[发明专利]基于相似样本筛选的BP神经网络供暖系统能耗预测方法

权利要求书

1.一种基于相似样本筛选的BP神经网络供暖系统能耗预测方法，其特征在于，按照如下的步骤顺序依次进行：

步骤S1、构建初始训练样本集A

利用供暖系统能耗历史数据及其对应时刻的影响因素构建BP神经网络初始训练样本集A；

步骤S2、筛选主要影响因素

通过定量计算的方式，确定初始训练样本集A中影响供暖系统能耗变化的主要因素；

步骤S3、构建训练样本集

从初始训练样本集A中提取主要影响因素及其对应的历史能耗数据构建训练样本集

步骤S4、构建影响因素矩阵B

利用预测时刻和历史时刻影响供暖系统能耗的主要因素构建影响因素矩阵B；

步骤S5、计算综合相似系数

利用影响因素矩阵计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数；

步骤S6、筛选相似样本子集

设定相似度标准，并从训练样本集中筛选出相似样本子集

步骤S7、构建最终训练样本集

按初始训练样本集A的行数对相似样本子集进行填充，从而构建最终训练样本集

步骤S8、BP神经网络结果预测

利用经过预处理后的训练样本集对BP神经网络预测模型进行学习训练，然后进行供暖系统能耗预测预测。

2.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法，其特征在于，影响供暖系统能耗的主要因素包括：日最大干球温度、日最小干球温度、日平均干球温度、日平均露点温度、日平均相对湿度、日平均风速、日平均太阳辐射。

3.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法，其特征在于，所述步骤S2中，利用相关性分析方法，确定影响供暖系统能耗的主要影响因素，具体步骤如下：

步骤S21、正态分布检验

采用Kolmogorov-Smirnov检验方法对所有变量进行正态分布检验，先假设变量服从正态分布，如果显著性指标大于0.05，表明检验结果接受原假设，即变量服从正态分布；否则表明检验结果拒绝原假设，即变量不服从正态分布；变量理论分布函数与经验分布函数之间的最大差值计算公式如下：

D_max＝max|S_n(X)-F₀(X)|

其中，D_max为变量理论分布函数与经验分布函数之间的最大差异，即显著性指标；S_n(X)为随机变量观察值的累积概率分布函数，即经验分布函数；F₀(X)为正态分布概率密度函数；

步骤S22、计算影响因素与供暖系统能耗之间的相关系数

(1)如果双变量均服从正态分布，则采用Pearson相关系数，计算公式如下：

其中，r_t为第t个影响因素与供暖系统能耗之间的相关系数；为第t个影响因素的平均值；为供暖系统能耗平均值；

(2)如果双变量不满足正态分布假设的等间隔数据，则采用Spearman相关系数，计算公式如下：

步骤S23、对相关系数进行t检验

在进行相关系数t检验前，先假设双变量之间不相关，如果显著性指标大于0.01，表明检验结果接受原假设，即双变量之间不相关；否则表明检验结果拒绝原假设，即双变量之间显著相关；

检验统计量t的计算公式如下：

其中，t为检验统计量；

经过上述步骤计算出影响因素与供暖系统能耗之间的相关系数和检验统计量，并剔除与供暖系统能耗相关性较小的影响因素。

4.根据权利要求1所述的基于相似样本筛选的BP神经网络供暖系统能耗预测方法，其特征在于：所述步骤S5中，利用基于信息熵改进的灰色关联法定量计算预测时刻和历史时刻影响供暖系统能耗的主要因素之间的综合相似系数，具体如下：

步骤S51、对不同气象参数进行无量纲化、归一化预处理；

步骤S52、计算第h个历史日与预测日在第t个气象参数特征值上的差异；

步骤S53、计算预测日与历史日在第t个气象参数上的灰色关联度；

步骤S54、计算预测日与第h个历史日的综合相似系数。