[发明专利]基于分项计量时间序列的建筑能耗预测方法、系统及建筑物

权利要求书

1.一种基于分项计量时间序列建筑能耗预测方法，其特征在于：包括，

采集建筑的能耗以及温度的数据并存储；

将采集存储的能耗和温度数据作为时间序列分析方法的输入参数；

根据分项计量和相关性分析，将时间序列分析方法预测出能耗和温度趋势以及时间因子作为建筑能耗的主要影响因素；

将确立好的主要影响因数和采集的能耗作为建立好的BP神经网络模型中的参数，来预测出未来建筑的能耗；

所述采集建筑的能耗及温度的数据并存储，其是通过能耗数据采集系统进行，

所述能耗数据采集系统包括，

计量层(100)，包括能耗计量采集设备(101)和温度监测设备(102)，所述能耗计量采集设备(101)对建筑的照明用电、动力用电、空调用电和特殊用电的能耗进行采集，所述温度监测设备(102)对空间温度进行采集；

通信层(200)，建立计量层(100)和管理层(300)之间的通信联系；以及，

管理层(300)，发出数据采集指令并对采集的相应能耗和温度数据进行存储；其中，

所述管理层(300)发出数据采集指令，经所述通信层(200)的通信协议转换后，传至所述计量层(100)的能耗计量采集设备(101)和温度监测设备(102)，所述能耗计量采集设备(101)和温度监测设备(102)接收指令经校验后进行响应，将相应的能耗和温度数据反馈至所述管理层(300)，经过处理分项存储至数据库；

所述将采集存储的能耗和温度数据作为时间序列分析方法的输入参数，其中，

所述时间序列是计算所述能耗和温度数据的自相关函数和偏自相关函数；

自相关系数，其定义：

因为对于一个平稳过程有：

所以

当k＝0时，有ρ₀＝1，以滞后期k为变量的自相关系数列ρ_kk＝0,1,2,...称为自相关函数；

所述偏自相关函数用以描述随机过程结构特征，其中，

用φ_kj表示k阶自回归过程中第j个回归系数，则k阶自回归模型表示为：x_t＝φ_k1x_t-1+φ_k2x_t-2+...+φ_kkx_t-k+u_t，其中φ_kk是最后一个回归系数；

若把φ_kk看作是滞后期k的函数，则称φ_kk，k＝1,2,...为偏自相关函数；

设时间序列{y_t}，取移动平均的项数为n，则第t+1期预测值的计算公式为：

上式中y_t表示第t期实际值；表示第t期一次移动平均数；表示t+1期预测值(t≥n)；

所述BP神经网络模型，其中，

根据神经网络的数据处理特点，对输入数据进行归一化处理，采用premnmx函数把训练样本归一化在[0，1]之间，方法如下：

其中，x、x′是归一化前、后的值，x_max是样本中最大值，x_min是样本中最小值；

所述BP神经网络模型，其建立过程包括，

网络的创建、训练、仿真、预测、反归一化处理；其中，

所述网络的创建，其类型选择BP神经网络；

所述训练，其函数采用trainlm；

所述反归一化处理，其是采用mapminmax函数对预测的能耗数据进行处理。

2.如权利要求1所述的基于分项计量时间序列建筑能耗预测方法，其特征在于：所述BP神经网络模型，

包括三个输入神经元、九个隐含神经元和四个输出神经元的网络；

所述隐含神经元传递函数采用是tansig函数，所述输出神经元传递函数采用是线性函数purelin。

3.一种预测建筑物的能量消耗的预测系统，其特征在于：该预测系统包括控制单元，该控制单元实施如权利要求1或2所述的基于分项计量时间序列建筑能耗预测方法。

4.一种建筑物，其特征在于：包括实施如权利要求1或2所述的基于分项计量时间序列建筑能耗预测方法的预测建筑物的能量消耗的预测系统。