一种面向建筑能耗预测的bp神经网络模型配置方法
【技术领域】
[0001] 本发明涉及一种面向建筑能耗预测的BP神经网络模型配置方法，属于建筑能耗 预测技术领域。
【背景技术】
[0002] 随着中国人口的急剧增长和人们生活水平的不断提高，我国建筑面积成倍增加， 建筑能耗费用也不断增加。据统计，我国建筑能耗约占全社会总能耗的1/3。目前，建筑能 耗预测主要是根据历史能耗信息和相关环境信息，为未来建筑的可能用能情况进行预测。 建筑能耗预测不仅能够帮助管理人员合理安排系统运行方式，而且还能够利用实际值与预 测值的比较，进行建筑能耗异常检测，从而保证用能的安全进行。
[0003] 近几年，有关建筑能耗预测方法的研究已经出现很多，主要涉及到的方法有BP神 经网络算法、支持向量机、时间序列分析方法等。但是，现有的方法多以单一建筑、单一能耗 为对象实施进行的，研究结果都最终给出一个较好的实验模型作为最佳预测模型。还有，虽 然建筑能耗预测的方法理论研究较多，然而，实际的建筑能耗预测系统却出现空白，主要是 由于实际建筑能耗预测时，针对的建筑对象规模较多，能耗类型繁多，对于不同的建筑、不 同的分类分项能耗预测模型则不同，理论研究所给出的单一的预测模型很难满足实际复杂 多变的预测系统要求，因此，如何建立一种有效的、灵活的、可配置的预测模型配置设计方 案来满足实际预测系统复杂多变的需求，是当前急需解决的问题。
【发明内容】
[0004] 本发明的目的是为了克服现有的单一预测模型很难满足实际复杂多变的预测系 统要求的问题。本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能 耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模 型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗 预测系统易于实现，具有良好的应用前景。
[0005] 为了达到上述目的，本发明所采用的技术方案是：
[0006] -种面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：包括以下步 骤，
[0007] 步骤（A)，创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络 结构配置，并进行模型校验、基础网络模型保存；
[0008] 步骤（B)，训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训 练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存；
[0009] 步骤（C)，进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设 置、建筑能耗预测、预测结果保存。
[0010] 前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（A)，创 建可配置化的BP神经网络模型，包括以下过程，
[0011] (A1)对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解 析方式和数据加载方式；
[0012] (A2)定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；
[0013] (A3)进行BP神经网络模型的范围筛选；
[0014] (A4)建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任 意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及 到的参数进行设置；
[0015] (A5)建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任 意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及 到的参数进行设置；
[0016] (A6)建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层 神经元个数、训练周期、预测周期的配置；
[0017] (A7)进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配 置与网络结构的匹配校验，输入输出数据提取参数配置校验；
[0018] (A8)进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输入配 置信息。
[0019] 前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（B)，训 练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括以下过程，
[0020] (B1)能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤 提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速 率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行 设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出 进行相应的数据提取；
[0021] (B2)基础网络模型选择，选择是对步骤（A)中已经保存好的BP神经网络模型进行 选择；
[0022] (B3)对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模 式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行 选取训练；
[0023] (B4)预测训练模型的保存，将训练前、训练后的相关数据进行保存，相关数据包括 基础网络模型ID、训练时间、训练数据提取开始时间、训练数据提取结束时间、权重修正系 数、学习速率、归一化最大值、归一化最小值、训练代数、输入层到隐含层的权重信息，隐含 层到输出层的权重信息。
[0024] 前述的面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：步骤（C)，进 行建筑能耗数据预测，包括以下过程，
[0025] (C1)预测训练模型选择，对步骤⑶已经训练好的预测训练模型选择，并对需要 进行预测的时间段进行设置；
[0026] (C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预 测；
[0027] (C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据展示与追踪，包 括选择的训练模型ID，预测时间，预测能耗值。
[0028] 本发明的有益效果是：本发明的面向建筑能耗预测的BP神经网络模型配置方法， 将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离， 实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大 规模建筑的能耗预测系统易于实现，具有良好的应用前景。
【附图说明】
[0029] 图1是本发明的面向建筑能耗预测的BP神经网络模型配置方法的流程图。
[0030] 图2是本发明的形成预测训练模型的流程图。
[0031] 图3是本发明的进行建筑能耗数据预测的流程图。
【具体实施方式】
[0032] 下面将结合说明书附图，对本发明作进一步说明。以下实施例仅用于更加清楚地 说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0033] 本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预 测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的 可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测 系统易于实现，如图1所示，包括以下步骤，
[0034] 步骤（A)，创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络 结构配置，并进行模型校验、基础网络模型保存，创建过程如下，
[0035] (A1)对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解 析方式和数据加载方式；
[0036] (A2)定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；
[0037] (A3)进行BP神经网络模型的范围筛选；
[0038] (A4)建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任 意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及 到的参数进行设置；
[0039] (A5)建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任 意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及 到的参数进行设置；
[0040] (A6)建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层 神经元个数、训练周期、预测周期的配置；
[0041] (A7)进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配 置与网络结构的匹配校验，输入输出数据提取参数配置校验；
[0042] (A8)进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输入配 置信息；
[0043] 步骤（B)，训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训 练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存，形成过程如下，
[0044] (B1)能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤 提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速 率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行 设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出 进行相应的数据提取；
[0045] (B2)基础网络模型选择，选择是对步骤（A)中已经保存好的BP神经网络模型进行 选择；
[0046] (B3)对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模 式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行 选取训练；
[0047] 步骤（C)，进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设 置、建筑能耗预测、预测结果保存，预测过程如下，
[0048] (C1)预测训练模型选择，对步骤⑶已经训练好的预测训练模型选择，并对需要 进行预测的时间段进行设置；
[0049] (C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预 测；
[0050] (C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据追踪，包括选择 的训练模型ID，预测时间，预测能耗值。
[0051] 上述的步骤（A)-步骤（C)，建立的BP神经网络模型、形成预测训练模型，选择预测 训练模型，执行时具有先后顺序关系，模型之间的调用关系是一对多的关系，即一个BP神 经网络模型可对应多个预测训练模型，一个预测训练模型可进行多个数据的预测。
[0052] 如图2所示，步骤（B)训练嵌入能耗模式的BP神经网络模型，形成预测训练模型 的流程图，对基础网络模型进行解析，根据解析后的输入输出因素结合训练数据提取时间 进行数据提取，然后依次进行数据预处理、输出数据归一化、能耗模式过滤、BP神经网络训 练、训练模型保存等