：将办公建筑房间的用电数据分为N类，对N类用 电数据进行数据预处理，获得完整的用电数据；
[0007] 步骤S2 :网络初始化，其方法为：构造与N类用电数据对应的N个回声状态网和一 个极限学习机，并对各神经网络的参数进行初始化；
[0008] 步骤S3 :网络训练，其方法为：利用步骤S1中完整的用电数据训练各回声状态网， 重建房间的用电模式，并利用用电模式重建结果和房间类别训练极限学习机；
[0009] 步骤S4 :房间分类，其方法为：输入新的办公建筑房间N类用电数据，利用步骤S3 中训练的三个回声状态网重建房间的用电模式，并利用步骤S3中训练的极限学习机进行 办公建筑的房间分类。
[0010] 优选的，步骤S1中办公建筑房间的用电数据分为三类，分别为插座用电数据、照 明用电数据以及空调用电数据。
[0011] 用电数据预处理的方法包括数据筛选、数据剔除、数据补充。
[0012] 本发明基于办公建筑的房间用电数据，利用回声状态网和极限学习机两种神经网 络模型对办公建筑的房间进行分类，具有较高的分类准确性，为针对不同的房间类别进行 节能优化提供参考。
【附图说明】
[0013] 图1是本发明中基于神经网络的办公建筑房间分类方法的流程图；
[0014] 图2是本发明中回声状态网的结构图；
[0015] 图3是本发明中极限学习机的结构图；
[0016] 图4a、4b分别为本实施例办公室内5个工作日内插座用电和插座用电回声态网重 建结果；
[0017] 图4c、4d分别为本实施例办公室内5个工作日内照明用电和照明用电回声态网重 建结果；
[0018] 图4e、4f分别为本实施例办公室内5个工作日内空调用电和空调用电回声态网重 建结果；
[0019] 图5a、5b分别为本实施例机房内5个工作日内插座用电和插座用电回声态网重建 结果；
[0020] 图5c、5d分别为本实施例机房内5个工作日内照明用电和照明用电回声态网重建 结果；
[0021] 图5e、5f分别为本实施例机房内5个工作日内空调用电和空调用电回声态网重建 结果；
[0022] 图6a、6b分别为本实施例储藏室内5个工作日内插座用电和插座用电回声态网重 建结果；
[0023] 图6c、6d分别为本实施例储藏室内5个工作日内照明用电和照明用电回声态网重 建结果；
[0024] 图6e、6f分别为本实施例储藏室内5个工作日内空调用电和空调用电回声态网重 建结果；
[0025] 图7a、7b分别为本实施例会议室内5个工作日内插座用电和插座用电回声态网重 建结果；
[0026] 图7c、7d分别为本实施例会议室内5个工作日内照明用电和照明用电回声态网重 建结果；
[0027] 图7e、7f分别为本实施例会议室内5个工作日内空调用电和空调用电回声态网重 建结果。
【具体实施方式】
[0028] 为了更清楚地说明本发明的目的、技术方案和优点，以下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0029] 如图1所示，该方法包括依次执行的如下步骤：
[0030] 步骤S1 :数据预处理，对办公建筑房间的三种用电数据（插座、照明和空调）进行 预处理，包括数据筛选、剔除、补充等，从而获得完整的用电数据；
[0031] 步骤S2 :网络初始化，构造三个回声状态网（Echo State Network，ESN)和一个极 限学习机（Extreme Learning Machine，ELM)，并初始化各神经网络的权值、阈值等参数，其 中三个回声状态网分别对应于三种用电数据；
[0032] 步骤S3 :网络训练，利用S1预处理的房间用电数据训练各回声状态网，以重建房 间的用电模式，并利用重建后的房间用电模式以及已知的房间类别训练极限学习机；
[0033] 步骤S4 :房间分类，给定新的办公建筑房间三种用电数据，利用S3训练的三个回 声状态网重建房间的用电模式，并利用S3训练的极限学习机获取房间的类型。
[0034] 下面分别对基于神经网络的办公建筑房间分类方法的各个步骤进行展开详细描 述：
[0035] 步骤S1 :数据预处理，对办公建筑房间的三种用电数据（插座、照明和空调）进行 预处理，包括数据筛选、剔除、补充等，从而获得完整的用电数据。
[0036] 本发明的基于神经网络的办公建筑房间分类方法基于办公建筑房间的用电数据， 数据包括3种类型，即照明用电数据、插座用电数据以及空调用电数据，均为常见的办公用 电类型并可完整代表办公建筑房间的用电模式。
[0037] 在获取原始数据的基础上，根据一定的时间段对原始数据进行筛选，获取该时间 段内各类型的用电数据