[发明专利]一种基于分形理论的建筑能耗预测方法

说明书

本发明公开了一种基于分形理论的建筑能耗预测方法，收集能耗数据并进行相似日选取，将相似度排在前三天作为预测的基准日；绘制出基准日的能耗曲线，选择该能耗曲线上的极值点和拐点作为插值点，根据给定的插值点，在完整区间内构建一个迭代函数IFS，并且该IFS满足分形拼贴定理；采用随机因子法求取每个相似日的垂直比例因子di的值；根据确定IFS的第i个仿射变换，根据IFS的各个参数求出IFS的吸引子，然后通过多次迭代，得到一条稳定的插值曲线；采用确定性迭代算法求取吸引子；采用平均相对误差MRE和均方根误差RMSE对预测结果进行评价，实现建筑能耗预测。本发明具有较好的预测精度、通用性和适用性，特别适用于能耗周期性变化的大型分形特征公共建筑。

技术领域

本发明属于新能源及节能技术领域，具体涉及一种基于分形理论的建筑能耗预测方法。

背景技术

公共建筑是建筑中消耗能量水平比较高的，在民用建筑能源消耗总量中的占比达到了25％以上，据统计，从2009年到2015年，我国公共建筑的能源消耗量在以平均每年12.29％的速率增长，大型公共建筑普遍存在着高能耗、低能效的问题。所以改变其这种用能状态是我国建筑节能的一个重要问题。

建筑能耗预测是建筑能源管理过程中重要的一环，是实现建筑节能的一项关键性工作，对建筑能耗进行正确合理的预测，能够及时准确的发现建筑能耗中的一些异常情况或者潜在的设备故障，便于管理人员及时采取措施，进而避免能源的过度浪费。同时正确合理的建筑能耗预测还可以给管理人员合理分配能量提供一定的依据，使得能源被合理有效地使用。而且可以合理安排发电方案，实现电网的供需平衡，让电力系统稳定运行，这对电力系统来说也是非常重要的一环。

目前能耗预测方法中人工神经网络模型、支持向量机模型、决策树模型以及混合模型应用广泛。然而，这些模型却存因在各种问题使得预测精度不够理想。比如，人工神经网络算法的学习速度不够高，并易产生局部最优和过拟合现象；支持向量机难以在大量样本中使用，多分类问题解决困难；决策树模型的方案概率易受人为影响，决策准确性降低；混合模型计算量和计算难度较高等问题。以上预测算法只是注重考虑自身算法对能耗的预测，还未能充分考虑建筑能耗的复杂特征，从而导致预测效果不理想。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于分形理论的建筑能耗预测方法，考虑影响建筑能耗的复杂因素，实现了有效预测建筑能耗情况，通过对影响条件的控制，达到节能降耗的技术效果，解决了现有技术中存在的问题。

本发明采用以下技术方案：

一种基于分形理论的建筑能耗预测方法，包括以下步骤：

S1、收集能耗数据，并进行相似日选取，将相似度排在前三天作为预测的基准日；

S2、根据所选择的基准日和相似日，绘制出基准日的能耗曲线，选择该能耗曲线上的极值点和拐点作为插值点，其他相似日也选择相同类型的插值点；

S3、根据给定的插值点，在完整区间内构建一个迭代函数IFS，并且该IFS满足分形拼贴定理；

S4、采用随机因子法求取每个相似日的垂直比例因子di的值；

S5、根据步骤S4确定IFS的第i个仿射变换，根据IFS的各个参数求出IFS的吸引子，然后通过多次迭代，得到一条稳定的插值曲线；

S6、采用确定性迭代算法求取吸引子；

S7、采用平均相对误差MRE和均方根误差RMSE对预测结果进行评价，实现建筑能耗预测。

具体的，步骤S1具体为：