[发明专利]一种基于粗糙集和深度置信神经网络的建筑能耗预测方法

说明书

本发明公开了一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤，步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；步骤三：进行用于深度神经网络预测建筑能耗的样本数据实测；步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。本发明解决了传统建筑能耗预测方法中准确性不够和实用性不足的问题，为建筑能耗的预测提供了一种新的方法。

技术领域

本发明属于建筑能耗预测技术领域，具体涉及一种基于粗糙集和深度置信神经网络的建筑能耗预测方法。

背景技术

全球经济快速发展，由此带来的能源消耗量增加的问题愈加剧烈。建筑能耗作为能耗形式的一种，现已经在全球能耗总量的占比中超过三分之一。因此，如何减少建筑能耗以缓解能源压力已变得尤为重要。提升能源利用率正是降低建筑能耗量的一种有效手段，而对建筑能耗进行预测又是提高能源利用率的重要途径。准确的建筑能耗预测能帮助建筑管理者改善建筑能源的需求和供应管理，达到更好地控制电力系统的目的，从而提升能源利用率，降低建筑能耗量。

建筑能耗预测方法有物理建模方法和数据驱动方法两类。其中物理建模方法通过使用物理学原理去评估建筑热力变化，在模拟建筑能耗过程中，这类方法需要大量有关建筑物及其系统的详细信息来表征建筑的热行为。数据驱动方法则分为两类，一类是统计学方法，另一类是机器学习方法。统计学方法其优点在于结构简单，模型相对容易建立。但是同时由于灰盒模型存在输入元素之间的复杂交互性，通常会容易导致计算效率低下，预测准确度不高的问题。而已有的机器学习算法相比于物理模型和统计学方法在各方面都有所精进，却仍存在能耗数据特征提取不足，预测结果不够精确，难以挖掘出重要的建筑能耗影响因子等问题。鉴于此，本文发明一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，以便能进行更准确有效的建筑能耗预测。

发明内容

本发明旨在提供一种更准确客观和更有效实用的基于粗糙集和深度置信神经网络的建筑能耗预测方法，以解决传统的建筑能耗方法准确度不高以及难以运用到实际场合中的技术问题，以便更好的准确预测建筑的能源消耗。

为了解决以上技术问题，本发明采用以下技术方案：

一种基于粗糙集和深度置信神经网络的建筑能耗预测方法，包括以下步骤：

步骤一：进行用于粗糙集约简建筑能耗影响因子的数据实测，确定各能耗等级的数值范围；

步骤二：利用粗糙集对建筑能耗影响因子进行属性约简预处理；

步骤三：进行用于深度置信神经网络预测建筑能耗的样本数据实测；

步骤四：叠加受限玻尔兹曼机，构建深度置信神经网络对训练样本进行学习训练；

步骤五：利用Matlab软件将经过属性约简后剩余的重要建筑能耗影响因子作为深度置信神经网络的输入参数，建筑能耗作为深度置信神经网络的输出，进行建筑能耗预测。

进一步地，步骤一中所述的建筑能耗的影响因子包括四个方面：(1)建筑外部气象条件参数包括：室外温度、相对湿度、太阳辐照度和风速；(2)建筑自身情况：分为体形参数和热工参数，体形参数包括层数、建筑朝向、建筑面积，建筑长宽比和窗墙面积比，热工参数包括外墙传热系数、屋顶传热系数和遮阳系数；(3)建筑使用情况包括：室内温度、人员密度和照明功率密度；(4)空调系统因子包括：人均新风量、送风温度、制冷机组 COP、风机效率和水泵效率。

进一步地，步骤一中所述的能耗等级划分为四个等级，所述四个等级分别为：低能耗、中能耗、较高能耗和高能耗。

进一步地，步骤二中所述粗糙集对建筑能耗影响因子进行属性约简预处理可以简化包括以下步骤：