基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法
【专利摘要】本发明属于季节性能耗数据的一种预测方法。利用小波分析对能耗数据进行多尺度分解和重构，并结合三次指数平滑模型对能耗数据进行预测的方法。首先利用小波分析对能耗数据进行三层多尺度分解，然后对不同尺度上的数据分别建立三次指数平滑模型并计算预测值，最后将各尺度上的预测数据进行小波重构，即对第三层分解的细节数据和近似数据的预测值进行小波重构，得到第二层的近似数据的预测值；结合第二层细节部分进行小波重构，从而得到第一层的近似部分；进而结合第一层的进行小波重构，最后得到能耗数据的预测值。对能耗数据进行多尺度分析，可以依据不同尺度上的数据特征进行有效的建模，提高预测的准确性。
【专利说明】基于小波多尺度三次指数平滑模型的季节性能耗数据预测 方法
【技术领域】
[0001] 本发明属于能耗数据预测方法。利用小波分析对能耗数据进行多尺度分解和重 构，并结合考虑季节因素的三次指数平滑模型对能耗数据进行预测的方法。首先利用小波 分析对能耗数据进行多尺度分解，然后对不同尺度上的数据分别建立三次指数平滑模型并 计算预测值，最后将各尺度上的预测数据进行小波重构，得到能耗数据的预测值。对能耗数 据进行多尺度分析，可以依据不同尺度上的数据特征进行有效的建模，提高预测的准确性。
【背景技术】
[0002] 近年来，我国的经济发展迅猛，建筑能耗已经占据社会总能耗的30%以上，并且有 逐年上升的趋势。同时，我国正处于能源相对短缺的时期，建筑高能耗状况加大了我国能源 压力，制约着国民经济的可持续发展，建筑节能已是刻不容缓。因此，监测和预测公共建筑 能耗成为了当前建筑节能工作的一项重要内容。
[0003] 目前，已有部分建筑实现了能耗计量，在运行过程中积累了大量的能耗数据。如何 利用这些大量的数据快速而有效地预测能耗趋势对现实有指导意义。经典的时间序列分析 方法预测主要有确定性时间序列分析法和随机时间序列方法两种。确定性时间序列分析方 法主要包括移动平均法、指数平滑法、时间回归法和季节周期预测法等。确定性时间序列预 测刻画了序列的主要趋势，简单直观，易于计算和运用。但是由于方法比较粗略，而且假定 严格，在预测中存在不足和局限。随机时序模型是现今最常用的方法，经典的模型主要有自 回归滑动平均模型、自回归条件异方差模型等，在统计领域应用非常广泛，但是由于在于这 些模型通常都有一定的假设，如正态性、平稳性等，能耗数据通常不能完全满足这些假设。
[0004] 小波分析理论作为一门新兴的数学理论和方法，已经被应用到各个领域的研究之 中。在数据预测中引入小波理论能通过小波独特的在不同尺度上分解序列的能力，将时间 序列分解为特性各异的不同组成部分，再根据各部分的特性分别进行数据建模预测，从而 能有效提高数据预测的效率。鉴于小波分析的优势，本发明利用小波分析对能耗数据进行 多尺度分解和重构，结合时间序列模型进行能耗数据预测。
【发明内容】
[0005] 本发明提出一种对能耗数据进行预测的方法。该方法在对建筑能耗数据特点进行 深入研究的基础上，利用小波分析对时间序列数据进行多尺度分解和重构，从而获得更多 的信息，减低预测问题的不确定性和复杂性。由于能耗数据这类时间序列，包含大量的无用 的成分，利用小波分析将信号进行多层分解，分别对细节数据和近似数据建立模型进行预 测，最后将预测后的数据重构可以提高预测的准确性。
[0006] -个时间序列的波动是由许多因素共同变动造成的，其中季节变动是指序列在一 年内随季节改变而表现出的季节性的周期变动。季节变动常常会掩盖数据的长期趋势。所 以在建筑能耗数据预测中，必须选用可以处理季节变动的模型。三次指数平滑模型可以对 同时含有趋势和季节性的时间序列进行预测，因而可以较为精确的对建筑能耗数据进行预 测。三次指数平滑模型包括加法模型、乘法模型和无季节模型三种，对于能耗数据这类变化 因素较为独立的时间序列，加法模型更为适合。
[0007] 由于三次指数平滑算法可以同时处理数据的趋势和季节性，所以该模型包含水平 项at、趋势项b t和季节项St三个参数。这三个参数通过数据之间的递推关系确定，递推公 式定义如下：
[0008] at = a (Xt_St_s) + (1_ a ) (aH+O (1)
[0009] bt = β (araH)+ (1-β )13η (2)
[0010] St = y (Xt~at) + (1+y ) St_s (3)
[0011] 其中Xt为时间序列观测值，式中的s表示季节周期长度，α、β和Y为平滑参数， 取值在区间[0, 1]之间。
[0012] 在水平项、趋势项和季节项三个参数已知或者估计出的情况下，时间序列Xt的k 步预测可以由如下公式计算
[0013]
【权利要求】
1. 一种基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法，其特征是利用 小波分析将信号进行多层分解，分别对细节数据和近似数据建立三次指数平滑模型进行预 测，最后将预测后的数据重构提高预测的准确性。
2. 如权利要求1所述的基于小波多尺度三次指数平滑模型的季节性能耗数据预测方 法，其特征是所述的采用考虑季节变动的三次指数平滑模型。 一个时间序列的波动是由许多因素共同变动造成的，其中季节变动是指序列在一年内 随季节改变而表现出的季节性的周期变动。季节变动常常会掩盖数据的长期趋势，所以在 建筑能耗数据预测中，必须选用可以处理季节变动的模型。三次指数平滑模型可以对同时 含有趋势和季节性的时间序列进行预测，因而可以较为精确的对建筑能耗数据进行预测。
3. 如权利要求1所述的基于小波多尺度三次指数平滑模型的季节性能耗数据预测方 法，其特征是所述的三次指数平滑模型中水平项、趋势项和季节项参数的估计方法。 三次指数平滑模型中水平项at、趋势项bt和季节项St三个参数，通过数据之间的递推 关系确定，递推公式定义如下：
其中Xt为时间序列观测值，式中的s表示季节周期长度，a、P和Y为平滑参数，取 值在区间[〇, 1]之间。
4. 如权利要求1所述的基于小波多尺度三次指数平滑模型的季节性能耗数据预测方 法，其特征是所述的三次指数平滑模型中时间序列Xt的k步预测。 在水平项、趋势项和季节项三个参数已知或者估计出的情况下，时间序列Xt的k步预 测可以由如下公式计算
要使用三次指数平滑加法模型预测数据，就要计算水平项at、趋势项bt和季节项St三 个参数值，然后根据预测公式进行预测。由于三个参数的定义式只给出了参数前后的递推 关系，所以首先要估计出参数的初始值。通过建立回归模型以估计出参数初始值，回归方程 为=a。+W，其中，兄为序列的p阶移动平均值,若数据以月份为单位预测,则p取12 ;若 以季节为单位预测，则P取4。经过回归估计，可以得到水平项at和趋势项bt的初始值％ 和IV对于季节项St，利用原始数据除以移动平均后的值，S卩
可以得到季节项的 初始值，若序列为月度数据则季节项初始值有12个，季度数据则有4个。
5. 如权利要求1所述的基于小波多尺度三次指数平滑模型的季节性能耗数据预测方 法，其特征是所述是使用三次指数平滑加法模型来预测能耗数据。 使用递推公式递推出能耗数据最后一期的水平项、趋势项和季节项后，可以通过三次 指数平滑加法模型的预测公式?+67i+ &,h计算得出能耗数据的预测值，其中，aT 为样本最后一期的水平项，bT为样本最后一期的趋势项，ST+k_s为样本最后一期的季节项，s为季节周期长度，k为预测长度。
6.如权利要求1所述的基于小波多尺度三次指数平滑模型的季节性能耗数据预测方 法，其特征是在对近似数据和细节数据分别分别建立三次指数平滑模型并进行预测后，对 得到的各层预测数据进行小波重构。即对第三层分解的细节数据和近似数据的预测值进行 小波重构，得到第二层的近似数据的预测值；结合第二层细节部分进行小波重构，从而得到 第一层的近似部分；进而结合第一层的进行小波重构，最终得到能耗数据的预测值。
【文档编号】G06Q50/08GK104268651SQ201410508162
【公开日】2015年1月7日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】于凤芹, 戈永侃 申请人:江南大学