[发明专利]一种面向建筑能耗预测的BP神经网络模型配置方法

摘要

本发明公开了一种面向建筑能耗预测的BP神经网络模型配置方法，包括（A），创建可配置化的BP神经网络模型；（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型；（C），进行建筑能耗数据预测。本发明的面向建筑能耗预测的BP神经网络模型配置方法，将复杂的建筑能耗预测相关影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离，实现任意预测模型的可配置化创建，降低了建筑能耗预测系统的开发和维护成本，使得大规模建筑的能耗预测系统易于实现，具有良好的应用前景。

主权项

1.一种面向建筑能耗预测的BP神经网络模型配置方法，其特征在于：包括以下步骤，步骤（A），创建可配置化的BP神经网络模型，包括建立输入配置、输出配置、网络结构配置，并进行模型校验、基础网络模型保存；步骤（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存；步骤（C），进行建筑能耗数据预测，包括预测训练模型选择、预测输入数据时间设置、建筑能耗预测、预测结果保存；其中，步骤（A），创建可配置化的BP神经网络模型，包括以下过程，（A1）对能耗预测的影响因素进行抽象，定义BP神经网络模型的输入存储方式、解析方式和数据加载方式；（A2）定义BP神经网络模型输出的存储方式、解析方式和数据加载方式；（A3）进行BP神经网络模型的范围筛选；（A4）建立输入配置，根据BP神经网络模型的范围筛选全范围的输入因素实现任意输入因素选择、任意输入数目选择，同时，对每个输入因素所涉及到的相关数据提取涉及到的参数进行设置；（A5）建立输出配置，根据BP神经网络模型的范围筛选全范围的输出因素实现任意输出因素选择、任意输出数目选择，同时，对每个输出因素所涉及到的相关数据提取涉及到的参数进行设置；（A6）建立网络结构配置，包括对输入层的神经元个数、隐含层神经元个数、输出层神经元个数、训练周期、预测周期的配置；（A7）进行模型校验，对已经配置好的BP神经网络模型进行校验，包括输入输出配置与网络结构的匹配校验，输入输出数据提取参数配置校验；（A8）进行基础网络模型保存，包括保存网络结构配置信息、输入配置信息、输出配置信息；步骤（B），训练嵌入能耗模式的BP神经网络模型，形成预测训练模型，包括以下过程，（B1）能耗模式配置是根据节假日、是否上班情况的能耗模型对训练数据进行过滤提取训练，保证预测BP神经网络模型的准确性；训练参数设置，包括权重修正系数、学习速率、训练代数的设置；训练数据提取时间设置，对训练数据提取的开始时间和结束时间进行设置，进行实际训练时，则该时间范围根据选择的BP神经网络模型所配置好的输入、输出进行相应的数据提取；（B2）基础网络模型选择，选择是对步骤（A）中已经保存好的BP神经网络模型进行选择；（B3）对选择的基础网络模型训练，形成预测训练模型，根据已经配置好的能耗模式、训练参数、训练数据提取时间范围，利用BP神经网络算法对选择的基础网络模型进行选取训练；（B4）预测训练模型的保存，将训练前、训练后的相关数据进行保存，相关数据包括基础网络模型ID、训练时间、训练数据提取开始时间、训练数据提取结束时间、权重修正系数、学习速率、归一化最大值、归一化最小值、训练代数、输入层到隐含层的权重信息，隐含层到输出层的权重信息；步骤（C），进行建筑能耗数据预测，包括以下过程，（C1）预测训练模型选择，对步骤（B）已经训练好的预测训练模型选择,并对需要进行预测的时间段进行设置；(C2)建筑能耗预测，根据选择的预测训练模型，利用BP神经网络算法进行能耗预测；(C3)预测结果保存，对建筑能耗预测出的数据进行保存，便于数据展示与追踪，包括选择的训练模型ID，预测时间，预测能耗值。