基于BP神經網絡的建筑能耗分析方法與系統技術方案

本發明專利技術公開了一種基于BP神經網絡的建筑能耗分析方法與系統，方法包括以下步驟：根據指定建筑能耗類型確定輸入輸出向量；根據輸入輸出向量構造BP神經網絡模型；輸入訓練樣本對建立好的BP神經網絡模型進行訓練；把實際需要進行分析的能耗指標數據輸入到經過訓練的BP模型進行處理分析；對神經網絡的輸出數據進行數據還原。系統包括節能潛力量化模塊、數據預處理模塊、BP網絡分析模塊、數據還原模塊、配置管理模塊以及日志記錄模塊。本發明專利技術可以實現快速精確地對建筑能耗指標數據進行處理分析，從而得到建筑用能過程中的不合理環節，幫助建筑管理者乃至不具備專業知識的普通用戶了解建筑能耗現狀、明確節能改善措施。

【技術實現步驟摘要】

本專利技術涉及到建筑能耗數據的檢測與分類，屬于模式分類
范疇，特別涉及一種基于BP神經網絡的建筑能耗分析方法與系統。
技術介紹
建筑能耗分析一直是各國學者關注和研究的焦點,通過正確有效的能耗計算與分析,可減少建筑物生命周期內各環節的能耗。目前可采用的建筑物能耗分析方法很多，根據所依據的數學模型，可將計算方法分為兩大類：一類是建立在穩定傳熱理論基礎上的靜態能耗分析法，另一類是建立在不穩定傳熱理論基礎上的動態能耗模擬法。(1)靜態能耗分析法:靜態能耗分析法的基本原理是將供暖期或供暖期中的各旬、各月的耗熱量按穩態傳熱理論進行計算,主要包括度BIN法、日數法、當量峰值小時數法等。這種方法的優點是比較簡單，易于手算，但是精度稍差，準確率較低，所有的模擬計算都是在設定的理想參數下(氣象條件，室內溫度等)進行計算，不能反映建筑實際運行狀態下的能耗狀況；(2)動態模擬法：基于不穩定傳熱理論，主要是利用計算機技術進行系統的動態分析和動態模擬，這種方法因為要求建立的數學模型系統且精確，并且局限于線性和時間不變系統。另外該方法對專業領域知識有比較高的要求，大多是針對專業人員而設計的，而對于建筑的實際使用者或者業主、物業管理等不具備建筑能源系統相關專業知識的人員，則無法通過這種方式對自己的房屋能耗狀況有一個基本的了解，因此實際應用受到很大局限。上述兩種傳統的建筑能耗分析方法由于其自身的局限性，沒有充分利用已有的能耗數據，無法做到對能耗的智能分析，對節能決策的支持十分有限。
技術實現思路
本專利技術的目的在于克服現有技術的缺點與不足，提供了一種基于BP神經網絡的建筑能耗分析方法，本方法在對建筑能耗指標數據及其影響因素進行分析和研究的基礎上，通過BP神經網絡學習技術強大的知識發現和數據分析能力，實現快速精確地對建筑能耗指標數據進行處理分析，從而得到建筑用能過程中的不合理環節，幫助建筑管理者乃至不具備專業知識的普通用戶了解建筑能耗現狀、明確節能改善措施。本專利技術的另一目的在于，提供一種基于BP神經網絡的建筑能耗分析系統。為了到達上述第一目的，本專利技術采用以下技術方案：本專利技術基于BP神經網絡的建筑能耗分析方法，其特征在于，包括以下步驟：(1)根據指定建筑能耗類型確定輸入輸出向量；(2)根據輸入輸出向量構造BP神經網絡模型；(3)輸入訓練樣本對建立好的BP神經網絡模型進行訓練；(4)把實際需要進行分析的能耗指標數據輸入到經過訓練的BP模型進行處理分析；(5)對神經網絡的輸出數據進行數據還原。作為優選的技術方案，所述步驟(1)進一步包括下述步驟：(1-1)將建筑能耗類型分成3類，分別為電耗、水耗以及冷耗空調系統，在分析日前一天對建筑能耗進行測量，獲取相應的測量數據作為原始的建筑能耗數據；(1-2)根據原始的建筑能耗數據以及綠色建筑評價指標的計算公式計算得到建筑能耗指標數據值作為模型的輸入向量，(1-3)確定對應建筑能耗類型的建筑能耗薄弱環節作為模型的輸出向量，3個能耗類型的輸出變量；(1-4)對確定的輸入向量進行二值化處理；(1-5)對確定的輸出向量進行二進制編碼，以建筑能耗類型中能耗薄弱環節個數為二進制編碼長度，從而對輸出向量采用“n中取1”的編碼方式；其中，n為編碼的長度，即對應能耗類型的能耗薄弱環節總個數，當某建筑薄弱環節確定時，其對應位的編碼置為1，其余的n-1位編碼都為0。作為優選的技術方案，步驟(1-2)中，3類能耗分項的輸入變量如下所示：(1-2-1)電耗部分：包括單位面積空調電耗量、單位面積照明與插座電耗量、單位面積通排風機電耗量、單位面積特殊電耗量，還包括非工作時段與工作時段照明與插座電耗之比、非工作時段與工作時段空調電耗之比、非工作時段與工作時段房間通排風電耗之比、非工作時段與工作時段特殊設備電耗之比；(1-2-2)水耗部分：單位面積水耗量、非工作時段與工作時段水耗之比；(1-2-3)冷耗空調系統部分：單位面積冷耗量、包括空調系統能效比、制冷系統能效比、冷水機組運行效率、冷卻水輸送系數、冷凍水輸送系數、空調末端能效比、冷卻泵效率、冷卻塔效率、冷凍泵效率、水系統供回水溫差以及水系統回水溫度一致性。作為優選的技術方案，步驟(1-4)進一步包括下述步驟：(1-4-1)對于輸入向量的每一個輸入指標數據，其指標數值為Ia，獲取其相關的標準指標值In；(1-4-2)根據式(1)計算該輸入指標的節能潛力D；D=ΔIIn=Ia-InIn---(1)]]>式中：Ia為建筑計算得到的實際指標值；In為公共建筑參考指標值；(1-4-3)將步驟(1-4-2)計算得到的D按式(2)規則進行取值，即將節能潛力D閥值T進行比較，若D>＝T，該則輸入指標的二值化取值f(x)＝1；若D<T，則該輸入指標的二值化取值f(x)＝0；f(xi)=0D(xi)≤T1D(xi)>T---(2)]]>式中：xi為二值化之前的第i個指標參數；f(xi)為xi二值化之后的取值；Di為第i個指標參數xi的節能潛力計算值；T為節能潛力閥值。作為優選的技術方案，所述步驟(2)進一步包括下述步驟：(2-1)根據輸入向量、輸出向量確定輸入層以及輸出層的神經元數量；(2-2)根據輸入層和輸出層的神經元數量確定BP神經網絡隱藏層神經元數量，其中，BP神經網絡的激勵函數是sigmoid函數：f(x)=11+e-x---(3)]]>所述步驟(3)，進一步包括下述步驟：設定BP神經網絡的訓練參數，并對其進行訓練，其中訓練參數包括：最大訓練次數、期望誤差、動量項數值以及學習速率。作為優選的技術方案，所述步驟(5)進一步包括下述步驟：對BP神經網絡的輸出向量進行遍歷，將數值最大的一項置為1，其余的置為0，即獲得輸出向量的二進制編碼輸出，再根據編碼與分析結論內容的對應關系將二進制編碼還原為用戶可以理解的文字信息；得到反饋的分析結論后，用戶即可明確建筑能耗問題之所在，并能夠有目的性地進行重點排查與維護，其中的問題包括更換或維修設備、加強設備的維護與保養以及調整設備的運行策略。本專利技術還提供一種基于BP神經網絡的建筑能耗分析系統，該系統包括節能潛力量化模塊、數據預處理模塊、BP網絡分析模塊、數據還原模塊、配置管理模塊以及日志記錄模塊；所述節能潛力量化模塊，用于計算每一個建筑能耗指標數據的節能潛力；所述數據預處理模塊，用于負責提供建筑能耗分析方法的數據本文檔來自技高網...

【技術保護點】
基于BP神經網絡的建筑能耗分析方法，其特征在于，包括以下步驟：(1)根據指定建筑能耗類型確定輸入輸出向量；(2)根據輸入輸出向量構造BP神經網絡模型；(3)輸入訓練樣本對建立好的BP神經網絡模型進行訓練；(4)把實際需要進行分析的能耗指標數據輸入到經過訓練的BP模型進行處理分析；(5)對神經網絡的輸出數據進行數據還原。

【技術特征摘要】
1.基于BP神經網絡的建筑能耗分析方法，其特征在于，包括以下步驟：
(1)根據指定建筑能耗類型確定輸入輸出向量；
(2)根據輸入輸出向量構造BP神經網絡模型；
(3)輸入訓練樣本對建立好的BP神經網絡模型進行訓練；
(4)把實際需要進行分析的能耗指標數據輸入到經過訓練的BP模型進行
處理分析；
(5)對神經網絡的輸出數據進行數據還原。
2.根據權利要求1所述的基于BP神經網絡的建筑能耗分析方法，其特征
在于，所述步驟(1)進一步包括下述步驟：
(1-1)將建筑能耗類型分成3類，分別為電耗、水耗以及冷耗空調系統，
在分析日前一天對建筑能耗進行測量，獲取相應的測量數據作為原始的建筑能
耗數據；
(1-2)根據原始的建筑能耗數據以及綠色建筑評價指標的計算公式計算得
到建筑能耗指標數據值作為模型的輸入向量，
(1-3)確定對應建筑能耗類型的建筑能耗薄弱環節作為模型的輸出向量，3
個能耗類型的輸出變量；
(1-4)對確定的輸入向量進行二值化處理；
(1-5)對確定的輸出向量進行二進制編碼，以建筑能耗類型中能耗薄弱環
節個數為二進制編碼長度，從而對輸出向量采用“n中取1”的編碼方式；其中，
n為編碼的長度，即對應能耗類型的能耗薄弱環節總個數，當某建筑薄弱環節確
定時，其對應位的編碼置為1，其余的n-1位編碼都為0。
3.根據權利要求2所述的基于BP神經網絡的建筑能耗分析方法，其特征
在于，步驟(1-2)中，3類能耗分項的輸入變量如下所示：
(1-2-1)電耗部分：包括單位面積空調電耗量、單位面積照明與插座電耗
量、單位面積通排風機電耗量、單位面積特殊電耗量，還包括非工作時段與工
作時段照明與插座電耗之比、非工作時段與工作時段空調電耗之比、非工作時
段與工作時段房間通排風電耗之比、非工作時段與工作時段特殊設備電耗之比；
(1-2-2)水耗部分：單位面積水耗量、非工作時段與工作時段水耗之比；
(1-2-3)冷耗空調系統部分：單位面積冷耗量、包括空調系統能效比、制
冷系統能效比、冷水機組運行效率、冷卻水輸送系數、冷凍水輸送系數、空調
末端能效比、冷卻泵效率、冷卻塔效率、冷凍泵效率、水系統供回水溫差以及
水系統回水溫度一致性。
4.根據權利要求2所述的基于BP神經網絡的建筑能耗分析方法，其特征
在于，步驟(1-4)進一步包括下述步驟：
(1-4-1)對于輸入向量的每一個輸入指標數據，其指標數值為Ia，獲取其相
關的標準指標值In；
(1-4-2)根據式(1)計算該輸入指標的節能潛力D；
D=ΔIIn=Ia-InIn---(1)]]>式中：Ia為建筑計算得到的實際指標值；In為公共建筑參考指標值；
(1-4-3)將步驟(1-4-2)計算得到的D按式(2)規則進行取值，即將節
能潛力D閥值T進行比較，若D>＝T，該則輸入指標的二值化取值f(x)＝1；若
D<T，則該輸入指標的二值化取值f(x)＝0；
f(xi)=1D(xi)≤T0D(xi)>T---(2)]]>式中：xi為二值化之前的第i個指標參數；f(xi)為xi二值化之后的取值；Di為
第i個指標參數xi的節能潛力計算值；T為節能潛力閥值。
5.根據權利要求1所述的基于BP神經網絡的建筑能耗分析方法，其特征
在于，所述步驟(2)進一步包括下述步驟：
(2-1)根據輸入向量、輸出向量確定輸入層以及輸出層的神經元數量；
(2-2)根據輸入層和輸出層的神經元數量確定BP神經網絡隱藏層神經元
數量，其中，BP神經網絡的激勵函數是sigmoid函數：
f(x)=11+e-x---(3)]]>所述步驟(3)，進一步包括下述步驟：
設定BP神經網絡的訓練參數，并對其進行訓練，其中訓練參數包括：最大
訓練次數、期望誤差、動量項數值以及學習速率。
6.根據權利要求1所述的基于BP神經網絡的建筑能耗分...

【專利技術屬性】
技術研發人員：彭新一，黃志煒，鄧釗鵬，謝妍，
申請(專利權)人：華南理工大學，廣州市戴為智能科技有限公司，
類型：發明
國別省市：廣東;44