输入项进行二值化处理， 该模块循环遍历输入样本集中的每个样本，对样本的每个输入项计算其节能潜力，并将该 节能潜力与阀值T进行比较，若〉T，则输入项的二值化取值为1;否则取0;
[0050] 所述输出数据编码子模块，用于对输出项进行二进制编码，若数据库中的分析结 论表中存在该编码，直接取出进行使用即可;若数据库中不存在该编码，则需要对该类分析 结论进行统一的二进制编码后进行使用。
[0051]作为优选的技术方案，所述知识获取子模块在训练获取阶段具体为：
[0052]根据知识库中的分析规则将建筑能耗指标值与建筑能耗分析结论组合起来作为 训练样本集对BP神经网络进行训练，让其自动获取知识与规则，所述知识获取子模块循环 训练样本集中的每一个样本，输入项是建筑指标二值化的矢量，输出项是能耗分析结论的 二进制编码，重复该操作直到训练误差小于期望误差或者达到最大训练次数，训练结束后， 该BP神经网络即获取到分析阶段所需要的规则知识，其表现形式为BP网络中每一个神经元 节点的权值跟阀值；
[0053]所述能耗分析子模块在能耗分析阶段具体为：
[0054]将需要进行分析处理的指标数据进行二值化后组合成矢量输入到经过训练的网 络中，根据网络的输出对建筑的能耗薄弱环节进行分析，经过训练后的BP神经网络能够快 速地对输入矢量进行分析，并输出对应的二进制编码分析结论。
[0055]作为优选的技术方案，所述日志记录模块记录的信息包括：
[0056]用户操作日志，对数据库的操作日志，包括:增加、修改、删除W及查询；
[0057] 系统运行异常信息，包括:数据库操作异常、文件资源操作异常W及其他资源的操 作异常；
[0058]前台对后台服务调用的参数传递，包括:方法的名称、方法的参数W及数值。
[0059]本发明与现有技术相比，具有如下优点和有益效果：
[0060] (1)本发明通过对建筑的电耗部分、水耗部分W及冷耗空调系统部分的指标数据 进行计算处理，分析建筑中可能存在的能耗薄弱环节，并W此作为基础得到对应的节能改 善建议，能够有效地帮助用户了解建筑用能的情况，帮助用户对能耗环节及其设备进行有 目的性的排查与维护，对建筑的日常节能管理和节能改善提供决策支持。
[0061](2)本发明采用BP神经网络进行分析，能处理定量信息及定性信息，各节点采用分 布式并行处理，处理数据能力强，其采用隐式的知识表示方式来对问题进行求解的分析策 略，不仅可W避免了分析规则的冲突，而且也提高了分析的速度；
[0062] (3)本发明通过训练学习，在建筑能耗指标数据和能耗分析结论之间建立关联网 络，可W很好的处理负荷和相关因素的非线性关系，不仅能够自动消除建筑能耗指标数据 中的噪声干扰，而且能够在噪声环境中保持有效工作并得出正确结论；
[0063] (4)本发明利用误差反向传播来不断调整神经网络的权值和阀值，在此基础上通 过对输入数据进行二值化处理，不仅能够有效控制误差范围，而且能够使分析精度保持在 较高的水平。
【附图说明】
[0064]图1是本基于BP神经网络的建筑能耗分析方法的分析流程图。
[0065]图2是本基于BP神经网络的建筑能耗分析方法的输入数据二值化流程图。
[0066]图3是本基于BP神经网络的建筑能耗分析系统的网络结构图。
[0067]图4是本基于BP神经网络的建筑能耗分析方法的训练流程图。
【具体实施方式】
[0068]下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限 于此。
[0069] 实施例
[0070] 参见图1，本发明所述的基于BP神经网络的建筑能耗分析的流程图，接下来对该方 法所述步骤做详细说明。
[0071] 本实例对建筑的电耗量进行分析，获取该建筑电耗部分存在的能耗薄弱环节。
[0072] 步骤1.根据指定建筑能耗类型确定输入输出向量，可W采用W下步骤实现：
[0073] (1-1)在分析日前一天结束时间（24:00)对电力各分项电量数据进行采集，获取相 应的电量数据作为原始能耗数据，包括:今年单位面积照明与插座电耗、今年单位面积空调 电耗、今年单位面积通排风机电耗、今年单位面积特殊设备电耗W及昨日非工作时段照明 与插座电耗量、昨日工作时段照明与插座电耗值、昨日非工作时段空调电耗量、昨日工作时 段空调电耗值、昨日非工作时段通排风机电耗量、昨日工作时段空调电耗值、昨日非工作时 段通排风机电耗量、昨日工作时段通排风机电耗值、昨日非工作时段特殊设备电耗量、昨日 工作时段特殊设备电耗值；
[0074] (1-2)按照W下计算公式进行计算，得到电耗量部分的能耗指标数据，包括:单位 面积照明与插座电耗量、单位面积空调电耗量、单位面积通排风机电耗量、单位面积特殊电 耗量、非工作时段与工作时段照明与插座电耗之比、非工作时段与工作时段空调电耗之比、 非工作时段与工作时段房间通排风电耗之比W及非工作时段与工作时段特殊设备电耗之 比，因此运里将电耗量部分的能耗指标数据作为BP神经网络的输入变量，即B巧巾经网络的 输入变量就是一个8维的向量。
[0075] (1-3)确定对应建筑能耗类型的建筑能耗薄弱环节作为模型的输出向量，电耗量 部分的能耗薄弱环节如表1所示，目标向量是电耗量部分的8个能耗薄弱环节，即输出向量 是一个8维的向量。
[0076] 表1电耗部分建筑能耗指标计算方法
[0077]
[0078] (1-4)对电耗量部分的能耗指标数据的输入向量进行二值化处理；
[0079] (1 -4-1)根据下式计算该输入指标的节能潜力D;
[0080]
(4)
[0081 ]式中：la为建筑计算得到的实际指标值;In为公共建筑参考指标值。
[0082] (1-4-2)将步骤(1-4-1)计算得到的D按下式规则进行取值。
[0083]
(5)
[0084] 式中：xi为二值化之前的第i个指标参数;f(XI)为XI二值化之后的取值;Di为第i个 指标参数XI的节能潜力计算值;T为节能潜力阀值。
[0085] (1-5)对电耗量部分的能耗薄弱环节的输出向量进行二进制编码，如表2所示；
[0086] 表2电耗量部分能耗薄弱环节编码
[0087]
[0088] 步骤2.根据输入输出向量构造BP神经网络模型，可W采用W下步骤实现：
[0089] (2-1)根据输入向量、输出向量的元素量确定输入层W及输出层的神经元数量。本 实例中输入向量与输出向量都有8个元素，所W输入层与输出层的神经元个数都为8。
[0090] (2-2)根据输入层和输出层的神经元数量确定BP神经网络隐藏层神经元数量，用 W下经验公式进行初步拟定隐层节点数：
[0091]
巧）
[0092] 其中，η为输入节点数，m为输出节点数，P为隐层节点数。
[0093] 而BP神经网络的激励函数是sigmoid函数：
[0094]
(7)
[00M]步骤3.输入训练样本对建立好的BP神经网络模型进行训练；
[0096] (3-1)根据所构造BP神经网络模型的神经元数量设定训练参数对BP神经网络进行 网络训练，B巧巾经网络训练后才可W用于建筑能耗分析的实际应用。所述训练参数包括:最 大训练次数、期望误差、动量项数值W及学习速率。当BP神经网络结构比较复杂，神经元个 数比较多时，可适当增大训练次数和学习速率。在本实例中参数设置如表3所示：
[0097]表3建筑电耗量部分神经网络参数 [009引
[0099] 如图4流程图所示，执行W下步骤：
[0100] (3-2)采用随机赋值的方法进行输入层对隐藏层的权值Wu、隐藏层对输出层的权 值Wh。的初始化，随机值的取值范围为[-1,1];
[0101] (3-3)将样本集中的训练样本逐个输入到神经网络中；
[0102] (3-4)按照下式计算隐藏层各神经元输出：
[0103] h〇h(k) =f(hih(k))h=l,2, . . .,ρ
[0104] (3-5)按照下式计算输出层各神经元输出：
[0105] yo〇(k) =f(yi〇(k)) 〇 = 1,2,...,q
[0106] (3-6)计算实际输出与期望输出的误差
[0107]
(8)
[010引其中，d。为期望输出的值，y。为神经网络的实际输出。
[0109] (3-7)循环步