一种建筑物周边气温预测方法
【技术领域】
[0001] 本发明涉及气温预测领域，特别涉及一种建筑物周边气温预测方法。
【背景技术】
[0002] 现有的气温预测系统（或模型）中，一般研究对象是针对某一片大区域（如城 市），基于对该区域历史统计数据得出一个统计模型，再利用某些算法进行修正。较常采用 的是连续算法或者离散算法，如人工神经网络模型、指数平滑模型等，或由连续算法和离散 算法相结合衍生出新型神经网络算法模型。
[0003] 具体地，传统气温预测模型主要存在以下缺点：
[0004] -、主要针对的是大片区域，体现的是一个相对宏观的区域温度值，一般无法精确 到某一建筑物，其对于具体到该建筑物内的相关内容，如空调温度设定、能耗情况分析等， 是没有任何指导意义的。现实中的气温数据都是非平稳的，其变化受许多相关参数的影响， 如湿度、照度、风速、风向等等，有些起着长期的、决定性的作用，使气温的变化呈现某种趋 势和一定的规律性；有些则起着短期的、非决定性的作用，使气温的变化呈现出某种不规 则性。这些因素与实际气温的相关性是不一样的。
[0005] 二、不能有效地给出这些因素与实际气温相关性的解决方案，导致气温预测结果 出现较大偏差。
[0006] 三、没有考虑地形、地貌等对气温可能造成的影响。比如，处在山坡下和处于河流 边的建筑物的气温变化情况肯定不同。比如，建筑物处于北部则会比处于南部的建筑物，会 更早受到寒流的影响。这些因素，对建筑物室外的气温预测势必造成极大的影响，若预测模 型对此不进行考虑，则预测结果会产生较大误差。
[0007] 四、由于算法复杂，系统运行效率低下，很难做到实时、连续地对温度进行预测。
【发明内容】
[0008] 本发明的目的在于克服现有技术的缺点与不足，提供一种建筑物周边气温预测方 法，通过建立建筑物室外气温预测模型，对未来一定时间内的建筑物室外气温进行预测。
[0009] 本发明的目的通过以下的技术方案实现：
[0010] 一种建筑物周边气温预测方法，包含以下顺序的步骤：
[0011] 将每日的室外气温和城市气温的数值分别记录为一维时间序列，得到准备训练序 列；
[0012] 计算预测系数；
[0013] 进行局部线性预测；
[0014] 进行连续性预测。
[0015] 所述建筑物周边气温预测方法，具体包含以下顺序的步骤：
[0016] SI.准备训练序列：
[0017] 将每日的室外气温和城市气温的数值分别记录为一维时间序列：
[0018] x(l)，x(2)，x(3)，......，
[0019] x，（l)，x，（2)，x，（3)，......
[0020] 设待预测的值（即期望响应）为x(n+l)，局部线性预测器的阶数为K，则对x(n+l) 的预测可表示为：
[0021] i(/? + 1) = [λ.'(/? + …人'十 1)]-[(、,(^，..,,(：'人 I
[0022] 其中 X = [X'（n+1), x(n), x(n-l), · · · , x(n-K+l)]T为样本向量，c = [Cl，c2, . . .，cK]T为系数向量，称+1)为预测值；根据线性估计的最小均方误差准则，c应满 足尤利沃克方程：
[0023] Re = d
[0024] 其中，R = E(XXt)为样本向量的局部自相关矩阵（注意不是全局自相关），d = Ε(χ·χ(η+1))为输入向量与期望响应的局部互相关向量（注意不是全局互相关）；Ε(·)表 示取随机变量期望的操作；为了得到系数向量，需要使用一定长度的训练序列来估计自相 关矩阵和互相关向量；设训练序列的长度为Μ，意味着两组训练数据为：
[0025] X (η)，X (η_1)，· · ·，X (η-Μ+1)，
[0026] χ'（η)，χ'（η_1)，· · ·，χ'（η-Μ+1);
[0027] S2.计算预测系数：
[0028] 通过SI中两组长为M的训练序列，可以构造 Μ-Κ+1个预测方程；即可以将训练序 列分成Μ-Κ+1组，其中第i组的样本向量为=Xi= [X'⑴，x(i-l),. . .，x(i-K+l)] τ，期望响 应为：x(i)，构造的预测方程为：到〇 =晃\ η-Μ+Κ彡i彡η ;则自相关矩阵和互相关向量可 以按下式进行估计：
[0031] 其中，X=IX為为各个样本向量按列合成的矩阵；然后，即可计算 系数向量：
[0032] c = R M
[0033] S3.进行线性预测：
[0034] 由估计出的系数向量，即可对次日室外气温进行预测；
[0035] 又-(."十 1) = [τ'(《 十 1),λ-(")，λ-("-1)，…，…^
[0036] 其中，对《+1)为待预测的次日室外最高气温，X'（n+1)为次日城市最高气温，它可 以从气象部门的天气预报中获知；
[0037] S4.连续性预测：
[0038] 当时间向前推移一天（或一段时间段）后，训练序列和样本向量会随之更新，从而 估计出新的预测系数，进行后面一天（或一段时间段）的室外气温预测。
[0039] 可见，预测模型是自适应的、动态、可持续的。
[0040] 本发明与现有技术相比，具有如下优点和有益效果：
[0041] (1)提出针对建筑物室外的气温预测算法：本发明提出一种基于MA模型的局部线 性气温预测方法，建立建筑物室外气温预测模型，对未来一定时间内的建筑物室外气温进 行预测。
[0042] (2)根据建筑物室外的气温预测值，实现对室内设备的控制：对建筑物室外气温 进行预测后，将预测结果应用于建筑智慧能源管理系统，用于对建筑内环境参数的预先设 定，进而实现对制冷（热）和通风设备的智能控制。
[0043] (3)提高气温预测模型的预测精度：该建筑物室外气温预测模型，主要为将建筑 物室外气温和建筑物所在城市气温的历史数据、气象部门提供的未来城市气温的预测数据 都纳入预测模型之中，相对于单一数据源的预测方法，本方法可以显著提高预测精度。
[0044] (4)提高气温预测系统的运行效率：该建筑物室外气温预测模型，采用局部线型 预测方法，线性预测器的阶数较低，以及训练序列的长度是固定的较短时间长度。通过算法 的递归方式，使预测模型是自适应的、动态、可持续的。相对与传统预测方法，本方法可显著 提尚系统运彳丁效率。
【附图说明】
[0045] 图1为本发明所述的一种建筑物周边气温预测方法的流程图。
[0046] 图2为图1所述预测方法的预测气温与真实气温对比图。
[0047] 图3为图1所述预测方法的预测气温与真实气温的误差分析图。
【具体实施方式】
[0048] 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。
[0049] 如图1所示，建筑物周边气温预测方法，具体包含以下顺序的步骤：
[0050]