本发明涉及建筑能耗预测的技术领域，尤其涉及一种基于时间序列AR模型和深度置信网络的建筑能耗预测方法。
背景技术：
近年来随着建筑年耗电量逐年上升，建筑能耗已成为是建筑节能监管和改造的主要对象。当前主要预测方法有：多元线性回归法、人工神经网络法、贝叶斯理论、灰色理论法等。以上预测方法大都属于浅层结构算法，在高维数据样本中对复杂的非线性关系学习效果不佳，而深度学习是模拟人类大脑活动进行分析的一种算法，由浅到深循序渐进学习，不断优化网络拓扑结构，选择理想学习参数，从而有效避免了浅层结构算法在多隐层网络中训练效果不理想问题。不同于许多其他机器学习方法，深度学习可以从大量的无标识历史数据中自动学习到数据有效特征，具有很强的数据分类识别和数据预测能力。
深度置信网络(deep belief network,DBN)是深度学习中一种应用最广泛的学习模型，而将时间序列的自回归(AR)模型与DBN网络相结合来预测大型建筑的分项能耗还未涉及。
技术实现要素：
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有建筑能耗短期预测方法存在的问题，提出了本发明。
因此，本发明目的是提供一种能够更加精确有效地预测建筑能耗中的各分项能耗。
为解决上述技术问题，本发明提供如下技术方案：一种建筑能耗短期预测方法，包括采集建筑分项能耗历史数据，确定并采集影响建筑能耗分项预测的主要影响因素历史数据，所述主要影响因素包括建筑照明能耗历史数据；
将采集的建筑照明能耗历史数据区分为输入数据和验证数据，分析并确定基于时间序列自回归模型构建照明能耗预测模型，并将输入数据作为预测模型的输入参数，对照明能耗短期预测并通过验证数据验证结果；
根据建筑分项能耗历史数据进行综合分析，建立建筑分项能耗数据库，然后与采集到的建筑分项能耗的主要影响因素归一化处理，最后再将预处理后的数据划分为训练数据和测试数据，利用训练数据和测试数据通过训练和测试构建基于深度学习DBN网络的能耗预测模型；
将时间序列模型预测出的照明能耗与实际监测的主要影响因素一同作为训练后DBN模型的输入参数，分项预测空调能耗、动力能耗、特殊能耗。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述建筑分项能耗包括空调能耗、动力能耗和特殊能耗，所述主要影响因素包括照明能耗、室外平均温度、室外平均湿度、天气特征值、节假日、平均风速和一天中的24个整点时刻这七个特征作为建筑能耗分项预测的主要影响因素。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述照明能耗预测模型基于时间序列分析方法来预测照明能耗，其包括照明能耗自相关系数和偏自相关系数的定义；
自相关系数：给定某天24小时的照明能耗值的7阶差分值为[df1,df2,L,df24]，dfi+k和dfi之间的线性相依程度定义为：
其中，r(k)＝Cov(dfi,dfi+k)为自协方差，Var(dfi)为方差，表示k滞后数。由于平稳时间序列的方差相等，所以
Var(dfi+k)＝Var(dfi)＝L＝Var(0) (2)
又由方差的定义知Var(0)＝r(0)＝σ2，所以公式(1)的递推式为：
因此，可以用递推式(3)计算出p(k)；
偏自相关系数：给定中间k-1个随机差分变量[dfi,dfi+1Λ,dfi-k+1]，则dfi+k对dfi-1的相关度定义为：
其中，
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述DBN网络模型包括无监督受限制性玻尔兹曼机RBM与有监督反向传播BP神经网络相结合的DBN网络模型来预测建筑分项能耗，其中：
RBM能量函数，又叫做专家乘积系统定义为：
其中，n表示可视单元数量，m表示隐含单元数量；
在式(5)表示的能量函数下，隐含层神经元hj被激活的概率为：
由于RBM是双向连接，可见层神经元同样能被隐含层神经元激活，其概率为：
其中，S(x)是tanh激活函数，输出在[-1,1]之间，相当于把输入的均值调整为0，便于后续处理，其表达式
同一层神经元之间具有独立性，所以概率密度满足独立性，得到下式：
采用逐层迭代的方式训练RBM，获得学习参数θ＝{W,b,c}的值，其中bi为可见节点i的偏置，cj为隐含层节点j的偏置，Wij为可见节点i与隐含层节点j之间的连接矩阵，通过学习参数拟合给定训练数据。
采用随机梯度上升法最大化对数似然函数对训练数据进行训练，最终权重的更新公式为：
VWij＝η(<vihj>data-<vihj>recon) (10)
Vbi＝η(<vi>data-<vi>recon) (11)
Vcj＝η(<hj>data-<hj>recon) (12)
其中，η为学习率，<～>data为训练样本定义的分布，<～>recon为模型重构后样本定义的分布。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述归一化处理包括，
建筑能耗数据(包括气象数据)归都转化到[-1,1]之间，进行归一化处理。归一化的公式为：
其中，x‘为归一化后的数据，x为样本原始输入数据，xmin和xmax为原始数据的最小值和最大值。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：深度置信网络结构还包括受限玻尔兹曼机的训练步骤：
将归一化预处理后的历史数据输入第一个RBM开始进行无监督训练，确定其权重及偏置，第一个RBM输出作为第二个RBM输入，训练第二个RBM，依次重复训练三个RBM，反复训练多次，实现模型参数的初始化；其次使用传统的BP神经网络的监督式学习方式，反向传播将误差自顶向下传播至每层RBM，调整所有RBM的模型参数，使DBN能够学习复杂数据内在的规律，用来建立DBN模型；最后，利用训练好的网络进行数据预测。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：所述深度置信网络还包括以下训练步骤：
数据的采集与预处理：采集与建筑分项能耗有关的影响因素，包括人为活动和非人为活动因素，人为活动因数有上下班时间、节假日、照明等，非人为活动因数有温度、湿度、风速等；
根据建筑分项能耗历史数据进行综合分析，建立建筑分项能耗数据库，然后与采集到的建筑分项能耗的影响因素一起进行归一化处理，最后再将预处理后的数据划分为训练数据和测试数据；
建构DBN网络预测模型，对其参数进行最优化设置，其包括RBM模型隐含层的层数、BP网络隐含层结点的个数等；
利用训练数据训练DBN模型，采用对比散度算法进行训练，并计算实际输出和目标输出的误差；
将测试数据输入到训练后的DBN模型中进行测试，得到空调能耗、动力能耗、特殊能耗的预测结果。
作为本发明所述的建筑能耗短期预测方法的一种优选方案，其中：还包括采用平均绝对误差(MAE)和均方根误差(RMSE)来作为预测模型性能的评价度量值，MAE更好地反映预测值误差的实际情况，RMSE反映了误差分布的离散程度。如RMSE越小，表明误差越小，预测效果越好。表达式为：
其中，n表示样本数，i表示预测序列，yi表示第i序列的实际值，表示第i序列的预测值。
本发明的有益效果：本发明提供的一种建筑能耗短期预测方法，能够更加精确有效地预测建筑能耗中的各分项能耗。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一种实施例所述建筑能耗短期预测方法的建筑能耗分项预测DBN网络流程拓扑图；
图2为本发明第一种实施例所述建筑能耗短期预测方法的照明能耗的高阶差分图；
图3为本发明第一种实施例所述建筑能耗短期预测方法的RBM网络结构图；
图4为本发明第一种实施例所述建筑能耗短期预测方法的深度置信网络结构图；
图5为本发明第二种实施例所述建筑能耗短期预测方法的自相关系数分析图；
图6为本发明第二种实施例所述建筑能耗短期预测方法的偏自相关系数分析图；
图7为本发明第二种实施例所述建筑能耗短期预测方法的照明能耗预测结果；
图8为本发明第二种实施例所述建筑能耗短期预测方法的空调能耗预测对比图；
图9为本发明第二种实施例所述建筑能耗短期预测方法的动力能耗预测对比图；
图10为本发明第二种实施例所述建筑能耗短期预测方法的特殊能耗预测对比图；
图11为本发明第二种实施例所述建筑能耗短期预测方法的空调能耗绝对误差对比图；
图12为本发明第二种实施例所述建筑能耗短期预测方法的动力能耗绝对误差对比图；
图13为本发明第二种实施例所述建筑能耗短期预测方法的特殊能耗绝对误差对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
在本实施例中针对现有总能耗预测方法中不能准确分辨建筑能耗的消耗去向以及预测精度较低的问题，根据能耗用途把总能耗分为四大项，提出了一种建筑能耗分项短期预测的新方法。首先构建基于时间序列自回归(AR)模型的照明能耗预测方法，对建筑物的照明能耗进行短期预测；其次，构建基于深度学习DBN网络的能耗预测模型，分项预测建筑的空调能耗、动力能耗(电梯、增压供水等)和特殊能耗(计算机房、厨房等)，并与其他网络模型能耗预测结果进行对比。结果表明本发明提出的预测方法能够更加精确有效地预测建筑能耗中的各分项能耗。具体的，参照图1中，包括以下步骤：
采集建筑分项能耗历史数据，确定并采集影响建筑能耗分项预测的主要影响因素历史数据，所述主要影响因素包括建筑照明能耗历史数据；
将采集的建筑照明能耗历史数据区分为输入数据和验证数据，分析并确定基于时间序列自回归模型构建照明能耗预测模型，并将输入数据作为预测模型的输入参数，对照明能耗短期预测并通过验证数据验证结果；
根据建筑分项能耗历史数据进行综合分析，建立建筑分项能耗数据库，然后与采集到的建筑分项能耗的主要影响因素归一化处理，最后再将预处理后的数据划分为训练数据和测试数据，利用训练数据和测试数据通过训练和测试构建基于深度学习DBN网络的能耗预测模型；
将时间序列模型预测出的照明能耗与实际监测的主要影响因素一同作为训练后DBN模型的输入参数，分项预测空调能耗、动力能耗、特殊能耗。
此处需要说明的是：照明能耗反映了建筑大厦内办公人数，而办公人数又直接影响空调能耗、动力能耗(电梯使用、二次供水使用)和特殊能耗(如机房用电、厨房用电)。室外平均温度与空调能耗关系密切，24个整点时刻与办公人数(上下班时间)又密切相关，同时天气特征值，节假日，平均风速都能够影响着空调能耗，所以综上理论分析，选择照明能耗、室外平均温度、室外平均湿度、天气特征值、节假日、平均风速和一天中的24个整点时刻这7个特征作为建筑能耗分项预测的主要影响因素。
因为照明能耗与建筑物内办公人数密切相关，反映的是人流量，但是办公人数是无法统计，只有通过照明能耗来反映，所以要用时间序列自回归模型来对照明能耗进行预测。因此照明能耗要作为输入参数先预测出来的影响因素。所以在本发明中所需采集的数据为建筑分项能耗包括空调能耗、动力能耗和特殊能耗，而主要影响因素包括照明能耗、室外平均温度、室外平均湿度、天气特征值、节假日、平均风速和一天中的24个整点时刻这七个特征作为建筑能耗分项预测的主要影响因素。
进一步的，本实施例中根据照明能耗在短时间内常表现为在过去能耗基础上的一种随机起伏，属于非平稳时间序列，但是照明能耗的高阶差分却是平稳的。如采集某天24小时照明能耗值为[x1,x2Λ,x24]＝[49.8,51.6,Λ,218.2](单位：Kwh)，其中xi表示第i时刻的照明能耗值，参照图2所示，照明能耗的7阶差分显示为平稳，则可采用时间序列分析方法来预测照明能耗：
本发明运用P阶自回归(AR)模型构建照明能耗的预测模型，下面给出照明能耗的自相关系数和偏自相关系数的定义，以便确定阶数P的值。
定义1：照明能耗的自相关性，给定某天24小时的照明能耗值的7阶差分值为[df1,df2,L,df24]，dfi+k和dfi之间的线性相依程度定义为：
其中，r(k)＝Cov(dfi,dfi+k)为自协方差，Var(dfi)为方差，表示k滞后数。由于平稳时间序列的方差相等，所以
Var(dfi+k)＝Var(dfi)＝L＝Var(0) (2)
又由方差的定义知Var(0)＝r(0)＝σ2，所以公式(1)的递推式为：
因此，可以用递推式(3)计算出p(k)。
定义2：照明能耗的偏自相关系数，给定中间k-1个随机差分变量[dfi,dfi+1Λ,dfi-k+1]，则dfi+k对dfi-1的相关度定义为：
其中，
以上为确定用时间序列自回归模型预测建筑的照明能耗并运用P阶自回归(AR)模型构建照明能耗的预测模型，将采集到的输入数据作为预测模型的输入参数，对照明能耗短期预测并通过验证数据验证结果。
基于上述采集的历史能耗数据以及预测的照明能耗值，构建基于深度学习DBN网络的能耗预测模型，并利用上述数据进行训练、测试和预测，具体的包括以下步骤：
步骤一：深度置信网络选择
本实施例中采用由3个无监督受限制性玻尔兹曼机RBM与1个有监督反向传播BP神经网络相结合的DBN网络模型来预测建筑分项能耗。
如图3所示，RBM作为一种神经感知器，。包含隐含层h和可见层v，隐含层与可见层之间通过连接矩阵w作为连接权值实现全双向连接。
RBM能量函数，又叫做专家乘积系统可定义为：
其中，n表示可视单元数量，m表示隐含单元数量。
在式(5)表示的能量函数下，隐含层神经元hj被激活的概率为：
由于RBM是双向连接，可见层神经元同样能被隐含层神经元激活，其概率为：
其中，S(x)是tanh激活函数，输出在[-1,1]之间，相当于把输入的均值调整为0，便于后续处理，其表达式为
同一层神经元之间具有独立性，所以概率密度满足独立性，得到下式：
采用逐层迭代的方式训练RBM，获得学习参数θ＝{W,b,c}的值，其中bi为可见节点i的偏置，cj为隐含层节点j的偏置，Wij为可见节点i与隐含层节点j之间的连接矩阵。通过学习参数拟合给定训练数据。
采用随机梯度上升法最大化对数似然函数对训练数据进行训练，最终权重的更新公式为：
VWij＝η(<vihj>data-<vihj>recon) (10)
Vbi＝η(<vi>data-<vi>recon) (11)
Vcj＝η(<hj>data-<hj>recon) (12)
其中，η为学习率，<～>data为训练样本定义的分布，<～>recon为模型重构后样本定义的分布。
步骤二：数据的预处理即归一化处理
为了使数据在统一尺度内，防止不同数量级引发建模病态问题，本发明将所有建筑能耗数据(包括气象数据)归都转化到[-1,1]之间，进行归一化处理，预处理的原始数据包括7个影响因子和空调、动力和特殊能耗的一年历史能耗值。归一化的公式为：
其中，x‘为归一化后的数据，x为样本原始输入数据，xmin和xmax为原始数据的最小值和最大值。
步骤二：深度置信网络结构
此步骤为RBM(受限玻尔兹曼机)的训练，具体的，如图4所示，首先将预处理后的原始数据输入第一个RBM开始进行无监督训练，确定其权重及偏置，第一个RBM输出作为第二个RBM输入，训练第二个RBM，依次重复训练3个RBM，反复训练多次，实现模型参数的初始化；其次使用传统的BP神经网络的监督式学习方式，反向传播将误差自顶向下传播至每层RBM，调整所有RBM的模型参数，使DBN能够学习复杂数据内在的规律，用来建立DBN模型；最后，利用训练好的网络进行数据预测。不难看出训练DBN包括无监督预训练和有监督微调这两2个过程，基于其强大的非线性映射能力，自动将输入数据之间的变化特征提取出来，将测试数据输入到DBN模型，得到其预测值。
步骤三：深度置信网络训练方法
此步骤为DBN模型的训练，再次参照图1所示，深度置信网络训练步骤如下：
数据的采集与预处理：采集与建筑分项能耗有关的影响因素，包括人为活动和非人为活动因素，人为活动因数有上下班时间、节假日、照明等，非人为活动因数有温度、湿度、风速等；
根据建筑分项能耗历史数据进行综合分析，建立建筑分项能耗数据库，然后与采集到的建筑分项能耗的影响因素一起进行归一化处理，最后再将预处理后的数据划分为训练数据和测试数据；
建构DBN网络预测模型，对其参数进行最优化设置，包括RBM模型隐含层的层数、BP网络隐含层结点的个数等；
利用训练数据训练DBN模型，为了加速训练过程，采用对比散度算法进行训练，并计算实际输出和目标输出的误差；
将测试数据输入到训练后的DBN模型中进行测试，得到空调能耗、动力能耗、特殊能耗的预测结果。
步骤四：模型性能的评价度量值
采用平均绝对误差(MAE)和均方根误差(RMSE)来作为模型性能的评价度量值，MAE更好地反映预测值误差的实际情况，RMSE反映了误差分布的离散程度。如RMSE越小，表明误差越小，预测效果越好。表达式为：
其中，n表示样本数，i表示预测序列，yi表示第i序列的实际值，表示第i序列的预测值。
实施例2
在本实施例中基于第一个实施例中构建基于时间序列自回归(AR)模型的照明能耗预测方法，对建筑物的照明能耗进行短期预测；其次，构建基于深度学习DBN网络的能耗预测模型，分项预测建筑的空调能耗、动力能耗(电梯、增压供水等)和特殊能耗(计算机房、厨房等)，在本实施例中利用构建的模型进行预测并与其他网络模型能耗预测结果进行对比。结果表明本发明提出的预测方法能够更加精确有效地预测建筑能耗中的各分项能耗。具体的，包括以下步骤：
步骤一：照明能耗的短期预测
采集某大厦2016年8月7日到2017年8月6日一整年的每小时照明能耗值使用时间序列AR模型进行预测，选取2017年7月31日到8月6日7×24＝168个整点时刻的照明能耗值进行模型的验证。
从图5可以看出，自相关系数的值衰减为小值波动的过程比较缓慢且连续，是拖着长长的尾巴，符合拖尾性；而从图6可以看出，偏自相关系数的值呈阻尼振荡，在滞后阶数为6的时候突然收敛到临界值0值，且在6阶之后偏自相关系数值都是0值，符合截尾性，所以自回归模型AR(P)的阶数P＝6，进一步验证了照明能耗预测符合自回归模型AR(6)。
2017年7月31日到8月6日整点时刻的照明能耗预测值与实际值曲线如图7所示，从图7可以看出，预测值曲线与实际值曲线拟合度较高，且平均绝对误差MAE＝9.9591，均方根误差RMSE＝13.5182，达到了预期的预测效果。
步骤二：空调、动力和特殊能耗的短期预测
实验样本数据来源于某大厦2016年8月7日到2017年8月6日一整年的每小时的空调能耗、动力能耗和特殊能耗的分项监测数据。其中2016年8月7日到2017年6月6日这10个月每小时的7296组数据作为训练数据，2017年6月7日到2017年7月30日的1296组数据作为测试数据。
将时间序列模型预测出的照明能耗与实际监测的室外平均温度、室外平均湿度、天气特征值、节假日、平均风速、一天中24个整点时刻一同作为输入参数，建立DBN模型预测2017年7月31日到2017年8月6日空调能耗、动力能耗、特殊能耗。
对于DBN网络模型，隐含层和隐含层神经元数量越多，算法的性能越好，但计算复杂度也随之增加。为此，在综合考虑算法性能和计算量下，设置RBM层数为3层，且每层隐含层神经元的数量为400、200、100，迭代次数为200，学习率为0.001；反向传播微调时，学习率改为0.1，迭代次数为500。
步骤三：预测结果的对比
基于同一历史数据，将本发明提出的建筑能耗预测模型预测的数据与现有2种建筑能耗预测模型：基于BP神经网络和基于iPSO-BP神经网络预测的数据相比较。选取一周的能耗预测值和实际值对这3种模型进行比较，其对比如图8、图9和图10所示。
从图8、图9和图10中能够看出，DBN模型预测值曲线比iPSO-BP模型和BP模型的预测值曲线与实际值曲线拟合度更好。为进一步验证预测结果，从图8、图9和图10中随机选取12组数据，分别将这三种模型预测值与实际值进行对比，如表1所示。建筑能耗分项预测DBN模型预测精度均比iPSO-BP模型和BP模型预测的精度高。
表1 DBN模型、iPSO-BP模型和BP模型能耗预测值与实际值对比
步骤四：空调、动力和特殊能耗预测结果分析
DBN模型、iPSO-BP模型和BP神经网络模型对空调能耗、动力能耗和特殊能耗预测的绝对误差对比如图11、图12和图13所示。
从图11、图12和图13中可以看出DBN模型、iPSO-BP模型和BP模型预测误差都是围绕0值上下波动，但是DBN模型预测误差比iPSO-BP模型和BP模型预测误差波动小，相对平稳。故DBN模型训练学习过程中准确性和稳定性更高。
根据式(14)和式(15)的性能指标，分别对测试数据进行分析比较，得到3个模型对三大能耗误差比对结果如表2所示。BP模型对空调、动力和特殊能耗预测的平均绝对误差分别为36.2153、9.0127、6.6296，iPSO-BP模型对空调、动力和特殊能耗预测的平均绝对误差分别为10.0822、3.3848、2.7347，而DBN模型对空调、动力和特殊能耗预测的平均绝对误差分别为5.4707、1.7916、1.6075；BP模型对空调、动力和特殊能耗预测的均方根误差分别为42.7680、12.3035、8.3477，iPSO-BP模型对空调、动力和特殊能耗预测的均方根误差分别为14.2698、5.1325、2.9536，而DBN模型对空调、动力和特殊能耗预测的平均相对误差分别为8.6575、2.9536、2.2178。可以看出，DBN模型能耗预测的平均绝对误差和均方根误差比iPSO-BP模型预测的要小点，而比BP模型要小的多，说明本文所提出的DBN预测模型对建筑能耗分项预测的效果更好，提高了建筑能耗预测的准确性。
表2 DBN模型、iPSO-BP模型和BP模型能耗预测的性能指标对比
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。