一种建筑用能负荷预测模型建立、负荷预测方法及其装置的制造方法

一种建筑用能负荷预测模型建立、负荷预测方法及其装置的制造方法
【专利摘要】本发明实施例涉及负荷预测技术领域，尤其涉及一种建筑用能负荷预测模型建立、负荷预测方法及其装置，首先通过PLS算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素成分(r<＝m)，将p种负荷结果转换成q种负荷结果成分(q<＝p)，然后将转换后的r个影响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型。由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷进行预测时，将m个负荷因素转换成r个负荷因素成分，提取影响负荷的主要因素，摒弃次要、冗余因素，减少负荷预测的计算量，并能够提高建筑用能负荷预测的精度。
【专利说明】
-种建筑用能负荷预测模型建立、负荷预测方法及其装置
技术领域
[0001] 本发明实施例设及负荷预测技术领域，尤其设及一种建筑用能负荷预测模型建 立、负荷预测方法及其装置。
【背景技术】
[0002] 对建筑进行负荷预测是城网规划的基础，对规划的质量起关键作用。由于城市建 设发展的过程是变化的，建筑预测数据也是变化的，未来发展的不确定性影响着负荷预测 的准确性。
[0003] 为提高负荷预测的准确性，在进行负荷预测时我们总希望凡是影响负荷的所有因 素都作为输入变量，特别是那些作用显著的因素不能漏掉。但是如果选择的相关因素太多， 意味着在资料收集上要全面准确，在实际中有些资料的收集是很困难的，并且用人工神经 网络进行预测时，选择输入的变量越多，预测的模型就越复杂，预测的精度也难W保证。
[0004] 此外，由于影响建筑用能负荷的因素非常多，包含了大量不确定、随机因素，因此 加大了对建筑未来用能负荷预测的计算量，影响了预测的精度。

【发明内容】

[0005] 本发明实施例提供一种建筑用能负荷预测模型建立、负荷预测方法和装置，用W 通过化S算法将影响建筑用能负荷的因素进行转换，减少计算量，提高建筑用能负荷预测的 精度。
[0006] 本发明实施例提供一种建筑用能负荷预测模型建立的方法，包括：
[0007] 确定m个影响建筑用能负荷的负荷因素，W及与m个影响建筑用能负荷的因素相应 的P种负荷结果；
[000引根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
[0009] 根据所述P种负荷结果的多个历史值，确定第二数据矩阵；
[0010] 将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行化S算法训练， 确定第一转换权重系数和第二转换权重系数;所述第一转换权重系数为所述m个负荷因素 的权重系数，所述第二转换权重系数为所述P种负荷结果的权重系数；
[0011] 根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确 定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
[0012] 根据所述第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确 定每个历史时刻的q种负荷结果成分；
[0013] 将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据 进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能 负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。
[0014] 较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的 η个时刻中每个时刻对应的环境因素和负荷结果;所述负荷结果为第一时刻的负荷结果;所 述第一时刻为历史时刻中的任意一个时刻。
[0015] 较佳的，在将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二 训练数据进行BP神经网络训练之前，还包括：
[0016] 将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处 理。
[0017] 较佳的，所述将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行 PLS算法训练，确定第一转换权重系数和第二转换权重系数;包括：
[0018] 步骤1、根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第 二单位特征向量；
[0019] 步骤2、根据所述第一数据矩阵和所述第一单位特征向量通过公式（1)，确定第一 分向量ti;
[0020] 根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
[0021] 公式（l)ti = Eowi;
[00。]公式(2)怎,=馬-/X;其中：
[0023]
为第一回归系数向量；af第一回归系数向量的转置向量;E〇为第 一数据矩阵；写f为第一数据矩阵的转置矩阵;化为第一单位特征向量;tl为第一分向量;El 为第一残差矩阵；
[0024] 步骤3、根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二 分向量；
[0025] 根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
[0026] 公式(3)山= Foci;
[0027] 公式(4)巧二巧-Μ,给其中：
[0028]
为第二回归系数向量;傅为第二回归系数向量的转置；
[0029] F日为第二数据矩阵;if为第二数据矩阵的转置矩阵；C1为第二单位特征向量;山为 第二分向量;Fi为第二残差矩阵；
[0030] 步骤4、判断所述第二残差矩阵中元素的绝对值是否近似为0,如果是，则将所述第 一单位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系 数;否则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，转 至步骤1。
[0031] 本发明实施例还提供一种建筑用能负荷预测方法，应用于上述实施例提供的建筑 用能预测模型，包括：
[0032] 获取待预测时刻的m个负荷因素；
[0033] 将所述m个负荷因素输入所述建筑用能预测模型，W使所述建筑用能预测模型根 据化S算法训练的第一转换权重系数确定r个负荷因素成分；
[0034] 根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负 荷结果值。
[0035] 本发明实施例还提供一种建立建筑用能负荷预测模型的装置，包括：
[0036] 确定模块，用于确定m个影响建筑用能负荷的负荷因素，W及与m个影响建筑用能 负荷的因素相应的P种负荷结果；
[0037] 根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
[0038] 根据所述P种负荷结果的多个历史值，确定第二数据矩阵；
[0039] 第一训练模块，用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据 进行化S算法训练，确定第一转换权重系数和第二转换权重系数;所述第一转换权重系数为 所述m个负荷因素的权重系数，所述第二转换权重系数为所述P种负荷结果的权重系数；
[0040] 根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确 定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
[0041] 根据所述第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确 定每个历史时刻的q种负荷结果成分；
[0042] 第二训练模块，用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分 作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，贝U 确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素 成分对应的期望值。
[0043] 较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的 η个时刻中每个时刻对应的环境因素和负荷结果;所述负荷结果为第一时刻的负荷结果;所 述第一时刻为历史时刻中的任意一个时刻。
[0044] 较佳的，所述第一训练模块还用于:在将多个历史时刻对应的r个负荷因素成分和 q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，将所述多个历史时刻对应 的r个负荷因素成分和q种负荷结果成分进行归一化处理。
[0045] 较佳的，所述第一训练模块具体用于：
[0046] 根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位 特征向量；
[0047] 根据所述第一数据矩阵和所述第一单位特征向量通过公式（1)，确定第一分向量 tl；
[0048] 根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵；
[0049] 公式（l)ti = Eowi;
[0化0] 公式(2)
其中：
[0051]
为第一回归系数向量;巧『第一回归系数向量的转置向量;Eo为第 一数据矩阵；Ef为第一数据矩阵的转置矩阵;W1为第一单位特征向量;tl为第一分向量;El 为第一残差矩阵；
[0052] 根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
[0053] 根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
[0化4]公式（3)山= Foci;
[0化5] 公式(4)巧=巧-Μ 1《其中：
[0056]
3i为第二回归系数向量;《为第二回归系数向量的转置；
[0057] F日为第二数据矩阵；if为第二数据矩阵的转置矩阵；C1为第二单位特征向量;U1为 第二分向量;Fi为第二残差矩阵；
[0058] 判断所述第二残差矩阵中元素的绝对值是否近似为0,如果是，则将所述第一单位 特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数;否则 将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，并根据所述 第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量。
[0059] 本发明实施例还提供一种建筑用能负荷预测模型，应用于上述实施例提供的建筑 用能预测模型，包括：
[0060] 获取模块，用于获取待预测时刻的m个负荷因素；
[0061 ]转换模块，用于将所述m个负荷因素输入所述建筑用能预测模型，W使所述建筑用 能预测模型根据化S算法训练的第一转换权重系数确定r个负荷因素成分；
[0062] 预测模块，用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测 时刻的预测负荷结果值。
[0063] 上述实施例提供的建筑用能负荷预测模型建立、负荷预测方法和装置，包括:确定 m个影响建筑用能负荷的负荷因素，W及与m个影响建筑用能负荷的因素相应的P种负荷结 果;根据m个负荷因素的多个历史值，确定第一数据矩阵;根据P种负荷结果的多个历史值， 确定第二数据矩阵;将第一数据矩阵和第二数据矩阵作为第一训练数据进行化S算法训练， 确定第一转换权重系数和第二转换权重系数;根据第一转换权重系数和每个历史时刻所对 应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负荷的负荷因素成分； 根据第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确定每个历史时 刻的q种负荷结果成分;将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为 第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定 所述建筑用能负荷的负荷计算模型。可W看出，在确定负荷计算模型的过程中，由于首先通 过化S算法训练筛选影响建筑用能负荷因素中的主要因素，擬弃次要因素，找到影响建筑用 能负荷的关键点，即通过化S算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑 用能负荷的负荷因素成分，将P种负荷结果转换成q种负荷结果成分，然后将转换后的r个影 响建筑用能负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能 负荷的负荷计算模型，因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计 算量，从而能够提高建筑用能负荷预测的精度。
[0064] 上述实施例提供的一种建筑用能负荷预测方法和装置，应用于上述实施例提供的 建筑用能预测模型，包括:获取待预测时刻的m个负荷因素;将m个负荷因素输入所述建筑用 能预测模型，W使建筑用能预测模型根据化S算法训练的第一转换权重系数确定r个负荷因 素成分;根据r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结果 值。可W看出，由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用能负荷 进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测的计算量，进 而能够提高建筑用能负荷预测的精度。
【附图说明】
[0065] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简要介绍。
[0066] 图1为本发明实施例提供的一种建筑用能负荷预测模型建立的方法流程图；
[0067] 图2为本发明实施例提供的根据第一数据矩阵和第二数据矩阵确定第一转换权重 系数和第二转换权重系数的方法流程图；
[0068] 图3为本发明实施例提供的BP神经网路算法训练的方法流程图；
[0069] 图4为本发明实施例提供的一种建筑用能负荷预测方法的流程图；
[0070] 图5为本发明实施例提供的一种建立建筑用能负荷预测模型的装置的结构示意 图；
[0071 ]图6为本发明实施例提供的一种建立建筑用能负荷预测模型的结构示意图。
【具体实施方式】
[0072] 为了使本发明的目的、技术方案及有益效果更加清楚明白，W下结合附图及实施 例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发 明，并不用于限定本发明。
[0073] 图1示例性示出了本发明实施例提供的一种建筑用能负荷预测模型建立的方法流 程图，如图1所示，该方法可包括：
[0074] S101、确定m个影响建筑用能负荷的负荷因素，W及与m个影响建筑用能负荷的因 素相应的P种负荷结果。
[0075] S102、根据m个负荷因素的多个历史值，确定第一数据矩阵。
[0076] S103、根据P种负荷结果的多个历史值，确定第二数据矩阵。
[0077] S104、将第一数据矩阵和第二数据矩阵作为第一训练数据进行化S"artial Least Square,偏最小二乘法)算法训练，确定第一转换权重系数和第二转换权重系数。
[0078] 其中，第一转换权重系数为m个负荷因素的权重系数;第二转换权重系数为P种负 荷结果的权重系数。
[0079] S105、根据第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确 定每个历史时刻的r个影响建筑用能负荷的负荷因素成分。
[0080] S106、根据第二转换权重系数和每个历史时刻所对应的P种负荷的历史值，确定每 个历史时刻的q种负荷结果成分。
[0081] S107、将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练 数据进行BP神经网路训练，直至BP(Back Propagation,向后传播算法)神经网络训练的训 练结果小于设定的误差，则确定建筑用能负荷的负荷计算模型。
[0082] 其中，q种负荷结果成分为r个负荷因素成分对应的期望值。
[0083] 在上述步骤S101中，负荷因素可包括第一时刻、第一时刻对应的环境因素、第一时 刻之前的η个时刻中每个时刻对应的环境因素和负荷结果。其中，负荷结果为第一时刻的负 荷结果，第一时刻为历史时刻中的任意一个时刻。
[0084] 例如，可W根据月份、时刻、溫度、湿度、前一时刻溫度、前一时刻湿度、前一时刻冷 负荷、前一时刻热负荷、前一时刻电负荷、前二时刻溫度、前二时刻湿度、前二时刻冷负荷、 前二时刻热负荷、前二时刻电负荷、前一天溫度、前一天湿度、前一天冷负荷、前一天热负 荷、前一天电负荷、前二天溫度、前二天湿度、前二天冷负荷、前二天热负荷、前二天电负荷、 前屯天溫度、前屯天湿度、前屯天冷负荷、前屯天热负荷、前屯天电负荷运些部分或全部负 荷因素，确定m个影响建筑用能负荷的负荷因素。
[0085] 相应的，可W根据在确定m个负荷因素时的时刻确定P种负荷结果。例如，如果在确 定m个负荷因素时选择的时刻为0时刻，则P种负荷结果为0时刻对应的冷负荷值、当前热负 荷值、电负荷值;如果在确定m个负荷因素时选择的时刻为1时刻，则P种负荷结果为1时刻对 应的冷负荷值、当前热负荷值、电负荷值;如果在确定m个负荷因素时选择的时刻为2时刻， 贝虹种负荷结果为2时刻对应的冷负荷值、当前热负荷值、电负荷值。依次类推，在此不再举 例说明。
[0086] 需要说明的是，上述的m个负荷因素可W是一个负荷因素也可W是多个多个负荷 因素，上述的P种负荷可W是一种负荷，也可W是多种负荷。
[0087] 当确定的负荷因素的数值为12即m的取值为12,负荷的种类为一种即P的取值为1 时，确定的m个影响建筑用能负荷的负荷因素 W及与m个影响建筑用能负荷的因素相应的P 中负荷结果的存储形式可参见表格一。
[0088] 表格一
[0089]
[0091] 在上述步骤S102中，可根据m个负荷因素的多个历史值，确定第一数据矩阵。
[0092] 在上述步骤S103中，可根据P种负荷结果的多个历史值，确定第二数据矩阵。
[0093] 具体的，若把m个影响建筑用能负荷的负荷因素记为xi，X2, . . .，xm，W及将与m个影 响建筑用能负荷的因素相应的P种负荷结果记为yi，y2,...，yp，则m个影响建筑用能负荷的 负荷因素 χι，Χ2,. . .，xmW及将与m个影响建筑用能负荷的因素相应的P种负荷结果记为yi, 72,...，yp的η次观测数据可分别记为
[0094]
[00Μ]其中，Εο为第一数据矩阵;Fo为第二数据矩阵。
[0096] 基于第一数据矩阵Εο、第二数据矩阵Fo的基础上，在根据第一数据矩阵Εο和第二数 据矩阵Fo确定第一转换权重系数和第二转换权重系数的方法流程可参见图2。
[0097] S201、根据第一数据矩阵Εο和第二数据矩阵Fo,确定第一单位特征向量W1和第二单 位特征向量C1。
[0098] 具体的，将巧F。巧而的最大特征值所对应的单位特征向量作为第一单位特征向 量W1;将旬每'巧的最大特征值所对应的单位特征向量作为第二单位特征向量C1。
[0099] S202、根据第一数据矩阵Εο和第一单位特征向量W1通过公式（1)，确定第一分向量 ti;根据第一数据矩阵Εο和第一分向量ti通过公式(2)，确定第一残差矩阵El。
[0100] 公式（l)ti = Eowi;
[0101] 公式(2)S =馬-'1抹f ;其中：
[0102]>αι为第一回归系数向量;《f第一回归系数向量的转置向量;臥为第
， 一数据矩阵;辟为第一数据矩阵的转置矩阵;W1为第一单位特征向量;tl为第一分向量化为 第一残差矩阵。
[0103] S203、根据第二数据矩阵Fo和第二单位特征向量C1通过公式(3)，确定第二分向量 山;根据第二数据矩阵Fo和第二分向量m通过公式(4)，确定第二残差矩阵Fi。
[0104] 公式(3)山= Foci;
[0105] 公式(4)Fi=巧-K,应其中：
[0106]
3i为第二回归系数向量;保为第二回归系数向量的转置；
[0107] F日为第二数据矩阵；巧为第二数据矩阵的转置矩阵；C1为第二单位特征向量;山为 第二分向量;Fi为第二残差矩阵。
[0108] S204、判断第二残差矩阵Fi中元素的绝对值是否近似为0,如果是，则转至步骤 S205,否则转至步骤S206。
[0109] S205、将第一单位特征向量作为第一转换权重系数wi，将第二单位特征向量作为 第二转换权重系数C1。
[0110] S206、将第一残差矩阵El和第二残差矩阵Fi作为第一数据矩阵和第二数据矩阵，转 至步骤S201。
[0111] 在确定出第一转换权重系数和第二转换权重系数之后，可根据第一转换权重系数 和每个历史时刻所对应的m个负荷因素的历史值，确定每个历史时刻的r个影响建筑用能负 荷的负荷因素成分。
[0112] 同理，可根据第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值， 确定每个历史时刻的q个影响建筑用能负荷的负荷结果成分。
[0113] 具体的，可将第一转换权重系数与每个历史时刻所对应的m个负荷因素的历史值 的乘积，作为每个历史时刻的r个影响建筑用能负荷的负荷因素成分。可将第二转换权重系 数与每个历史时刻所对应的P种负荷结果的历史值的乘积，作为每个历史时刻的q个影响建 筑用能负荷的负荷结果成分。
[0114] 例如，若基于表格一中0时刻数据的基础上，确定第一转换权重系数和第二转换权 重系数，则可将第一转换权重系数和表格一中的0时刻所对应的12个负荷因素的历史值的 乘积，作为0时刻r个影响建筑用能负荷的负荷因素成分;则可将第二转换权重系数和表格 一中的0时刻所对应的负荷结果的乘积，作为0时刻q个影响建筑用能负荷的负荷结果成分。
[0115] 需要注意的是，对于nXm的第一数据矩阵Eo而言，r的取值为第一数据矩阵Eo的秩， 且r《min(n-l，m);对于nXp的第二数据矩阵Fo而言，q的取值为第二数据矩阵Fo的秩，且q《 min(n-l,ρ)。
[0116] 需要说明的是，r个负荷因素成分中的每一个负荷因素成分均为m个负荷因素的线 性关系，q种负荷结果成分中的每一种负荷结果成分均为P种负荷的线性关系。
[0117] 因此，将第一数据矩阵Eo和第二数据矩阵Fo经过化S算法训练后，将m个负荷因素转 换成r个负荷因素成分，W及将P种负荷转变成q种负荷结果成分，减少了负荷因素的个数和 负荷的种类数，从而能够减少负荷预测的计算量，进而能够提高建筑用能负荷预测的精度。
[0118] 在确定出r个负荷因素成分和q个负荷结果成分之后，还可对r个负荷因素和q中负 荷结果成分进行归一化处理。
[0119] 将归一化处理后的参数进行BP神经网络训练，W下进入BP神经网络训练算法流 程。
[0120] 将r个负荷因素成分和q个负荷结果成分进行归一化处理后，进行BP神经网路算法 训练的方法流程，可参见图3。
[0121] S301:将r个负荷因素成分和q种负荷结果成分作为第二训练数据进行BP神经网络 训练。
[0122] 其中，q种负荷结果成分为所述r个负荷因素成分对应的期望值。
[0123] S302:计算BP神经网络各层实际输出W及误差。
[0124] S303:判断所述误差是否小于误差目标或达到计算次数，如果是，则转至步骤 S304,否则转至步骤S305。
[0125] S304、根据训练结果确定输入层与隐含层之间的转换权重系数W及隐含层与输出 层之间的转换权重系数。
[0126] S305、修改输入层与隐含层之间的转换权重系数W及隐含层与输出层之间的转换 权重系数，返回步骤S301。
[0127] 在进行BP神经网络算法训练之前，还需要对BP神经网络侧层次机构进行设计，确 定输入神经元的节点数、隐含层数、W及输出层的节点数。
[0128] W下对BP神经网络进行简要的介绍。
[0129] 假定BP神经网络由L层神经元组成，其中第1层称为输入层，最后一层(第L层)称为 输出层，其它各层称为隐含层(第2层至第层）；输入层有r个神经元;输出层有q个神经 元;第1隐含层各神经元的输出为：的"i，…，鸣i),其中S1为第1层神经元的个数(本发明 实施例中中一般L取值为3，S1为巧r+1，其中r为输入层神经元个数）。
[0130] 设wf为从1-1层第j个神经元与第1层第i个神经元之间的权重;皆> 为第1层第i个 神经元的偏置，那么
η纽f为1层第i个神经元的输 入，/批域P)为神经元的激活函数。常用的激活函数巧
[0131] 假定有r个训练样本{^(1)，八1))，-，，^片），7^))}，其中(1(。为对应输入义(。 的期望输出。B巧巾经网络算法通过最优化各层神经元的输入权值W及偏置，使得神经网络 的输出尽可能地接近期望输出，W达到训练的目的。
[0132] 对于给定的r个训练样本，定义误差函数巧
痒中E(i)为单个样本的 训练误差
[0133] 若E小于设定的误差，则训练结束;否则BP神经网络算法按照W下方式对权值W及
偏置进行更新 其中α为学习速率，它的取值范围 > 予 为(〇，1)。
[0134] 输出层的偏导避
令
[0135] 对隐含层第1层（2《1《^1)的权值和偏置的偏导可^表示为

[0136] 根据W上内容可W看出，在确定负荷计算模型的过程中，由于首先通过化S算法训 练筛选影响建筑用能负荷因素中的主要因素，擬弃次要因素，找到影响建筑用能负荷的关 键点，即通过化S算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的 负荷因素成分，将P种负荷结果转换成q种负荷结果成分，然后将转换后的r个影响建筑用能 负荷的负荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷 计算模型，因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计算量，从而 能够提高建筑用能负荷预测的精度。
[0137] 基于上述本发明实施例提供的建立建筑用能负荷预测模型的方法所建立的建筑 用能负荷预测模型的基础上，本发明实施例还提供一种建筑用能负荷预测方法。
[0138] 图4示例性示出了本发明实施例提供的一种建筑用能负荷预测方法的流程图。如 图4所示，该方法流程可包括：
[0139] S401、获取待预测时刻的m个负荷因素。
[0140] S402、将m个负荷因素输入所述建筑用能预测模型，W使所述建筑用能预测模型根 据化S算法训练的第一转换权重系数确定r个负荷因素成分。
[0141] S403、根据r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负 荷结果值。
[0142] 可W看出，由于应用于本发明实施例提供的建筑用能预测模型，因此在对建筑用 能负荷进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测的计 算量，进而能够提高建筑用能负荷预测的精度。
[0143] 基于相同的技术构思，本发明实施例还提供一种建立建筑用能负荷预测模型的装 置。
[0144] 图5示例性示出了本发明实施例提供的一种建立建筑用能负荷预测模型的装置的 结构示意图。如图5所示，该装置可包括：
[0145] 确定模块501，用于确定m个影响建筑用能负荷的负荷因素，W及与m个影响建筑用 能负荷的因素相应的P种负荷结果；
[0146] 根据所述m个负荷因素的多个历史值，确定第一数据矩阵；
[0147] 根据所述P种负荷结果的多个历史值，确定第二数据矩阵；
[0148] 第一训练模块502,用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练 数据进行化S算法训练，确定第一转换权重系数和第二转换权重系数;所述第一转换权重系 数为所述m个负荷因素的权重系数，所述第二转换权重系数为所述P种负荷结果的权重系 数；
[0149] 根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确 定每个历史时刻的r个影响建筑用能负荷的负荷因素成分；
[0150] 根据所述第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确 定每个历史时刻的q种负荷结果成分；
[0151] 第二训练模块503,用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果 成分作为第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误 差，则确定所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷 因素成分对应的期望值。
[0152] 较佳的，所述负荷因素包括第一时刻、第一时刻对应的环境因素、第一时刻之前的 η个时刻中每个时刻对应的环境因素和负荷结果;所述负荷结果为第一时刻的负荷结果;所 述第一时刻为历史时刻中的任意一个时刻。
[0153] 较佳的，第一训练模块502还用于:在将多个历史时刻对应的r个负荷因素成分和q 种负荷结果成分作为第二训练数据进行BP神经网络训练之前，将所述多个历史时刻对应的 r个负荷因素成分和q种负荷结果成分进行归一化处理。
[0154] 较佳的，第一训练模块502具体用于：
[0155] 根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位 特征向量；
[0156] 根据所述第一数据矩阵和所述第一单位特征向量通过公式（1)，确定第一分向量 tl；
[0157] 根据所述第一数据矩阵和所述第一分向量通过公式(2 )，确定第一残差矩阵；
[015 引公式（l)ti = Eowi;
[0159]公式(2)怎,=&-相;其中：
[0160]
11为第一回归系数向量；α/'第一回归系数向量的转置向量;Eo为第 一数据矩阵；&^为第一数据矩阵的转置矩阵;化为第一单位特征向量;tl为第一分向量;El 为第一残差矩阵；
[0161] 根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量；
[0162] 根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵；
[0163] 公式(3)山= Foci;
[0164] 公式(4) 二 其中：
[0165]
执为第二回归系数向量;終为第二回归系数向量的转置；
[0166] F日为第二数据矩阵;i穿为第二数据矩阵的转置矩阵；C1为第二单位特征向量;山为 第二分向量;Fi为第二残差矩阵；
[0167] 判断所述第二残差矩阵中元素的绝对值是否近似为0,如果是，则将所述第一单位 特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数;否则 将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，并根据所述 第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量。
[0168] 基于相同的技术构思，本发明实施例还提供一种建筑用能负荷预测模型。
[0169] 图6示例性示出了本发明实施例提供的一种建立建筑用能负荷预测模型的结构示 意图。如图6所示，该预测模型可包括：
[0170] 获取模块601，用于获取待预测时刻的m个负荷因素；
[0171] 转换模块602,用于将所述m个负荷因素输入所述建筑用能预测模型，W使所述建 筑用能预测模型根据化S算法训练的第一转换权重系数确定r个负荷因素成分；
[0172] 预测模块603,用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待 预测时刻的预测负荷结果值。
[0173] 综上，可W看出，在确定负荷计算模型的过程中，由于首先通过化S算法训练筛选 影响建筑用能负荷因素中的主要因素，擬弃次要因素，找到影响建筑用能负荷的关键点，即 通过化S算法将m个影响建筑用能负荷的负荷因素转换为r个影响建筑用能负荷的负荷因素 成分，将P种负荷结果转换成q种负荷结果成分，然后将转换后的r个影响建筑用能负荷的负 荷因素成分和q种负荷结果成分进行BP神经网络训练，确定建筑用能负荷的负荷计算模型， 因此使用所述负荷计算模型对建筑用能负荷进行预测时能够减少计算量，从而能够提高建 筑用能负荷预测的精度。由于应用于本发明实施例提供的建筑用能预测模型，因此在对建 筑用能负荷进行预测时，能够将m个负荷因素转换成r个负荷因素成分，从而减少负荷预测 的计算量，进而能够提高建筑用能负荷预测的精度。
[0174] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、W及流程图和/或方框图中的流程和/或方框的结合。可提供运些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器W产 生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0175] 运些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备W特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0176] 运些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤W产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。
[0177] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造 性概念，则可对运些实施例作出另外的变更和修改。所W，所附权利要求意欲解释为包括优 选实施例W及落入本发明范围的所有变更和修改。
[0178] 显然，本领域的技术人员可W对本发明进行各种改动和变型而不脱离本发明的精 神和范围。运样，倘若本发明的运些修改和变型属于本发明权利要求及其等同技术的范围 之内，则本发明也意图包含运些改动和变型在内。
【主权项】
1. 一种建筑用能负荷预测模型建立的方法，其特征在于，包括： 确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷的因素相应的p 种负荷结果； 根据所述m个负荷因素的多个历史值，确定第一数据矩阵； 根据所述P种负荷结果的多个历史值，确定第二数据矩阵； 将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行PLS算法训练，确定 第一转换权重系数和第二转换权重系数;所述第一转换权重系数为所述m个负荷因素的权 重系数，所述第二转换权重系数为所述P种负荷结果的权重系数； 根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每 个历史时刻的r个影响建筑用能负荷的负荷因素成分； 根据所述第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确定每 个历史时刻的q种负荷结果成分； 将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行 BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定所述建筑用能负荷 的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分对应的期望值。2. 如权利要求1所述的方法，其特征在于，所述负荷因素包括第一时刻、第一时刻对应 的环境因素、第一时刻之前的η个时刻中每个时刻对应的环境因素和负荷结果;所述负荷结 果为第一时刻的负荷结果;所述第一时刻为历史时刻中的任意一个时刻。3. 如权利要求1所述的方法，其特征在于，在将多个历史时刻对应的r个负荷因素成分 和q种负荷结果成分作为第二训练数据进行BP神经网络训练之前，还包括： 将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。4. 如权利要求1所述的方法，其特征在于，所述将所述第一数据矩阵和所述第二数据矩 阵作为第一训练数据进行PLS算法训练，确定第一转换权重系数和第二转换权重系数;包 括： 步骤1、根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单 位特征向量； 步骤2、根据所述第一数据矩阵和所述第一单位特征向量通过公式（1)，确定第一分向 量ti; 根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵； 公式（l)ti = Eowi; 公式⑵爲其中： A ^为第一回归系数向量；off第一回归系数向量的转置向量;Εο为第一数 据矩阵;税为第一数据矩阵的转置矩阵;W1为第一单位特征向量;ti为第一分向量;El为第一 残差矩阵； 步骤3、根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向 量； 根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵； 公式(3)ui = Foci; 公式(4)f '其中： 2 A =埒V Cl，为第二回归系数向量;厚为第二回归系数向量的转置； F〇为第二数据矩阵;if为第二数据矩阵的转置矩阵;C1为第二单位特征向量;m为第二 分向量;Fi为第二残差矩阵； 步骤4、判断所述第二残差矩阵中元素的绝对值是否近似为0,如果是，则将所述第一单 位特征向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数;否 则将所述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，转至步骤 1〇5. -种建筑用能负荷预测方法，其特征在于，应用于权利要求1至4所述的建筑用能预 测模型，包括： 获取待预测时刻的m个负荷因素； 将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预测模型根据PLS 算法训练的第一转换权重系数确定r个负荷因素成分； 根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻的预测负荷结 果值。6. -种建立建筑用能负荷预测模型的装置，其特征在于，包括： 确定模块，用于确定m个影响建筑用能负荷的负荷因素，以及与m个影响建筑用能负荷 的因素相应的P种负荷结果； 根据所述m个负荷因素的多个历史值，确定第一数据矩阵； 根据所述P种负荷结果的多个历史值，确定第二数据矩阵； 第一训练模块，用于将所述第一数据矩阵和所述第二数据矩阵作为第一训练数据进行 PLS算法训练，确定第一转换权重系数和第二转换权重系数;所述第一转换权重系数为所述 m个负荷因素的权重系数，所述第二转换权重系数为所述p种负荷结果的权重系数； 根据所述第一转换权重系数和每个历史时刻所对应的m个负荷因素的历史值，确定每 个历史时刻的r个影响建筑用能负荷的负荷因素成分； 根据所述第二转换权重系数和每个历史时刻所对应的P种负荷结果的历史值，确定每 个历史时刻的q种负荷结果成分； 第二训练模块，用于将多个历史时刻对应的r个负荷因素成分和q种负荷结果成分作为 第二训练数据进行BP神经网络训练，直至BP神经网络训练的结果小于设定的误差，则确定 所述建筑用能负荷的负荷计算模型，其中，所述q种负荷结果成分为所述r个负荷因素成分 对应的期望值。7. 如权利要求6所述的装置，其特征在于，所述负荷因素包括第一时刻、第一时刻对应 的环境因素、第一时刻之前的η个时刻中每个时刻对应的环境因素和负荷结果;所述负荷结 果为第一时刻的负荷结果;所述第一时刻为历史时刻中的任意一个时刻。8. 如权利要求6所述的装置，其特征在于，所述第一训练模块还用于:在将多个历史时 刻对应的r个负荷因素成分和q种负荷结果成分作为第二训练数据进行ΒΡ神经网络训练之 前，将所述多个历史时刻对应的r个负荷因素成分和q种负荷结果成分进行归一化处理。9. 如权利要求6所述的装置，其特征在于，所述第一训练模块具体用于： 根据所述第一数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征 向量； 根据所述第一数据矩阵和所述第一单位特征向量通过公式(1)，确定第一分向量t1; 根据所述第一数据矩阵和所述第一分向量通过公式(2)，确定第一残差矩阵； 公式（l)ti = Eowi; 公式⑵耳=尽-其中： 2 % =￡^4/ Α _αι为第一回归系数向量;<第一回归系数向量的转置向量;Eq为第一数 ， 据矩阵；4为第一数据矩阵的转置矩阵;W1为第一单位特征向量;ti为第一分向量;El为第一 残差矩阵； 根据所述第二数据矩阵和所述第二单位特征向量通过公式(3)，确定第二分向量； 根据所述第二数据矩阵和所述第二分向量通过公式(4)，确定第二残差矩阵； 公式(3)ui = Foci; 公式(4)f； = 其中： 2 A V Q，为第二回归系数向量;疋为第二回归系数向量的转置； Fo为第二数据矩阵;F/为第二数据矩阵的转置矩阵;^为第二单位特征向量;m为第二 分向量;Fi为第二残差矩阵； 判断所述第二残差矩阵中元素的绝对值是否近似为〇，如果是，则将所述第一单位特征 向量作为第一转换权重系数，将所述第二单位特征向量作为第二转换权重系数;否则将所 述第一残差矩阵和所述第二残差矩阵作为第一数据矩阵和第二数据矩阵，并根据所述第一 数据矩阵和所述第二数据矩阵，确定第一单位特征向量和第二单位特征向量。10. -种建筑用能负荷预测模型，其特征在于，应用于权利要求6至9所述的建筑用能预 测模型，包括： 获取模块，用于获取待预测时刻的m个负荷因素； 转换模块，用于将所述m个负荷因素输入所述建筑用能预测模型，以使所述建筑用能预 测模型根据PLS算法训练的第一转换权重系数确定r个负荷因素成分； 预测模块，用于根据所述r个负荷因素成分进行BP神经网络训练，输出所述待预测时刻 的预测负荷结果值。
【文档编号】G06Q10/04GK106067075SQ201610387529
【公开日】2016年11月2日
【申请日】2016年6月1日 公开号201610387529.2, CN 106067075 A, CN 106067075A, CN 201610387529, CN-A-106067075, CN106067075 A, CN106067075A, CN201610387529, CN201610387529.2
【发明人】宋志春, 聂志华, 王亚静
【申请人】新奥泛能网络科技股份有限公司